Skip to main content
Cyberbeveiliging

Deepfakes: definitie, soorten & belangrijke voorbeelden

Ontdek hoe deepfakes zijn ontstaan, hoe ze worden gemaakt, welke dreigingen ze vormen en hoe u kwaadwillig gebruik opspoort en voorkomt. Lees over trends, praktijkvoorbeelden en een aanpak om u te beschermen.

Door SentinelOne
Deepfakes: definitie, soorten & belangrijke voorbeelden

Door de wijdverbreide inzet van AI om sectoren te transformeren, zijn deepfakes uitgegroeid tot een wereldwijd fenomeen dat de grens tussen echt en gemanipuleerd doet vervagen. Zoals enquêtes laten zien, is meer dan de helft van de werknemers bij organisaties niet goed getraind in de risico's van deepfakes. Tegelijkertijd is 1 op de 4 leidinggevenden nog niet bekend met deze geavanceerde vervalsingen, deepfakes genaamd, en vinden er wereldwijd elke vijf minuten incidenten plaats. In dit landschap is verdediging tegen deepfakes niet langer optioneel, en moeten bedrijven weten wat deepfakes zijn en hoe ze die tegengaan.

Laten we dit artikel beginnen met een definitie van deepfakes en hoe ze zo veel invloed hebben gekregen op media en beveiliging. Daarna bespreken we hun historische ontwikkeling, de verschillende vormen, hoe ze worden gemaakt en hoe ze kunnen worden gedetecteerd. Vervolgens beschrijven we praktijktoepassingen, zowel positieve als negatieve, en bespreken we de toekomstperspectieven en tips voor bescherming tegen deepfakes. Tot slot bespreken we hoe organisaties zich tegen deze geavanceerde manipulaties kunnen beschermen en behandelen we enkele veelgestelde vragen over wat een deepfake is binnen cybersecurity.

Wat zijn deepfakes?

Deepfakes zijn in wezen synthetische media (meestal video of audio) die door AI-modellen worden gemaakt om gezichten, stemmen of bewegingen van echte mensen griezelig realistisch na te bootsen. Deze systemen gebruiken deep-learningframeworks, met name generatieve adversariële netwerken (GANs), waarbij twee neurale netwerken het tegen elkaar opnemen: het ene maakt vervalsingen en het andere beoordeelt of ze echt lijken. De generator verfijnt zijn output keer op keer totdat hij het beoordelende netwerk misleidt. Zo ontstaan zeer realistische illusies, die vaak de beste deepfakes worden genoemd als het eindresultaat niet van echte beelden te onderscheiden is.

Soms zijn ze grappig of creatief, maar ze kunnen ook worden ingezet voor identiteitsdiefstal of desinformatie. Deepfakes vormen een grote uitdaging voor cybersecurity. Volgens een onderzoek uit 2023 maakt 92% van de bestuurders zich ‘ernstige zorgen’ over misbruik van generatieve AI.

De impact van deepfakes

Zoals blijkt uit verschillende voorbeelden verderop in dit artikel, deepfake-content is gevaarlijk en kan worden gebruikt voor uiteenlopende aanvallen, van beperkte reputatieschade tot grootschalige desinformatie. Een verontrustend cijfer laat zien dat fraude met verwisselde gezichten bij identiteitsverificatie in 2023 met 704% toenam. Dat toont hoe criminelen AI inzetten voor identiteitsdiefstal. Hieronder staan vijf belangrijke manieren waarop deepfakes het huidige risicolandschap bepalen.

  1. Afnemend vertrouwen in visueel bewijs: Jarenlang gold video als vrijwel onbetwistbaar bewijsmateriaal. Nu kun je het hoofd of de stem van de ene persoon koppelen aan het lichaam van een ander, waardoor wat bewijs lijkt misschien niet eens echt is. Door deze illusies gaat het publiek ook twijfelen aan echte video's en daarmee aan de authenticiteit van journalistieke berichtgeving of bekentenissen in video's. Nu het onderscheid tussen echt en onecht vervaagt, wordt de vraag “wat is een deepfake en wat is echt?” een belangrijk vraagstuk voor de rechtspraak en het publiek.
  2. Reputatieschade & karaktermoord: Eén video kan de beoogde persoon iets provocerends laten zeggen of iets verkeerds laten doen. Eenmaal online verspreidt de video zich snel, nog voordat de desinformatie wordt rechtgezet. De twijfel blijft bestaan en de geloofwaardigheid van het kanaal raakt beschadigd, zelfs wanneer de beelden nep blijken. Deepfakes in politieke lastercampagnes laten al zien hoe snel vervalste beelden meer invloed krijgen dan echte uitspraken.
  3. Social engineering & bedrijfsfraude: Bedrijven verliezen geld wanneer deepfake-telefoongesprekken of -video's medewerkers misleiden om geld over te maken of informatie te delen. Aanvallers maken daarbij misbruik van het vertrouwen van medewerkers door de stem of het uiterlijk van legitieme gebruikers na te bootsen. Zo krijgen ze hun verzoeken goedgekeurd. Als een identiteit bij identiteitsgebaseerde authenticatie wordt gecompromitteerd, lopen de hele toeleveringsketen en financiële processen risico. Dit laat zien dat deepfake-technologie bestaande technieken voor social engineering versterkt.
  4. Nepnieuws verspreiden: Extremistische groeperingen kunnen video's maken waarin hun leiders nepnieuws onderschrijven, of zogenaamd uitgelekte documenten vervalsen om verdeeldheid te zaaien. Deze vervalsingen verspreiden zich via sociale platforms, waar mensen nepnieuws delen voordat factcheckers kunnen ingrijpen. Tegen de tijd dat een video wordt ontkracht, heeft die al duizenden mensen beïnvloed. Deepfake-content verspreidt zich immers snel en kan aanzienlijke politieke of maatschappelijke onrust veroorzaken.
  5. Aanvallen op identiteitsverificatie & authenticatie: Gezichts- en stemherkenning als biometrische methoden zijn zeer kwetsbaar voor deepfakes. Aanvallers kunnen video's met verwisselde gezichten maken om KYC-processen te doorlopen of iemands telefoon of ander apparaat te ontgrendelen. Daardoor is identiteitsdiefstal toegenomen en zijn andere beveiligingsmethoden uitgebreid met detectie van levenstekenen of analyse van micro-expressies. Door “AI-deepfakes” in authenticatieprocessen komt een fundamentele laag van cybersecurity onder druk te staan.

Deepfake versus shallowfake

Niet alle gemanipuleerde video's vereisen complexe AI. “Shallowfake” verwijst naar eenvoudigere bewerkingstechnieken, zoals vertraagde of versnelde videofragmenten. Deepfake-methoden gebruiken daarentegen geavanceerde neurale netwerken om het resultaat realistischer te maken. Bij deepfakes worden deep-learningframeworks ingezet om een gezicht, stem of zelfs een heel lichaam vrijwel perfect na te bootsen. Ze behouden een consistente belichting, geven gezichtsbewegingen nauwkeurig weer en passen zich aan de gezichtsuitdrukkingen van de doelpersoon aan. Dankzij geavanceerde gegevensverwerking kunnen deze illusies zelfs oplettende kijkers misleiden. Kenmerkend zijn geavanceerde laagopbouw en generatieve modellering die een levensecht resultaat opleveren.

Een “shallowfake” bestaat daarentegen meestal uit handmatig knipwerk, vertraagde of versnelde beelden, of eenvoudige bewerkingsfilters. Dat kan kijkers misleiden als ze niet weten dat een video kunstmatig is versneld of in een andere context is geplaatst. Shallowfakes zijn gemakkelijker te herkennen, maar kunnen nog steeds effectief halve waarheden of komische vervalsingen verspreiden. Ze zijn minder geavanceerd dan deepfakes, maar spelen ook een rol bij desinformatie en mediamanipulatie.

De geschiedenis van deepfake-technologie

Deepfakes vinden hun oorsprong in doorbraken op het gebied van deep learning en samenwerking rond opensourcesoftware. Die leidden tot een sterke groei van technieken om gezichten te verwisselen. Experimenten met gezichtsmanipulatie bestaan al tientallen jaren, maar moderne neurale netwerken tilden het realisme naar een verbijsterend niveau.

Volgens een schatting zal in 2026 30 procent van de ondernemingen niet langer volledig vertrouwen op identiteitsverificatie vanwege de snelle vooruitgang in AI-gestuurde vervalsing.

  1. Vroege experimenten & gezichtsvervanging: In de jaren 90 experimenteerden CGI-specialisten met primitieve, handmatig geanimeerde gezichtsverwisselingen voor filmeffecten. De tools werden geavanceerder, maar de resultaten zagen er onnatuurlijk uit en vereisten handmatige bewerking van afzonderlijke frames. Onderzoekers in de informatica testten machinelearning voor gezichtsvervorming, maar hardwarebeperkingen stonden verdere vooruitgang in de weg. Het concept legde de basis voor deepfakes, maar echte doorbraken kwamen pas toen grotere datasets en krachtige GPU-rekenkracht beschikbaar waren.
  2. Generatieve adversariële netwerken (GAN's): GAN's werden in 2014 geïntroduceerd door Ian Goodfellow en veranderden synthetische media ingrijpend. Herhaalde feedback tussen een generator en een discriminator verfijnde synthetische gezichten. Dat leidde tot zeer overtuigende vervalsingen. Toen handmatige beperkingen wegvielen, konden makers zien hoe de “beste deepfakes” micro-expressies en lichtnuances nabootsten die voorheen onhaalbaar waren.
  3. Popularisering door de community & Reddit: Deepfakes werden rond 2017 bekend bij het grote publiek, toen op subreddits video's met verwisselde gezichten van beroemdheden verschenen. Sommige waren grappig, andere beslist niet. Zo ontdekten mensen hoe opensourcecode en GPU's voor consumenten vervalsingen breed toegankelijk maakten. Platforms verboden deepfakes zonder toestemming, maar de ‘deepfake-geest’ was uit de fles. Er verschenen talloze afsplitsingen en nieuwe, gebruiksvriendelijke interfaces. Dit maakte de ethische dilemma's rond eenvoudige gezichtsmanipulatie duidelijk.
  4. Commerciële tools en vooruitgang in realtime: Tegenwoordig verwerken apps en commerciële producten grootschalige gezichtsverwisselingen, lipsynchronisatie en stemklonen met weinig inbreng van de gebruiker. Andere maken realtime vervalsingen voor streams of grappen tijdens videoconferenties. Ondertussen verfijnen filmstudio's deepfake-AI-technologie om acteurs in films terug te brengen of content op natuurlijke wijze te lokaliseren. Maar naarmate het gebruik toenam, begonnen bedrijven en overheden te beseffen dat infiltratie en propaganda reële dreigingen waren.
  5. Regelgeving & detectie-inspanningen: Overheden wereldwijd stellen wetten voor of voeren ze in om kwaadwillig gebruik van deepfakes te verbieden, vooral bij smaad en fraude. Tegelijkertijd werken technologiebedrijven samen met wetenschappers op het gebied van kunstmatige intelligentie om de detectie van deepfakes op sociale media te verbeteren. Dit leidt echter tot een kat-en-muisspel: zodra de ene partij een nieuwe detectiemethode ontwikkelt, bedenkt de andere een nieuwe manier om deepfakes te maken. De strijd tussen creatieve toepassingen en de groeiende cybersecuritydreiging van deepfakes zal naar verwachting voortduren.

Soorten deepfakes

Video's met verwisselde gezichten halen de krantenkoppen, maar deepfake-uitspraken bestaan in vele vormen: van nagebootste stemmen tot vervalste bewegingen van het hele lichaam. Inzicht in deze varianten maakt de omvang van mogelijk misbruik duidelijk.

Hieronder delen we de belangrijkste soorten deepfakes in, zoals ze voorkomen in alledaagse media en geavanceerde beveiligingscontexten.

  1. Video's met verwisselde gezichten: Bij deze bekendste vorm wordt het gezicht van een persoon over het bewegende lichaam van iemand anders geplaatst. Neurale netwerken volgen gezichtsuitdrukkingen en stemmen ze frame voor frame af voor een realistische vervalsing. Sommige video's zijn speelse memes, terwijl andere kwaadwillige vervalsingen zijn die reputaties kunnen schaden. Zelfs oplettende kijkers zonder geavanceerde detectietools kunnen door de overtuigende details worden misleid.
  2. Lipsynchronisatie & toegevoegde audio: Bij vervalste lipsynchronisatie, ook wel ‘puppeteering’ genoemd, worden mondbewegingen vervangen om ze bij synthetische of gemanipuleerde audio te laten passen. Het resultaat? De persoon heeft de woorden nooit uitgesproken, maar het lijkt wel zo. In combinatie met stemklonen kan de persoon in de video overtuigend een volledig script uitspreken.
  3. Alleen de stem klonen: Audio-deepfakes bestaan uitsluitend uit een met AI nagebootste stem, zonder beeld. Fraudeurs gebruiken ze bij telefonische oplichting, bijvoorbeeld door zich voor te doen als een bestuurder die opdracht geeft tot een dringende overboeking. Anderen maken voice-overs met de stem van een beroemdheid voor marketingacties. Dit type deepfake is moeilijk te herkennen: visuele aanwijzingen ontbreken, waardoor geavanceerde spectrale analyse of verdachte context nodig is.
  4. Nabootsing van het hele lichaam: Generatieve modellen kunnen de volledige houding, bewegingen en gebaren van een acteur vastleggen en overbrengen op een ander persoon. Het resultaat is iemand die lijkt te dansen, sporten of handelingen uit te voeren die nooit hebben plaatsgevonden. Films en AR-toepassingen gebruiken zulke vervalsingen van het hele lichaam. Vanuit cybersecurityperspectief is vooral de mogelijkheid zorgwekkend om ‘alibivideo's’ of geënsceneerd bewijsmateriaal te vervalsen.
  5. Op tekst gebaseerde gespreksklonen: Hoewel ze minder vaak deepfakes worden genoemd, imiteren generatieve tekstsystemen iemands schrijfstijl of chatstijl. Cybercriminelen creëren nieuwe berichtenreeksen waarin ze het taalgebruik en de schrijfstijl van de gebruiker nabootsen. Als aan die illusie een stem of beeld wordt toegevoegd, ontstaat een gelaagde vervalsing – of zelfs een volledig deepfakepersonage. Naarmate tekstgebaseerde generatieve AI complexer wordt, zal deze naar verwachting niet alleen worden ingezet voor beeldvervalsing, maar ook voor social engineering via berichtenplatforms.

Hoe werken deepfakes?

Deepfakes berusten op een uitgebreid proces van gegevensverzameling, modeltraining en verfijning van de illusie. Criminelen misbruiken generatieve AI voor fraude, en onderzoek toont een groei van 700% in het aantal deepfake-incidenten in de fintechsector.

Door het proces te kennen, begrijpen bedrijven de kwetsbaarheden en mogelijke tegenmaatregelen.

  1. Gegevens verzamelen en voorbereiden: De makers verzamelen enorme beeld- of audiobibliotheken van de doelpersoon, vaak uit sociale media, interviews of openbare archieven. Hoe gevarieerder de camerahoeken, gezichtsuitdrukkingen of stemfragmenten, hoe realistischer de uiteindelijke deepfake. Vervolgens normaliseren ze de beelden, standaardiseren ze de resolutie en markeren ze relevante kenmerken (bijv. ogen, mondvorm). Deze voorbereiding zorgt ervoor dat het neurale netwerk tijdens verschillende trainingsstappen consistente gegevens verwerkt.
  2. Neurale netwerken trainen: Adversariële leermethoden zoals GANs vormen de kern van AI-gegenereerde illusies: ze verfijnen elk gemaakt beeld of audiofragment. De generator probeert een discriminator te misleiden die de authenticiteit beoordeelt. Na vele iteraties stemt de generator de output steeds beter af op nuances uit de werkelijkheid, zoals knipperpatronen of stemintonatie. Dit samenspel leidt tot het deepfakefenomeen en resulteert in vervalsingen die nauwelijks van echt te onderscheiden zijn.
  3. Gezicht/stem uitlijnen en vervormen: Zodra het model de gezichts- of stemkenmerken van de doelpersoon kan nabootsen, past het die toe op het hoofd, lichaam of geluidsspoor van een tweede persoon in echte opnamen. Lippen, ogen of bewegingen worden uitgelijnd met het referentiefragment. Voor audio stemt golfvormanalyse de klankkleur van de doelpersoon af op de timing van het oorspronkelijke geluidsspoor. Kleine afwijkingen of kleurverschillen die op een AI-deepfake kunnen wijzen, worden in de nabewerking gecorrigeerd.
  4. Nabewerking en definitieve weergave: Voor de laatste aanpassingen halen makers de beelden of audio vaak door bewerkingstools. Daarmee werken ze randen bij, stemmen ze de belichting af of passen ze de toonhoogte aan. Soms verlagen ze zelfs bewust de videokwaliteit, zodat de opname lijkt op een gewone smartphonevideo waarin een deepfake zou kunnen zitten. Zodra ze tevreden zijn, verspreiden ze de content via sociale platforms of rechtstreeks naar ontvangers. Het resultaat oogt authentiek, wekt onrust en vergroot de vraag naar betere detectiemethoden.

Hoe maak je deepfakes?

Ondanks de vele controverses willen veel mensen beter begrijpen hoe ze deepfakes kunnen maken. Met gebruiksvriendelijke software en opensourcemodellen kan nu iedereen geavanceerde illusies creëren. Hieronder beschrijven we de gebruikelijke methoden van hobbyisten en professionals. Zo wordt duidelijk hoe gemakkelijk zulke schadelijke content kan ontstaan.

  1. Apps voor gezichtsverwisseling: Met diverse consumententools kunnen beginners eenvoudig gezichten verwisselen op een telefoon of pc. De software automatiseert het trainen en samenvoegen zodra twee video's zijn geüpload (een bronvideo en een doelvideo). Bij kwaadwillend gebruik kunnen zulke apps echter dienen voor identiteitsvervalsing. De brede beschikbaarheid stimuleert zowel speels entertainment als ernstig misbruik van deepfakes.
  2. GAN-frameworks en opensourcecode: Geavanceerde resultaten zijn te bereiken met frameworks zoals TensorFlow of PyTorch en speciale repositories voor het vervalsen van gezichten of stemmen. Experimenterende gebruikers met kennis van netwerkarchitectuur, trainingsparameters of zelfs datacombinaties kunnen netwerkarchitecturen op maat maken, trainingsparameters aanpassen of meerdere datasets combineren. Deze aanpak levert de beste deepfakes op, maar vereist meer hardware (GPU) en programmeerkennis. Daarmee komt de lat voor misleiding aanzienlijk hoger te liggen: de vervalsingen zijn nauwkeuriger af te stemmen dan met de standaardinstellingen van kant-en-klare software.
  3. Op audio gebaseerde illusies: Makers van op audio gebaseerde illusies gebruiken scripts voor spraaksynthese en koppelen die aan modules voor lipsynchronisatie, zodat mondbewegingen realistisch lijken. Ze trainen het systeem met stemfragmenten om nieuwe uitspraken te genereren met het accent of de spreekstijl van de doelpersoon. De lipbewegingen worden afgestemd op elke uitgesproken klank. Deze ‘deepfakecombinaties met lipsynchronisatie’ kunnen verbluffend nauwkeurige illusies van pratende personen creëren.
  4. Cloudgebaseerde renderingdiensten: Sommige commerciële aanbieders van deepfakes of AI-tools nemen de zware modeltraining op externe servers voor hun rekening. Gebruikers leveren alleen datasets of scriptparameters aan en wachten op het eindresultaat. Beperkingen van de lokale GPU spelen dan geen rol meer, en grote of complexe illusies kunnen op krachtige infrastructuur worden gemaakt. Daar staat tegenover dat geavanceerde vervalsingen snel te bestellen zijn, wat zorgen oproept over cybersecurity en deepfakes.
  5. Handmatige overlays en hybride bewerking: Makers gebruiken vervolgens software zoals Adobe After Effects om beelden handmatig te verfijnen, zelfs nadat een neuraal netwerk een gezichtsmodel heeft gegenereerd. Ze werken zichtbare randen weg, passen de belichting aan of voegen eenvoudige gemanipuleerde fragmenten in om overgangen zo min mogelijk te laten opvallen. De combinatie van AI-gegenereerde content en vakkundige nabewerking is bijna niet van echt te onderscheiden. Het resultaat is een deepfake die iemand overtuigend in allerlei situaties kan plaatsen, van grappige sketches tot kwaadwillige persoonsimitaties.

Hoe herken je deepfakes?

Detectie wordt moeilijker naarmate illusies realistischer worden. Omdat de helft van de cybersecurityprofessionals geen formele training in deepfakes heeft gehad, lopen organisaties het risico slachtoffer te worden van ingrijpende fraude of desinformatie. Hieronder staan enkele beproefde methoden, zowel handmatig als op basis van AI, om deepfakes te herkennen.

  1. Menselijke observatie en contextuele aanwijzingen: Ook geavanceerde illusies hebben beperkingen. Onregelmatig knipperen, vreemde schaduwen of niet goed aansluitende mondhoeken kunnen argwaan wekken. Let ook op onnatuurlijke overgangen in het gezicht wanneer iemand het hoofd draait. Verdachte bewerkingen kunnen verder worden gecontroleerd aan de hand van achtergronden of tijdstempels. Handmatige controles zijn niet onfeilbaar, maar vormen nog steeds de eerste verdedigingslinie bij het herkennen van een deepfake in één oogopslag.
  2. Forensische AI-analyse: Classificatiemodellen op basis van neurale netwerken die speciaal zijn getraind om kunstmatig gegenereerde afwijkingen te herkennen, kunnen patronen op pixelniveau of in het frequentiedomein analyseren. Het systeem signaleert onnatuurlijke uitlijning of kleurverschillen door verdachte beelden te vergelijken met normale patronen in gezichtskenmerken. Sommige toepassingen gebruiken ook temporele aanwijzingen, zoals micro-expressies die ze van beeld tot beeld volgen. Ook deze detectiealgoritmen moeten zich blijven ontwikkelen nu AI-deepfakes steeds beter worden.
  3. Metadata en EXIF-gegevens controleren: Als een bestand metadata bevat, komen de aanmaaktijd en de tijdstempel van het bestand vaak niet overeen, zijn de apparaatgegevens onjuist of zijn er sporen van codering en hercodering. Bij sommige geavanceerde illusies worden ook EXIF-gegevens verwijderd om sporen uit te wissen. Hoewel veel authentieke fragmenten gebrekkige metadata hebben, kunnen plotselinge verschillen op manipulatie wijzen. Deze aanpak vult diepgaandere analyses aan, vooral bij verificatie voor bedrijven of nieuwsorganisaties.
  4. Realtime-interacties (controles op aanwezigheid en bewegingstracking): Realtime-interacties, zoals spontaan reageren tijdens een live videogesprek, kunnen een illusie ontmaskeren of juist bevestigen dat iemand echt aanwezig is. Als de AI zich niet snel genoeg aanpast, ontstaan vertragingen of zichtbare fouten in het gezicht. Systemen voor aanwezigheidsdetectie letten doorgaans op kleine spierbewegingen, hoofdhoeken of willekeurige knipperpatronen die vervalsingen zelden consequent nabootsen. Andere ID-systemen vragen de gebruiker het gezicht op bepaalde manieren te bewegen. Kan de video die bewegingen niet volgen, dan valt de deepfake door de mand.
  5. Vergelijken met originele beelden: Als een verdacht fragment beweert dat iemand bij een bepaalde gebeurtenis aanwezig was of iets heeft gezegd, kan controle van de officiële bron die bewering bevestigen of weerleggen. Afwijkingen komen vaak aan het licht via persberichten, opnamen vanuit andere camerahoeken of bekende officiële verklaringen. Deze methode combineert traditionele factchecking met deepfakedetectie. In een tijd van virale misleiding gebruiken gevestigde media zulke kruiscontroles om hun geloofwaardigheid te bewaken.

Toepassingen van deepfakes

Hoewel deepfakes vaak negatief worden besproken, kunnen ze in verschillende sectoren ook waardevolle of vernieuwende resultaten opleveren. Hun toepassingen beperken zich niet tot kwaadwillige vervalsingen, maar omvatten ook creatieve kunst en gespecialiseerde tools.

Hier zijn vijf voorbeelden van hoe AI-gegenereerde illusies, mits ethisch gebruikt, nuttig en vermakelijk kunnen zijn.

  1. Digitale wederopstanding in films: Filmstudio's laten soms een overleden acteur terugkeren voor een gastrol of nemen scènes opnieuw op zonder een andere acteur te casten. Een AI-deepfakemodel analyseert archiefbeelden en reconstrueert gezichtsuitdrukkingen, die vervolgens in nieuwe filmscènes worden verwerkt. Deze techniek kan klassieke filmsterren eren, maar roept ook vragen op over authenticiteit en de rechten van acteurs. Zorgvuldig toegepast combineert ze nostalgie met geavanceerde digitale effecten.
  2. Realistische lokalisatie naar andere talen: Televisiezenders en streamingdiensten gebruiken bijvoorbeeld gezichtsanimatie om nagesynchroniseerde stemmen af te stemmen op de lipbewegingen van acteurs. Met deze deepfake-aanpak lijkt de acteur op het scherm de lokale taal te spreken, doordat de mondbewegingen worden aangepast. Dit vergroot de betrokkenheid van internationaal publiek en beperkt de kosten van nieuwe opnamen. Hoewel het concept in kleine kring als komische nieuwigheid begon, zien grote contentplatforms kansen voor wereldwijde distributie.
  3. Bedrijfstraining en simulatie: Sommige bedrijven maken deepfakevideo's op maat voor trainingen over beleid en interne beveiliging. Ze kunnen bijvoorbeeld een CEO persoonlijke motiverende boodschappen laten inspreken of een scenario tonen waarin medewerkers met hun echte gezichten laten zien hoe het niet moet. Hoewel de aanpak tegen manipulatie aan kan schuren, kan hij de betrokkenheid vergroten. Met een duidelijke vermelding maakt hij concreet wat deepfakes in een bedrijfsomgeving zijn en gebruikt hij illusies om nuttige lessen over te brengen.
  4. Gepersonaliseerde marketingcampagnes: Merken experimenteren met AI-illusies waarin gebruikers bij naam worden begroet of merkambassadeurs aangepaste boodschappen uitspreken. Met geavanceerde gezichtsmapping stemmen ze de boodschap af op het publiek en verbinden ze entertainment met marketing. De commercialisering van deepfakes balanceert tussen vernieuwing en inbreuk. Ze wekt bij sommigen nieuwsgierigheid, terwijl anderen zich zorgen maken over privacy en authenticiteit.
  5. Verhalen vertellen in historische of culturele musea: Musea en docenten kunnen historische figuren (Abraham Lincoln of Cleopatra) animeren om monologen te houden in meeslepende tentoonstellingen. Deze deepfakes zijn bedoeld om te informeren, niet om te misleiden, en gaan vergezeld van een duidelijke toelichting. Bezoekers kunnen ‘levende geschiedenis’ ervaren en een emotionele band met gebeurtenissen uit het verleden opbouwen. Organisaties bewaken zorgvuldig hoe ze zulke illusies inzetten om nieuwsgierigheid te wekken en historische bronnen toegankelijk te maken voor een hedendaags publiek.

Waarvoor worden deepfakes vaak gebruikt?

Deepfakes hebben legitieme en creatieve toepassingen, maar de vraag die vaker wordt gesteld is: “Hoe worden deepfakes in het dagelijks leven gebruikt?” De techniek is zo eenvoudig te gebruiken dat deze steeds breder wordt toegepast, van komische gezichtsverwisselingen tot kwaadwillige identiteitsdiefstal.

Hieronder bespreken we veelvoorkomende toepassingen die hebben bijgedragen aan de wereldwijde discussie over wat deepfakes binnen AI zijn.

  1. Komische uitdagingen met gezichtsverwisseling: Op TikTok en Reddit verschijnen allerlei komische uitdagingen waarbij gebruikers hun gezicht over dansroutines of virale filmscènes plaatsen. Deze speelse illusies verspreiden zich snel en brengen deepfakes in de populaire cultuur. Hoewel ze meestal onschuldig zijn, kunnen ook komische toepassingen onbedoeld desinformatie verspreiden als ze niet als zodanig zijn gelabeld. Dit laat zien hoe vanzelfsprekend illusies in het dagelijks leven zijn geworden.
  2. Pornografie zonder toestemming: Een duistere kant komt naar voren wanneer daders personen (vaak beroemdheden of ex-partners) zonder hun toestemming in expliciete video's plaatsen. Deze inbreuk op de privacy zet deepfaketechnologie in voor seksuele vernedering of chantage. De beelden verspreiden zich via dubieuze platforms en zijn moeilijk te verwijderen. De maatschappelijke discussie blijft fel, en velen eisen strenge wettelijke maatregelen tegen dit misbruik.
  3. Frauduleuze zakelijke communicatie: Denk aan een telefoontje dat van een bekende zakenpartner lijkt te komen, maar waarbij de stem overtuigend is nagebootst. Aanvallers vragen op het laatste moment om gewijzigde betaalgegevens of dringende financiële handelingen. Omdat medewerkers vertrouwen op ‘stemherkenning’, missen ze de alarmsignalen die ze bij e-mails of tekstberichten wel zouden opmerken. Naarmate de techniek zich ontwikkelt, duikt dit deepfakescenario steeds vaker op in risicoregisters van bedrijven.
  4. Politieke laster en propaganda: In verschillende landen zijn tijdens verkiezingen gemanipuleerde toespraken ingezet om kandidaten onbekwaam, corrupt of haatdragend te laten lijken. Een korte virale video kan meningen vormen voordat officiële kanalen de vervalsing kunnen ontkrachten. Aanvallers spelen daarbij in op de schokwaarde en de snelle verspreiding via sociale media. Zulke deepfakevideo's ondermijnen het vrije debat en de integriteit van verkiezingen.
  5. Door AI aangedreven satire of artistieke expressie: Hoewel deepfaketechnologie ook negatieve toepassingen kent, gebruiken sommige kunstenaars en komieken deze technologie om het publiek te vermaken met komische sketches, korte films en interpretatieve dans. Deze kunstwerken worden als deepfakes gemarkeerd, zodat kijkers weten dat wat ze zien volledig fictief is. Deze vorm van entertainment biedt makers de kans om de toekomst te verbeelden, bijvoorbeeld met musicals waarin historische figuren in het heden leven. Door generatieve AI creatief in te zetten, hebben deze kunstenaars mensen vertrouwder gemaakt met de technologie en haar mogelijkheden.

Bedreigingen en risico's van deepfakes

Als deepfakes meningen kunnen beïnvloeden, reputaties kunnen schaden of bedrijven geld kunnen kosten, moeten organisaties de onderliggende dreiging goed begrijpen.

In dit deel bespreken we vijf belangrijke bedreigingen en risico's van deepfakes, met aandacht voor geavanceerde detectie en beleidsmaatregelen.

  1. Telefoontjes met synthetische stemmen: Cybercriminelen gebruiken synthetische stemmen van een “leidinggevende” of “familielid” om slachtoffers onder druk te zetten onmiddellijk te handelen (meestal door geld over te maken of gegevens prijs te geven). Een vertrouwde verschijning of stem wekt vertrouwen en neemt de gebruikelijke argwaan weg. Samen ondermijnen deze elementen de standaardcontroles van iemands identiteit. Als medewerkers volstaan met een minimale verificatie op basis van de stem, lopen bedrijven een groot risico.
  2. Geavanceerde propaganda of beïnvloedingsoperaties: Publieke figuren kunnen worden afgebeeld alsof ze extremistische ideologieën steunen of bondgenootschappen sluiten die nooit hebben bestaan. In instabiele regio's kunnen zulke illusies onrust of paniek aanwakkeren, rellen veroorzaken of het vertrouwen in de overheid ondermijnen. Tegen de tijd dat de vervalsingen worden ontkracht, is de publieke opinie al beïnvloed. Deze aantasting van de betrouwbaarheid van nieuwsuitzendingen vergroot wereldwijd de aandacht voor cyberbeveiligingsstrategieën tegen deepfakes.
  3. Echt bewijsmateriaal in twijfel trekken: Omgekeerd kan een beschuldigde een echte video van wangedrag afdoen als een ‘deepfake’. Dat bedreigt het rechtssysteem: geloofwaardig videobewijs kan worden overschaduwd door de bewering dat het ‘nepnieuws’ is. De bewijslast verschuift daardoor in complexe rechtszaken naar forensische experts. Na verloop van tijd kan het ontkennen van echte beelden als ‘deepfake’ een geraffineerde verdedigingsstrategie worden in ernstige straf- of civiele zaken.
  4. Koersmanipulatie: Eén vervalste video waarin een CEO over overnames spreekt of een verklaring aflegt, kan aandelenkoersen beïnvloeden voordat de echte verklaring het nieuws bereikt. Aanvallers benutten de snelle verspreiding via sociale media en kiezen hun moment rond handelsuren. De verwarring veroorzaakt paniek of euforie op de markt en geeft ingewijden de kans om op koersdalingen of -stijgingen te speculeren. Zulke manipulatie valt onder de cyberbeveiligingsrisico's van deepfakes en kan financiële markten ernstig ontwrichten.
  5. Afnemend vertrouwen in digitale communicatie: Zodra digitale kanalen vol illusies zitten, gaan medewerkers en consumenten twijfelen aan Zoom-gesprekken en nieuwsberichten. Als teams voor routinetaken persoonlijke verificatie of identiteitscontroles met meerdere factoren eisen, gaat dat ten koste van de productiviteit. Deze bredere risico's van deepfakes ondermijnen het vertrouwen in het digitale ecosysteem en vragen om samenwerking tussen organisaties en platforms bij het verifiëren van content.

Voorbeelden van deepfakes uit de praktijk

Deepfakes zijn niet alleen een theoretisch risico: ze speelden wereldwijd een rol in meerdere spraakmakende incidenten. Van komische parodieën op YouTube tot geraffineerde bedrijfsfraude: deze illusies hebben tastbare gevolgen.

Hieronder staan enkele voorbeelden van de invloed van deepfakes op verschillende terreinen in de praktijk.

  1. Deepfakefraude met Elon Musk: In december 2024 verscheen een vervalste video waarin Elon Musk zei dat hij $20 miljoen aan cryptovaluta zou weggeven. Het leek alsof Musk de weggeefactie promootte en kijkers aanspoorde geld te sturen om mee te doen. Dit nepnieuws werd vervolgens via verschillende accounts op sociale media gedeeld, en veel mensen geloofden het. Het incident riep vragen op over het gebruik van deepfaketechnologie voor fraude en het belang van meer bewustzijn om waarheid van onjuiste informatie te onderscheiden.
  2. Deepfake-incident bij ingenieursbureau Arup: In januari 2024 werd het Britse ingenieursadviesbureau Arup slachtoffer van geraffineerde deepfakefraude die het bedrijf meer dan USD 25 miljoen kostte. Tijdens een videoconferentie werden medewerkers misleid door deepfakes van hun financieel directeur en andere collega's, die toestemming gaven voor meerdere overboekingen naar bankrekeningen in Hongkong. Dit incident laat zien welke ernstige dreiging deepfaketechnologie vormt voor bedrijven en waarom betere beveiligingsmaatregelen nodig zijn.
  3. Vervalst automatisch telefoontje met de stem van Joe Biden: In januari 2024 werd een vervalst automatisch telefoontje met de stem van president Joe Biden verspreid om mensen te ontmoedigen te stemmen bij de voorverkiezingen in New Hampshire. Het audiobericht, dat doorgaans voor $1 kan worden gemaakt, moest duizenden kiezers beïnvloeden en leidde tot discussies over de eerlijkheid van de verkiezingen. De autoriteiten konden het telefoontje herleiden tot iemand die wrok koesterde tegen de schoolleiding. Dit laat zien hoe deepfakes politieke gebeurtenissen kunnen beïnvloeden.
  4. Oplichting met een kloon van de stem van Jay Shooster:  In september 2024 konden oplichters de stem van Jay Shooster nabootsen met slechts 15 seconden audio uit een recent televisieoptreden. Ze belden zijn ouders en vertelden dat hij een ongeluk had gehad en $30,000 nodig had voor zijn borgtocht. Deze zaak laat zien hoe het klonen van stemmen kan worden ingezet voor fraude en verduistering.
  5. Deepfake-audio gericht tegen een schooldirecteur in Baltimore: In april 2024 werd een vervalst audiofragment van Eric Eiswert, directeur van een middelbare school in Baltimore, verspreid via de media en sociale netwerken. Daarin leek hij racistische opmerkingen te maken over de Afro-Amerikaanse gemeenschap. Dit leidde tot veel kritiek en bedreigingen aan zijn adres. Hij werd geschorst totdat bleek dat het om een deepfake ging. De zaak laat zien hoe deepfakes maatschappelijke onrust kunnen veroorzaken en iemands reputatie kunnen schaden, ook als het nepnieuws betreft.

Door de vooruitgang van generatieve AI staan deepfakes op een keerpunt: ze kunnen de creativiteit in de samenleving stimuleren, maar ook fraude aanjagen. Experts verwachten dat gezichtsverwisseling tijdens zakelijke videoconferenties de komende jaren vrijwel in realtime mogelijk wordt en daardoor op grote schaal zal worden toegepast.

Deze vijf trends schetsen de toekomst van deepfakes vanuit technisch en maatschappelijk perspectief.

  1. Realtime avatars: Gebruikers kunnen binnenkort cloudgebaseerde GPU's inzetten om gezichten of stemmen in realtime te veranderen tijdens streams of groepsgesprekken. Ze kunnen daarbij een volledig synthetisch lichaam gebruiken of direct het uiterlijk van iemand anders aannemen. Het idee klinkt misschien grappig, maar brengt risico's mee voor identiteitsverificatie en infiltratie in verspreide kantoren. Bij deepfake-transformaties is het cruciaal om tijdens het gesprek de identiteit van deelnemers te verifiëren.
  2. Regelgeving en normen voor de authenticiteit van content:  Bereid u voor op nationale wetgeving die disclaimers of ‘watermerken op basis van hashes’ verplicht stelt voor AI-gegenereerde content. De voorgestelde Europese AI-wet bevat bepalingen voor gemanipuleerde media. In de VS wordt samenwerking tussen technologiebedrijven aangemoedigd om detectienormen op elkaar af te stemmen. Zo moet elke deepfake die openbaar wordt gemaakt, van een disclaimer worden voorzien. Handhaving blijft echter lastig als de makers de gemanipuleerde content in andere landen hosten.
  3. Blockchain en cryptografische verificatie: Sommige experts raden aan om authentieke afbeeldingen en video's bij het maken cryptografisch te ondertekenen. Zo kunnen ze de signalen toetsen aan de beoogde boodschap en vaststellen of het materiaal authentiek is. Als de handtekeningen ontbreken of niet overeenkomen, rijst de vraag of het om een vervalsing of een deepfake gaat. Door het maken van content te koppelen aan de blockchain, wordt de ruimte voor frauduleuze activiteiten kleiner. Zoals eerder bleek, is invoering echter alleen mogelijk als de sector als geheel dit breed ondersteunt.
  4. De dubbele rol van AI bij deepfake-detectie: Naarmate generatieve modellen geavanceerder worden, vereist detectie complexere patroonherkenning en meerdere controles. Daarmee zijn micro-expressies, veranderingen in belichting en ‘AI-sporen’ te herkennen die het menselijk oog niet ziet. Makers van deepfakes verbeteren hun neurale netwerken echter om zulke controles te omzeilen. Zo ontstaat een voortdurende wedloop. Voor organisaties blijven updates van detectietools daarom een belangrijk onderdeel van hun beveiliging tegen deepfakes.
  5. Veranderende ethische en artistieke grenzen: Naast de dreigingen zijn ook de creatieve mogelijkheden enorm. Documentaires kunnen historische figuren tot leven wekken voor live-interviews, of kijkers wereldwijd kunnen hun gelokaliseerde programma bekijken met lipbewegingen die op hun taal zijn afgestemd. De vraag rijst wanneer we van innovatie kunnen spreken en wanneer we slachtoffer zijn van een illusie die is gecreëerd om onze gedachten te manipuleren. Nu deepfakes zich verspreiden, is het cruciaal ze voor goede doeleinden toe te staan en tegelijkertijd kwaadwillig gebruik te detecteren.
Callout Background Image Gradient

AI-gestuurde cyberbeveiliging

Verhoog uw beveiliging met realtime detectie, reactiesnelheid en volledig overzicht van uw gehele digitale omgeving.

Conclusie

Deepfakes laten zien hoe AI zowel voor artistieke doeleinden als voor misleiding kan worden ingezet. De technologie ontwikkelt zich snel. Organisaties en de samenleving krijgen daardoor te maken met uiteenlopende deepfake-scenario's, van phishing telefoongesprekken van de hoogste leidinggevende van het bedrijf tot de verspreiding van nepvideo’s van politici. Wanneer een afbeelding van een object geloofwaardiger is dan het object zelf, groeit identificatie uit tot de basis van digitale geloofwaardigheid. Tegelijkertijd gebruiken oplichters hun beste deepfakes om identiteitscontroles te omzeilen of nepnieuws te verspreiden. Voor bedrijven blijven drie stappen essentieel: detectie, sterke richtlijnen ontwikkelen en medewerkers trainen om AI veilig in media te gebruiken. De strijd tussen het creëren en detecteren van illusies duurt voort. Daarom is het cruciaal om de noodzaak van een aanpak op meerdere niveaus te benadrukken, van de gebruiker tot de AI-gebaseerde scanner.

U weet nu wat een deepfake in cybersecurity is. Maar bent u voorbereid op de risico's van AI-gegenereerde vervalsingen? Kies de juiste beveiligingsmiddelen en bescherm uw organisatie vandaag nog tegen de groeiende dreiging van deepfakes.

"

Veelgestelde vragen

Een deepfake in cybersecurity is AI-gegenereerde, synthetische media die een echt persoon overtuigend nabootsen. Zulke gemanipuleerde video's of audio-opnamen kunnen worden gebruikt voor fraude, desinformatie of het omzeilen van beveiligingsmaatregelen.

Deepfakes kunnen worden gebruikt voor cyberaanvallen. Cyberaanvallers kunnen ermee vertrouwde personen nabootsen, communicatie manipuleren of biometrische authenticatie omzeilen.

Deepfakes vormen ernstige bedreigingen voor organisaties, waaronder reputatieschade, financiële fraude en verlies van vertrouwen in digitale communicatie. Kwaadwillenden kunnen met deepfakes leidinggevenden nabootsen, de publieke opinie beïnvloeden of beveiligingsmaatregelen omzeilen.

Traditionele beeldmanipulatie met bijvoorbeeld Photoshop of eenvoudige gezichtsverwisselingen vereist handmatige bewerking en laat vaak zichtbare sporen achter. Deepfakes gebruiken daarentegen deep-learningalgoritmen om met minimale menselijke tussenkomst zeer realistische video's of audio te genereren. Het resultaat is overtuigender en kan moeilijker te herkennen en te ontmaskeren zijn.

Of deepfakes legaal zijn, hangt af van het rechtsgebied en het doel. Het maken of delen van gemanipuleerde media is op veel plaatsen niet per definitie illegaal. Deepfakes gebruiken voor fraude, smaad of intimidatie kan wel in strijd zijn met de wet. Sommige regio's voeren wetgeving in om het maken en verspreiden van schadelijke deepfakes strafbaar te stellen.

Deepfakes kunnen het vertrouwen in digitale media ondermijnen met overtuigende maar vervalste beelden, video's en audio. Ze kunnen desinformatie verspreiden, de publieke opinie beïnvloeden of mensen ten onrechte in compromitterende situaties tonen. Cybercriminelen gebruiken deepfakes voor oplichting, chantage en bedrijfsspionage. Daarmee bedreigen ze privacy, reputaties en veiligheid.

Ja. Onderzoekers gebruiken geavanceerde AI-algoritmen om afwijkingen in deepfake-beelden, -video's en -audio te herkennen. Detectiemethoden analyseren gezichtsbewegingen, afwijkingen op pixelniveau en metadata op tekenen van manipulatie. Naarmate deepfakes zich ontwikkelen, moeten deze methoden voortdurend worden aangepast. Daardoor blijft deepfake-detectie een uitdaging voor cybersecurity.

AI gebruikt doorgaans generatieve adversariële netwerken (GANs) om deepfakes te maken. Een generatormodel creëert synthetische content, terwijl een discriminatormodel beoordeelt hoe authentiek die oogt. Door herhaalde trainingscycli verfijnt de generator de resultaten totdat ze overtuigend echt lijken. Zo kan AI gezichten, stemmen en complete situaties realistisch nabootsen.

Gebruiksvriendelijke apps en online handleidingen maken het eenvoudiger om basis-deepfakes te creëren. Voor zeer overtuigende deepfakes met een hoge resolutie zijn nog steeds geavanceerde hardware, technische kennis en veel rekenkracht nodig. Hoe moeilijk het is, hangt vooral af van de gewenste kwaliteit en het realisme. De drempel is wel lager geworden, wat zorgen oproept over grootschalig misbruik.

Let op onnatuurlijke gezichtsbewegingen, inconsistente belichting of schaduwen en lipbewegingen die niet bij de spraak passen. Kijk ook naar subtiele afwijkingen in de huidtextuur, het knipperen met de ogen of reflecties. Audio kan een vreemde intonatie of een afwijkend spreektempo hebben. Gebruik daarnaast videoanalysetools of AI-detectoren om de authenticiteit te controleren. Verifieer verdachte media altijd via andere bronnen.

Deepfake-technologie heeft nog moeite met extreme gezichtsuitdrukkingen, complexe achtergronden en veranderende belichting. Hoogwaardige resultaten vergen aanzienlijke rekenkracht en technische expertise. Ethische en juridische grenzen beperken bovendien legale toepassingen, zoals entertainment of academisch onderzoek. Naarmate de regelgeving groeit, moet verantwoord gebruik innovatie afwegen tegen privacy en veiligheid.

Organisaties kunnen identiteiten verifiëren met MFA en biometrische controles, zodat ze niet alleen op beeld of geluid vertrouwen. Train medewerkers regelmatig om deepfake-dreigingen te herkennen en controleer ongebruikelijke verzoeken via beveiligde kanalen. Versterk de verdediging verder met AI-gebaseerde deepfake-detectie, monitoring van sociale media en samenwerking met cybersecurity-experts.

Ja. Aanvallers kunnen leidinggevenden, politici of medewerkers overtuigend nabootsen om mensen gevoelige informatie te ontfutselen, transacties te laten goedkeuren of beslissingen te beïnvloeden. Deepfake-stemmen tijdens telefoongesprekken en overtuigend gemanipuleerde video's kunnen traditionele verificatiemethoden omzeilen.

Ontdek meer over Cyberbeveiliging

Decorative background gradient

Ervaar het meest geavanceerde cybersecurityplatform

Ontdek hoe 's werelds meest intelligente, autonome cybersecurityplatform uw organisatie vandaag en in de toekomst kan beschermen.
Dark dashboard UI with purple-highlighted nav, summary cards showing 149, 7, 78, 56, 1.2 h, and a status table with linked purple text