Unternehmensflotte Kraftstoffanomalie: Tankkartenmissbrauch automatisch erkennen

Das echte Ausmaß des Problems

Tankkartenmissbrauch ist kein Randphänomen. Eine Untersuchung von Motive und FreightWaves (2023) ergab: 49 Prozent der befragten Flottenoperatoren schätzen, dass bis zu fünf Prozent ihres Kraftstoffbudgets auf betrügerische oder nicht autorisierte Transaktionen entfällt — und 55 Prozent dieser Betriebe geben an, solche Vorgänge aktuell nicht zuverlässig erkennen zu können. WEX Inc. beziffert die Gesamtschadenssumme durch Kraftstoffdiebstahl und Fehlbuchungen allein in den USA auf über 1,2 Milliarden US-Dollar jährlich.

In Deutschland fehlen vergleichbare Gesamtstatistiken — betroffene Unternehmen haben naturgemäß wenig Interesse an öffentlicher Debatte. Aber die Muster sind gut dokumentiert:

• Private Betankung mit der Firmenkarte — der häufigste Fall: das Privatfahrzeug, das Fahrzeug des Partners, manchmal der Rasenmäher
• Übertankung — mehr Liter als der Tank des betreffenden Fahrzeugs fassen kann; der Rest landet in einem Reservekanister oder wird weiterverkauft
• Zeitliche Anomalien — Tankvorgang am Samstagnachmittag ohne Fahrtenbucheintrag, ohne GPS-Aktivität am Fahrzeug
• Ortsabweichungen — Tankstelle liegt 80 km außerhalb der angegebenen Route; Fahrzeug laut GPS seit Tagen nicht bewegt

Die Dunkelziffer ist hoch, weil manuelles Prüfen bei mehr als zehn Fahrzeugen schlicht nicht wirtschaftlich ist. Wer jeden Tankvorgang manuell gegen GPS-Verlauf, Tankkapazität und Fahrtenbuch abgleicht, verbringt täglich Stunden damit — für ein Ergebnis, das statistisch nicht besser ist als eine Stichprobe.

Was das für mittelständische Flotten bedeutet:

Zur Einordnung: 3–5 Prozent klingt marginal. In der Praxis entspricht das einem Fahrzeug, das ein ganzes Jahr lang ausschließlich für nicht autorisierte Zwecke betankt wird.

Mit vs. ohne KI — ein ehrlicher Vergleich

Der Abschreckungseffekt ist in der Praxis oft wichtiger als die Detektionsrate: Sobald Mitarbeitende wissen, dass Tankvorgänge automatisch geprüft werden, sinkt die Rate unberechtigter Buchungen erfahrungsgemäß um 60–80 Prozent — noch bevor ein einziger Fall offiziell identifiziert wurde.

Einschätzung auf einen Blick

Zeitersparnis — mittel (3/5) Der Flottenmanager spart erhebliche Prüfzeit — kein manueller Abgleich mehr von Belegen gegen GPS-Verlauf und Fahrtenbuch. Das System übernimmt die Routineprüfung vollständig, der Mensch bewertet nur noch echte Auffälligkeiten. Trotzdem landet diese Einsparung in der mittleren Kategorie: Wer ohnehin keine umfassende manuelle Prüfung betrieben hat, bemerkt den Effekt kaum. Der Zeitgewinn entsteht vor allem beim Flottenmanager selbst, nicht bei der Belegschaft — anders als etwa die Meeting-Protokollierung, die jedem Teilnehmer täglich Zeit zurückgibt.

Kosteneinsparung — hoch (5/5) Dieser Anwendungsfall ist einer der wenigen, bei dem die Einsparung direkt in Euro auf dem Kontoauszug erscheint. Kraftstoffkosten vor und nach Einführung sind unmittelbar vergleichbar — kein Interpretationsspielraum, keine Zuordnungsproblematik. Drei bis fünf Prozent eines Flottenbudgets sind reale Zahlen aus realen Rechnungen. Zusammen mit der Rechnungsverarbeitung und der automatisierten Qualitätssicherung ist dies einer der stärksten Kosteneffekte in dieser Kategorie.

Schnelle Umsetzung — mittel (3/5) GPS-Daten und Tankkartendaten müssen aus verschiedenen Quellen zusammengeführt werden — das erfordert API-Zugriff oder Datenexporte, eine Entscheidung für einen Ansatz (integrierte Telematiksoftware vs. eigene Logik) und eine Kalibrierungsphase. Realistisch vergehen 6–10 Wochen bis zum produktiven Betrieb. Das ist handhabbarer als Predictive Analytics im Vertrieb, aber deutlich aufwändiger als ein KI-Tool für Texte oder Meeting-Protokolle.

ROI-Sicherheit — hoch (4/5) Die Einsparung ist messbar und direkt zuordenbar — aber nicht ganz so sicher wie bei der Rechnungsverarbeitung (Score 5), weil ein Teil des ROI auf den Abschreckungseffekt zurückgeht: Wenn nach der Einführung kaum noch Auffälligkeiten auftreten, war die Investition trotzdem richtig — der ursächliche Mechanismus lässt sich aber nicht dokumentieren. Außerdem hängt die Detektionsrate stark von der GPS-Datenqualität und der Tankkartenintegration ab. Mit verlässlichen Daten: hohe ROI-Sicherheit. Mit lückenhafter Telematik: begrenzte Aussagekraft.

Skalierbarkeit — hoch (4/5) Je mehr Fahrzeuge, desto besser funktioniert das Modell: Mehr Vergleichsdaten ermöglichen präzisere Baseline-Profile pro Fahrer und Route. Eine 10-Fahrzeug-Flotte hat zu wenig Varianz für robuste Muster; eine 50-Fahrzeug-Flotte liefert ausreichend Kontext. Der Score liegt nicht bei 5, weil ab etwa 200 Fahrzeugen die Komplexität der Ausnahmebearbeitung wächst — verschiedene Fahrerprofile, Saisonalität und Mehrschichtbetrieb müssen als Features abgebildet werden, was gelegentliches Nachsteuern erfordert.

Richtwerte — stark abhängig von Flottenstruktur, GPS-Abdeckung und der Qualität der Tankkartendaten.

Welche Muster das System sucht

Ein Machine-Learning-System für Kraftstoffanomalien arbeitet nicht mit einer Liste verbotener Verhaltensweisen — es lernt, was für jedes Fahrzeug, jede Route und jeden Fahrzeugtyp „normal” ist, und flaggt statistisch auffällige Abweichungen. Die häufigsten Muster in der Praxis:

1. Kapazitätsüberschreitung Der Tank des Fahrzeugs fasst 70 Liter. Die Tankkarte bucht 104 Liter. Der Rest ist nicht erklärbar. Klares Muster, hohe Trefferquote.

2. Standortabweichung Das Fahrzeug befand sich laut GPS-Telematik um 18:34 Uhr in Ulm. Die Tankkarte wurde um 18:52 Uhr in Stuttgart eingesetzt — 95 Kilometer entfernt. Physikalisch nicht möglich: ein anderes Fahrzeug wurde betankt.

3. Zeitliche Anomalie ohne Fahrzeugaktivität Kein GPS-Signal, keine Zündung, kein Fahrtenbucheintrag — aber ein Tankvorgang am Samstagmorgen um 08:12 Uhr. Das Fahrzeug stand seit Freitagnachmittag still.

4. Abweichende Betankungsfrequenz Ein Fahrzeug, das typischerweise zweimal pro Woche betankt wird, zeigt plötzlich sieben Betankungen innerhalb von neun Tagen — ohne erkennbare Routenausweitung oder erhöhten Kilometerstand.

5. Ortsbereich-Anomalie Das Fahrzeug wird üblicherweise im Umkreis von 40 Kilometern um die Firmenzentrale eingesetzt. Ein Tankvorgang erfolgt 120 Kilometer davon entfernt, ohne entsprechenden Fahrtenbucheintrag.

6. Füllstand-Kilometer-Diskrepanz Basierend auf dem dokumentierten Verbrauch pro 100 Kilometer und dem km-Stand hätte das Fahrzeug noch für 80 weitere Kilometer Kraftstoff. Der Tankvorgang erfolgt trotzdem — mit voller Tankmenge.

Kein einzelnes Muster ist ein Beweis für Missbrauch. Der Wert des Systems liegt in der Kombination: Ein Vorgang, der zwei oder drei Muster gleichzeitig aufweist, erhält einen höheren Anomalie-Score und rückt damit im Prüf-Dashboard nach oben. Die finale Einschätzung liegt immer beim Flottenmanager.

Was das System konkret macht

Der technische Kern ist Predictive Analytics kombiniert mit einem Anomalie-Scoring-Algorithmus. Das am häufigsten eingesetzte Verfahren für diesen Use Case ist Isolation Forest — ein Algorithmus aus dem Bereich des unüberwachten maschinellen Lernens, der Datenpunkte isoliert, die sich von der Masse abheben, ohne vorher definieren zu müssen, wie ein Betrugsfall aussieht.

Konkret passiert folgendes:

1. Datenfusion — Tankkarten-Transaktionsdaten (Zeitstempel, Menge, Standort, Betrag) werden mit GPS-Telematikdaten (Fahrzeugposition, Zündungszeiten, Kilometerstand) und Fahrzeugeigenschaften (Tankkapazität, Durchschnittsverbrauch) zusammengeführt.

2. Feature-Engineering — Aus den Rohdaten werden Merkmale berechnet: Abstand zwischen GPS-Position und Tankstelle zum Zeitpunkt des Vorgangs, getankte Menge vs. rechnerisch noch vorhandener Kraftstoff, Wochentag und Tageszeit des Vorgangs, Abweichung vom historischen Betankungsrhythmus dieses Fahrzeugs.

3. Scoring — Isolation Forest bewertet jeden Tankvorgang anhand dieser Merkmale und weist ihm einen Anomalie-Score zu. Vorgänge mit hohem Score landen im Prüf-Dashboard des Flottenmanagers.

4. Alert-Ausgabe — Ab einem definierten Schwellenwert wird ein Hinweis erzeugt: nicht automatisch eine Beschuldigung, sondern eine Prüfaufforderung mit allen relevanten Datenpunkten auf einen Blick.

Der gesamte Prozess läuft automatisch — der Flottenmanager sieht nur, was der Schwellenwert für prüfenswert hält. Die Entscheidung, ob tatsächlich etwas nicht stimmt, trifft der Mensch.

Konkrete Werkzeuge — was wann passt

Webfleet — integrierter Ansatz für deutsche Flotten Webfleet (Bridgestone Mobility Solutions) ist der europäische Marktführer im Flottenmanagement und bietet als Teil der Reporting-Suite Kraftstoffberichte, Verbrauchsabweichungsanalysen und Fahr-Standort-Korrelationen. Für mittelständische Flotten in Deutschland ist das der direkteste Weg: DSGVO-konform, EU-Datenhaltung, deutschsprachiger Support. Die eingebaute Kraftstoffanalyse ist kein vollständiger ML-Anomalie-Detektor, deckt aber die häufigsten Muster (Kapazitätsüberschreitung, Standortabweichungen) automatisch ab. Kosten: ab ca. 15–35 EUR/Fahrzeug/Monat, je nach Modulumfang. Einstieg mit Fleet-Basispaket reicht für Kraftstoffauswertungen.

Samsara — für Flotten mit mehr als 30 Fahrzeugen und Sicherheitsfokus Samsara kombiniert GPS-Telematik, Echtzeit-Kraftstoffverbrauchsanalyse und KI-gestützte Anomalieerkennung auf einer Plattform. Besonders relevant für größere Flotten oder Betriebe, die ohnehin Fahrercoaching und Unfallprävention im Blick haben. Kein deutschsprachiger Support, Datenhaltung auf EU-Server konfigurierbar (muss explizit im Vertrag festgelegt werden). Kosten auf Anfrage, typisch 30–60 EUR/Fahrzeug/Monat.

Excel + Julius AI — für den Einstieg ohne Telematiksystem Wer bereits Tankkartendaten in Excel oder CSV exportieren kann (die meisten Tankkartenanbieter wie DKV, UTA, Aral bieten das an) und noch kein Telematiksystem hat, kann mit Julius AI eine erste explorative Analyse fahren: CSV hochladen, nach Auffälligkeiten fragen. Kein Code erforderlich, kostenlose Version für Tests ausreichend. Einschränkung: Julius AI ist US-gehostet — Fahrzeugstandortdaten, die Fahrer identifizieren könnten, vor dem Upload anonymisieren (Fahrername durch Fahrzeug-ID ersetzen). Datenschutzbeauftragten einbeziehen.

Make.com + Telematiksystem-API — für automatisierte Alerts ohne Eigenentwicklung Wer bereits ein Telematiksystem mit API (z.B. Webfleet) und eine Tankkarte mit Datenfeed nutzt, kann mit Make.com eine Automatisierung bauen: Make.com liest stündlich neue Tanktransaktionen, vergleicht sie mit GPS-Daten aus der Telematik-API, berechnet einfache Regeln (Kapazitätsüberschreitung, Standortabweichung über X km), und schickt bei Treffern eine E-Mail oder Slack-Nachricht. Das ist kein ML-Ansatz, aber für die häufigsten Missbrauchsmuster ausreichend. Setup: 2–4 Wochen für jemanden mit Make.com-Erfahrung. Laufende Kosten: ab 9 USD/Monat für Make.com, zuzüglich API-Zugriff.

Zusammenfassung: Wann welcher Ansatz

• Neue Flottenmanagement-Software gesucht, deutschsprachiger Support wichtig → Webfleet
• Flotte ab 30 Fahrzeugen, KI-Features und Fahrercoaching gewünscht → Samsara
• Einstieg ohne Telematiksystem, erste Auswertung aus Tankkartenexport → Julius AI (anonymisiert)
• Automatisiertes Alert-System auf Basis vorhandener API-Daten → Make.com

Datenschutz und Datenhaltung

GPS-Tracking und Tankkartenanalyse berühren in Deutschland gleich zwei datenschutzrechtliche Ebenen: die DSGVO und das Betriebsverfassungsgesetz (BetrVG). Beide müssen vor der Einführung geklärt sein.

DSGVO-Ebene: Fahrzeug-GPS-Daten, die einem konkreten Fahrer zugeordnet werden können, sind personenbezogene Daten. Sobald diese in ein System fließen, das Fahrerverhalten bewertet (auch indirekt, über Tankmuster), gilt Art. 5 ff. DSGVO. Konsequenzen:

• Auftragsverarbeitungsvertrag (AVV) mit jedem Anbieter, der Daten verarbeitet — Webfleet liefert ihn standardmäßig, Samsara auf Anfrage, Make.com ebenfalls verfügbar
• Verfahrensverzeichnis (Art. 30 DSGVO) muss die Verarbeitung dokumentieren
• Für größere Flotten oder wenn besondere Risiken bestehen: Datenschutz-Folgenabschätzung (Art. 35 DSGVO)

BetrVG-Ebene (für Unternehmen mit Betriebsrat): Das ist in der Praxis die häufigere Hürde. Gemäß § 87 Abs. 1 Nr. 6 BetrVG hat der Betriebsrat ein erzwingbares Mitbestimmungsrecht bei der Einführung und Nutzung von technischen Einrichtungen, die dazu geeignet sind, Verhalten oder Leistung der Arbeitnehmenden zu überwachen. Automatisierte Tankkartenanalyse fällt unter diese Regelung.

Das bedeutet: Ohne Betriebsvereinbarung kein Betrieb — zumindest nicht in Unternehmen mit Betriebsrat. Die Betriebsvereinbarung regelt typischerweise:

• Welche Daten erhoben werden (GPS-Punkte, Tanktransaktionen)
• Für welchen Zweck (Flottenoptimierung, Missbrauchserkennung)
• Wer Zugriff auf die Auswertungen hat
• Wie lange Daten gespeichert werden (empfohlen: 3 Monate für Betriebsdaten, 6 Monate für Vorgänge mit Prüfvermerk)
• Was mit Prüfhinweisen passiert (interner Prozess, nicht direkter Zugriff durch Vorgesetzte außerhalb HR)

Für Betriebe ohne Betriebsrat: Die DSGVO-Anforderungen gelten trotzdem. Zusätzlich sollte die Tankkarten-Überwachung in der Datenschutzerklärung für Mitarbeitende (Art. 13/14 DSGVO) transparent kommuniziert werden.

Praktischer Hinweis: Wer das System einführt und die Mitarbeitenden im Vorfeld transparent informiert — „Wir prüfen Tankvorgänge zukünftig automatisch auf Plausibilität” — erzielt oft einen größeren Abschreckungseffekt als durch verdeckte Auswertung. Und bleibt auf der sicheren Seite.

Was es kostet — realistisch gerechnet

Einmalige Einrichtungskosten

Laufende Kosten (monatlich)

• Webfleet: 15–35 EUR/Fahrzeug/Monat (Basispaket reicht für Kraftstoffanalyse)
• Samsara: 30–60 EUR/Fahrzeug/Monat (Schätzwert, individuelle Angebote)
• Make.com + Telematik-API: 9–30 USD/Monat Make.com + bestehende Telematikkosten
• Julius AI (manuelle Analyse): 0–40 USD/Monat, je nach Nutzungsvolumen

Konservative ROI-Rechnung für 30 Fahrzeuge

Kraftstoffbudget 80.000 EUR jährlich. Missbrauchsquote geschätzt 3–5 Prozent: 2.400–4.000 EUR potenziell einsparbar.

• Webfleet-Basispaket für 30 Fahrzeuge: ca. 450–600 EUR/Monat = 5.400–7.200 EUR/Jahr
• Abzüglich Kraftstoffeinsparung (nur direkte Missbrauchsreduktion, kein Routeneffekt): 2.400–4.000 EUR

Das klingt zunächst nach negativem ROI. Aber: Die Webfleet-Lizenz liefert deutlich mehr als Missbrauchserkennung — Routenoptimierung, Wartungsalarme, Fahrtenbuchführung. Wer diese Funktionen bereits nutzt oder plant, ist die Missbrauchserkennung de facto kostenlos. Wer die Lösung ausschließlich für Kraftstoffanomalien einsetzt, sollte mit der Make.com+API-Variante (geringe Zusatzkosten wenn Telematik schon vorhanden) oder einer dedizierten Konfiguration der bestehenden Telematiksoftware beginnen.

Wie du den Nutzen tatsächlich misst: Ziehe drei Monate vor der Einführung und drei Monate danach den monatlichen Kraftstoffverbrauch pro Fahrzeug aus dem bestehenden System. Korrekturfaktor für Routenveränderungen und Saisonalität einberechnen. Die Differenz — normiert auf geleistete Kilometer — ist die messbare Einsparung. Kein Raten, kein Schätzen.

Typische Einstiegsfehler

1. Das System einführen, ohne Betriebsrat und Mitarbeitende vorab einzubinden. In Unternehmen mit Betriebsrat ist das nicht nur ein Fehler, sondern rechtlich nicht zulässig. § 87 BetrVG ist zwingend — wer das übersieht, muss im schlechtesten Fall das System wieder abschalten, bis eine Betriebsvereinbarung ausgehandelt ist. Aber auch ohne Betriebsrat gilt: Verdeckte Überwachung schafft Misstrauen, wenn sie auffliegt. Eine transparente Kommunikation — „Wir führen eine automatische Plausibilitätsprüfung der Tankdaten ein” — kostet nichts und erzeugt sofort Abschreckungseffekt.

2. GPS-Daten und Tankdaten aus unterschiedlichen Systemen, die nicht synchron laufen. Das häufigste technische Problem in der Praxis: Das Telematiksystem erfasst Zeitstempel in UTC, die Tankkarte in Lokalzeit ohne Sommerzeitumrechnung. Oder GPS-Pings kommen alle 90 Sekunden, aber der Tankvorgang dauerte 4 Minuten — das Fahrzeug steht laut Telematik 300 Meter von der Tankstelle entfernt, weil der GPS-Ping die tatsächliche Position nicht exakt trifft. Ergebnis: False Positives im ersten Monat, zunehmende Frustration, sinkende Bereitschaft, Prüfhinweise ernstzunehmen. Lösung: Datenqualität und Zeitsynchronisation vor dem produktiven Betrieb explizit testen.

3. Den Score zu niedrig ansetzen — und dann im Alert-Regen versinken. Ein schlecht kalibrierter Schwellenwert erzeugt täglich 15–20 Prüfhinweise. Nach einer Woche prüft niemand mehr. Nach einem Monat ist die Funktion de facto abgeschaltet — alle Alerts werden ignoriert. Alert-Fatigue ist der häufigste stille Todesstoß für Anomalieerkennungssysteme. Lösung: In der Kalibrierungsphase bewusst hohe Schwellenwerte setzen (weniger Alerts, dafür belastbarer), dann basierend auf Feedback einengen. Lieber fünf gute Hinweise pro Monat als 100 schlechte pro Woche.

4. Das Modell nie nachtrainieren, wenn die Flotte sich ändert. Neue Routen, neue Fahrer, saisonale Schwankungen im Verbrauch — das Normalmodell, das im Januar gelernt wurde, ist im August möglicherweise nicht mehr kalibriert. Ein Fahrer, der im Sommer für Außeneinsätze 20 Prozent mehr fährt als im Winter, wird ohne Anpassung als Anomalie gewertet. In der Praxis führt das dazu, dass Flottenmanager die Auswertung zunehmend skeptisch sehen, weil sie „immer die falschen flaggt”. Lösung: Modell-Review quartalsweise einplanen; strukturelle Flottenänderungen (neue Fahrzeuge, neue Routen) als Trigger für Nachkalibrierung definieren.

Was mit der Einführung wirklich passiert — und was nicht

Die größte Überraschung für viele Fuhrparkmanager: Der erste Monat ist der ruhigste. Wenn Mitarbeitende erfahren, dass Tankdaten zukünftig automatisch geprüft werden, sinkt die Anzahl auffälliger Vorgänge oft sofort — noch bevor das System auch nur einen einzigen Fall identifiziert hat. Der Abschreckungseffekt tritt quasi über Nacht ein.

Das klingt wie Erfolg. Ist es auch — aber es erschwert die Kalibrierung. Wenn kaum noch auffällige Vorgänge stattfinden, fehlen dem Modell Daten, um zwischen echten Anomalien und harmlosen Abweichungen zu unterscheiden.

Typische Muster bei der Einführung:

Die erste Woche mit vielen Alerts. Das System ist frisch kalibriert, die Schwellenwerte noch nicht eingestellt. Jede Abweichung vom Durchschnitt erzeugt einen Hinweis. Der Flottenmanager prüft zwölf Alerts — und zehn davon sind erklärbare Sondersituationen (Baustellen-Umweg, Fahrzeug mit leerem Tank nach Sonderfahrt). Das ist kein Systemfehler: Das ist Kalibrierung.

Die Reaktion der Belegschaft. In Betrieben, die das System offen kommunizieren, gehen gelegentlich Rückfragen ein: „Warum wurde mein Tankvorgang letzte Woche markiert?” Das ist positiv — es zeigt, dass das System funktioniert und ernst genommen wird. Wer auf diese Rückfragen transparent antwortet (Erklärung des Musters, Bestätigung dass kein Verdacht besteht), baut Vertrauen auf statt Misstrauen.

Was nicht passiert: Das System klärt nicht automatisch Verdachtsfälle. Es erzeugt Prüfhinweise. Was danach passiert — Gespräch mit dem Fahrer, interner Prozess, HR-Einbindung — das muss vorab definiert sein. Ohne klares Eskalationsprotokoll landen die Hinweise in einem Ordner, der nie geöffnet wird.

Konkret hilft:

• Vor der Einführung: Eskalationsweg für Prüfhinweise definieren (wer prüft, ab welchem Score wird HR einbezogen)
• Kalibrierungsphase von 4–8 Wochen einplanen, in der Schwellenwerte auf Basis realer Daten angepasst werden
• Mitarbeitende aktiv informieren — nicht als Misstrauensbekundung, sondern als normalen Betriebsprozess analog zur Reisekostenprüfung
• Monatliches Review-Meeting von 30 Minuten: Flottenmanager schaut Prüfhinweise durch, markiert erkannte Muster

Realistischer Zeitplan mit Risikohinweisen

Hinweis: In Betrieben mit Betriebsrat solltest du mit dem Betriebsvereinbarungs-Prozess nicht warten, bis das System technisch fertig ist. Parallel starten — Technik und Recht auf getrennten Tracks, die sich am Ende treffen.

Häufige Einwände — und was dahintersteckt

„Wir haben ein Vertrauensverhältnis zu unseren Mitarbeitenden — so etwas brauchen wir nicht.” Das Vertrauensverhältnis ist real und es ist wertvoll. Aber: Reisekostenprüfung, Stundenzettelkontrolle und Inventur gibt es in denselben Betrieben trotzdem. Niemand nennt das Misstrauensbekundung, weil es als normaler Betriebsprozess etabliert ist. Eine automatisierte Plausibilitätsprüfung der Tankdaten ist funktional das gleiche — mit dem Unterschied, dass sie weniger intrusiv ist als manuelle Stichproben, weil sie keinen gezielten Verdacht produziert, sondern systematisch alle Vorgänge prüft.

„Die Einführungskosten stehen in keinem Verhältnis zum Schaden.” Stimmt für Flotten unter 10 Fahrzeugen — dort ist der potenzielle Schaden tatsächlich zu gering, um eine eigene Implementierung zu rechtfertigen. Ab 20–25 Fahrzeugen lohnt sich eine einfache Monitoring-Lösung (Make.com + vorhandene Telematiksoftware-API) bereits bei einem einzigen aufgedeckten Fall. Und wenn das System bereits aus anderen Gründen vorhanden ist (Routenoptimierung, Fahrtenbuch), ist die Kraftstoffanalyse oft ein kostenloser Mehrwert.

„Das System wird sowieso umgangen — wer betrügen will, macht das cleverer.” Das stimmt für organisierte Betrugsmuster — wer systematisch und mit Vorsatz vorgeht, wird Wege finden. Aber der überwiegende Teil des dokumentierten Tankkartenmissbrauchs ist opportunistisch: Gelegenheit macht Diebe. Eine automatische Erkennung, die auch nur bekannt ist, beseitigt den Großteil dieser opportunistischen Vorfälle — ohne einen einzigen Verdachtsfall aufzudecken. Der Abschreckungseffekt ist das eigentliche Produkt.

Woran du merkst, dass das zu dir passt

• Deine Flotte umfasst 15 oder mehr Fahrzeuge — darunter ist das potenzielle Einsparpotenzial zu gering für eine dedizierte ML-Lösung
• Du hast bereits ein GPS-Telematiksystem oder planst eines einzuführen — ohne GPS-Daten kein Standortabgleich, kein System
• Deine Kraftstoffkosten sind ein messbarer Posten im Budget — mindestens 30.000–40.000 EUR jährlich für die Wirtschaftlichkeit einer eigenen Lösung
• Du hast einen Flottenmanager oder eine Ansprechperson, die Prüfhinweise regelmäßig bearbeitet — ein System ohne jemanden, der auf Alerts reagiert, ist wertlos
• Du willst eine faktenbasierte Grundlage für Gespräche mit Mitarbeitenden — statt Bauchgefühl oder Einzelsichtung

Wann es sich (noch) nicht lohnt — drei harte Ausschlusskriterien:

1. Flotte unter 10 Fahrzeugen. Der potenzielle Schaden durch Kraftstoffmissbrauch liegt bei einer 8-Fahrzeug-Flotte erfahrungsgemäß bei 600–1.500 EUR jährlich — zu gering, um eine technische Lösung mit Einrichtungsaufwand und laufenden Kosten zu rechtfertigen. Eine klare Nutzungsrichtlinie und gelegentliche Stichproben sind effizienter.

2. Keine GPS-Telematik vorhanden und nicht geplant. Ohne Standortdaten kann das System nur Kapazitätsüberschreitungen und Häufigkeitsanomalien prüfen — der wichtigste Abgleich (Fahrzeugposition vs. Tankstellenort) fehlt. Das ist wie ein Anomalie-Detektor ohne wichtigste Eingangsgröße: die Erkennungsrate sinkt auf ein Niveau, das kaum über manueller Stichprobe liegt.

3. Kein definierter Prozess für Prüfhinweise. Ein System, das Alerts erzeugt, die niemand öffnet, ist schlimmer als kein System — es erzeugt das falsche Gefühl von Kontrolle. Wenn keine Person mit klar definierter Zuständigkeit und ausreichend Zeit für das regelmäßige Alert-Review vorhanden ist, sollte mit der Einführung gewartet werden.

Das kannst du heute noch tun

Wenn du bereits Tankkartendaten als Excel- oder CSV-Export hast (die meisten deutschen Tankkartensysteme — DKV, UTA, Aral Business Card — bieten das an): Lade drei Monate Transaktionsdaten herunter, entferne Fahrernamen und ersetze sie durch interne Fahrzeug-IDs, und lade die Datei bei Julius AI hoch.

Frag dann in der Chat-Oberfläche: „Zeig mir alle Tankeinträge, bei denen die Tankmenge mehr als 110 Prozent der höchsten bisher erfassten Tankmenge dieses Fahrzeugs beträgt.” Oder: „Welche Fahrzeuge wurden an Wochenenden betankt und tauchen ohne Fahrtenbucheintrag auf?”

Das dauert 20 Minuten. Du bekommst eine erste Idee, ob es in deiner Flotte strukturelle Auffälligkeiten gibt — ohne eine einzige Zeile Code und ohne Softwarekosten.

Für den Schritt danach: Wenn du ein Telematiksystem mit API-Zugang hast, ist der folgende Prompt ein guter Start für die Konfiguration eines einfachen Alert-Workflows in Make.com:

Quellen & Methodik

• Motive/FreightWaves Whitepaper „Fleet Card Fraud: Assessing the Impact of Fuel Card Fraud on Profitability” (2023): 49 Prozent der befragten Flottenoperatoren schätzen bis zu 5 Prozent ihres Kraftstoffbudgets als fraudulös ein; 55 Prozent berichten, Betrug aktuell nicht zuverlässig erkennen zu können. [Zusammenfassung über gomotive.com, Whitepaper hinter Formular]
• WEX Inc., „How to Combat Fuel Theft” (wexinc.com, laufend aktualisiert): Gesamtschadenssumme durch Kraftstoffdiebstahl und Fehlbuchungen in den USA über 1,2 Milliarden USD jährlich; Flotten verlieren 5–10 Prozent des Kraftstoffbudgets durch Diebstahl oder Fehlzuordnung.
• Business Car, „Preventing fuel card fraud using telematics” (businesscar.co.uk): 48 Prozent der befragten Flottenmanager in Großbritannien sehen Handlungsbedarf; Potenzial über 5 Prozent Kraftstoffkosteneinsparung durch telematikverstützte Betrugsprävention.
• DKV Mobility Whitepaper „Tankkartenmissbrauch: Verstehen, erkennen, verhindern” (2024): Marktübersicht zu Missbrauchsmuster bei europäischen Unternehmensflotten. [dkv-mobility.com, als PDF verfügbar]
• Lapid.de, „Welche Folgen hat Tankkartenmissbrauch” (blog.lapid.de): Rechtliche Einordnung, Typen des Missbrauchs, Präventionsmaßnahmen für den deutschen Markt.
• Webfleet, Samsara, Make.com, Julius AI: Preisangaben und Produktbeschreibungen laut Anbieter-Website und internen Tool-Profilen (Stand April 2026).
• § 87 Abs. 1 Nr. 6 BetrVG: Gesetzliche Grundlage für das Mitbestimmungsrecht des Betriebsrats bei Verhaltens- und Leistungsüberwachung. Betriebsverfassungsgesetz in der aktuell gültigen Fassung.
• Art. 28 DSGVO (AVV), Art. 35 DSGVO (DSFA): Datenschutz-Grundverordnung in der aktuell gültigen Fassung.

Du willst wissen, ob deine Flotte die Datenvoraussetzungen für eine Anomalieerkennung erfüllt — oder welcher Ansatz für eure Systemlandschaft am sinnvollsten ist? Meld dich — das klären wir in einem kurzen Gespräch.