KI hilft Banken, Millionen zu sparen, indem sie die Betrugsprävention im Zahlungsverkehr transformiert.

• Laut einer Studie von Mastercard verloren Unternehmen im vergangenen Jahr durchschnittlich $60 Millionen durch Zahlungsbetrug.  
• Betrug mit synthetischen Identitäten und Identitätsdiebstahl nehmen rapide zu, angeheizt durch generative KI (Gen AI). 
• KI-Tools, die Echtzeitdaten und Verhaltenserkenntnisse nutzen, können helfen, Betrug zu verhindern, bevor er entsteht – und Verluste zu reduzieren. 
• 83 % der Branchenführer sagen, dass KI Fehlalarme und Abwanderungen reduziert hat, was eine neue Ära in der Betrugsprävention einläutet.

Die geschätzten globalen finanziellen Auswirkungen von Betrug stiegen 2023 auf über 485 Milliarden US-Dollar[1] – eine erschreckende Zahl, die voraussichtlich in den kommenden Jahren weiterwachsen wird. 

Ein Katalysator? Betrüger nutzen generative KI, um schnell überzeugende Deepfakes, synthetische Stimmen und gefälschte Dokumente zu erstellen, um Social-Engineering-Betrügereien in großem Umfang durchzuführen. Laut einem Bericht von Deloitte könnte generative KI bis 2027 Betrugsschäden in den USA in Höhe von 40 Milliarden US-Dollar anheizen – mehr als das Dreifache der 12,3 Milliarden US-Dollar, die 2023 verzeichnet wurden.

Aber auch Banken legen zu – sie nutzen KI, um schneller zurückzuschlagen. Früher legten Betrugsbekämpfungsteams manuelle Regeln fest, um zu entscheiden, welche Transaktionen genehmigt oder blockiert werden sollten. Nun kann KI Daten analysieren, um ungewöhnliche Muster zu erkennen und intelligentere Autorisierungsentscheidungen in Echtzeit zu treffen. 

Dieser Wandel zahlt sich bereits aus. Der Mastercard-Bericht zur Betrugsprävention im Zahlungsverkehr 2025,  der in Zusammenarbeit mit Financial Times Longitude erstellt wurde, ergab, dass 42 % der Emittenten und 26 % der Acquirer             dank KI in den letzten zwei Jahren mehr als 5 Millionen US-Dollar bei Betrugsversuchen eingespart haben. Um das Potenzial von KI zur Betrugsprävention jedoch voll auszuschöpfen, benötigen Unternehmen hochwertige Daten, die in Modelle für bessere Risikoentscheidungen einfließen.

Die Forschung von Mastercard ergab, dass Organisationen im vergangenen Jahr durchschnittlich 60 Millionen US-Dollar durch Zahlungsbetrug verloren haben. Und da KI Betrügern hilft, überzeugendere Betrugsmaschen zu entwickeln, werden diese Verluste voraussichtlich weiter steigen:

• Kriminelle nutzen KI, um große Mengen öffentlich verfügbarer Daten zu analysieren und hochgradig zielgerichtete Verhaltensbetrügereien zu entwickeln. 
• Mit erschwinglichen generativen KI-Tools können Betrüger im großen Umfang überzeugende Phishing-Nachrichten, synthetische Sprachklone und Deepfake-Videos erstellen, wodurch es einfacher wird, Opfer zur Genehmigung betrügerischer Transaktionen zu manipulieren.

Gleichzeitig haben Finanzinstitute, da Echtzeitzahlungen an Popularität gewinnen, nur ein kurzes Zeitfenster, um KI-gestützte Betrugsversuche zu erkennen und zu blockieren. Deshalb behalten führende Akteure der Zahlungsbranche eine Vielzahl von Betrugsrisiken genau im Auge:

• Führungskräfte sehen Betrug mit synthetischen Identitäten (61 %), Identitätsbetrug (60 %) und grenzüberschreitenden Betrug (54 %) als die am schnellsten wachsenden Bedrohungen im nächsten Jahr. Synthetischer Identitätsbetrug, bei dem gestohlene persönliche Informationen mit erfundenen Details kombiniert werden, um eine gefälschte Identität zu erstellen, nimmt zu, da Betrüger KI einsetzen, um riesige Datensätze zu durchforsten und überzeugendere Profile aufzubauen.
• Zu den weiteren wachsenden Risiken gehören E-Commerce-Betrug (47 %), der Missbrauch von „Jetzt kaufen, später zahlen“ (BNPL) (42 %) und Deepfakes (21 %). Bedenken hinsichtlich E-Commerce-Betrug und BNPL-Missbrauch, wenn kriminelle Akteure unautorisierte BNPL-Konten oder -Transaktionen durchführen, unterstreichen die Notwendigkeit stärkerer Kundenschutzmaßnahmen in der gesamten digitalen Zahlungslandschaft.

Neunzig Prozent der führenden Akteure im Zahlungsverkehr erwarten in den nächsten drei Jahren höhere finanzielle Verluste, wenn sie den Einsatz von KI in der Betrugsprävention nicht verstärken. 

Glücklicherweise gibt es verschiedene Möglichkeiten, KI zur Betrugsprävention einzusetzen, von der Analyse von Transaktionsmustern bis zur Reduzierung manueller Überprüfungen. Viele Institutionen erzielen dadurch bereits einen hohen Return on Investment (ROI):

• 85 % der Befragten berichten von Erträgen durch den Einsatz von KI für die Falltriage und -untersuchung von Betrugsfällen, die Erkennung von Transaktionsmustern und die Echtzeit-Erkennung verdächtiger Transaktionen.
• 83% sagen, dass KI ihren Prozess zur Betrugsermittlung und Falllösung erheblich beschleunigt hat.

​​​Dennoch ist es wichtig zu bedenken, dass nachhaltige Investitionen zu den größten Gewinnen führen. Organisationen, die KI seit über fünf Jahren einsetzen, berichten von Einsparungen von $4.3 Millionen bei entgangenen Einnahmen, fast doppelt so viel wie die durchschnittlichen Einsparungen von $2.2 Millionen. 

Gleichzeitig wissen Führungskräfte, dass es eine erhebliche Hürde darstellt, KI angesichts der sich entwickelnden Betrugstaktiken aktuell zu halten. Um sich gegen neue und aufkommende Bedrohungen zu verteidigen, müssen KI-Tools in Echtzeit lernen und sich anpassen. 

Mit KI-Tools, die Echtzeitdaten und Verhaltensanalysen einbeziehen, können Organisationen effizientere Autorisierungsentscheidungen treffen, um die Genehmigungsraten zu erhöhen und die Kunden zufrieden zu stellen.

Das Problem: Historisch gesehen haben Banken regelbasierte Systeme verwendet, um Transaktionen zu genehmigen oder zu blockieren. Zum Beispiel kann eine Bank eine Regel festlegen, um Käufe über einem bestimmten Dollarbetrag zu kennzeichnen oder Transaktionen von ungewöhnlichen Standorten abzulehnen. Doch hier liegt das Problem: Starre, manuelle Prozesse können die Betrugserkennung verlangsamen, besonders da Betrugsfälle schneller und komplexer werden.

Die Lösung: KI-Lösungen können diese Einschränkung leicht überwinden, indem sie Millionen von Datenpunkten analysieren, um Transaktionsrisiken schnell zu bewerten und Echtzeit-Einblicke zu bieten. Das bedeutet, dass Banken aufkommende Bedrohungen erkennen können, sobald sie sich entwickeln, und schnell fundierte Entscheidungen treffen, wodurch die Erkennungsverzögerung minimiert wird.

Es überrascht nicht, dass 80 % der Unternehmen berichteten, dass KI dazu beigetragen hat, unnötige manuelle Überprüfungen zu eliminieren. Da KI es Issuern und Acquirern ermöglicht, Bedrohungen früher zu antizipieren, profitieren auch Betrugsbekämpfungsteams davon, indem Kapazitäten für komplexere Untersuchungen freigesetzt werden.

Das Problem: Da statischen Autorisierungsregeln Nuancen fehlen, führen sie oft zu falsch-positiven Ergebnissen, d. h. wenn legitime Transaktionen fälschlicherweise als betrügerisch identifiziert und abgelehnt oder zur Überprüfung markiert werden. Das führt nicht nur zu Mehraufwand für interne Teams, sondern beeinträchtigt auch das Kundenerlebnis. 

Die Lösung: Fortgeschrittene KI-Modelle können diverse Datenpunkte analysieren, um das Betrugsrisiko präzise zu bewerten. Wenn beispielsweise ein Kunde, der regelmäßig Kleidung im mittleren Preissegment kauft, während eines saisonalen Ausverkaufs plötzlich mehrere Luxusmodeartikel erwirbt, können fortgeschrittene KI-Modelle Faktoren wie historisches Kaufverhalten, Händlerglaubwürdigkeit und den Zeitpunkt analysieren, um festzustellen, ob dieser Ausgabenanstieg ein legitimes Verhalten darstellt.

Diese kontextsensible Intelligenz führt zu genaueren Autorisierungsentscheidungen, die Betrug verhindern, ohne zusätzliche Reibungspunkte für Kunden zu schaffen. Tatsächlich geben 83 % der Befragten an, dass KI im vergangenen Jahr falsch positive Ergebnisse und Kundenabwanderungsraten erheblich reduziert hat.

Das Problem: Während KI die Betrugserkennung in Echtzeit unterstützen kann, erfordert sie qualitativ hochwertige Daten, um effektiv zu bleiben. Führungskräfte verstehen diese Anforderung, wobei 64 % der Befragten angeben, den Zugang zu neuen, glaubwürdigen Datenquellen beschleunigen zu müssen, um mit den sich entwickelnden Bedrohungen Schritt zu halten.

Die Lösung: Effektive KI-Betrugserkennungsmodelle integrieren Eingaben aus dem gesamten Zahlungsökosystem, einschließlich Kartennetzwerk-Intelligenz, Händlerdaten und Erkenntnissen aus der digitalen Identität der Verbraucher. 

Ein KI-Tool könnte beispielsweise das Risiko eines Händlers anhand historischer Betrugsraten bewerten und gleichzeitig die „Velocity Count“ eines Kunden analysieren, die erfasst, wie häufig Aktionen wie Käufe oder Kontoänderungen innerhalb kurzer Zeit erfolgen.

Zukünftig wird der Erfolg von Unternehmen mit KI-Betrugserkennung von zwei Faktoren abhängen: der Fähigkeit eines Modells, große Datenmengen zu analysieren, und seiner Fähigkeit, historische Muster und neue Informationen zu kombinieren, um die Entscheidungsfindung zu unterstützen.

Generative KI verändert die Betrugslandschaft. Betrüger sind mit KI schneller und anpassungsfähiger – und Finanzinstitute müssen es auch sein.

Die Decision Intelligence -Lösung von Mastercard nutzt KI und Netzwerk-Einblicke, um Transaktionen nach Risikostufe zu analysieren und zu bewerten. Mit umfassenden Echtzeit-Einblicken können Sie zuversichtliche Autorisierungsentscheidungen treffen, mehr echte Transaktionen genehmigen und Einnahmen schützen, während sich Betrugstaktiken ständig weiterentwickeln. 

Bereit, Ihre Betrugsabwehr mit KI zu transformieren? Erfahren Sie, wie Mastercard Ihnen helfen kann, oder lesen Sie unseren Bericht für alle Umfrageergebnisse.