Wat is een Deepfake?

Door Peter & AI·Laatst herzien: mei 2026

01In één alinea

Tot 2017 was video een relatief betrouwbare bron: wat je zag, was er. Met de opkomst van deep learning werd dat fundamentele uitgangspunt ondermijnd. Een Reddit-gebruiker met de naam “deepfakes” demonstreerde in dat jaar hoe een neuraal netwerk gezichten in pornografische video’s kon vervangen door die van beroemdheden. De technologie verspreidde zich snel, de tools werden toegankelijker, en in 2026 hebben we het stadium bereikt waar een gewone consument met een laptop en open-source software een overtuigende deepfake kan maken in minuten. Dat heeft gevolgen op meerdere lagen: epistemisch (wat kunnen we nog geloven?), juridisch (wie is verantwoordelijk?), maatschappelijk (hoe beschermen we slachtoffers?) en politiek (verkiezingen, propaganda). De technologie is niet inherent slecht — ze wordt ook ingezet voor filmproductie, taalvertaling en toegankelijkheid — maar de schaal en gemak waarmee schadelijk gebruik nu mogelijk is, vraagt om een doordachte respons.

02Voor de strateeg

Deepfakes zijn geen tech-curiositeit meer maar een risicofactor in elke organisatie. Drie strategische dimensies.

03Technisch diep

Deepfakes zijn een familie van technieken, niet één enkele technologie. Voor begrip van het fenomeen is technische context onmisbaar.

De technische oorsprong: GANs. De eerste generatie deepfakes draaide op Generative Adversarial Networks — een architectuur uit 2014 (Ian Goodfellow) waarin twee neurale netwerken tegen elkaar werken. De generator produceert nepcontent, de discriminator beoordeelt of het echt of nep is. Door elkaar te trainen wordt de generator steeds beter in misleiding en de discriminator steeds beter in detectie — tot de generator wint en de output overtuigend wordt. Klassieke face-swap-tools zoals DeepFaceLab werken nog steeds op dit principe.

De diffusion-revolutie. Sinds 2022 zijn diffusion-modellen (de architectuur achter Stable Diffusion, Midjourney, Sora) de nieuwe standaard. In plaats van adversarial training werken deze modellen door geleidelijk ruis uit een afbeelding of video te verwijderen tot een doelgericht resultaat ontstaat. Voor video is dit een doorbraak: waar GAN-deepfakes vaak inconsistenties tussen frames vertoonden, leveren diffusion-modellen veel stabielere bewegingen. Veo 3.1 (Google), Sora (OpenAI) en Runway Gen-4 zijn voorbeelden van professionele tools die voor legitieme doelen worden ingezet maar ook deepfake-misbruik mogelijk maken.

Audio-deepfakes: gekloonde stemmen. Tools als ElevenLabs, Resemble.ai en open-source-projecten kunnen sinds 2024 met minder dan 30 seconden audio een overtuigende stem-kloon produceren. Voor legitieme toepassingen (audiobooks, accessibility, dubbing) is dit waardevol; voor fraude en oplichting catastrofaal. CEO-fraude via gekloonde stem groeide in 2024-2025 explosief: een werknemer wordt gebeld door wat lijkt op zijn directeur, met dringend overboekingsverzoek. Het Britse energiebedrijf-incident uit 2019 (een vroeg voorbeeld) is in 2026 niet meer uitzonderlijk.

Lipsync en re-enactment. Twee specifieke technieken die deepfakes geloofwaardiger maken. Lipsync past mondbewegingen aan op gegenereerde audio — iemand die in het Engels spreekt kan plotseling vloeiend Nederlands ogen. Re-enactment neemt de gezichtsuitdrukkingen van een acteur en plakt die op het gezicht van het doelwit. Beide zijn relatief eenvoudig met open-source software en maken een statische foto bruikbaar als basis voor een levendige video.

De drie misbruikcategorieën in 2026. Niet-consensuele intieme content — verreweg de grootste categorie, met overwegend vrouwelijke slachtoffers. Onderzoek van Sensity AI uit 2023 toonde aan dat 96% van online deepfakes pornografisch was; in 2026 zijn aantallen exponentieel toegenomen. Fraude en oplichting — CEO-fraude, romance-scams met gekloonde gezichten en stemmen, valse beleggingsadviezen door “bekende” financieel experts. Politieke en maatschappelijke desinformatie — deepfakes van politici die controversiële uitspraken doen, valse beelden van conflicten, gemanipuleerde “bewijzen” in nieuwsverslag.

Detectie: een wapenwedloop. Tegen elke vooruitgang in deepfake-generatie staat een vooruitgang in detectie — en omgekeerd. Klassieke detectie-methoden keken naar inconsistenties: knipperen van ogen (deepfakes deden dat aanvankelijk niet), schaduwen, reflecties in pupillen, hartritme zichtbaar in huidskleurveranderingen. Naarmate generatoren beter werden, werden deze signalen onbetrouwbaarder. Moderne detectie maakt gebruik van neurale netwerken die op grote datasets van echte en nep content zijn getraind, maar deze detectoren generaliseren slecht naar nieuwe deepfake-modellen die ze nooit hebben gezien. De waarheid in 2026: betrouwbare automatische detectie bestaat niet.

De rol van watermarking en content credentials. Een alternatief voor detectie is herkomst-verificatie. C2PA (Coalition for Content Provenance and Authenticity) is een initiatief van Adobe, Microsoft, BBC en anderen om cryptografische “content credentials” aan media toe te voegen — een soort digitaal paspoort dat aangeeft waar content vandaan komt en hoe het is bewerkt. Camera’s van Nikon, Sony en Leica ondersteunen dit sinds 2024-2025. Het werkt alleen wanneer alle producenten en platforms meedoen — en deepfake-makers het systeem niet kunnen omzeilen. Beide voorwaarden zijn in 2026 nog niet vervuld.

Legitieme toepassingen. Niet alle “deepfake-technologie” is schadelijk. Filmproductie gebruikt face-replacement voor stunts, jongere versies van acteurs (zoals Mark Hamill in The Mandalorian) en post-mortem-rollen met toestemming. Taalvertaling: HeyGen en vergelijkbare tools maken videovertalingen met natuurlijke lipsync mogelijk, wat content toegankelijk maakt voor internationaal publiek. Accessibility: tekst-naar-spraak in iemands eigen stem voor mensen met progressieve spraakaandoeningen. Onderwijs: historische figuren “tot leven brengen” in educatieve context. Het juridische onderscheid tussen schadelijk en legitiem gebruik draait om consent, transparantie en context.

04In de praktijk

Praktische lessen voor wie strategisch met deepfake-risico’s wil omgaan:

Behandel stem niet als bewijs. Een bekende stem is in 2026 geen identificatie meer. Voor financiële transacties, gevoelige besluiten of vertrouwelijke informatie moeten verificatieprotocollen door een ander kanaal lopen. Dit geldt niet alleen voor bedrijven maar ook voor families — kleinkinderen-fraude met gekloonde stemmen is een groeiend probleem.

Investeer in verificatieprocedures voordat ze nodig zijn. Code-woorden binnen het gezin, callback-procedures op interne nummers, vier-ogen-principe voor grote overboekingen. Deze maatregelen werken alleen als ze al staan voordat een aanval plaatsvindt. Achteraf invoeren is mosterd na de maaltijd.

Erken dat detectie geen oplossing is. Geen detectie-tool is betrouwbaar genoeg om automatisch te beslissen of iets echt of nep is. Tools kunnen indicatoren geven, maar definitief oordeel vraagt nog steeds menselijke beoordeling, context en bij voorkeur verificatie via een onafhankelijk kanaal.

Wees voorbereid op besmetting van eigen content. Wanneer foto’s of video’s van bestuurders, woordvoerders of producten online staan, kunnen die als basis dienen voor deepfakes. Volledige bescherming is niet mogelijk, maar een actief communicatieplan voor wanneer een deepfake opduikt — snelle erkenning, transparante uitleg, juridische opvolging — beperkt de schade.

Steun slachtoffers concreet. Wanneer een medewerker slachtoffer wordt van een intieme deepfake, is empathie nodig maar niet voldoende. Concrete ondersteuning betekent: juridische hulp organiseren, contact met platforms voor verwijdering, eventueel media-advies, psychologische ondersteuning. De Nederlandse organisatie Stichting EOKM (Expertisebureau Online Kindermisbruik) ondersteunt bij intieme content; voor volwassenen zijn juridische routes via 1Help.nl en het OM beschikbaar.

05Verwarring vermijden

• Niet hetzelfde als alle AI-gegenereerde content. Een AI-illustratie van een fantasielandschap is geen deepfake. De term wordt specifiek gebruikt voor synthetische content die echte personen, gebeurtenissen of stemmen nabootst — meestal met de bedoeling om de kijker of luisteraar te laten denken dat het echt is.
• Niet hetzelfde als Photoshop of klassieke video-editing. Mediamanipulatie bestaat al decennia. Wat deepfakes onderscheidt is de schaal (toegankelijk voor consumenten), de kwaliteit (vrijwel niet meer met blote oog detecteerbaar) en de generatieve aard (compleet nieuwe scenes in plaats van bewerken van bestaande beelden).
• Niet altijd kwaadaardig. Deepfake-technologie wordt ook ingezet voor legitieme doelen — filmproductie met toestemming, accessibility, taalvertaling, onderwijs. Het onderscheid tussen schadelijk en legitiem gebruik draait om consent (gaf het onderwerp toestemming?), transparantie (weet de kijker dat het AI is?) en context (wat is het doel?).
• Niet hetzelfde als “cheap fakes” of “shallow fakes”. Naast deepfakes bestaan ook simpelere manipulaties: video’s versneld of vertraagd afspelen, uit context plaatsen, foto’s spiegelen. Deze “shallow fakes” zijn paradoxaal vaak effectiever in desinformatie dan technologisch geavanceerde deepfakes — ze zijn makkelijker te maken en minder snel verdacht.
• Niet alleen visueel. Audio-deepfakes (stemklonen) en tekst-deepfakes (door AI gegenereerde “quotes” van bestaande personen) horen ook tot de categorie. In 2026 is audio-deepfake voor fraude minstens zo schadelijk als video, juist omdat mensen telefoongesprekken vaak als directer en betrouwbaarder ervaren.

06Plek in het AIWiser-ecosysteem

Waar dit begrip terugkomt op de rest van de site:

Verwante begrippen

Termen die direct met deepfakes verbonden zijn:

Bronnen

Wetenschappelijke en gezaghebbende bronnen die bij deze definitie geraadpleegd zijn. De volledige onderbouwing en context staat in AI-Publicaties.

• Sensity AI: The State of Deepfakes (jaarlijks rapport) Jaarlijks onderzoek naar de schaal, verspreiding en typering van deepfakes online — toonaangevende bron voor cijfers over misbruikpatronen.
  Onderzoeksrapport · Origineel ↑
• Goodfellow et al. (2014): Generative Adversarial Networks Het oorspronkelijke wetenschappelijke artikel dat GAN-architectuur introduceerde — technische basis van klassieke deepfakes.
  Wetenschappelijk artikel · Origineel ↑
• Coalition for Content Provenance and Authenticity (C2PA) Industrie-initiatief van Adobe, Microsoft, BBC en andere voor cryptografische content credentials — herkomst-verificatie als alternatief voor detectie.
  Standaard · Origineel ↑
• Rijksoverheid: Aanpak online beeldmateriaal zonder toestemming Nederlands beleidskader voor de aanpak van niet-consensuele intieme content, inclusief deepfakes.
  Beleidsdocument · Origineel ↑
• EU AI Act (2024) — Artikel 50: Transparantieverplichting Europese verplichting tot duidelijke markering van AI-gegenereerde of -gemanipuleerde content, in werking sinds augustus 2026.
  Wetgeving · Origineel ↑