{"id":58046,"date":"2026-08-19T18:46:36","date_gmt":"2026-08-19T16:46:36","guid":{"rendered":"https:\/\/truescreen.io\/artikel\/deepfakes-erkennen-grenzen-erkennungssoftware\/"},"modified":"2026-08-19T18:46:36","modified_gmt":"2026-08-19T16:46:36","slug":"deepfakes-erkennen-grenzen-erkennungssoftware","status":"publish","type":"artikel","link":"https:\/\/truescreen.io\/de\/artikel\/deepfakes-erkennen-grenzen-erkennungssoftware\/","title":{"rendered":"Deepfakes erkennen: warum Erkennungssoftware an ihre Grenzen st\u00f6\u00dft"},"content":{"rendered":"
\n
\n

Deepfakes erkennen: warum Erkennungssoftware an ihre Grenzen st\u00f6\u00dft<\/h1>\n<\/div>\n<\/div>\n
\n
\n

Ver\u00f6ffentlicht am 19. August 2026<\/p>\n

KI-Bilder sind l\u00e4ngst keine Laborkuriosit\u00e4t mehr. Sie stehen in Feeds, in Chats und auf Titelseiten, und oft lassen sie sich von einer echten Aufnahme nicht unterscheiden. Die naheliegende L\u00f6sung schien einfach: Software soll entscheiden, ob ein Inhalt echt oder gef\u00e4lscht ist. Dann ver\u00f6ffentlichte NewsGuard am 11. Mai 2026 einen unabh\u00e4ngigen Bericht<\/a> mit einem unbequemen Befund. Die f\u00fchrenden Werkzeuge zur Deepfake-Erkennung irren sich, und zwar h\u00e4ufig. Sie erkl\u00e4ren echte Aufnahmen f\u00fcr manipuliert und manipulierte f\u00fcr echt.<\/p>\n

Wenn sich nicht einmal den Erkennungsprogrammen trauen l\u00e4sst, bleibt die Frage, wie sich Echtes von Gef\u00e4lschtem trennen l\u00e4sst. Die kurze Antwort: Wir f\u00fchren den falschen Kampf. Die nachgelagerte Erkennung, also die Analyse bereits vorhandener Inhalte, ist ein Wettlauf, der von Anfang an verloren ist. Die Verteidigung, die tr\u00e4gt, l\u00e4uft in die andere Richtung. Sie beglaubigt die Echtheit jeder Information an der Quelle, im Moment der Aufnahme, mit rechtlicher Belastbarkeit.<\/p>\n

Das Vorzeichen hat sich umgekehrt. Wir leben nicht mehr in einer Welt, in der etwas wahr ist, solange das Gegenteil nicht bewiesen wird, sondern in einer, in der etwas als unbelegt gilt, solange die Echtheit nicht an der Quelle erkl\u00e4rt wurde.<\/p>\n

Warum Software zur Deepfake-Erkennung unzuverl\u00e4ssig ist<\/h2>\n

Die f\u00fchrenden Erkennungswerkzeuge versagen systematisch, und die Zahlen lassen wenig Spielraum f\u00fcr Auslegung. NewsGuard pr\u00fcfte f\u00fcnf Werkzeuge an einer Stichprobe von 45 echten Bildern, aufgeteilt in drei Gruppen: 15 unver\u00e4nderte, 15 leicht bearbeitete und 15 stark manipulierte.<\/p>\n

Das vernichtendste Ergebnis betrifft die falsch positiven Befunde. Im Mittel wurden 13,33 Prozent der echten Bilder als KI-generiert eingestuft, das schlechteste Werkzeug kam auf 40 Prozent. Anders gesagt: Etwa jede siebte echte Fotografie l\u00e4uft Gefahr, von einem Erkennungsprogramm als F\u00e4lschung abgestempelt zu werden. Das war kein Ausrei\u00dfer und lag nicht an einem einzelnen fehlerhaften Produkt. Dasselbe Verhalten zeigte sich bei allen getesteten Werkzeugen, was auf eine strukturelle Grenze der Methode hindeutet und nicht auf einen Kalibrierungsfehler.<\/p>\n

Falsch positive Befunde: das Echte wird zur F\u00e4lschung erkl\u00e4rt<\/h3>\n

Der heimt\u00fcckischste Schaden der nachgelagerten Erkennung besteht nicht darin, dass eine F\u00e4lschung durchrutscht. Er besteht darin, dass sie Echtes verurteilt. Die NewsGuard-Stichprobe stammte \u00fcberwiegend aus Kriegs- und Konfliktkontexten, in denen die Echtheit einer einzigen Aufnahme die \u00f6ffentliche Meinung bewegen und politische Entscheidungen pr\u00e4gen kann. Eines der gepr\u00fcften Werkzeuge stufte ein echtes Video mit einer Wahrscheinlichkeit von 96,9 Prozent als F\u00e4lschung ein, also mit nahezu vollst\u00e4ndiger Sicherheit und dabei vollst\u00e4ndig falsch.<\/p>\n

Wenn ein Erkennungsprogramm mit derart anmutender Gewissheit bescheinigt, ein echtes Dokument sei k\u00fcnstlich, liefert es jedem ein fertiges Alibi, um Belege zu bestreiten. Die Aufnahme eines Versto\u00dfes wird mit einem Klick zur F\u00e4lschung, weil die Software es sagt. Ein Werkzeug, das Manipulation aufdecken sollte, deckt sie am Ende zu.<\/p>\n

Falsch negative Befunde und fehlende gemeinsame Ma\u00dfst\u00e4be<\/h3>\n

Das zweite Problem ist eine grundlegende Uneinigkeit zwischen den Systemen. NewsGuard stellte fest, dass die f\u00fcnf Werkzeuge bei 35 der 45 Bilder zu unterschiedlichen Urteilen kamen. Sie stimmten also in weniger als einem von vier F\u00e4llen \u00fcberein. Derselbe Inhalt kann durch verschiedene Erkennungsprogramme mit gegenteiligen Etiketten zur\u00fcckkommen. Es gibt weder ein gemeinsames Kriterium noch eine objektive Schwelle.<\/p>\n

Zugleich werden KI-Bilder immer realistischer und Deepfake-Videos immer sauberer, die Grenzen verwischen, und die falsch negativen Befunde steigen mit der Qualit\u00e4t der Generatoren. Das ist die eingebaute Grenze jeder Deepfake-Erkennung: Sie misst eine Wahrscheinlichkeit, keine Gewissheit. Das Problem ist nicht ein fehlerhaftes Produkt, sondern die Methode der nachtr\u00e4glichen Pr\u00fcfung selbst.<\/p>\n

Warum die nachgelagerte Erkennung ein verlorener Wettlauf ist<\/h2>\n

Deepfakes zu erkennen ist auf Verlieren angelegt, weil die Methode einer Technik hinterherl\u00e4uft, die sich schneller bewegt als sie. Erkennung analysiert vorhandene Inhalte und sucht nach Artefakten: auff\u00e4llige Pixel, Schatten, die nicht zusammenpassen, Bewegungen, die minimal falsch wirken. Der Haken ist, dass jedes Signal, das ein Erkennungsprogramm zu finden lernt, f\u00fcr den F\u00e4lschenden zu einem Mangel wird, den die n\u00e4chste Version behebt.<\/p>\n

Der Wettlauf ist bauartbedingt unausgewogen. Die Verteidigung reagiert, der Angriff ist bereits einen Zug voraus. Jedes neue generative Modell erscheint mit der F\u00e4higkeit, die Erkennungsprogramme des vorherigen zu schlagen, und die L\u00fccke schlie\u00dft sich nie, sie verschiebt sich nur. Deshalb altert ein System, das auf nachtr\u00e4glicher Analyse beruht, schneller als die Bedrohung, der es begegnen soll.<\/p>\n

Die Erkennung verfolgt, die Erzeugung l\u00e4uft schneller<\/h3>\n

Wer heute einen Deepfake erzeugt, kann sein Modell gegen die verbreitetsten Erkennungsprogramme trainieren und die verr\u00e4terischen Merkmale eines nach dem anderen entfernen. Beim Gesichtstausch waren fr\u00fcher unscharfe Kanten oder nicht zueinander passende Spiegelungen in den Augen erkennbar, heute ist das Ergebnis deutlich sauberer.<\/p>\n

Eine Untersuchung der University of Edinburgh<\/a> vom M\u00e4rz 2026 hat gezeigt, wie br\u00fcchig die Fingerabdr\u00fccke sind, auf denen die Erkennung aufbaut: Was heute unterscheidbar wirkt, verschwindet mit dem n\u00e4chsten Update des Generators. F\u00fcr alle, die die Echtheit eines Beweismittels verteidigen m\u00fcssen, ist die Schlussfolgerung unmissverst\u00e4ndlich. Die F\u00e4lschung im Nachhinein zu jagen skaliert nicht.<\/p>\n

Das Vorzeichen hat sich umgekehrt<\/h2>\n

Jahrzehntelang galt eine Fotografie oder ein Video als wahr, solange nichts anderes bewiesen war, aus dem schlichten Grund, dass F\u00e4lschungen seltene F\u00e4higkeiten und seltene Werkzeuge erforderten. Die generative KI hat diese Annahme zerrissen. Heute k\u00f6nnte jeder Inhalt synthetisch sein, also verschiebt sich die Last: Die Frage lautet nicht mehr, ob sich etwas als falsch beweisen l\u00e4sst, sondern ob sich etwas als wahr beweisen l\u00e4sst.<\/p>\n

Die Vermutung der Echtheit, die Fotos, Videos und Dokumente fr\u00fcher st\u00fctzte, f\u00e4llt weg, und mit ihr die Vorstellung, das blo\u00dfe Betrachten eines Inhalts gen\u00fcge, um ihm zu trauen. Wer geglaubt werden will, muss den Beleg mitbringen, und zwar einen, der entstanden ist, bevor der Zweifel Fu\u00df fassen konnte.<\/p>\n

Diese Umkehrung hat einen perfiden Nebeneffekt, bekannt als die Dividende des L\u00fcgners. Sobald allgemein bekannt ist, dass es Deepfakes gibt und dass sich sogar die Erkennungsprogramme irren, kann jeder, der bei etwas Belastendem gefilmt wurde, es einfach bestreiten: Das sei eine KI-F\u00e4lschung. Die Unzuverl\u00e4ssigkeit der Erkennung ist hier keine technische Fu\u00dfnote, sie ist der Treibstoff. Je h\u00e4ufiger sich die Werkzeuge widersprechen, desto leichter lassen sich auch echte Beweise anzweifeln.<\/p>\n

Was Beglaubigung an der Quelle bedeutet<\/h2>\n

TrueScreen, the Data Authenticity Platform, kehrt die Logik der Erkennung um: Statt einen Inhalt zu analysieren, um zu entscheiden, ob er gef\u00e4lscht ist, wird seine Echtheit im Moment der Aufnahme beglaubigt und in einem forensischen Bericht mit Rechtswert festgehalten.<\/p>\n

An der Quelle zu beglaubigen hei\u00dft, am Ursprung zu handeln und nicht im Nachhinein. Der Inhalt wird nach forensischer Methodik erfasst, auf einen eindeutigen digitalen Fingerabdruck (SHA-256-Hash) reduziert und mit einem qualifizierten Zeitstempel und einem elektronischen Siegel eines qualifizierten Vertrauensdiensteanbieters versehen, angebunden \u00fcber eIDAS-konforme Schnittstellen. Von diesem Moment an ist jede Ver\u00e4nderung erkennbar, und die Echtheit h\u00e4ngt nicht mehr von der Einsch\u00e4tzung eines Erkennungsprogramms ab, sondern ruht auf einem objektiven, \u00fcberpr\u00fcfbaren Nachweis.<\/p>\n

Erfassung und Beglaubigung in einem einzigen Vorgang<\/h3>\n

Die St\u00e4rke der Methode liegt darin, dass Erfassung und Beglaubigung zu einem einzigen Vorgang verschmelzen. \u00dcber die TrueScreen-App oder das Web-Portal nimmt die Nutzerin ein Foto, ein Video oder eine Webseite auf, und im selben Augenblick sichert das System die Integrit\u00e4t: Es berechnet den Hashwert, bringt Zeitstempel und Siegel \u00fcber den angebundenen Vertrauensdiensteanbieter an und erzeugt einen Bericht mit Beweiswert.<\/p>\n

Es geht also nicht darum, ein Siegel auf vorhandene Daten unbekannter Herkunft zu setzen, sondern den Inhalt ab seiner Entstehung zu beglaubigen. Die Methodik st\u00fctzt sich auf anerkannte Standards: eIDAS f\u00fcr qualifizierten Zeitstempel und elektronisches Siegel \u00fcber einen Vertrauensdiensteanbieter, ISO\/IEC 27037 f\u00fcr den Umgang mit digitalen Beweismitteln.<\/p>\n

Unver\u00e4nderlichkeit an der Quelle statt nachtr\u00e4glicher Analyse<\/h3>\n

Der praktische Unterschied zwischen den beiden Ans\u00e4tzen ist scharf.<\/p>\n

\n\n\n\n\n\n\n\n\n\n\n
Aspekt<\/th>\nNachgelagerte Erkennung<\/th>\nBeglaubigung an der Quelle<\/th>\n<\/tr>\n<\/thead>\n
Zeitpunkt<\/td>\nNach Entstehung und Verbreitung<\/td>\nIm Augenblick der Aufnahme<\/td>\n<\/tr>\n
Beantwortete Frage<\/td>\nIst dieser Inhalt gef\u00e4lscht?<\/td>\nIst dieser Inhalt echt und belegbar?<\/td>\n<\/tr>\n
Grundlage des Urteils<\/td>\nStatistische Analyse, Fehlerwahrscheinlichkeit<\/td>\nHashwert, qualifizierter Zeitstempel, Siegel<\/td>\n<\/tr>\n
Verl\u00e4sslichkeit<\/td>\nSchwankend, bis zu 40 Prozent falsch positiv<\/td>\n\u00dcberpr\u00fcfbar und objektiv<\/td>\n<\/tr>\n
H\u00e4lt mit den Generatoren Schritt<\/td>\nNein, l\u00e4uft jedem neuen Modell hinterher<\/td>\nJa, unabh\u00e4ngig von der F\u00e4lschungstechnik<\/td>\n<\/tr>\n
Wert vor Gericht<\/td>\nSchwach und angreifbar<\/td>\nNachweis mit Rechtswert<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n

Ein Erkennungsprogramm versagt umso h\u00e4ufiger, je besser die generativen Modelle werden. Ein an der Quelle beglaubigter Nachweis bleibt g\u00fcltig, gleich wie ausgefeilt Deepfakes werden. Unver\u00e4nderlichkeit erreicht man nicht, indem man Fehler in der F\u00e4lschung sucht, sondern indem man die Wahrheit des Echten genau an dem Punkt festh\u00e4lt, an dem sie die digitale Welt betritt.<\/p>\n

Was sich f\u00fcr Redaktionen, Beh\u00f6rden und Unternehmen \u00e4ndert<\/h2>\n

F\u00fcr Redaktionen, \u00f6ffentliche Stellen und Unternehmen bedeutet die Beglaubigung an der Quelle, digitale Nachweise zu erzeugen, die von Anfang an nicht bestreitbar sind. Damit entf\u00e4llt an der Wurzel das Risiko, die eigene Arbeit mit dem Hinweis abgetan zu sehen, sie sei vermutlich gef\u00e4lscht.<\/p>\n

Die \u00c4nderung ist konkret. Eine Journalistin, die ein Ereignis mit der App aufzeichnet, h\u00e4lt am Ende eine Datei in der Hand, deren Echtheit vor Gericht nicht angreifbar ist. Die Dividende des L\u00fcgners verschwindet, weil der Nachweis bereits in dem Moment beglaubigt ist, in dem er entsteht, und niemandem eine \u00d6ffnung l\u00e4sst, ihn als KI-Erzeugnis abzutun.<\/p>\n

Dasselbe gilt f\u00fcr die Schadenregulierung, f\u00fcr die Bauabnahme, f\u00fcr die interne Untersuchung und f\u00fcr jedes Verfahren, in dem eine Aufnahme sp\u00e4ter eine Entscheidung tragen muss. Die Frage ist nicht mehr, ob sich eine F\u00e4lschung erkennen l\u00e4sst, sondern ob das eigene Material den Zweifel \u00fcberhaupt zul\u00e4sst.<\/p>\n

\n

FAQ: Deepfakes erkennen und Echtheit belegen<\/h2>\n
\n
\nWie zuverl\u00e4ssig ist Software zur Deepfake-Erkennung?<\/span>
\n+<\/span><\/summary>\n
Deutlich weniger, als die Anbieter nahelegen. In der NewsGuard-Pr\u00fcfung vom 11. Mai 2026 stuften f\u00fcnf f\u00fchrende Werkzeuge im Mittel 13,33 Prozent der echten Bilder als KI-generiert ein, das schlechteste Werkzeug kam auf 40 Prozent. Bei 35 von 45 Bildern kamen die Werkzeuge zu unterschiedlichen Urteilen. Erkennung misst eine Wahrscheinlichkeit, keine Gewissheit.<\/div>\n<\/details>\n
\nWarum l\u00e4sst sich ein Deepfake nicht einfach im Nachhinein erkennen?<\/span>
\n+<\/span><\/summary>\n
Weil jedes Merkmal, das ein Erkennungsprogramm zu finden lernt, f\u00fcr den F\u00e4lschenden zu einem Mangel wird, den die n\u00e4chste Modellversion behebt. Die Verteidigung reagiert, der Angriff ist einen Zug voraus. Ein System, das auf nachtr\u00e4glicher Analyse beruht, altert damit schneller als die Bedrohung, der es begegnen soll.<\/div>\n<\/details>\n
\nWas sind falsch positive Befunde und warum sind sie das gr\u00f6\u00dfere Problem?<\/span>
\n+<\/span><\/summary>\n
Ein falsch positiver Befund liegt vor, wenn ein Erkennungsprogramm eine echte Aufnahme f\u00fcr manipuliert erkl\u00e4rt. Das ist gef\u00e4hrlicher als eine durchgerutschte F\u00e4lschung, weil es jedem ein Alibi liefert, belastende Belege zu bestreiten. In der NewsGuard-Pr\u00fcfung stufte ein Werkzeug ein echtes Video mit 96,9 Prozent Wahrscheinlichkeit als F\u00e4lschung ein.<\/div>\n<\/details>\n
\nWas ist die Dividende des L\u00fcgners?<\/span>
\n+<\/span><\/summary>\n
Der Effekt, dass die blo\u00dfe Existenz von Deepfakes es erlaubt, auch echtes Material als F\u00e4lschung abzutun. Je h\u00e4ufiger sich die Erkennungswerkzeuge widersprechen, desto leichter f\u00e4llt dieses Bestreiten. Der Zweifel selbst wird zur Waffe, und zwar unabh\u00e4ngig davon, wie gut die F\u00e4lschungen tats\u00e4chlich sind.<\/div>\n<\/details>\n
\nWas bedeutet Beglaubigung an der Quelle?<\/span>
\n+<\/span><\/summary>\n
Der Inhalt wird im Moment der Aufnahme nach forensischer Methodik erfasst, auf einen SHA-256-Hashwert reduziert und mit einem qualifizierten Zeitstempel und einem elektronischen Siegel eines qualifizierten Vertrauensdiensteanbieters versehen. Ab diesem Punkt ist jede Ver\u00e4nderung erkennbar, und die Echtheit h\u00e4ngt nicht mehr von der Einsch\u00e4tzung eines Erkennungsprogramms ab.<\/div>\n<\/details>\n
\nErsetzt die Beglaubigung an der Quelle die Deepfake-Erkennung?<\/span>
\n+<\/span><\/summary>\n
Sie beantwortet eine andere Frage. Erkennung fragt, ob ein fremder Inhalt gef\u00e4lscht ist, und bleibt dort n\u00fctzlich, wo man auf Material Dritter angewiesen ist. Beglaubigung an der Quelle fragt, ob der eigene Inhalt echt und belegbar ist. Wer beweisen muss, hat mit der zweiten Frage eine Antwort, die nicht mit jedem neuen Generator schlechter wird.<\/div>\n<\/details>\n<\/div>\n<\/section>\n<\/div>\n<\/div>\n
\n
\n
\n
\n

Echtheit belegen, statt F\u00e4lschungen hinterherzujagen<\/h2>\n

TrueScreen erfasst Fotos, Videos und Webseiten an der Quelle und versieht sie im selben Augenblick mit SHA-256-Hash, qualifiziertem Zeitstempel und elektronischem Siegel.<\/p>\n

Kostenlos testen<\/a>
\nKontakt aufnehmen<\/a>\n<\/div>\n

\"TrueScreen\"<\/div>\n<\/div>\n<\/div>\n<\/div>","protected":false},"featured_media":57053,"template":"","class_list":["post-58046","artikel","type-artikel","status-publish","has-post-thumbnail","hentry"],"acf":[],"_links":{"self":[{"href":"https:\/\/truescreen.io\/de\/wp-json\/wp\/v2\/artikel\/58046","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/truescreen.io\/de\/wp-json\/wp\/v2\/artikel"}],"about":[{"href":"https:\/\/truescreen.io\/de\/wp-json\/wp\/v2\/types\/artikel"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/truescreen.io\/de\/wp-json\/wp\/v2\/media\/57053"}],"wp:attachment":[{"href":"https:\/\/truescreen.io\/de\/wp-json\/wp\/v2\/media?parent=58046"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}