KI-Betrugsscoring für einen Exchanger ist kein magischer „Betrüger-fangen"-Knopf, sondern eine Reihe von Modellen, die binnen Sekundenbruchteilen Dutzende Signale einer einzelnen Transaktion gewichten. Wer dafür ein Budget einplant, sollte vorher wissen, was das System wirklich misst, für wen es passt und wo seine Fähigkeiten enden — bevor der Vertrag unterschrieben ist.
Was Anbieter „KI" nennen — und was es oft tatsächlich ist
Fallen in einer Präsentation die Worte „neuronales Netz" und „Machine Learning", ohne dass ein einziges konkretes Signal genannt wird, steckt darunter wahrscheinlich ein simples Regelwerk: „wenn der Betrag über X liegt und das IP-Land nicht passt". Das ist an sich nicht schlecht — eine einfache Regel-Engine ist günstiger und berechenbarer. Schlecht ist es, wenn sie als selbstlernendes System verkauft und dafür das Dreifache verlangt wird.
Die Unterscheidung ist einfach: Fragen Sie, mit welchen Daten das Modell trainiert wurde und wie oft es seine Gewichte neu berechnet. Lautet die Antwort „nach den Expertenregeln unserer Analysten" — steckt keine KI darin, und das sollte man vorher wissen.
Sieben Signale, die echtes Scoring prüft
Ein funktionierendes Modell schaut fast immer über den reinen Transaktionsbetrag hinaus. Das sollte man einen Anbieter direkt fragen.
- Geschwindigkeit beim Ausfüllen des Formulars — ein Bot oder Skript tippt schneller und gleichmäßiger als ein Mensch.
- IP-Geolokation gegen angegebenes Land — entscheidend ist nicht die einmalige Abweichung, sondern wie oft sie bei diesem Kunden auftritt.
- Wiederverwendeter Geräte-Fingerprint über mehrere Konten hinweg — ein Zeichen für eine Account-Farm, nicht für einen einzelnen Pechvogel.
- Transaktionsgeschwindigkeit über die Zeit — eine Serie von Transaktionen direkt nach der Anmeldung liest sich anders als die Aktivität eines Kunden mit Historie.
- Abweichung zwischen angegebenem Zweck und tatsächlichem Muster — „privater Bedarf" und ein Durchlauf durch zehn Wallets in einer Stunde passen schlecht zusammen.
- Verknüpfungen im Wallet-Graph zu Adressen, die andere Marktteilnehmer bereits als riskant markiert haben.
- Verhaltensbasierte Eingabemetriken — Tipprhythmus, Mausbewegung, Pausen — ein unauffälliges, aber tatsächlich nützliches Signal gegen automatisierten Betrug.
Beantwortet ein Anbieter mindestens fünf dieser sieben Punkte souverän, handelt es sich wahrscheinlich nicht um eine umetikettierte Regel-Engine.
Einen Anbieter in 20 Minuten prüfen
Dafür braucht man kein Data-Science-Team — vier direkte Fragen reichen.
- Wie hoch ist die Falsch-positiv-Rate auf einer Testprobe, und wie wurde sie gemessen?
- Kann das System erklären, warum eine bestimmte Transaktion einen hohen Risikowert erhielt, oder ist es eine Black Box?
- Sind sie bereit, das Modell vor dem Kauf auf Ihrer eigenen Transaktionshistorie laufen zu lassen?
- Wie oft wird das Modell neu trainiert, und was passiert bei einem wirklich neuen Betrugsmuster?
Weicht ein Anbieter der Frage nach Erklärbarkeit aus, ist das keine Kleinigkeit — einem Regulator oder einer Partnerbank kann man eine Entscheidung nicht mit „das hat die KI so entschieden" begründen.
Wo KI nicht hilft
Scoring erkennt bereits bekannte Muster hervorragend, ist aber schwach bei wirklich Neuem. Ein neuer Social-Engineering-Versuch gegen das eigene Personal ist überhaupt kein Transaktionsproblem — da wird ein Mensch dazu gebracht, ein Verfahren zu umgehen.
Gleiches gilt für Insider-Risiken: Missbraucht ein Mitarbeiter den Zugang zum Admin-Panel, sieht ein Transaktionsrisiko-Modell das nicht — dafür braucht es separate Zugriffskontrollen und Protokollierung der Mitarbeiteraktivität, keinen klügeren Score.
Häufige Fehler bei der Einführung
- Die automatische Sperrung sofort aktivieren, ohne eine Beobachtungsphase mit Mensch im Entscheidungskreis.
- Das Modell nie mit den eigenen Daten des Exchangers nachtrainieren und sich mit dem generischen Branchenmodell des Anbieters begnügen.
- Den Risiko-Score als endgültiges Urteil behandeln statt als eine von mehreren Eingaben für die menschliche Entscheidung.
- Die Erklärbarkeitslogik nicht dokumentieren — für künftige Compliance- oder Partnerbank-Anfragen.
Fazit
KI-Betrugsscoring ist ein nützliches Werkzeug, kein Ersatz für den Prozess — es verringert den Aufwand der manuellen Prüfung, nimmt aber nicht die Verantwortung für die Entscheidung ab. Testen Sie das System vor dem Lizenzkauf mit eigenen Daten und eigenen Betrugsszenarien — allgemeine Versprechen eines Anbieters sagen dabei wenig aus. Einen betriebsbereiten Exchanger mit bereits durchdachten Risiko- und Compliance-Einstellungen gibt es über iEXExchanger.
