Erkennung von Dokumentenmanipulation und synthetischen Dokumentenfälschungen (Kontoauszüge, Gehaltsabrechnungen, Rechnungen)

Kreditgeber, Vermieter, Versicherer und Kreditorenbuchhaltungen akzeptieren PDFs und Fotos als Nachweis für Einkommen, Kontostände oder Schulden. Eine solche Datei zu bearbeiten oder mit einem Bildmodell komplett neu zu erzeugen, dauert heute nur noch Minuten. KI-gestützte Dokumentenforensik untersucht die Datei selbst (Struktur, Metadaten, Schriftarten, Pixel), prüft den Inhalt auf interne und dokumentübergreifende Konsistenz und liefert einen erklärten Vertrauenswert, sodass Menschen nur die verdächtige Minderheit prüfen müssen.

Problem & Nutzen

• Heute: Mitarbeitende prüfen Dokumente per Augenschein oder verlassen sich auf OCR/Extraktion, die einfach liest, was auf der Seite steht (siehe DOC-017, DOC-001). Eine Extraktion beweist nichts über die Echtheit: Eine manipulierte Gehaltsabrechnung wird genauso sauber ausgelesen wie eine echte.
• Veränderte Bedrohungslage: AppZen meldete, dass der Anteil KI-generierter Fälschungen unter den markierten Spesenbelegen von 0 % im März 2025 auf 70,8 % bis Mitte Mai 2026 gestiegen ist und damit die vorlagenbasierten Fälschungen überholt hat; eine Umfrage von Emburse unter 2.000 Beschäftigten in den USA und Großbritannien ergab, dass 34 % zugaben, mit KI einen gefälschten Beleg erstellt zu haben, und eine weitere, im selben Artikel zitierte Studie ergab, dass 32 % der Finanzfachleute sagten, sie könnten einen solchen nicht erkennen [1]. Beides sind Anbieter- bzw. Auftragsdaten aus markierten Einreichungen, keine neutralen Bevölkerungsstatistiken. Inscribe gibt an, dass KI-generierter Dokumentenbetrug zwischen dem Start seines Detektors im April 2025 und Juni 2026 etwa um das Vierfache zugenommen habe (Herstellerangabe) [2]. Eine europäische Umfrage von Finovox und Selvitys (8.000 Befragte, 8 Länder) berichtet, dass 11 % der britischen Befragten zugeben, ein Dokument gefälscht zu haben [4].
• KI-Nutzen: schnellere Prüfung (Inscribe nennt 72 Sekunden pro Dokument gegenüber rund 10 Minuten manuell, eine Herstellerangabe [2]), einheitliche Prüfungen, Erkennung wiederverwendeter Vorlagen über den gesamten Kundenbestand, Belege für Streitfälle. Unabhängige, begutachtete Genauigkeitswerte für kommerzielle Produkte gibt es praktisch nicht; behandeln Sie Genauigkeitsversprechen der Anbieter (z. B. „99,2 %“, „99,7 %“) als ungeprüft, bis sie an Ihren eigenen Dokumenten getestet wurden [3][5].

Varianten

• Kreditvergabe & Einkommensnachweis: Kontoauszüge, Gehaltsabrechnungen, Steuerbescheide (DOC-017 extrahiert, dieser Anwendungsfall prüft die Echtheit).
• KYB / Lieferanten-Onboarding: Handelsregisterauszüge, Bankbestätigungen, Zertifikate (zu Qualitätszertifikaten siehe DOC-019).
• Kreditorenbuchhaltung: gefälschte oder veränderte Rechnungen, geänderte IBANs, falsche Lieferantendokumente (ANOM-009, DOC-001).
• Spesenmanagement: KI-generierte oder wiederverwendete Belege (DOC-002, ANOM-009).
• Versicherungsschäden: Rechnungen, Reparaturkostenvoranschläge, Arztrechnungen (ANOM-003).
• Miete / Immobilien: Einkommensnachweise für Mietbewerbungen; auch Arbeitgeber, die Bescheinigungen prüfen.
• Zusammengeführte Variante – Forensik von Finanzdokumenten: Die Erkennung manipulierter oder KI-generierter Finanzdokumente ist dieselbe Pipeline wie oben (das Duplikat aus der Sichtung wurde hier zusammengeführt).
• Privatnutzung: begrenzt; Privatpersonen können eine Rechnung oder ein Mietdokument mit kostenlosen Metadaten-Werkzeugen prüfen, eine Verbraucherproduktkategorie gibt es jedoch nicht.
• Nicht Gegenstand: Ausweisdokumente/Reisepässe und Lebenderkennung (ANOM-014); Kennzeichnung und Erkennung KI-generierter Medien im Allgemeinen (ANOM-015).

So funktioniert es

1. Eingang (Upload / E-Mail / API / mobile Aufnahme)
2. Datei-Triage (Typ, Hash, Duplikat-/Beinahe-Duplikat-Abgleich über den gesamten Kundenbestand)
3. Datei-Forensik (PDF-Struktur, inkrementelle Updates, Producer/Creator, XMP/EXIF, Schriftarten, eingebettete Fragmente)
4. Pixel-Forensik für Scans/Fotos (Neukomprimierung, Splicing, Copy-Move, Rauschinkonsistenzen; Klassifikator für KI-Erzeugung)
5. Inhaltsextraktion (OCR / VLM
6. strukturierte Felder)
7. Konsistenzprüfungen (laufender Saldo, Summen, MwSt., IBAN-Prüfsumme, Netto-/Brutto-/Steuerlogik der Gehaltsabrechnung, Datumslogik)
8. dokumentübergreifende & externe Prüfungen (Kontoauszug vs. Gehaltsabrechnung vs. Steuerbescheid; Abgleich mit Aussteller-Vorlage; Handelsregister, USt-IdNr.)
9. Scoring (Regeln + ML-Ensemble, Vertrauenswert 0–100 mit Begründungen)
10. Routing: freigeben | verschärfte Prüfung | Original / Open-Banking-Daten anfordern | ablehnen
11. Prüfansicht für Analysten mit hervorgehobenen Bereichen; Rückkopplung ins Modell

• Die Ebenen ergänzen sich. Metadaten lassen sich entfernen, und ein Screenshot einer Fälschung hat saubere Metadaten; daher sind Pixel- und Inhaltsprüfungen nötig. Inhaltsprüfungen allein übersehen eine saubere Fälschung mit korrekter Rechnung [5][6].
• Vorlagen- und Netzwerksignale: Der Abgleich mit bekannten, echten Aussteller-Layouts und mit bereits gesehenen Dokumenten (gemeinsam genutzte „Fraud-Kit“-Vorlagen) ist ein starkes Signal, das eine Einzeldateianalyse nicht liefern kann [2][3].
• Mensch-in-der-Schleife (Human-in-the-Loop): Ein Wert ist ein Signal zur Vorsortierung, nie ein Urteil über eine Person. Eine Ablehnung oder ein Vorwurf erfordert eine Analystin bzw. einen Analysten und eine Möglichkeit für die antragstellende Person, ein Original vorzulegen (z. B. über Bankzugriff).

Datenaufbereitung

Das Rohmaterial sind die Dokumente selbst: Kontoauszüge, Gehaltsabrechnungen und Rechnungen, die als PDFs, Scans und Handyfotos per E-Mail, Kundenportal oder auf Papier eingehen. In einem KMU liegen sie in Postfächern, im DMS oder in ERP-Anhängen und auf Dateiablagen. Typische Lücken: Die Originaldatei ist verloren, weil jemand sie ausgedruckt und neu eingescannt hat (dabei gehen die Metadaten verloren, auf die die Forensik angewiesen ist), Duplikate unter verschiedenen Namen, kein Referenzbestand echter Aussteller-Vorlagen und keine beschrifteten Beispiele bestätigter Fälschungen. Aufbereitungsschritte: (1) Dokumente in ihrer ursprünglichen digitalen Form erfassen und die unveränderte Datei neben jeder verarbeiteten Kopie aufbewahren; (2) eine kleine Referenzbibliothek echter Vorlagen je Aussteller (Bank, Lohnabrechnungssoftware, wichtige Lieferanten) sowie Stammdaten für USt-IdNrn. und IBANs aufbauen, siehe PREP-016 und PREP-005; (3) bestätigte Betrugsfälle und unauffällige Fälle als Testmenge sammeln, siehe PREP-018 und PREP-020; (4) OCR ausführen, wo nur Scans vorliegen, siehe PREP-006 und DOC-014; (5) festlegen, wer Antragsdokumente einsehen darf und wie lange sie aufbewahrt werden, siehe PREP-024 und PREP-025. Werkzeuge: der Forensikdienst selbst, Paperless-ngx oder ein DMS für den Eingang, eine Tabellenkalkulation für den Referenzbestand. Rechnen Sie mit etwa 25 bis 35 Prozent des Aufwands für die Datenaufbereitung, überwiegend für Disziplin am Eingang und den Referenzbestand statt für Modellarbeit.

Umsetzungswege

Welcher Weg für wen

• smb (A): Es gibt ausgereifte, EU-basierte Dokumentenforensik-Dienste mit API oder Oberfläche zu nutzungsbasierten Preisen, und die Prüfung (ist dieses PDF echt?) ist ein Standardprozess.
• enterprise (B): Banken, Versicherer und große Finanzteams müssen den Vertrauenswert in Onboarding-, Schaden- oder Kreditoren-Workflows einbinden und eigene Systeme betreiben; daher passt ein Aufbau auf Cloud-APIs über einem Forensikdienst am besten.
• developer (B): Forensik-APIs, OCR und Regelprüfungen zu einem Produkt zu kombinieren, ist eine Integrationsaufgabe auf Cloud-APIs.
• public (C): Behörden verarbeiten Antragsdokumente, die personenbezogene Daten sind und Souveränität erfordern; daher sind Open-Source-Werkzeuge für PDF-Struktur und OCR auf eigener oder souveräner EU-Infrastruktur vorzuziehen.

Weg A — Kaufen (Standardsoftware)

Für die meisten Organisationen empfohlen. - Spezialisten für Dokumentenforensik: Resistant AI (Prag, CZ — EU; API/Oberfläche, nach Herstellerangabe 500+ Prüfungen, Integration mit Google Document AI, ABBYY, Camunda; SOC 2 Type 2) [3]; Finovox (europäisches Startup, aktiv in FR/LU/BE/ES, Ausweitung auf das Vereinigte Königreich — EU) [4]; Inscribe (USA; Detektor für Kontoauszüge und Gehaltsabrechnungen, Vertrauenswert, dokumentübergreifende Prüfungen; Datenhaltung auf der Produktseite nicht angegeben) [2]; Veryfi (USA; „Fake Document Detective“ per API) [5]; AppZen und ähnliche Plattformen zur Spesenprüfung für Belege [1]. Auch in einigen KYC-/Kreditvergabe-Suiten enthalten. - A wählen, wenn: Sie einen regelmäßigen Strom von Dokumenten Dritter haben und kein Data-Science-Team für Betrug. Testen Sie mit Ihren eigenen echten und bekannt gefälschten Mustern; bestehen Sie auf veröffentlichten Falsch-Positiv-Raten, Datenhaltung in der EU und einem AVV.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Inhaltsebene: Azure AI Document Intelligence, Google Document AI, AWS Textract oder ein führendes VLM (Claude, Gemini, GPT, Mistral — EU-Regionen/-Anbieter) für die Extraktion und das Finden von Widersprüchen (z. B. „ergibt Anfangssaldo + Gutschriften − Belastungen auf jeder Seite den Schlusssaldo?“).
• Forensikebene: Veryfi- oder Resistant-AI-API für Datei-/Pixelforensik [3][5]; eigene deterministische Prüfungen (PDF-Struktur, Producer-Zeichenketten) mit offenen Bibliotheken.
• Orchestrierung: n8n/Power Automate/eigener Dienst, Bewertung in einer Regelengine. VLMs sind gut bei semantischen Widersprüchen, aber keine verlässlichen Detektoren für Forensik auf Pixelebene; nutzen Sie „das LLM fragen, ob das gefälscht ist“ nicht als einzige Kontrolle.

Weg C — Selbst betreiben (Open Source)

• Dateiforensik: pikepdf/qpdf (MPL-2.0) zur Prüfung von PDF-Objekten und Metadaten [7], ExifTool, pdfminer/PyMuPDF für Schriftarten und Textebenen; deterministische Regeln für inkrementelle Updates, Abweichungen zwischen Producer und Creator, versteckte Ebenen.
• Inhalt & Rechnen: Docling oder PaddleOCR-VL zum Parsen, ein offenes VLM (Qwen-VL-Familie) über vLLM zur Feldextraktion; einfacher Code für Saldo-/USt-/IBAN-Prüfungen.
• Pixelforensik (Forschungsmodelle): TruFor (CVPR 2023; Lokalisierungskarte + Integritätswert) ist die offene Referenzimplementierung, ihre Lizenz ist jedoch nicht kommerziell [8]; andere akademische Detektoren (Modelle im Stil von DocTamper zur Erkennung von Dokumentenmanipulation) verallgemeinern auf neue Generatoren schlecht — prüfen Sie Lizenzen und testen Sie mit Ihren Daten.
• Bewertung: Gradient Boosting (LightGBM/XGBoost) über die Signale plus Regeln. Hardware: HW2 (eine GPU mit 24–32 GB) genügt; viele Prüfungen laufen auf der CPU.
• C wählen, wenn: die Dokumente hochsensibel sind (Lohn, Gesundheit), die Daten On-Premises bleiben müssen oder das Volumen Preise pro Dokument teuer macht.

Weg D — Eigenes Training

Lohnt sich für große Kreditgeber/Versicherer mit eigener beschrifteter Betrugshistorie: Einen Klassifikator auf Dokumentebene trainieren oder ein kleines VLM feintunen auf bestätigte Fälschungen plus echte Dokumente derselben Aussteller und kontinuierlich aktualisieren, weil sich Generatoren und Fraud-Kits ändern. Benötigt werden Tausende beschrifteter echter Dokumente je Ausstellertyp und einige hundert bestätigte Fälschungen (mit synthetischen Manipulationen anreichern, aber an echten Fällen validieren). Ein Training nur mit unbeschrifteten echten Dokumenten (Anomalieerkennung gegen Aussteller-Vorlagen) ist eine Alternative, wenn Fälschungen selten sind.

Stand der Technik (2026)

• Von Vorlagenfälschungen zu generierten Fälschungen: Bild- und Dokumentgeneratoren erzeugen heute plausible Belege, Gehaltsabrechnungen und Kontoauszüge mit korrektem Layout, korrekten Schriftarten und korrekter Rechnung, was klassische Prüfungen („stimmt die Rechnung?“) und viele Vorlagenprüfungen aushebelt [1][5].
• Mehrsignal-Ensembles dominieren die kommerziellen Produkte: Metadaten/Änderungshistorie, Schrift- und Vorlagenanalyse, Pixelanalyse, LLM-gestützte Widerspruchsprüfungen, dokumentübergreifender Vergleich, externe Bestätigung sowie ein Netzwerkeffekt über sehr große Dokumentenbestände; das Ergebnis ist ein Vertrauenswert von 0–100 mit Begründungen in verständlicher Sprache [2][3].
• Herkunftsnachweis als Ergänzung: C2PA Content Credentials und signierte Dokumente (z. B. eIDAS-qualifizierte Siegel, E-Rechnungs-XML, von der Bank signierte Auszüge oder Open-Banking-Daten) belegen die Echtheit günstig, wo verfügbar [9]; für die meisten hochgeladenen PDFs/Fotos gibt es keinen solchen Herkunftsnachweis, daher bleibt die Forensik nötig. Noch besser: das Dokument vermeiden und die Daten direkt aus der Quelle abrufen (PSD2-Kontoinformationen, Lohn-APIs, strukturierte E-Rechnungen).
• Grenzen und Fehlerbilder: Kein öffentlicher, unabhängiger Benchmark deckt kommerzielle Produkte ab; Genauigkeitsversprechen der Anbieter stützen sich nicht auf veröffentlichte Testmengen und Falsch-Positiv-Raten [3]. Auf einen Generator trainierte Detektoren verschlechtern sich bei neuen; Screenshots und Druck-Scan-Zyklen verwischen Spuren; legitime Dokumente (neu exportiert, zusammengeführt oder von der eigenen Software des Ausstellers bearbeitet, von Mitarbeitenden gescannt) verursachen Falsch-Positive, am stärksten betroffen sind Antragstellende mit dünner Datenlage oder nicht standardisierten Unterlagen. Angreifer können einen sichtbaren Wert austesten; zeigen Sie die Gründe daher Analysten, nicht den Antragstellenden.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack wie die Extraktion: DOC-017, DOC-001, DOC-002, DOC-004, DOC-014 — ein Parsing-/VLM-Dienst (HW2/HW3) versorgt sowohl die Extraktion als auch die Konsistenzprüfungen.
• Nachbarn mit klaren Grenzen: ANOM-014 (Ausweisdokumente und Lebenderkennung, nutzt face-biometrics), ANOM-015 (Kennzeichnung/Erkennung KI-generierter Medien im Allgemeinen, C2PA-Werkzeuge), DOC-019 (Prüfung von Zertifikaten und Qualitätsdokumenten).
• Nachgelagerte Betrugsanalytik: ANOM-009 (Spesen-/Beschaffungsbetrug — erhält den Echtheitswert als Merkmal), ANOM-003 (Schäden), ANOM-006 (Buchungsanomalien), ANOM-016 (Sanktionsprüfung für in Dokumenten gefundene Namen).
• Gemeinsame Bausteine: Bewertung mit tabular-ml/anomaly-detection, eine Fallverwaltung und Prüfoberfläche für Analysten, eine Datenbank für Dokument-Hashes und Vorlagen, Workflow-Engine (Backoffice-Automatisierung im Stil von AGENT-002).

Aufwand, Kosten & Kennzahlen

• Weg A: Tage bis wenige Wochen (API-/Oberflächen-Integration plus Pilot mit Ihren eigenen Mustern). Die Preise gelten meist pro Dokument und sind größtenteils unveröffentlicht.
• Weg B: 1–3 Monate, um Extraktion, Forensik-API und Regeln zu kombinieren; die Kosten hängen vom Volumen und der Zahl der Prüfenden ab.
• Weg C: 2–5 Monate; ein GPU-Server, ein gepflegter Regelsatz und beschriftete Testdaten; laufende Pflege, wenn sich Generatoren ändern.
• Weg D: 6+ Monate mit einem Data-Science-Team und einer Rückkopplungsschleife.
• Kennzahlen: Betrugserkennungsrate an einer beschrifteten Testmenge, Falsch-Positiv-Rate und Prüfaufwand (Anteil eskalierter Dokumente), Prüfzeit je Dokument, vermiedener bestätigter Betrugsschaden, Anteil der auf quellengeprüfte Daten umgestellten Fälle, Beschwerde-/Widerspruchsquote und Quote der aufgehobenen Entscheidungen.

Menschen & Veränderung

Binden Sie zuerst die Geschäftsleitung (Budget, Risikobereitschaft) und die Abteilungsleitung (Prozessverantwortliche für Betrug, Kredit oder Kreditorenbuchhaltung) ein, dann IT und IT-Sicherheit für Integration und Umgang mit sensiblen Uploads, und vor dem Pilot die bzw. den Datenschutzbeauftragte(n): Antragsdokumente sind personenbezogene Daten; prüfen Sie daher die Rechtsgrundlage, schließen Sie mit jedem Forensik-Anbieter einen AVV (Art. 28 DSGVO) und führen Sie eine DSFA durch, wenn die Prüfung in Entscheidungen über Personen einfließt (Art. 35 DSGVO). Betriebsrat: abhängig. Das Werkzeug analysiert Kundendokumente, nicht Beschäftigte; daher besteht keine Mitbestimmung nach §87 Abs. 1 Nr. 6 BetrVG, solange es keine individuelle Leistung der Analysten protokolliert; geschieht das doch (Fallbearbeitungsstatistiken je Person) oder werden die eigenen Gehaltsabrechnungen von Beschäftigten geprüft, muss der Betriebsrat zustimmen. Informieren Sie ihn dennoch rechtzeitig nach §90 Abs. 1 Nr. 3 BetrVG, da sich Arbeitsabläufe ändern. Im öffentlichen Dienst gilt der Personalrat. KI-Kompetenz: Unterstützen Sie die Analysten mit kurzen Schulungen dazu, was ein Vertrauenswert bedeutet und wie Falsch-Positive aussehen (Art. 4 KI-Verordnung, siehe GUIDE-006). Beginnen Sie mit einer Pilotgruppe aus zwei oder drei erfahrenen Analysten, prüfen Sie zunächst alle Markierungen manuell und veröffentlichen Sie Trefferquoten. Typische Sorge: „Das Werkzeug lehnt ehrliche Kunden ab.“ Begegnen Sie ihr, indem der Wert Anlass für eine Prüfung ist, nie eine automatische Ablehnung, und indem abgelehnte Antragstellende die Möglichkeit erhalten, Originale einzureichen. Siehe GUIDE-008, GUIDE-005 und GUIDE-009.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): Die Einstufung hängt von der Nutzung ab. Reine Betrugs-/Fälschungserkennung ist in der Regel minimales Risiko, und Anhang III Nr. 5 Buchst. b (Kreditwürdigkeitsprüfung) nimmt Systeme zur Aufdeckung von Finanzbetrug ausdrücklich aus. Fließt derselbe Wert in eine Kreditwürdigkeitsprüfung, eine Versicherungspreisentscheidung oder den Zugang zu wesentlichen öffentlichen Leistungen ein, kann dieses nachgelagerte System hochriskant sein (Anhang III Nr. 5). Nach Art. 5 nicht verboten, aber nutzen Sie es nicht, um geschützte Merkmale abzuleiten oder Profile im Stil von Social Scoring zu bilden. Art. 4 (KI-Kompetenz) gilt [10].
• DSGVO: Gehaltsabrechnungen, Auszüge und Rechnungen von Einzelunternehmern enthalten personenbezogene und teils besondere Kategorien von Daten (z. B. Krankenversicherung, Gewerkschaftsbeiträge). Erforderlich sind eine Rechtsgrundlage (typischerweise berechtigtes Interesse oder vorvertragliche Schritte; Interessenabwägung dokumentieren), Datenminimierung, AVV mit Anbietern, Transferprüfung bei US-Anbietern und Aufbewahrungsfristen. Art. 22: Eine Ablehnung darf nicht allein auf dem automatisierten Wert beruhen; halten Sie eine menschliche Prüfung vor und lassen Sie Antragstellende widersprechen und Originale vorlegen.
• Branchenrecht: Geldwäsche-/KYC-Pflichten (AMLD, deutsches GwG) und EBA-Leitlinien für Kreditgeber; GoBD für die Rechnungsarchivierung (das Original muss unverändert bleiben; Forensikergebnisse als gesonderten Nachweis aufbewahren); DORA für IKT-Drittparteienrisiken beim Einsatz von Anbietern in Finanzunternehmen.
• Risiken & Gegenmaßnahmen: falsche Beschuldigungen (menschliche Prüfung, Widerspruchsweg, Formulierung „nicht verifizierbar“ statt „gefälscht“); Benachteiligung nicht standardisierter Dokumente (Falsch-Positive nach Aussteller/Land/Kanal überwachen); gegnerische Anpassung (Prüfungen wechseln, zweite Kontrollen); Anbieterbindung und undurchsichtige Werte (auf Begründungscodes und exportierbare Belege bestehen); hochgeladene Dokumente nie länger als nötig aufbewahren.

Erste Schritte

1. Stellen Sie 200–500 echte eigene Dokumente zusammen (echte und, soweit verfügbar, bestätigte oder von Ihrem Sicherheitsteam als Red-Team erstellte Fälschungen) mit abgestimmten Beschriftungen.
2. Beseitigen Sie zuerst das günstige Risiko: Fordern Sie bei Entscheidungen mit hohem Wert quellengeprüfte Daten an (Open Banking, Lohn- oder E-Rechnungs-XML).
3. Testen Sie 2–3 Anbieter des Wegs A an dieser Stichprobe; vergleichen Sie Erkennungsrate, Falsch-Positive, Erklärbarkeit, EU-Hosting und AVV-Bedingungen.
4. Ergänzen Sie deterministische Prüfungen (Saldenrechnung, IBAN-/USt-Validierung, PDF-Producer-Regeln) vor oder neben dem Anbieterwert.
5. Legen Sie Schwellenwerte für die Weiterleitung, die Prüfoberfläche für Analysten und den Widerspruchsweg für Antragstellende fest; verfolgen Sie die Kennzahlen monatlich und testen Sie neu, wenn neue Generatoren erscheinen.

Quellen

1. Accounting Today — Use of AI receipts in expense fraud soars (AppZen, Emburse data; June 2026) — https://www.accountingtoday.com/news/use-of-ai-receipts-in-expense-fraud-soars
2. Inscribe — Fake bank statement detector — https://www.inscribe.ai/solution-explorer/fake-bank-statement-detector
3. IDP Software — Resistant AI vendor review — https://idp-software.com/vendors/resistant-ai/
4. IDTechWire — Finovox expands document fraud detection platform into the UK — https://idtechwire.com/finovox-expands-document-fraud-detection-platform-into-the-uk/
5. Veryfi — Detecting AI-generated fake bank statements (Fake Document Detective with Inscribe signals) — https://www.veryfi.com/ai-insights/detecting-ai-generated-fake-bank-statement/
6. OnGrid — Document forgery trends in 2026 (commentary on metadata scrubbing, template reuse) — https://ongrid.in/blogs/document-forgery-trends-in-2026/
7. pikepdf — https://github.com/pikepdf/pikepdf
8. TruFor (GRIP-UNINA, CVPR 2023) — https://github.com/grip-unina/TruFor
9. C2PA — Content Credentials — https://c2pa.org/
10. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj