Waarom dit plotseling een reëel probleem werd
Veertien maanden geleden was vrijwel geen van de nepbonnetjes die door fraudedetectiesystemen voor onkosten werden gemarkeerd AI-gegenereerd. Tegen midden mei 2026 vormden ze de meerderheid.
Dat is de conclusie van AppZen, een bedrijf voor financiële automatisering dat bedrijfsdeclaraties scant op fraude. In maart 2025 vormden AI-gegenereerde bonnetjes vrijwel 0% van de nepbonnetjes die door hun systemen werden opgevangen. Tegen mei 2026 was dat percentage gestegen naar 70.8%. Over de afgelopen 12 maanden detecteerde AppZen 1,471 AI-gegenereerde bonnetjes, ingediend door 745 werknemers bij 174 bedrijven, goed voor $148,143 aan geclaimde onkosten.
Als u een klein bedrijf runt en werknemers vergoedt voor reizen, maaltijden of benodigdheden, is dit geen abstract probleem van grote ondernemingen. Het is een verschuiving in de manier waarop gewone mensen frauderen met onkostendeclaraties, en het gebeurt bij bedrijven van elke omvang, niet alleen bij de Fortune 500.
Wat er is veranderd: van één grote nepbon naar een stapel kleintjes
Voordat generatieve AI-tools breed toegankelijk werden, kostte het vervalsen van een bonnetje behoorlijk wat moeite — meestal het bewerken van een sjabloon in beeldbewerkingssoftware of het fysiek aanpassen van een echt bonnetje. Fraudeurs die die moeite namen, gingen doorgaans voor het grote werk: AppZen ontdekte dat oudere, sjabloongebaseerde nepbonnetjes gemiddeld $182 per stuk bedroegen.
AI heeft de economie van fraude veranderd. Een large language model of beeldgenerator kan in enkele seconden en gratis een overtuigend restaurantbonnetje produceren, compleet met een plausibele handelsnaam, gespecificeerde totalen en zelfs een nepwatermerk van een kassascanner. Dat heeft de prikkelstructuur volledig omgedraaid.
AppZen-CTO Kunal Verma verwoordde het onomwonden: "AI-generatoren zijn gratis, direct beschikbaar en goed genoeg om iemand voor de gek te houden." Hij voegde eraan toe dat AI "het spel in feite heeft omgedraaid van één nepbon die groot genoeg is om het risico waard te zijn, naar een stapel kleintjes die niemand de moeite neemt te controleren."
De cijfers bevestigen dit. AI-gegenereerde bonnetjes in de dataset van AppZen bedroegen gemiddeld slechts $101, met een mediaan van maar $32 — ruim onder de automatische goedkeuringsdrempels die de meeste onkostensystemen gebruiken om kleine claims zonder handmatige controle snel af te handelen. In plaats van één nep etentje van $500 dat de aandacht van een goedkeurder zou kunnen trekken, is het nieuwe patroon een dozijn claims van $30 tot $40 die elk op zichzelf onopvallend lijken.
Dit is niet alleen een probleem voor grote bedrijven
De omvang van de individuele gevallen die AppZen documenteerde, is opvallend. Bij één Fortune 10-bedrijf dienden 142 werknemers in 22 landen 340 AI-gegenereerde bonnetjes in, goed voor in totaal $34,953 — meer dan alle 25 Europese klanten van AppZen samen. India voerde de lijst aan qua indieningsvolume, terwijl Australië de hoogste concentratie per bonnetje liet zien, waaronder een telecommedewerker die $12,900 claimde via slechts 11 vervalste bonnetjes.
Maar ook kleine en middelgrote bedrijven lopen risico, vaak zelfs sterker, omdat zij doorgaans geen speciaal fraudedetectieteam hebben en vertrouwen op de visuele controle van een manager of de steekproefcontrole van een boekhouder. Bij een Europese opticienketen in de AppZen-data diende één werknemer 45 frauduleuze bonnetjes in, verspreid over 15 afzonderlijke onkostendeclaraties, voordat iemand het patroon opmerkte.
En dit is geen randverschijnsel. Een afzonderlijk onderzoek onder 2,000 werknemers door het onkostenbeheerbedrijf Emburse toonde aan dat 40% van de Amerikaanse respondenten toegaf AI te hebben gebruikt om een nepbonnetje te genereren. Van hen zei 19% een aankoop volledig te hebben verzonnen, gebruikte 15% AI om de waarde van een echte onkostenpost op te blazen, en zette 6% het in om een bonnetje na te maken voor een aankoop waarvan ze het papieren bewijs oprecht waren kwijtgeraakt.
Het is de moeite waard om op te merken: niet iedereen die hier AI gebruikt, probeert geld te stelen. Sommige werknemers gebruiken het om een legitiem verloren bonnetje te reconstrueren in plaats van fraude te plegen vanaf nul — een nuance die het waard is om in gedachten te houden voordat u aanneemt dat elke gemarkeerde claim kwaadwillig is. Maar vanuit het oogpunt van interne controles is een AI-vervalst document een AI-vervalst document, ongeacht de motivatie erachter, en het ondermijnt de aanname dat een bonnetje het bewijs is dat een transactie heeft plaatsgevonden.
Hoe AI-gegenereerde bonnetjes er in de praktijk uitzien
De nepbonnetjes zijn zo geraffineerd geworden dat visuele inspectie alleen vaak niet volstaat om ze te ontmaskeren. Voorbeelden uit de dataset van AppZen zijn onder meer:
- Vervalste restaurantbonnetjes met verzonnen scannerwatermerken en overtuigende, handgeschreven ogende handtekeningen
- Nepfacturen van AT&T en Xfinity, wat erop wijst dat de fraude zich uitbreidt van eenmalige maaltijd- en reisclaims naar terugkerende maandelijkse "onkosten"
- Gespecificeerde totalen en belastingberekeningen die intern consistent genoeg zijn om een snelle blik te doorstaan
Sjabloongebaseerde nepbonnetjes — de oudere methode — maakten een jaar eerder nog 95% tot 100% uit van de gemarkeerde fraude. Tegen mei 2026 was dat gedaald naar slechts 29% van het totaal, waarbij AI-gegenereerde bonnetjes het grootste aandeel overnamen. De tools werden beter, goedkoper en toegankelijker, en de fraudetactieken volgden die ontwikkeling.
Waarom dit voor elk bedrijf belangrijk is, niet alleen voor grote
Fraude met zakenreizen en onkosten is al een probleem van aanzienlijke omvang — een breder onderzoek naar fraude-blootstelling schatte de totale blootstelling aan reis- en onkostenfraude op $3.5 miljard, waarvan ongeveer $175 miljoen specifiek is toe te schrijven aan AI-gegenereerde documenten. Reis- en onkostenfraude valt ook op doordat het ongewoon documentgedreven is: naar schatting 85% van de fraudeschema's in deze categorie draait om een vorm van papierwerk, wat betekent dat bonnetjes en facturen het primaire aanvalsoppervlak vormen.
Voor een klein bedrijf is de blootstelling niet evenredig met het aantal werknemers — het is evenredig met hoeveel u vertrouwt op ongeverifieerde papieren (of PDF-)dossiers. Als uw goedkeuringsproces voor onkosten neerkomt op "een werknemer dient een bonnetje in en een manager klikt op goedkeuren", heeft u precies het controlegat dat dit fraudepatroon is ontworpen om te misbruiken.
Hoe u uw bedrijf beschermt
U hebt geen fraudedetectiesoftware op ondernemingsniveau nodig om dit risico wezenlijk te verkleinen. Een paar praktische aanpassingen brengen u al ver.
Stop met bonnetjes als bewijs op zich te behandelen. Een bonnetje is een claim, geen bewijs. Toets het tegen iets onafhankelijks — de daadwerkelijke kaart- of banktransactie, gegevens van de handelaar, een agenda-item of een reisschema. Als een bonnetje van $38 voor de lunch niet overeenkomt met een daadwerkelijke kaarttransactie op die dag, is dát uw signaal, niet hoe het bonnetje eruitziet.
Herzie uw drempels voor automatische goedkeuring. Kleine onkosten onder een bepaalde drempel snel afhandelen is redelijk om declaraties vlot te houden, maar het is ook precies het gat dat AI-gegenereerde fraude is ontworpen om te misbruiken. Overweeg steekproefsgewijze controle van claims "onder de drempel" in plaats van ze allemaal automatisch goed te keuren — zelfs een controlepercentage van 10% verandert de risicoafweging voor iedereen die overweegt een declaratie op te blazen.
Vertrouw niet op één enkel detectiesignaal. Sommige financiële teams leunen op ingebedde bestandsmetadata (zoals EXIF-gegevens van afbeeldingen) om AI-gegenereerde beelden te herkennen. Dat is kwetsbaar — metadata wordt eenvoudig verwijderd door een screenshot te maken, het bestandsformaat te wijzigen of de afbeelding simpelweg opnieuw op te slaan. Combineer in plaats daarvan meerdere controles: bestaat de leverancier, komt het bedrag overeen met een reëel transactiepatroon, klopt de timing.
Let op patronen bij kleine claims, niet alleen bij grote. Eén twijfelachtig bonnetje van $30 kan een afrondingsfout zijn. Tien daarvan van dezelfde werknemer over drie maanden is een patroon dat een gesprek waard is. Geaggregeerde overzichten — gesorteerd op werknemer, op leverancier, op ronde bedragen — brengen aan het licht wat individuele controle mist.
Waar een overzichtelijke boekhouding dit makkelijker maakt
De bedrijven die het best gepositioneerd zijn om dit soort fraude op te sporen, zijn niet per se de bedrijven met de meest geavanceerde detectiesoftware — het zijn de bedrijven met onkostengegevens die van begin af aan eenvoudig te doorzoeken, te vergelijken en te controleren zijn. Als uw boekhouding in een formaat staat dat lastig te doorzoeken is of te vergelijken met bankgegevens, wordt het opsporen van een patroon van kleine, verdachte claims al snel handmatig ploeterwerk.
Dit is een van de minder in het oog springende voordelen van plain-text accounting. Beancount.io houdt uw grootboek in een versiebeheerd formaat dat zowel voor mensen als scripts leesbaar is, zodat het toetsen van een onkostenclaim aan de daadwerkelijke transactie — of het schrijven van een snelle query om elke vergoeding net onder uw goedkeuringsdrempel te markeren — een eenvoudige klus is in plaats van een spreadsheet-opgraving. Ga gratis aan de slag en ontdek waarom ontwikkelaars en financieel ingestelde bedrijfseigenaren overstappen op plain-text accounting.