Die Betrugserkennung in Echtzeit entwickelt sich rasant, da Echtzeitzahlungen kaum Zeit für eine Korrektur lassen. Ein wichtiges Update erfolgte am 2. September 2026, als Visa den verbesserten A2A Protect-Service ankündigte. Dieser kombiniert Visa- und Featurespace-Technologien zu einem einheitlichen Betrugs-Score für Konto-zu-Konto-Zahlungen. Es geht nicht darum, dass ein einzelnes Produkt Betrug löst. Der grundlegende Wandel besteht darin, dass Finanzinstitute zunehmend KI auf Transaktionsebene mit Verhaltenssignalen und Netzwerkanalysen kombinieren, bevor das Geld ein Konto verlässt.
Das ist wichtig, weil eine Zahlung nun innerhalb von Sekunden vom Absender zum Empfänger gelangen kann. Eine Bank kann nicht auf die Verarbeitung über Nacht warten, um zu entscheiden, ob eine Überweisung verdächtig ist. Das Betrugserkennungssystem muss Signale sammeln, Risiken bewerten, Richtlinien anwenden und innerhalb des Autorisierungs- oder Zahlungsfensters eine Aktion auswählen – und gleichzeitig legitime Transaktionen schnell genehmigen.
Die Ankündigung von Visa für September 2026 ist in der A2A Protect-Pressemitteilung verfügbar . Sie ist ein Beispiel für den branchenweiten Trend hin zu netzwerkbasierten Entscheidungen in Echtzeit, anstatt sich nur auf statische Regeln innerhalb einer einzelnen Institution zu verlassen.
Die KI-gestützte Betrugserkennung nutzt statistische Modelle und Modelle des maschinellen Lernens, um einzuschätzen, ob eine Aktivität legitim oder verdächtig ist. Im Zahlungsverkehr arbeitet das Modell selten isoliert. Es ist in der Regel in ein umfassenderes Entscheidungssystem eingebunden, das auch deterministische Regeln, Authentifizierungskontrollen, Geschwindigkeitsbegrenzungen, Sanktionen oder Compliance-Prüfungen sowie menschliche Untersuchungen umfasst.
Bei einem Kartenkauf entscheidet das Kreditinstitut, ob es die Zahlung genehmigt, ablehnt oder eine stärkere Authentifizierung anfordert. Bei einer sofortigen Überweisung zwischen Konten entscheidet es, ob es die Zahlung zulässt, sie – sofern das Zahlungssystem und die Gesetze dies zulassen – pausiert, eine zusätzliche Kundenbestätigung anfordert oder den Fall an ein Betrugsteam weiterleitet.
Visas aktuelle Übersicht zur KI-gestützten Betrugserkennung beschreibt Echtzeitsysteme, die Transaktions- und Verhaltensdaten analysieren, anstatt sich ausschließlich auf statische Regeln oder Sperrlisten zu stützen. Diese grundlegende Architektur ist zukunftssicher, selbst wenn sich spezifische Modelle und Anbieter ändern.
Herkömmliche Betrugspräventionsprogramme hatten bei manchen Zahlungsströmen mehr Zeit, ungewöhnliche Aktivitäten im Nachhinein zu überprüfen. Sofortzahlungen verkürzen diesen Zeitraum erheblich. Der FedNow-Service der US-Notenbank (Federal Reserve) ermöglicht es beispielsweise teilnehmenden Instituten, rund um die Uhr Zahlungen zu senden und zu empfangen, wobei die Empfänger sofort Zugriff auf die Gelder erhalten.
Im Juni 2025 hat die Federal Reserve Financial Services (Fed) FedNow um eine Funktion zur Festlegung von Schwellenwerten für Kontoaktivitäten erweitert. Teilnehmende Institute können Schwellenwerte für Dollarbetrag und Transaktionsgeschwindigkeit pro Kundensegment definieren. Dies veranschaulicht moderne Betrugsabwehr: Künstliche Intelligenz (KI) bildet eine Ebene, während einfache Kontrollen wie Betrags- und Häufigkeitslimits weiterhin wertvoll sind, da sie schnell, transparent und leicht mit Modellbewertungen kombinierbar sind. Siehe die Ankündigung der Federal Reserve Financial Services .
Das System beginnt mit der Zahlung selbst: Betrag, Händler oder Empfänger, Zeitpunkt, Kanal, Zahlungsart, Währung und Kontokennungen. Ein Lebensmitteleinkauf von 12 Dollar und eine Überweisung von 12.000 Dollar an einen neuen Empfänger sollten nicht denselben Entscheidungsprozess durchlaufen, nur weil es sich in beiden Fällen um Zahlungen handelt.
Die Zahlung wird mit dem jüngsten Kontoverhalten verglichen. Hilfreiche Indikatoren können die Anmeldehistorie, die Geräteidentität, IP- oder Netzwerkmerkmale, die Übereinstimmung des Standorts, der Zeitraum seit Passwort- oder Kontaktdatenänderungen, das Alter des Kontos, die Transaktionsgeschwindigkeit, frühere Zahlungsempfänger und typische Zahlungsbeträge sein.
Diese Merkmale helfen dabei, „ungewöhnlich“ von „betrügerisch“ zu unterscheiden. Ein Kunde, der ein Flugticket aus einem anderen Land kauft, mag isoliert betrachtet ungewöhnlich erscheinen, ist aber normal, wenn das System auch eine kürzlich getätigte Reisebuchung, ein bekanntes Gerät und eine langjährige Karteninhaberbeziehung erkennt.
Manche Betrugsfälle lassen sich in einem Netzwerk leichter erkennen als innerhalb eines einzelnen Kontos. Strohmannkonten, koordinierte Betrugsmaschen, synthetische Identitäten und Geldwäschestrukturen können viele Absender und Empfänger in verschiedenen Institutionen einbeziehen.
Das im Juni 2025 veröffentlichte Projekt Hertha der Bank für Internationalen Zahlungsausgleich (BIZ) untersuchte KI-basierte Transaktionsanalysen für Echtzeit-Zahlungssysteme im Einzelhandel. In Experimenten mit einem synthetischen Datensatz von 1,8 Millionen Konten und 308 Millionen Transaktionen half die Integration von Zahlungssystemanalysen simulierten Banken und Zahlungsdienstleistern, 12 % mehr illegale Konten zu identifizieren und bisher unbekannte Verhaltensweisen um 26 % besser aufzudecken. Diese Ergebnisse basieren auf synthetischen Daten und stellen keine Leistungsgarantie für produktive Banken dar. Der Wert des Projekts liegt in der gewonnenen Erkenntnis: Netzwerkstrukturen können Zusammenhänge aufzeigen, die einer einzelnen Bank anhand ihrer eigenen Buchhaltung verborgen bleiben. Siehe den Bericht zum BIZ-Projekt Hertha .
Die Modelle wandeln die Merkmale in eine Wahrscheinlichkeit, einen Score oder eine Risikokategorie um. Institute können mehrere Modelle gleichzeitig verwenden – beispielsweise eines für Kontoübernahmen, ein weiteres für Betrug bei Online-Zahlungen, ein weiteres für Betrugsrisiken und ein Netzwerkmodell für verdächtige Empfängerbeziehungen.
Ein Modellscore ist nicht automatisch die endgültige Entscheidung. Eine Bank kann ihn mit Regeln wie „neues Gerät plus neuer Zahlungsempfänger plus ungewöhnlich hoher Betrag“ oder mit Schwellenwerten für Kundensegmente kombinieren. Ziel ist es, die durch Betrug verursachten Verluste gegen die Kosten der Sperrung echter Kunden abzuwägen.
Typische Ergebnisse sind Genehmigung, Ablehnung, zusätzliche Authentifizierung, Bestätigungsanfrage, Verzögerung (sofern zulässig) oder Weiterleitung zur Überprüfung. Zusätzliche Authentifizierung bedeutet, dass nur bei erhöhtem Risiko ein stärkerer Nachweis angefordert wird – beispielsweise eine zusätzliche Bestätigung in der App oder ein weiterer Authentifizierungsfaktor.
Die Entscheidungs-Engine muss schnell genug sein, um in den Zahlungsablauf integriert zu werden. Kartenautorisierungsplattformen treffen Risikoentscheidungen üblicherweise in Millisekunden, während Sofortzahlungssysteme in der Regel nur wenige Sekunden von der Initiierung bis zur Abwicklung benötigen.
| Signalgruppe | Beispiele | Was es offenbaren kann |
|---|---|---|
| Transaktion | Betrag, Währung, Händler oder Empfänger, Zeit, Zahlungsschiene | Ungewöhnliche Größe, ungewöhnliches Ziel oder ungewöhnliche Transaktionsart |
| Verhalten | Normaler Ausgabenbereich, Anmeldesequenz, Zahlungshistorie, Geschwindigkeit | Abweichung vom etablierten Muster des Kunden |
| Gerät und Netzwerk | Geräte-Fingerabdruck, IP-Reputation, Standortkonsistenz, Browser- oder App-Signale | Kontoübernahme oder ungewohnter Zugriffskontext |
| Lebenszyklus eines Kontos | Kontoalter, kürzlich erfolgte Passwortzurücksetzung, Profiländerungen, neu hinzugefügter Zahlungsempfänger | Risiken im Zusammenhang mit kürzlich geänderten Zugangsdaten oder Zahlungseinstellungen |
| Netzwerkbeziehungen | Gemeinsam genutzte Geräte, gemeinsame Empfänger, Überweisungsketten, verbundene Konten | Mule-Netzwerke oder koordinierte Betrugsstrukturen |
| Bestätigte Ergebnisse | Rückbuchungen, Betrugsmeldungen, Ermittlerkennzeichnungen, Kundenbestätigungen | Schulung und Feedback für zukünftige Entscheidungen |
Regeln als veraltet abzutun und maschinelles Lernen als deren Ersatz zu bezeichnen, ist einfach. In produktiven Betrugserkennungssystemen ist diese Sichtweise jedoch meist zu simpel. Regeln eignen sich hervorragend für bekannte Situationen, die ein deterministisches Vorgehen erfordern: gesperrte Länder, unmögliche Transaktionstypen, regulatorische Anforderungen, doppelte Transaktionen, feste Betragslimits oder neu eingeführte Notfallmaßnahmen.
KI ist dann am effektivsten, wenn Entscheidungen auf Kombinationen von Signalen oder Verhaltensweisen beruhen, die sich nicht einfach in einer kurzen Regelliste ausdrücken lassen. Etablierte Institutionen nutzen daher einen mehrschichtigen Ansatz: Regeln für klare Richtlinien, maschinelles Lernen für komplexe Risiken, Netzwerkanalysen für Beziehungen und menschliche Überprüfung in unklaren oder besonders folgenreichen Fällen.
Ein Betrugserkennungssystem, das alles blockiert, ist zwar technisch effektiv, um Betrug zu verhindern, aber als Zahlungssystem unbrauchbar. Ein Fehlalarm liegt vor, wenn eine legitime Transaktion fälschlicherweise als verdächtig eingestuft wird. Zu viele Fehlalarme führen zu Kundenfrustration, Callcenter-Kosten, Kaufabbrüchen und Vertrauensverlust.
Deshalb erfassen Institutionen mehr als nur die reine Betrugserkennungsrate. Wichtige Kennzahlen sind Betrugsverluste, Rückruf- bzw. Erkennungsrate, Präzision, Fehlalarmrate, Genehmigungsrate, Kundenzufriedenheitsrate, Umfang manueller Prüfungen, Latenz und die finanziellen Kosten jeder Entscheidungsart.
Der optimale Schwellenwert ist kontextabhängig. Ein Kartenkauf im Wert von 50 US-Dollar kann eine andere Toleranz rechtfertigen als eine Geschäftsüberweisung von 250.000 US-Dollar auf ein neues Konto. Betrugskontrolle in Echtzeit ist daher ein Optimierungsproblem und nicht bloß ein Klassifizierungsproblem.
Manche Betrugsfälle sind relativ einfach: Ein Krimineller stiehlt Zugangsdaten und veranlasst eine Zahlung, die der Kunde nicht autorisiert hat. Eine andere Betrugsart, oft als autorisierter Push-Zahlungsbetrug (APP-Betrug) bezeichnet , liegt vor, wenn der Kunde dazu gebracht wird, das Geld persönlich zu überweisen.
Für KI ist dies schwieriger, da Login, Gerät, Authentifizierung und abschließende Bestätigung alle korrekt sein können. Verdächtige Signale können stattdessen im Empfängernetzwerk, im Transaktionsverlauf, in ungewöhnlichen Begünstigtenbeziehungen, in der Zahlungsgeschwindigkeit oder in einem allgemeineren Betrugsmuster auftreten.
Dies ist einer der Gründe, warum netzwerkweite Intelligenz zunehmend an Bedeutung gewinnt. Mastercards Einführung von TRACE im philippinischen Echtzeit-Zahlungsnetzwerk im Jahr 2025 und die A2A-Betrugserkennungstools in Großbritannien sind Beispiele dafür, wie Anbieter versuchen, Risiken über mehrere Institute hinweg zu identifizieren, anstatt die Daten jeder Bank isoliert zu betrachten.
Modelldrift tritt auf, wenn sich der statistische Zusammenhang zwischen Eingangsgrößen und Betrugsergebnissen im Laufe der Zeit verändert. Das Konsumverhalten ändert sich, neue Produkte werden eingeführt, saisonale Muster verschieben sich, und Kriminelle testen gezielt Kontrollmechanismen, um Schwachstellen aufzudecken.
Institutionen reagieren mit Monitoring, Nachschulungen, Champion-Challenger-Tests, Schwellenwertanpassungen, Regelaktualisierungen und Feedback aus bestätigten Betrugsfällen. Korrekte Kennzeichnungen sind besonders wichtig. Das Projekt Hertha hob gekennzeichnete Trainingsdaten, robuste Feedbackschleifen und nachvollziehbare Algorithmen als Schlüsselfaktoren für die Effektivität hervor.
Echtzeitsysteme benötigen außerdem Schutzmechanismen gegen fehlerhafte oder minderwertige Kennzeichnungen. Wenn Kunden legitime Transaktionen fälschlicherweise beanstanden oder Ermittler Fälle uneinheitlich klassifizieren, kann ein Modell falsche Muster erlernen.
Entscheidungen im Zusammenhang mit Betrugsfällen beeinflussen den Zugang zu Geldern, das Kundenerlebnis und die Einhaltung regulatorischer Vorgaben. Institutionen benötigen ausreichende Erläuterungen, um zu verstehen, warum sich ein Modell anders verhält, Fehler zu untersuchen und Änderungen von Schwellenwerten oder Richtlinien zu rechtfertigen.
Erklärbarkeit erfordert nicht, dass jedes Modell einfach ist. Sie erfordert jedoch nützliche operative Ergebnisse: welche Signale das Risiko beeinflussten, welche Regeln griffen, wie sich die Bewertung im Laufe der Zeit veränderte und ob eine Entscheidung mit den genehmigten Richtlinien übereinstimmte.
Bei risikoreichen oder unklaren Ereignissen sind Ermittler weiterhin unerlässlich. Die menschliche Überprüfung kann Kontextinformationen einbeziehen, die ein Modell nicht berücksichtigt, neue Betrugsmuster aufdecken und präzisere Bezeichnungen für die nächste Modellaktualisierung erstellen.
Im April 2026 veröffentlichten das OCC, die Federal Reserve und die FDIC überarbeitete behördenübergreifende Leitlinien zum Modellrisikomanagement, die einen risikobasierten Ansatz betonen. Die Leitlinien behandeln Modellentwicklung und -nutzung, Validierung und Überwachung, Governance und Kontrollen sowie Modelle von Drittanbietern. Sie stellen außerdem fest, dass generative KI und agentenbasierte KI nicht in den Anwendungsbereich dieser Leitlinien fallen, da sie neuartig sind und sich rasant weiterentwickeln.
Für Betrugsbekämpfungsteams bedeutet dies in der Praxis, dass ein leistungsstarkes Modell allein nicht ausreicht. Institutionen benötigen klare Verantwortlichkeiten, eine dokumentierte Zweckbestimmung, Tests, Überwachung, Änderungskontrolle, Daten-Governance und eine angemessene Aufsicht über die Modelle von Drittanbietern. Siehe hierzu die überarbeiteten Leitlinien des OCC zum Modellrisiko von 2026 .
Der freiwillige Rahmen für KI-Risikomanagement des NIST bietet eine umfassendere, branchenübergreifende Struktur, die sich auf die Bereiche Steuerung, Kartierung, Messung und Management konzentriert. Er stellt keine Bankenregulierung dar, ist aber hilfreich, um Fragen der Zuverlässigkeit, Transparenz, des Datenschutzes, der Sicherheit und der Rechenschaftspflicht zu strukturieren.
Generative KI kann Ermittlern helfen, Fälle zusammenzufassen, Informationen aus Notizen zu extrahieren, Ermittlungsberichte zu verfassen oder große Richtlinien- und Falldatenbanken zu durchsuchen. Das bedeutet jedoch nicht, dass ein umfangreiches Sprachmodell allein über die Rechtmäßigkeit einer Zahlung entscheiden sollte.
Die Echtzeit-Betrugsbewertung basiert üblicherweise auf strukturierten statistischen Modellen, die für latenzarme Klassifizierung, Anomalieerkennung, Graphanalyse und kalibrierte Risikobewertungen optimiert sind. Generative Systeme können den Workflow, insbesondere nach einer Warnmeldung, verbessern, doch Finanzinstitute benötigen weiterhin deterministische Kontrollen und ein messbares Modellverhalten im Transaktionsprozess.
Die meisten KI-gestützten Betrugserkennungssysteme arbeiten unsichtbar. Normale Zahlungen werden ohne zusätzliche Schritte genehmigt. Bei leicht ungewöhnlichen Zahlungen kann eine Bestätigung in der App erforderlich sein. Transaktionen mit hohem Risiko werden abgelehnt oder zur Überprüfung weitergeleitet. Ziel ist es, Sicherheitsmaßnahmen gezielt einzusetzen: Zusätzliche Sicherheitsvorkehrungen werden nur dann getroffen, wenn das Risiko dies rechtfertigt.
Für Kunden bedeutet dies, dass ein hochmodernes Betrugserkennungssystem weniger aufdringlich wirken kann als ein älteres, da es normales Verhalten genauer von verdächtigen Aktivitäten unterscheiden kann. Für Finanzinstitute besteht die Herausforderung darin, dieses positive Nutzererlebnis beizubehalten und gleichzeitig in Echtzeit auf neue Betrugsmuster reagieren zu können.
Das Visa A2A Protect-Update vom September 2026, die konfigurierbaren Risikokontrollen von FedNow und das BIS-Projekt Hertha weisen in dieselbe Richtung: Die Betrugsabwehr entwickelt sich von isolierten Transaktionsregeln hin zu mehrschichtigen Echtzeitinformationen. Die stärksten Systeme kombinieren individuelles Verhalten, Kontokontext, Gerätedaten, Netzwerkbeziehungen, Regeln und menschliches Fachwissen.
KI verbessert zwar die Fähigkeit zur schnellen Risikobewertung, beseitigt aber nicht die damit verbundenen Zielkonflikte. Finanzinstitute müssen weiterhin entscheiden, wie viel Reibungsverlust akzeptabel ist, wie Modelle validiert werden, welche Daten rechtmäßig und ethisch verwendet werden dürfen, wie Drittsysteme reguliert werden und was bei Unsicherheiten im Modell geschieht.
Das ist die praktische Bedeutung der KI-Betrugserkennung im Echtzeit-Finanzwesen: nicht ein einzelner Algorithmus, der Betrug „kennt“, sondern ein entwickeltes Entscheidungssystem, das sich ständig schnell verändernde Beweise in angemessene Maßnahmen umwandelt, bevor eine Transaktion zu einem nicht wieder gutzumachenden Verlust wird.
Vergleichen Sie aussagekräftige Studiengänge in den Bereichen Logistik, Lieferkette, UAS und Drohnenbetrieb für das Jahr 2026 mit praktischen Empfehlungen je nach Karriereziel und einer Checkliste zur Programmauswahl.
Compare autonomous systems, robotics, and control programs at MIT, CMU, Michigan, Penn, Oxford, ETH Zurich, KTH, and Aalto, with practical selection criteria.
Ein praktischer Leitfaden zur Cybersicherheit im FinTech-Bereich zum Schutz von Finanzdaten vor Kontoübernahmen, API-Missbrauch, Ransomware, Risiken durch Dritte und modernen Betrugsfällen.
Grid-scale batteries are becoming a core flexibility tool for renewables. See where they excel, where they fall short, and what 2026 data shows.
CRISPR ist mittlerweile ein zugelassenes Medikament. Erfahren Sie, was bereits erwiesen ist, was von der jeweiligen Krankheit und der Verabreichungsmethode abhängt und was bei der Genomeditierung von Basis und Primer noch unerforscht ist.
See how continuous processing, platform technologies, PAT, digital twins, and modular manufacturing are accelerating reliable therapeutic production.
Erfahren Sie, wie die intelligente Automatisierung im Rahmen von Industrie 4.0 KI, digitale Zwillinge, IIoT, Edge-Control und Standards kombiniert, um die Effizienz zu steigern, ohne dabei die notwendige menschliche Aufsicht zu entfernen.
Embodied AI moves foundation models from words to physical action. See why robotics, VLAs, simulation, and safety make it tech’s next frontier.
Erfahren Sie, wie Banken und Zahlungsdienstleister KI, Verhaltenssignale, Netzwerkanalysen, Regeln und menschliche Überprüfung einsetzen, um Betrug in Echtzeit zu stoppen, ohne dabei gute Kunden zu blockieren.
Wie Projekte zur Kohlenstoffabscheidung Geld verdienen, wo die Ingenieurkosten liegen und wie sich die Politik bis 2026, Speicherzentren, Steuergutschriften und Verträge auf die Finanzierbarkeit auswirken.
