KI-generierte Schadenfotos: die neue Bedrohung für Rückerstattungen

Dieser Beitrag dient ausschließlich der Information. Er stellt weder eine Rechtsberatung noch eine regulatorische Empfehlung dar und ersetzt nicht die Einschätzung eines qualifizierten Juristen oder Compliance-Verantwortlichen.

Ein KI-generiertes Schadenfoto ist kein bearbeitetes Foto eines echten Produkts, sondern ein Bild, das ein Text-zu-Bild-Modell allein aus einer Beschreibung erzeugt hat — ohne dass jemals eine Kamera oder ein reales Produkt im Spiel war. Genau das kehrt die übliche Erkennungslogik um: Die Bildrückwärtssuche, das stärkste Signal gegen ein manipuliertes echtes Foto, findet hier nichts zum Vergleichen, während die verlässlichsten Signale gegen ein synthetisches Bild die fehlende echte Aufnahme-Provenienz, generatorspezifische Bildartefakte und dedizierte KI-Klassifikator-Werte sind.

Warum das ein anderes Problem ist als ein bearbeitetes Foto

Ein synthetisches Schadenfoto überspringt genau den Schritt, von dem jeder retuschebasierte Betrug bislang abhing: den Ausgangspunkt eines echten Bildes. Laut einer Analyse der Kanzlei Debevoise & Plimpton vom Januar 2026 erzeugen Anspruchsteller inzwischen Bilder von Schäden, Verletzungen oder zerstörtem Eigentum, die nie existiert haben, und reichen sie als vermeintlichen Fotobeweis ein. Unser Beitrag über gefälschte Schadenfotos und die Spuren einer Bildbearbeitung beschreibt die Prüfung auf Klon-Artefakte, lokalisierte Kompression und Metadaten, mit denen ein retuschiertes echtes Foto entlarvt wird — Prüfungen, die hier ins Leere laufen, weil es kein Originalbild gibt, mit dem man das generierte Bild vergleichen könnte.

Einer im März 2026 zitierten Verisk-Erhebung zufolge geben 99 % der Versicherer an, bereits manipulierte oder KI-veränderte Schadendokumentation erlebt zu haben, und 98 % stimmen zu, dass KI-gestützte Bearbeitungs- und Generierungswerkzeuge einen messbaren Anstieg des digitalen Versicherungsbetrugs befeuern, wie aus der Berichterstattung von SAS zu diesem Wandel hin zu Betrug mit synthetischen Bildern hervorgeht. Dieselbe Entwicklung zeigt sich bei Handelsplattformen, von denen mehrere eingeräumt haben, vor Einführung dedizierter Erkennungstools nicht feststellen zu können, ob ein einer Rückerstattungsanfrage beigefügtes Foto überhaupt KI-generiert war.

Signal 1: Es gab nie eine Aufnahme — die Provenienz fehlt oder ist gefälscht

Ein Foto einer echten Kamera trägt zunehmend ein Content-Credentials-Manifest — einen signierten Nachweis, welches Gerät oder welche Software das Bild erzeugt hat —, das bei einem synthetischen Bild entweder fehlt, generisch oder gefälscht ist. Die Coalition for Content Provenance and Authenticity (C2PA) ist der technische Standard dahinter: Neuere Smartphones sowie große Generatoren wie Adobe Firefly oder das Bild-Tool von OpenAIs ChatGPT/DALL-E betten inzwischen ein signiertes Manifest ein, das die Aufnahme- oder Generierungsherkunft festhält. Nach Artikel 50 der EU-KI-Verordnung müssen Anbieter von KI-Systemen, die synthetische Bildinhalte erzeugen, sicherstellen, dass ihre Ausgaben in maschinenlesbarer Form markiert und als künstlich erzeugt erkennbar sind — eine Pflicht, die seit dem 2. August 2026 gilt.

Eine praktisch relevante Lücke bleibt: Midjourney und mehrere offene Stable-Diffusion-Bereitstellungen signieren noch nicht jede Ausgabe, und die meisten Messenger und Plattformen entfernen ein vorhandenes Manifest beim erneuten Hochladen. Ein fehlender Marker beweist daher für sich genommen nichts — ein Manifest hingegen, das einen KI-Generator eindeutig benennt, ist nahezu ein endgültiger Beweis, weshalb die Provenienzprüfung ein erster Filter ist, keine vollständige Lösung.

Signal 2: Generierungsartefakte, die ein Diffusionsmodell nicht vermeiden kann

Ein Diffusionsmodell erzeugt eine Szene aus Rauschen, statt Licht durch ein Objektiv einzufangen, und dieser Prozess hinterlässt Muster, die eine Kamera physikalisch nicht produzieren kann: sich wiederholende Texturen, die am Rand eines "gerissenen" Stoffes nicht korrekt ineinandergreifen, Reflexionen, die auf keine einheitliche Lichtquelle zurückführen, sowie feine Oberflächendetails — Nähte, Körnung, Kratzer —, die auf den ersten Blick plausibel wirken, einer Prüfung auf Pixelebene aber nicht standhalten. Akademische Benchmark-Arbeiten wie der Visual Counter Turing Test dokumentieren, dass sich Generator-Familien stark darin unterscheiden, wie gut sie diese Spuren verbergen — manche Diffusions-Pipelines lassen sich allein aus dem Bildinhalt deutlich schwerer erkennen als andere.

Schadensspezifische Hinweise verstärken diesen Effekt: Ein "gesprungener" Bildschirm oder eine "gerissene" Naht, erzeugt von einem Modell, das überwiegend mit unbeschädigten Produktfotos trainiert wurde, zeigt die Beschädigung häufig mit einer unnatürlichen Symmetrie oder einer Textur, die nicht zum umgebenden Material passt — eine Inkonsistenz, die eine geklonte Retusche an einem echten Foto paradoxerweise seltener erzeugt.

Signal 3: Es findet sich nirgendwo, und genau das ist der Punkt

Die Bildrückwärtssuche ist das beste verfügbare Signal gegen ein wiederverwendetes echtes Foto, wird jedoch bei einem vollständig synthetischen Bild nahezu wirkungslos, weil ein generiertes Bild nie veröffentlicht, indexiert oder einem früheren Angebot zugeordnet wurde. Teams, die sich auf Werkzeuge wie Google Bilder oder TinEye als Hauptverteidigung verlassen — der Ansatz, den unser Beitrag zu duplizierten Schadenfotos für wiederverwendete Beweise beschreibt —, erhalten bei einem synthetischen Schadenfoto null Treffer und könnten dies als beruhigendes Zeichen deuten, obwohl ein Ergebnis ohne Treffer genauso gut zu "frisch KI-generiert" passt wie zu "echt und nie veröffentlicht".

Das ist der klarste operative Unterschied zwischen beiden Betrugsformen: Ein bearbeitetes echtes Foto wird entlarvt, indem man beweist, dass es vor dem Schadenfall bereits woanders existierte; ein generiertes Foto wird entlarvt, indem man beweist, dass es nirgendwo je real war.

Signal 4: Dedizierte KI-Bildklassifikatoren, bewertet nach Generator-Familie

Speziell entwickelte Erkennungsmodelle — kommerzielle APIs wie Sightengine und Hive sind zwei weit verbreitete Beispiele — liefern einen Wahrscheinlichkeitswert zusammen mit einer Einschätzung des wahrscheinlichen Generators, statt einer einfachen generischen Ja/Nein-Antwort. Diese Aufschlüsselung nach Generator ist wichtig, weil die Erkennungsgenauigkeit je nach Werkzeug stark schwankt: Ein Klassifikator, der auf DALL-E- oder Firefly-Ausgaben abgestimmt ist, überträgt sich nicht automatisch auf Midjourney oder eine feinabgestimmte Open-Source-Pipeline — weshalb ein einzelner Klassifikator-Wert nie als endgültiges Urteil gelesen werden sollte.

Zwei praktische Grenzen gelten dabei: Erneute Kompression, Größenänderung oder eine leichte Nachbearbeitung nach der Generierung können den Konfidenzwert eines Klassifikators messbar senken, ohne alle zugrunde liegenden Spuren zu entfernen, und kein öffentlich verfügbares Benchmark zeigt, dass ein kommerzieller Detektor über alle wichtigen Bildgeneratoren hinweg eine stabile, generatorunabhängige Genauigkeit hält — genau deshalb ist ein Klassifikator-Ergebnis ein Baustein der Prüfung, kein alleiniger Ablehnungsgrund.

Was in Schaden- und Retourenfällen bereits sichtbar wird

Versicherer in Deutschland verzeichneten Anfang 2025 einen Anstieg von über 1.100 % bei Deepfake-bezogenen Betrugsversuchen, wie aus Berichten hervorgeht, die sich auf den GDV (Gesamtverband der Deutschen Versicherungswirtschaft) berufen — ein Trend, den dieselbe Berichterstattung direkt mit der breiten Verfügbarkeit von KI-Bildwerkzeugen in Verbindung bringt, die eher zum Aufblähen oder Erfinden von Schäden als zum Verändern echter Schäden genutzt werden. Ein vom brasilianischen Rechtsmedium ConJur berichteter Fall beschreibt eine Kfz-Schadensbegutachtung, die vollständig aus KI-generierten Bildern und Videos bestand und nur deshalb aufflog, weil die Metadaten des Uploads den Absender in China verorteten statt an der gemeldeten Fahrzeugadresse — ein Hinweis darauf, dass Provenienz- und Standortmetadaten oft aufdecken, was reine Pixelanalyse übersieht.

Was Schaden- und Support-Teams tatsächlich fragen

Diskussionen unter Betrugsermittlern in Branchenforen drehen sich vor allem um operative Schwellenwerte, weit entfernt vom Marketing-Versprechen einer "100%igen Erkennung".

"Wenn unser Detektor ein Bild als KI-generiert markiert, reicht das allein zur Ablehnung des Schadenfalls?" Kein einzelnes Werkzeug sollte diese Verantwortung allein tragen. Eine Klassifikator-Markierung dokumentiert einen Anlass für eine menschliche Prüfung — idealerweise verbunden mit der Bitte um zusätzliche Blickwinkel, ein Referenzobjekt im Bild oder ein Live-Videogespräch —, nicht eine automatische Ablehnung, zumal die Leistung der Detektoren je nach Generator stark schwankt.

"Können echte Smartphone-Fotos allein deshalb als KI-generiert markiert werden, weil eine Plattform sie rekomprimiert hat?" Das kommt vor, und genau deshalb sollten Klassifikator-Werte stets zusammen mit Provenienz- und Inhaltssignalen gelesen werden statt isoliert; starke Rekompression kann die pixelbasierten Hinweise, auf die ein Klassifikator angewiesen ist, in beide Richtungen verfälschen.

Diese Signale in einen Workflow einbetten, nicht in ein einzelnes Urteil

Keines dieser Signale sollte allein eine automatische Ablehnung auslösen: Ein Fall ohne erkanntes Signal durchläuft den Standardprozess, ein isoliertes Signal — fehlendes Manifest, grenzwertiger Klassifikator-Score — führt zu einer dokumentierten menschlichen Prüfung, und mehrere zusammenfallende Signale rechtfertigen eine Anforderung zusätzlicher Nachweise oder eine Live-Begutachtung vor jeder Entscheidung. Unser Beitrag zur Prüfung von Schadenfotos im großen Maßstab beschreibt diese dreistufige Struktur im Detail, und dieselbe Logik lässt sich ebenso auf E-Commerce-Retouren wie auf Versicherungsschäden übertragen. Für einen Überblick über die zugehörigen Dokumentenkontrollen siehe unseren Leitfaden zur Dokumentenprüfung.

Häufig gestellte Fragen

Kann eine Bildrückwärtssuche ein KI-generiertes Schadenfoto entlarven?

Selten. Die Rückwärtssuche funktioniert, indem sie eine frühere Veröffentlichung desselben Bildes findet, und ein generiertes Foto wurde vor dem Schadenfall nie irgendwo veröffentlicht — ein Ergebnis ohne Treffer beweist daher nichts in die eine oder andere Richtung.

Beweist das Fehlen eines Content-Credentials-Manifests, dass ein Foto echt ist?

Nein. Mehrere große Generatoren, darunter Midjourney und einige Open-Source-Stable-Diffusion-Bereitstellungen, signieren noch nicht jede Ausgabe, und die meisten Plattformen entfernen Manifeste beim Hochladen unabhängig von der Bildherkunft.

Sind kommerzielle KI-Bilddetektoren zuverlässig genug, um einen Fall automatisch abzulehnen?

Nicht allein. Die Erkennungsgenauigkeit variiert je nach Generator und sinkt nach Rekompression oder leichter Bearbeitung; eine Markierung sollte eine dokumentierte menschliche Prüfung auslösen, keine automatische Ablehnung.

Wirkt ein KI-generiertes Schadenfoto immer überzeugender als ein echtes?

Nein. Schadensspezifische Renderings zeigen oft eine unnatürliche Symmetrie oder Texturinkonsistenzen rund um die "beschädigte" Stelle, was sie weniger überzeugend wirken lassen kann als ein echtes Smartphone-Foto, nicht mehr.

Brauchen E-Commerce-Retouren und Versicherungsschäden unterschiedliche KI-Erkennungsschwellen?

Ja, in der Praxis. Legitime Fotoprofile unterscheiden sich je nach Kontext, sodass der für eine Elektronik-Retoure sinnvolle Prüfschwellenwert nicht zwangsläufig für einen Hausratschaden passt.

---

Die hier beschriebenen Signale ergänzen die Erkennung von Bildbearbeitung aus unserem Beitrag zu gefälschten Schadenfotos und kombinieren strukturelle Kohärenz, Metadaten-Provenienz und, wo die Kundenkonfiguration es zulässt, KI-Generierungserkennung als Ergänzung zu bestehenden Kontrollen — nie als eigenständiges Urteil, nie als Ersatz für eine dokumentierte Prüfung. Keine Methode erreicht eine hundertprozentige Erkennung. CheckFile integriert diese Kontrollen in Retouren- und Schadenprozesse, sowohl für E-Commerce-Plattformen als auch für Versicherer; weitere Details finden Sie auf unserer Sicherheitsseite oder bei unseren Preisen.