KI-Betrugserkennung
KI-Betrugserkennung nutzt statistische Modelle, um verdächtige Zahlungen oder Kontobewegungen zu erkennen, etwa eine Überweisung außerhalb des üblichen Kundenverhaltens. Die Modelle bewerten das Risiko einer Kartenzahlung, Überweisung oder Anmeldung, damit die Bank den Vorgang prüfen oder vor einem Verlust unterbrechen kann.
Der Zahlungsbetrug im Europäischen Wirtschaftsraum erreichte 2024 4,2 Milliarden Euro, und Betrug durch Täuschung der Kunden nimmt zu. Die Betrugserkennung unterstützt Teams bei der Prüfung von Warnmeldungen und weiteren Kontrollen, auch wenn Kunden eine Zahlung nach einer Täuschung selbst autorisiert haben.
Wie KI-Betrugserkennung arbeitet
Ein Betrugsmodell vergleicht eine Zahlung mit dem, was für diesen Kunden, dieses Gerät und diesen Händler normal ist: Betrag, Uhrzeit, Ort und Empfänger. Überwachte Modelle lernen aus bestätigten Betrugsfällen, unüberwachte Modelle markieren auffälliges Verhalten ohne solche Etiketten. Die Übersicht von Coursera (auf Englisch) nennt dazu Graph Neural Networks, die Verbindungen zwischen Konten betrachten, und Bilderkennung für gefälschte Dokumente. In der dort zitierten Alloy-Umfrage von 2025 nutzten 59 Prozent der Firmen überwachtes Machine Learning neben ihren Regeln.
Die nötige Geschwindigkeit beeinflusst die Modellentwicklung: NVIDIA zitiert American Express, deren Modelle jede Kartentransaktion weltweit in Echtzeit prüfen (auf Englisch), mehr als 1,2 Billionen US-Dollar Umsatz im Jahr, und in Millisekunden entscheiden. NVIDIA beschreibt auch ein Trainingsproblem bei der Betrugserkennung: Bestätigte Fälle sind selten, es gibt also wenig Trainingsdaten, und ein Modell, das zu viel meldet, begräbt die Analysten unter Fehlalarmen.
Wo Betrug in Europa passiert
Der gemeinsame Bericht von EBA und EZB beziffert den Zahlungsbetrug im EWR 2024 auf 4,2 Milliarden Euro (auf Englisch), nach 3,5 Milliarden Euro im Vorjahr. Bei Überweisungen trugen die Kunden etwa 85 Prozent der Verluste, vor allem weil Betrüger sie dazu brachten, selbst zu zahlen. Kartenbetrug war rund 17-mal häufiger, wenn der Empfänger außerhalb des EWR saß.
Diese Verschiebung ändert, wonach ein Modell sucht. Eine gestohlene Karte fällt über Gerät und Standort auf. Wer nach einem falschen Bankanruf überweist, nutzt das eigene Telefon und den eigenen Zugang. Das Signal steckt dann in der Zahlung selbst: neuer Empfänger, ungewöhnlicher Betrag, eine hastige Sitzung. APP-Betrug und Finanzagenten beschreiben beide Enden eines solchen Betrugs, die Empfängerüberprüfung den Namensabgleich vor der Überweisung.
Welche Regeln für KI-Betrugserkennung gelten
Die KI-Verordnung der EU stuft die Bonitätsbewertung natürlicher Personen als hochriskant ein, nimmt aber in Anhang III, Nummer 5(b) (auf Englisch) KI-Systeme zur Aufdeckung von Finanzbetrug ausdrücklich aus. Ein Betrugsmodell ist deshalb nicht schon aus diesem Grund ein Hochrisikosystem. Ein Betrugsmodell läuft trotzdem unter den IKT- und Modellrisikoregeln der Bank, und die BaFin behandelt KI-Systeme nach DORA als IKT.
Starke Kundenauthentifizierung und Zahlungsdiensterecht legen fest, was ein Betrugsscore auslösen darf: eine Sperre, einen zweiten Faktor oder einen Anruf beim Kunden. Betrugsprävention bei Banken erklärt die Haftung nach BGB und die Rolle der SCA im Detail.
Kommende Events zu KI im Finanzwesen in Deutschland
Ist KI-Betrugserkennung besser als Regeln?
Die meisten Banken nutzen beide Ansätze: Regeln erkennen bekannte Muster und lassen sich dem Prüfer leicht erklären, während Modelle Kombinationen finden, für die niemand eine Regel geschrieben hat. In der von Coursera zitierten Alloy-Umfrage hatten 99 Prozent der Befragten (auf Englisch) KI in der Betrugsabwehr, die meisten neben einer Regel-Engine.
Nutzen Betrüger auch KI?
Erzeugte Stimmen, Gesichter und Dokumente machen falsche Bankanrufe und falsche Identitäten glaubwürdiger. Deepfake-Angriffe auf die Identitätsprüfung beschreibt die Identitätsseite, auf der eingespieltes Video ein Videoident-Verfahren täuschen soll. Versicherer sehen erzeugte Schadenfotos in Schadenmeldungen, wie KI in der Versicherung beschreibt.
KI-Betrugserkennung und Finance Loop
Finance Loop ist der Treffpunkt für Betrugsanalysten, Data Scientists und Payments-Fachleute aus Banken, Zahlungsdienstleistern und deren Softwarehäusern. Finance Loop stellte fAInance von Sopra Steria und Fraunhofer IAIS mit einer Station zu KI gegen Finanzkriminalität vor und kündigte die KI Exchange 2026 mit Betrugserkennung im Programm an.
Finance Loop ist ein Experten-Netzwerk, das die institutionelle Nutzung neuer Technologien im Finanzwesen fördert, wie KI, digitale Zahlungen sowie Cloud- und Blockchain-Lösungen. Finance Loop hilft seinen Mitgliedern, Fähigkeiten und persönliche Netzwerke in diesen Feldern aufzubauen: Investment & digitale Vermögenswerte, Zahlungsverkehr & digitales Geld, Digitale Infrastruktur & Souveränität und Risiko & Compliance.