KI-Betrugserkennung bei Banken

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 Geschwindigkeit bestimmt die Bauweise. 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 nennt auch das Problem jedes Betrugsteams: Bestätigte Fälle sind selten, es gibt also wenig Trainingsdaten, und ein Modell, das zu viel meldet, begräbt die Analysten unter Fehlalarmen.

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.

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. Es 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.

In den meisten Banken laufen beide zusammen. Regeln fangen bekannte Muster und lassen sich dem Prüfer leicht erklären. Modelle finden Kombinationen, 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.

Ja. 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.