KI-Rechnungsbetrug: Wie Unternehmen gefälschte Rechnungen erkennen

Generative KI erstellt heute Rechnungen und Zahlungsanweisungen, die sich von echten Dokumenten kaum noch unterscheiden lassen. Laut der Bitkom-Studie „Wirtschaftsschutz 2026“ (1.003 Unternehmen, veröffentlicht am 2. September 2026) gehen 82 Prozent der Unternehmen von einem verstärkten KI-Einsatz durch Angreifer aus. Für den Rechnungseingang heißt das: Gefälschte Rechnungen erkennen wird zur eigenen Disziplin, mit anderen Prüfpunkten als beim klassischen Rechnungsbetrug.

Warum KI-Rechnungsbetrug jetzt zunimmt

Der Bitkom-Wirtschaftsschutzstudie 2026 zufolge beziffert der Verband den Gesamtschaden durch Datendiebstahl, Sabotage und Industriespionage für die deutsche Wirtschaft erstmals als Korridor von 211 bis 270,8 Milliarden Euro, weil ein wachsender Teil der Unternehmen einen Angriff nur noch vermutet, aber nicht mehr sicher belegen kann. Innerhalb dieses Bilds wachsen KI-gestützte Angriffsformen am schnellsten: Der Schaden durch Deepfakes verdoppelte sich von vier auf acht Prozent der befragten Unternehmen, der Schaden durch automatisierte Anrufe (Robocalls) stieg von drei auf 14 Prozent.

Eine Pressemitteilung von KPMG zur Wirtschaftskriminalität in Deutschland (rund 800 befragte Unternehmen, Erhebung im Frühjahr 2025, veröffentlicht am 2. Juni 2026) zeigt eine andere, ergänzende Lücke: 71 Prozent der Unternehmen stufen das Risiko durch KI-basierten Betrug als hoch oder sehr hoch ein, 58 Prozent erwarten einen weiteren Anstieg in den kommenden zwei Jahren. Zugleich geben 73 Prozent an, bislang selbst noch nicht von KI-gestützten Straftaten betroffen gewesen zu sein. Die beiden Studien messen Unterschiedliches, Bitkom tatsächliche Schadensfälle, KPMG Risikoeinschätzungen, und lassen sich deshalb nicht direkt vergleichen. Gemeinsam zeigen sie aber dieselbe Lücke: Wer eine Bedrohung für abstrakt hält, richtet seine Freigabeprozesse seltener konsequent danach aus.

Drei Maschen im Rechnungseingang

Laut einer Einordnung von Security-Insider zu KI-gestütztem B2B-Zahlungsbetrug in Deutschland treten dabei vor allem drei Muster auf:

• Konto-Übernahme. Angreifer übernehmen das echte E-Mail-Konto eines bestehenden Lieferanten, meist über zuvor erbeutete Zugangsdaten, und verschicken daraus eine reguläre Rechnung mit geänderter Bankverbindung. Die Absenderadresse ist dabei tatsächlich echt.
• Fiktive Lieferanten. Ein komplett erfundener Lieferant wird angelegt, mit KI-generiertem Briefkopf, plausibler Handelsregisternummer und einer Rechnung für eine Leistung, die nie bestellt wurde, aber zum sonstigen Einkaufsprofil des Unternehmens passt.
• Nachahmung bestehender Lieferanten. Eine Rechnung imitiert Layout und Logo eines bekannten Lieferanten bis ins Detail, kommt aber von einer leicht abweichenden Domain, etwa mit einem vertauschten Buchstaben.

Die Nachahmung einer vertrauten Stimme oder eines vertrauten Gesichts im Videocall, bei CEO-Fraud oft die Eröffnung eines solchen Angriffs, beschreibt ausführlich der Beitrag CEO-Fraud mit KI-Stimmenklonen. Die drei Maschen oben laufen dagegen meist ganz ohne Anruf, allein über den Rechnungseingang.

Gefälschte Rechnungen erkennen

Kein einzelnes Merkmal beweist für sich einen Betrugsversuch, in Kombination sind diese Signale aber belastbar:

• Die Bankverbindung wurde kurzfristig geändert, oft kurz vor der Fälligkeit.
• Absender- oder Reply-to-Domain weichen minimal vom bekannten Muster ab.
• Layout, Schriftart oder Logo unterscheiden sich leicht vom gewohnten Lieferanten-Template.
• Die Rechnung verweist auf keine im System hinterlegte Bestellung.
• Der Vorgang kommt mit ungewöhnlichem Zeitdruck oder dem Wunsch nach vertraulicher Behandlung.

Wie KI-gestützte Prüfung im Rechnungseingang hilft

Dieselbe Technologie, die den Betrug ermöglicht, hilft auch bei der Abwehr. Eine intelligente Dokumentenverarbeitung gleicht eingehende Rechnungen automatisiert gegen Lieferantenstammdaten ab und markiert Abweichungen, etwa eine Bankverbindung, die von der zuletzt bestätigten abweicht, oder einen Lieferanten ohne Historie im System. Genau das ist die Validierungsstufe, die in einer belastbaren Belegstrecke ohnehin vorgesehen ist, nicht ein separates Betrugssystem.

Eine von TreviPay, einem Anbieter für B2B-Zahlungsabwicklung, in Auftrag gegebene Befragung von 550 Führungskräften in mehreren europäischen Märkten zeigt die Größenordnung: Unternehmen mit automatisierter Betrugsprävention begrenzten ihre Verluste auf durchschnittlich rund 2 Prozent des Jahresumsatzes, bei rein manueller, reaktiver Prüfung lagen die Verluste bei bis zu 4,5 Prozent. Als Anbieterstudie ist das kein unabhängiger Beleg, die Richtung deckt sich aber mit der Logik automatisierter Abgleichprüfung.

Strukturierte E-Rechnungen wie XRechnung oder ZUGFeRD erleichtern diesen Abgleich zusätzlich, weil Feldwerte wie IBAN und Lieferantenkennung maschinenlesbar vorliegen, statt aus einem PDF-Layout herausgelesen werden zu müssen. Ein bestandener Validator-Lauf ist dabei trotzdem kein Betrugsschutz, er prüft nur, ob die Datei der Norm entspricht, nicht ob die enthaltene Bankverbindung stimmt. Was ein Validator tatsächlich abdeckt und was er offen lässt, erklärt der Beitrag E-Rechnung prüfen.

Organisatorische Gegenmaßnahmen ohne neue Software

Die wirksamsten Maßnahmen kosten nichts und lassen sich sofort einführen:

• Rückruf über bekannte Nummer bei jeder Kontoänderung. Eine geänderte Bankverbindung wird ausschließlich über eine intern hinterlegte, unabhängig recherchierte Nummer bestätigt, nie über die in der Rechnung oder E-Mail genannte. Dieselbe Regel gilt bei einem Anruf mit geklonter Stimme, unabhängig davon, welches Dokument oder welcher Kanal den Betrug einleitet.
• Vier-Augen-Prinzip ab einem Schwellenwert. Zahlungen ab einer festgelegten Summe brauchen eine zweite, unabhängige Freigabe, ungeachtet dessen, wie dringend der Vorgang wirkt.
• Klare Freigabegrenzen für automatisierte Prüfschritte. Welche Abweichung darf ein System eigenständig zurückweisen, und welche braucht zwingend eine menschliche Entscheidung? Diese Grenze vorab zu ziehen ist derselbe Grundsatz, den der Beitrag Prompt Injection im Unternehmen für KI-Agenten mit Werkzeugzugriff beschreibt.
• Buchhaltung mit konkreten Fallbeispielen schulen. Allgemeine Phishing-Hinweise reichen nicht, wirksamer sind reale Betrugsmuster wie die drei oben. Wie sich das strukturiert aufbauen lässt, zeigt der Beitrag KI-Schulung für Mitarbeiter.

Was jetzt zu tun ist

Schritt 1: Prüfe, wie eine Kontoänderung bei einem Lieferanten heute bestätigt wird. Läuft das allein über die E-Mail, in der die Änderung mitgeteilt wurde, fehlt der zweite Kanal.

Schritt 2: Lege einen Schwellenwert für die verpflichtende Zweitfreigabe fest. Ohne festen Betrag entscheidet im Zweifel die Dringlichkeit der Anfrage, nicht die tatsächliche Höhe des Risikos.

Schritt 3: Prüfe, ob dein Rechnungseingang Lieferantenstammdaten automatisiert abgleicht. Wenn nicht, ist das der naheliegende erste Automatisierungsschritt, nicht ein separates Betrugserkennungstool.

Schritt 4: Schule die Buchhaltung anhand der drei Maschen oben. Konkrete Beispiele bleiben eher im Gedächtnis als eine allgemeine Warnung vor Phishing.

KI hat die technische Hürde für gefälschte Rechnungen gesenkt, nicht das Grundproblem verändert: Eine Zahlungsanweisung verdient nur dann Vertrauen, wenn sie über einen zweiten, unabhängigen Kanal bestätigt wurde. Das gilt unabhängig davon, wie überzeugend das Dokument aussieht.