Ich denke, dass der Endzustand wahrscheinlich ein Liveness-Modell über Video+Audio+Geräteheuristiken ist. Wenn Menschen interagieren wollen, müssen sie ihre Interaktionen aussprechen -> das System beweist die Liveness und schreibt ins Netzwerk. AI-Unsinn ist dann bestenfalls der Proxy von jemandem, der ein Skript liest (was vielleicht auch mit visuellen Werkzeugen zur Augenbewegung nachweisbar ist).