Når man i dag opretter en konto online, tegner en forsikring eller får adgang til følsomme data, bekræfter man i stigende grad sin identitet digitalt. Det gør mange processer hurtigere, mere bekvemme og mere tilgængelige. Samtidig opstår der dog en ny udfordring: Hvad sker der, hvis ansigter og videoer kan forfalskes, så de fremstår overbevisende ægte ved hjælp af KI?
Det er netop her, deepfakes kommer ind i billedet. Teknologien udvikler sig hurtigt og gør det stadig lettere at skabe realistisk udseende videoer af en person ud fra få billeder. Det, der først kan virke som et problem for sociale medier eller politisk kommunikation, er for længst også blevet relevant for digitale identitetsprocesser. For når svindlere kombinerer et stjålet identitetsdokument med en KI-genereret video, kommer klassiske identitetskontroller under pres.
Det vigtigste kort fortalt
- Deepfakes udvikler sig i stigende grad til en reel trussel mod digitale identiteter.
- Et stjålet ID i kombination med en KI-genereret video kan i væsentlig grad gøre identitetssvindel lettere.
- Udfordringen ved digitale identitetskontroller består i dag ikke kun i at fastslå, hvem en person er, men også i, om de fremlagte billed- og videodata er ægte.
- Der findes ikke én enkelt mekanisme til pålideligt at opdage alle deepfakes. Effektiv beskyttelse opnås gennem flere koordinerede sikkerhedsforanstaltninger.
- Målet med moderne identitetsverificeringsprocedurer er at gøre identitetssvindel teknisk så ressourcekrævende, at angreb i praksis ikke længere kan skaleres.
Indholdsfortegnelse
Når biometrisk identifikation møder deepfakes
Moderne identitetsverificeringsprocedurer sammenholder som regel et identitetsdokument med en live-optagelse af personen. De underliggende biometriske metoder arbejder meget præcist. Den egentlige udfordring ligger derfor i dag ofte ikke i biometrien i sig selv, men i spørgsmålet om, hvorvidt den viste optagelse faktisk er ægte.
Et realistisk angrebsscenarie: Kriminelle har et stjålet ID og bruger desuden et foto af den berørte person, f.eks. fra sociale netværk. Ved hjælp af kunstig intelligens skabes der en video, som indgår som en påstået live-optagelse i en identifikationsproces med det formål at udgive sig for at være en anden.
Dermed ændrer sikkerhedsspørgsmålet sig grundlæggende. Det er ikke længere nok at fastslå, om ansigtet passer til ID’et. Systemer skal også kunne genkende, om det viste ansigt overhovedet er ægte.
Deepfakes flytter grænserne for digital identitetskontrol
Digital identitetskontrol byggede længe på et enkelt princip: Passer personen til ID’et? I deepfakes’ tidsalder ændrer kravene sig. Ud over selve identiteten skal ægtheden af de fremlagte billed- og videodata også kontrolleres. For selv et tilsyneladende autentisk ansigt foran kameraet kan i dag være kunstigt skabt.
Et ansigt, der virker autentisk, naturlige hovedbevægelser eller en tilsyneladende spontan selfie er for længst ikke længere tilstrækkeligt som tillidsbevis. Med mulighederne i generativ KI udviskes grænsen mellem ægte og kunstigt skabt identitet i stigende grad.
Det betyder dog ikke, at digitale identiteter bliver usikrere. Tværtimod: Jo lettere digitale forfalskninger bliver, desto vigtigere bliver metoder, der pålideligt kan dokumentere en persons ægthed. Deepfakes gør ikke digital identitetskontrol overflødig. De gør den mere nødvendig end nogensinde.

Tillid kræver flere beskyttelseslag
Som ved mange sikkerhedsspørgsmål findes der heller ikke ved deepfakes én enkelt foranstaltning, der pålideligt stopper enhver trussel. I stedet bygger moderne identitetskontroller på flere indbyrdes forbundne beskyttelsesmekanismer. Hvert ekstra lag hæver barrieren for angribere og gør det sværere at gennemføre svindelforsøg.
Afgørende er samspillet mellem forskellige teknologier og procedurer. De skal opdage manipulationer så tidligt som muligt, gøre angrebsforsøg vanskeligere og øge indsatsen for svindlere så meget, at identitetssvindel ikke længere kan betale sig økonomisk.
De fire søjler i deepfake-beskyttelse
1. Specialiseret deepfake-detektion:
Moderne detektionssystemer analyserer billed- og videodata for typiske spor af manipulation og identificerer afvigelser, der kan pege på syntetisk skabt indhold. De udgør den første forsvarslinje mod deepfake-angreb.
2. Randomiserede live-challenges:
Spontane opgaver under identifikationen, f.eks. bestemte hovedbevægelser eller interaktioner, gør det markant sværere at anvende forberedte deepfakes med succes. Samtidig øger de kravene til mulige manipulationer i realtid.
3. Begrænsning af angrebsforsøg:
Hvis svindelforsøg opdages, kan enheder, forbindelser eller identitetskendetegn midlertidigt blokeres. Det forhindrer, at angribere analyserer og optimerer et system gennem gentagne testkørsler.
4. Sikring af optagelses- og datavejen:
Yderligere sikkerhedsmekanismer kontrollerer, hvordan billed- og videodata kommer ind i identifikationsprocessen. På den måde kan man opdage, om indhold er blevet indført via skærme, manipuleret software eller andre tekniske omveje.
