{"id":58047,"date":"2026-08-19T18:48:39","date_gmt":"2026-08-19T16:48:39","guid":{"rendered":"https:\/\/truescreen.io\/artikel\/ki-fingerabdruecke-deepfake-studie-edinburgh\/"},"modified":"2026-08-19T18:48:39","modified_gmt":"2026-08-19T16:48:39","slug":"ki-fingerabdruecke-deepfake-studie-edinburgh","status":"publish","type":"artikel","link":"https:\/\/truescreen.io\/de\/artikel\/ki-fingerabdruecke-deepfake-studie-edinburgh\/","title":{"rendered":"KI-Fingerabdr\u00fccke lassen sich entfernen: die Studie aus Edinburgh"},"content":{"rendered":"
\n
\n

KI-Fingerabdr\u00fccke lassen sich entfernen: die Studie aus Edinburgh<\/h1>\n<\/div>\n<\/div>\n
\n
\n

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

KI-Fingerabdr\u00fccke sollten das Zuordnungsproblem l\u00f6sen. Jedes generative Modell hinterl\u00e4sst statistische Spuren in dem, was es erzeugt: Pixelmuster, Artefakte im Frequenzbereich, spektrale Signaturen, die f\u00fcr die jeweilige Architektur typisch sind. Halten diese Spuren stand, l\u00e4sst sich jedes Bild auf seinen Ursprung zur\u00fcckf\u00fchren. Auf dieser Annahme ruhen Erkennungswerkzeuge, regulatorische Konzepte und Investitionen in Milliardenh\u00f6he.<\/p>\n

Im M\u00e4rz 2026 haben Forschende der University of Edinburgh<\/a> diese Annahme der gr\u00f6\u00dften unabh\u00e4ngigen Pr\u00fcfung unterzogen, die je zu KI-Fingerabdr\u00fccken durchgef\u00fchrt wurde: 12 Bildgeneratoren, 14 Verfahren. Das Ergebnis f\u00e4llt vernichtend aus. KI-Fingerabdr\u00fccke lassen sich in \u00fcber 80 Prozent der F\u00e4lle entfernen, wenn der Angreifer vollen Systemzugang hat. In etwa der H\u00e4lfte der untersuchten Systeme lassen sie sich f\u00e4lschen. Keine der Manipulationen hinterlie\u00df eine sichtbare Spur.<\/p>\n

Das ist kein Softwarefehler. Es ist eine strukturelle Schw\u00e4che der nachtr\u00e4glichen Erkennung selbst.<\/p>\n

Deepfakes 2026: eine Krise, die jeder Abwehr davonl\u00e4uft<\/h2>\n

Bevor es um die Grenzen der Erkennung geht, lohnt der Blick auf die Gr\u00f6\u00dfenordnung des Problems, denn sie erkl\u00e4rt, warum die Frage \u00fcberhaupt so dr\u00e4ngt.<\/p>\n

Plus 900 Prozent manipulierte Inhalte pro Jahr<\/h3>\n

Zwischen 2023 und 2025 wuchsen Deepfake-Inhalte j\u00e4hrlich um 900 Prozent, von rund 500.000 auf \u00fcber 8 Millionen F\u00e4lle, so die Erhebung von Keepnet Labs<\/a> aus dem Jahr 2025. Versuche, biometrische Verfahren mit Deepfakes zu umgehen, stiegen allein 2023 um 704 Prozent. Bis 2024 kam es rechnerisch alle f\u00fcnf Minuten zu einem Versuch. Das Wachstum zieht sich durch Finanzwesen, Versicherung, Personalwesen und den \u00f6ffentlichen Sektor. 80 Prozent der Organisationen verf\u00fcgen weiterhin \u00fcber kein spezifisches Vorgehen gegen diese Bedrohung.<\/p>\n

40 Milliarden Dollar KI-Betrug bis 2027<\/h3>\n

Deloitte sch\u00e4tzt, dass Betrug im Zusammenhang mit generativer KI in den Vereinigten Staaten bis 2027 ein Volumen von 40 Milliarden Dollar erreicht. Die Sch\u00e4den durch Deepfakes lagen 2025 bei 1,1 Milliarden Dollar, nach 360 Millionen im Jahr davor, also mehr als 200 Prozent Zuwachs in zw\u00f6lf Monaten. Pro Vorfall betrug der durchschnittliche Schaden 2024 rund 500.000 Dollar.<\/p>\n

Der Markt f\u00fcr Deepfake-Erkennung w\u00e4chst j\u00e4hrlich um 28 bis 42 Prozent. Nachfrage besteht also. Diese Investitionen ruhen allerdings auf einer Annahme, die zunehmend br\u00fcchig wirkt: dass sich synthetische Inhalte nach ihrer Entstehung dauerhaft zuverl\u00e4ssig erkennen lassen.<\/p>\n

Die Studie der University of Edinburgh<\/h2>\n

Die Untersuchung vom M\u00e4rz 2026 ist die umfassendste Bewertung, die je zur Verl\u00e4sslichkeit von KI-Fingerabdr\u00fccken vorgelegt wurde. Ihre Befunde brechen die Kernannahme der meisten heute eingesetzten Erkennungssysteme: dass KI-erzeugte Inhalte unausl\u00f6schliche, forensisch belastbare Spuren ihrer Herkunft tragen.<\/p>\n

Was KI-Fingerabdr\u00fccke sind und warum man ihnen vertraute<\/h3>\n

Jeder KI-Bildgenerator hinterl\u00e4sst unwillk\u00fcrliche Spuren in dem, was er erzeugt. Sie entstehen aus der Architektur des neuronalen Netzes, aus den Trainingsdaten und aus den Sampling-Verfahren. Theoretisch gilt: Hinterl\u00e4sst jedes Modell eine eindeutige Signatur, verr\u00e4t das Erkennen dieser Signatur die Herkunft des Inhalts. Auf dieser Logik beruhen zahlreiche Erkennungswerkzeuge und ein Teil der regulatorischen Erwartungen.<\/p>\n

12 Generatoren, 14 Verfahren<\/h3>\n

Das Team, unterst\u00fctzt von der Edinburgh International Data Facility, dem Data-Driven Innovation Programme und dem Generative AI Laboratory, pr\u00fcfte 14 Verfahren zur Fingerabdruckerkennung an Bildern aus 12 verschiedenen Generatoren. Die Breite der Stichprobe macht die Ergebnisse repr\u00e4sentativ f\u00fcr den Stand der Technik.<\/p>\n

Der Ma\u00dfstab ist entscheidend. Fr\u00fchere Bewertungen deckten typischerweise zwei bis vier Generatoren und eine Handvoll Erkennungsverfahren ab. Indem das gesamte Spektrum kommerziell verf\u00fcgbarer und quelloffener Generatoren gepr\u00fcft wurde, entstanden Befunde, die sich nicht als Randf\u00e4lle abtun lassen.<\/p>\n

80 Prozent Entfernung, F\u00e4lschung in der H\u00e4lfte der Systeme<\/h3>\n

Nach der Untersuchung lassen sich in Deepfake-Bilder eingebettete KI-Fingerabdr\u00fccke mit einer Erfolgsquote von \u00fcber 80 Prozent entfernen, wenn Angreifer vollen Systemzugang haben, und mit \u00fcber 50 Prozent selbst durch einfache, ressourcenarme Verfahren wie JPEG-Komprimierung oder Skalierung.<\/p>\n

In etwa der H\u00e4lfte der untersuchten Systeme lie\u00dfen sich die Fingerabdr\u00fccke nicht nur entfernen, sondern f\u00e4lschen, um einen Inhalt f\u00e4lschlich einem Generator zuzuschreiben, der ihn nie erzeugt hat. Damit k\u00f6nnten legitime Unternehmen f\u00fcr Bilder verantwortlich gemacht werden, die ihre Systeme nie hervorgebracht haben. Jede Manipulation war f\u00fcr das menschliche Auge nicht wahrnehmbar. Die begutachteten Ergebnisse, vorgestellt auf der IEEE SaTML 2026, belegen, dass Erkennung auf Basis von Fingerabdr\u00fccken allein unter gegnerischen Bedingungen forensisch nicht belastbar ist.<\/p>\n

Wasserzeichen und Fingerabdruck: warum die Unterscheidung z\u00e4hlt<\/h3>\n

Ein Fingerabdruck ist eine unbeabsichtigte Spur, die ein Modell hinterl\u00e4sst. Ein Wasserzeichen ist ein absichtlich eingebettetes Signal. Beide stehen unter demselben gegnerischen Druck: Sie lassen sich durch Bildbearbeitung, Zuschnitt, Screenshot oder Neukodierung entfernen. Untersuchungen zeigen, dass g\u00e4ngige Wasserzeichenverfahren gegen\u00fcber Entfernungsangriffen verwundbar bleiben, besonders wenn das Signal die Komprimierungs- und Weiterleitungszyklen sozialer Netzwerke \u00fcberstehen soll.<\/p>\n

Die Kernaussage der Edinburgher Studie reicht damit \u00fcber die Fingerabdr\u00fccke hinaus: Kein einzelnes nachgelagertes Verfahren, weder Fingerabdruck noch Wasserzeichen, gew\u00e4hrleistet zugleich hohe Genauigkeit und Robustheit gegen entschlossene Angreifer. Genau deshalb ist die Beglaubigung an der Quelle, die nicht davon abh\u00e4ngt, dass ein eingebettetes Signal die Manipulation \u00fcbersteht, der belastbarere Weg zur digitalen Herkunft.<\/p>\n

Die Zahlen der Deepfake-Erkennung<\/h2>\n

Neben der Edinburgher Studie zeichnen weitere Erhebungen ein ern\u00fcchterndes Bild davon, wie gut sich F\u00e4lschungen im Nachhinein tats\u00e4chlich erkennen lassen.<\/p>\n

Menschliche Erkennung: nur 0,1 Prozent<\/h3>\n

In kontrollierten Tests erkannten nur 0,1 Prozent der Teilnehmenden s\u00e4mtliche vorgelegten Deepfakes korrekt (iProov, 2025). Eine Metaanalyse \u00fcber 56 Studien ermittelte eine durchschnittliche menschliche Trefferquote von 24,5 Prozent bei Deepfake-Videos, also schlechter als der M\u00fcnzwurf. 68 Prozent der untersuchten F\u00e4lschungen wurden als nahezu ununterscheidbar von echtem Material eingestuft. Wo rechtliche, versicherungstechnische oder Compliance-Entscheidungen von der Echtheit eines Inhalts abh\u00e4ngen, ist der Verlass auf die menschliche Wahrnehmung funktional gleichbedeutend mit fehlender Kontrolle.<\/p>\n

KI-Werkzeuge im Feld: 45 bis 50 Prozent Leistungsverlust<\/h3>\n

KI-gest\u00fctzte Erkennungswerkzeuge verhalten sich im Feld deutlich anders als im Labor. Der gesch\u00e4tzte Leistungsabfall liegt bei 45 bis 50 Prozent. Aktuelle Erkennungsprogramme \u00fcbersehen 35 Prozent der Deepfakes neuer Generation. Anders gesagt: Jeder dritte synthetische Inhalt passiert unbemerkt.<\/p>\n

Das Wettr\u00fcsten zwischen Erzeugung und Erkennung<\/h3>\n

Der Kreislauf wiederholt sich: Ein neues Erkennungsverfahren erzielt starke Laborergebnisse, die Generatoren werden aktualisiert, die Leistung bricht ein, und es geht von vorn los. Wachsende Investitionen beheben die strukturelle Grenze nicht, sie verschieben sie nur zeitlich. Solange die Verteidigung erst reagieren kann, nachdem der Inhalt entstanden ist, bleibt sie einen Schritt zur\u00fcck.<\/p>\n

\n\n\n\n\n\n\n\n\n
Kennzahl<\/th>\nErwartung<\/th>\nGemessenes Ergebnis<\/th>\nQuelle<\/th>\n<\/tr>\n<\/thead>\n
Robustheit der KI-Fingerabdr\u00fccke<\/td>\nHohe Genauigkeit in Aussicht gestellt<\/td>\nEntfernbar zu \u00fcber 80 Prozent, f\u00e4lschbar in rund der H\u00e4lfte der Systeme<\/td>\nEdinburgh 2026<\/td>\n<\/tr>\n
Menschliche Erkennung<\/td>\nKontrollierter Test<\/td>\n0,1 Prozent vollst\u00e4ndig korrekt, 24,5 Prozent bei Video<\/td>\niProov und Keepnet 2025<\/td>\n<\/tr>\n
Wirksamkeit der KI-Werkzeuge<\/td>\nHoch auf den Trainingsdaten<\/td>\n45 bis 50 Prozent Abfall, 35 Prozent Ausfall bei neuer Generation<\/td>\nKeepnet 2025<\/td>\n<\/tr>\n
Menge der Deepfakes<\/td>\nNicht anwendbar<\/td>\n\u00dcber 8 Millionen im Jahr 2025, plus 900 Prozent j\u00e4hrlich<\/td>\nKeepnet 2025<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n

Von der Erkennung zur digitalen Herkunft<\/h2>\n

Wenn sich Fingerabdr\u00fccke in 80 Prozent der F\u00e4lle entfernen lassen und j\u00e4hrlich 8 Millionen Deepfakes entstehen, bricht die Ausgangsannahme der Erkennungslogik zusammen. Der Ausweg liegt nicht in besseren Erkennungsprogrammen, sondern in einer anderen Fragestellung.<\/p>\n

Der Wechsel: von nachtr\u00e4glicher Analyse zur Sicherung an der Quelle<\/h3>\n

Die Erkennungslogik unterstellt, ein Inhalt sei echt, bis das Gegenteil bewiesen ist, und wendet dann Aufwand darauf, den Beweis der Manipulation zu suchen. Die Beglaubigung an der Quelle dreht das um: Sie fragt nicht, ob ein Inhalt gef\u00e4lscht ist, sondern h\u00e4lt fest, dass ein Inhalt echt und belegbar ist, und zwar in dem Moment, in dem er entsteht.<\/p>\n

Der Unterschied ist nicht graduell. Ein Erkennungsergebnis ist eine Wahrscheinlichkeit, die mit jedem neuen Generator schlechter wird. Ein Beglaubigungsergebnis ist bin\u00e4r und bleibt g\u00fcltig, unabh\u00e4ngig davon, wie weit sich die generativen Modelle entwickeln.<\/p>\n

Wie forensische Beglaubigung funktioniert<\/h3>\n

Der Inhalt wird an der Quelle nach forensischer Methodik erfasst, auf einen SHA-256-Hashwert reduziert und mit einem qualifizierten Zeitstempel und einem elektronischen Siegel versehen, die ein nach eIDAS gelisteter qualifizierter Vertrauensdiensteanbieter \u00fcber eine Schnittstelle ausstellt. Erfasst werden zugleich Ger\u00e4teidentit\u00e4t, Geolokalisierung und Zeitpunkt. Das Ergebnis h\u00e4lt ein forensischer Bericht fest.<\/p>\n

Entscheidend ist der Zeitpunkt: Die Sicherung erfolgt, bevor die Datei die Quellumgebung verl\u00e4sst. Damit entsteht kein Zeitfenster, in dem der Inhalt unbeaufsichtigt w\u00e4re, und genau dieses Fenster ist der Ansatzpunkt jeder Anfechtung.<\/p>\n

Rechtswert, Unver\u00e4nderlichkeit und Beweiskette<\/h3>\n

Vor deutschen Gerichten entscheidet \u00fcber die Beweiskraft nicht das Vorhandensein eines technischen Merkmals, sondern die Zivilprozessordnung. Nach \u00a7 286 ZPO w\u00fcrdigt das Gericht die Beweise frei, und \u00a7 371a ZPO<\/a> kn\u00fcpft den Anschein der Echtheit elektronischer Dokumente an die qualifizierte elektronische Signatur. Ein an der Quelle beglaubigter Inhalt mit dokumentierter Beweiskette liefert dem Gericht das, was ein Erkennungsergebnis nicht liefern kann: einen \u00fcberpr\u00fcfbaren Nachweis statt einer Einsch\u00e4tzung.<\/p>\n

Ein Beispiel aus der Praxis. Eine Compliance-Abteilung erh\u00e4lt ein Hinweisgeber-Video. Mit dem Erkennungsansatz m\u00fcsste das Team das Video analysieren, um eine Manipulation auszuschlie\u00dfen, bei 35 Prozent Ausfallquote auf Material neuer Generation und 0,1 Prozent Trefferquote menschlicher Pr\u00fcfung. Mit Beglaubigung an der Quelle wird dasselbe Video im Moment der Aufzeichnung erfasst und gesiegelt, mit Zeitstempel, Standort, Hashwert und Signatur. Eine nachtr\u00e4gliche Analyse er\u00fcbrigt sich, weil die Frage nach der Echtheit gar nicht erst offenbleibt.<\/p>\n

\n

FAQ: KI-Fingerabdr\u00fccke und Deepfake-Erkennung<\/h2>\n
\n
\nLassen sich KI-Fingerabdr\u00fccke aus einem Deepfake entfernen?<\/span>
\n+<\/span><\/summary>\n
Ja. Nach der Studie der University of Edinburgh vom M\u00e4rz 2026 lassen sich KI-Fingerabdr\u00fccke in \u00fcber 80 Prozent der F\u00e4lle entfernen, wenn Angreifer vollen Systemzugang haben, und in \u00fcber 50 Prozent selbst mit einfachen Verfahren wie JPEG-Komprimierung oder Skalierung. Gepr\u00fcft wurden 14 Verfahren an 12 Generatoren, und keine der Manipulationen war f\u00fcr das Auge wahrnehmbar.<\/div>\n<\/details>\n
\nWas sind KI-Fingerabdr\u00fccke \u00fcberhaupt?<\/span>
\n+<\/span><\/summary>\n
Statistische Spuren, die generative Modelle unwillk\u00fcrlich in ihren Erzeugnissen hinterlassen: Pixelmuster, Artefakte im Frequenzbereich und spektrale Signaturen, die an die Architektur des jeweiligen Generators gebunden sind. Theoretisch verraten sie, welches Modell ein Bild erzeugt hat. Die Edinburgher Pr\u00fcfung ergab jedoch, dass keines der 14 untersuchten Verfahren zugleich hohe Genauigkeit und Robustheit gegen Manipulation gew\u00e4hrleistet.<\/div>\n<\/details>\n
\nWorin unterscheiden sich Wasserzeichen und Fingerabdruck?<\/span>
\n+<\/span><\/summary>\n
Ein Fingerabdruck ist eine unbeabsichtigte Spur des Modells, ein Wasserzeichen ein absichtlich eingebettetes Signal. Beide stehen unter demselben Druck: Sie lassen sich durch Bearbeitung, Zuschnitt, Screenshot oder Neukodierung entfernen. Kein nachgelagertes Verfahren, weder das eine noch das andere, gew\u00e4hrleistet zugleich Genauigkeit und Robustheit gegen entschlossene Angreifer.<\/div>\n<\/details>\n
\nWie gut erkennen Menschen Deepfakes?<\/span>
\n+<\/span><\/summary>\n
Kaum. In kontrollierten Tests erkannten nur 0,1 Prozent der Teilnehmenden s\u00e4mtliche vorgelegten Deepfakes korrekt. Eine Metaanalyse \u00fcber 56 Studien ermittelte eine durchschnittliche Trefferquote von 24,5 Prozent bei Videos, also schlechter als der Zufall. Wo Entscheidungen von der Echtheit abh\u00e4ngen, ist der Verlass auf die menschliche Wahrnehmung gleichbedeutend mit fehlender Kontrolle.<\/div>\n<\/details>\n
\nWas ist der Unterschied zwischen Deepfake-Erkennung und digitaler Herkunft?<\/span>
\n+<\/span><\/summary>\n
Die Erkennung arbeitet nach der Entstehung und liefert einen Wahrscheinlichkeitswert, der mit jedem neuen Generator schlechter wird. Die digitale Herkunft arbeitet an der Quelle: Sie beglaubigt den Inhalt im Moment der Aufnahme mit elektronischem Siegel, qualifiziertem Zeitstempel und Signatur. Das Ergebnis ist bin\u00e4r, rechtlich \u00fcberpr\u00fcfbar und unabh\u00e4ngig davon, wie weit sich generative KI entwickelt.<\/div>\n<\/details>\n<\/div>\n<\/section>\n<\/div>\n<\/div>\n
\n
\n
\n
\n

Herkunft belegen, statt auf Erkennung zu hoffen<\/h2>\n

TrueScreen beglaubigt Inhalte im Moment der Aufnahme mit SHA-256-Hash, qualifiziertem Zeitstempel und elektronischem Siegel, dokumentiert in einem forensischen Bericht.<\/p>\n

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

\"TrueScreen\"<\/div>\n<\/div>\n<\/div>\n<\/div>","protected":false},"featured_media":55885,"template":"","class_list":["post-58047","artikel","type-artikel","status-publish","has-post-thumbnail","hentry"],"acf":[],"_links":{"self":[{"href":"https:\/\/truescreen.io\/de\/wp-json\/wp\/v2\/artikel\/58047","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\/55885"}],"wp:attachment":[{"href":"https:\/\/truescreen.io\/de\/wp-json\/wp\/v2\/media?parent=58047"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}