Rok 2025 przyniósł gwałtowny skok w jakości generowanych przez sztuczną inteligencję treści. Twarze, głosy, a nawet pełne performanse wideo imitujące prawdziwe osoby osiągnęły realizm, który przerósł oczekiwania wielu specjalistów. Jak wskazuje profesor Siwei Lyu, badacz mediów syntetycznych z University at Buffalo, ten trend nie zwolni. Jego zdaniem, to właśnie rok 2026 może być momentem, w którym deepfake’i staną się powszechnie nie do odróżnienia, a ich wykorzystanie do celów dezinformacyjnych lub przestępczych wejdzie na nowy, niebezpieczny poziom.
Dramatyczny skok jakości i skali
Postęp w dziedzinie syntetycznych mediów nie dotyczy wyłącznie ich wyglądu. Eksperci obserwują potężną eksplozję zarówno pod względem realizmu, jak i ogromnej, rosnącej liczby takich treści. To połączenie stwarza bezprecedensowe wyzwania dla społeczeństwa i systemów weryfikacji.
Niespotykany realizm wideo i głosu
Kluczową zmianę umożliwiły nowe modele generacji wideo, zaprojektowane specjalnie z myślą o spójności czasowej. Dzięki oddzieleniu informacji o tożsamości osoby od danych dotyczących ruchu, algorytmy potrafią teraz tworzyć sekwencje filmowe o płynnej, logicznej akcji. Zniknęły charakterystyczne artefakty, takie jak migotanie, zniekształcenia wokół oczu czy linii żuchwy, które wcześniej stanowiły wyraźne sygnały fałszerstwa. Dla przeciętnego widza, oglądającego materiał w niskiej rozdzielczości na platformie społecznościowej lub podczas wideorozmowy, różnica stała się niemal niezauważalna.
Klonowanie głosu przekracza próg wiarygodności
Równoległy przełom nastąpił w dziedzinie syntezy mowy. Jak ocenia profesor Lyu, technologia klonowania głosu przekroczyła już „próg nierozróżnialności”. Obecnie do stworzenia przekonującej kopii wystarczy zaledwie kilka sekund nagrania docelowej osoby. Wygenerowany głos brzmi naturalnie, z odpowiednią intonacją, rytmem, emocjami, a nawet oddechem. Ta zdolność jest już masowo wykorzystywana przez oszustów – niektóre duże firmy detaliczne zgłaszają nawet ponad tysiąc fałszywych połączeń głosowych generowanych przez AI dziennie.
Demokratyzacja tworzenia deepfake’ów
Tworzenie zaawansowanych, spójnych narracji audiowizualnych przestało być domeną wąskiej grupy specjalistów. Dzięki ulepszonym narzędziom konsumenckim, takim jak Sora 2 od OpenAI czy Veo 3 od Google, oraz wielu startupom, techniczna bariera wejścia spadła praktycznie do zera. Każdy może opisać pomysł, poprosić duży model językowy (LLM) o napisanie scenariusza i wygenerować dopracowany materiał w ciągu minut. Proces ten można w pełni zautomatyzować za pomocą agentów AI.
Połączenie rosnącej ilości i person niemal nieodróżnialnych od prawdziwych ludzi stwarza poważne wyzwania dla wykrywania deepfake’ów, zwłaszcza w środowisku medialnym, gdzie uwaga ludzi jest rozproszona, a treści rozprzestrzeniają się szybciej, niż można je zweryfikować.
Przyszłość to synteza w czasie rzeczywistym
Obecna trajektoria rozwoju wyraźnie wskazuje, że granicą, która zostanie przekroczona w najbliższej przyszłości, jest generowanie treści na żywo. Deepfake’i ewoluują od statycznych, wcześniej renderowanych klipów w kierunku interaktywnych, responsywnych systemów.
Interaktywne awatary i uczestnicy wideokonferencji
Nadchodzące modele będą koncentrować się na spójności temporalnej i behawioralnej. Oznacza to tworzenie systemów, które nie tylko pokazują, jak ktoś wygląda, ale także jak się porusza, mówi i zachowuje w różnych kontekstach. Rezultatem będzie syntetyczny byt, który nie tyle „przypomina osobę X”, ale „zachowuje się jak osoba X w czasie”. Badacze spodziewają się pojawienia syntetyzowanych w czasie rzeczywistym uczestników rozmów wideo oraz interaktywnych, sterowanych AI aktorów, których mimika, głos i manieryzmy będą się natychmiast adaptować do podpowiedzi. Scamerzy zamiast odtwarzać gotowe filmy, będą mogli rozmawiać z ofiarami za pośrednictwem responsywnych awatarów.
Konieczność infrastrukturalnych rozwiązań obronnych
W miarę jak te zdolności dojrzewają, percepcyjna luka między mediami syntetycznymi a autentycznymi ludzkimi nagraniami będzie się dalej zacierać. Poleganie na ludzkim oku i uchu jako głównej linii obrony stanie się niewystarczające. Profesor Lyu podkreśla, że sensowna ochrona musi przenieść się na poziom infrastruktury. Kluczowe staną się takie mechanizmy, jak bezpieczne śledzenie pochodzenia treści (provenance) z wykorzystaniem podpisów kryptograficznych, narzędzia zgodne ze specyfikacjami Koalicji na rzecz Pochodzenia i Autentyczności Treści (C2PA), czy wielomodalne narzędzia forensic, takie jak Deepfake-o-Meter opracowany w jego laboratorium.
Po prostu wytężone wpatrywanie się w piksele już nie wystarczy.
Wyzwania i realne szkody już dziś
Eksplozja deepfake’ów nie jest jedynie futurystycznym scenariuszem. Już teraz obserwujemy realne szkody, które powodują. Są one wykorzystywane do szerzenia dezinformacji, celowego nękania osób oraz wyrafinowanych oszustw finansowych. Głównym problemem jest tempo rozprzestrzeniania się takich treści – często rozchodzą się one w sieci i wyrządzają szkody, zanim ktokolwiek zdąży zorientować się, że mają do czynienia z fałszywką. Firmy zajmujące się cyberbezpieczeństwem, jak DeepStrike, szacują, że liczba deepfake’ów online wzrosła z około 500 tysięcy w 2023 roku do około 8 milionów w 2025, co oznacza wzrost na poziomie blisko 900% rocznie.
Podsumowując, nadchodzący rok 2026 ma być punktem zwrotnym, w którym syntetyczne media staną się nie tylko powszechne, ale i niezwykle trudne do identyfikacji na podstawie samej obserwacji. Odpowiedzią na to wyzwanie nie może być apel o większą czujność użytkowników, lecz systemowe wdrożenie technologii weryfikujących autentyczność treści u ich źródła. Przyszłość walki z dezinformacją i oszustwami leży w technicznej infrastrukturze zaufania, a nie w ludzkiej percepcji.
