← Alla guider Ekonomi

Falska kvitton och utläggsbedrägerier

Genererade kvitton lurar nu ögat vid en snabb anblick. En checklista för ekonomiteam, varför ändrade totalsummor lämnar en lokal signal och var granskningen måste stanna.

· 7 min läsning · Best AI Image Detector

De flesta falska kvitton är äkta kvitton där totalsumman har ändrats. Det lämnar en signal i en del av bilden, som en helbildspoäng jämnar ut men som en regionkarta fångar upp.

Varför kvitton är ett enkelt mål

Ett kvitto är text på papper fotograferat i dåligt ljus. Det finns inga ansikten, inga händer, ingen komplex miljö, och alla förväntar sig att bilden ska vara lite suddig och dåligt beskuren. Alla kvalitetsproblem som skulle göra ett annat fotografi misstänkt är normala här.

Beloppen är också tillräckligt små för att ingen ska utreda dem individuellt. Ett ekonomiteam som granskar fyra hundra utlägg i månaden letar efter avvikelser, inte efter forensiska spår på ett kaffekvitto. Ett enstaka ändrat kaffekvitto är inte värt att jaga; fyrtio stycken under ett år motsvarar en månadslön.

De två mönstren, och hur de tolkas

14 11 9 12 76 81 16 13 10

Papperet, ljuset och beskärningen är äkta. Två intilliggande rutor som täcker beloppen är det inte.

Ett äkta kvitto med två artiklar och totalsumman omgenererad. Helbildspoängen var 34.

Ett helt genererat kvitto ser annorlunda ut. Varje ruta ligger högt, eftersom ingen del av bilden kom från en kamera. Det fallet är lättare att upptäcka och i praktiken mindre vanligt än det redigerade.

Att skilja de två åt
MönsterHelbildspoängOmrådeskartaBetydelse
Genererat kvittoHögHöga värden i samtliga rutorKöpet ägde troligen aldrig rum
Redigerat beloppLåg till måttligEn eller två rutor är högaEtt verkligt köp där siffran ändrats
Äkta, dåligt fotograferatMåttligJämnt varmKomprimering och dåligt ljus, inte bedrägeri
Äkta, bra fotoLågVarje ruta är lågInget avvikande

Kontrollerna som inte involverar pixlar

Bildanalys är en signal, och vid utläggsbedrägerier är det sällan den första som ger utslag. Dessa kostar ingenting och fångar mer.

  • Aritmetik. Summerar artiklarna till delsumman, och stämmer momssatsen? Redigerade totalsummor bryter ofta matematiken, eftersom personen som ändrar dem bara ändrar en enda siffra.
  • Sekvensnummer. Två kvitton från samma inköpsställe på olika dagar med på varandra följande transaktionsnummer är en starkare signal än någon poäng.
  • Företagsuppgifter. Ett telefonnummer som inte fungerar, en adress som inte finns, ett organisationsnummer i fel format för landet.
  • Återanvända bilder. Samma pappersstruktur, samma bord, samma ljussättning över påstått orelaterade inköp.
  • Tidpunkt. Kvitton som skickas in i klump vid periodens slut, daterade över flera veckor, alla fotograferade vid samma tillfälle.
  • Jämna belopp. Belopp som upprepade gånger ligger precis under en attesteringsgräns.

Varför ekonomiavdelningar inte bör ladda upp kvitton

Ett kvitto innehåller en anställds plats, tider och utgifter, samt ofta ett delvis synligt kortnummer. Att skicka detta till en extern bedömningstjänst innebär behandling av personalens personuppgifter, vilket kräver avtal, gallringspolicy och en skrivning i integritetspolicyn.

Analys i webbläsaren undviker allt detta. Filen läses från disken av webbsidan och överförs aldrig, så det finns inget personuppgiftsbiträde att anlita och inget att informera om.

Vad du gör med ett flaggat kvitto

  1. Kontrollera originalet igen

    Be om filen direkt från telefonen som tog bilden. De flesta höga poäng på äkta kvitton beror på omkomprimering efter att bilden skickats via e-post eller chattappar.

  2. Kontrollera uträkningen och inköpsstället

    Om siffrorna inte stämmer eller om företaget inte finns har du ett svar som inte alls beror på en modell.

  3. Titta på mönstret, inte den enskilda utgiften

    Ett enstaka flaggat kvitto är brus. Samma anställd flaggad fyra gånger, eller en serie fotograferad vid ett och samma tillfälle, är ett mönster värt att gå vidare med.

  4. Styr ärendet till en person, inte en automatisk regel

    Automatisk avvisning baserad på en poäng är orättvist och, om det påverkar lönen, juridiskt riskabelt. En flaggning bör leda till ett samtal.

Att utforma en policy som håller i praktiken

En utläggspolicy som behandlar varje flaggat kvitto som misstänkt bedrägeri skapar fler konflikter än återkrav. Felfrekvensen för kvittobilder är hög, och de som berörs är dina egna medarbetare.

Sätt gränsen utifrån belopp snarare än modellpoäng. Att kontrollera allt över en viss summa är proportionerligt och lätt att motivera för fack eller samverkansgrupper. Att kontrollera allt och sedan agera på ett modellresultat är ingetdera.

Var tydlig i policyn med att bildkontroller görs, vad som utlöser dem och att en flaggning leder till en begäran om originalfilen snarare än ett avslag. Medarbetare som känner till regeln i förväg accepterar den. Medarbetare som upptäcker den genom en anklagelse gör det inte.

  • Offentliggör beloppsgränsen så att ingen överraskas av en kontroll.
  • Skicka flaggningar till en människa, aldrig till ett automatiskt avslag.
  • Be om originalfilen först, eftersom omkomprimering förklarar de flesta höga poäng.
  • Agera på mönster hos en person, inte på enstaka kvitton.

Frågor som ställs

Kan AI-detektering upptäcka ett falskt kvitto?
Den upptäcker två saker: ett helt AI-genererat kvitto, som ger höga poäng över varje delruta, och ett manipulerat belopp, som syns som en eller två heta rutor i en annars ren bild. Den upptäcker inte ett äkta kvitto för ett privat inköp, vilket är en betydligt vanligare form av utläggsfusk.
Varför får äkta kvitton ibland höga poäng?
Kvitton fotograferas ofta i dåligt ljus, i vinkel, på skrynkligt papper och komprimeras sedan av appen de skickas genom. Allt detta drar upp poängen. Räkna med en viss andel falska positiva och bygg processen så att en flaggning leder till en fråga snarare än ett avslag.
Bör vi kontrollera varje kvitto automatiskt?
Billigare kontroller fångar mer. Aritmetik, löpnummer och validering av säljare körs omedelbart och hittar avvikelser som bildanalys aldrig ser. Använd dem i första steget och spara pixelanalysen till det som flaggas där, eller till utlägg över ett visst belopp.
Kan vi spara resultaten i vårt utläggssystem?
Ja, och att spara analysunderlaget snarare än ett omdöme är rätt väg att gå. Exportera rapporten så att poängen, områdeskartan och datumet finns sparade tillsammans med utlägget. Ett beslut som ifrågasätts ett år senare måste kunna förklaras, och exporten gör det möjligt.
Kan vi kontrollera kvitton i grupp?
Ja, upp till 25 bilder per batch. De flesta team kör ett helt utlägg på en gång och letar efter avvikelser snarare än att läsa varje enskild poäng. Bilder tagna vid samma tillfälle brukar ligga inom ett snävt intervall, så kvittot som sticker ut markant är det som bör granskas närmare.