KI-generierte gefälschte Dokumente: Welche Prüfebenen funktionieren noch?

Vor zwei Jahren erforderte eine überzeugend gefälschte Gehaltsabrechnung Können: eine Vorlage, ein Bildbearbeitungsprogramm und Geduld. 2026 genügt ein Prompt. Bildmodelle erzeugen Kontoauszüge, Nebenkostenabrechnungen und Ausweise, die auf den ersten Blick stimmig wirken. Sprachmodelle füllen sie mit Gehältern, Abzügen und Referenznummern, die rechnerisch aufgehen. Wer auf Grundlage von Dokumenten einen Kredit, einen Mietvertrag, einen Versicherungsfall oder ein neues Geschäftskonto genehmigt, fragt sich nicht mehr, ob synthetische Dokumente in die Prüfwarteschlange gelangen. Die Frage ist, welche Kontrollen sie noch erkennen und welche unbemerkt nicht mehr greifen.

Diese Analyse zeigt, was sich verändert hat, wie sich Prüf-Tools anpassen, wo die ehrlichen Grenzen liegen und wie sich die wichtigsten Anbieter heute positionieren.

Was sich verändert hat: Fälschen wurde zum Text-Prompt

Drei Modellfamilien speisen heute den Dokumentenbetrug, und jede hinterlässt andere Spuren.

• Diffusions- und Bildmodelle erzeugen auf Anfrage hochauflösende Bilder: einen Ausweis mit plausiblem Porträt, eine Nebenkostenabrechnung mit Versorgerlogo, einen Stempel auf einer Bescheinigung. Das Ergebnis hat kein Scannerrauschen und keine Papierstruktur, doch das Layout kann der echten Vorlage sehr nahekommen.
• Large Language Models schreiben den Inhalt. Eine so erzeugte Gehaltsabrechnung kann eine korrekt formatierte Steuernummer, zum angegebenen Gehalt passende Abzüge und stimmige Jahressummen enthalten. Es gibt keine Pixelartefakte zu finden, weil nichts bearbeitet wurde: Das Dokument wurde von Grund auf neu geschrieben.
• Vorlagen-Kits kombinieren beides. Ein echtes PDF-Layout wird wiederverwendet und nur die Daten werden ersetzt. Die Struktur wirkt also echt, während die Zahlen erfunden sind.

Die Übersicht von CheckFile dazu, wie generative Modelle Gehaltsabrechnungen, Ausweise und Kontoauszüge fälschen, ordnet jede Technik den Dokumenttypen zu, auf die sie zielt: GANs und Diffusion für Ausweisdokumente, Sprachmodelle mit Vorlagen für Gehaltsabrechnungen, Kontoauszüge, Rechnungen und Adressnachweise. Die praktische Folge: Eine Kontrolle, die auf Photoshop-Bearbeitungen ausgelegt ist und etwa nach geklonten Pixeln oder abweichenden Schriften in einem Feld sucht, findet in einem vollständig generierten Dokument kaum etwas.

Die fünf Erkennungsebenen, die 2026 zählen

Seriöse Tools verlassen sich nicht mehr auf einen einzigen Test. Sie kombinieren mehrere Ebenen, und jede erkennt eine andere Art von Fälschung.

1. Metadaten und PDF-Struktur

Ein Kontoauszug aus dem Dokumentensystem einer Bank trägt eine Produktionskette: die erzeugende Software, Erstellungs- und Änderungsdatum, eingebettete Schriften, manchmal eine digitale Signatur. Eine generierte Datei nennt im Producer-Feld oft ein Verbraucher-Tool oder eine PDF-Bibliothek, zeigt Erstellung und Änderung im Abstand weniger Sekunden oder hat überhaupt keine XMP-Metadaten. Diese Ebene ist schnell und günstig. Ihre Schwäche: Wer eine echte Vorlage wiederverwendet, übernimmt auch deren echte Struktur.

2. Visuelle Forensik

Error Level Analysis, Kompressionskarten, Prüfungen von Ausrichtung und Textur. Bedrucktes und gescanntes Papier liegt selten perfekt gerade, ein generiertes Bild dagegen meist schon. Ein echter Stempel zeigt Unregelmäßigkeiten der Tinte, ein synthetischer ist oft ein perfekter Kreis. Auch Unterschiede in der Auflösung zwischen einem gestochen scharfen Logo und einem weichen Fließtext sind ein klassisches Indiz. Diese Prüfungen erkennen weiterhin einen großen Teil bearbeiteter Dokumente. Bildmodelle werden jedoch mit jeder Version besser, sodass visuelle Signale allein mit der Zeit an Aussagekraft verlieren.

3. Konsistenz zwischen Dokumenten

Hier liegen heute die robustesten Signale. Eine Gehaltsabrechnung, ein Kontoauszug und ein Arbeitsvertrag aus demselben Antrag sollten übereinstimmen: Das auf dem Kontoauszug gutgeschriebene Gehalt sollte dem Nettolohn entsprechen, Name und Adresse des Arbeitgebers sollten überall identisch sein, die Daten sollten zueinander passen. Jedes generierte Dokument kann in sich fehlerfrei sein und trotzdem den anderen widersprechen, denn das Modell, das eines geschrieben hat, hat die anderen nie gesehen.

4. Register- und Prüfziffernabgleich

Ein Sprachmodell kann eine Handelsregisternummer, eine USt-IdNr. oder eine IBAN erzeugen, die die Formatprüfung besteht. Es kann aber nicht bewirken, dass dieses Unternehmen im amtlichen Register existiert, zum Datum des Dokuments aktiv ist und zur angegebenen Adresse passt. Der Abgleich von Kennungen mit Companies House, USt-Systemen oder nationalen Registern und die Prüfung von Prüfziffern machen aus einem plausibel wirkenden Feld eine überprüfbare Tatsache. Die Checkliste von CheckFile mit Hinweisen darauf, dass ein Dokument von KI erzeugt oder verändert wurde, sieht darin den Test, den Betrüger am schwersten bestehen.

5. Signale für synthetische Medien

Die neueste Ebene: Modelle, die darauf trainiert sind, typische Spuren generierter Inhalte zu markieren, etwa Frequenzartefakte an Buchstabenkanten, fehlendes Sensorrauschen in Porträts oder statistisch zu gleichförmigen Text. Nützlich, aber probabilistisch. Das Ergebnis ist ein Signal zum Abwägen, kein Urteil, dem man blind vertrauen sollte.

Warum Prüfungen einzelner Dokumente scheitern

Die meisten älteren Prüfverfahren betrachten jeweils ein Dokument: Ist dieser Ausweis echt, ist diese Gehaltsabrechnung lesbar, wirkt dieses PDF bearbeitet? Generativer Betrug nutzt genau diesen Blickwinkel aus. Eine generierte Gehaltsabrechnung kann für sich allein die Prüfung von Metadaten, OCR und Optik bestehen. Neben den Kontoauszug des Antragstellers gelegt, taucht der Nettolohn dort vielleicht nie als Gutschrift auf. Neben das Handelsregister gelegt, existiert der Arbeitgeber vielleicht nicht oder hat eine andere eingetragene Adresse.

Daraus ergeben sich für Käufer drei praktische Folgen:

1. Bewerten Sie Tools anhand von Dossiers, nicht anhand von Mustern. Bitten Sie Anbieter, eine vollständige Antragsakte mit allen Dokumenten zu prüfen statt eines Stapels einzelner Ausweise.
2. Prüfen Sie, welche Register angebunden sind. Die Registerabdeckung je Land ist oft das eigentliche Unterscheidungsmerkmal, mehr als das forensische Modell.
3. Verlangen Sie nachvollziehbare Ergebnisse. Ein einzelner Betrugs-Score ist schwer zu prüfen. Eine Liste von Signalen, jeweils mit Bezug zu einem Dokument und einer Regel, können Compliance-Prüfer und Aufsichtsbehörden nachvollziehen.

Die ehrliche Grenze: Niemand erkennt alles

Kein seriöser Anbieter behauptet, jedes KI-generierte Dokument zu erkennen, und Käufer sollten bei jedem misstrauisch sein, der es tut. Erkennungsmodelle werden mit den Generatoren von gestern trainiert. Die Generatoren von morgen werden einige der Lücken schließen, auf die sie sich stützen. CheckFile formuliert diese Einschränkung auf seiner eigenen Produktseite deutlich: Die Ebene für KI-Signale „hilft, synthetische Medien aufzudecken, ohne eine 100-prozentige Erkennung zu beanspruchen“. Sie ist als Ergänzung bestehender Kontrollen positioniert, nicht als Ersatz. Diese Einordnung ist richtig. Die dauerhafte Abwehr ist mehrschichtig: Strukturprüfungen, Konsistenz zwischen Dokumenten und Registerabfragen, die nicht davon abhängen, ein visuelles Artefakt zu entdecken, dazu ein Pfad zur manuellen Prüfung markierter Akten.

Die Anbieterlandschaft

Der Markt teilt sich in drei Gruppen: Plattformen zur Validierung ganzer Dossiers, Spezialisten für Dokumentenbetrug und Suiten zur Identitätsprüfung (IDV). Die folgende Tabelle gibt die öffentliche Positionierung jedes Anbieters mit Stand September 2026 wieder.

CheckFile: unsere Empfehlung für die Validierung ganzer Dossiers

Wir setzen CheckFile auf Platz eins, weil sein Aufbau dorthin passt, wohin sich die Erkennung entwickelt. Es geht über OCR hinaus: Es gleicht jedes Dokument einer Akte mit den anderen ab, prüft Daten gegen amtliche Register und markiert Hinweise auf KI-Generierung oder Deepfakes. Jedes Prüfergebnis kann einen Workflow auslösen. Die Ebene zur Erkennung von KI und Deepfakes wird als drei Analyseebenen beschrieben, die zu einer Entscheidung führen: strukturelle Konsistenz, Signale für KI-Generierung, dann Kreuzvalidierung und pro Kunde konfigurierbare Geschäftsregeln. Laut CheckFile unterstützt es mehr als 3.200 Dokumenttypen in 32 Rechtsordnungen, hostet Daten in Frankreich und Deutschland mit AES-256-Verschlüsselung und löscht Dokumente nach der Analyse. Die Tarife sind veröffentlicht: Starter mit 100 Akten pro Monat, Business mit 500, Enterprise unbegrenzt, und die Preisseite bietet ein kostenloses Pilotprojekt auf Ihren eigenen Dokumenten mit Ergebnissen in 48 Stunden. Die Abwägung: Das Tool ist für Akten mit mehreren Dokumenten gebaut. Ein Team, das nur Selfie- und Ausweisprüfungen braucht, kommt mit einer IDV-Suite direkter ans Ziel.

Resistant AI

Resistant AI konzentriert sich darauf, gefälschte, manipulierte und KI-generierte Dokumente wie Kontoauszüge, Rechnungen, Gehaltsnachweise und Nebenkostenabrechnungen zu erkennen, und ergänzt das um Transaktionsüberwachung. Der Anbieter bewirbt eine KYB-Dokumentenprüfung in weniger als 20 Sekunden. Eine starke Option für Fintechs, die Dokumentenbetrug und Transaktionsrisiko bei einem Anbieter abdecken wollen.

Inscribe

Inscribe ist speziell für Finanzdienstleister gebaut und nennt Deepfake-Dokumente als sein zentrales Thema. Es kombiniert forensische, Metadaten-, semantische und perzeptuelle Analyse. Sein Assistent wertet einen ganzen Antrag aus, um Signale zwischen Dokumenten zu verknüpfen. Für nordamerikanische Kreditgeber und Fintechs ist es eine ausgereifte Wahl.

Onfido, Veriff und Sumsub

Das sind Plattformen zur Identitätsprüfung. Onfido, heute Teil von Entrust, ist bekannt für Gesichtsbiometrie, Lebenderkennung und eine breite Abdeckung von Ausweisen mit ausgereiften mobilen SDKs. Veriff prüft Dokumente und Biometrie in mehr als 230 Ländern und markiert synthetische Identitäten und Deepfakes. Sumsub bündelt KYC, KYB, Lebenderkennung, Deepfake-Erkennung und AML-Überwachung. Diese Plattformen sind stark, wenn die Identität das Risiko ist. Weniger konzentrieren sie sich auf die Begleitdokumente wie Gehaltsabrechnungen, Kontoauszüge und Rechnungen, wo heute ein Großteil des generierten Betrugs liegt.

Ocrolus

Ocrolus ist eine Analyseplattform für Kreditgeber, spezialisiert auf Kontoauszüge, Gehaltsnachweise und Steuerformulare, mit einer Betrugserkennung, die gefälschte Dokumente und Datenunstimmigkeiten aufdeckt. Sie passt zu US-Teams für Hypotheken- und KMU-Kredite, die Einkommens- und Cashflow-Analyse im selben Tool wollen.

So wählen Sie aus

• Ihr Risiko liegt bei der Person (Kontoeröffnung, Altersprüfung): Beginnen Sie mit einer IDV-Suite.
• Ihr Risiko liegt in der Akte (Kredite, Mietverträge, Schadensfälle, Lieferanten-Onboarding): Setzen Sie auf den Abgleich ganzer Dossiers und auf Registerabdeckung in Ihren Ländern.
• Sie sind in Europa tätig und haben Vorgaben zum Datenstandort: Prüfen Sie Hosting-Standort und Aufbewahrungsrichtlinie frühzeitig.
• Unabhängig von Ihrer Wahl: Testen Sie mit Ihren eigenen historischen Akten, einschließlich bekannter Betrugsfälle, und behalten Sie einen Pfad zur manuellen Prüfung markierter Fälle.

Der Wandel 2026 besteht nicht darin, dass Fälschungen perfekt geworden sind. Der Schwachpunkt hat sich von den Pixeln zur Konsistenz verlagert. Mithalten können die Tools, die das ganze Dossier lesen und es mit der Außenwelt abgleichen.