Betrugserkennung: Warum regelbasierte Systeme neue Muster übersehen

"Transaktion über 10.000 Euro an ein Konto in einem Hochrisiko-Land: melden." Das ist eine Regel. Sie funktioniert. Für genau dieses Muster.

Betrüger kennen diese Regeln. Sie überweisen 9.900 Euro. Oder teilen den Betrag auf drei Transaktionen. Oder nutzen ein Zwischenkonto in einem Nicht-Hochrisiko-Land. Die Regel greift nicht. Der Betrug bleibt unerkannt.

Wie regelbasierte Systeme arbeiten

Regelbasierte Betrugserkennung definiert Schwellenwerte und Muster: Betragshöhe, Empfängerland, Transaktionsfrequenz, Abweichung vom üblichen Verhalten. Wenn eine Transaktion eine oder mehrere Regeln verletzt, wird sie markiert.

Das funktioniert für bekannte Betrugsszenarien. Jede Regel bildet ein Muster ab, das in der Vergangenheit zu Betrug geführt hat. Das System lernt aus Erfahrung — aber nur, wenn ein Mensch die Erfahrung in eine Regel übersetzt.

Die Schwächen

Zeitverzögerung: Neue Betrugsformen werden erst erkannt, nachdem sie aufgetreten sind, analysiert wurden und jemand eine neue Regel formuliert hat. Zwischen dem ersten Betrugsfall und der aktiven Regel vergehen Wochen bis Monate.

Kombinationsexplosion: Je mehr Regeln existieren, desto unübersichtlicher wird das System. 500 Regeln mit je 3 Parametern erzeugen Tausende mögliche Kombinationen. Widersprüche und Lücken bleiben unbemerkt.

Starrheit: Regeln erfassen exakte Muster. Leichte Variationen — anderer Betrag, anderes Land, anderer Zeitpunkt — werden nicht erkannt. Der Betrüger muss nur die Regel kennen, um sie zu umgehen.

Was KI-basierte Erkennung anders macht

KI-Modelle lernen nicht einzelne Regeln, sondern Normalverhalten. Sie analysieren das Transaktionsmuster eines Kunden über Wochen und Monate: typische Beträge, übliche Empfänger, gewöhnliche Frequenzen, Tageszeiten.

Wenn eine Transaktion vom gelernten Normalverhalten abweicht, wird sie als Anomalie markiert. Nicht weil sie eine spezifische Regel verletzt, sondern weil sie ungewöhnlich ist.

Beispiel

Ein Kunde überweist seit Jahren monatlich 1.200 Euro Miete und gelegentlich kleinere Beträge für Einkäufe. Plötzlich: drei Überweisungen a 4.800 Euro an drei verschiedene Konten innerhalb von 20 Minuten. Keine einzelne Transaktion verletzt eine Betragsregel. Aber das Muster ist anomal.

Ein regelbasiertes System sieht drei normale Überweisungen. Ein KI-System sieht eine dramatische Abweichung vom Normalverhalten.

Der Trade-off: Falsch-Positive

KI-Systeme erkennen mehr Anomalien. Aber nicht jede Anomalie ist Betrug. Ein Kunde kauft ein Auto — plötzlich eine große Überweisung. Ungewöhnlich, aber legitim.

Falsch-Positive sind teuer. Jede markierte Transaktion muss von einem Mitarbeiter geprüft werden. Wenn das System 200 Transaktionen pro Tag markiert und 190 davon legitim sind, verliert das Compliance-Team Vertrauen in das System.

Wie Falsch-Positive reduziert werden

Erklärbare Modelle: Statt "diese Transaktion ist anomal" liefert das System eine Begründung: "Abweichung vom typischen Transaktionsmuster: dreifaches Volumen, neuer Empfänger, unübliche Uhrzeit." Der Prüfer kann schneller entscheiden.

Feature-Gewichtung: Nicht jede Abweichung wiegt gleich. Ein neuer Empfänger ist weniger auffällig als ein neuer Empfänger in Kombination mit unüblicher Betragshöhe und unüblicher Uhrzeit. Das Modell gewichtet die Faktoren.

Feedback-Schleife: Wenn ein Prüfer eine Markierung als Falsch-Positiv bewertet, lernt das Modell. Über Wochen und Monate sinkt die Falsch-Positiv-Rate. In der Praxis von anfänglich 30 bis 40 % auf unter 10 %.

Regelbasiert und KI: kein Entweder-oder

Die präziseste Betrugserkennung kombiniert beide Ansätze. Regelbasierte Systeme fangen die bekannten, klar definierten Muster ab. KI erkennt die unbekannten, subtilen Abweichungen.

Regeln liefern Nachvollziehbarkeit: "Betrag über Schwelle X, Empfängerland auf Liste Y." KI liefert Erkennung: "Dieses Muster passt nicht zum Verhalten dieses Kunden."

In einem regulierten Umfeld ist die Kombination aus beidem der robusteste Ansatz. BaFin-konform, weil die Regellogik auditierbar bleibt. Wirksam, weil KI die Lücken schließt, die Regeln nicht abdecken.

Nächster Schritt

Lassen Sie uns in 30 Minuten prüfen, wo KI in Ihrem Finanzunternehmen den größten Hebel hat — regulatorisch sicher, unverbindlich und kostenfrei.

Gespräch vereinbaren →