Nur 0.1% der Menschen können einen Deepfake zuverlässig von echten Medien unterscheiden - einer von tausend, laut einer iProov-Studie mit 2,000 Verbrauchern aus den USA und dem Vereinigten Königreich, die sogar vorab darauf hingewiesen wurden, nach Fälschungen zu suchen (iProov, 2025). Maschinen schneiden besser ab, aber ungleichmäßig: Der beste Audio-Detektor in einem neutralen Benchmark 2026 erzielte eine Genauigkeit von 98.1%, während das schwächste kommerzielle Tool 71.3% erreichte und Open-Source-Modelle zwischen 48% und 63% lagen (Resemble AI, 2026). Gleichzeitig sprangen die Deepfake-Betrugsversuche in einem einzigen Jahr um mehr als 1,300% bei 1.2 billion analysierten Anrufen (Pindrop, 2025), und Deloitte prognostiziert, dass die Verluste durch generative-KI-Betrug in den USA bis 2027 auf $40 billion ansteigen werden (Deloitte, 2024). Die Erkennung ist zu einem messbaren Wettrüsten geworden, mit veröffentlichten Genauigkeitswerten, Benchmark-Ranglisten und einem Markt, der um fast 48% pro Jahr wächst. Diese Analyse fasst Daten von iProov, Resemble AI, Pindrop, Gartner, Deloitte und 12 weiteren Primärquellen zu den Erkennungszahlen zusammen, die für 2026 zählen.
TL;DR
- Durchschnittliche menschliche Deepfake-Erkennungsgenauigkeit über 56 Studien und 86,155 Teilnehmer: 55.5% (Diel et al., 2024).
- Verbraucher, die jeden gezeigten echten und gefälschten Clip korrekt identifizierten: 0.1% (iProov, 2025).
- Genauigkeit des besten Audio-Detektors in einem neutralen Benchmark 2026: 98.1% (Resemble AI, 2026).
- Genauigkeitsspanne von Open-Source-Deepfake-Detektoren in diesem Benchmark: 48-63% (Resemble AI, 2026).
- Verlorene Detektorleistung unter realer Bildverschlechterung: bis zu 50% (RedFace-Datensatz, arXiv 2025).
- Unternehmen, die in den vergangenen 12 Monaten von einem Deepfake-Angriff betroffen waren: 62% (Gartner, 2025).
- Anstieg der Deepfake-Betrugsversuche im Jahresvergleich: 1,300% (Pindrop, 2025).
- Prognostizierte Verluste durch generative-KI-Betrug in den USA bis 2027: $40 billion (Deloitte, 2024).
- Marktgröße für Deepfake-Erkennung bis 2034: $5.6 billion, CAGR von 47.6% (Market.us, 2025).
- KI-Bildgeneratoren mit angemessener Wasserzeichenkennzeichnung: 38% (Rijsbosch et al., 2025).
- Kennzeichnungsregeln für Deepfakes nach Artikel 50 des EU AI Act gelten ab: 2 August 2026 (EU AI Act).
1. Menschen Liegen Kaum Besser als beim Münzwurf
Die wichtigste einzelne Erkennungsstatistik betrifft nicht Software - sie betrifft Menschen, und sie ist ernüchternd. In einer Zusammenführung von 56 kontrollierten Studien stellten Forscher fest, dass die durchschnittliche menschliche Genauigkeit bei 55.5% liegt, statistisch nicht vom Zufall zu unterscheiden, sobald Konfidenzintervalle berücksichtigt werden (Diel et al., 2024). Menschen sind geringfügig am besten darin, gefälschtes Audio zu erkennen, und am schlechtesten bei gefälschten Bildern, aber keine Modalität erreicht einen beruhigenden Wert. Die praktische Konsequenz: unbegleitetes menschliches Urteilsvermögen ist keine Kontrolle, auf die man sich verlassen kann - genau deshalb werden automatisierte Erkennung und Content-Provenienz zunehmend verpflichtend.
| Kennzahl | Wert | Quelle |
|---|---|---|
| Durchschnittliche menschliche Erkennungsgenauigkeit (alle Modalitäten) | 55.5% | Diel et al., 2024 |
| Menschliche Genauigkeit bei Audio-Deepfakes | 62.1% | Diel et al., 2024 |
| Menschliche Genauigkeit bei Video-Deepfakes | 57.3% | Diel et al., 2024 |
| Menschliche Genauigkeit bei Bild-Deepfakes | 53.2% | Diel et al., 2024 |
| Verbraucher, die jeden echten und gefälschten Clip korrekt erkannten | 0.1% | iProov, 2025 |
| Genauigkeitsrückgang bei synthetischem Video vs. Bild | 36% | iProov, 2025 |
| Erwachsene 65+, die noch nie von Deepfakes gehört hatten | 39% | iProov, 2025 |
| Menschen, die ihre Erkennungsfähigkeit überschätzten | 60%+ | iProov, 2025 |
Übermäßiges Selbstvertrauen verschärft das Risiko: Mehr als 60% der iProov-Befragten hielten sich für zuverlässige Erkenner, unabhängig davon, ob sie richtiglagen, und 48% wussten nicht, wie man einen vermuteten Deepfake meldet (iProov, 2025).
2. Was Erkennungstools in Benchmarks Wirklich Erreichen
Software schließt einen Großteil der Lücke - bei sauberen Eingaben. In einem neutralen Audio-Benchmark im May 2026, durchgeführt über Podonos an rund 25 Text-zu-Sprache-Systemen und sechs Audioformaten, gruppierten sich kommerzielle Detektoren im oberen Bereich, während Open-Source-Modelle deutlich zurückblieben. Resemble AI führte das Feld mit 98.1% Genauigkeit an (F1 0.981), aber die eigentliche Geschichte ist die Streuung: Der schwächste kommerzielle Teilnehmer erzielte 71.3%, und Open-Source-Detektoren übertrafen die menschliche Leistung mit 48-63% nur knapp (Resemble AI, 2026). Pindrop, die einzige große Organisation, die den FTC Voice Cloning Challenge 2024 gewann, berichtet von 99% Genauigkeit bei bekannten Engines aus zweisekündigen Audioausschnitten.
| Kennzahl | Wert | Quelle |
|---|---|---|
| Genauigkeit von Resemble AI (Audio-Benchmark 2026) | 98.1% | Resemble AI, 2026 |
| Genauigkeit von Aurigin AI | 96.8% | Resemble AI, 2026 |
| Genauigkeit von Hive | 83.5% | Resemble AI, 2026 |
| Genauigkeit von Reality Defender | 71.3% | Resemble AI, 2026 |
| Genauigkeitsspanne von Open-Source-Modellen | 48-63% | Resemble AI, 2026 |
| Genauigkeit von Pindrop bei bekannten Engines (2s Sprache) | 99% | Pindrop, 2024 |
| Erkennung von Pindrop bei unbekannten Engines | 90%+ | Pindrop, 2024 |
| Beste ASVspoof-5-Gleichfehlerrate (ohne Augmentierung) | 5.56% | ASVspoof 5 Challenge, 2024 |
Hinweis: Der Audio-Benchmark 2026 wurde von einem Anbieter (Resemble AI) mit privat gehaltenen Test-Labels durchgeführt; der zugrunde liegende Podonos-Testsatz und die Metriken sind offengelegt. Pindrops Zahl von 99%/<1% Falsch-positiv-Rate stammt aus einer Studie von 2023 und ist die aktuellste veröffentlichte Spitzengenauigkeit (Pindrop, 2024).
3. Die Robustheitslücke: Laborwerte vs. Reale Eingaben
Die Benchmark-Genauigkeit ist eine Obergrenze, kein Mindestwert. Detektoren, die bei makellosen Dateien glänzen, verschlechtern sich schnell angesichts der Kompression, des Rauschens und der Codec-Artefakte echter Telefonanrufe und Social-Media-Feeds. Im RedFace-Praxisdatensatz verloren die meisten Erkennungsmethoden bis zu 50% ihrer Leistung bei Bildverschlechterung (arXiv, 2025), und jedes System im Podonos-Audio-Benchmark 2026 hatte Schwierigkeiten, sobald Audio auf Telefonqualität komprimiert wurde. Geschwindigkeit ist eine zweite Einschränkung: Echtzeitschutz benötigt einen Echtzeitfaktor unter 1.0, was nicht jedes präzise Tool erreicht. Speziell für den Sprachkanal behandeln unsere Sprachbiometrie-Statistiken für 2026, wie Liveness- und Anti-Spoofing-Schichten zum Ausgleich übereinandergelegt werden.
| Kennzahl | Wert | Quelle |
|---|---|---|
| Genauigkeitsverlust des Detektors bei Bildverschlechterung (RedFace) | up to 50% | RedFace dataset, arXiv 2025 |
| Falsch-positiv-Rate von Reality Defender bei echten Stimmen | 53.7% | Resemble AI, 2026 |
| Echtzeitfaktor von Reality Defender (über dem Live-Schwellenwert) | 1.52 | Resemble AI, 2026 |
| Echtzeitfaktor streamingfähiger Detektoren | 0.33-0.40 | Resemble AI, 2026 |
| Anstieg von Gesichts-biometrischen Injektionsangriffen (2023) | 200% | Gartner, 2024 |
| Menschliche Genauigkeit mit Feedback-Training oder KI-Unterstützung | 65.1% | Diel et al., 2024 |
Ausreißer: Ein Detektor, der auf dem älteren ASVspoof-2019-Angriffssatz trainiert wurde, kann im Labor eine Fehlerrate von unter 2% erzielen, versagt aber bei der Generalisierung auf Voice-Cloning-Engines der Ära 2026 - der Benchmark altert schneller als die Bedrohung.
4. Betrugsverluste Treiben die Nachfrage nach Erkennung
Die Ausgaben für Erkennung folgen dem Ausmaß des Betrugsschmerzes, und dieser Schmerz eskaliert vor allem im Sprachkanal. Pindrop verzeichnete einen Anstieg der Deepfake-Betrugsversuche um 1,300% bei 1.2 billion analysierten Anrufen, von etwa einem pro Monat auf sieben pro Tag, wobei Angriffe mit synthetischer Stimme auf Versicherer um 475% zunahmen (Pindrop, 2025). Das Center for Financial Services von Deloitte modelliert eine Verdreifachung der Verluste durch generative-KI-Betrug in den USA von $12.3 billion im Jahr 2023 auf $40 billion bis 2027. Dieser Abschnitt konzentriert sich auf den Bedrohungsdruck hinter der Erkennung; für das Gesamtvolumen der Vorfälle und die Opferzahlen siehe unsere begleitenden Deepfake-Statistiken für 2026, und für den sprachspezifischen Blickwinkel unsere Statistiken zu Sprachklon-Betrug und Vishing-Statistiken.
| Kennzahl | Wert | Quelle |
|---|---|---|
| Unternehmen, die von einem Deepfake-Angriff betroffen waren (letzte 12 Monate) | 62% | Gartner, 2025 |
| Anstieg der Deepfake-Betrugsversuche im Jahresvergleich | 1,300% | Pindrop, 2025 |
| Angriffe mit synthetischer Stimme auf Versicherer | 475% | Pindrop, 2025 |
| Prognostizierte Verluste durch generative-KI-Betrug in den USA bis 2027 | $40 billion | Deloitte, 2024 |
| Anstieg ausgeklügelten Betrugs im Jahresvergleich | 180% | Sumsub, 2025-2026 |
| Deepfakes als Anteil der wichtigsten Erstpartei-Betrugsschemata | 11% | Sumsub, 2025-2026 |
| Verlust durch einen einzigen Deepfake-CFO-Videoanruf (Arup) | $25 million | CNN, 2024 |
| Unternehmen, die bis 2026 eigenständiger Identitätsprüfung misstrauen werden | 30% | Gartner, 2024 |
Kontext: Gartners Zahl von 62% stammt aus einer Umfrage vom September 2025 unter 302 Cybersicherheitsverantwortlichen in Nordamerika, EMEA und Asien-Pazifik; 32% derselben Gruppe berichteten zudem von Angriffen auf ihre KI-Anwendungen.
5. Der Erkennungsmarkt und Wohin das Geld Fließt
Jede oben genannte Genauigkeitslücke ist ein Posten in einem schnell wachsenden Budget. Die Schätzungen variieren je nach Definition stark - reine Erkennungstools versus den breiteren Deepfake-Technologie-Stack -, aber die Richtung ist einhellig. Market.us beziffert den Markt für Deepfake-Erkennung 2024 auf $114.3 million, mit einem Anstieg auf $5.6 billion bis 2034 bei einer CAGR von 47.6%, eine der steilsten Wachstumsraten im Bereich Cybersicherheit. Nordamerika entfielen 2024 auf 42.6% dieser Ausgaben, und die Video- und Bilderkennung machte zwei Drittel des Tooling-Umsatzes aus - ein Missverhältnis, das man im Auge behalten sollte, da das schärfste Betrugswachstum im Sprachkanal stattfindet.
| Kennzahl | Wert | Quelle |
|---|---|---|
| Markt für Deepfake-Erkennung (2024) | $114.3 million | Market.us, 2025 |
| Markt für Deepfake-Erkennung (2034) | $5.6 billion | Market.us, 2025 |
| CAGR des Markts für Deepfake-Erkennung (2025-2034) | 47.6% | Market.us, 2025 |
| Anteil Nordamerikas am Erkennungsmarkt (2024) | 42.6% | Market.us, 2025 |
| Anteil des Segments Video- und Bilderkennung (2024) | 66.7% | Market.us, 2025 |
| Deepfake-KI-Markt bis 2031 (MarketsandMarkets) | $7.27 billion | MarketsandMarkets, 2025 |
| Breiterer Markt für Deepfake-Technologie bis 2034 | $51.42 billion | Fortune Business Insights, 2025 |
Hinweis zur Abweichung: Die Prognosen unterscheiden sich je nach Umfang um eine Größenordnung. Market.us misst ausschließlich Erkennungstools, MarketsandMarkets erfasst den gesamten Deepfake-KI-Markt ($0.85 billion im Jahr 2025), und Fortune Business Insights zählt den breitesten Markt aus Erzeugungs- plus Erkennungstechnologie - jede Zahl sollte anhand ihrer eigenen Definition gelesen werden, nicht im Vergleich zu den anderen.
6. Kennzeichnungsgesetze und Wasserzeichen-Adoption
Die Regulierung verlagert die Last vorgelagert - vom nachträglichen Aufspüren von Fälschungen hin zur Kennzeichnung synthetischer Medien bereits bei der Erstellung. Die Transparenzregeln aus Artikel 50 des EU AI Act - die eine Kennzeichnung von Deepfakes auch ohne Täuschungsabsicht verlangen - gelten ab dem 2 August 2026, mit Strafen von bis zu EUR 15 million oder 3% des weltweiten Umsatzes. Chinas Kennzeichnungsmaßnahmen für synthetische Inhalte traten bereits im September 2025 in Kraft. Dennoch hinkt die Compliance-Tooling dem Gesetz deutlich hinterher: Eine Prüfung von 50 KI-Bildgeneratoren aus dem Jahr 2025 ergab, dass die meisten ohne die Kennzeichnung ausgeliefert werden, die die Vorschriften bald verlangen werden. Einwilligungsbasierte Provenienz - bei der eine Person Medien, die aus dem eigenen Sprachmodell erstellt wurden, absichtlich kennzeichnet - ist die kooperative Seite desselben Problems, das Detektoren adversarial lösen.
| Kennzahl | Wert | Quelle |
|---|---|---|
| KI-Bildgeneratoren mit angemessener Wasserzeichenkennzeichnung | 38% | Rijsbosch et al., 2025 |
| KI-Bildgeneratoren mit Deepfake-Kennzeichnung | 18% | Rijsbosch et al., 2025 |
| Für die Studie geprüfte KI-Bildgeneratoren | 50 | Rijsbosch et al., 2025 |
| Anwendungsdatum von Artikel 50 des EU AI Act | 2 August 2026 | EU AI Act |
| Maximale Transparenzstrafe des EU AI Act | EUR 15M or 3% turnover | EU AI Act |
| Datum des Inkrafttretens der Kennzeichnung synthetischer Inhalte in China | 1 September 2025 | China CAC, 2025 |
| Von Pindrop zum Training der Erkennung genutzte TTS-/Voice-Cloning-Systeme | 120+ | FTC Voice Cloning Challenge, 2024 |
Ausreißer: Dieselbe Studie warnt, dass die Wasserzeichenkennzeichnung von Audio, Video und Text noch schwieriger umzusetzen sein wird als die gemessene Bildkennzeichnung - die 38%-Zahl ist daher wahrscheinlich eine optimistische Obergrenze für die Modalitäten, die am häufigsten bei Sprach-Betrug verwendet werden.
Zusammenfassung: Deepfake-Erkennung in Zahlen
| Kennzahl | Wert | Quelle |
|---|---|---|
| Durchschnittliche menschliche Erkennungsgenauigkeit (56 Studien) | 55.5% | Diel et al., 2024 |
| Menschliche Genauigkeit bei Audio-Deepfakes | 62.1% | Diel et al., 2024 |
| Verbraucher, die alle echten und gefälschten Clips erkannten | 0.1% | iProov, 2025 |
| Menschen, die ihre Erkennungsfähigkeit überschätzten | 60%+ | iProov, 2025 |
| Genauigkeit des besten Audio-Detektors (Benchmark 2026) | 98.1% | Resemble AI, 2026 |
| Genauigkeitsspanne von Open-Source-Detektoren | 48-63% | Resemble AI, 2026 |
| Genauigkeit von Pindrop bei bekannten Engines (2s Sprache) | 99% | Pindrop, 2024 |
| Genauigkeitsverlust des Detektors bei verschlechterten Praxisdaten | up to 50% | RedFace, arXiv 2025 |
| Falsch-positiv-Rate von Reality Defender bei echten Stimmen | 53.7% | Resemble AI, 2026 |
| Unternehmen, die von einem Deepfake-Angriff betroffen waren (12 Monate) | 62% | Gartner, 2025 |
| Anstieg der Deepfake-Betrugsversuche im Jahresvergleich | 1,300% | Pindrop, 2025 |
| Anstieg ausgeklügelten Betrugs im Jahresvergleich | 180% | Sumsub, 2025-2026 |
| Prognostizierte Verluste durch generative-KI-Betrug in den USA bis 2027 | $40 billion | Deloitte, 2024 |
| Verlust durch den Arup-Deepfake-CFO-Betrug | $25 million | CNN, 2024 |
| Unternehmen, die bis 2026 eigenständiger Identitätsprüfung misstrauen werden | 30% | Gartner, 2024 |
| Markt für Deepfake-Erkennung bis 2034 | $5.6 billion | Market.us, 2025 |
| CAGR des Markts für Deepfake-Erkennung | 47.6% | Market.us, 2025 |
| KI-Bildgeneratoren mit angemessener Wasserzeichenkennzeichnung | 38% | Rijsbosch et al., 2025 |
| Anwendungsdatum von Artikel 50 des EU AI Act | 2 August 2026 | EU AI Act |
Methodik und Quellen
Die Daten wurden durch die Zusammenführung von Primärberichten, peer-reviewten Studien und Preprints, benannten öffentlichen Benchmarks, staatlichen und regulatorischen Quellen sowie Anbieteroffenlegungen mit veröffentlichter Methodik erhoben, wobei Markt- und Betrugszahlen über mehrere Quellen hinweg abgeglichen und Abweichungen im Text gekennzeichnet wurden. Jede Statistik hier wurde während der Recherche gegen die zitierte Quelle geprüft; wenn die beste verfügbare Zahl vor 2025 liegt, ist ihr Jahr angegeben.
- iProov - Verbraucherstudie zur Deepfake Detection, 2025 (Pressemitteilung)
- Diel, A. et al. - Human performance in detecting deepfakes: a systematic review and meta-analysis of 56 papers, 2024 (ScienceDirect)
- Resemble AI / Podonos - Audio Deepfake Detection Benchmark, 2026 (Bericht)
- Pindrop - 2025 Voice Intelligence and Security Report (Bericht) und Pindrop Pulse detection (Übersicht)
- ASVspoof 5 Challenge - Bewertung von Audio-Anti-Spoofing, 2024
- RedFace real-world forgery dataset - arXiv, 2025 (Paper)
- Gartner - Umfrage unter Cybersicherheitsverantwortlichen, September 2025 (via Infosecurity Magazine); und Vorhersage von 30% bis 2026 zur Identitätsprüfung, 2024 (Pressemitteilung)
- Deloitte Center for Financial Services - Prognose zu generativer-KI-Betrug, 2024 (Insight)
- Sumsub - Identity Fraud Report 2025-2026 (Newsroom)
- Arup-Deepfake-CFO-Betrug - Hongkonger Polizei via CNN, 2024 (Bericht)
- Market.us - Bericht Deepfake Detection Market, 2025 (Bericht)
- MarketsandMarkets - Bericht Deepfake AI Market, 2025 (Pressemitteilung)
- Fortune Business Insights - Bericht Deepfake Technology Market, 2025 (Bericht)
- Rijsbosch, B. et al. - Missing the Mark: watermarking adoption under the EU AI Act, 2025 (arXiv)
- EU AI Act - Transparenzpflichten aus Artikel 50 (Text)
- FTC - Gewinner des Voice Cloning Challenge, 2024 (Pressemitteilung)
- China Cyberspace Administration - Kennzeichnungsmaßnahmen für synthetische Inhalte, 2025
Data watch: Mehrere zitierte Quellen aktualisieren sich in jährlichen Zyklen - der Voice Intelligence and Security Report von Pindrop erscheint typischerweise zur Jahresmitte, der Identity Fraud Report von Sumsub wird gegen Jahresende veröffentlicht, und Gartner legt seine Umfrage unter Sicherheitsverantwortlichen sowie seine Prognosen zur Identitätsprüfung jährlich neu auf; der Audio-Benchmark von Resemble AI / Podonos und NIST-nahe Bewertungen werden aktualisiert, sobald neue Voice-Cloning-Engines erscheinen, und die Transparenzpflichten des EU AI Act werden ab dem 2 August 2026 durchsetzbar, was neue Audits zur Wasserzeichen-Compliance auslösen wird.
Zuletzt aktualisiert: 9. Juli 2026. Wir überprüfen und aktualisieren diese Seite vierteljährlich, sobald neue Daten veröffentlicht werden.