Ein einzelnes spektakuläres Deepfake ist leicht zu widerlegen. Schwieriger ist eine Flut kleiner, variierter Videos, die Misstrauen und Erschöpfung erzeugen soll. Genau dieses Muster beschreibt der SPIEGEL-Beitrag über die Untersuchung von Sensity AI.
Mehr als 1.000 Videos und sieben Muster
Die Zahl ist nicht nur eine Behauptung des Videos. Sensity schreibt in seiner eigenen Veröffentlichung, das Threat-Intelligence-Team habe mehr als 1.000 Medienbeispiele analysiert und sieben Kategorien abgeleitet. Dazu gehören vermeintliche Frontberichte, Angriffe auf das Vertrauen in die Führung, Erzählungen unausweichlicher Niederlage, normalisierte Kapitulation, Entwertung von Opfern, Korruptionsvorwürfe und Spott über Mobilmachung.
Was daran unabhängig gestützt wird
Das ukrainische Zentrum zur Bekämpfung von Desinformation dokumentierte bereits 2025 KI-generierte Videos zur Diskreditierung der Streitkräfte. Es beschreibt künstliche Gesichter und Stimmen, wiederkehrende Narrative und eine Verbreitung über soziale Plattformen. Die EU-Außenvertretung beschreibt außerdem mehrschichtige Distributionswege über Kurzvideos, staatsnahe Medien, Telegram-Netzwerke und verbundene Akteure. Damit ist das Grundmuster plattformübergreifender russischer Informationsmanipulation breit belegt.
Wo die Belege Grenzen haben
Sensity ist ein privater Anbieter von Deepfake-Erkennung. Die öffentlich zugängliche Zusammenfassung erklärt Kategorien und Wirkannahmen, veröffentlicht aber nicht den vollständigen Datensatz mit allen Videos, Labels und Einzelfallbegründungen. Außenstehende können deshalb weder jede Zuordnung noch Fehlerquoten vollständig reproduzieren. Auch neuronale Detektoren sind keine unfehlbaren Wahrheitsmaschinen; Ergebnisse brauchen Kontext, Provenienzprüfung und menschliche Analyse.
Ist der beschriebene Verbreitungsweg gesichert?
Der Beitrag nennt TikTok als Testfeld, nach erfolgreicher Anfangsphase Telegram sowie später Blogger und weitere Plattformen. Für solche Kaskaden gibt es passende Fallbeobachtungen, aber kein offengelegtes Protokoll, das diesen Ablauf für jedes der mehr als 1.000 Beispiele beweist. Er sollte als häufig beobachtetes Muster und nicht als starres Schema dargestellt werden.
Warum auch der Westen Ziel ist
Die Narrative sind nicht nur auf ukrainische Soldaten gerichtet. Inhalte über Korruption, sinnlose Opfer oder angeblich aussichtslose Unterstützung können zugleich Menschen erreichen, die westliche Hilfe bereits skeptisch sehen. Das ist eine plausible Zielgruppenanalyse. Ob ein einzelnes Video Einstellungen tatsächlich verändert, lässt sich daraus jedoch nicht automatisch ableiten.
Was „analysiert“ in dieser Studie bedeutet
Die Zahl von mehr als 1.000 Beispielen beschreibt zunächst den von Sensity zusammengestellten Untersuchungsbestand. Sie sagt allein noch nichts darüber aus, wie repräsentativ die Auswahl für alle kursierenden Videos ist. Für eine vollständige Replikation wären Suchbegriffe, Sammelzeitraum, Plattformzugänge, Ausschlussregeln, Dublettenbereinigung und sämtliche Labels nötig. Die öffentliche Sensity-Darstellung erklärt Narrative und Wirkmodell, stellt aber keinen vollständig offenen Datensatz mit Einzelfallbelegen bereit. Die Größenordnung ist deshalb als Anbieterangabe korrekt; eine unabhängige Vollprüfung bleibt begrenzt.
Deepfake, KI-generierter Clip und manipuliertes Video
Die Begriffe sollten nicht gleichgesetzt werden. Ein Deepfake im engeren Sinn imitiert oder verändert eine identifizierbare Person mit synthetischem Bild oder Ton. Ein vollständig erfundener Avatar, eine KI-Stimme über fremdem Material oder ein konventionell geschnittener Clip mit falscher Bildunterschrift können ebenfalls täuschen, sind technisch aber nicht dasselbe. Für die Wirkung einer Kampagne kann diese Abgrenzung zweitrangig sein; für forensische Prüfung und die Behauptung „mehr als 1.000 Deepfakes“ ist sie zentral. Der Artikel spricht daher vorsichtiger von Medienbeispielen und KI-gestützter Desinformation, sofern die technische Klassifikation nicht für jeden Clip offenliegt.
Wie Attribution belastbar wird
Ein russlandfreundliches Narrativ beweist noch keinen russischen Auftraggeber. Stärkere Attribution kombiniert technische Infrastruktur, wiederverwendete Konten, Veröffentlichungszeitpunkte, Finanzierungs- oder Organisationsspuren und inhaltliche Übereinstimmungen. Die EU-Außenvertretung dokumentiert verknüpfte Distributionswege und Akteure; das ukrainische Zentrum ordnet konkrete Narrative ein. Beide sind relevante Autoritätsquellen, zugleich aber institutionelle Akteure im Konflikt. Ihre Befunde sollten mit Plattformdaten, unabhängiger Forensik und transparenten Beispielen zusammen gelesen werden.
Detektion liefert Signale, kein automatisches Urteil
Forensische Modelle suchen etwa unnatürliche Bildmuster, Inkonsistenzen zwischen Ton und Mundbewegung oder Spuren eines Generators. Kompression, erneutes Hochladen und neue Modellgenerationen können die Erkennung erschweren. Ohne dokumentierte Testdaten, Fehlerraten und Schwellenwerte lässt sich nicht beurteilen, wie viele echte Inhalte fälschlich markiert oder wie viele synthetische Clips übersehen wurden. Ein robustes Urteil verbindet deshalb Detektorsignal, Rückwärtssuche, Metadaten, Herkunft des Kontos und inhaltliche Quellenprüfung.
Reichweite ist nicht gleich Wirkung
Viele Uploads oder Aufrufe belegen Exposition, nicht automatisch Einstellungsänderung. Um politische Wirkung nachzuweisen, wären geeignete Befragungen, Experimente oder belastbare Verhaltensdaten erforderlich. „Kumulative Exposition“ ist eine plausible Wirkannahme: Wiederholung kann Vertrautheit erhöhen und Zweifel säen. Der konkrete Effekt auf Unterstützung für die Ukraine, Vertrauen in Institutionen oder Wahlentscheidungen ist mit dem veröffentlichten Material jedoch nicht quantifiziert. Das schmälert den dokumentierten Manipulationsversuch nicht, begrenzt aber Aussagen über seinen Erfolg.
Warum Variantenproduktion strategisch relevant ist
Der dokumentierte Ansatz setzt nicht zwingend auf einen perfekten Clip. Viele leicht veränderte Fassungen können unterschiedliche Zielgruppen testen, Moderationssysteme umgehen und dieselbe Erzählung wiederholt sichtbar machen. Das erklärt, warum die sieben Kategorien analytisch sinnvoll sind: Sie ordnen nicht nur einzelne Fälschungen, sondern wiederkehrende Kommunikationsziele. Belegt ist damit ein Muster der Modularität; wie zentral geplant jede Variante war, muss weiterhin pro Netzwerk und Datensatz geprüft werden.
Was Plattformen und Redaktionen prüfen können
Ein verdächtiger Clip sollte nicht allein nach seinem Aussehen bewertet werden. Hilfreich sind die Suche nach der frühesten Fassung, der Vergleich mit Originalreden, die Kontrolle von Tonspur und Schnitten sowie die Frage, welche Konten denselben Inhalt zeitgleich verbreiten. Labels und Löschungen können Reichweite begrenzen, ersetzen aber keine öffentliche Begründung. Für Redaktionen gilt zusätzlich: Den irreführenden Clip nicht unnötig wiederholen und die belegte Originalquelle direkt danebenstellen.
Fazit
Die Kernaussage hält: KI-generierte Videos werden in russischen Informationsoperationen systematisch und in variablen Formen genutzt. Die sieben Kategorien und die Größenordnung stammen aus einer realen Sensity-Untersuchung und werden durch Behördenberichte kontextuell gestützt. Präzise Attribution und Wirkung jedes Clips bleiben jedoch prüfpflichtig.