Die Zahlen sprechen eine klare Sprache: Laut Signicat stiegen Deepfake-Vorfälle im Finanzsektor zwischen 2023 und 2025 um mehr als 2.000 Prozent. Gleichzeitig setzen laut Sumsub Identity Fraud Report nur 22 Prozent der Finanzinstitute AI-Tools zur Betrugserkennung ein. Betrugserkennung mit AI ist damit kein Innovationsthema mehr. Sie ist eine Asymmetrie-Frage: Die Angreifer nutzen die Technologie bereits. Die Verteidiger mehrheitlich nicht.
Die Angreifer haben das Werkzeug zuerst adoptiert
Der Fall des britischen Ingenieurbüro Arup zeigt das Muster: 25,6 Millionen US-Dollar, überwiesen in 15 Tranchen, weil ein Mitarbeiter glaubte, per Videokonferenz mit seinem Finanzchef zu sprechen. Das Video war ein Deepfake. Für solche Angriffe reichen heute wenige Minuten öffentlich verfügbares Videomaterial und 30 Sekunden Audio.
In Europa sind Deepfakes laut Signicat inzwischen die häufigste Form AI-basierten Betrugs. LexisNexis meldet zudem einen Anstieg von 450 Prozent bei agentischem Betrug: automatisierte Angriffe auf Logins und Kartenzahlungen, die menschliches Verhalten imitieren. Die Grammatikfehler-Heuristik, auf die Kunden jahrelang trainiert wurden, ist tot. Phishing-Mails aus Sprachmodellen sind fehlerfrei und imitieren Tonalität und Markenauftritt der Bank perfekt.
Parallel verschiebt der Regulierer die Haftung. In Großbritannien erstattete die Payment Systems Regulator im ersten Jahr ihrer Erstattungspflicht rund 88 Prozent der durch APP Fraud verlorenen Summen an die Opfer. Die kommende PSR-Verordnung der EU sieht eine Haftung des Zahlungsdienstleisters vor, wenn Kunden durch Nachahmung der Bank selbst betrogen wurden. Genau das ist die Deepfake-Konstellation.
Betrugserkennung mit AI ist eine Betriebsfrage, keine Modellfrage
Die Reflexantwort vieler Häuser lautet: ein Erkennungsmodell kaufen. Das greift zu kurz. Deepfake-Erkennung ist ein Katz-und-Maus-Spiel, in dem die Fälschungstechnologie der Erkennungstechnologie strukturell voraus ist. Ein einzelnes Modell, einmal eingekauft und nie nachtrainiert, veraltet in Monaten.
Wirksame Betrugserkennung mit AI kombiniert drei Ebenen: Verhaltensanalyse in Echtzeit über Transaktions- und Sitzungsdaten, Signalfusion aus mehreren Quellen statt Einzelprüfungen, und einen Betrieb, der Modelle kontinuierlich gegen neue Angriffsmuster evaluiert und nachzieht. Das ist Autopilot statt Copilot: Die AI trifft im Massengeschäft eigenständig Entscheidungen, eskaliert Grenzfälle an Menschen und dokumentiert jede Entscheidung revisionsfest.
Hier schließt sich der Kreis zur Regulierung. Wer unter DORA und EU AI Act ein Betrugserkennungssystem betreibt, braucht Modell-Monitoring, Incident-Prozesse und nachweisbare Kontrolle über Drittanbieter. Wir haben das in unserem Beitrag zu Verification of Payee gezeigt: Einzelmaßnahmen wirken, aber erst der orchestrierte Betrieb macht sie belastbar. Regulierung ist kein Blocker. Sie ist der Moat: Wer den auditierbaren AI-Betrieb beherrscht, kann Erkennungsleistung skalieren, wo Wettbewerber in Governance-Debatten feststecken.
Drei Fragen vor dem nächsten Fraud-Budget
- Kennt das Haus seine tatsächliche Erkennungslücke? Nicht die gemeldeten Fälle zählen, sondern die Differenz zwischen Angriffsversuchen und erkannten Mustern.
- Wie schnell lernt das System? Ein Modell-Update-Zyklus von sechs Monaten ist bei wöchentlich neuen Angriffsvarianten strukturell verloren.
- Wer trägt die Betriebsverantwortung? Ein Fraud-Modell ohne definierten AI-Betrieb mit SLA, Monitoring und Eskalationspfad ist ein Audit-Risiko, kein Schutzschild.
Die Haftungsverschiebung durch die PSR macht aus jedem nicht erkannten Impersonation-Betrug einen direkten Bilanzschaden. Die Investitionsrechnung für Betrugserkennung mit AI hat sich damit fundamental verändert: Nicht mehr die Prävention muss sich rechtfertigen, sondern der Verzicht darauf.
Wie belastbar ist die Betrugserkennung in Ihrem Haus gegen die Angriffswelle von morgen? Sprechen Sie uns an.
Häufige Fragen zu Betrugserkennung mit AI
Was ist Betrugserkennung mit AI?
Betrugserkennung mit AI bezeichnet den Einsatz maschineller Lernverfahren, um betrügerische Transaktionen, gefälschte Identitäten und manipulierte Medien wie Deepfakes in Echtzeit zu erkennen. Sie kombiniert Verhaltensanalyse, Anomalie-Erkennung und Signalfusion aus mehreren Datenquellen und ersetzt starre Regelwerke durch lernende Systeme.
Wie stark ist Deepfake-Betrug im Finanzsektor gestiegen?
Laut Signicat stiegen Deepfake-Vorfälle im Finanzsektor zwischen 2023 und 2025 um mehr als 2.000 Prozent. In Europa sind Deepfakes inzwischen die häufigste Form AI-basierten Betrugs. Gleichzeitig setzen laut Sumsub nur 22 Prozent der Finanzinstitute AI-Tools zur Betrugsprävention ein.
Wer haftet künftig bei Betrug durch Bank-Imitation?
Die kommende EU-Zahlungsdiensteverordnung PSR sieht vor, dass Zahlungsdienstleister haften, wenn Kunden durch Nachahmung des Dienstleisters selbst getäuscht wurden. In Großbritannien erstattete die Payment Systems Regulator im ersten Jahr ihrer Erstattungsregel bereits rund 88 Prozent der APP-Fraud-Verluste an die Opfer.
