Tot vorig jaar moest je redelijk handig zijn om een bonnetje te vervalsen. Nu volstaat een opdracht van één zin. Van alle nepbonnen die fraudesoftware onderschept is inmiddels ruim zeventig procent met AI gemaakt, en in augustus veroordeelde een Nederlandse kantonrechter een werknemer die zijn dinerbonnen had laten bijwerken. Het vervelende is dat zulke bonnen er prima uitzien. Ze laten wel degelijk een spoor na, maar dat zit op een plek waar vrijwel geen enkel declaratieproces kijkt: in het bestand zelf. En dat spoor overleeft geen enkele bewerking.
Hoe groot is het probleem echt?
Het veelgenoemde cijfer van zeventig procent gaat niet over alle declaraties, maar alleen over de bonnen die al als vervalsing zijn aangemerkt. Dat verschil is groot genoeg om de meeste krantenkoppen onbruikbaar te maken.
Fraudedetectiebedrijf AppZen telde in de twaalf maanden tot 15 mei 2026 in totaal 1.471 met AI gemaakte bonnen, ingediend door 745 medewerkers bij 174 bedrijven. Binnen die groep onderschepte vervalsingen groeide het aandeel AI-bonnen van nul procent in maart 2025 naar 70,8 procent. Vervalsingen op basis van kant-en-klare sjablonen zakten in dezelfde periode van bijna honderd procent naar 29 procent.
Een tweede meting laat de andere kant zien. SAP Concur, dat maandelijks miljoenen declaraties verwerkt, zette eind 2025 een AI-detector in en vond daarna achttien keer zoveel verdachte bonnen, zo schreef Het Financieele Dagblad op 25 oktober. Van alle ingediende declaraties is volgens dat bedrijf ongeveer één procent met AI gemaakt.
Die achttien keer zegt overigens net zoveel over de detector als over de fraude. Wie beter zoekt, vindt meer.
| Meting | Wat er precies geteld is | Uitkomst |
|---|---|---|
| AppZen, aandeel AI | Binnen de bonnen die al als vals waren gemarkeerd | 70,8% (maart 2025: 0%) |
| AppZen, sjabloonvervalsing | Binnen diezelfde gemarkeerde groep | 29% (een jaar eerder bijna 100%) |
| AppZen, steekproef | Gevonden AI-bonnen, 12 maanden tot 15 mei 2026 | 1.471 bonnen, 745 medewerkers, 174 bedrijven |
| SAP Concur, aandeel AI | Van alle ingediende declaraties | circa 1% |
| SAP Concur, detectiegroei | Gevonden verdachte bonnen na inzet AI-detector | 18 keer zoveel |
Zet die twee metingen naast elkaar en het beeld wordt rustiger: van alles wat er binnenkomt is ongeveer één op de honderd declaraties met AI gemaakt. Pas binnen de stapel die al verdacht is, domineert AI. Dat is nog steeds fors, maar het is iets anders dan de paniek die de koppen suggereren. Voor meer context over wat AI in financiële processen doet, staan de cijfers bij elkaar in de AI-cijfers voor de financiële sector van TheAIDaily.
Waarom juist je kleinste bonnetjes het doelwit zijn
Kleine declaraties zijn het doelwit omdat de controle erop duurder is dan het bedrag zelf. Een bon van dertig euro individueel laten nakijken kost al snel meer dan dertig euro aan werktijd, dus gaan die bedragen bij veel organisaties automatisch door.
Dat zie je terug in de bedragen. De gemiddelde met AI gemaakte bon in de telling van AppZen was goed honderd dollar waard, met een middenwaarde van iets meer dan dertig dollar. Omgerekend is dat gemiddeld zo'n 90 euro, en de helft van de bonnen bleef onder de 30 euro: een lunch, een tankbeurt, een parkeerkaartje. Precies de categorie die niemand natelt.
Even voor de beeldvorming: tien van die bonnen per maand bij één medewerker blijven onder vrijwel elke signaleringsgrens, terwijl het op jaarbasis om duizenden euro's gaat. Wie dat soort bedragen volledig automatisch laat goedkeuren, bouwt dezelfde blinde vlek als organisaties die besluiten zonder mens in de lus nemen: het proces loopt door, maar niemand kijkt meer.
Wat zei de Nederlandse rechter hierover?
De kantonrechter in Noord-Holland oordeelde op 13 augustus 2026 dat het met AI bewerken van een declaratie ernstig verwijtbaar is, ook als de kosten echt zijn gemaakt. Dat is de scherpste Nederlandse uitspraak tot nu toe over dit onderwerp.
Het ging om een business analist bij cateringbedrijf Cirfood, in dienst sinds augustus 2024. Hij had een vertrouwensfunctie en was deels verantwoordelijk voor de beveiliging van systemen en data. Hij werd op staande voet ontslagen na een reeks gedragingen: kilometers declareren vanaf een adres waar hij niet woonde, kilometers declareren terwijl hij meereed met een collega of ziek thuis zat, en onkosten indienen die hij niet had gemaakt.
Het detail dat blijft hangen, zit in de bonnen. Hij verzon de uitgaven niet uit het niets: hij paste het totaalbedrag op dinerbonnen aan zodat ze binnen het per-persoon-plafond van zijn werkgever pasten. Daarnaast reconstrueerde hij kassabonnen met AI, volgens zijn eigen verklaring omdat de originelen kwijt of onleesbaar waren geraakt. Voor het grootste deel van de facturen erkende hij zelf dat ze met AI bewerkt waren.
“Ook het bewerken of fabriceren van declaraties met AI is ernstig verwijtbaar, ook in het geval de onderliggende kosten daadwerkelijk zouden zijn gemaakt.”
Kantonrechter Noord-Holland, 13 augustus 2026, ECLI:NL:RBNHO:2026:10263
Zijn verweer dat het declaratiesysteem van zijn werkgever structureel rammelde, hielp hem niet. Van iemand met die functie mag volgens de rechter verwacht worden dat hij zo'n gat aankaart in plaats van het zelf op te vullen met aangepaste bonnen. Hij vroeg 55.000 euro bruto aan billijke vergoeding en kreeg niets, ook geen transitievergoeding. Hij moet 2.163,73 euro netto aan zijn oud-werkgever betalen.
Welke sporen laat een AI-bon achter?
Het sterkste spoor zit niet in het plaatje maar in het bestand: beeldgeneratoren schrijven een ondertekend herkomstlabel mee. Die standaard heet C2PA, en de labels worden Content Credentials genoemd.
Hoe concreet dat is, kun je zelf nagaan. De gravure boven dit artikel is gemaakt met het model gpt-image-2 van OpenAI. In het oorspronkelijke PNG-bestand zit een apart blok van 21.879 bytes met daarin een ondertekende verklaring: welke software het beeld maakte (“OpenAI Media Service API”), welk model, op welk tijdstip, plus een certificaatketen om die verklaring te controleren. Dat blok is met één commando zichtbaar te maken.
# 1. Zit er een herkomstlabel van een AI-generator in het bestand? grep -a -c "c2pa" bonnetje.png # 2. Zit er cameradata in? Telefoonfoto's hebben dit, AI-beelden niet. exiftool -Make -Model -DateTimeOriginal -GPSLatitude bonnetje.jpg # 3. Dezelfde bon twee keer ingediend? Vergelijk de digitale vingerafdrukken. sha256sum *.jpg | sort | uniq -w64 -d
Het eerste commando gaf op het originele bestand vier treffers. Op de bewerkte versie nul. Daarover later meer.
Naast dat label zijn er signalen die een mens kan zien, en die zijn hardnekkiger dan je denkt. Het FD noemt duplicaten, zichtbaar knip- en plakwerk, afwijkende kleurprofielen en ontbrekende cameragegevens. Onderzoeksbureau CED Forensic rolde vorig jaar een fraudezaak op waarin voor 188.000 euro aan nepvakanties was geclaimd bij zeven verzekeraars, vertelde het aan de NOS. De doorbraak kwam niet van software. Een medewerker zag dat onder doktersbrieven van twee verschillende huisartsenpraktijken exact dezelfde handtekening stond.
OpenAI voegt aan beelden uit ChatGPT naast dat C2PA-label ook een onzichtbaar watermerk toe dat volgens het bedrijf beter bestand is tegen bewerkingen zoals een screenshot, en biedt een eigen controletool aan waarin je een bestand kunt uploaden. Een vergelijkbaar principe speelt bij documenten, waar informatie meegaat die je op het scherm niet ziet.
Een verdachte bon controleren, stap voor stap
Begin altijd bij het originele bestand, want elke tussenstap wist bewijs. Dit is de volgorde die werkt:
- Vraag het originele bestand op. Geen screenshot, geen foto van een beeldscherm, geen plaatje dat via WhatsApp is doorgestuurd. Die kanalen gooien metadata weg.
- Check het herkomstlabel met commando 1 hierboven. Een treffer is een sterk signaal dat het beeld door een generator is gemaakt.
- Check de cameradata met commando 2. Een foto van een papieren bon hoort merk, type en opnametijd van een telefoon te bevatten.
- Zoek duplicaten over alle bonnen van die periode met commando 3. Dezelfde bon twee keer indienen blijft de meest voorkomende variant.
- Vraag het bankafschrift of de creditcardregel erbij. Dit is de enige harde bevestiging dat de uitgave echt bestaat. In de Cirfood-zaak woog juist mee dat die onderbouwing ontbrak.
Waar loopt die controle stuk?
Het ontbreken van een herkomstlabel bewijst helemaal niets. Dat is de belangrijkste beperking, en wie dat niet begrijpt beschuldigt vroeg of laat een onschuldige collega.
Terug naar de gravure boven dit artikel. Voor publicatie is het beeld één keer verkleind en als JPEG opgeslagen, verder niets. Daarna was er van die 21.879 bytes aan herkomstgegevens niets meer over: nul treffers, geen cameravelden, niets. Denk aan een postzegel die alleen op het origineel zit. Zodra iemand de brief overschrijft, is hij weg.
Een screenshot doet hetzelfde, en een eerlijke medewerker die zijn bon even bijsnijdt dus ook. OpenAI zegt zelf dat het uitblijven van een signaal in de eigen controletool geen bewijs is dat iets door een mens is gemaakt. Behandel een gevonden label dus als aanwijzing, en een ontbrekend label als niets.
Dat betekent ook dat de uitkomst van zo'n check nooit op zichzelf een ontslagdossier is. In de Cirfood-zaak hing het oordeel op een patroon van gedragingen, op onderzoek door een bedrijfsrecherchebureau en op de erkenning van de werknemer zelf. Het meekijken met medewerkers kent bovendien grenzen onder de privacyregels, dus leg vast wat je controleert en waarom.
Henk Deraedt van kredietverzekeraar Allianz Trade zei er in het FD iets nuchters over: er zijn geen nieuwe fraudevormen bij gekomen. Wat veranderde is de schaal. Hij noemt het een industrialisatie van fraude, en dat is precies waarom procesaanpassingen meer opleveren dan beter turen naar plaatjes.
De goedkeuringsdrempel is je belangrijkste knop
De snelste winst zit niet in detectiesoftware maar in de grens waaronder jij declaraties ongezien goedkeurt. Vier aanpassingen die je deze maand kunt doorvoeren:
- Zet een steekproef op de kleine bedragen. Je hoeft niet elke bon van dertig euro te controleren, wel willekeurig één op de twintig. Dat haalt het rekensommetje onderuit waarop deze fraude drijft.
- Eis het originele bestand. Neem in je declaratieregeling op dat screenshots en doorgestuurde foto's niet gelden als bewijsstuk.
- Koppel declaraties aan de bankafschriften of de zakelijke creditcard. Een bon zonder bijbehorende afschrijving is het signaal waar je op wilt sturen.
- Regel een route voor een kwijtgeraakte bon. Dit is de echte les uit de Cirfood-zaak: de man zei dat zijn originelen weg waren en loste dat zelf op. Schrijf expliciet op dat je een bon nooit met AI reconstrueert, en bied een alternatief zoals een verklaring met het bankafschrift erbij.
En tot slot: behandel dit als een procesvraag, niet als een AI-vraag. De techniek die deze bonnen maakt wordt elk kwartaal beter. Controleren op het oog blijft dus achterlopen. Je declaratieregeling en je goedkeuringsgrens blijven wel van jou. Hoe Nederlandse mkb-bedrijven AI verder in hun werk inpassen, staat in de AI-cijfers voor het Nederlandse mkb van TheAIDaily. Wil je dit soort ontwikkelingen in je inbox, schrijf je dan in voor de dagelijkse AI-nieuwsbrief.
