Deepfake videosi rastu 900% godišnje, a ljudi ispravno prepoznaju prijevaru u samo 24,5% slučajeva. Evo konkretnih vizualnih znakova i alata koji pomažu.
Čovjek ispravno prepozna deepfake video u samo 24,5% slučajeva. Algoritmi za detekciju koji se treniraju u laboratorijskim uvjetima gube i do 50% točnosti čim nalete na materijal iz stvarnog svijeta. Ukratko: nitko nije posebno dobar u ovome — ni mi, ni strojevi.
To nije razlog za paniku. To je razlog da naučite što zapravo gledati.
Kako deepfake nastaje
Deepfake je generiran pomoću dva tipa modela. Stariji pristup koristi GAN mreže (Generative Adversarial Networks): jedan model generira lažni sadržaj, drugi procjenjuje je li dovoljno uvjerljiv, i taj se ciklus ponavlja dok rezultat ne prođe inspekciju. Noviji i kvalitetniji pristup koristi difuzijske modele — isti tip koji pogoni Stable Diffusion i DALL-E, ali primijenjen na video i zvuk.
Oba pristupa mogu uzeti lice jedne osobe i superpozicionirati ga na tijelo ili glas druge s dovoljno uvjerljivim rezultatima da prevare prosječnog gledatelja. Nije potrebno posebno računalno znanje. Postoje web sučelja koja to rade u nekoliko klikova za manje od 10 dolara. Kvaliteta varira enormno — od grubih falsifikata koji se raspadaju na svaki detalj do materijala koji prolazi kroz sve osim forenzičke analize.
Važno je razumjeti da deepfakeovi nisu isključivo vizualni. Audio deepfakeovi su postali jednako dostupni i jednako problematični: dovoljno je manje od 10 sekundi originalnog glasa da popularni alati mogu generirati sintetizirani govor koji zvuči prepoznatljivo kao ta osoba.
Koliko ih zapravo postoji
Podaci su stvarno alarmantni. Broj deepfake videa na internetu porastao je s otprilike 500 u 2019. na oko 95.820 verificiranih slučajeva do kraja 2024. — rast od 550% u pet godina. Procjene za 2025. govore o ukupno 8 milijuna deepfake datoteka, računajući zvuk, slike i video.
Zvučni deepfakeovi rastu posebno brzo. Udio organizacija koje su naišle na klonirane glasove preskočio je s 25% u 2024. na 52% u prvoj polovici 2025. Nije to više egzotičan napad rezerviran za državne aktere i obavještajne službe — to je standardna alatka u arsenalu svakodnevnih prevaranata.
Zašto je detekcija sve teža
Postoji fundamentalni problem koji nema jednostavno rješenje: svaki napredak u detekciji prisiljava generativne modele da budu bolji. Akademici to zovu GAN arms race — i ta utrka nema kraja u vidiku.
Konkretno: detektori koji postignu visoku točnost u laboratoriju gube i do 50% performansi na videu koji je bio komprimiran za YouTube ili WhatsApp, snimljen u neobičnim uvjetima osvjetljenja, ili generiran novijim modelom kojeg sustav nije vidio u treningu. Tržište detekcije raste 42% godišnje i trebalo bi dosegnuti 15,7 milijardi dolara do 2026. — ali rast tržišta govori više o rastućoj panici sigurnosnih timova nego o riješenom problemu.
Čak ni statistike detekcije koje izgledaju impresivno u press releasima tvrtki nisu nužno korisne u praksi. Detektor koji ima 95% točnost na skupu za testiranje može imati 40% točnost na videu koji je prošao kroz WhatsApp kompresiju. Visoka točnost u laboratoriju ne znači ništa u stvarnom svijetu.
Što vi možete prepoznati
Unatoč svemu, postoje vizualni znakovi koji otkrivaju mnoge deepfakeove — posebno one nastale jeftinijim alatima ili bez posvećenog post-processinga. Ovaj popis nije savršen, ali je početna točka:
Uz ove vizualne znakove, vrijedi navesti jedno neintuitivno pravilo: savršen zvuk je ponekad alarm. Deepfake audio generatori mogu producirati glas bez ikakvih smetnji, bez daha, bez "um" i "hm" zastajkivanja koja su karakteristična za prirodan govor. Kada netko zvuči prenapeto profesionalno u neformalnom razgovoru — to je vrijedno provjere.
Alati koji postoje
Za provjeru autentičnosti sadržaja nekoliko alata je slobodno dostupno.
InVID / WeVerify je browser ekstenzija (Chrome i Firefox) koja rastavlja video na ključne kadrove i omogućuje reverse image search za svaki od njih. Razvio je europski konzorcij istraživačkih novinara; redovito ga koriste AFP, BBC i Reuters factcheck timovi za provjeru sadržaja koji kruži društvenim mrežama u kriznim situacijama.
Microsoft Video Authenticator namijenjen je detekciji manipuliranog sadržaja s naglaskom na deepfake lica. Besplatan je za novinare i organizacije civilnog društva kroz Microsoft's Defending Democracy Program.
Content Credentials (C2PA standard) inicijativa je Adobea, Googlea, Microsofta i vodećih proizvođača fotoaparata koji dodaju kriptografski potpis originalnim fotografijama i videima u trenutku nastanka. Ako sadržaj nosi C2PA metapodate, možete verificirati porijeklo i eventualne izmjene. Ako ih nema — to ne znači da je lažan, ali znači da porijeklo nije potvrđeno. Nikon, Canon i Sony postupno uvode C2PA direktno u firmver fotoaparata.
Reverse image i video search ostaje jedan od korisnijih alata za provjeru: ako je video "ekskluzivan" ali se isti kadrovi pojavljuju u starijim snimkama, to je jasan signal.
Stvarni slučajevi koji su promijenili percepciju
Teorija je jedno. Dva slučaja iz posljednjih godina dovoljno govore o tome gdje smo.
U ožujku 2022. hakirani su ukrajinskui TV kanali i emitirali su video u kojem Volodimir Zelenski poziva vojnike da odlože oružje. Deepfake je bio grub — vrat je bio vidljivo iskrivljen, a glas nije zvučao prirodno. Ipak, video se raširio po društvenim mrežama prije nego što je Zelenski reagirao živim prijenosom da ga demantira. Čak ni loš deepfake nije zanemariv: čim ga dovoljno ljudi vidi i prepričava, šteta je djelomično napravljena.
U veljači 2024. zaposlenik financijskog odjela hongkonškog ureda jedne multinacionalne kompanije sudjelovao je na videokonferenciji s kolegama i nadređenima, uključujući globalnog direktora financija. Svi prisutni — osim njega — bili su deepfakeovi generativnog AI modela. Haker je koristio javno dostupne snimke korporativnih komunikacija kako bi klonirao izgled i glasove sudionika. Na kraju razgovora zaposlenik je prebacio 25 milijuna dolara. Policija je pokrenula istragu; nikoga nisu uhitili.
Medijska pismenost kao jedini stvarni odgovor
Savršen detektor ne postoji i neće postojati u doglednoj budućnosti — jer svaki novi detektor postaje novi cilj za obuku generativnih modela da ga nadmutre. Jedino što se ne može trenirati da odgovori na bolji model je kritičan gledatelj.
Medijska pismenost u ovom kontekstu znači naviku provjere konteksta: tko je objavio ovaj sadržaj, kada, na kojoj platformi, i s kojim interesom? Postoji li ista snimka u verificiranim medijima? Postoji li vizualni detalj koji "bode oči" čak i ako ne možete točno opisati što? I — možda najvažnije pitanje — zašto bi itko htio da vi vjerujete baš u to?
Izvori i dodatno čitanje
Više članaka
- ugljični otisakAI energija
Ugljični otisak interneta: jedan ChatGPT upit troši 10× više struje od Google pretrage
1. lipnja 2026.
- e-otpadrecikliranje
E-otpad: 72 milijuna tona godišnje i samo 20% se pravilno reciklira
1. lipnja 2026.
- sleep trackingwearables
Sleep tracking: vaš smartwatch kaže 23% deep sleep — ali možete li mu vjerovati?
1. lipnja 2026.