Warum das plötzlich zu einem echten Problem wurde
Vor vierzehn Monaten war fast keiner der von Spesenbetrugs-Erkennungssystemen gemeldeten Fake-Belege KI-generiert. Bis Mitte Mai 2026 waren sie die Mehrheit.
Das ist das Ergebnis von AppZen, einem Unternehmen für Finanzautomatisierung, das Unternehmens-Spesenabrechnungen auf Betrug scannt. Im März 2025 machten KI-generierte Belege im Wesentlichen 0% der von seinen Systemen erkannten Fake-Belege aus. Bis Mai 2026 war diese Zahl auf 70,8% gestiegen. In den vergangenen 12 Monaten entdeckte AppZen 1.471 KI-generierte Belege, eingereicht von 745 Mitarbeitern in 174 Unternehmen, die zusammen $148.143 an geltend gemachten Ausgaben repräsentieren.
Wenn Sie ein kleines Unternehmen führen und Mitarbeitern Reisen, Mahlzeiten oder Bürobedarf erstatten, ist das kein abstraktes Problem für Großunternehmen. Es ist eine Veränderung darin, wie gewöhnliche Menschen bei Spesenabrechnungen betrügen, und sie betrifft Unternehmen jeder Größe, nicht nur die Fortune 500.
Was sich geändert hat: Von einer großen Fälschung zu vielen kleinen
Bevor generative KI-Tools breit zugänglich wurden, erforderte das Fälschen eines Belegs einigen Aufwand — meist das Bearbeiten einer Vorlage in einer Bildbearbeitungssoftware oder das physische Verändern eines echten Belegs. Betrüger, die diesen Aufwand betrieben, neigten dazu, groß zuzuschlagen: AppZen stellte fest, dass ältere, vorlagenbasierte Fake-Belege im Schnitt $182 betrugen.
KI hat diese Wirtschaftlichkeit verändert. Ein großes Sprachmodell oder ein Bildgenerator kann in Sekunden und kostenlos einen überzeugenden Restaurantbeleg erzeugen, komplett mit einem plausiblen Händlernamen, aufgeschlüsselten Summen und sogar einem gefälschten Scanner-Wasserzeichen. Das hat die Anreizstruktur vollständig umgekehrt.
AppZens CTO, Kunal Verma, brachte es unverblümt auf den Punkt: „KI-Generatoren sind kostenlos, sofort verfügbar und gut genug, um eine Person zu täuschen." Er fügte hinzu, KI habe „im Grunde das Spiel gedreht: von einer einzigen Fälschung, die groß genug war, um das Risiko wert zu sein, hin zu einem Haufen winziger Fälschungen, die niemand zu prüfen sich die Mühe macht."
Die Zahlen bestätigen das. KI-generierte Belege in AppZens Datensatz beliefen sich im Durchschnitt auf nur $101, mit einem Median von lediglich $32 — deutlich unter den automatischen Genehmigungsschwellen, die die meisten Spesensysteme nutzen, um kleine Ansprüche ohne manuelle Prüfung schnell durchzuwinken. Statt eines einzigen gefälschten $500-Abendessens, das einem Prüfer auffallen könnte, besteht das neue Muster aus einem Dutzend Ansprüchen zwischen $30 und $40, die jeweils für sich unauffällig wirken.
Es ist nicht nur ein Problem für Großunternehmen
Das Ausmaß der von AppZen dokumentierten Einzelfälle ist auffällig. Bei einem Fortune-10-Unternehmen reichten 142 Mitarbeiter in 22 Ländern 340 KI-generierte Belege im Gesamtwert von $34.953 ein — mehr als alle 25 europäischen Kunden von AppZen zusammen. Indien führte beim Einreichungsvolumen, während Australien die höchste Konzentration pro Beleg aufwies, darunter ein Telekommunikationsmitarbeiter, der $12.900 über nur 11 gefälschte Belege geltend machte.
Aber auch kleine und mittelständische Unternehmen sind exponiert, oft sogar stärker, weil ihnen typischerweise ein dediziertes Betrugserkennungsteam fehlt und sie sich auf die Sichtprüfung eines Managers oder die Stichprobenkontrolle eines Buchhalters verlassen. Ein europäischer Optikeinzelhändler in den AppZen-Daten hatte einen einzelnen Mitarbeiter, der 45 betrügerische Belege verteilt über 15 separate Spesenabrechnungen einreichte, bevor jemand ein Muster bemerkte.
Und das ist kein Randphänomen. Eine separate Umfrage unter 2.000 Arbeitnehmern durch das Spesenmanagement-Unternehmen Emburse ergab, dass 40% der US-Befragten zugaben, KI zur Erstellung eines gefälschten Belegs genutzt zu haben. Von diesen gaben 19% an, einen Kauf vollständig erfunden zu haben, 15% nutzten KI, um den Wert einer echten Ausgabe zu erhöhen, und 6% nutzten sie, um einen Beleg für einen Kauf zu rekonstruieren, für den sie den Papierbeleg tatsächlich verloren hatten.
Bemerkenswert: Nicht jeder, der hier KI einsetzt, versucht, Geld zu stehlen. Manche Mitarbeiter nutzen sie, um einen legitimen, verlorenen Beleg zu rekonstruieren, statt von Grund auf Betrug zu begehen — eine Nuance, die man im Hinterkopf behalten sollte, bevor man jeden gemeldeten Anspruch als böswillig einstuft. Aber aus Sicht der Kontrollen ist ein KI-gefälschtes Dokument unabhängig von der dahinterliegenden Motivation ein KI-gefälschtes Dokument, und es bricht die Annahme, dass ein Beleg der Beweis dafür ist, dass eine Transaktion stattgefunden hat.
Wie KI-generierte Belege tatsächlich aussehen
Die Fälschungen sind so ausgefeilt geworden, dass die visuelle Prüfung allein oft nicht mehr ausreicht, um sie zu erkennen. Beispiele aus AppZens Datensatz umfassen:
- Gefälschte Restaurantbelege mit erfundenen Scanner-Wasserzeichen und überzeugend handschriftlich wirkenden Unterschriften
- Gefälschte AT&T- und Xfinity-Rechnungen, was darauf hindeutet, dass sich Betrug von einmaligen Mahlzeit- und Reiseansprüchen auf wiederkehrende monatliche „Ausgaben" ausweitet
- Aufgeschlüsselte Summen und Steuerberechnungen, die intern konsistent genug sind, um einem schnellen Blick standzuhalten
Vorlagenbasierte Fälschungen — die ältere Methode — machten ein Jahr zuvor 95% bis 100% der gemeldeten Betrugsfälle aus. Bis Mai 2026 waren sie auf nur noch 29% des Gesamtvolumens gefallen, während KI-generierte Belege den Mehrheitsanteil übernahmen. Die Werkzeuge wurden besser, günstiger und zugänglicher, und die Betrugstaktiken zogen mit.
Warum das für jedes Unternehmen wichtig ist, nicht nur für große
Betrug bei Geschäftsreisen und Spesen ist bereits ein bedeutend großes Problem — eine breiter angelegte Studie zur Betrugsexponierung schätzte das gesamte Spesen- und Reisebetrug-Risiko auf $3,5 Milliarden, wovon rund $175 Millionen speziell KI-generierten Dokumenten zugeordnet werden. Spesen- und Reisebetrug fällt zudem auf, weil er ungewöhnlich dokumentengetrieben ist: Schätzungsweise 85% der Betrugsschemata in dieser Kategorie beinhalten irgendeine Form von Papierkram, was bedeutet, dass Belege und Rechnungen die primäre Angriffsfläche sind.
Für ein kleines Unternehmen ist die Exponierung nicht proportional zur Mitarbeiterzahl — sie ist proportional dazu, wie stark man sich auf unverifizierte Papier- (oder PDF-)Spuren verlässt. Wenn Ihr Spesengenehmigungsprozess lautet „ein Mitarbeiter reicht einen Beleg ein und ein Manager klickt auf Genehmigen", haben Sie genau die Kontrolllücke, die dieses Betrugsmuster ausnutzen soll.
Wie Sie Ihr Unternehmen schützen
Sie brauchen keine Enterprise-Betrugserkennungssoftware, um dieses Risiko wirksam zu reduzieren. Ein paar praktische Änderungen bringen viel:
Hören Sie auf, Belege allein als Beweis zu behandeln. Ein Beleg ist eine Behauptung, kein Beweis. Gleichen Sie ihn mit etwas Unabhängigem ab — der tatsächlichen Karten- oder Banktransaktion, Händlerunterlagen, einem Kalendereintrag oder einem Reiseplan. Wenn ein $38-Mittagessensbeleg keiner tatsächlichen Kartenabbuchung an diesem Tag entspricht, ist das Ihr Warnsignal, nicht das Erscheinungsbild des Belegs.
Überprüfen Sie Ihre automatischen Genehmigungsschwellen. Kleine Ausgaben unterhalb eines Schwellenwerts schnell durchzuwinken, ist sinnvoll, um Erstattungen zügig zu halten, aber es ist auch genau die Lücke, die KI-generierter Betrug ausnutzen soll. Erwägen Sie eine Stichprobenprüfung von Ansprüchen „unterhalb der Schwelle", anstatt 100% davon automatisch zu genehmigen — schon eine Prüfquote von 10% verändert die Risikorechnung für jeden, der eine Abrechnung aufblähen möchte.
Verlassen Sie sich nicht auf ein einzelnes Erkennungssignal. Manche Finanzteams stützen sich auf eingebettete Dateimetadaten (wie Bild-EXIF-Daten), um KI-generierte Bilder zu erkennen. Das ist brüchig — Metadaten lassen sich leicht durch Screenshots, Formatkonvertierung oder einfaches erneutes Speichern des Bildes entfernen. Kombinieren Sie stattdessen mehrere Prüfungen: Existiert der Händler, entspricht der Betrag einem realen Transaktionsmuster, ergibt der Zeitpunkt Sinn.
Achten Sie auf Muster bei kleinen Ansprüchen, nicht nur bei großen. Ein einzelner fragwürdiger $30-Beleg mag ein Rundungsfehler sein. Zehn davon vom selben Mitarbeiter über drei Monate sind ein Muster, das ein Gespräch wert ist. Aggregierte Ansichten — sortiert nach Mitarbeiter, nach Händler, nach runden Beträgen — bringen zutage, was die Einzelprüfung übersieht.
Wo eine saubere Buchhaltung das erleichtert
Die Unternehmen, die am besten aufgestellt sind, um diese Art von Betrug zu erkennen, sind nicht unbedingt jene mit der ausgefeiltesten Erkennungssoftware — es sind jene mit Spesendaten, die von vornherein leicht abzufragen, abzugleichen und zu prüfen sind. Wenn Ihre Buchhaltung in einem Format vorliegt, das schwer zu durchsuchen oder mit Kontoauszügen abzugleichen ist, wird das Erkennen eines Musters kleiner, verdächtiger Ansprüche zu manueller Fleißarbeit.
Das ist einer der leiseren Vorteile der Klartext-Buchhaltung. Beancount.io hält Ihr Hauptbuch in einem versionskontrollierten, für Mensch und Skript lesbaren Format, sodass der Abgleich eines Spesenanspruchs mit der tatsächlichen Transaktion — oder das Schreiben einer schnellen Abfrage, um jede Erstattung knapp unter Ihrer Genehmigungsschwelle zu markieren — unkompliziert ist statt einer Excel-Ausgrabung. Kostenlos starten und entdecken, warum Entwickler und finanzbewusste Unternehmer zur Klartext-Buchhaltung wechseln.