Wie erkennt man, ob ein Bild KI-generiert ist?

Um zu prüfen, ob ein Bild KI-generiert ist, verbinden Sie mehrere Nachweise: die nachvollziehbare Quelle, signierte Herkunftsdaten (Content Credentials), unterstützte Wasserzeichen und eine Analyse der Pixel. Jeder Nachweis beantwortet einen Teil der Frage und zeigt, was noch geklärt werden muss. Fileverity bündelt die technischen Prüfungen in einem Bericht und trennt Hinweise auf vollständige KI-Erzeugung von lokalen Bearbeitungen.

Behalten Sie neben der Herkunft eine zweite Frage im Blick: Stützt dieses Bild die Aussage, mit der es eingereicht wurde? Ein echtes Kamerafoto kann den falschen Gegenstand oder einen früheren Vorfall zeigen. Eine offen KI-generierte Illustration kann für ihren Zweck völlig in Ordnung sein. KI-Beteiligung und Täuschung sind zwei verschiedene Befunde.

Auf einen Blick: Womit Sie anfangen

Für die Prüfung eines einzelnen Bildes beginnen Sie mit der kostenlosen Bildprüfung für KI-Bilder. Sie liefert Risikostufe und Handlungsempfehlung; der vollständige Bericht zeigt die Belege, darunter die Einschätzung zur KI-Generierung, bearbeitete Bereiche sowie die ausgelesenen Content Credentials und Metadaten. Nutzen Sie das Ergebnis, um den nächsten Schritt zu wählen: eine Herkunftsprüfung, einen genaueren Blick auf einen bearbeiteten Bereich oder die Anforderung einer besseren Datei. Ein Befund zur Bildherkunft muss danach noch mit der Aussage verbunden werden, die Sie prüfen.

1. Festlegen, was das Bild belegen soll

Formulieren Sie einen Satz mit Gegenstand, Ereignis, Ort und Zeit. „Dieser Fahrradrahmen kam am Dienstag mit einem Riss an“ lässt sich prüfen. „Ist das Bild echt?“ bündelt mehrere Fragen, die unterschiedliche Nachweise brauchen.

Beim Fahrradrahmen sind es vier Fragen: Stammt das Bild aus einer Kamera? Wurde ein Riss nachträglich eingefügt? Ist es derselbe Rahmen wie in der Lieferung? Wann entstand der Schaden? Ein Detektor für vollständig generierte Bilder hilft bei der ersten Frage, eine lokale Analyse bei der zweiten, Liefer- und Bestellunterlagen bei den übrigen. Wer die Fragen trennt, bekommt aus jeder Prüfung mehr heraus.

Legen Sie die Entscheidungsregel fest, bevor Sie ein Detektorergebnis ansehen, etwa: „Für die Anerkennung eines Transportschadens brauchen wir eine deutliche Aufnahme des Mangels und einen Nachweis, der den abgebildeten Rahmen mit der Lieferung verbindet.“ So ersetzt ein eindrucksvoller Wert nicht stillschweigend die eigentliche Anforderung. Wählen Sie den nächsten Schritt angemessen: Bei einer Illustration für eine Broschüre genügt oft eine Offenlegung, bei einem strittigen Schadenfall brauchen Sie eine zweite Ansicht und eine passende Rahmennummer.

2. Quelle zurückverfolgen und die erhaltene Fassung sichern

Sichern Sie die erhaltene Datei unverändert, zusammen mit Absender, Eingangszeit und der behaupteten Aufnahmesituation. Geben Sie jeder Fassung eine feste Referenz; ein SHA-256-Hashwert identifiziert genau die Bytes, die Sie geprüft haben. Verknüpfen Sie spätere Anhänge und Analyseergebnisse mit dieser Referenz.

Liegt Ihnen nur ein Screenshot oder eine Messenger-Vorschau vor, fordern Sie die Originaldatei oder den frühesten verfügbaren Export an. Sagen Sie genau, was Sie meinen: „Bitte senden Sie die Bilddatei als Anhang, nicht als Bildschirmfoto.“ Auch ein Original kann aus einem Generator stammen. Die Anforderung verschafft Ihnen bessere Belege, sie ist kein Echtheitstest.

Trennen Sie Quellenrückverfolgung vom Ruf der Quelle. Auch ein langjähriger Geschäftspartner kann versehentlich ein irreführendes Bild weiterleiten. Wer ihn über einen bekannten Kanal kontaktiert, erfährt, woher er das Bild hat; seine Überzeugung ersetzt aber nicht den Dateiverlauf. Fragen Sie, ob er das Bild selbst aufgenommen, von jemand anderem erhalten oder heruntergeladen hat, und halten Sie fest, was er persönlich bestätigen kann.

Wo es zum Material passt, suchen Sie mit einer umgekehrten Bildersuche nach früheren Veröffentlichungen. Öffnen Sie die Fundstelle und vergleichen Sie markante Details, statt sich auf ein Vorschaubild zu verlassen. Notieren Sie die URL und das Datum, das die Seite tatsächlich belegt; ein angezeigtes Veröffentlichungsdatum ist kein Aufnahmedatum. Eine Suche ohne Treffer ist eine erfolglose Suche, kein Beleg für Neuheit. Laden Sie vertrauliche Einsendungen nur dann in öffentliche Such- oder Analysedienste, wenn das intern freigegeben ist.

3. Einfache Metadaten von signierten Herkunftsdaten trennen

Metadaten liefern Hinweise wie Kameramodell, Zeitstempel oder Urheberangaben. EXIF, IPTC und XMP sind etablierte Formate, doch ein Kamerafeld zu sehen ist etwas anderes, als eine Signatur zu prüfen. NIST behandelt diese Formate getrennt von Verfahren, die Herkunftsangaben kryptografisch absichern (NIST AI 100-4, Abschnitt 3.1.2).

Lesen Sie den genauen Feldnamen, bevor Sie ein Datum deuten: Änderungs-, Export- und Aufnahmedatum beantworten verschiedene Fragen. Halten Sie eine Abweichung als Abweichung fest. Schließen Sie aus einem Softwarenamen nicht auf generative Bearbeitung und aus fehlenden Kamerafeldern nicht auf ein fehlendes Kamerafoto. Ein fehlendes Feld ist als Hinweis besonders schwach, wenn Sie den Übertragungsweg nicht kennen; Messenger und Plattformen entfernen Metadaten beim Versand häufig.

Content Credentials nach dem C2PA-Standard ergänzen signierte Angaben zu einer Datei. Eine Validierung prüft die Integrität des Eintrags, seine Bindung an die Datei und das Vertrauen in den Unterzeichner. Das ist mehr als Metadaten lesen. Die C2PA-Spezifikation trennt dabei ausdrücklich Herkunft von Wahrheit: Herkunftsangaben allein sagen nicht, ob ein Inhalt wahr, zutreffend oder sachlich richtig ist. Die Nutzung ist freiwillig, Verläufe können unvollständig sein, und Herkunftsdaten lassen sich entfernen (C2PA 2.2 Explainer, Abschnitte 2 und 7).

Speichern Sie in der Praxis das Ergebnis des Validators und halten Sie fest, worauf es sich bezieht. Betrifft der Eintrag die Aufnahme, eine Generierung, eine Bearbeitung oder einen späteren Export? Gilt er für diesen Anhang oder für eine frühere Ausgangsdatei? Erkennt der Validator den Unterzeichner? Erst diese Angaben machen aus einem Symbol einen verwertbaren Befund.

Unterscheiden Sie „nicht vorhanden“, „konnte nicht validiert werden“ und „validiert mit diesen Angaben“. Das sind drei verschiedene Beobachtungen. Schlägt eine Validierung fehl, sichern Sie die Fehlermeldung, statt jeden Fehler als gezielte Manipulation zu deuten. Beschreibt der Eintrag eine KI-Generierung, berichten Sie diese Angabe und ihren Validierungsstatus, ohne zu behaupten, damit sei der ganze geschilderte Sachverhalt widerlegt.

Rechtlicher Rahmen: KI-Kennzeichnung nach Art. 50 KI-Verordnung

Stand: 28.10.2026. Keine Rechtsberatung.

Seit dem 2. August 2026 gilt Art. 50 der KI-Verordnung (EU) 2024/1689. Anbieter von KI-Systemen, die synthetische Bilder erzeugen, müssen sicherstellen, dass die Ausgaben in einem maschinenlesbaren Format gekennzeichnet und als künstlich erzeugt oder manipuliert erkennbar sind, „soweit technisch möglich“ (Art. 50 Abs. 2). Ausgenommen sind unter anderem unterstützende Funktionen für die Standardbearbeitung. Betreiber, die Deepfakes erzeugen, müssen offenlegen, dass die Inhalte künstlich erzeugt oder manipuliert wurden (Art. 50 Abs. 4) (Art. 50 KI-VO, Textfassung). Für KI-Systeme, die vor dem 2. August 2026 in Verkehr gebracht wurden, gilt bei der maschinenlesbaren Kennzeichnung eine Übergangsfrist bis zum 2. Dezember 2026 (Europäische Kommission, FAQ zum Verhaltenskodex).

In Österreich gilt die Verordnung wie in Deutschland unmittelbar. Die Schweiz hat derzeit keine KI-spezifische Gesetzgebung (Bundesamt für Justiz); Schweizer Anbieter und Betreiber können aber erfasst sein, wenn die Ausgabe ihres KI-Systems in der EU verwendet wird (Art. 2 Abs. 1 Buchst. c KI-VO). Einzelheiten zu Fristen und Ausnahmen finden Sie auf unserer Seite zur Kennzeichnungspflicht nach Art. 50 KI-VO.

Was das für Ihre Prüfung bedeutet: Eine vorhandene, validierbare KI-Kennzeichnung stützt einen Befund zur KI-Herkunft. Eine fehlende Kennzeichnung beweist dagegen nichts. Kennzeichnungen können entfernt werden, ein Screenshot übernimmt sie nicht, bis Dezember 2026 laufen Übergangsfristen, die Pflicht gilt nur „soweit technisch möglich“, und nicht jedes frei verfügbare Werkzeug hält sich an die Vorgaben. Gehen Sie also nicht davon aus, dass jedes KI-Bild inzwischen erkennbar markiert ist.

4. Das Bild betrachten, um prüfbare Fragen zu formulieren

Die visuelle Prüfung ist am nützlichsten, wenn sie zeigt, was als Nächstes zu untersuchen ist. Sehen Sie sich die Bereiche an, auf die es für die Aussage ankommt, und zwar in sinnvoller Größe: den Mangel, die Rahmennummer, Orientierungspunkte im Hintergrund, Spiegelungen, Übergänge zwischen Objekten. Vergrößern hilft, die vorhandenen Pixel zu sehen; fehlende Information erzeugt es nicht.

Schreiben Sie „Die Rahmennummer ist nicht lesbar“ oder „Felgenrand und Boden wirken nicht durchgehend“ statt „sieht nach KI aus“. Die erste Formulierung ist eine Beobachtung, die eine zweite Person nachprüfen kann. Die zweite vermengt Eindruck, Ursache und Gewissheit zu einem unbegründeten Urteil.

Ziehen Sie gewöhnliche Erklärungen in Betracht, bevor Sie eine Auffälligkeit der Generierung zuschreiben: Bewegungsunschärfe, geringe Schärfentiefe, Lichtreflexe, Komprimierung und übliche Bildbearbeitung verändern, was sichtbar ist. Umgekehrt entscheidet das Fehlen typischer Fehler an Händen, Schrift oder Schatten nicht über die Herkunft. Eine Checkliste visueller Fehler taugt nicht als alleiniges Prüfkriterium.

Eine gute Nachforderung zielt auf die Unsicherheit. Ist die Nummer nicht lesbar, fordern Sie eine Nahaufnahme an, die sie zugleich mit dem Rahmen verbindet. Betrifft das fragliche Detail nur einen kleinen Bereich, prüfen Sie auf lokale Bearbeitung, statt anzunehmen, eine Klassifikation des ganzen Bildes könne sie finden oder erklären.

5. Die Prüfung wählen, die die offene Frage beantwortet

Wasserzeichenprüfung und trainierte Detektoren arbeiten unterschiedlich. Eine Wasserzeichenprüfung sucht ein bestimmtes eingebettetes Signal; ein trainierter Detektor bewertet Muster im Bildinhalt. NIST unterscheidet die Nachverfolgung von Herkunftsdaten und die inhaltsbasierte Erkennung als eigene Ansätze und betont, dass keine Technik für sich eine umfassende Lösung ist (NIST AI 100-4, Abschnitte 3.1 und 3.2).

Bekannte unsichtbare Wasserzeichen werden von einzelnen Anbietern in ihre generierten Inhalte eingebettet. Ein positiver Treffer liefert einen konkreten Hinweis auf die Ausgabe dieses Systems. Ein negatives Ergebnis lässt andere Generatoren und Bearbeitungswege offen. Prüfen Sie, welche Systeme ein Prüfwerkzeug abdeckt und welche Eingaben es voraussetzt.

Ordnen Sie jeder Prüfung die Frage zu, die sie beantworten kann:

Ein trainierter Detektor ist nützlich, wenn die Quellengeschichte fehlt oder wenn Sie prüfen wollen, ob der Inhalt zu einer behaupteten Herkunft passt. Wählen Sie ihn passend zur Aufgabe: vollständig generierte Bilder, lokale Bearbeitungen oder beides. Prüfen Sie, ob seine Evaluierung die Art von Datei abdeckt, die Ihnen vorliegt, etwa ein Original oder einen komprimierten Messenger-Anhang. NIST weist darauf hin, dass Fehlalarme, also echte Inhalte, die als KI eingestuft werden, erheblichen Schaden anrichten können, und dass deshalb die Trefferquote bei einer festgelegten niedrigen Fehlalarmrate aussagekräftiger sein kann als eine einzelne Genauigkeitszahl (NIST AI 100-4, Abschnitt 4.2.2).

Auch das BSI beschreibt die Grenzen: Automatisierte Erkennungsverfahren funktionieren nur unter gewissen Rahmenbedingungen zuverlässig, ihre Generalisierbarkeit ist das Hauptproblem, und Gegenmaßnahmen bieten in der Regel keinen vollständigen Schutz. Das BSI empfiehlt, Maßnahmen anwendungsbezogen zu kombinieren (BSI, Deepfakes – Gefahren und Gegenmaßnahmen). Für Ihre Praxis heißt das: Ein Detektor ist ein Baustein neben Herkunftsdaten und Kontext, kein Ersatz für sie.

Halten Sie Werkzeug, Version, Prüfdatum, Dateireferenz, Ergebnis und Schwellenwert fest. Deuten Sie eine Zahl nicht stillschweigend als „Wahrscheinlichkeit, dass diese Person getäuscht hat“. Solange der Anbieter Bedeutung und Kalibrierung eines Werts für Ihren Einsatzzweck nicht dokumentiert, bleibt die Zahl eine werkzeugspezifische Angabe. Zwei übereinstimmende Dienste sind nicht automatisch zwei unabhängige Bestätigungen; klären Sie erst, ob sie tatsächlich unterschiedliche Belege liefern.

Hintergrund: Wie ein trainierter Detektor aus Pixeln einen Befund macht

Bildklassifikation mit trainierten Modellen lässt sich allgemein so beschreiben: Ein eingereichtes Bild wird in eine Darstellung überführt, die eine festgelegte Unterscheidung stützt, etwa „generiert“ gegenüber „Kameraaufnahme“. Vereinfacht gesagt, leitet das Modell aus dem Bild nach einer Vorverarbeitung gelernte numerische Merkmale ab und bildet daraus einen Klassifikationswert.

Entscheidend ist die Darstellung. Ein Merkmal muss keinem erkennbaren Objekt oder offensichtlichen Fehler entsprechen. Durch Training können Kombinationen von Bildmustern nützlich werden, um gekennzeichnete Kategorien zu trennen, auch wenn beide für einen Menschen gleich plausibel aussehen. Der Wert betrifft diese gelernte Unterscheidung; den Entstehungsverlauf ruft er nicht ab. Wang und Kollegen zeigten auf der CVPR 2020, dass ein Klassifikator, der auf den Bildern eines Generators trainiert wurde, bei sorgfältiger Vor- und Nachverarbeitung auf andere Generatoren übertragbar sein kann (Wang et al., CVPR 2020). Das war ein frühes Beispiel für lernbare Belege jenseits einer Liste sichtbarer Fehler; die Übertragbarkeit auf neue Generatoren muss aber, wie das BSI betont, jeweils neu belegt werden.

Daraus folgen zwei praktische Punkte. Erstens verändert die Vorverarbeitung die verfügbaren Belege. Wird ein Bild mit 4.032 × 3.024 Pixeln auf 1.008 × 756 Pixel verkleinert, sinkt jede Seitenlänge auf ein Viertel und die Pixelzahl auf ein Sechzehntel. Ein Merkmal, das im Original 16 Pixel breit ist, ist danach nur noch rund 4 Pixel breit. Die Interpolation bestimmt die neuen Werte; die kleinere Fassung ist keine gleich aussagekräftige Kopie.

Zweitens kann ein Modell Zusammenhänge lernen, die in Ihrem Datenstrom nicht gelten. Angenommen, eine Evaluierung enthält Kamerabilder als JPEG und generierte Bilder als PNG. Eine gute Trennung kann dann auf Generierungsspuren beruhen, auf Formatunterschieden oder auf beidem. Prüfen Sie deshalb beide Klassen unter gleichen Lieferbedingungen: Kamera-Originale und generierte Originale, dann die entsprechenden Messenger-Fassungen beider Gruppen. Halten Sie alle Fassungen einer Quelle beim Aufteilen in Entwicklungs- und Testdaten zusammen, sonst wirkt die Übertragbarkeit besser, als sie ist.

Für die Beschaffung heißt das: „Sieht völlig echt aus“ ist ein guter Testfall, aber kein vollständiger Evaluierungsplan. Prüfen Sie, ob die Belege eines Detektors die Kanäle überstehen, über die Sie Bilder erhalten, und ob echte Dateien aus denselben Kanälen unterscheidbar bleiben. Wie Sie Genauigkeitsangaben einordnen, erklärt der Ratgeber Wie zuverlässig sind KI-Bilddetektoren?.

6. Widersprüche klären, bevor Sie ein Etikett vergeben

Eine Angabe zur Kameraaufnahme und ein KI-Hinweis müssen sich nicht auf dieselbe Stufe im Leben einer Datei beziehen. Klären Sie zuerst, ob beide Ergebnisse denselben Anhang betreffen. Prüfen Sie dann die aufgezeichneten Schritte und die Aufgabe des Detektors. Eine spätere Bearbeitung, ein unvollständiger Verlauf, eine nicht unterstützte Eingabe oder ein Klassifikationsfehler sind Möglichkeiten, die zu prüfen sind, keine Erklärungen, die man voraussetzt.

Ein brauchbares Widerspruchsprotokoll hat drei Spalten: Beobachtung, mögliche Erklärung und klärender Nachweis. „Der frühere Anhang trägt Content Credentials, der Screenshot nicht“ legt nahe, die Fassungen und den Übertragungsweg zu vergleichen; es begründet nicht, dass ein Absender unehrlich ist. „Kein Wasserzeichen, Detektor positiv“ verbindet womöglich nur eine eng begrenzte Anbieterprüfung mit einer breiteren Inhaltsklassifikation. Wie die drei Nachweiswege zusammenspielen, zeigt der Ratgeber C2PA, KI-Wasserzeichen oder Bilddetektor.

Verrechnen Sie unabhängige Ergebnisse nicht zu einem selbst konstruierten „Echtheitswert“ in Prozent. Beschaffen Sie stattdessen den Nachweis, der den Widerspruch auflöst: den genauen früheren Anhang, die Fehlermeldung des Validators, den dokumentierten Exportverlauf oder eine unabhängige Ansicht des strittigen Gegenstands. Trennt kein verfügbarer Nachweis die Erklärungen, bleibt der Befund offen.

Fallbeispiel (fiktiv): Transportschaden an einem Fahrradrahmen

Fiktiver Prüffall. Ein Fahrradfachhändler meldet seinem Großhändler einen Transportschaden: Ein gelieferter Rahmen sei mit einem Riss angekommen. Als Beleg schickt er einen Messenger-Screenshot. Der Großhändler zweifelt das Foto an. Nach den vereinbarten Lieferbedingungen braucht die Reklamation einen Nachweis des Schadens, der mit dem gelieferten Rahmen verbunden ist.

Der vertretbare Zwischenbefund lautet: „Der eingereichte Screenshot genügt nicht, um einen Schaden bei Lieferung zu belegen. Ein übereinstimmendes Foto wurde vor der Lieferung veröffentlicht. Die KI-Herkunft ist ungeklärt. Eine weitere Aufnahme verbindet den Mangel mit dem gelieferten Rahmen, belegt aber noch nicht, wann er entstand.“

In diesem Fall klären Quellenrückverfolgung und Lieferunterlagen, was die automatischen Prüfungen offenlassen; der Bericht dokumentiert dabei, welche Datei zu welchem Zeitpunkt mit welchem Ergebnis geprüft wurde. In einem anderen Fall könnte eine validierte Generierungsangabe eines vertrauenswürdigen Unterzeichners einen KI-Befund ausreichend stützen. Dann wäre zu klären, ob die eingereichte Illustration für ihren angegebenen Zweck zulässig war. Wählen Sie die nächste Prüfung nach der fehlenden Tatsache; ein zweiter Detektorwert hilft nur, wenn er einen neuen, relevanten Beleg liefert.

Prüfprotokoll und Abbruchkriterium

Halten Sie so viel fest, dass eine zweite Person Ihre Begründung nachvollziehen kann:

• Aussage und Anforderung: was das Bild belegen soll und nach welchem Kriterium entschieden wird.
• Datei und Quelle: erhaltene Fassung, Absender, Eingangszeit, frühere Fassungen, Hashwerte.
• Beobachtungen: sichtbare Details, Metadaten, Validator-Meldungen und die genauen Werkzeugergebnisse.
• Absicherung: Fundstellen, passende Unterlagen oder unabhängige Ansichten, jeweils mit ihren Grenzen.
• Befund und Maßnahme: gestützte Schlussfolgerung, offene Fragen, prüfende Person, nächster Schritt.

Hören Sie auf, weitere Werkzeuge einzusetzen, wenn ein weiterer Lauf die offene Frage nicht beantworten kann. Fehlt der Aufnahmezeitpunkt oder die Zuordnung zum Gegenstand, beschaffen Sie Nachweise dafür. Eignet sich die Datei nicht für die gewählte Analyse, halten Sie diese Grenze fest. Eskalieren Sie folgenreiche, ungeklärte Fälle über den vorgesehenen Prüfweg, statt Unsicherheit in eine Ablehnung zu verwandeln. Die Entscheidung trifft Ihr Fachteam.

Formulieren Sie den Befund so eng, wie er ist: „KI-Generierung ist durch eine validierte Herkunftsangabe gestützt“, „Der Detektor hat diese Datei zur Prüfung markiert“ oder „Die Herkunft bleibt ungeklärt“. Fassen Sie diese Aussagen nicht zu einem einzigen Etikett „Fälschung“ zusammen. Und umgekehrt: Keine Auffälligkeit heißt nicht als echt bewiesen.

Prüfung umsetzen

Für ein Bild, dessen Herkunft Sie einschätzen müssen, nutzen Sie die kostenlose Bildprüfung für KI-Bilder; jedes Konto umfasst eine kostenlose Bildprüfung. Halten Sie den Quellenkontext der Datei neben dem Ergebnis fest. Brauchen Sie eine Entscheidungsgrundlage, die Sie belegen müssen, bietet die Analyse für manipulierte und KI-generierte Bilder unter anderem eine Generator-Zuordnung, wenn die Beleglage es zulässt, mit Pixelkoordinaten markierte Bearbeitungen, eine Risikostufe von L0 bis L5 und einen verifizierbaren Bericht mit SHA-256-Hashwert. Der Bericht weist den Validierungsstatus von Zeitstempel und PDF-Siegel aus. Reicht die Beleglage nicht aus, lautet das Ergebnis „nicht bestimmbar“. Geht es um einen veränderten Bereich in einem echten Foto, folgen Sie dem Ablauf für KI-bearbeitete Bilder. Liegt Ihnen nur ein Screenshot vor, lesen Sie, was die Analyse bei Screenshots und komprimierten Bildern noch leisten kann.

Datenschutz: Ihre Dateien werden nach der Analyse gelöscht und nie zum Training genutzt; die Analyse läuft auf von Entogo betriebenen Servern in Toronto, Kanada, und Enterprise-Kunden erhalten auf Anfrage eine private Bereitstellung. Alle Verarbeitungsorte stehen unter Sicherheit und Datenschutz, den Vertrag nach Art. 28 DSGVO finden Sie unter Auftragsverarbeitung.

Für einen wiederkehrenden Prüfprozess schildern Sie uns, welche Bilder Sie erhalten, über welche Kanäle sie eingehen und welche Maßnahme ein Befund auslösen soll. Daraus ergibt sich, welche Prüfungen in Ihren Ablauf gehören; echte Fälle gehen wir gemeinsam mit Ihrem Team durch. Sie erreichen uns über die Kontaktseite.

Von Yang Zheng