Les falsificacions de vídeo fetes amb IA ja han causat pèrdues grans: el cas més citat és el d'una estafa de 25 milions de dòlars a Hong Kong. Segons Tech Xplore, Zoom, FaceTime i Google Meet no tenen detecció en temps real i Microsoft Teams només n'ha anunciat la intenció. Una part del problema és el cost: els detectors comercials necessiten molta potència de càlcul i són difícils d'estendre a milers de trucades alhora.
Un equip de la Universitat de Colorado Boulder, format per Tuan Tran, Sangtae Ha, Eric Keller i Shirin Ebadi, proposa una alternativa anomenada DeepSFU. Els detectors habituals descomprimeixen tots els fotogrames per examinar-ne les cares. DeepSFU, en canvi, llegeix estadístiques del vídeo comprimit tal com viatja per la xarxa: mesura quanta informació nova de codificació cau sobre les zones de la cara i com s'hi reparteix, perquè els canvis bruscs d'aparença en requereixen més. Només si els patrons són sospitosos fa una comprovació completa amb IA, per a la qual demana al dispositiu de qui parla un fotograma nou sencer. Examina dades d'un de cada cent fotogrames, aproximadament.
Els autors diuen que gasta 143 vegades menys potència de càlcul que els models existents i que, en una col·lecció de 1.000 vídeos de la xarxa amb falsificacions, va tenir una precisió «gairebé perfecta». El treball es va presentar a l'ACM SIGCOMM 2026, a Denver, a l'agost, i es pot consultar com a «DeepSFU: Scalable Deepfake Detection for Video Conferencing» (DOI 10.1145/3789240.3829184).
Les xifres tenen límits. El resum no dona el percentatge exacte d'encert, ni els falsos positius i negatius, ni el nom de la col·lecció de vídeos, i la prova es va fer amb vídeos gravats, no amb videotrucades en directe. El sistema també depèn que el dispositiu de l'emissor accepti enviar fotogrames complets quan se li demana, i no s'explica com respondria a falsificacions fetes expressament per enganyar-lo ni a generadors més nous. L'equip vol adaptar-lo a videoconferències de gran escala.