Bilder-Rückwärtssuche ist der billigste Forensik-Check, der fast nie gemacht wird. 30 Sekunden pro Foto, kostenlos, und erwischt ein spezifisches Muster, das Metadaten-Checks komplett übersehen: Die Kundin, die ein Stockfoto eines verkratzten Displays aus Google Images zieht und als Beweis schickt. Dieser Guide zeigt, welches Tool für welchen Job, wie man Ergebnisse interpretiert, und den einen operativen Trick, der das skaliert.
Wie Lift-and-Submit-Betrug aussieht
Eine Kundin bestellt einen Funk-Kopfhörer für 120 €. Drei Tage nach Lieferung öffnet sie ein Ticket: „Kaputt angekommen, lädt nicht, bitte erstatten." Angehängt: ein sehr überzeugendes Foto zerkratzter Kopfhörer. Das Foto hat kein EXIF (die Kundin sagt, sie habe einen Screenshot machen müssen, weil die App „gebuggt" hätte). Das Foto sieht echt aus — weil es echt ist. Es wurde vor zwei Jahren von jemand anderem aufgenommen, auf eine Review-Seite hochgeladen, und Ihre Kundin hat es in Ihren Anspruch kopiert. Das Foto ist nicht manipuliert. Der Betrug ist, dass es nicht Ihren Versand zeigt.
Deshalb zählt Rückwärtssuche. EXIF-Forensik fängt gefälschte Fotos. Pixel-Forensik fängt bearbeitete Regionen. Beides fängt nicht ein zu 100 % authentisches Foto — nur eben von den Kopfhörern einer anderen Person.
Die vier Tools nach Use-Case geordnet
| Tool | Beste in | Free-Tier | API für Automatisierung |
|---|---|---|---|
| TinEye | Re-Uploads desselben Bildes über indexierte Seiten; frühe Web-Matches | 150 Suchen / Monat / IP | Ja (kostenpflichtig, ab 50 $/Monat für 5.000 Suchen) |
| Google Lens | Shopping-Seiten, News-Bilder, redaktionelle Fotos; visuelle Ähnlichkeit (nicht nur exakt) | Kostenlos, unbegrenzt im Browser; API limitiert | Teilweise über Google Cloud Vision |
| Yandex Images | Social Media (VKontakte, OK, Telegram-Kanäle), ältere russischsprachige Stock-Seiten | Kostenlos, unbegrenzt im Browser | Keine offizielle öffentliche API |
| Bing Visual Search | Microsoft-Properties, einige Stock-Bibliotheken; insgesamt schwächer als die anderen | Kostenlos, unbegrenzt im Browser | Ja über Bing Image Search API |
In unserem Datensatz fangen alle vier nacheinander ~80 % der geklauten Fotos. Nur Google Lens fängt ~55 %. Nur TinEye ~40 %. Der Overlap ist klein, also die Vier-in-Folge-Routine hat schnell abnehmende Renditen — drei reichen meist.
30-Sekunden-Workflow
Schadens-Anspruchs-Foto rückwärts durchsuchen
Tools in dieser Reihenfolge. Stoppen, sobald ein Tool einen Treffer liefert, der älter als das Bestelldatum ist.
- Foto lokal speichern, RechtsklickDie meisten Browser bieten 'Bild im Web suchen' per Rechtsklick (Chrome, Edge). In anderen Browsern Foto speichern, dann ins Such-Tool ziehen.
- TinEye — tineye.comDatei reinziehen. 2–3 Sekunden warten. Ergebnis-Seite sortiert nach Match-Qualität. 'Oldest' klicken, um nach frühestem Seen-Datum zu sortieren. Alles, was vor der Bestellung liegt, ist eine rauchende Pistole.
- Google Lens — images.google.comKamera-Icon in der Suchleiste, Datei hochladen oder reinziehen. Google zeigt visuell-ähnliche Bilder plus Seiten, die sie einbetten. Shopping-Seiten-Treffer sind das stärkste Signal.
- Yandex Images — yandex.com/imagesKamera-Icon in der Suchleiste, Datei droppen. Yandex' Index ist sichtbar stärker bei älterem Web-Content und Social Media als Google. Top-12-Ergebnisse durchgehen.
Der Workflow lohnt, weil in 9 von 10 Lift-and-Submit-Fällen das Bild seit Monaten oder Jahren unter einer fremden URL online ist. Sie brauchen keine Forensik-Expertise — wenn Google Images sagt „zuerst gesehen auf reddit.com/r/audiophile 2022", dann ist das Foto nicht von dem 2026er-Kauf der Kundin.
Ergebnisse lesen
| Befund | Bewertung | Nächster Schritt |
|---|---|---|
| Keine Treffer in allen Engines | Unklar — Foto ist neu oder Index hat es noch nicht erfasst | Mit anderen Forensik-Checks fortfahren (EXIF, ELA) |
| Treffer auf Stock-Seite (Shutterstock, Unsplash, Adobe Stock) | Hohe Betrugs-Wahrscheinlichkeit — Stockfotos sind kein Kunden-Beweis | Unter Policy ablehnen; Treffer-URL und First-Seen-Datum dokumentieren |
| Treffer auf altem eBay-/Amazon-Listing eines anderen Händlers | Sehr hohe Wahrscheinlichkeit — Klau aus Wettbewerber-Listing | Unter Policy ablehnen; Wettbewerber-Listing screenshotten |
| Treffer auf Review-Seite, Blog oder Forum vor dem Bestelldatum | Hohe Wahrscheinlichkeit — Kundin hat Review-Foto gegriffen | Original-Datei anfordern; Kundin wird meist nicht mehr antworten |
| Treffer auf eigenem öffentlichen Social-Media der Kundin vor der Bestellung | Niedrige Betrugs-Wahrscheinlichkeit, hohe Doppel-Abrechnungs-Wahrscheinlichkeit | An Prüfer eskalieren; mit Bestellhistorie abgleichen |
| Treffer auf News-Artikel über Produktmängel (Sammelklage, Rückruf) | Mittlere Wahrscheinlichkeit — könnte echte Kundin der betroffenen Charge sein | Mit weiteren Checks fortfahren; nicht auto-ablehnen |
Genau auf das First-Seen-Datum achten. Ein 2019 erstmals indexiertes Foto kann kein 2026er-Kauf sein, egal wie die Kundin es erklärt.
Skalieren über 100 Fotos pro Tag
Manuelle Rückwärtssuche ist bei ~50–80 Fotos pro Prüfer und Tag am Limit. Darüber drei Optionen:
- TinEye-API. Bezahlt-Tier mit programmatischem Zugang, $0,01–0,02 pro Suche im Bulk. Einfache Integration in einen Support-Ticket-Webhook — Foto angehängt, API-Hit, Ergebnis im Ticket geloggt.
- Google Cloud Vision Product Search. Gebaut für Matching gegen den eigenen Produktkatalog — ein leicht anderes Problem (Artikel-Tausch-Erkennung), aber nützlich in der Nachbarschaft.
- Automatisierte Pipeline (z. B. Claimscan). Kombiniert Reverse-Bildsuche, Perceptual-Hashing und kundenübergreifende Duplikat-Erkennung hinter einem API-Call. Ein neuer Upload wird gecheckt gegen das offene Web, frühere Einreichungen im Netzwerk und bekannte Fraud-Foto-Datenbanken — in einem Pass.
Option (3) erwischt auch das Muster, das eine einzelne Suchmaschine allein verpasst: dasselbe Foto eingereicht als Schadensanspruch bei drei verschiedenen Shops in derselben Woche, von drei verschiedenen Kundinnen. Dieses shop-übergreifende Wiederverwendungs-Signal ist entscheidend, aber nur sichtbar, wenn Sie über Shops hinweg aggregieren.
Edge-Cases, die wie Betrug aussehen und keiner sind
| Befund | Warum es legitim sein könnte |
|---|---|
| Foto erscheint auf einem Pinterest-Board | Pinterest-Nutzer re-pinnen Produktfotos häufig von Händler-Seiten — auch von Ihrer. Prüfen, ob der Original-Pin von Ihrer eigenen Produktseite ist. |
| Foto ist auf einer Bewertungs-Seite wie Trustpilot | Die Kundin könnte Monate zuvor eine echte Bewertung gepostet haben und behauptet jetzt Schaden am gleichen Produkt. Falls die Seite ein Konto hat, cross-referenzieren. |
| Foto ist auf einem Influencer-Instagram, aber der Account gehört der Kundin | Kein Lift-Betrug; potenziell Influencer-Wardrobing (siehe [Wardrobing-Guide](/de/blog/getragene-kleidung-retoure-erkennen)). |
Regel: Rückwärts-Treffer sind starke Beweise, aber zu verifizieren, wer das Bild zuerst hochgeladen hat, zählt trotzdem. Ein Foto auf dem eigenen alten Social-Post der Kundin ist kein Lift-Betrug; meist ein vergessener Re-Post.