
KI-generierte Fake-Belege: Die neue Grenze des Spesenbetrugs
Im März 2025 demonstrierte ein TechCrunch-Journalist in wenigen Minuten, dass er mit ChatGPT einen perfekt realistischen Restaurantbeleg generieren konnte [1]. Kaffeeflecken, Papierknicke, authentische Schriftart — das Ergebnis war verstörend überzeugend. Seitdem hat sich die Technologie nur weiter verbessert.
Für Finanzabteilungen stellt diese Entwicklung eine massive Herausforderung dar. Traditionelle Kontrollen — visuelle Prüfung, einfache Duplikaterkennung, Vorgesetztengenehmigung — wurden schlicht nicht für Fälschungen dieser Qualität konzipiert.
Das Ausmaß des Problems
Webseiten zur Erstellung gefälschter Belege gibt es seit Jahren. Was sich heute ändert, ist die Qualität und Zugänglichkeit. Jeder Mitarbeiter mit Zugang zu einem generativen KI-Tool kann in Sekunden einen Beleg erstellen, der jeder menschlichen visuellen Prüfung standhalten würde.

Die häufigsten von unseren Teams beobachteten Techniken:
- Erstellung aus dem Nichts: ein komplett fiktiver Beleg, generiert aus einem Prompt mit Restaurant, Betrag und Datum
- Veränderung echter Belege: Änderung von Betrag, Datum oder Gästeanzahl auf einem authentischen Beleg
- Hybrid-Belege: Kombination von Elementen mehrerer echter Belege zu einem Kompositdokument
- Duplikation mit Variationen: derselbe Beleg leicht verändert, von verschiedenen Mitarbeitern oder zu verschiedenen Daten eingereicht
Warum traditionelle Kontrollen versagen
Ein erfahrener Controller kann eine minderwertige Fotokopie oder einen offensichtlich inkonsistenten Betrag erkennen. Aber angesichts eines KI-generierten Belegs mit den richtigen visuellen Codes stößt das menschliche Auge an seine Grenzen.
Der mehrschichtige Ansatz: die einzige tragfähige Verteidigung
Bei TEVASOFT haben wir einen mehrschichtigen Ansatz entwickelt, der verschiedene komplementäre Methoden kombiniert:
Forensische Bildanalyse
Unsere Modelle untersuchen Bild-Metadaten, Pixelkonsistenz, Kompressionsartefakte und digitale Signaturen, die für Generierungstools charakteristisch sind.
Mathematische Validierung
Wir überprüfen die arithmetische Konsistenz: Stimmen die Zwischensummen mit dem Gesamtbetrag überein? Wird die Mehrwertsteuer zum richtigen Satz berechnet? Bildgeneratoren begehen häufig Rechenfehler, die das visuelle Erscheinungsbild nicht verrät.
Abgleich mit Händlerdaten
EVA gleicht jeden Beleg mit ihrer Wissensbasis über Geschäfte ab: Existiert die Adresse? Stimmen die Öffnungszeiten mit dem Datum der Ausgabe überein? Ist das Belegformat konsistent mit dem, was dieses Geschäft üblicherweise ausstellt?
Verhaltensanalyse
Betrug ist fast nie isoliert. Ein Mitarbeiter, der einen gefälschten Beleg einreicht, hat typischerweise ein Ausgabenprofil mit weiteren schwachen Signalen.
Statistische Anomalieerkennung
Durch die Analyse aller Spesenabrechnungen einer Organisation identifiziert EVA signifikante Abweichungen von normalen Mustern.
Das Wettrennen zwischen Erzeugung und Erkennung
Es wäre unehrlich zu behaupten, dass die Erkennung unfehlbar ist. Deshalb haben wir EVA mit einer Fähigkeit zur rückwirkenden Prüfung ausgestattet. Wenn sich unsere Erkennungsmodelle verbessern, können wir die Analyse bereits erstatteter alter Belege erneut durchführen.
Was Finanzverantwortliche jetzt tun müssen
- Stichprobenbasierte Kontrolle aufgeben: In einer Welt KI-generierter Belege bedeutet die Prüfung von 10% der Spesenabrechnungen, dass 90% des Risikos unüberwacht bleibt
- In mehrschichtige Erkennung investieren: Keine einzelne Technik reicht aus
- Regelmäßige rückwirkende Audits einführen: Erkennungsmodelle entwickeln sich weiter — vergangene Kontrollen sollten von diesen Verbesserungen profitieren
Quellen
[1] TechCrunch, ChatGPT's new image generator is really good at faking receipts, März 2025
[2] ACFE, Report to the Nations on Occupational Fraud and Abuse, 2024
[3] Gartner, Predicts 2026: AI Will Drive New Forms of Financial Fraud, 2025
