0,98 de précision en laboratoire. 0,65 en situation réelle. Les outils anti-deepfakes connaissent une chute brutale de 33 points dès qu'ils rencontrent des vidéos générées par un modèle d'IA différent de celui qui les a entraînés.
Ce phénomène, appelé « crise de généralisation cross-dataset », devient un problème critique pour les développeurs. Un détecteur peut sembler infaillible quand on le teste sur ses propres données d'entraînement. Mais au moment où il affronte du contenu nouveau—généré par une autre IA, avec d'autres techniques—sa fiabilité s'effondre. C'est comme tester un antivirus contre les virus qu'il connaît déjà, puis le déployer face à des menaces qu'il n'a jamais vues.
Aucun outil ne peut rester une étape d'avance indéfiniment..
Pour les entreprises de biométrie et de vérification d'identité, ce chiffre devrait tout remettre en question. Les systèmes déployés aujourd'hui ne sont pas prêts pour les deepfakes de demain. À mesure que les générateurs d'IA évoluent—DeepSeek, Sora, les futures versions de Runway—les détecteurs actuels vieillissent en temps réel. Aucun outil ne peut rester une étape d'avance indéfiniment.