Thomas Marchand est analyste OSINT (Open Source Intelligence) indépendant, basé à Paris. Ancien journaliste d’investigation pendant huit ans, il a pivoté vers l’analyse de renseignement en sources ouvertes il y a neuf ans, travaillant aujourd’hui pour des médias, des cabinets d’avocats et des entreprises qui cherchent à vérifier des informations sensibles avant d’agir. Il intervient également en formation auprès de journalistes et d’équipes de communication de crise. Nous l’avons rencontré pour parler d’un sujet qui occupe une partie croissante de son travail quotidien : les deepfakes et leur rôle dans la désinformation en 2026.
Créer un deepfake en 2026 : la barrière technique a disparu
Sentinelle Numérique : En 2026, combien de temps faut-il pour créer un deepfake convaincant ?
Thomas Marchand : La question était encore pertinente il y a trois ans. Aujourd’hui, elle ne l’est presque plus. Avec les outils grand public — je parle de services accessibles sans compétence technique particulière, disponibles en abonnement mensuel à moins de 50 euros — vous pouvez générer un deepfake vidéo d’une personne connue en moins de vingt minutes.
Ce qui a changé depuis 2022-2023, c’est l’effondrement de la barrière technique. Avant, il fallait des milliers d’images d’entraînement, un GPU performant, et des compétences en Python. Maintenant, les plateformes en ligne font tout ça en arrière-plan. Vous chargez dix secondes de vidéo source, vous uploadez l’audio cible, et le résultat est prêt en quelques minutes. La qualité n’est pas toujours professionnelle, mais elle est largement suffisante pour tromper quelqu’un sur un écran de téléphone en basse résolution.
Ce qui mérite vraiment qu’on s’y arrête, c’est la courbe d’amélioration. En 2022, les deepfakes avaient des artefacts visibles. En 2024, seuls les experts les détectaient. En 2026, certaines productions résistent aux détecteurs automatiques. Dans dix-huit mois, je ne sais pas où on en sera.
Vous travaillez sur la détection au quotidien. Quels sont les cinq indices visuels les plus fiables en 2026 ?
Thomas Marchand : Je les enseigne dans mes formations, mais je précise toujours qu’ils deviennent moins fiables à mesure que les modèles s’améliorent. Cela dit, voici les cinq que j’utilise encore régulièrement.
Premier indice : le clignotement des yeux. Les premiers modèles ne géraient pas bien le clignotement — les yeux ne clignaient presque pas. Les modèles actuels clignent, mais souvent de manière trop régulière, ou légèrement décalée par rapport à l’émotion exprimée. Regardez si le clignotement semble naturel dans son rythme et son contexte.
Deuxième : la zone de transition entre le visage et les cheveux ou les oreilles. C’est là où les modèles GAN peinent encore le plus. Sur un deepfake, regardez attentivement la ligne des cheveux, les contours des oreilles, la naissance de la barbe : vous trouverez souvent un léger flou, une pixellisation anormale, ou une démarcation artificielle.
Troisième : la cohérence de l’éclairage. Un visage deepfake est souvent plaqué sur une scène tournée dans des conditions lumineuses différentes. L’ombre portée ne correspond pas à la source de lumière de la scène. Les reflets dans les yeux sont incohérents avec l’environnement.
Quatrième : les mouvements de bouche. Sur les deepfakes audio-visuels, la synchronisation labiale n’est pas parfaite à 100%. Des consonnes explosives comme “p”, “b”, “m” sont les plus difficiles à synchroniser. Regardez ces phonèmes spécifiquement.
Cinquième : les mains et les dents. Les IA génératives ont historiquement des difficultés avec les mains (trop de doigts, articulations étranges) et les dents (rangées irrégulières, lumière artificielle). Ce n’est plus systématiquement vrai pour les deepfakes de visages, mais dès que les mains sont visibles à l’écran, c’est un endroit à examiner.
Je veux insister sur une limite : ces indices valent pour des vidéos courtes vues sur mobile, en basse résolution. Un deepfake haute définition, produit avec un budget professionnel, peut ne présenter aucun de ces indices. Pour ce type de production, seule une analyse outillée — détection algorithmique, analyse spectrale — peut donner une réponse fiable.
Deepfakes audio : la menace sous-estimée
Les deepfakes audio sont moins visibles mais peut-être plus dangereux. Comment les détecter ?
Thomas Marchand : Vous avez raison de les isoler. L’audio est peut-être le vecteur le plus sous-estimé en ce moment. Un deepfake vidéo exige de regarder attentivement pendant plusieurs secondes. Un deepfake audio, vous le recevez par téléphone ou en message vocal — une forme évoluée de vishing (fraude vocale par IA) — dans un contexte d’urgence — votre “patron” vous demande de virer 50 000 euros, ou votre “enfant” dit être en danger et a besoin d’argent immédiatement.
La qualité des clones vocaux en 2026 est spectaculaire. Les meilleurs modèles, avec cinq secondes d’audio source — extrait d’une vidéo YouTube, d’un discours public, d’une interview — reproduisent le timbre, les intonations, et même les tics de langage d’une personne avec une précision qui trompe les proches.
Pour détecter un deepfake audio, il n’y a pas d’indice auditif universel fiable. Ce que je recommande, c’est une approche contextuelle : si vous recevez un message vocal urgent d’une personne proche vous demandant de l’argent ou des informations sensibles, raccrochez et rappelez sur un numéro que vous connaissez. Pas le numéro de l’appel entrant — un numéro enregistré dans votre répertoire depuis longtemps.
Pour les entreprises, le mot de passe partagé fonctionne bien : un mot de code connu des seuls membres de l’équipe, à demander en cas de doute lors d’une demande urgente. C’est archaïque, c’est humain, et ça marche encore.
Quels sont les usages malveillants les plus fréquents que vous rencontrez dans votre travail ?
Thomas Marchand : J’en vois de trois types principaux.
Le premier, et de loin le plus fréquent : les escroqueries financières. Deepfakes de PDG pour des fraudes au virement bancaire (“arnaque au président” version 2026), deepfakes de célébrités pour des arnaques aux cryptomonnaies, deepfakes de proches en situation d’urgence. La combinaison deepfake vidéo + numéro usurpé + ingénierie sociale est redoutablement efficace. J’ai travaillé sur plusieurs dossiers où des entreprises avaient perdu entre 80 000 et 300 000 euros via ce vecteur.
Le deuxième : le chantage par deepfake intime (sextorsion). Des personnes reçoivent des images ou vidéos générées par IA les représentant dans des situations sexuelles explicites. Ces images n’ont jamais existé — elles sont synthétiques — mais la menace de diffusion est réelle, et la détresse des victimes l’est tout autant.
Le troisième : la désinformation politique et institutionnelle. Des vidéos de personnalités politiques disant des choses qu’elles n’ont jamais dites, des déclarations de dirigeants d’entreprise fabriquées pour influencer des cours boursiers, des fausses alertes sanitaires avec des deepfakes de médecins ou de responsables gouvernementaux. Ce volet est le plus difficile à quantifier parce qu’une partie de ces opérations n’est jamais découverte.
Outils de détection : ce qui fonctionne
Quels outils conseillez-vous pour la détection, et à quel niveau de fiabilité ?
Thomas Marchand : Je classe les outils en deux catégories : ceux pour le grand public, et ceux pour les professionnels.
Pour le grand public : InVID/WeVerify reste la référence pour la vérification de vidéos virales. C’est une extension de navigateur gratuite qui permet de faire une recherche d’image inversée frame par frame, de consulter les métadonnées, et d’accéder aux outils des grands fact-checkers. FotoForensics est excellent pour les images fixes — il révèle les zones de l’image qui ont été modifiées via l’analyse ELA (Error Level Analysis). Hive Moderation propose une détection deepfake via une interface web simple, avec un niveau de fiabilité convenable pour les productions de qualité moyenne.
Pour les professionnels : Sensity AI et Reality Defender sont les solutions les plus utilisées par les équipes de sécurité et les médias. Elles combinent plusieurs algorithmes de détection (analyse des fréquences, détection d’artefacts GAN, analyse de la cohérence temporelle) et donnent un score de probabilité de manipulation. Leur taux de faux négatifs sur des deepfakes de haute qualité reste néanmoins de l’ordre de 20 à 35%.
La vérité inconfortable : aucun outil de détection automatique n’est fiable à 100% contre les meilleurs deepfakes de 2026. La détection algorithmique est dans une course aux armements permanente contre la génération. La meilleure défense reste la vérification contextuelle et le recoupement de sources.
Comment les médias traditionnels s’adaptent-ils à cette menace ?
Thomas Marchand : De manière très inégale, honnêtement. Les grandes rédactions — AFP, Reuters, BBC, Le Monde — ont des équipes de fact-checking avec des protocoles établis, des accès aux outils professionnels, et des relations directes avec les plateformes sociales pour signaler les contenus manipulés rapidement. Pour elles, la menace est gérée, même si elle représente une charge de travail croissante.
Le problème, c’est la masse des médias intermédiaires — régionaux, thématiques, en ligne — qui n’ont pas ces ressources. Ce sont eux qui diffusent parfois des contenus manipulés, non par malveillance mais par manque de moyens pour vérifier. Et un deepfake qui circule 24 heures dans des médias locaux avant d’être démenti a déjà fait son chemin dans les esprits.
Il y a aussi une dimension nouvelle : les deepfakes ciblant des journalistes eux-mêmes. J’ai vu des cas de deepfakes audio censément attribués à des journalistes d’investigation, diffusés pour les discréditer ou les intimider. C’est une évolution inquiétante — la menace n’est plus seulement dirigée vers les personnalités publiques.
Vérifier une image ou une vidéo suspecte
Pour quelqu’un qui reçoit une image ou une vidéo suspecte, quelle est la procédure de vérification minimale ?
Thomas Marchand : Trois étapes en cinq minutes, accessibles à n’importe qui.
Étape 1 : recherche par image inversée en parallèle. Téléchargez l’image et soumettez-la simultanément à Google Images, TinEye et Yandex Images. Yandex est particulièrement efficace pour retrouver des images modifiées ou recadrées. Si la même image apparaît dans un contexte différent — une photo présentée comme récente mais datant de 2018, une image géolocalisée ailleurs — vous avez une réponse.
Étape 2 : vérification de la source de la vidéo. Installez l’extension InVID/WeVerify, soumettez l’URL de la vidéo. L’outil extrait les métadonnées disponibles, fait une recherche frame par frame, et vous signale si la vidéo apparaît ailleurs avec une date antérieure ou dans un autre contexte.
Étape 3 : consultation des fact-checkers. Avant de partager une information virale, cherchez son titre ou sa description sur les sites des fact-checkers francophones (AFP Factuel, Libération Checknews, Les Décodeurs du Monde) et anglophones (Snopes, FullFact, PolitiFact). Si la vidéo est vraiment virale, ils l’ont probablement déjà examinée.
Si vous n’avez ni le temps ni les outils pour ces trois étapes, la règle d’or est : ne partagez pas. Une information que vous n’avez pas pu vérifier ne devrait pas circuler via vous.
La guerre informationnelle est un terrain où les deepfakes jouent un rôle croissant. Comment évaluez-vous la menace dans le contexte géopolitique actuel ?
Thomas Marchand : C’est peut-être le volet le plus préoccupant, et aussi celui qui mobilise le plus d’acteurs — services de renseignement, chercheurs en sciences politiques, plateformes, médias. L’idée centrale est que les deepfakes ne servent pas nécessairement à convaincre — ils servent à instaurer le doute.
Si tout peut être faux, alors rien ne peut être cru avec certitude. C’est ce qu’on appelle le “liar’s dividend” — le dividende du menteur : même une vraie vidéo compromettante peut être niée en la qualifiant de deepfake. Les deepfakes profitent non seulement à ceux qui fabriquent du faux, mais aussi à ceux qui cherchent à nier le réel.
Le rôle des deepfakes dans les conflits récents — notamment en Ukraine, en Géorgie, au Moyen-Orient — a été documenté avec précision. J’invite vos lecteurs qui souhaitent approfondir cette dimension à lire l’analyse complète sur deepfakes et guerre informationnelle 2026 publiée par i-actu.fr, qui cartographie les opérations identifiées et leur mode opératoire avec un niveau de détail que je n’ai pas l’espace de développer ici.
Ce qui me préoccupe particulièrement pour les prochaines années, c’est la conjonction de trois tendances : la démocratisation des outils de génération, l’accélération des cycles de viralité sur les réseaux sociaux, et la fatigue de la vérification chez les citoyens. Les gens se lassent de vérifier. Et c’est exactement ce sur quoi comptent les acteurs malveillants.
5 idées reçues qui nous rendent vulnérables
Pour finir : quelles sont les cinq idées reçues les plus dangereuses sur les deepfakes ?
Thomas Marchand : Je les entends souvent, et elles contribuent toutes à une sous-estimation de la menace.
Première idée reçue : “Je reconnaîtrais un deepfake.” Non, vous ne le reconnaîtriez pas systématiquement. Les études en psychologie cognitive montrent que même les personnes formées à la détection ont un taux d’erreur significatif face aux productions de qualité. La confiance excessive dans sa capacité à détecter le faux est elle-même un facteur de vulnérabilité.
Deuxième : “Les deepfakes, c’est pour les célébrités.” Faux. Les outils de clonage vocal et de génération de visages fonctionnent avec n’importe qui. La présence d’une dizaine de photos sur les réseaux sociaux suffit à créer un clone visuel convenable. Votre compte Instagram vous rend plus vulnérable que vous ne le pensez. Les arnaques exploitant l’IA en 2026 montrent précisément comment photos publiques et enregistrements vocaux sont détournés à des fins criminelles.
Troisième : “Si une vidéo est partagée par des médias, c’est qu’elle est vérifiée.” Les médias en ligne, sous pression de la vitesse, partagent parfois du contenu non vérifié. La caution médiatique n’est pas une garantie d’authenticité.
Quatrième : “Les plateformes suppriment les deepfakes automatiquement.” Les grandes plateformes ont des systèmes de détection, mais ils sont loin d’être exhaustifs. Un deepfake peut circuler pendant 24 à 48 heures avant d’être signalé, revu et supprimé — et dans ce laps de temps, il peut atteindre des millions de personnes.
Cinquième : “Le problème sera résolu par la technologie.” Peut-être à long terme. Mais la course entre génération et détection est asymétrique — générer du faux est toujours plus rapide et moins coûteux que de le vérifier. La solution durable passe autant par l’éducation aux médias et la culture de la vérification que par les outils techniques.
Thomas Marchand anime des formations à la vérification de l’information pour des équipes journalistiques et des directions de communication. Il publie une veille mensuelle sur les nouvelles techniques de manipulation de l’information, disponible sur abonnement.