Gefälschte Sozialnachweise: Kontrollen in Leistungsprozessen stärken

Gefaelschte Sozialnachweise, ein Phänomen im Anstieg.

Jeden Morgen oeffnen tausende Sachbearbeiter ihre Bearbeitungswarteschlangen. Sie pruefen Lohnabrechnungen, Mietquittungen, Krankschreibungen. Die Dokumente wirken perfekt. Logos stimmen. Zahlen passen. Unterschriften wirken authentisch.

Was kein menschliches Auge sehen kann: Einige dieser Dokumente wurden in wenigen Minuten aus Kits erstellt, die fuer 40 Euro ueber Messenger-Apps verkauft werden — mit echten Unternehmensnummern realer Firmen und echten Kennungen von praktizierenden Aerzten, die missbraeuchlich verwendet wurden.

Dieses Szenario spielt sich an jedem Arbeitstag ab, in industriellem Umfang, in den digitalisierten Portalen der franzoesischen sozialen Sicherung.

Das Ausmass des Problems: Zahlen, die die Debatte veraendern

Dokumentenbetrug bei Sozialleistungen ist kein Randphaenomen mehr. Er ist zu einer strukturellen Bedrohung fuer die Finanzierung des Systems geworden.

Laut Schaetzungen des Haut Conseil du Financement de la Protection Sociale wird Sozialbetrug auf 14 Milliarden Euro pro Jahr beziffert [HCFiPS — Synthèse annuelle fraude sociale 2025 (2026)]. Dieser Betrag uebertrifft fruehere Schaetzungen und bestaetigt eine stetige Aufwaertsentwicklung.

Der entdeckte Betrug ist von 1,2 Milliarden Euro im Jahr 2020 auf 2,9 Milliarden Euro im Jahr 2024 gestiegen [Ministère de l'Économie — Agir contre les fraudes aux finances publiques (2024)]. Diese Verdopplung in vier Jahren spiegelt kein ploetzliches Fehlverhalten der Nutzer wider: Sie zeigt die Industrialisierung organisierter Kriminalitaet in Netzwerken.

Warum Sozialtraeger ein bevorzugtes Ziel sind

Die Digitalisierung hat den einzigen Filter beseitigt, den es gab

Ueber Jahrzehnte stiess Dokumentenbetrug auf ein natuerliches Hindernis: die physische Interaktion am Schalter. Ein Agent im direkten Gespraech konnte eine Unstimmigkeit bemerken, nachfragen, ein Original verlangen.

Die Digitalisierung der Verfahren, gedacht zur Vereinfachung fuer die Nutzer, hat diesen Filter mechanisch entfernt. Heute kann ein organisiertes Netzwerk gleichzeitig tausende gefaelschte Dossiers ueber Online-Portale einreichen. Jeder Upload wird wie ein einfacher Anhang behandelt. Es gibt keine physische Barriere mehr und keine menschliche Praesenz am Eintrittspunkt.

Volumina, die jede menschliche Kontrollkapazitaet uebersteigen

Die CNAF betreut zig Millionen Leistungsempfaenger. Die Ausgaben allein fuer Mindestsicherungsleistungen liegen bei ueber 30,6 Milliarden Euro pro Jahr [DREES — Minima sociaux et prestations sociales 2024 (2024)]. Jede Aenderung der Situation erzeugt einen Fluss von Nachweisen, der bearbeitet werden muss.

Bei der CPAM machen Indemnités JournalièresZahlungen der Krankenversicherung zum Ausgleich von Einkommensverlusten bei Arbeitsunfaehigkeit, Mutterschaft oder Unfall. allein 10 Milliarden Euro fuer Krankheitsfaelle aus [Assurance Maladie — Rapport Charges et Produits 2025 (2024)], ein Wert, der auf 16 Milliarden steigt, wenn Arbeitsunfaelle und Berufskrankheiten einbezogen werden.

Wenn ein Sachbearbeiter zehn Minuten darauf verwenden wuerde, jedes eingehende Dokument ernsthaft zu pruefen, waeren die Warteschlangen schnell nicht mehr beherrschbar.

Zuerst zahlen, dann erkennen — und fast immer verlieren

Sozialtraeger unterliegen einer grundlegenden Pflicht im oeffentlichen Dienst: Ansprueche schnell auszuzahlen, um ehrliche Nutzer nicht zu prekarisieren. Kriminelle Netzwerke nutzen diese Vorgabe systematisch aus.

Indem sie die Portale mit tausenden gleichzeitigen Antraegen fluten, stellen sie statistisch sicher, dass ein Anteil der betruegerischen Dossiers mangels Zeit zur Pruefung durchgeht. Sobald Mittel ausgezahlt sind, zeigen Ermittlungen, dass kriminelle Organisationen das Geld schnell in Scheinkonstrukte verschieben und die Kassen mit leeren Firmenhuelsen zuruecklassen [Gendarmerie nationale — Démantèlement réseau Assurance Maladie 8 millions € (2025)].

Warum die aktuellen Kontrollen nicht mehr ausreichen

Gefälschte Fachpersonen sind mit blossem Auge nicht erkennbar

Ein erfahrener Sachbearbeiter kann ein unscharfes Logo oder eine ungefaehre Ausrichtung auf einem minderwertigen Dokument erkennen. Moderne kriminelle Netzwerke produzieren jedoch keine minderwertigen Dokumente mehr.

Automatische Lesetools pruefen nicht — sie lesen

Automatische Lesesysteme (OCRTechnologie, mit der ein Computer Text in einem digitalisierten Dokument lesen und transkribieren kann. Sie extrahiert Daten, prueft aber nicht, ob sie nachtraeglich veraendert wurden.) die manche Stellen einsetzen, bleiben beim Lesen des Textes stehen. Sie extrahieren Daten — Name, Betrag, Datum — ohne zu hinterfragen, ob diese Daten nach der urspruenglichen Erstellung der Datei veraendert wurden.

Ein gefaelschter Mietvertrag, fuer 40 Euro auf Telegram gekauft, ist visuell makellos, mit gut lesbarem Text und existierenden Adressen. Ein OCROptical Character Recognition — liest den Text eines Dokuments, ohne Aenderungen zu erkennen, die nach der Erstellung vorgenommen wurden. liest ihn ohne jede Warnung.

• 5 Signale, dass ein Dokument gefaelscht wurde — unsichtbar mit blossem Auge

Diese Anomalien sind bei einer normalen Sichtpruefung nicht sichtbar. Sie lassen sich nur durch eine technische Analyse der Datei erkennen.

Versteckte Daten, die das Faelschungswerkzeug verraten. Eine Lohnabrechnung, die angeblich von Unternehmenssoftware erzeugt wurde, kann in ihren versteckten Informationen (métadonnéesUnsichtbare Informationen, die in eine digitale Datei eingebettet sind und ihre Historie beschreiben: Erstellungssoftware, Aenderungsdatum, Autor. Beim Lesen unsichtbar, aber durch technische Analyse zugaenglich.) Spuren einer Bildbearbeitungssoftware oder eines kostenlosen Konverters enthalten.

Heterogene Kompressionsniveaus. Wenn ein Faelscher einen Betrag auf einer Rechnung aendert, weist der retuschierte Bereich eine Bildkompressionssignatur auf, die sich radikal vom Rest des Dokuments unterscheidet — eine mathematische, unausloeschliche Spur, die durch Analyse erkennbar ist (ELAError Level Analysis — Analyseverfahren, das Unterschiede in der Bildkompression misst, um Bereiche zu identifizieren, die nach der urspruenglichen Erstellung eines Dokuments veraendert wurden.).

Abnorme typografische Abstaende. Offizielle Formulare (CerfaOffizielle franzoesische Verwaltungsformulare, deren jede Version standardisiert ist. Schon kleinste Aenderungen der Zeichenabstaende lassen sich durch Vergleich mit dem Referenzmuster erkennen.) haben ein pixelgenau standardisiertes Layout. Die kleinste Aenderung erzeugt Abweichungen in der Zeichenabstaenden, die fuer das Auge unsichtbar sind, aber algorithmisch messbar.

Geografisch inkohärente Berufskennung. Eine Krankschreibung, unterschrieben mit der Kennung eines Arztes aus Alpes-Maritimes, fuer einen Versicherten aus Hauts-de-France, mit kurzer Diagnose — die Kombination ist statistisch auffaellig.

Mathematisch falsche Sozialabgaben. Generatoren gefaelschter Lohnabrechnungen halten mit den jaehrlichen Aenderungen der Beitragssaetze oft nicht Schritt (CSGContribution Sociale Généralisée — Abgabe, deren Satz jaehrlich und je nach Einkommensart variiert. Gefaelschte Lohnabrechnungen nutzen haeufig veraltete oder falsche Saetze., CRDSContribution au Remboursement de la Dette Sociale — zusaetzliche Abgabe zur CSG. Ein Rechenfehler, selbst ein Cent, signalisiert eine Inkonsistenz.). Ein Fehler von einem Cent reicht aus, um die Anomalie zu kennzeichnen.

Diese fuenf Signale treten haeufig gemeinsam in derselben betruegerischen Akte auf. Es ist ihre Summe und ihr Abgleich, der es erlaubt, einen Betrugsversuch zu charakterisieren.

Rechtlicher und Compliance-Rahmen: worauf es ankommt

Die rechtlichen Folgen eines gefälschten Dokuments hängen stets von den konkreten Umständen, dem betroffenen Sektor, der rechtlichen Einordnung und der zuständigen Gerichtsbarkeit ab. In der Praxis ist für Organisationen vor allem entscheidend, einen verhältnismäßigen, nachvollziehbaren und dokumentierten Prüfprozess nachweisen zu können, mit menschlicher Überprüfung immer dann, wenn eine Entscheidung erhebliche Auswirkungen haben kann.

Die hier beschriebenen Kontrollen sind deshalb als Maßnahmen des Risikomanagements, der Compliance und der Beweissicherung zu verstehen. Jede endgültige Sperrung, Meldung, vertragliche Sanktion oder gerichtliche Maßnahme sollte weiterhin von den zuständigen Rechts- oder Compliance-Teams validiert werden.

Was Teams konkret gewinnen

Kontrollen vor die Auszahlung verlagern. 2024 hat die Krankenversicherung gezeigt, dass verstärkte praeventive Kontrollen einen signifikanten Anteil betruegerischer Betraege vor der Auszahlung blockieren koennen [Assurance Maladie — Lutte contre les fraudes, résultats 2024 (2025)]. DeepForgery Documents erweitert diese Logik auf den gesamten eingehenden Dokumentenfluss, nicht nur auf manuell ausgewaehlte Dossiers.

Die Dokumentation der Kontrollen und die Wahl der Infrastruktur sollten an Datensensibilitaet, Risikoanalyse und die konkret anwendbaren Anforderungen angepasst werden. Je nach Kontext koennen ein qualifizierter Cloud-Anbieter oder ein On-Premise-Deployment sinnvoll sein, dies sollte jedoch mit Rechts-, Compliance- und IT-Sicherheitsteams validiert werden.

Operative Entlastung fuer Sachbearbeiter. Dossiers mit verdaechtigen Signalen werden mit bereits zusammengestellten Analyseelementen markiert. Der Agent entscheidet auf Basis eines strukturierten Berichts, was die Bearbeitungszeit pro Fall reduziert und die Zielgenauigkeit verbessert.

Jeder Anomaliebericht kann die Vorbereitung einer internen Pruefung oder einer Uebermittlung an zustaendige Stellen erleichtern. Form, Zulassigkeit und weitere Verwendung sollten jedoch fallbezogen von den zustaendigen Rechts- oder Compliance-Teams bewertet werden.

Hauefige Fragen vor dem Deployment

Welche Dokumenttypen werden abgedeckt? Die Engine analysiert PDF-, JPEG-, PNG- und TIFF-Formate und deckt die gaengigsten Nachweise ab: Krankschreibungen, Lohnabrechnungen, Mietquittungen, Energiekostenrechnungen, Geburtsurkunden, RIB, Arbeitgeberbescheinigungen. Sie ist auf offiziellen Modellen franzoesischer Formulare trainiert (CerfaOffizielle Verwaltungsformulare, die vom franzoesischen Staat standardisiert werden und deren Versionen Referenzmerkmale in Typografie und Layout besitzen.). Grenzfaelle — auslaendische Dokumente, degradierte Fotokopien — werden fuer eine menschliche Pruefung markiert, statt automatisch abgelehnt zu werden.

Worin unterscheidet sich diese Loesung von einem OCR-Check oder einer verstaerkten manuellen Pruefung? Ein OCRAutomatische Texterkennung in einem digitalisierten Dokument. Sie extrahiert, was geschrieben steht, ohne zu analysieren, ob der Inhalt nach der urspruenglichen Erstellung veraendert wurde.-Check liest, was im Dokument steht. Er prueft nicht, ob dieser Inhalt nach der urspruenglichen Erstellung veraendert wurde. Selbst eine verstaerkte manuelle Pruefung kann keine Unterschiede in der Bildkompression oder typografische Pixel-Inkonsistenzen erkennen. DeepForgery Documents arbeitet gleichzeitig auf drei Ebenen — visuelles Signal, Dateistruktur und logische Konsistenz mit oeffentlichen Referenzen — was weder ein Agent noch ein reines Lesetool im Massstab der Volumina leisten kann.

Stoert das Deployment bestehende Informationssysteme? Die Integration erfolgt ueber eine dokumentierte REST-API, kompatibel mit den Architekturen der Sozialtraeger. Es sind keine Aenderungen an den Nutzeroberflaechen noetig. In on-premise Konfiguration wird die Loesung auf internen Servern ohne externe Verbindung installiert. Eine Qualifizierungsumgebung steht vor dem Go-Live zur Verfuegung, damit das IT-Team das Verhalten anhand eines Samples realer Dokumente validieren kann.

Fazit

Dokumentenbetrug bei Sozialleistungen ist nicht mehr das Werk isolierter Individuen. Er ist organisiert, kapitalisiert und arbeitet mit der methodischen Strenge einer Industrie — Kits, die zu Hunderten ueber verschluesselte Messenger-Apps verkauft werden, Netzwerke, die mehrere Millionen Euro abzweigen koennen, bevor sie zerschlagen werden [Gendarmerie nationale — Démantèlement réseau fraude AM 8 M€ (2025)].

Der regulatorische Rahmen fuer Sozialleistungstraeger entwickelt sich weiter. Die Wahl von Hosting, praeventiven Kontrollen und Nachvollziehbarkeit sollte an die Sicherheits-, Souveraenitaets- und Rechtsanforderungen der jeweiligen Organisation angepasst und mit den zustaendigen Funktionen abgestimmt werden.

Wird eine gefaelschte Krankschreibung markiert, bevor Leistungen berechnet werden, verursacht sie weder finanziellen Schaden noch ein muhsames Gerichtsverfahren. Sie wird still in der Kontrollwarteschlange behandelt — ohne den legitimen Nutzer dahinter auch nur um eine Sekunde zu verzoegern.