Per què això s'ha convertit de sobte en un problema real
Fa catorze mesos, gairebé cap dels rebuts falsos detectats pels sistemes de detecció de frau en despeses estava generat per IA. A mitjan maig de 2026, ja eren la majoria.
Aquesta és la conclusió d'AppZen, una empresa d'automatització financera que escaneja les sol·licituds de despeses corporatives per detectar frau. El març de 2025, els rebuts generats per IA representaven pràcticament el 0% dels rebuts falsos que els seus sistemes detectaven. El maig de 2026, aquesta xifra havia pujat al 70,8%. Durant els darrers 12 mesos, AppZen va detectar 1.471 rebuts generats per IA presentats per 745 empleats en 174 empreses, que representaven $148,143 en despeses reclamades.
Si dirigeixes una petita empresa i reemborses despeses de viatge, àpats o material als teus empleats, això no és un problema abstracte propi de grans corporacions. És un canvi en la manera com la gent corrent enganya en els informes de despeses, i està passant a empreses de totes les mides, no només a les del Fortune 500.
Què ha canviat: d'una gran falsificació a un munt de petites
Abans que les eines d'IA generativa fossin àmpliament accessibles, fabricar un rebut requeria cert esforç — normalment editant una plantilla amb programari d'edició d'imatges o alterant físicament un rebut real. Els defraudadors que es prenien aquesta molèstia solien apostar fort: AppZen va comprovar que els rebuts falsos antics, basats en plantilles, tenien una mitjana de $182 cadascun.
La IA ha canviat l'economia del frau. Un model de llenguatge o un generador d'imatges pot produir un rebut de restaurant convincent, amb un nom de comerç plausible, totals detallats i fins i tot una marca d'aigua d'escàner falsa, en segons i de franc. Això ha invertit completament l'estructura d'incentius.
El director de tecnologia d'AppZen, Kunal Verma, ho va explicar sense embuts: "Els generadors d'IA són gratuïts, instantanis i prou bons per enganyar una persona." Va afegir que la IA "bàsicament ha canviat el joc: d'una única falsificació prou grossa per valer la pena el risc, a un munt de falsificacions petites que ningú es molesta a revisar."
Les xifres ho confirmen. Els rebuts generats per IA en el conjunt de dades d'AppZen tenien una mitjana de només $101, amb una mediana de tan sols $32 — molt per sota dels llindars d'aprovació automàtica que la majoria de sistemes de despeses fan servir per agilitzar les reclamacions petites sense revisió manual. En lloc d'un sol sopar fals de $500 que podria cridar l'atenció d'un aprovador, el nou patró és una dotzena de reclamacions de $30-$40 que, per separat, semblen totalment normals.
No és només un problema de grans corporacions
L'abast dels casos individuals que documenta AppZen és notable. Una empresa del Fortune 10 va tenir 142 empleats en 22 països que van presentar 340 rebuts generats per IA per un total de $34,953 — més que el total combinat de tots els 25 clients europeus d'AppZen. L'Índia va liderar en volum de sol·licituds, mentre que Austràlia va mostrar la concentració més alta per rebut, incloent-hi un empleat de telecomunicacions que va reclamar $12,900 en només 11 rebuts falsificats.
Però les petites i mitjanes empreses també hi estan exposades, sovint de manera més aguda, perquè normalment no disposen d'un equip dedicat a la detecció de frau i confien en la revisió visual d'un gestor o en el control puntual d'un comptable. Un minorista europeu d'òptica present a les dades d'AppZen va tenir un sol empleat que va presentar 45 rebuts fraudulents repartits en 15 informes de despeses diferents abans que ningú detectés el patró.
I això no és un comportament marginal. Una enquesta independent a 2.000 treballadors, realitzada per l'empresa de gestió de despeses Emburse, va trobar que el 40% dels enquestats als Estats Units admetien haver fet servir IA per generar un rebut fals. D'aquests, el 19% va dir que havia inventat una compra totalment, el 15% va fer servir IA per inflar el valor d'una despesa real, i el 6% la va fer servir per recrear un rebut d'una compra de la qual havien perdut de debò el comprovant.
Val la pena assenyalar-ho: no tothom que fa servir IA en aquest context intenta robar diners. Alguns empleats la fan servir per reconstruir un rebut legítim que han perdut, en lloc de cometre frau des de zero — un matís que val la pena tenir present abans de donar per fet que tota reclamació marcada és malintencionada. Però des del punt de vista dels controls, un document fabricat amb IA és un document fabricat amb IA sigui quin sigui el motiu, i trenca la premissa que un rebut és la prova que una transacció va tenir lloc.
Com són realment els rebuts generats per IA
Les falsificacions han arribat a ser prou sofisticades que la simple inspecció visual sovint no n'hi ha prou per detectar-les. Alguns exemples del conjunt de dades d'AppZen inclouen:
- Rebuts de restaurant falsificats amb marques d'aigua d'escàner inventades i signatures d'estil manuscrit convincents
- Factures falses d'AT&T i Xfinity, cosa que suggereix que el frau s'està expandint des de reclamacions puntuals d'àpats i viatges cap a "despeses" mensuals recurrents
- Totals detallats i càlculs d'impostos prou coherents internament per superar una ullada ràpida
Les falsificacions basades en plantilles — el mètode més antic — representaven entre el 95% i el 100% del frau detectat un any abans. Al maig de 2026, havien caigut fins a només el 29% del total, mentre els rebuts generats per IA s'apoderaven de la majoria. Les eines s'han tornat millors, més barates i més accessibles, i les tàctiques de frau s'hi han adaptat.
Per què això importa a totes les empreses, no només a les grans
El frau en viatges i despeses corporatives ja és un problema de mida considerable — un estudi més ampli sobre l'exposició al frau va estimar $3.5 billion en exposició total a frau de despeses i viatges, dels quals uns $175 million estaven vinculats específicament a documents generats per IA. El frau en despeses i viatges també destaca per ser inusualment dependent de documentació: es calcula que el 85% dels esquemes d'aquesta categoria impliquen algun tipus de paperassa, cosa que fa que els rebuts i les factures siguin la principal superfície d'atac.
Per a una petita empresa, l'exposició no és proporcional al nombre d'empleats — és proporcional a com de dependent ets de rastres de paper (o PDF) no verificats. Si el teu procés d'aprovació de despeses consisteix simplement en "un empleat presenta un rebut i un gestor fa clic a aprovar", tens exactament el buit de control que aquest patró de frau està dissenyat per explotar.
Com protegir el teu negoci
No cal programari empresarial de detecció de frau per reduir de manera significativa aquest risc. Uns quants canvis pràctics ja marquen una diferència important:
Deixa de tractar els rebuts com a prova per si sols. Un rebut és una reclamació, no una evidència. Contrasta'l amb alguna cosa independent — la transacció real de la targeta o del banc, els registres del comerç, una entrada al calendari o un itinerari de viatge. Si un rebut de dinar de $38 no es correspon amb un càrrec real a la targeta aquell dia, aquest és el teu senyal d'alarma, no l'aparença del rebut.
Reavalua els teus llindars d'aprovació automàtica. Agilitzar les despeses petites per sota d'un llindar en diners és raonable per mantenir els reemborsaments ràpids, però és precisament el buit que el frau generat per IA està dissenyat per explotar. Considera fer un mostreig aleatori de les reclamacions "per sota del llindar" en lloc d'aprovar-les totes automàticament — fins i tot una taxa d'auditoria del 10% canvia el càlcul de risc per a qualsevol que estigui pensant a inflar un informe.
No confiïs en un únic senyal de detecció. Alguns equips financers es basen en les metadades incrustades dels fitxers (com les dades EXIF de les imatges) per detectar imatges generades per IA. Això és fràgil — les metadades s'esborren fàcilment fent una captura de pantalla, convertint el format del fitxer o simplement tornant a desar la imatge. Millor combina diverses comprovacions: existeix el proveïdor, l'import s'ajusta a un patró de transacció real, té sentit el moment en què es va fer.
Vigila els patrons en les reclamacions petites, no només en les grans. Un únic rebut dubtós de $30 pot ser un error d'arrodoniment. Deu del mateix empleat en tres mesos són un patró que val la pena comentar. Les vistes agregades — ordenant per empleat, per proveïdor, per imports en xifres rodones — revelen allò que la revisió individual passa per alt.
On uns comptes clars ho posen més fàcil
Les empreses més ben posicionades per detectar aquest tipus de frau no són necessàriament les que tenen el programari de detecció més sofisticat — són les que tenen dades de despeses fàcils de consultar, contrastar i auditar des del principi. Si la teva comptabilitat es guarda en un format difícil de cercar o de comparar amb els registres bancaris, detectar un patró de reclamacions petites i sospitoses es converteix en una feinada manual.
Aquest és un dels avantatges més discrets de la comptabilitat en text pla. Beancount.io manté el teu llibre major en un format controlat per versions, llegible tant per humans com per scripts, de manera que contrastar una reclamació de despesa amb la transacció real — o escriure una consulta ràpida per marcar cada reemborsament just per sota del teu llindar d'aprovació — és senzill i no un projecte d'arqueologia de fulls de càlcul. Comença gratis i descobreix per què desenvolupadors i empresaris amb mentalitat financera estan fent el canvi cap a la comptabilitat en text pla.