Tahun 2025 tercatat sebagai periode paling kelam sekaligus paling canggih dalam sejarah perkembangan media sintetik. Teknologi deepfake, yang dulunya mudah dikenali lewat cacat visual, kini telah berevolusi menjadi ancaman yang nyaris mustahil dibedakan oleh mata manusia.
Siwei Lyu, pakar ilmu komputer dan peneliti media sintetik dari University at Buffalo, memperingatkan bahwa apa yang kita lihat di 2025 hanyalah permulaan. Dalam laporannya yang dirilis Selasa (31/12), Lyu memprediksi tahun 2026 akan menandai era baru sintesis waktu nyata (real-time synthesis), di mana penipu dapat menggunakan avatar AI yang responsif dalam panggilan video langsung.
Ledakan Volume: Naik dari 500 Ribu ke 8 Juta
Bukan hanya kualitas yang meningkat, kuantitas konten palsu ini juga meledak secara eksponensial. Mengutip data dari firma keamanan siber DeepStrike, Lyu mencatat adanya lonjakan volume deepfake daring dari hanya sekitar 500.000 pada tahun 2023 menjadi sekitar 8 juta pada tahun 2025.
“Ini adalah pertumbuhan tahunan yang mendekati 900%,” tulis Lyu.
Penyebab utamanya adalah demokratisasi teknologi. Alat-alat konsumen seperti pembaruan dari OpenAI Sora 2 dan Google Veo 3, serta gelombang startup AI baru, telah menurunkan hambatan teknis hingga hampir nol. Kini, siapa pun dapat membuat skrip via ChatGPT atau Gemini, lalu menghasilkan media audio-visual yang memukau hanya dalam hitungan menit.
Celah Forensik Menghilang
Di masa lalu, ahli forensik digital mengandalkan “kedipan mata yang aneh” atau distorsi di sekitar rahang untuk mendeteksi video palsu. Namun, di tahun 2025, tanda-tanda tersebut telah lenyap.
Model generasi video terbaru kini dirancang untuk menjaga konsistensi temporal. Artinya, tidak ada lagi flicker (kedipan) atau warping (lekukan) aneh saat subjek bergerak. Wajah dan identitas tetap stabil dari satu frame ke frame berikutnya.
Di sektor audio, kloning suara telah melewati ambang batas “tak terbedakan”. Hanya dengan sampel audio beberapa detik, AI kini mampu meniru intonasi, ritme, emosi, hingga suara napas manusia secara natural. Dampaknya nyata: pengecer besar melaporkan menerima lebih dari 1.000 panggilan penipuan berbasis AI setiap harinya.
Prediksi 2026: Teror Real-Time dan Koherensi Perilaku
Jika 2025 adalah tentang visual statis yang sempurna, maka 2026 adalah tentang interaksi langsung. Lyu memprediksi pergeseran dari realisme visual menuju koherensi perilaku.
“Saya memperkirakan seluruh peserta panggilan video dapat disintesis secara real-time; aktor interaktif bertenaga AI yang wajah, suara, dan perilakunya beradaptasi secara instan terhadap perintah,” jelas Lyu.
Ini berarti penipu di masa depan tidak lagi menggunakan klip video rekaman (pre-rendered), melainkan menggunakan avatar yang bisa diajak berdebat, tertawa, dan merespons lawan bicara secara langsung. Sistem ini tidak hanya meniru wajah (wajah si X), tetapi juga meniru cara bergerak dan berbicara si X dalam berbagai konteks.
Pertahanan: Mata Manusia Tak Lagi Berguna
Kesimpulan Lyu menohok: “Sekadar melihat piksel dengan lebih teliti tidak lagi memadai.”.
Garis pertahanan terakhir bukan lagi penilaian manusia, melainkan infrastruktur teknologi. Lyu menyarankan adopsi massal alat forensik multimodal (seperti Deepfake-o-Meter) dan, yang lebih penting, sistem provenance yang aman. Ini mencakup media yang ditandatangani secara kriptografis menggunakan spesifikasi Coalition for Content Provenance and Authenticity (C2PA) untuk memverifikasi keaslian konten sejak dibuat.
Tanpa adaptasi infrastruktur ini, masyarakat rentan terhadap tsunami misinformasi dan penipuan finansial yang bergerak lebih cepat daripada kemampuan kita untuk memverifikasinya.