Erkennung von Fälschungen & Markenverletzungen auf Online-Marktplätzen

Gefälschte und rechtsverletzende Waren werden über Marktplätze, soziale Shops und eigenständige Webshops schneller verkauft, als eine Rechtsabteilung sie von Hand finden kann. Systeme zum Markenschutz durchsuchen diese Kanäle laufend, vergleichen Angebotsbilder, Logos, Texte, Preise und Verkäuferverhalten mit den eigenen Materialien der Marke mithilfe multimodaler Embeddings, ordnen Verdachtsfälle nach Risiko und reichen Entfernungsmeldungen ein (einschließlich Notice-and-Action nach DSA), wobei ein Mensch die Grenzfälle freigibt. Dieselben Techniken laufen auf der Gegenseite, innerhalb von Marktplätzen, um Angebote zu stoppen, bevor sie online gehen.

Problem & Nutzen

• Heute: Markeninhaber durchsuchen Marktplätze per Stichwort, verlassen sich auf einige Agenturen und reichen Meldungen von Hand ein. Verkäufer stellen unter neuen Konten wieder ein, ändern Titel, beschneiden oder spiegeln Bilder und nutzen ähnlich aussehende Logos, sodass die manuelle Arbeit nie aufholt. Marktplätze müssen Millionen neuer Angebote prüfen und auf Meldungen reagieren.
• KI-Nutzen: Bild-/Logo-Ähnlichkeit und Textverständnis finden Kopien, die die Stichwortsuche übersieht, die Bewertung auf Verkäuferebene findet Wiederholungstäter, und die Automatisierung der Meldung verkürzt die Zeit, in der ein Angebot online bleibt. Die rechtliche Beurteilung bleibt beim Menschen (Fälschung, Graumarkt, Parallelimport oder legitimer Wiederverkauf?).
• Belege: Kommerzielle Anbieter berichten Größenordnungen statt geprüfter Effektstärken. Red Points nennt auf seiner Website beispielsweise eine Abdeckung von über 5.000 Marktplätzen und über 1.300 Marken und veröffentlicht von Kunden gemeldete Entfernungszahlen (z. B. 638.653 entfernte Angebote für FILA) – Aussagen des Anbieters, keine unabhängigen Messungen [1]. Bestehen Sie auf einem gemessenen Pilotprojekt mit Ihrer eigenen Marke, bevor Sie einer Rate vertrauen.
• Kontext: Die Arbeiten von OECD/EUIPO zum Handel mit gefälschten Waren und die Beobachtungsstelle des EUIPO sind die üblichen Referenzen für die Marktgröße; ziehen Sie sie für aktuelle Zahlen heran, statt sich auf Marketingaussagen von Anbietern zu verlassen.

Varianten

• Markeninhaber (KMU bis Konzern): 5–50 Marktplätze und soziale Plattformen auf die eigene Marke, Produktdesigns und Logos überwachen; typisch in Mode, Sportbekleidung, Kosmetik, Elektronik, Ersatzteilen, Spielzeug und Nahrungsergänzungsmitteln.
• Ersatzteile / Industrie (Mittelstand): gefälschte Lager, Filter, Werkzeuge – die Erkennung stützt sich auf Teilenummern, Fotos, Plausibilität von Seriennummern/QR-Codes und Preisausreißer; verbindet sich mit KNOW-021.
• Marktplatzbetreiber: Prüfung neuer Angebote vor der Veröffentlichung, Annahme von Meldungen vertrauenswürdiger Hinweisgeber, Erkennung von Wiederholungstätern und Prüfungen der Rückverfolgbarkeit von Händlern.
• Überwachung von Graumarkt und nicht autorisierten Wiederverkäufern: Durchsetzung von MAP (Mindestwerbepreis) und autorisierten Vertriebskanälen, nicht nur gegen Fälschungen.
• Social Commerce und Anzeigen: Shops auf Instagram/TikTok/Telegram, gesponserte Anzeigen für Fake-Shops (überschneidet sich mit SEC-021, ähnlich aussehende Domains).
• Verletzung von Inhalten und Designs: gestohlene Produktfotos und kopierte Designs; zu Piraterie bei Medien/Musik siehe ANOM-035; zur Markenrecherche vor dem Start siehe KNOW-022.
• Private Nutzung: Verbraucher, die einen verdächtigen Verkäufer oder eine Produktseite prüfen ("Ist dieser Shop / dieses Angebot gefälscht?") – meist über Sicherheitswerkzeuge im Browser; kein eigener Stack nötig.

So funktioniert es

1. Markendaten (Logos, Produktfotos, Katalog, autorisierte Verkäufer, Preislisten)
2. Crawler / Marktplatz-APIs / umgekehrte Bildsuche + Stichwortsuche (web-scraping)
3. Normalisierung der Angebote (OCR auf Bildern, Spracherkennung, Übersetzung)
4. multimodaler Abgleich: Bild- + Logo-Embeddings (Vektorsuche), VLM-Prüfung auf Logo-/Design-/Verpackungsdetails, Textklassifikator für Hinweise ("1:1", "AAA", "Replica"), Ausreißer bei Preis und Versandherkunft
5. Bewertung der Verkäufer: tabellarisches Modell + Graphanalyse (gemeinsame Bilder, Adressen, Zahlungs-/Kontaktverknüpfungen)
6. Rangfolge nach Risiko
7. Prüfansicht für Analysten mit Belegen nebeneinander
8. Maßnahme: Meldung nach Notice-and-Action / Meldung im Marken-Register / Eskalation an Rechtsbeistand, Zoll oder Testkauf
9. Beobachtung des Ergebnisses, Erkennung erneuten Einstellens, Kennzeichnungen als Rückmeldung an die Modelle

• Auffindung: Stichwort- und umgekehrte Bildsuche, Marktplatz-APIs, wo angeboten (viele Plattformen bieten Meldewerkzeuge für Markeninhaber), und regelkonformes Crawling; Nutzungsbedingungen und robots/ToS beachten.
• Abgleich: Selbstüberwachte oder kontrastive Bild-Encoder (DINOv2, SigLIP 2, OpenCLIP) liefern robuste Suche nach nahezu identischen und "gleichen" Produkten; ein VLM prüft dann Feinheiten (Nähte, Logogeometrie, Text der Verpackung) und schreibt eine kurze Begründung. Die endgültige Echtheit lässt sich selten allein aus einem Angebotsfoto entscheiden – Testkäufe sowie Labor- oder Markenexperten-Prüfungen bleiben die Referenz.
• Mensch-in-der-Schleife (Human-in-the-Loop): Exakte Kopien geschützter Bilder mit hoher Sicherheit können nach Richtlinie automatisch gemeldet werden; alles zu Echtheit, Parallelimporten oder Erschöpfung des Rechts geht an eine Person.

Datenaufbereitung

Das Rohmaterial sind Markendaten und Angebotsdaten. Markenmaterial (Logos, Markeneintragungen, Produktfotos, SKU-Listen, Listen autorisierter Wiederverkäufer) liegt meist im DAM, ERP oder Produktinformationssystem, auf Dateiablagen und in Agenturarchiven. Angebotsdaten werden von Marktplätzen durchsucht; frühere Takedown-Fälle liegen in Rechtsakten und E-Mails.

Typische Lücken: Produktfotos in uneinheitlichen Größen und Formaten; keine Positivliste der Wiederverkäufer, sodass echte Verkäufer markiert werden; Markendaten nur auf Papier oder als PDF-Scans; frühere Fälle ohne erfasste Ergebnisse; und keine Liste der Produktmerkmale, die Originale von Fälschungen unterscheiden.

Schritte zur Aufbereitung:

1. Einen Hauptbestand an Produktbildern und SKUs sammeln, bereinigen und verschlagworten (PREP-010).
2. Markenurkunden und alte Fallakten per OCR digitalisieren (PREP-006).
3. Eine Positivliste der Wiederverkäufer als strukturierte Tabelle pflegen (PREP-011).
4. Kennzeichnungen aus früheren Takedown-Ergebnissen gewinnen (PREP-020) und einen Testdatensatz aus echten und gefälschten Angeboten aufbauen, von Produktexperten geprüft (PREP-018).
5. Maßstäbe und Beispiele für Echtheitskriterien (Gold Standard) zusammentragen (PREP-016).

Werkzeuge: DAM oder eine saubere gemeinsame Ablage, OCR (z. B. Paperless-ngx), eine Tabelle für Positivlisten. Grober Aufwandsanteil: etwa 30 Prozent, überwiegend für das Sammeln und Verschlagworten des Markenmaterials.

Umsetzungswege

Welcher Weg für wen

• smb: A. Dienste zum Markenschutz und Marken-Register der Marktplätze sind ausgereift, bezahlbar und übernehmen Crawling und Einreichung von Takedowns, ein Standardprozess.
• enterprise: B. Große Markeninhaber verbinden die Erkennung mit ihren eigenen Produktkatalogen, juristischen Fallsystemen und Zollverfahren, was ein Produkt selten abdeckt.
• developer: C. Open-Source-Modelle für Bild und Embeddings (CLIP-Stil, Vektordatenbank) auf eigener Hardware erlauben individuellen Bildabgleich, ohne Markenmaterial an Dritte zu geben.

Weg A — Kaufen (für die meisten Markeninhaber empfohlen)

• Plattformen für Markenschutz: Red Points (Barcelona, Spanien, in der EU gegründet; Marktplätze, Websites, Social Media, Anzeigen, automatisierte Entfernung) [1]; außerdem Corsearch, MarkMonitor, BrandShield, Incopro (UK), eBay VeRO und Amazon Brand Registry / Project Zero als plattformeigene Programme für Rechteinhaber. Prüfen Sie die aktuelle Anbieterliste bei der Beschaffung – dieser Markt konsolidiert sich häufig.
• Plattformeigene Werkzeuge: Amazon Brand Registry, eBay VeRO, Alibaba IP Protection Platform, Partnerprogramme von Zalando/Otto, Meldewerkzeuge für geistiges Eigentum von Meta und TikTok – kostenlos, aber jeweils auf den eigenen Kanal beschränkt.
• Wählen Sie A, wenn: Sie weniger als einige hundert gefährdete SKUs haben oder kein Data-Science-Team; verlangen Sie EU-Hosting, einen Auftragsverarbeitungsvertrag, eine Abdeckungsliste je Marktplatz, die in einer Testphase an Ihrer Marke gemessene Präzision und wer die Haftung für Takedowns/Missbrauch trägt (siehe Risiken).

Weg B — Auf Cloud-KI-Diensten aufbauen

• Embeddings und VLMs: multimodale Embedding-APIs oder führende VLMs (Claude, Gemini, GPT, Mistral der Pixtral-Klasse) in EU-Regionen, um Angebotsbilder mit Referenzbildern der Marke zu vergleichen und Unterschiede zu erklären; Google Cloud Vision / Vertex AI Vision Warehouse oder Azure AI Vision für Logoerkennung und Produktsuche.
• Pipeline: Scraping-Dienst oder Marktplatz-API → Warteschlange → Embedding + Vektor-DB → VLM-Prüfung der besten Kandidaten → Fallbearbeitung (Jira, ServiceNow, n8n) → Vorlagen für Meldungen.
• Wählen Sie B, wenn: Sie eine eigene Produktlogik brauchen (z. B. Nummerierung von Ersatzteilen) oder die Erkennung in Ihre eigene Plattform einbetten wollen. Halten Sie die Kosten im Rahmen, indem Sie zuerst mit günstigen Embeddings filtern und das VLM nur für die Auswahlliste aufrufen.

Weg C — Selbst betreiben (Open Source)

• Modelle: DINOv2 (Apache 2.0, Code und Gewichte) [3], SigLIP 2 (Apache 2.0, ViT-B bis g, mehrsprachig) [4], OpenCLIP-Modellsammlung [2]; Objekt-/Logo-Detektoren, aus YOLO-Klasse oder Detektoren mit offenem Vokabular feingetunt; offene VLMs der Qwen-VL- Familie für den feinen Vergleich; PaddleOCR für Text in Bildern.
• Suche: Qdrant, Milvus, pgvector oder OpenSearch k-NN für Bild-/Textvektoren; Scrapy/Playwright zum Crawlen.
• Vorsicht bei Lizenzen: Der Code der Meta Image Similarity Challenge 2021 (eine Basislösung für Kopienerkennung als Benchmark) steht unter CC BY-NC 4.0, ist also nicht kommerziell [5] – nutzen Sie ihn für Ideen zur Bewertung, nicht in einem kommerziellen Produkt, ohne die Bedingungen zu prüfen.
• Hardware: HW2 (eine GPU mit 24–32 GB) genügt, um täglich Millionen Bilder einzubetten und ein VLM mit ca. 7–8 Mrd. Parametern auf Auswahllisten zu betreiben; die Skalierung von CPU/Vektor-DB ist meist der größere Kostenpunkt. Marktplatzbetreiber mit Milliarden Angeboten brauchen HW3/HW4 oder Cloud.

Weg D — Eigenes Training

Lohnend für Marktplätze oder für Marken mit markanten visuellen Produkten, bei denen generische Embeddings ähnlich aussehende Produkte verwechseln. Einen Bild-Encoder mit Metric Learning auf Paaren "echt gegenüber bekannter Fälschung" aus der eigenen Fallhistorie feintunen (Hunderte bis Tausende bestätigter Fälle) und ein Risikomodell für Verkäufer auf gekennzeichneten Ergebnissen trainieren (Gradient Boosting; Graphmerkmale für Verkäufernetzwerke). Halten Sie einen zurückgehaltenen Satz jüngster Fälle bereit, da Fälscher sich anpassen.

Stand der Technik (2026)

• Embeddings: Selbstüberwachte Bild-Encoder und solche mit Sigmoid-Verlust (DINOv2, SigLIP 2) liefern starkes Zero-Shot- Retrieval; Feintuning im Stil der Kopienerkennung verbessert die Robustheit gegenüber Zuschnitten, Filtern und Überlagerungen [3][4]. Der öffentliche Benchmark für diese Aufgabe ist die Image Similarity Challenge (Deskriptor-Track und Matching-Track) [5].
• VLM-gestützte Vorsortierung: VLMs erklären, warum ein Angebot verdächtig aussieht (Logoabstände, falscher Verpackungstext, Muster "Marke + ungewöhnlicher Preis"), und entwerfen die Meldung; nützlich für die Vorsortierung, kein Beweis der Echtheit.
• Generative KI auf beiden Seiten: Fälscher nutzen Bildgeneratoren und von LLMs geschriebene Angebote, um der Erkennung doppelter Bilder zu entgehen und viele Verkäuferpersonas zu erzeugen; die Verteidiger verlagern sich daher auf Signale aus Verkäufernetzwerk, Preis, Logistik und Textmustern statt allein auf die Bildidentität (siehe ANOM-004, ANOM-015).
• Physische Authentifizierung (Serialisierung, QR/NFC, Siegel gegen Manipulation, KI-basierte Fotoauthentifizierung von Luxusgütern) ergänzt die Angebotsüberwachung; die Angebotsüberwachung kann eine perfekte Fälschung nicht von einem echten Artikel unterscheiden.
• Grenzen: Falschalarme treffen legitime Wiederverkäufer, Parallelimporteure und Gebrauchtverkäufer (Erschöpfung des Rechts); Beweise aus Text/Bild lassen sich umgehen; Plattformen handeln unterschiedlich schnell; Crawling wird durch Nutzungsbedingungen und Anti-Bot-Maßnahmen eingeschränkt; die Abdeckung geschlossener Apps (WhatsApp, Telegram) ist schwach.

Gemeinsame Bausteine & Kombinationen

• Gleiche Bausteine (web-scraping + vlm + embeddings + vector-db): VIS-022 (visuelle Produktsuche), VIS-035 (Logoerkennung), SEC-021 (Markenimitation, Fake-Shops, ähnlich aussehende Domains), KNOW-022 (Markenrecherche und -überwachung), ANOM-035 (Fingerprinting von Inhalten gegen Piraterie) – ein Crawler, eine Vektor-DB und eine GPU (HW2) können alle bedienen.
• Signale auf Verkäuferseite: ANOM-004 (gefälschte Konten, Bots), ANOM-010 (gefälschte Bewertungen – oft genutzt, um gefälschte Angebote zu stärken), ANOM-017 (gefälschte Zertifikate/Dokumente, z. B. falsche Prüfberichte), ANOM-011 (Risiken in der Lieferkette, Umleitung in autorisierten Kanälen).
• Ablauf: Fallbearbeitung und Erstellung von Meldungen nutzen den Stack für Workflow-Automatisierung und Agenten-Framework von Back-Office-Anwendungsfällen im AGENT-Stil; Wissen über juristische Vorlagen kann aus einem RAG-Index bereitgestellt werden.

Aufwand, Kosten & Kennzahlen

• Weg A: Tage bis wenige Wochen bis zur Einrichtung; typische Preisgestaltung nach Zahl der Marken, Marktplätze oder Entfernungen (Angebote einholen).
• Weg B: 2–4 Monate für eine individuelle Pipeline; Kosten bestimmt durch Crawling-Infrastruktur und VLM-Aufrufe auf Auswahllisten.
• Weg C: 3–6 Monate inkl. Bewertungsdatensatz und Prüfoberfläche; GPU-Server plus Betrieb der Vektor-DB.
• Kennzahlen: Präzision der gemeldeten Angebote (bestätigte Verletzung / gemeldet), Trefferquote (Recall) an einer Stichprobe aus Testkäufen oder Red Teaming, Zeit bis zur Entfernung, Anteil entfernter Angebote, Rate erneuten Einstellens, Entfernungen von Wiederholungstäter-Verkäufern, Beschwerden wegen Falschalarmen und Gegenmeldungen, geschätzte Rückgewinnung von Umsatz/Preisverfall, Kosten je Entfernung.

Menschen & Veränderung

Wer und wann. Die Geschäftsleitung und die Verantwortlichen für Marke oder Recht entscheiden über Prioritäten und rechtliche Schritte (Notice-and-Action, Zollanträge). Die Produkt- oder Markenleitung liefert die Echtheitskriterien und prüft markierte Angebote. Die Dateneigentümer der Bild- und SKU-Archive werden früh einbezogen; die IT richtet Crawling und Konten ein. Lieferanten und autorisierte Wiederverkäufer sollten über die Positivliste informiert werden, damit sie nicht zu Unrecht gemeldet werden.

Betriebsrat. Im typischen Fall nein, da das Werkzeug Angebote Dritter analysiert, nicht das Verhalten von Beschäftigten. Wird die Tätigkeit der Prüfenden so protokolliert, dass eine Leistungsbewertung möglich ist, gilt § 87 Abs. 1 Nr. 6 BetrVG; § 90 Abs. 1 Nr. 3 verlangt eine rechtzeitige Unterrichtung, wenn KI Arbeitsabläufe verändert.

Datenschutz. Namen und Profile von Verkäufern sind personenbezogene Daten, wenn Einzelunternehmer betroffen sind. Halten Sie die Daten minimal, dokumentieren Sie das berechtigte Interesse, schließen Sie mit dem Dienstleister einen AVV (Art. 28 DSGVO) und konsultieren Sie die oder den Datenschutzbeauftragten; eine DSFA ist meist nicht nötig, außer Verkäufer werden in großem Umfang profiliert (GUIDE-005).

KI-Kompetenz und Kontrolle. Zeigen Sie den Prüfenden, wie Übereinstimmungswerte zustande kommen und wo ähnlich aussehende echte Produkte Fehler verursachen (GUIDE-006). Ein Mensch prüft ein Angebot immer, bevor eine Meldung eingereicht wird, da ungerechtfertigte Meldungen eine Haftung nach sich ziehen. Beginnen Sie mit einer Produktlinie als Pilot und messen Sie die Präzision (GUIDE-009, GUIDE-008).

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): minimales Risiko – es betrifft Produkte und gewerbliche Angebote von Verkäufern, keinen Bereich nach Anhang III. Profiliert ein System natürliche Personen (einzelne Verkäufer) mit Entscheidungen, die ihren Zugang zu wesentlichen Leistungen betreffen, prüfen Sie die Einstufung erneut; KI-Kompetenz (Art. 4) gilt für die Betreiber. Nutzen Sie keine biometrische Analyse von Gesichtern der Verkäufer.
• DSA (Verordnung (EU) 2022/2065): Marktplätze müssen ein Meldeverfahren (Notice-and-Action) anbieten (Art. 16), Meldungen vertrauenswürdiger Hinweisgeber vorrangig behandeln (Art. 22), Regeln gegen Missbrauch anwenden (Art. 23) und – für Online-Marktplätze – Händler rückverfolgen (Art. 30) und Oberflächen so gestalten, dass Händler die Vorgaben einhalten können (Art. 31) [7]. Markeninhaber sollten vollständige, begründete Meldungen einreichen; Marktplätze müssen bei angefochtenen Entscheidungen die menschliche Aufsicht wahren und eine Begründung abgeben.
• Recht des geistigen Eigentums: Marken- und Designrecht, Durchsetzungsrichtlinie 2004/48/EG; das Zollverfahren der EU erlaubt Rechteinhabern, einen Antrag auf Tätigwerden beim Zoll zu stellen. Missbräuchliche oder irrtümliche Takedowns können eine Haftung begründen (unlauterer Wettbewerb, Schadensersatz) – vermeiden Sie vollautomatische Meldungen bei Ansprüchen, die von der Echtheit abhängen.
• DSGVO: Verkäuferdaten (Namen, Adressen, Bewertungen) sind bei Einzelunternehmern personenbezogene Daten; beschränken Sie die Erhebung auf das, was der Fall braucht, halten Sie Rechtsgrundlage (berechtigtes Interesse, Art. 6 Abs. 1 Buchst. f) und Aufbewahrung fest, AVV mit dem Anbieter, EU-Hosting bevorzugt.
• Scraping: Prüfen Sie die Nutzungsbedingungen der Plattformen, Datenbankrechte und die Aspekte des EU Data Act / des unlauteren Wettbewerbs; bevorzugen Sie offizielle APIs und Meldeprogramme.
• Gegenmaßnahmen: menschliche Prüfung mehrdeutiger Fälle, Positivliste autorisierter Wiederverkäufer, Bearbeitung von Widersprüchen, Prüfprotokoll zu Belegen und Meldungen.

Erste Schritte

1. Erfassen, was Sie schützen müssen: die 20 wichtigsten SKUs, Logos, Markeneintragungen (EUIPO / DPMA), autorisierte Wiederverkäufer, Preisuntergrenzen.
2. Kostenloser erster Schritt: in die Plattformprogramme eintreten (Amazon Brand Registry, eBay VeRO, Alibaba IPP, Werkzeuge von Meta/TikTok für geistiges Eigentum) und aktuelle Meldungen erfassen, um eine Basislinie zu erhalten.
3. Ein Pilotprojekt über 4–8 Wochen mit einem Anbieter von Weg A (und/oder einem kleinen Prototyp von Weg B/C) auf 3 Marktplätzen durchführen; jedes markierte Angebot kennzeichnen, um die Präzision zu messen.
4. Entscheidungsregeln festlegen: was automatisch gemeldet wird, was eine rechtliche Prüfung braucht, was Testkäufe oder Maßnahmen des Zolls auslöst.
5. Bestätigte Fälle als Kennzeichnungen zurückführen, monatlich prüfen und eine Analyse der Verkäufernetzwerke ergänzen, sobald das Volumen groß genug ist.

Quellen

1. Red Points — brand protection product overview and stated figures (vendor claims) — https://www.redpoints.com/
2. OpenCLIP (mlfoundations) — open-source CLIP/SigLIP model zoo — https://github.com/mlfoundations/open_clip
3. Meta FAIR — DINOv2 (Apache 2.0 code and weights) — https://github.com/facebookresearch/dinov2
4. Google Research — SigLIP 2 (big_vision README) — https://github.com/google-research/big_vision/blob/main/big_vision/configs/proj/image_text/README_siglip2.md
5. Meta — Image Similarity Challenge 2021 (CC BY-NC 4.0) — https://github.com/facebookresearch/isc2021
6. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
7. Regulation (EU) 2022/2065 (Digital Services Act) — https://eur-lex.europa.eu/eli/reg/2022/2065/oj