KI-generierte Dokumente erkennen: Visuelle Artefakte im Detail

Ein visuelles Artefakt ist eine Spur, die ein GAN- oder Diffusionsmodell beim Erzeugen eines Dokumentbilds unweigerlich hinterlässt, weil es Pixel statistisch generiert statt Licht auf Papier optisch abzubilden. Drei Kategorien sind für die Praxis relevant: wiederkehrende Textur- und Rauschmuster, die von der Kamera- oder Scanphysik abweichen; unstimmige Licht- und Schattenphysik, besonders bei Stempeln, Prägungen und reflektierenden Oberflächen; sowie Diskrepanzen zwischen sichtbaren Feldern und maschinenlesbaren Zonen wie MRZ, Barcode oder QR-Code. Anders als Metadatenanalyse oder Error-Level-Analysis prüft diese Technik nicht die Datei, sondern das Bild selbst auf Spuren seiner Entstehung.

Dieser Artikel dient ausschließlich Informationszwecken und stellt keine Rechts- oder Compliance-Beratung dar.

Was ist ein visuelles Artefakt bei einem KI-generierten Dokument

Zwei Kategorien gefälschter Dokumente erfordern unterschiedliche Blickwinkel. Ein vollständig synthetisches Dokument entsteht komplett aus einem generativen Modell: Es gab nie ein physisches Original, jedes Pixel wurde von einem neuronalen Netz vorhergesagt. Ein teilweise bearbeitetes Dokument dagegen basiert auf einem echten Scan, in den nur einzelne Felder — ein Foto, ein Name, ein Betrag — mit einem lokalen Generierungsmodell eingefügt wurden. Die zweite Variante ist in der Praxis verbreiteter, weil sie echte physische Sicherheitsmerkmale des Originals beibehält und dadurch schwerer auffällt.

Technisch stammen die meisten Fälschungen entweder von GAN-Architekturen (Generative Adversarial Networks), bei denen ein Generator und ein Diskriminator gegeneinander trainiert werden, oder von Diffusionsmodellen, die ein Bild aus Rauschen schrittweise entrauschen. Beide Ansätze lernen die statistische Verteilung natürlicher Fotos — Kameraobjektive, Sensorrauschen, Umgebungslicht — sehr gut nach, replizieren jedoch nicht exakt dieselbe physikalische Kausalkette wie eine echte Kamera oder ein echter Flachbettscanner. Genau in dieser Lücke liegen die Artefakte, die forensisch nachweisbar sind.

Ein aktuelles Forschungspapier, das sich gezielt mit Dokumentbildern statt mit allgemeinen Fotos befasst, bestätigt diesen Unterschied auf Pixelebene: Die statistische Verteilung generierter Dokumentpixel weicht messbar von der Verteilung optisch erfasster Dokumentpixel ab, und diese Abweichung bleibt auch nach Kompression und Skalierung teilweise erhalten (arXiv, „Beyond Natural Images: Rethinking AI-Generated Image Detection in Documents"). Das Papier unterstreicht, warum generische Bildforensik-Modelle, die auf Alltagsfotos trainiert wurden, bei Ausweisdokumenten, Gehaltsabrechnungen oder Kontoauszügen häufig schlechter abschneiden als spezialisierte Ansätze — die Bildstatistik eines Dokuments unterscheidet sich strukturell von einem Urlaubsfoto.

KI-generierte Dokumente auf dem Vormarsch: betroffene Branchen

Kreditvergabe, Versicherung, Vermietung und Personalwesen erhalten routinemäßig Dokumente, die sie nicht selbst ausgestellt haben — Gehaltsabrechnungen, Kontoauszüge, Ausweiskopien, Schadensmeldungen. Genau diese Dokumentklassen lassen sich mit generativen Modellen am leichtesten reproduzieren, weil ihre Layouts standardisiert und in großer Zahl online verfügbar sind. Die ENISA Threat Landscape 2024 benennt KI-generierte synthetische Inhalte seit 2024 explizit als wachsenden Vektor für Dokumentenbetrug, neben Deepfake-Video und synthetischen Identitäten.

Das strukturelle Problem liegt in der Erkennungslücke, die rein manuelle Prüfung offenlässt. Laut dem ACFE Report to the Nations 2024 wird nur 37 Prozent aller Betrugsfälle durch manuelle Kontrollen aufgedeckt, mit einer durchschnittlichen Erkennungsverzögerung von 87 Tagen. Diese Lücke betraf ursprünglich klassische Manipulation — Photoshop-Bearbeitung, Kopie-Einfügen, Vorlagen aus dem Darknet. Generative Modelle verschärfen sie zusätzlich, weil sie Fälschungen ohne die Kopiermuster produzieren, an denen Prüfer bisher geschult wurden: keine sichtbaren Klonstempel, keine Farbverlaufskanten, keine inkonsistente Schriftgröße. Ein Sachbearbeiter, der auf klassische Bearbeitungsspuren trainiert ist, findet bei einem vollständig generierten Dokument häufig nichts, weil es diese Spuren schlicht nicht gibt — dafür aber andere, statistischer Natur.

Drei Artefaktfamilien: woran KI-generierte Dokumente visuell erkennbar sind

Textur- und Rauschwiederholung. Kamerasensoren erzeugen ein individuelles, unregelmäßiges Rauschmuster, das von Umgebungslicht, ISO-Einstellung und Sensortyp abhängt. Generative Modelle approximieren dieses Rauschen statistisch, neigen aber dazu, es über größere Flächen zu wiederholen oder zu glätten. Papierstruktur, die auf einem echten Foto unregelmäßig mikrostrukturiert wirkt, erscheint auf einem generierten Bild oft zu gleichmäßig oder zeigt sich wiederholende Muster in Hintergrundflächen, die bei genauer Betrachtung auffallen.

Licht- und Schattenphysik. Ein echtes Dokumentfoto folgt einer einzigen, physikalisch konsistenten Lichtquelle: Schatten fallen in dieselbe Richtung, Reflexionen auf laminierten Oberflächen oder Hologrammen folgen dem Blickwinkel der Kamera, und Prägungen oder Stempel werfen plausible Mikroschatten. Generative Modelle lernen Licht aus Millionen unterschiedlicher Trainingsbilder und reproduzieren es oft nicht global konsistent — ein Stempel wirft in eine Richtung Schatten, während die Textzeile daneben eine andere Lichtquelle suggeriert. Besonders bei geprägten Siegeln oder reliefartigen Sicherheitsmerkmalen zeigt sich das, weil hier die Interaktion zwischen Licht und dreidimensionaler Struktur am schwersten zu approximieren ist.

Diskrepanz zwischen sichtbarem Feld und codierter Zone. Diese dritte Familie betrifft speziell Ausweisdokumente. Reisepässe und Personalausweise tragen dieselbe Information doppelt: einmal lesbar gedruckt, einmal maschinenlesbar in der MRZ (Machine Readable Zone) oder in Barcode/QR-Code. Die MRZ enthält eine mathematisch berechnete Prüfziffer, die sich aus Geburtsdatum, Ablaufdatum und Dokumentnummer nach einem festen Algorithmus ergibt. Generative Modelle, die primär auf visuelle Plausibilität trainiert sind, erzeugen selten eine MRZ, deren Prüfziffer tatsächlich zu den sichtbar gedruckten Feldern passt — sie generieren eine optisch überzeugende Zeichenfolge, keine korrekte Berechnung. Ein Abgleich zwischen sichtbarem Namen/Geburtsdatum und der dekodierten MRZ oder dem Barcode-Inhalt deckt diese Klasse von Fälschung häufig zuverlässiger auf als eine rein visuelle Prüfung.

Häufige Fragen aus der Praxis: was Compliance- und Fraud-Teams wissen wollen

In Fachforen zu Betrugsprävention und Compliance wird häufig gefragt, ob ein visuell perfektes Dokument trotzdem KI-generiert sein kann. Die Antwort ist ja, und genau das ist das Kernproblem: Generative Modelle sind darauf trainiert, für das menschliche Auge überzeugend zu wirken, nicht darauf, forensisch unauffällig zu sein. Ein Dokument kann jede Laienprüfung bestehen und trotzdem in der Rauschverteilung, der Lichtphysik oder der MRZ-Prüfziffer verräterische Abweichungen zeigen.

Eine zweite wiederkehrende Frage betrifft den Unterschied zwischen einem nachbearbeiteten und einem vollständig generierten Dokument — und ob dafür unterschiedliche Erkennungsmethoden nötig sind. Das ist der Fall: Ein teilweise bearbeitetes Dokument behält echte Kompressions- und Metadatenspuren an den unveränderten Stellen, was Kompressionsforensik wie Error-Level-Analysis dort wirksam macht, wo Felder ausgetauscht wurden. Ein vollständig synthetisches Dokument hat diese Referenzpunkte nicht, weil es nie durch eine echte Kamera oder einen echten Scanner lief — hier tragen die drei visuellen Artefaktfamilien aus dem vorigen Abschnitt die Hauptlast der Erkennung.

Die dritte häufige Frage betrifft das Volumen: Wie lässt sich das bei hunderten oder tausenden Dokumenten pro Woche handhaben, ohne dass ein Mensch jedes Dokument unter Vergrößerung prüft? In der Praxis bedeutet das, visuelle Artefaktprüfung, Metadatenanalyse, Kompressionsforensik und Feldabgleich als automatisierte, kombinierte Signale laufen zu lassen und nur die auffälligen Fälle an einen Sachbearbeiter zu eskalieren — eine rein manuelle Sichtprüfung jeder Datei skaliert bei diesem Volumen nicht und lässt genau die Fälle durch, die am schwersten mit bloßem Auge zu erkennen sind.

Regulatorischer Rahmen: EU-KI-Verordnung, § 267 StGB und BaFin-Aufsicht

Die Verordnung (EU) 2024/1689 über künstliche Intelligenz, in Kraft seit dem 1. August 2024, stuft KI-Systeme im Finanzsektor mit entsprechenden Auswirkungen als hochriskant ein und wirkt sich damit auch auf deutsche Kreditinstitute, Versicherer und Finanzierungsanbieter aus, die Dokumentenprüfung einsetzen. Parallel dazu bleibt die Herstellung oder Nutzung eines gefälschten Dokuments in Deutschland strafbar: § 267 StGB (Urkundenfälschung) sieht Freiheitsstrafe bis zu fünf Jahren oder Geldstrafe vor, bei gewerbs- oder bandenmäßiger Begehung einen erhöhten Strafrahmen nach § 267 Abs. 4 StGB — unabhängig davon, ob die Fälschung analog oder mit generativer KI erstellt wurde.

Für Institute mit Sorgfaltspflichten nach dem Geldwäschegesetz (GwG) ist die Einordnung KI-generierter Dokumente Teil der laufenden Identitäts- und Dokumentenprüfung im Rahmen der Kundensorgfalt. Die BaFin warnte in ihrer Verbrauchermitteilung vom 12. Februar 2026 konkret vor Finanzbetrug mit KI und Kryptowerten und verwies dabei auf durch KI erzeugte gefälschte Identitäten und Webseiten, die kaum vom Original zu unterscheiden sind. Neben der BaFin als Finanzaufsicht ist das BSI für IT-Sicherheitsfragen rund um solche Bedrohungen die zuständige Bundesbehörde.

Keine einzelne forensische Methode — weder visuelle Artefaktprüfung noch Metadatenanalyse noch MRZ-Abgleich — liefert für sich allein einen abschließenden Beweis. CheckFile positioniert die Erkennung KI-generierter Artefakte deshalb als zusätzliche Schicht von KI-Generierungssignalen, die je nach Kundenkonfiguration und sektoralem Risikoprofil eingesetzt wird, als Ergänzung zu Ihren bestehenden Kontrollen und nicht als deren Ersatz. Wie diese Schicht in Kreditvergabe- und Leasingprozesse sowie in Banken-KYC-Workflows eingebunden wird, zeigen die Seiten zu Finanzierung und Leasing und Banken-KYC. Details zu Sicherheitsarchitektur und Datenverarbeitung finden sich unter Sicherheit, Preismodelle unter Tarife.

Häufig gestellte Fragen

Reicht eine visuelle Prüfung durch geschultes Personal aus, um KI-generierte Dokumente zu erkennen?

Bei einfachen Fälschungen oft ja, bei sorgfältig generierten Dokumenten nicht zuverlässig. Diffusionsmodelle approximieren Licht- und Texturphysik zunehmend überzeugend, sodass die verräterischen Signale — Rauschverteilung, Schattenrichtung, MRZ-Prüfziffer — meist erst mit gezielter forensischer Analyse sichtbar werden.

Was unterscheidet visuelle Artefaktprüfung von Error-Level-Analysis?

Error-Level-Analysis untersucht Kompressionsinkonsistenzen in der JPEG-Datei und eignet sich besonders für nachträglich bearbeitete Bereiche eines Scans, wie im Leitfaden zu Error-Level-Analysis beschrieben. Visuelle Artefaktprüfung untersucht dagegen das Bild selbst auf Spuren generativer Modelle und wirkt auch bei vollständig synthetischen Dokumenten, die nie eine reale Kompressionshistorie hatten.

Erzeugen KI-Modelle immer eine ungültige MRZ-Prüfziffer?

Nicht zwangsläufig, aber häufig, weil generative Modelle auf visuelle statt auf rechnerische Plausibilität trainiert sind. Ein Abgleich zwischen sichtbaren Feldern und der dekodierten MRZ oder dem Barcode-Inhalt bleibt deshalb ein aussagekräftiges zusätzliches Signal, kein alleiniger Beweis.

Gilt die EU-KI-Verordnung auch für Dokumente, die Endkunden bei Kredit- oder Versicherungsanträgen einreichen?

Die Verordnung (EU) 2024/1689 reguliert primär den Einsatz von KI-Systemen selbst, etwa in der Risikobewertung von Finanzinstituten, nicht direkt das eingereichte Dokument. Die Pflicht zur sorgfältigen Dokumentenprüfung im Rahmen von KYC- und GwG-Vorgaben besteht davon unabhängig fort.

Was passiert strafrechtlich, wenn ein Antragsteller wissentlich ein KI-generiertes Dokument einreicht?

Das Einreichen eines unechten oder verfälschten Dokuments kann als Urkundenfälschung nach § 267 StGB verfolgt werden, mit Freiheitsstrafe bis zu fünf Jahren oder Geldstrafe. Bei organisierter, gewerbsmäßiger Begehung sieht § 267 Abs. 4 StGB einen erhöhten Strafrahmen vor.

Visuelle Artefaktprüfung schließt eine Lücke, die weder Metadatenanalyse noch Kompressionsforensik allein abdecken: Sie prüft das Bild selbst auf die statistischen Spuren seiner generativen Herkunft, von Rauschmustern über Lichtphysik bis zur MRZ-Prüfziffer. Kombiniert mit den in diesem Artikel und im Leitfaden zu Deepfake-Dokumenten beschriebenen Methoden entsteht eine belastbarere Prüfkette für Kreditvergabe-, Versicherungs-, Vermietungs- und Personalprozesse. Wie CheckFile diese Signale als Ergänzung zu bestehenden Kontrollen einbindet, zeigt die Seite zu KI- und Deepfake-Erkennung; Preisdetails stehen unter Tarife bereit. Einen vollständigen Überblick über alle Prüfmethoden bietet der Leitfaden zur Dokumentenprüfung.