Comment la détection de deepfakes modifie-t-elle l’analyse médico-légale ?

Lors de la première vague de contenus générés par l’IA, la technologie était loin d’être démocratisée. Créer des médias deepfake convaincants nécessitait encore des ressources importantes et des compétences techniques. Mais 2025 a marqué une deuxième vague, et l’explosion d’outils d’IA générative sophistiqués et faciles à utiliser a permis à n’importe qui — pas seulement aux ingénieurs ou aux chercheurs — de créer en quelques secondes des vidéos, des images et de l’audio deepfake convaincants. En matière de détection de deepfakes, cela a bouleversé la nature même de l’analyse forensique, et les services de renseignement, les forces de l’ordre et les autorités judiciaires en subissent les conséquences.

Au cours des 12 mois suivants, la manipulation numérique a progressé plus vite que la vérification, et la confiance elle-même est devenue une vulnérabilité.

Nous sommes désormais entrés dans une ère où voir ne suffit plus à croire, et où savoir n’est plus un simple résultat passif de la perception. L’IA générative n’a pas seulement créé du contenu inédit ; elle a créé une nouvelle surface d’attaque : la réalité elle-même.

La détection de deepfakes est désormais une capacité critique dans la boîte à outils de l’analyse forensique.

Historique des deepfakes et de la détection de deepfakes

Le concept général de « deepfaking », au sens de contenu manipulé ou généré artificiellement, existe depuis presque aussi longtemps que la photographie. Des preuves de manipulation d’images apparaissent peu après la création de la première photographie en 1825, et au cours des 200 dernières années, la pratique est passée des images statiques à la vidéo et à l’audio, au rythme de l’évolution technologique. Joseph Staline a tristement fait retirer de ses photographies, dans les années 1930, des individus tombés en disgrâce, ce qui a valu à l’ancien membre de la police secrète soviétique Nikolaï Iejov le surnom de « commissaire disparu ».

Mais si l’acte de créer du faux contenu n’est pas nouveau, les deepfakes tels que nous les connaissons aujourd’hui s’appuient de manière unique sur des techniques d’apprentissage automatique et d’intelligence artificielle pour manipuler ou synthétiser des médias, et la création de contenus synthétiques ultra-réalistes apparue en 2025 est le fruit d’un long développement.

Les images de synthèse (CGI, Computer Generated Imagery) ont envahi les écrans de cinéma dans les années 1970, 1980 et 1990, avec des fabrications lourdes et faciles à repérer, même si le programme emblématique Video Rewrite, publié en 1997, a changé la donne en permettant de modifier des séquences vidéo existantes d’une personne afin de la montrer en train d’articuler les mots d’une autre piste audio.

Dans les années 2010, l’informatique cloud grand public, les grands ensembles de données et les avancées en apprentissage automatique se sont rencontrés, entraînant le lancement des GAN (Generative Adversarial Networks) en 2014, qui a déclenché la première vague de médias synthétiques ultra-réalistes.

Un écosystème de premiers adoptants a rapidement émergé et, dès 2017, la technologie a été détournée à des fins d’abus sexuels sous couvert de pornographie non consentie, où les visages de célébrités étaient superposés aux corps d’acteurs dans des films explicites.

C’est d’ailleurs sur le forum Reddit où ces vidéos et images étaient partagées que le terme « deepfake » — combinaison de « deep learning » et de « fake » — a été inventé.

Par la suite, chaque itération de l’IA générative a produit des fabrications plus réalistes, poussant les observateurs sociaux à tirer la sonnette d’alarme et à réclamer une intervention réglementaire, par crainte que les deepfakes ne deviennent une menace claire et immédiate pour les individus et la société dans son ensemble.

À ce stade toutefois, le génie était sorti de la bouteille. Les médias générés par l’IA — les deepfakes modernes — n’étaient plus une simple nouveauté destinée au divertissement : la technologie était activement adoptée par des écosystèmes criminels et utilisée comme vecteur de fraude, de coercition, d’influence, d’altération de preuves et de prise de contrôle d’identité.

Identifiant le besoin de solutions à réponse rapide conçues pour les professionnels du renseignement, de la criminalistique, des forces de l’ordre et du droit, pour lesquels l’authentification des preuves est critique, le spécialiste de la détection de deepfakes et de la vérification forensique des médias Sensity AI a été fondé en 2019.

2025 : la démocratisation des médias synthétiques

Au cours des années suivantes, la technologie d’IA générative a continué d’évoluer à un rythme rapide, soutenue par des acteurs majeurs tels qu’OpenAI et par l’émergence d’outils de création de contenu toujours plus sophistiqués comme Stable Diffusion et DALLE-E pour les images et la vidéo, et ElevenLabs pour la génération de voix. Avec l’arrivée des réseaux de diffusion — qui ont supplanté les GAN dans les applications de modélisation générative — les technologies de synthèse vocale, de texte-vers-image et de texte-vers-vidéo ont réduit la création de médias synthétiques à un simple prompt et ont inauguré l’ère des deepfakes véritablement démocratisés.

L’adoption de masse a suivi. On estime que le volume de contenu synthétique sur le web a dépassé le contenu réel en 2025, et certaines estimations prévoient que jusqu’à 90 % de l’ensemble du contenu du web pourrait être entièrement fabriqué, ou au moins manipulé par l’IA, d’ici la fin de 2026.

Le défi aujourd’hui n’est pas seulement l’existence des médias synthétiques. C’est qu’ils sont massivement scalables, peu coûteux et très persuasifs. En outre, la barrière technique à l’entrée est inexistante et le délai de création est quasi instantané — ce qui réduit également le délai d’impact.

Alors que des milliers de titres de presse se concentrent sur le problème bien réel que les deepfakes posent en termes d’impact sociétal — allant de la publicité trompeuse à la prolifération du revenge porn et des « deepnudes » non consentis utilisés pour attaquer les femmes — une menace parallèle émerge : des acteurs sophistiqués exploitent des campagnes deepfake hautement ciblées pour perturber tout, de la cybercriminalité à la politique en passant par la sécurité nationale, ce qui crée un besoin réel de solutions de détection de deepfakes de niveau forensique.

L’industrialisation criminelle des deepfakes générés par l’IA

Alors que la Big Tech, les régulateurs et les gouvernements débattent des moyens les plus efficaces d’identifier et d’étiqueter les médias synthétiques pour le grand public, les États-nations, les hacktivistes et les criminels industrialisent les médias générés par l’IA et les deepfakes afin de les utiliser dans des campagnes sophistiquées et ciblées contre des individus, des entreprises et des pays entiers.

Historiquement, la propagande a été utilisée avec une grande efficacité en temps de paix comme en temps de guerre, des tracts démoralisants largués par avion au-dessus des combattants adverses, aux rumeurs mensongères savamment placées au sujet de figures dirigeantes. Et si ces « usines à deepfakes » modernes ne constituent qu’une partie de la machine industrielle de désinformation — qui s’appuie aussi fortement sur un réseau de diffusion pertinent — elles sont les plus impactantes, capables de créer littéralement des réalités alternatives. Le théâtre de la politique et du conflit s’est désormais étendu à une nouvelle couche, plus subtile : une influence continue sur la perception.

Si la guerre est la continuation de la politique par d’autres moyens, alors les deepfakes sont la continuation de la guerre par des moyens modernes. La détection de deepfakes est aujourd’hui une question de sécurité nationale.

La première victime de la guerre est la vérité : guerre hybride et opérations psychologiques

L’idée est qu’il existe des acteurs — qu’il s’agisse d’États-nations, d’activistes, de criminels ou de fauteurs de troubles — qui ont à gagner à diffuser délibérément des contenus trompeurs, désinformants et mensongers, et que toutes les grandes initiatives publiques et d’écosystème ouvert visant à identifier et à étiqueter les contenus générés par l’IA ont une efficacité limitée face à une activité malveillante délibérée.

Les menaces modernes pour la sécurité nationale opèrent de plus en plus sous le seuil du conflit traditionnel. À l’ère de la guerre hybride, les campagnes d’influence, les opérations psychologiques (psyops) et la propagande synthétique sont déployées à grande échelle pour déformer la perception, éroder la confiance et déstabiliser la prise de décision — souvent en temps réel, lors de crises. L’ingérence électorale et politique et la désinformation liée aux conflits ne sont que deux des dangers actuels dont nous avons des preuves.

Acteurs du paysage des menaces de la réalité synthétique :

États-nations

Groupes soutenus par des gouvernements, opérant officiellement ou officieusement avec des objectifs politiques, militaires ou stratégiques. Ils disposent de ressources importantes et combinent capacités de renseignement, opérations cyber et campagnes d’influence pour utiliser les deepfakes afin de façonner des résultats géopolitiques.

Cybercriminels

Les cybercriminels sont des groupes hautement sophistiqués et organisés, motivés par le gain financier. Ils opèrent avec des ressources comparables à celles d’entreprises légitimes et exploitent les deepfakes d’IA générative pour industrialiser la fraude, l’extorsion, l’usurpation d’identité et les attaques d’ingénierie sociale, en s’appuyant sur des marchés clandestins mondiaux qui commercent également des identités synthétiques.

Médias

Les organes de désinformation sont des réseaux, souvent anonymes ou financés secrètement, qui publient des récits trompeurs ou fabriqués pour influencer l’opinion publique. Ils utilisent les deepfakes pour ajouter des « preuves » visuelles ou sonores à des récits qui manqueraient autrement de crédibilité.

Des médias privés et publics légitimes, ainsi que d’autres plateformes de contenu, ont également été pris en défaut pour avoir utilisé des médias synthétiques afin de promouvoir leur propre agenda ou celui d’un allié politique. En fin de compte, les médias sont généralement utilisés comme tactique par d’autres acteurs de la menace, mais peuvent aussi constituer une menace à eux seuls.

Hacktivistes

Les hacktivistes sont des groupes ou des individus mus par une idéologie qui utilisent des cyber-opérations pour promouvoir des causes politiques ou sociales. Ils déploient des deepfakes pour embarrasser des cibles, exposer des injustices perçues ou amplifier leur discours contre des gouvernements ou des entreprises.

Les outils dont disposent aujourd’hui ces acteurs de la menace sont sans précédent en termes de capacités. En 2026, un mensonge convaincant peut être produit avec une qualité cinématographique, localisé pour une cible, déployé sur plusieurs canaux et itéré en quelques heures. Et les services de renseignement, les forces de l’ordre et les autorités judiciaires — ceux qui sont chargés de trouver la vérité — en subissent les conséquences en matière de détection de deepfakes et de vérification des médias.

Quel est le rôle des outils spécialisés d’analyse forensique dans la détection de deepfakes ?

Les équipes d’analyse forensique numérique chargées de la détection de deepfakes font face à un changement structurel : les volumes de preuves explosent, tandis que la fiabilité des contenus visuels et audio s’effondre. Les vidéos, images et enregistrements vocaux, autrefois considérés comme des artefacts objectifs, sont désormais couramment manipulés, générés de manière synthétique ou édités de façon sélective pour induire en erreur les enquêteurs, les procureurs et les tribunaux.

Vecteurs de menace deepfake :

Manipulation de visage par IA

L’IA générative est utilisée pour modifier ou remplacer un visage dans une vidéo ou une image, par exemple :

Échange de visage par IA

Remplace un visage sur une photo ou une vidéo par un autre, créant l’apparence que l’individu ciblé a réalisé les actions ou expressions de la source.

Synchronisation labiale par IA

Modifie les mouvements de la bouche d’une personne dans une vidéo pour les faire correspondre à un nouvel audio, donnant l’impression qu’elle a prononcé les mots de la piste audio cible.

Rejeu facial par IA

Transfère les expressions et mouvements du visage d’une personne sur une autre dans une vidéo, faisant imiter à la cible la source en temps réel ou en post-production. Cela diffère de l’échange de visage, car cette technique fait agir une personne comme une autre, tandis que l’échange modifie l’identité du sujet.

Morphing facial par IA

Fusionne deux visages ou plus en une composition unique, transformant progressivement une identité en une autre avec des transitions visuelles fluides. Cette technique est utilisée, par exemple, pour tromper la reconnaissance faciale dans le KYC. En créant un visage morphé ou fusionné, plusieurs personnes peuvent passer pour une seule pièce d’identité. Cela fonctionne particulièrement bien avec des personnes partageant des repères faciaux similaires, comme des membres d’une même famille.

Vidéos et images générées par l’IA

Il s’agit de médias entièrement synthétiques, généralement créés via des outils IA de texte-vers-image ou de texte-vers-vidéo, qui convertissent des descriptions écrites en visuels synthétiques réalistes, notamment :

Avatars IA

Personnages ou « marionnettes » générés numériquement — souvent ressemblant à une personne réelle — capables de parler, de bouger et d’exprimer des émotions grâce à l’animation pilotée par l’IA et à la synthèse vocale.

Visages synthétiques (GAN)

Visages humains générés par l’IA via des réseaux antagonistes génératifs, produisant des identités photoréalistes qui ne correspondent à aucune personne réelle.

Voix synthétiques et clonage vocal

La synthèse vocale est la production artificielle d’une parole de type humain, y compris l’utilisation de clones entièrement synthétiques indiscernables de voix humaines spécifiques. Les réseaux neuronaux peuvent analyser et modéliser les caractéristiques uniques de la voix d’une personne à partir de quelques secondes d’échantillon audio, en reproduisant la hauteur, le timbre, la prosodie et l’intonation. Alors que la technologie de synthèse vocale (TTS) a réduit la production à un simple prompt.

Voix synthétique

Parole générée par l’IA qui imite le ton, le rythme et l’émotion humains.

Clone vocal IA

Réplication de la voix d’une personne spécifique, permettant de créer un audio hautement réaliste qui ressemble à l’orateur d’origine.

Les unités d’enquête sont de plus en plus confrontées à des crimes où les médias synthétiques ne sont pas accessoires, mais centraux : usurpation d’identité, tromperie, sextorsion, harcèlement, fraude financière et abus en ligne coordonnés. Dans ces cas, la vitesse compte autant que la précision. Chaque heure passée à valider du contenu manipulé avec des outils de détection de deepfakes obsolètes est une heure perdue pour la protection des victimes, les retraits de contenu ou l’identification des suspects.

Pour les enquêteurs forensiques et les analystes du renseignement confrontés à ces menaces, les logiciels forensiques historiques d’analyse d’images, de vidéos et d’audio ont été dépassés par les avancées rapides des contenus générés par l’IA. Nous serons bientôt au point où même des professionnels formés ne pourront plus distinguer les médias authentiques des médias manipulés, et nous avons déjà dépassé le stade où les volumes de médias suspects sont gérables par des humains seuls.

Des outils spécialisés d’analyse forensique numérique existent, mais ils ne sont pas équipés pour détecter à grande échelle des falsifications sophistiquées générées par l’IA, ce qui rend plus difficile que jamais la mise au jour de la vérité dans les médias numériques.

● Les enquêteurs forensiques subissent une pression croissante pour traiter de lourdes charges de dossiers et analyser rapidement les médias afin de prévenir des crimes ou résoudre des affaires urgentes. Les outils forensiques traditionnels reposent fortement sur l’interprétation humaine des résultats, ce qui retarde considérablement la prise de décision dans les enquêtes sensibles au facteur temps.

● Les outils forensiques historiques sont également des solutions ponctuelles, conçues pour analyser un seul type de média à la fois — vidéo, images ou audio. Les médias entièrement synthétiques peuvent inclure à la fois de l’audio et de la vidéo générés artificiellement, obligeant les enquêteurs à utiliser plusieurs outils distincts pour

analyser les différents formats, ce qui entraîne des inefficacités de workflow et des problèmes de compatibilité, tout en augmentant la charge d’interprétation humaine.

● Les enquêteurs forensiques professionnels sont hautement formés, et les logiciels forensiques traditionnels présentent une courbe d’apprentissage abrupte, ce qui augmente le coût de la formation, ralentit les enquêtes et exclut du processus les analystes moins à l’aise techniquement.

Fondamentalement, la facilité avec laquelle des médias malveillants peuvent être manipulés ou entièrement fabriqués change la manière dont l’authenticité forensique est traitée en matière de détection de deepfakes. Compte tenu des volumes et de la sophistication en jeu, cela ne peut plus être considéré comme une expertise de fin de chaîne, mais doit être abordé comme une étape de vérification automatisée du processus.

Le processus forensique optimal consiste à intégrer les médias générés par l’IA et la détection de deepfakes dès la première étape d’ingestion des preuves, afin que chaque fichier média extrait puisse être automatiquement contrôlé à la recherche de signes de manipulation avant d’entrer dans le dossier d’enquête.

En suivant cette approche, les analystes forensiques constatent des réductions spectaculaires du temps de revue manuelle des dossiers de détection de deepfakes, un tri plus rapide de grands ensembles de données et — surtout — une plus grande confiance lors de l’introduction de médias numériques dans des procédures judiciaires.

L’explicabilité est également critique. Face à des deepfakes générés par l’IA hautement sophistiqués, les rapports forensiques doivent être reproductibles, explicables et traçables, afin d’éviter le « problème de la boîte noire » et de permettre aux tribunaux de s’appuyer sur une analyse technique vérifiable plutôt que sur une interprétation subjective.

Réalité synthétique : les deepfakes comme risque national et économique

Le principal écueil de l’ère des deepfakes démocratisés est que la société entre dans une période où un humain ne peut plus déterminer si le contenu d’un média correspond à la vérité.

Dans ce nouveau paysage de menaces de la réalité synthétique, les deepfakes sont un outil clé des attaques de désinformation, influençant la perception, créant le doute et sapant la confiance. Les deepfakes fournissent des artefacts qui s’insèrent dans des récits construits et sont capables d’interférer avec les fonctions démocratiques des sociétés, au point de représenter un risque national et économique qui évolue plus vite que les cadres réglementaires ne peuvent répondre.

Parce que les médias synthétiques sont du « contenu », les acteurs malveillants peuvent exploiter la zone grise entre l’objectif de la réglementation — l’atténuation des dommages — et les protections accordées à la liberté d’expression.

Cela est déjà évident dans la nature insidieuse de récentes campagnes de désinformation bien orchestrées. L’IA générative ne produit pas seulement des artefacts faux isolés ; elle fournit aussi un soutien contextuel sous la forme d’autres faux médias, de corroborateurs ou de témoins, chaque tromperie étant adaptée à des organisations, des communautés ou des individus spécifiques pour un effet maximal.

À grande échelle, ce basculement érode la confiance et crée une dénégation plausible, tout en offrant la possibilité que des événements réels soient rejetés comme faux, ce qui se manifeste dans le phénomène du dividende du menteur.

Là où de telles tromperies sophistiquées exigeaient autrefois des niveaux presque impossibles de compétence, de temps et de ressources, l’IA générative réduit tous ces coûts ainsi que le temps nécessaire pour créer, déployer et itérer de telles campagnes.

Pour les gouvernements, les tribunaux, les rédactions, les institutions financières et les entreprises, l’enjeu est désormais de trouver des solutions de détection de deepfakes de niveau forensique afin de maintenir des chaînes de conservation claires et des preuves auditables lorsque rien n’est ce qu’il semble être, que la confiance est morte et que la réalité elle-même est menacée.

Télécharger

Tous les rapports

Télécharger le rapport