Deepfake-as-a-Service: Was der Untergrundmarkt für Unternehmen verändert

Deepfakes sind bis zu 400× günstiger als 2020 und täuschen Menschen laut Drittstudien in 55 % der Fälle. Analyse des DFaaS-Markts und der Risiken für Unternehmen.

Das Dark Web verkauft einsatzbereite Deepfakes: Kann Ihr Unternehmen sie noch erkennen?

Einleitung

Ein Compliance-Verantwortlicher erhält ein Video eines Entscheiders mit der Bitte um eine dringende Freigabe. Das Gesicht ist vertraut, die Stimme auch. Die Anfrage wirkt stimmig zu einer laufenden Operation. Wenige Minuten später wird eine finanzielle Überweisung ausgelöst. Das Problem zeigt sich erst im Nachhinein: Die Person auf dem Bildschirm hat nie an dem Anruf teilgenommen.

Die Größenordnung des kriminellen Deepfake-Marktes

Die Entwicklung von deepfakeSynthetisches Medium, das durch künstliche Intelligenz erzeugt oder verändert wurde, um eine reale Person in einem Bild, Video oder einer Audioaufnahme zu imitieren. ist kein Randphänomen mehr. Es ist inzwischen eine strukturierte Ökonomie.

Das heute dominierende Modell heißt Deepfakes-as-a-Service. Das bedeutet, dass Betrüger Deepfake-Erstellungstools kaufen oder mieten können, ohne besondere technische Fähigkeiten zu besitzen.

In der Praxis ist die Eintrittsbarriere kollabiert.

Laut einer Kaspersky-Veröffentlichung aus dem Jahr 2025 wäre der Produktionspreis eines Deepfakes zwischen 2020 und 2025 um etwa den Faktor 400 gesunken. [Kaspersky — Deepfake services are now 400 times cheaper (2025)]

Laut Daten aus spezialisierten Cybersicherheitsplattformen könnte ein Stimmklon, der für Telefonbetrug nutzbar ist, auf bestimmten Untergrundplattformen für 1 bis 30 US-Dollar erzeugt werden. [DeepStrike — Deepfake Statistics 2025 (2025)]

Außerdem liegt laut einer 2025 veröffentlichten Studie der James Cook University die durchschnittliche menschliche Trefferquote beim Unterscheiden eines Deepfakes von realen Inhalten bei etwa 55 % — also nur knapp über Zufall. Diese Zahlen stammen aus Drittstudien und stellen keine Validierung der Leistungsfähigkeit unserer eigenen Tools dar. [James Cook University — Human Performance in Deepfake Detection (2025)]

Für Unternehmen ist die Konsequenz direkt: Ausgereifter Betrug wird billig und industrialisierbar.

Warum Unternehmen zu bevorzugten Zielen werden

Die massive Digitalisierung von Identitätsprozessen

Unternehmen stützen sich zunehmend auf digitale Identifikationsverfahren wie KYCKnow Your Customer: regulatorischer Prozess, den Finanzinstitute nutzen, um die Identität ihrer Kunden zu verifizieren und Betrug sowie Geldwäsche zu verhindern.. Diese automatisierten Prozesse beschleunigen Kontoeröffnungen oder das Kunden-Onboarding.

Sie schaffen jedoch auch eine Angriffsfläche: gefälschte Dokumente, manipulierte Videos und synthetische Identitäten.

Social Engineering, verstärkt durch KI

Deepfakes können bereits bekannte Angriffe verstärken, zum Beispiel:

• CEO-Betrug
• Telefonbetrug
• betrügerische Freigabe einer Zahlung
• Zugriff auf interne Systeme

In diesen Szenarien dienen Bild und Stimme als scheinbarer Echtheitsbeweis.

Die Konvergenz von Dokumentenbetrug und generativer KI

Dark-Web-Märkte bieten inzwischen synthetische Identitätspakete an, die gefälschte Ausweisdokumente, KI-generierte Fotos, Sprachproben und Videos zur biometrischen Verifikation kombinieren. Diese Kombination macht Betrug mit klassischen Kontrollen schwerer erkennbar.

Warum aktuelle Abwehrmaßnahmen scheitern

Die meisten Organisationen setzen weiterhin auf zwei Schutzarten: menschliche Prüfung und Dokumentenerkennungstools. Diese Ansätze haben strukturelle Grenzen.

Menschliche Analyse ist langsam und anfällig für kognitive Verzerrungen. Wenn eine Anfrage scheinbar von einer Führungskraft oder einem bekannten Partner kommt, aktiviert das Gehirn, was Psychologen den Wahrheitsbias nennen: die Tendenz, dem zu glauben, was man sieht.

Auch traditionelle Technologien haben Schwächen. Dokumentenerkennungssysteme oder OCROptical Character Recognition: Technologie zur automatischen Textextraktion aus einem gescannten Dokument.-Engines prüfen oft nur, ob Informationen vorhanden sind — nicht, ob sie authentisch sind. Ein moderner Deepfake kann jedoch die Optik eines Dokuments oder Gesichts perfekt nachbilden.

5 konkrete Anzeichen für ein gefälschtes Dokument

Selbst ausgefeilte Fälschungen können Spuren hinterlassen. Hier sind fünf Anomalien, die von Experten für digitale Forensik häufig beobachtet werden:

• Licht-Inkonsistenzen — Schatten oder Reflexionen passen nicht zur Umgebung des Dokuments.
• Künstliche Hauttexturen — KI-generierte Gesichter zeigen manchmal unregelmäßige Texturübergänge.
• Inkonsistente Metadaten — Die Datei zeigt eine Änderungshistorie, die nicht zum Dokumentdatum passt.
• Unpassende Typografie — Einige Zeichen stammen aus Schriftarten, die in offiziellen Dokumenten nicht existieren.
• Anomale Bildkompression — Veränderte Bereiche weisen unterschiedliche digitale Signaturen auf.

Diese Anomalien sind oft mit bloßem Auge nicht sichtbar, können aber von KI-Modellen erkannt werden.

Illustratives Szenario: Betrugsversuch beim Bank-Onboarding

Dieses Szenario ist vollständig fiktiv und dient ausschließlich der Illustration. Es beschreibt keinen realen Kundenfall. Es soll verdeutlichen, welche Arten von Angriffen forensische Analysetechnologien erkennen sollen.

1 — Kontext

Eine europäische Retailbank bietet eine vollständig digitale Kontoeröffnung an. Ein neuer Kunde übermittelt einen Ausweis und einen Adressnachweis im Rahmen des onboardingProzess der Aufnahme eines neuen Kunden oder Nutzers in ein System oder einen Service.-Prozesses. Die Dokumente wirken korrekt, das Video-Selfie wird bestätigt. Der Antrag steht kurz vor der Annahme.

2 — Was eine forensische Analyselösung erkennen kann

In einem solchen Szenario ist eine forensische Lösung darauf ausgelegt, Anomalien zu erkennen, etwa:

• Ein Face-Swap auf dem Dokumentfoto (Gesicht durch ein KI-generiertes Gesicht ersetzt)
• Metadaten-Inkonsistenzen, die die Nutzung einer Retusche-Software nahelegen
• Eine Adresse, die bereits mit bekannten Betrugsfällen verknüpft ist

3 — Mögliche Maßnahmen bei Erkennung

Werden Anomalien erkannt, kann das System je nach Konfiguration die Kontoaktivierung automatisch blockieren, eine Warnung an das Compliance-Team und den MLROMoney Laundering Reporting Officer: Verantwortlicher für Compliance und Geldwäscheprävention in einer Organisation. auslösen und den Vorgang zur manuellen Prüfung weiterleiten.

4 — Vergleich der Situationen

Reale Ergebnisse können je nach Konfigurationen, Use Cases und Spezifika jeder Organisation variieren.

Diese Art von Angriff entspricht dem, was Behörden als synthetischen Identitätsbetrug beschreiben — ein von mehreren Stellen zur Bekämpfung von Finanzkriminalität dokumentiertes Phänomen.

DeepForgery-Erkennung: drei Analyseebenen

Ebene 1 — Analyse des visuellen Signals

Jedes Bild enthält eine unsichtbare mathematische Struktur. Wird ein Element verändert, kann sich diese Struktur ändern. Die DeepForgery-Engine ist dafür konzipiert, diese Variationen zu analysieren — wie ein medizinischer Scanner, der nach Anomalien in Gewebe sucht.

Ebene 2 — Analyse der Dateistruktur

Eine digitale Datei enthält eine technische Historie. Die Engine untersucht unter anderem die Reihenfolge der Änderungen, potenziell verwendete Tools, technische Metadaten und Bildebenen. Diese Analyse kann Manipulationen sichtbar machen, die im Endbild unsichtbar sind.

Ebene 3 — Analyse logischer Kohärenz

Das System kann Informationen mit Referenzdatenbanken abgleichen, zum Beispiel um eine Adresse zu identifizieren, die bereits mit Betrug in Verbindung steht, eine Inkonsistenz zwischen Dokument und Kundenprofil zu erkennen oder ein bereits beobachtetes Betrugsmuster wiederzuerkennen.

DeepForgery Media und DeepForgery Documents

DeepForgery Documents ist darauf ausgelegt, die Authentizität digitaler Dateien und Dokumente zu analysieren. DeepForgery Media ist darauf ausgelegt, Manipulationen in Bildern, Videos und Audioaufnahmen zu erkennen. Beide Technologien können zusammenarbeiten, um unterschiedliche Betrugsvektoren rund um digitale Identitäten abzudecken.

FAQ

Können DeepForgery-Systeme unterschiedliche Dokumenttypen analysieren?

Die Engines sind für die Analyse mehrerer Formate ausgelegt: Bilder, PDFs, Videos oder Audioaufnahmen. Sie können verwendet werden, um Fälschungen in Ausweisdokumenten, administrativen Nachweisen oder Medien zu erkennen, die in einem Authentifizierungsprozess genutzt werden. Die tatsächlichen Fähigkeiten hängen von Konfigurationen und spezifischen Use Cases ab.

Worin unterscheidet sich dieser Ansatz von einfachem OCR oder verstärkter manueller Prüfung?

Eine OCR-Engine liest den Text eines Dokuments. Sie prüft nicht, ob dieses Dokument authentisch ist. Forensische Erkennung analysiert die visuelle und technische Struktur der Datei, um potenziell unsichtbare Manipulationen zu finden. Sie ersetzt nicht menschliches Urteil, kann es aber ergänzen.

Stört die Integration bestehende Prozesse?

Die Engines sind so konzipiert, dass sie sich in bestehende Identitätsprüf- oder Onboarding-Flows integrieren. Sie analysieren Dokumente im Hintergrund und liefern einen Risiko-Score zurück. Die genaue Integrationsform hängt vom jeweiligen technischen Umfeld ab.

Was Teams konkret gewinnen können

• Automatisierte Analyse von Dokumenten und Medien auf Fälschungssignale
• Potenzieller Beitrag zur Reduzierung des Risikos von Dokumentenbetrug
• Erzeugung technischer Belege, die in regulatorischen Audits nutzbar sind
• Schnelle Analyse, kompatibel mit großskaligen Prozessen

Konkrete Vorteile hängen vom Rollout-Kontext, der Konfiguration und den Use Cases jeder Organisation ab.

Fazit

Deepfakes sind keine technologische Kuriosität mehr. Sie bilden heute eine zugängliche kriminelle Infrastruktur, die synthetische Identitäten und Medien zu sehr niedrigen Kosten erzeugen kann.

Gleichzeitig verlangen Finanz- und Datenschutzregulierungen immer strengere Identitätskontrollen. Organisationen haben ein Interesse daran, Mechanismen einzusetzen, die die Erkennung von Dokumentenbetrug stärken.

Wird ein gefälschtes Dokument frühzeitig identifiziert, führt es weder zu regulatorischen Untersuchungen noch zu finanziellen Verlusten oder einer Vertrauenskrise. Es wird schlicht aus dem Prozess entfernt.

Lesen Sie auch