Die Genauigkeit von Deepfake-Detektoren fällt in einem Jahr KI-Videofortschritt um bis zu 49 Prozent

Aktualisiert am 17. September 2026

KI-Videos erkennen ist inzwischen kaum noch etwas anderes als Raten. Der DF26-Benchmark, am 7. September 2026 veröffentlicht, prüft neun Detektoren auf dem Stand der Technik gegen Material aus sieben aktuellen Videomodellen: Auf dem etablierten Datensatz CelebDF++ erreichen sie im Mittel 84,4 AUROC, auf DF26 nur noch 56,1, keiner kommt über 69,7 hinaus, und menschliche Prüferinnen und Prüfer ordnen nur 52,6 Prozent der Fälschungen richtig ein. Der am stärksten betroffene Detektor verliert in einem Jahr 49 Prozent seiner Genauigkeit und fällt von 94,3 auf 48,2.

Damit fällt eine tragende Annahme: dass sich synthetische Inhalte nachträglich aussortieren lassen, sobald die Werkzeuge gut genug sind.

Was der DF26-Benchmark misst und warum seine Zahlen zählen

Der DF26-Benchmark ist ein Datensatz aus 2.691 Videos, davon 271 echte und 2.420 generierte, veröffentlicht am 7. September 2026 unter arXiv:2609.07369. Beteiligt sind die Ukrainische Katholische Universität, die Tschechische Technische Universität Prag, Hover Inc. und das Institut für Softwaresysteme der ukrainischen Akademie der Wissenschaften. Alle Videos zeigen Menschen, die öffentlich sprechen: direkt in die Kamera, als offizieller Mitschnitt oder als Studiointerview; die echten stammen aus OpenVid-1M, TalkingCelebs und MAVOS-DD.

Der Aufbau folgt einem Paarprinzip: Aus den Einzelbildern jedes echten Videos wird ein semantischer Prompt abgeleitet, mit dem die passenden synthetischen Clips erzeugt werden, sodass Paare aus echt und falsch mit demselben visuellen Kontext entstehen. Sichtbare Wasserzeichen, Logos oder Exportmarkierungen kommen darin nicht vor. Die Elo-Werte der sieben Generatoren stammen aus der Rangliste von Artificial Analysis, Stand August 2026.

Neun Detektoren sollen KI-Videos erkennen, keiner ist verlässlich

Keiner der neun geprüften Detektoren erreicht auf dem DF26-Benchmark ein Ergebnis, auf das sich eine Entscheidung stützen ließe. Alle neun wurden auf FaceForensics++ trainiert und ohne Nachtraining bewertet; der AUROC ist in Prozent angegeben, wobei 50 reinem Zufall entspricht.

Der beste Wert liegt bei 69,7, Effort rutscht mit 44,0 unter die Zufallsschwelle. Wer unterhalb von 50 landet, ordnet nicht bloß schlecht ein: Mit dem jeweils umgekehrten Urteil käme man weiter.

Noch aussagekräftiger ist, was die Mittelwerte verdecken. Nach einzelnen Generatoren aufgeschlüsselt zeigen sich Einbrüche, die in der Gesamtzahl verschwinden: Gegen Grok Imagine 1.0 erreicht Effort nur 13,6, DFD-FCG 20,5, GenD-DINO 35,4, FSFM 36,3 und ForAda 38,9. Gegen Veo 3.1 liegt Effort bei 21,3 und PwTF-DVD bei 26,7. Über alle Generatoren gemittelt kommt GenD-PE auf 72,7, Effort dagegen nur auf 40,9. Die Autoren halten ausdrücklich fest, dass die kommerziellen Generatoren der schwierigste Prüffall sind und dass aggregierte Werte schwere Fehlermodi verbergen: Ein Detektor kann bei einem Modell brauchbar abschneiden und beim nächsten unter den Zufall fallen. Wer sich auf den Durchschnittswert stützt, weiß nicht, in welchem der beiden Fälle er gerade steht.

Kein Ausrutscher vom September: die Kurve fällt seit zwei Jahren

Der Einbruch beginnt nicht mit dem DF26-Benchmark, er wurde nur selten so deutlich gemessen. Bereits Deepfake-Eval-2024, auf der CVPRW 2026 vorgestellt, untersuchte Material, das 2024 tatsächlich im Netz kursierte: 45 Stunden Video, 56,5 Stunden Audio und 1.975 Bilder von 88 Websites in 52 Sprachen. Gegenüber den bis dahin üblichen Benchmarks sank der AUC quelloffener Detektoren um 50 Prozent beim Video, um 48 Prozent beim Audio und um 45 Prozent beim Bild.

Zwei unabhängige Erhebungen im Abstand von zwei Jahren zeigen in dieselbe Richtung. Wer heute über die Grenzen von Erkennungssoftware entscheidet, sollte deshalb mit einer Entwicklung rechnen statt mit einem Ausreißer.

Warum sie zurückfallen: das Problem hat seine Natur geändert

Die Detektoren verlieren nicht an Qualität, sondern suchen nach etwas, das es in den neuen, vollständig KI-generierten Videos nicht mehr gibt. Alle neun wurden auf FaceForensics++ trainiert, einem Datensatz aus manipulierten echten Gesichtern: Gesichtstausch, Gesichtsreanimation, Veränderung einzelner Attribute. Solche Eingriffe hinterlassen eine Bruchkante zwischen authentischem und verändertem Bildbereich, und genau danach suchen die Modelle.

Die Videos des DF26-Benchmarks enthalten dagegen keine Manipulation: Sie sind vollständig generiert, sodass die gesuchte Bruchkante gar nicht existiert. Die Autoren bezeichnen das als Verteilungsverschiebung zwischen generativen Modellen, und eine interne Gegenprobe stützt die Erklärung: Der Einbruch hängt nicht vom aufgenommenen Szenario ab, sondern vom Generator, liegt also weder an der Kameraeinstellung noch am Sprechstil.

Nachtraining hilft, allerdings immer im Rückstand. Wird GenD-PE auf dem HunyuanVideo-Teil trainiert, der Bilder in Videos überführt, steigt der Mittelwert von 76,0 auf 82,3: Grok Imagine klettert von 66,5 auf 96,8, Veo 3.1 von 76,6 auf 95,6. Das Verfahren funktioniert also, beschreibt aber ein Hinterherlaufen, denn der Detektor lernt einen Generator nach dem anderen und erst, nachdem dieser erschienen ist und sein Material ausgewertet wurde. Zwischen einem neuen Modell und der angepassten Erkennung liegt jedes Mal eine Lücke, in der Erkennungssoftware an ihre Grenzen stößt.

Das menschliche Auge ist keine Reserve

Wer der Technik misstraut und deshalb auf geschulte Beobachtung setzt, verlagert das Problem nur. Die Autoren haben 232 Annotationssitzungen ausgewertet, überwiegend mit freiwilligen Studierenden technischer Hochschulen. Jede Person beurteilte 30 Videos, davon 15 gefälschte; die Clips waren fünf Sekunden lang und durften höchstens zehnmal wiederholt werden, und zur Auswahl standen drei Antworten: von der KI erzeugt, mit KI bearbeitet, echt.

Bei echtem Material schneiden Menschen überall ähnlich ab, bei den Fälschungen des DF26-Benchmarks finden sie dagegen keine ausreichenden Anhaltspunkte mehr; am häufigsten getäuscht hat LTX 2.3 in der destillierten Bild-zu-Video-Variante. Der Befund deckt sich mit einer Metaanalyse von 56 Studien mit 86.155 Teilnehmenden und 137 Effektstärken: Die mittlere Trefferquote liegt bei 55,54 Prozent, das 95-Prozent-Konfidenzintervall reicht von 48,87 bis 62,10 Prozent und schließt damit den Zufall ein; beim Video allein sind es 57,31 Prozent. Selbst mit Rückmeldung im Training, automatischer Unterstützung und karikaturhafter Überzeichnung steigt der Wert nur auf 65,14 Prozent.

Unterschätzt wird dabei eine andere Zahl: 24,0 Prozent der echten Videos im DF26-Benchmark wurden für Fälschungen gehalten. Wer einem KI-Fake aufsitzt, hat ein Problem; wer sein eigenes, echtes Material nicht mehr glaubhaft machen kann, hat dasselbe Problem von der anderen Seite. Betroffen ist davon jede Organisation, die sich vor Gericht oder gegenüber einem Versicherer auf eine Videoaufnahme berufen muss.

Lässt sich der Zweifel nicht nachträglich klären, muss er vorher überflüssig werden

Die Authentizität eines Videos entsteht in dem Moment, in dem es aufgenommen wird, nicht in einer nachträglichen Rekonstruktion. Wenn der beste Detektor bei 69,7 stehen bleibt und Menschen nur 52,6 Prozent der Fälschungen erkennen, ist eine Aufnahme ohne dokumentierte Herkunft im Streitfall kein belastbares Beweismittel mehr, sondern ein Gegenstand der Auslegung.

TrueScreen, die Data Authenticity Platform, setzt deshalb am anderen Ende an: Statt ein Video zu prüfen, nachdem es im Umlauf ist, hält die Plattform Herkunft, Integrität und Zeitpunkt in dem Moment fest, in dem die Aufnahme entsteht. Die Erfassung erfolgt nach forensischer Methodik, und am Ende steht ein offizielles digitales Siegel mit qualifiziertem Zeitstempel, international anerkannt und mit voller Rechtswirkung. Für die deutsche Praxis ist das der entscheidende Unterschied: Nach § 371 ZPO wird ein Video als Augenscheinsobjekt erhoben, und die freie Beweiswürdigung nach § 286 ZPO entscheidet darüber, ob das Gericht der Aufnahme folgt. Dokumentierte Erfassungsbedingungen, ein qualifizierter Zeitstempel nach eIDAS-Verordnung 910/2014 sowie eine nach ISO/IEC 27037 nachvollziehbare Sicherung verschieben die Frage von der Glaubhaftigkeit zur Überprüfbarkeit. Ob sich digitale Beweise vor Gericht durchsetzen, hängt daher weniger an der Auswertung als an der Erfassung.

Zur Erfassung gehört auch eine Analyse synthetischer Inhalte für Foto, Video und Audio. Sie arbeitet nicht deterministisch, gibt einen Vertrauensgrad zurück und setzt einen Workspace voraus; sie ersetzt die forensische Methodik nicht, sondern begleitet sie. Erklärte Kennzeichnungen wie C2PA-Angaben oder Generator-Hinweise in den Metadaten können, wo vorhanden, zusätzlich einfließen; ihr Fehlen allein ist jedoch kein Beleg für eine Fälschung. Verfahren wie SynthID markieren Material auf Seiten des Erzeugers, decken aber naturgemäß nur ab, was ein teilnehmender Anbieter selbst erzeugt hat; dass im deutschsprachigen Raum inzwischen gezielt nach solchen Verfahren gesucht wird, zeigt immerhin, wie stark die Frage nach der technischen Herkunft an Gewicht gewinnt. Für alles Übrige bleibt die Kennzeichnung am Ursprung der eigenen Aufnahme die einzige Größe, über die eine Organisation selbst verfügt, und dieselbe Logik trägt die Kennzeichnungspflicht für synthetische Inhalte in der KI-Verordnung.

Die Autoren benennen die Grenzen ihrer Arbeit selbst, und sie sind erheblich. Mit 2.691 Videos bleibt der Umfang klein gegenüber großangelegten Benchmarks, und bewertet wurde ausschließlich die visuelle Modalität: Audio, Sprachqualität, Lippensynchronität und die Übereinstimmung von Ton und Bild bleiben außen vor. Die Studie sagt auch nicht, dass Erkennung grundsätzlich sinnlos sei, sondern dass die geprüften, auf FaceForensics++ trainierten Detektoren gegen nie gesehene Generatoren nicht standhalten. Kommerzielle Erkennungsprodukte wurden ebenso wenig gemessen wie Standbilder. Wie stark einzelne Modelle eigene Spuren hinterlassen, untersucht unabhängig davon die Studie aus Edinburgh zu KI-Fingerabdrücken.