← Alle Anleitungen Finanzen

Gefälschte Quittungen und Spesenbetrug

Generierte Quittungen bestehen inzwischen einen ersten Blick. Eine Checkliste für Finanzteams, warum veränderte Summen ein lokales Signal hinterlassen und wo die Prüfung stoppen muss.

· 7 Min. Lesezeit · Best AI Image Detector

Die meisten gefälschten Quittungen sind echte Quittungen mit geändertem Gesamtbetrag. Das hinterlässt ein Signal in einem Teil des Bildes, das ein Gesamtwert ausgleicht und eine Regionskarte nicht.

Warum Quittungen ein leichtes Ziel sind

Eine Quittung ist Text auf Papier, fotografiert bei schlechtem Licht. Es gibt kein Gesicht, keine Hände, keine komplexe Szene, und jeder erwartet, dass das Bild leicht unscharf und schlecht zugeschnitten ist. Jedes Qualitätsproblem, das ein anderes Foto verdächtig machen würde, ist hier normal.

Die Beträge sind zudem so gering, dass niemand einzeln ermittelt. Ein Finanzteam, das vierhundert Ansprüche im Monat prüft, sucht nach Ausreißern und führt keine Forensik an einer Kaffeequittung durch. Eine einzige veränderte Kaffeequittung zu jagen lohnt sich nicht; vierzig davon über ein Jahr hinweg ergeben ein Gehalt.

Die beiden Muster und wie sie gelesen werden

14 11 9 12 76 81 16 13 10

Das Papier, die Beleuchtung und der Zuschnitt sind echt. Zwei benachbarte Kacheln, die die Beträge abdecken, sind es nicht.

Eine echte Quittung mit zwei Positionen und neu generierter Summe. Der Wert für das gesamte Bild betrug 34.

Eine vollständig generierte Quittung sieht anders aus. Jede Kachel steht hoch, da kein Teil des Bildes von einer Kamera stammte. Dieser Fall ist einfacher zu erkennen und in der Praxis seltener als der bearbeitete.

Die Unterscheidung der beiden
MusterGesamtwertRegionskarteBedeutung
Generierte QuittungHochJede Kachel hochDer Kauf hat wahrscheinlich nie stattgefunden
Bearbeiteter BetragNiedrig bis mittelEine oder zwei Kacheln hochEin echter Kauf mit geändertem Betrag
Echt, schlecht fotografiertMittelGleichmäßig warmKomprimierung und schlechtes Licht, kein Betrug
Echt, gutes FotoNiedrigJedes Kachel niedrigNichts zu sehen

Die Prüfungen, die keine Pixel beinhalten

Die Bildanalyse ist ein Signal und schlägt beim Spesenbetrug selten als Erstes an. Diese kosten nichts und fangen mehr ab.

  • Arithmetik. Addieren sich die Positionen zum Zwischenbetrag und gilt der Steuersatz korrekt? Geänderte Summen machen oft die Mathematik kaputt, da die Person, die sie ändert, nur eine Zahl ändert.
  • Sequenznummern. Zwei Quittungen desselben Händlers an unterschiedlichen Tagen mit benachbarten Transaktionsnummern sind ein stärkeres Signal als jeder Wert.
  • Händlerdetails. Eine Telefonnummer, die nicht erreichbar ist, eine Adresse, die nicht existiert, eine Steuernummer im falschen Format für das Land.
  • Wiederholte Bilder. Dieselbe Papiertextur, derselbe Tisch, dieselbe Beleuchtung bei vermeintlich nicht zusammenhängenden Käufen.
  • Zeitpunkt. Quittungen, die in einer Charge am Periodenende eingereicht und über mehrere Wochen datiert sind, alle in derselben Sitzung fotografiert.
  • Runde Zahlen. Beträge, die knapp unter einer Genehmigungsschwelle liegen, wiederholt.

Warum Finanzteams keine Belege hochladen sollten

Ein Beleg enthält den Standort, den Zeitpunkt und die Ausgaben eines Mitarbeiters sowie häufig einen Teil der Kartennummer. Dies an einen externen Scoring-Dienst zu senden, erzeugt ein Verarbeitungsverhältnis, das personenbezogene Daten von Mitarbeitern umfasst. Dafür sind ein Vertrag, eine Aufbewahrungsrichtlinie und ein Passus in Ihrer Datenschutzerklärung erforderlich.

Das Scoring im Browser vermeidet all dies. Die Datei wird von der Seite von der Festplatte gelesen und niemals übertragen. Es gibt also keinen Auftragsverarbeiter zu bestimmen und nichts offenzulegen.

Was tun mit einem markierten Beleg

  1. Das Original erneut prüfen

    Fragen Sie nach der Datei von dem Telefon, mit dem sie aufgenommen wurde. Die meisten hohen Werte bei echten Belegen stammen von einer erneuten Komprimierung, nachdem das Bild per E-Mail oder Chat-App verschickt wurde.

  2. Arithmetik und Händler prüfen

    Wenn die Zahlen nicht stimmen oder der Händler nicht existiert, haben Sie ein Ergebnis, das überhaupt nicht von einem Modell abhängt.

  3. Auf das Muster achten, nicht auf die Behauptung

    Ein einzelner markierter Beleg ist Rauschen. Derselbe Mitarbeiter viermal markiert oder eine Reihe, die in einer Sitzung fotografiert wurde, ist ein Muster, dem nachzugehen sich lohnt.

  4. An eine Person weiterleiten, nicht an eine Richtlinie

    Eine automatische Ablehnung aufgrund eines Scores ist unfair und, wo sie das Gehalt betrifft, rechtlich riskant. Eine Markierung sollte ein Gespräch in Gang setzen.

Eine Richtlinie entwerfen, die den Kontakt mit Mitarbeitern übersteht

Eine Spesenrichtlinie, die jeden markierten Beleg als mutmaßlichen Betrug behandelt, erzeugt mehr Beschwerden als Rückerstattungen. Die Fehlerrate bei Belegfotos ist hoch, und die betroffenen Personen sind Ihre eigenen Mitarbeiter.

Legen Sie den Schwellenwert nach Betrag statt nach Score fest. Alles oberhalb eines Limits zu prüfen, ist verhältnismäßig und lässt sich einem Betriebsrat oder einer Gewerkschaft leicht erklären. Alles zu prüfen und dann nach einer Modellausgabe zu handeln, ist keines von beidem.

Geben Sie in der Richtlinie an, dass Bildprüfungen stattfinden, was diese auslöst und dass eine Markierung zu einer Anfrage nach der Originaldatei statt zu einer Ablehnung führt. Mitarbeiter, die die Regel im Voraus kennen, akzeptieren sie. Mitarbeiter, die sie durch einen Vorwurf entdecken, tun dies nicht.

  • Veröffentlichen Sie den Schwellenwert, damit niemand durch eine Prüfung überrascht wird.
  • Leiten Sie Markierungen an eine Person weiter, niemals an eine automatische Ablehnung.
  • Fordern Sie zuerst die Originaldatei an, da eine erneute Komprimierung die meisten hohen Werte erklärt.
  • Eskalieren Sie bei Mustern über einen Anspruchsteller hinweg, nicht bei einzelnen Belegen.

Häufig gestellte Fragen

Kann die KI-Erkennung einen gefälschten Beleg erkennen?
Sie erkennt zwei Dinge: einen vollständig generierten Beleg, der bei jedem Kachel-Bereich hohe Werte erzielt, und einen veränderten Betrag, der sich als ein oder zwei heiße Kacheln in einem ansonsten sauberen Bild zeigt. Sie erkennt keinen echten Beleg für einen Kauf, der keinen geschäftlichen Bezug hatte, was eine weitaus häufigere Form von Spesenbetrug ist.
Warum erzielen echte Belege manchmal hohe Werte?
Belege werden bei schlechtem Licht, schräg, auf sich rollendem Papier fotografiert und dann von der jeweiligen App komprimiert, durch die sie laufen. Jedes einzelne davon treibt den Score nach oben. Rechnen Sie mit einer realen Falsch-Positiv-Rate und gestalten Sie den Prozess so, dass eine Markierung eine Nachfrage statt einer Ablehnung auslöst.
Sollten wir jeden Beleg automatisch prüfen?
Günstigere Prüfungen erkennen mehr. Arithmetik, Sequenznummern und Händlerprüfung laufen sofort ab und finden Betrug, den die Bildanalyse niemals finden wird. Verwenden Sie diese als ersten Filter und reservieren Sie Pixelprüfungen für das, was diese zutage fördern, oder für Ansprüche oberhalb eines Betragsschwellenwerts.
Können wir die Ergebnisse in unserem Spessystem speichern?
Ja, und das Speichern des Ergebnisses statt des Urteils ist der richtige Ansatz. Exportieren Sie den Bericht, sodass Score, Regionskarte und Datum zusammen mit dem Anspruch abgelegt sind. Eine Entscheidung, die ein Jahr später hinterfragt wird, muss erklärbar sein, und der Export macht dies möglich.
Können wir Belege stapelweise prüfen?
Ja, bis zu 25 Bilder pro Batch. Die meisten Teams lassen einen ganzen Anspruch auf einmal durchlaufen und suchen nach dem Ausreißer, statt jeden Score einzeln zu lesen. Eine in einer Sitzung fotografierte Serie neigt dazu, in einem engen Bereich zu punkten, sodass der Beleg, der weit außerhalb liegt, derjenige ist, den es sich zu öffnen lohnt.