Field Guide
KI gegen Betrug & Finanzkriminalität
Echtzeit-Betrugsscoring, AML-Alert-Triage und KYB-/Sanktionsprüfung, gebaut, um einem Modellprüfer und einem False-Positive-Budget standzuhalten.
Finanzkriminalität ist der Punkt, an dem KI im Finanzwesen auf eine harte operative Grenze trifft: Jeder False Positive kostet eine Analystenstunde und einen verärgerten Kunden, jeder False Negative ein Bußgeld oder eine Schlagzeile. Die spannende Ingenieursarbeit ist nicht der Klassifikator, sondern die Feature-Ebene, der Echtzeit-Scoring-Pfad und der Audit-Trail, mit dem ein Compliance-Verantwortlicher eine Entscheidung verteidigen kann.
Dieser Leitfaden behandelt den Stack zur Kriminalitätsbekämpfung so, wie wir ihn bauen: Zahlungs-Betrugsscoring im Sub-Sekunden-Bereich, Transaktionsüberwachungsmodelle, die gegen ein False-Positive-Budget getunt sind, AML-Alert-Triage und SAR-Entwürfe mit einem Menschen in der Schleife sowie KYB-, Sanktions- und Synthetic-Identity-Prüfungen im Onboarding. Jeder Baustein ist erklärbar genug, um der Prüfung durch BaFin, FinCEN und den EU AI Act standzuhalten.
Aktuelle Signale
- Instant-Payment-Vorgaben lassen für den gesamten Autorisierungspfad nur ein Sub-Sekunden-Budget; Betrugsmodelle laufen daher auf Streaming-Features, nicht auf Batch-Scores.
- Konsortial- und Device-Intelligence-Signale sind heute Standard; die reine First-Party-Historie übersieht Erst- und Mule-Konten.
- KI-gestützte Alert-Triage verändert die AML-Produktivität: Modelle priorisieren und reichern an, Analysten entscheiden, und der SAR-Text wird entworfen statt von Hand geschrieben.
- Deepfake- und Synthetic-Identity-Angriffe verschieben die Verifikation von Dokumentenprüfungen hin zu Verhaltens- und Liveness-Signalen.
In diesem Leitfaden
Transaktionsüberwachung für Krypto- und Stablecoin-Ströme
On-Chain-Daten sind öffentlich und ungewohnt. So bauen wir eine Überwachung, die Chain-Analytics mit Ihren Kunden und Ihren Meldepflichten verknüpft.
LesenVerhaltensbiometrie für kontinuierliche Authentifizierung
Ein Passwort beweist, wer sich angemeldet hat – nicht, wer gerade tippt. So nutzen wir Verhaltensbiometrie für eine kontinuierliche, datenschutzbewusste Authentifizierung.
First-Party- vs. Third-Party-Betrug: warum die Trennung entscheidend ist
Derselbe Verlust sieht je nach Verursacher völlig anders aus. Warum die Trennung von First-Party- und Third-Party-Betrug das Modell und die Behandlung verändert.
Adverse-Media-Screening, das den Lärm herausfiltert
Reines Namens-Matching beim Adverse-Media-Screening begräbt Analysten unter irrelevanten Treffern. So machen Entity Resolution und Relevanz-Scoring das Verfahren wieder brauchbar.
Perpetual KYC: laufende Kundensorgfaltspflicht automatisieren
Periodische KYC-Reviews sind eine Backlog-Maschine. So gelingt der Wechsel zu ereignisgetriebenem, perpetuellem KYC mit einem menschlichen Prüfpfad für echte Veränderungen.
Graph-Embeddings für Geldwäschebekämpfung und Betrug
Handgebaute Graph-Features übersehen Muster, die Embeddings lernen können. So nutzen wir Graph Representation Learning für AML, ohne die Erklärbarkeit zu verlieren.
Chargeback- und Dispute-Bearbeitung automatisieren
Disputes sind in der Masse ein Dokumenten- und Nachweisproblem. Hier ist der Extraktions-, Nachweisaufbereitungs- und Ergebnisprognose-Workflow, den wir für Disputes bauen.
Friendly Fraud und Rückerstattungsmissbrauch erkennen
Friendly Fraud sieht aus wie ein echter Kunde, weil es einer ist. So trennen wir berechtigte Streitfälle von Missbrauch, ohne gute Kunden zu bestrafen.
Velocity-Rules und Rate-Limiting im Fraud, richtig gemacht
Velocity-Rules sind die älteste Fraud-Kontrolle und die, bei der man am leichtesten danebengreift. So justieren wir sie gegen ein False-Positive-Budget, gemeinsam mit Modellen.
Geldwäsche-Mule-Konten erkennen
Mule-Konten wirken völlig unauffällig, bis das Geld durch sie hindurchfließt. Hier sind die Verhaltens- und Netzwerksignale, mit denen wir sie vor der Auszahlung aufspüren.
Betrug und autorisierte Push-Payment-Fraud erkennen
Bei APP-Betrug autorisiert die Kundin die Zahlung selbst. So bewerten wir Absichts- und Manipulationssignale, um einzugreifen, ohne legitime Überweisungen zu blockieren.
Risk-Scoring von Händlern beim Onboarding
Ein heute freigegebener schlechter Händler bedeutet morgen Chargebacks und Geldwäsche. Das sind die Daten und das Scoring, die wir für das Onboarding bei Acquirern und PSPs bauen.
Transaction Laundering im Zahlungsverkehr erkennen
Beim Transaction Laundering verstecken sich illegale Umsätze in einem legitimen Händlerkonto. Hier sind die Signale und Modelle, mit denen wir es sichtbar machen.
Betrugsringe mit Graph-Netzwerken aufdecken
Transaktionsbezogenes Scoring übersieht koordinierten Betrug, weil das Signal in den Verbindungen zwischen Konten steckt. Wie wir Graph-Features und GNNs nutzen, um die Ringe sichtbar zu machen.
Account-Takeover-Erkennung: die Signale, die wirklich funktionieren
Account Takeover versteckt sich in legitimen Sessions. Hier sind die Verhaltens- und Device-Features sowie das Modelldesign, mit denen wir ihn erkennen, ohne echte Nutzer auszusperren.
Finanz-Workflows gegen Deepfakes und KI-Agenten-Missbrauch verteidigen
Angreifer setzen inzwischen generierte Stimmen, Dokumente und eigene Agenten gegen Onboarding und Zahlungsverkehr ein. Hier sind die Fehlermuster und die Guardrails, die wir einbauen.
Konsortialdaten vs. First-Party-Daten für Betrugsmodelle
Netzwerksignale entlarven Betrug, den die eigenen Daten nie sehen – erkaufen sich das aber mit Governance- und Lineage-Schulden. So entscheiden wir, was wir woher beziehen, und halten es prüfbar.
SAR-Narrative sicher mit LLMs verfassen
Das Narrativ einer Verdachtsmeldung ist ein juristisches Dokument, keine Chatbot-Antwort. So erzeugen wir belegte, prüfbare SAR-Entwürfe, die ihre Nachweise zitieren.
KYB automatisieren: Firmenprüfung ohne das manuelle Aktenpaket
KYB bedeutet, ein Unternehmen über Register, wirtschaftlich Berechtigte und Dokumente hinweg aufzulösen, die niemand standardisiert. Hier ist die Extraktions-, Entity-Resolution- und Risk-Scoring-Pipeline, die wir fürs Onboarding bauen.
Betrug mit synthetischen Identitäten schon bei der Antragstellung erkennen
Synthetische Identitäten bestehen klassische KYC-Prüfungen, weil ihre Einzelteile echt sind. Hier sind die Daten- und Modellmuster, mit denen wir fabrizierte Antragsteller erkennen, bevor sie gebucht werden.
Sanktions-Screening, das nicht mehr auf Schreibweisen anspringt
Klassisches Sanktions-Screening schlägt bei jedem unscharfen Namenstreffer an. So senken Entity Resolution und Kontext-Features das Trefferaufkommen, ohne den Recall bei echten Treffern zu opfern.
AML-Alert-Triage automatisieren – mit dem Menschen in der Schleife
Die meisten AML-Alerts sind Rauschen, geprüft werden müssen sie trotzdem. So automatisieren wir Anreicherung, Priorisierung und den Entwurf der Disposition, ohne die Verantwortung des Analysten aufzugeben.
Echtzeit-Fraud-Scoring im Zahlungsverkehr: eine Architektur für Entscheidungen im Sekundenbruchteil
Wer eine Zahlung in unter einer Sekunde auf Betrug bewertet, merkt schnell: Das Modell ist der einfache Teil. Hier sind der Streaming-Feature-Pfad, das Latenzbudget und das Fallback-Design, die wir darum herum bauen.
False Positives im Transaction Monitoring mit ML reduzieren
Regelbasiertes AML-Monitoring ertränkt Analysten in Fehlalarmen. Hier ist das Feature Engineering und die Modell-Schichtung, mit der wir False Positives senken, ohne echte verdächtige Aktivitäten zu übersehen.
Arbeiten Sie an etwas Ähnlichem?
Erzählen Sie uns von Ihren Daten und dem Workflow drumherum, und Sie bekommen eine ehrliche Einschätzung.
30-minütiges Erstgespräch buchen