Die 10 besten Agenten zur Betrugserkennung und Transaktionsüberwachung

Die 10 besten Agenten zur Betrugserkennung und Transaktionsüberwachung

Aktualisiert am 17. August 2026

Die Betrugsprävention entwickelt sich von isolierten Risikobewertungen hin zu End-to-End-Risikobetrieben. Von modernen Systemen wird erwartet, dass sie eine Transaktion in Echtzeit bewerten, sie mit verbundenen Konten und Geräten verknüpfen, die umgebende Aktivität untersuchen, die Entscheidung erklären und empfehlen, was als Nächstes geschehen soll.

Dieser Workflow ist wichtig, da ein Transaktionsmodell und ein Untersuchungsagent unterschiedliche Probleme lösen. Regeln und Machine-Learning-Modelle erkennen und bewerten Risiken. Agenten sammeln Beweise, verknüpfen Ereignisse, fassen Fälle zusammen, empfehlen Maßnahmen und automatisieren manchmal Dispositionen mit geringem Risiko. Unit21 beschreibt diesen Unterschied direkt: Ein Betrugsagent sollte Untersuchungsaufgaben ausführen, anstatt lediglich eine Bewertung anzuzeigen oder Informationen zusammenzufassen, die einem Analysten bereits sichtbar sind. (unit21.ai)

Die stärksten Plattformen kombinieren daher:

• Echtzeit-Regeln und maschinelles Lernen
• Verhaltens- und Geräteintelligenz
• Graphbasierte Entitäts- und Transaktionsanalyse
• Falluntersuchung und Beweismittelsammlung
• Erklärbare Entscheidungen und unveränderliche Audit-Trails
• Empfehlungen zur Problembehebung
• Modell-Drift- und Ergebnisüberwachung

Dieser Artikel vergleicht zehn führende Plattformen hinsichtlich dieser Anforderungen, mit besonderem Augenmerk auf Präzision, Recall, Steigerung der Betrugserkennung, Chargeback-Ergebnisse, Analystenproduktivität, Datenschutz, Latenz, Erklärbarkeit und Modell-Drift.

Zusammenfassendes Urteil

Es gibt keinen universell besten Agenten zur Betrugserkennung. Die richtige Wahl hängt davon ab, ob das Hauptproblem Kartenbetrug, Sofortzahlungen, Kontoübernahme, Autorisierter Push-Payment-Betrug, Geldwäsche, Sanktionsprüfung oder Untersuchungskapazität ist.

Die wichtigste Schlussfolgerung ist, dass Agentenreife und Erkennungsqualität separate Dimensionen sind. Eine Plattform kann einen beeindruckenden Untersuchungscopilot haben, aber einen schwachen Recall auf Transaktionsebene. Eine andere kann eine exzellente Betrugsbewertung haben, aber begrenzte autonome Fallbearbeitung. Käufer sollten die beiden Schichten separat bewerten.

Wie Betrugserkennungsagenten funktionieren

Eine praktische Architektur zur Betrugs- und Transaktionsüberwachung besteht aus vier Schichten.

1. Echtzeit-Entscheidungsfindung

Diese Schicht bewertet eine Zahlung, bevor sie abgewickelt wird. Sie kombiniert typischerweise:

• Deterministische Regeln
• Geschwindigkeitsprüfungen
• Verhaltensprofile
• Geräte- und Sitzungssignale
• Kunden- und Gegenparteirisiko
• Historische Transaktionsmuster
• Netzwerk- oder Konsortiumsintelligenz
• Überwachtes und unüberwachtes maschinelles Lernen

Die Ausgabe ist normalerweise eine Genehmigungs-, Ablehnungs-, Halte- oder Überprüfungsentscheidung, begleitet von einem Risikoscore und Begründungscodes.

2. Graphen- und Beziehungsanalyse

Graphenbasierte Systeme verbinden:

• Kunden
• Konten
• Karten
• Geräte
• Internetadressen
• Telefonnummern
• E-Mail-Adressen
• Händler
• Begünstigte
• Gegenparteien
• Transaktionen

Dies ist besonders nützlich für Betrugsringe, Mule-Netzwerke, synthetische Identitäten, Kollusion, Kontoübernahme und Geldbewegungen über mehrere Konten hinweg.

Graphenanalyse ist jedoch nicht automatisch „Graphen-Schlussfolgerung“. Eine Visualisierung, die verbundene Entitäten zeigt, unterscheidet sich von einem Modell, das Multi-Hop-Beziehungen, Transaktionssequenzen und Netzwerkverhalten bewertet. Die besten Systeme erzeugen Beweispfade, wie zum Beispiel:

„Dieser Begünstigte erhielt Gelder von sieben kürzlich eröffneten Konten, die alle mit zwei Geräten und einer Telefonnummer verbunden waren, die zuvor mit bestätigtem Betrug in Verbindung gebracht wurden.“

3. Untersuchungsagenten

Ein Untersuchungsagent kann:

• Transaktionshistorie abrufen
• Verknüpfte Entitäten durchsuchen
• Frühere Warnungen und Dispositionen überprüfen
• Geräte- und Verhaltensinformationen prüfen
• Externe Informationen abfragen
• Verwandte Fälle identifizieren
• Eine Zeitachse erstellen
• Beweise zusammenfassen
• Eine Disposition empfehlen
• Eine interne Fallbeschreibung entwerfen
• Einen Verdachtsfallbericht vorbereiten

Der Agent sollte die Beweise zeigen, die jede Schlussfolgerung untermauern. Eine fließende Erzählung ohne Quelldokumente reicht für eine Aufsichtsbehörde oder einen erfahrenen Ermittler nicht aus.

4. Problembehebung und Feedback

Die letzte Schicht empfiehlt oder führt Aktionen aus, wie zum Beispiel:

• Die Transaktion genehmigen
• Eine stärkere Kundenauthentifizierung anfordern
• Eine vorübergehende Sperre verhängen
• Die Transaktion ablehnen
• Ein Konto sperren
• Ein Gerät oder einen Begünstigten blockieren
• Gelder zurückrufen oder zurückgeben
• Den Kunden kontaktieren
• An einen leitenden Ermittler eskalieren
• Einen Verdachtsfallbericht einreichen
• Eine erweiterte Sorgfaltspflicht einleiten
• Eine Regel erstellen oder ändern
• Verknüpfte Entitäten zu einer Beobachtungsliste hinzufügen
• Den Kunden genauer überwachen

Aktionen mit hohem Risiko sollten den Richtlinienkontrollen und der menschlichen Genehmigung unterliegen. Der Agent sollte keine uneingeschränkte Befugnis haben, Regeln zu ändern, Konten dauerhaft zu schließen oder behördliche Berichte ohne Governance einzureichen.

Wichtige Einschränkungen öffentlicher Benchmarks

Betrugsanbieter veröffentlichen oft beeindruckende Prozentangaben, aber diese Zahlen sind selten direkt vergleichbar. Öffentliche Fallstudien können berichten:

• Eine prozentuale Änderung gegenüber einer nicht offengelegten Basislinie
• Erfasster Betrugswert statt Recall auf Transaktionsebene
• Reduzierung falsch-positiver Ergebnisse ohne falsch-negative Daten
• Ergebnisse von einer Zahlungsart
• Eine kurze Testperiode
• Eine kundenspezifische Implementierung
• Eine ausgewählte Betrugstypologie
• Ein Modell, das neben anderen Kontrollen betrieben wird

Die meisten Anbieter veröffentlichen keine standardisierte Konfusionsmatrix, die Transaktionszahlen, Betrugsprävalenz, Präzision, Recall, Falsch-Positiv-Rate, Falsch-Ablehnungs-Rate, Chargeback-Ergebnisse und Konfidenzintervalle enthält.

Das bedeutet, dass die unten stehenden Rankings auf Fähigkeits-Passung und öffentlichen Beweisen basieren und nicht auf der Behauptung, dass ein Anbieter die höchste reale Präzision oder den höchsten Recall erreicht hat.

Präzision und Recall

Für einen Betrugsdetektor:

• Präzision fragt: Wie viele der als Betrug gekennzeichneten Transaktionen waren tatsächlich betrügerisch?
• Recall fragt: Von allen betrügerischen Transaktionen, wie viele wurden vom System erfasst?
• Falsch-Positiv-Rate misst legitime Aktivitäten, die fälschlicherweise als Betrug gekennzeichnet oder blockiert wurden.
• Falsch-Negativ-Rate misst Betrug, der unentdeckt blieb.

Da Betrug im Vergleich zu legitimen Aktivitäten in der Regel selten ist, kann die Genauigkeit irreführend sein. Eine aktuelle Studie, die den öffentlichen europäischen Kreditkartendatensatz verwendete, arbeitete mit 284.807 Transaktionen und einer Betrugsprävalenz von nur 0,173 Prozent, wobei chronologische Datenteilungen zur Modellierung des zeitlichen Drifts erzwungen wurden. (pubmed.ncbi.nlm.nih.gov)

Ein Modell kann sehr genau erscheinen, während es eine kommerziell signifikante Menge an Betrug übersieht. Käufer sollten Prioritäten setzen:

1. Präzision bei der tatsächlichen Überprüfungsrate
2. Recall bei der tatsächlichen Ablehnungs- oder Interventionsrate
3. Erfassung des Betrugswertes
4. Falsche Ablehnungen
5. Chargeback- und Streitfallraten
6. Genehmigungs- und Konversionsraten
7. Analystenarbeitslast
8. Leistung nach der Reifung der Labels

Überblick über öffentliche Nachweise

Die folgenden Zahlen sind, sofern nicht anders angegeben, vom Anbieter gemeldete oder aus Kundenfallstudien stammende Ergebnisse. „Nicht öffentlich bekannt gegeben“ bedeutet, dass der Anbieter keine vergleichbaren Präzisions- und Recall-Ergebnisse für die gesamte Plattform veröffentlicht.

Die 10 besten Agenten zur Betrugserkennung und Transaktionsüberwachung

1. Unit21: Beste agentenbasierte Allround-Plattform für Betrug und Finanzkriminalität

Unit21 ist eines der klarsten Beispiele für eine Plattform, die um den gesamten Workflow von der Erkennung bis zur Untersuchung herum konzipiert wurde. Ihr System kombiniert Regeln, Verhaltenssignale, Geräteintelligenz, Graphenanalyse, Informationen aus Betrugskonsortien, Fallmanagement und Agenten mit künstlicher Intelligenz.

Sein Detection Agent analysiert Transaktionen und Alarme in Echtzeit. Sein Investigation Agent sammelt Beweise, identifiziert verknüpfte Entitäten, fasst Risiken zusammen, empfiehlt Maßnahmen und erstellt Fallberichte. Die Plattform unterstützt auch Workflows von Alarm zu Fall zu Verdachtsfallbericht mit dokumentierten Untersuchungsschritten. (unit21.ai)

Wo Unit21 gut abschneidet

• Starke Eignung für Fintechs, Zahlungsunternehmen und Finanzinstitute
• Behauptet Echtzeit-Entscheidungen in unter 250 Millisekunden
• Regeln, erklärbares maschinelles Lernen, graphbasierte Regeln und Untersuchungsagenten in einer Umgebung
• Shadow-Tests, historische Validierung und Sandbox-Bereitstellung
• Kanalübergreifende Überwachung über Automated Clearing House, Überweisungen, Karten, Sofortzahlungen, Kryptowährungen und Konto-zu-Konto-Zahlungen
• Vom Agenten generierte Beweispfade statt nur narrativer Zusammenfassungen

Unit21 betont auch, dass Risikoteams sehen können, welche Variablen zu einem Machine-Learning-Score beigetragen haben, und graphbasierte Regeln verwenden können, um verborgene Beziehungen aufzudecken. (unit21.ai)

Benchmark-Bewertung

Öffentliche Materialien berichten von einer 50-prozentigen Reduzierung falsch-positiver Ergebnisse und einer 70-prozentigen Reduzierung von Betrugsverlusten in einem kundenorientierten Produktbeispiel, aber das Unternehmen veröffentlicht keinen standardisierten Präzisions-, Recall- oder Chargeback-Benchmark für alle Kunden. (unit21.ai)

Beste Wahl für: Ein wachsendes Finanztechnologieunternehmen oder Zahlungsinstitut, das eine einzige Plattform für Echtzeit-Scoring, Untersuchungen, Graphenanalyse und Behebungsworkflows wünscht.

Hauptrisiko: Käufer sollten überprüfen, ob der Untersuchungsagent Alarme automatisch schließen, nur Dispositionen empfehlen oder je nach Risikostufe unterschiedliche Aktionen ausführen darf.

2. Sardine: Am besten für Geräteintelligenz, Betrugsgraphen und digitalen Handel

Sardine kombiniert Geräteintelligenz, Verhaltensanalysen, maschinelles Lernen, Regeln, Netzwerkintelligenz, Graphenanalyse und agentenbasierte Betrugsoperationen. Es ist besonders stark dort, wo Betrug die Kundenreise vor der Transaktion betrifft, einschließlich Onboarding, Login, Kontoübernahme, Bots, synthetische Identitäten, Zahlungsbetrug und Betrugsverhalten.

Seine Graphenfunktion verbindet Benutzer, Geräte, Internetadressen, Telefonnummern, E-Mail-Adressen und Transaktionen. Seine Agenten umfassen Transaktionsüberwachung, Graphenanalyse, Regelunterstützung, Datenanalyse, Open-Source-Intelligence-Recherche, Sanktionsprüfung und Generierung von Verdachtsfallberichten. (sardine.ai)

Wo Sardine gut abschneidet

• Geräte- und Verhaltensintelligenz
• Kontoübernahme- und Bot-Erkennung
• Kanalübergreifende Identitäts- und Transaktionsanalyse
• Betrug im Händler- und Digitalhandel
• Graphenbasierte Betrugsring-Untersuchungen
• Regeln, die aus natürlichsprachlichen Beschreibungen erstellt wurden
• Automatisierte Streitfall- und Chargeback-Workflows
• Bankzahlungsrisiko vor Einreichung und Abwicklung

Sardine berichtet über mehrere kundenspezifische Ergebnisse, darunter 95 Prozent Präzision in einem Anwendungsfall für Onboarding-Entscheidungen, eine 70-prozentige Reduzierung der kartenbezogenen Chargeback-Verluste in einer Bankbereitstellung und eine Chargeback-Rate von 0,0003 Prozent in demselben Fall. Es berichtet auch, dass eine Bereitstellung 55 Prozent der Alarme in etwa 30 Sekunden behoben hat. (sardine.ai)

Benchmark-Bewertung

Sardines Chargeback-Zahlen sind kommerziell nützlich, aber die Chargeback-Rate ist nicht dasselbe wie der Recall. Eine niedrigere Chargeback-Rate kann aus einer besseren Erkennung, stärkerer Kundenauthentifizierung, strengeren Genehmigungsrichtlinien, einer anderen Händlermischung oder einer Haftungsverschiebung resultieren.

Beste Wahl für: Digitale Banken, Zahlungsunternehmen, Marktplätze, Kryptowährungsplattformen und Händler, die Identitäts-, Geräte-, Graphen- und Transaktionsintelligenz zusammen benötigen.

Hauptrisiko: Fordern Sie einen Rail-by-Rail-Benchmark an. Ergebnisse aus Onboarding- oder Kartenbetrug sollten nicht als auf Automated Clearing House-Zahlungen, Autorisierte Push-Payment-Betrügereien oder Geldwäschebekämpfung anwendbar angesehen werden.

3. Feedzai: Am besten für Entscheidungen bei großvolumigem Zahlungsbetrug

Feedzai ist eine ausgereifte Unternehmensplattform für Betrug, die sich auf großvolumige Echtzeit-Zahlungsentscheidungen konzentriert. Ihre RiskOps-Plattform kombiniert Identitäts-, Betrugs- und Geldwäschebekämpfungskontrollen, während ihre Netzwerkprodukte kollektive Intelligenz hinzufügen, ohne dass Institutionen rohe persönlich identifizierbare Informationen teilen müssen.

Feedzai IQ gibt an, dass Rohdaten in der Umgebung der Institution verbleiben, während anonymisierte Risikosignale und aggregierte Muster über das Netzwerk ausgetauscht werden. Feedzai berichtet von viermal mehr erkanntem Betrug, 50 Prozent weniger Alarmen als bei regelbasierten Ansätzen und einer 27-prozentigen Verbesserung der Zahlungsakzeptanz für Benutzer seines Netzwerkintelligenzprodukts. (feedzai.com)

Wo Feedzai gut abschneidet

• Große Banken, Zahlungsabwickler und Kartennetzwerke
• Omnichannel-Zahlungs-Scoring in Echtzeit
• Regeln und maschinelles Lernen gemeinsam genutzt
• Netzwerkintelligenz und Graphenvisualisierung
• Erklärbare Begründungscodes
• Regelerstellung in natürlicher Sprache
• Falluntersuchung und Analysten-Workflow
• Datenschutzbewusste Konsortiumsintelligenz
• Modellbereitstellung mit hohem Volumen

Feedzai berichtet, dass eine große nordamerikanische Bank eine durchschnittliche Werterkennungsrate von 75 Prozent bei einer Interventionsrate von 0,1 Prozent erzielte, zusammen mit einer Falsch-Positiv-Erkennungsrate von 12 zu 1. Es berichtet auch von einer 73-prozentigen Reduzierung falsch-positiver Ergebnisse und 62 Prozent mehr erkanntem Betrug als bei einer früheren Lösung in anderen Unternehmensbeispielen. (feedzai.com)

Die Genome-Untersuchungsfunktion von Feedzai nutzt visuelle Beziehungen zwischen Kunden, Karten, Transaktionen und anderen Entitäten. Eine Kundenfallstudie berichtete, dass eine Untersuchung, die zuvor einen halben Tag dauerte, in etwa zehn Minuten abgeschlossen werden konnte, mit einer 15-prozentigen Steigerung der Betrugserkennung bei spezifischen Alarmen. (feedzai.com)

Drift-Überwachung

Feedzai hat auch Forschung zur automatischen Modellüberwachung für Streaming-Betrugsdaten veröffentlicht. Sein Überwachungsansatz ist darauf ausgelegt, Änderungen zu identifizieren, bevor Labels verfügbar sind, und Erklärungen für die wahrscheinliche Ursache des Drifts zu liefern. Die Forschung wurde anhand von fünf realen Betrugsdatensätzen mit insgesamt über 22 Millionen Online-Transaktionen evaluiert. (research.feedzai.com)

Beste Wahl für: Große Banken, Abwickler und Zahlungsnetzwerke, die eine ausgereifte Echtzeit-Entscheidungsfindung, breite Zahlungsabdeckung und ausgefeilte Modelloperationen benötigen.

Hauptrisiko: Feedzai verfügt über ein breites Produktportfolio. Käufer sollten die genaue Kombination von Betrugsbewertung, Untersuchungsautomatisierung, Netzwerkintelligenz und Geldwäschebekämpfungsfunktionen testen, die erworben werden.

4. ComplyAdvantage Mesh: Am besten für automatisierte Transaktionsüberwachungsbehebung

ComplyAdvantage Mesh ist am stärksten in den Bereichen Geldwäschebekämpfung, Transaktionsüberwachung, Kundenprüfung, Sanktionsprüfung und Risikointelligenz. Seine jüngste Plattformstrategie integriert agentenbasierte Workflows in ein einheitliches Fallmanagementsystem.

Die Plattform gibt an, dass ihre Entscheidungskette 65 bis 85 Prozent der falsch-positiven Alarme durch eine Kombination aus Risikobewertung, KI-Agenten und Analysten beheben kann. Sie berichtet auch von mehr als 100 Transaktionen pro Sekunde mit Antwortzeiten unter einer Sekunde und der Verarbeitung von mehr als 3,5 Milliarden täglichen Nachrichten über die Plattform hinweg. (complyadvantage.com)

Wo ComplyAdvantage gut abschneidet

• Regeln und fortschrittliches maschinelles Lernen arbeiten zusammen
• Transaktionsüberwachung und Zahlungsprüfung
• Regelerstellung in natürlicher Sprache
• Graphen- und Clustering-Muster
• Automatisierte Alarmbehebung
• Fallmanagement und Audit-Trails
• Vorbereitung von Verdachtsfallberichten
• Risikointelligenz basierend auf Sanktionen, politisch exponierten Personen, negativen Medienberichten und Verhaltenssignalen
• Regionale Datensegregation und Unternehmenssicherheitskontrollen

ComplyAdvantage berichtet, dass PayNearMe die Analystenzeit für die Transaktionsüberwachung um etwa 50 Prozent reduziert hat. Paytron berichtete von einer 20-prozentigen Reduzierung falsch-positiver Ergebnisse und einer 75-prozentigen Reduzierung von Nach-Transaktionsanfragen. (complyadvantage.com)

Seine öffentlichen Plattformmaterialien beanspruchen eine Reduzierung falsch-positiver Ergebnisse um bis zu 82 Prozent, aber diese Zahlen sollten eher als vom Anbieter gemeldete Ergebnisse denn als unabhängiger Benchmark behandelt werden. (complyadvantage.com)

Datenschutz und Governance

ComplyAdvantage gibt an, dass Mesh Verschlüsselung im Ruhezustand und während der Übertragung, geografische Datentrennung, rollenbasierte Berechtigungen, Single Sign-On, International Organization for Standardization 27001, Service Organization Control 2 und DSGVO-konforme Datenverarbeitung unterstützt. Dies sind nützliche Kontrollen, aber Käufer müssen immer noch den Vertrag, Unterauftragsverarbeiter, Aufbewahrungsfristen und Modell-Trainingsbedingungen überprüfen. (complyadvantage.com)

Beste Wahl für: Zahlungsunternehmen und Finanzinstitute, deren primärer Engpass das Volumen von Geldwäschealarmen und deren Behebung ist, und nicht die Latenz bei der Kartenautorisierung.

Hauptrisiko: Validieren Sie den betrugsspezifischen Recall getrennt von der Performance der Geldwäschealarm-Behebung.

5. NICE Actimize: Am besten für Untersuchungen großer Banken und behördliche Berichterstattung

NICE Actimize ist eine Unternehmensplattform für Finanzkriminalität, die Betrugsprävention, Geldwäschebekämpfung, Sanktionen, Verdachtsfallberichte, Fallmanagement und Untersuchungs-Workflows abdeckt.

Die Plattform berichtet, dass sie mehr als fünf Milliarden Transaktionen pro Tag überwacht und Betrugserkennung auf Millisekunden-Ebene einsetzt. Sie bietet außerdem Netzwerkanalysen, typologiebasierte Risikobewertung, integrierte Untersuchungen und generative künstliche Intelligenz für Fallzusammenfassungen und Berichte über verdächtige Aktivitäten. (info.niceactimize.com)

Wo NICE Actimize gut abschneidet

• Große und komplexe Finanzinstitute
• Mehrkanal-Betrugs- und Finanzkriminalitätsprogramme
• Fallmanagement und Untersuchungs-Orchestrierung
• Vorbereitung von Verdachtsfallberichten
• Netzwerkvisualisierung
• Governance und behördliche Berichterstattung
• Human-in-the-Loop-Untersuchungs-Workflows
• Altsystem-Integration

NICE berichtet, dass seine Untersuchungskapazitäten die Untersuchungszeit um bis zu 50 Prozent und die Zeit zur Erstellung von Verdachtsfallberichten um bis zu 70 Prozent reduzieren können. Sein Xceed FraudDesk CoPilot berichtet von 80 Prozent schnellerer Alarm-Triage und -Überprüfung, einer 60-prozentigen Reduzierung der Bearbeitungszeit von Fall zu Bericht und 40 Prozent weniger falsch-positiven Ergebnissen. (resources.niceactimize.com)

Benchmark-Bewertung

NICE veröffentlicht starke Betriebs- und Skalierungsansprüche, aber weniger öffentliche Präzisions- und Recall-Daten auf Transaktionsebene. Der Käufer sollte anfordern:

• Präzision und Recall nach Betrugstypologie
• Ergebnisse vor und nach Machine-Learning-Overlays
• Wertgewichteter Recall
• Falsch-Ablehnungsraten
• Untersuchungszeit nach Fallkomplexität
• Präzision der automatischen Disposition
• Leistung unter Spitzenlast

Beste Wahl für: Große Banken, die eine breite Abdeckung von Finanzkriminalität, etablierte Governance und umfassende Funktionen für die behördliche Berichterstattung benötigen.

Hauptrisiko: Implementierungskomplexität und die Möglichkeit, dass die fortschrittlichsten Funktionen mehrere Module und umfangreiche Integrationsarbeiten erfordern.

6. Hawk: Am besten für erklärbare, latenzarme Betrugs- und Finanzkriminalitätsüberwachung

Hawk konzentriert sich auf erklärbare künstliche Intelligenz, Echtzeit-Transaktionsüberwachung, Betrugsprävention, Geldwäschebekämpfung, Sanktionsprüfung und die Konvergenz von Betrugs- und Finanzkriminalitätsoperationen.

Seine Transaktionsbetrugsplattform berichtet von einer durchschnittlichen Entscheidungszeit von 150 Millisekunden und unterstützt Automated Clearing House, Karten, Schecks, Peer-to-Peer, Überweisungen und andere Zahlungsarten. Hawk fördert auch einen hybriden Ansatz, bei dem traditionelle Regeln Ausnahmen generieren und maschinelles Lernen die Wahrscheinlichkeit bewertet, ob ein Alarm ein echtes oder ein falsch-positives Ergebnis ist. (hawk.ai)

Wo Hawk gut abschneidet

• Erklärbares maschinelles Lernen
• Echtzeit-Zahlungsuntersagung
• Regeln und maschinelles Lernen in einem Workflow
• Konvergenz von Betrug und Geldwäschebekämpfung
• Self-Service-Regelverwaltung
• Modell-Governance
• Bereitstellung als Software as a Service, Private Cloud oder On-Premise-Technologie
• Untersuchungsautomatisierung

Hawk berichtet in seinen veröffentlichten Impact-Materialien von drei- bis fünfmal höherer Präzision, 70 Prozent weniger falschen Alarmen, 30 Prozent mehr identifizierten betrügerischen Kunden und einer 62-prozentigen Reduzierung der Untersuchungszeit für Geldwäsche. (hawk.ai)

Sein Untersuchungsagent von 2026 erweitert Hawk über die Erkennung und Alarmpriorisierung hinaus auf die Beweismittelsammlung und Untersuchungsunterstützung. (hawk.ai)

Benchmark-Bewertung

Hawks Positionierung bezüglich Erklärbarkeit und Latenz ist überzeugend, aber ein Präzisionsmultiplikator ist ohne die ursprüngliche Präzision, Population, Testperiode und Interventionsrate schwer zu bewerten. Käufer sollten die vollständige Präzisions-Recall-Kurve und nicht nur die behauptete prozentuale Verbesserung anfordern.

Beste Wahl für: Banken, Zahlungsunternehmen und Finanzinstitute, die Erklärbarkeit, schnelle Bereitstellung, Echtzeit-Interdiktion und flexible Bereitstellung priorisieren.

Hauptrisiko: Bestätigen Sie, ob der Untersuchungsagent über ausreichende betrugsspezifische Fähigkeiten verfügt oder hauptsächlich für Geldwäscheuntersuchungen optimiert ist.

7. Featurespace: Am besten für adaptive Verhaltensbetrugserkennung

Featurespace zeichnet sich durch Adaptive Behavioral Analytics und seine automatisierten Deep Behavioral Networks aus. Anstatt sich primär auf bekannte schlechte Indikatoren zu verlassen, modelliert die Plattform normales Verhalten und identifiziert signifikante Abweichungen.

Dieser Ansatz ist nützlich, wenn Betrüger legitime Aktivitäten imitieren oder wenn die Institution nur begrenzte bestätigte Betrugs-Labels hat. Featurespace gibt an, dass seine Modelle sich an verändertes Verhalten anpassen und weniger manuelles Retraining erfordern, während Analystenentscheidungen in die zukünftige Überwachung zurückfließen. (staging.www.featurespace.com)

Wo Featurespace gut abschneidet

• Kartenbetrug
• Konto-zu-Konto-Zahlungen
• Autorisierter Push-Payment-Betrug
• Antragsbetrug
• Synthetische Identität
• Adaptive Kundenprofilierung
• Reduzierung der Modellverschlechterung
• Großvolumiges Echtzeit-Transaktions-Scoring

Öffentliche Kundenbeweise gehören zu den stärksten für die Betrugserfassung. Central 1 berichtete von 79 Prozent Betrugserfassungsvolumen, beschrieben als eine Steigerung von 51 Prozent gegenüber ihrem Industriestandard, und 67 Prozent Betrugserfassungswert bei gleichzeitiger Beibehaltung eines 2-zu-1-Falsch-Positiv-Verhältnisses. (featurespace.com)

NatWest berichtete in einer späteren Fallstudienzusammenfassung von einer 135-prozentigen Verbesserung des Werts der erkannten Betrügereien und einer 75-prozentigen Reduzierung der falsch-positiven Ergebnisse. Frühere Materialien berichteten von einem 50-prozentigen Anstieg des erkannten Betrugs- und Betrugswerts innerhalb von 24 Stunden nach der Bereitstellung. (featurespace.com)

Featurespace berichtet auch, dass TSYS eine Milliarde Transaktionen pro Monat bewertet und dass in einer Fallstudie von 2025 77,8 Prozent der beanstandeten Transaktionen betrügerisch waren. (featurespace.com)

Benchmark-Bewertung

Featurespace verfügt über starke öffentliche Nachweise für die Erfassung von Betrugswerten und adaptive Verhaltensmodellierung, aber weniger öffentliche Nachweise für autonome Untersuchungsagenten und Empfehlungen zur Problembehebung.

Beste Wahl für: Emittenten, Banken, Abwickler und Zahlungsdienstleister, bei denen sich änderndes Kundenverhalten und Modellverschlechterung große Bedenken hervorrufen.

Hauptrisiko: Stellen Sie sicher, dass die Fallmanagement- und Untersuchungsfunktionen der Plattform den gleichen Standards entsprechen wie ihr Transaktions-Scoring.

8. Quantexa: Am besten für graphbasierte Entitätsauflösung und kontextbezogene Untersuchungen

Quantexa ist am stärksten, wenn das Betrugs- oder Finanzkriminalitätssignal über Beziehungen verteilt ist, anstatt in einer einzigen Transaktion sichtbar zu sein.

Ihre Plattform erstellt eine verbundene Ansicht von Kunden und Gegenparteien durch Entitätsauflösung und Graphengenerierung. Die kontextbezogene Überwachung bewertet Transaktionen zusammen mit Beziehungen, Eigentümerstrukturen, historischen Aktivitäten und externen Informationen. Q Assist unterstützt Untersuchungs- und Berichtsgenerierungs-Workflows. (quantexa.com)

Wo Quantexa gut abschneidet

• Entitätsauflösung
• Analyse von Gegenparteien und wirtschaftlichem Eigentum
• Geldkurier- und Geldwäschenetzwerke
• Komplexe Untersuchungen
• Kontextuelle Geldwäschebekämpfungsüberwachung
• Graphbasierte Risikopriorisierung
• Behördliche Berichterstattung
• Datenvereinheitlichung über fragmentierte Systeme hinweg

Quantexa berichtet von einer Reduzierung falsch-positiver Ergebnisse um bis zu 75 Prozent, einer Reduzierung des Untersuchungsaufwands um 50 Prozent oder mehr und dass bis zu 40 Prozent der von Quantexa identifizierten Risiken von Altsystemen übersehen wurden. Eine andere öffentliche Impact-Seite berichtet von einer Reduzierung der Untersuchungszeit um bis zu 80 Prozent im großen Maßstab. (quantexa.com)

Benchmark-Bewertung

Quantexa ist normalerweise nicht die erste Wahl für eine Kartenautorisierungsentscheidung in unter 100 Millisekunden. Sein Wert liegt oft eher in der kontextuellen Risikoanalyse, Netzwerkentdeckung und Untersuchungsbeschleunigung.

Graphenbasierte Methoden können sehr effektiv sein, aber Käufer müssen testen:

• Präzision der Entitätsauflösung
• Falsche Verknüpfungen zwischen nicht verwandten Kunden
• Graphenaktualisierungsfrequenz
• Latenz der Multi-Hop-Suche
• Erklärbarkeit von Graphenmerkmalen
• Leistung bei unvollständigen Beziehungsdaten

Beste Wahl für: Große Banken und regulierte Institutionen, deren schwierigste Fälle verborgene Beziehungen, Gegenparteien, Mule-Netzwerke oder fragmentierte Daten betreffen.

Hauptrisiko: Integrations- und Datenfundamentarbeiten können erheblich sein, bevor graphbasierte Schlussfolgerungen zuverlässige Ergebnisse liefern.

9. Nasdaq Verafin: Am besten für konsortienbasierte Betrugsoperationen von Gemeinschaftsbanken

Nasdaq Verafin bedient Banken und Kreditgenossenschaften mit Betrugserkennung, Geldwäschebekämpfung, Sanktionsprüfung, Risikokundenmanagement, Informationsaustausch und Untersuchungstools. Nasdaq berichtet, dass Verafin mehr als 2.750 nordamerikanische Finanzinstitute bedient und Konsortiumsinformationen auf der Grundlage von Daten aus Tausenden von Institutionen nutzt. (ir.nasdaq.com)

In den Jahren 2025 und 2026 führte Nasdaq seine Agentic Artificial Intelligence Workforce ein, darunter digitale Sanktionsanalysten, Analysten für erweiterte Sorgfaltspflichten, einen agentenbasierten Geldwäscheanalysten und einen agentenbasierten Betrugsanalysten. Der angekündigte Betrugsanalyst konzentriert sich zunächst auf ungewöhnliche Automated Clearing House-Aktivitäten. Die Plattform unterstützt den Empfehlungsmodus, Qualitätssicherung, konfigurierbare menschliche Überprüfung und die geplante automatische Disposition falsch-positiver Alarme. (nasdaq.com)

Wo Verafin gut abschneidet

• Gemeinschafts- und regionale Finanzinstitute
• Konsortiumsintelligenz
• Automated Clearing House, Scheck-, Überweisungs- und Einlagenbetrug
• Erkennung und Meldung von Finanzkriminalität
• Entitätsforschung
• Informationsaustausch zwischen Finanzinstituten
• Menschlich gesteuerte agentenbasierte Workflows

Benchmark-Bewertung

Verafins Konsortiumsmodell ist strategisch wichtig, da ein Krimineller Aktivitäten über viele Institutionen verteilen kann. Öffentliche Materialien liefern jedoch keinen standardisierten Präzisions-, Recall-, Chargeback- oder Analystenzeit-Benchmark für die neuen agentenbasierten Mitarbeiter.

Einige Funktionen wurden für eine schrittweise Einführung in der zweiten Hälfte des Jahres 2026 angekündigt. Käufer sollten genau bestätigen, welche Mitarbeiter, Typologien, Kontrollen zur automatischen Disposition und Bereitstellungsoptionen am Vertragsdatum allgemein verfügbar sind. (nasdaq.com)

Beste Wahl für: Nordamerikanische Banken und Kreditgenossenschaften, die eine sektorspezifische Plattform mit Konsortiumsintelligenz und schrittweise expandierender agentenbasierter Automatisierung suchen.

Hauptrisiko: Die neuesten agentenbasierten Funktionen sind weniger ausgereift als die zugrunde liegende Verafin-Plattform für Betrugs- und Geldwäschebekämpfung.

10. FICO Platform: Am besten für regulierte Unternehmensentscheidungen

FICO ist am besten als Unternehmensplattform für Entscheidungsfindung und Modell-Governance mit umfassenden Betrugsfähigkeiten zu betrachten, und nicht als einzelner autonomer Untersuchungsagent.

FICOs Betrugsportfolio umfasst Echtzeit-Transaktions-Scoring, Betrugskonsortiumsmodelle, adaptive Verhaltensanalysen, Strategiemanagement, Modellentwicklung, Optimierung und Erklärbarkeit. FICO hat auch temporale Erklärungen hervorgehoben, die relevante vergangene Transaktionen identifizieren, die zu einer Entscheidung beitragen. (investors.fico.com)

Die Investorenmaterialien von 2026 beschreiben die FICO-Plattform als „agentenbasiert von Design“, mit erklärbarer und auditierbarer künstlicher Intelligenz, Betrugskonsortiumsmodellen, die auf Milliarden von Transaktionen trainiert wurden, und Tools zum Erstellen, Testen, Optimieren und Überwachen von Entscheidungen. (investors.fico.com)

Wo FICO gut abschneidet

• Große Finanzinstitute mit internen Data-Science-Teams
• Kontrollierte Entwicklung von Entscheidungsstrategien
• Modell-Governance und Lebenszyklusmanagement
• Echtzeit-Betrugs-Scoring
• Betrugskonsortiumsintelligenz
• Unternehmensweite Entscheidungs-Orchestrierung
• Erklärbare Modellbereitstellung
• Integration mit bestehenden Entscheidungssystemen

FICO berichtet, dass seine spezialisierten Finanzdienstleistungsmodelle in einigen Transaktionsanalysemodellen, einschließlich der Betrugserkennung, einen Anstieg von mehr als 35 Prozent erzielen können. Velera berichtete von einer 85-prozentigen Reduzierung der Betrugswarnzeit und einer 76-prozentigen Steigerung der Effizienz der Karteninhaber-Selbstbedienung nach der Implementierung der FICO-Plattformfunktionen. (investors.fico.com)

Beste Wahl für: Große Institutionen, die eine umfassende Kontrolle über Daten, Modelle, Strategien, Tests und Governance wünschen.

Hauptrisiko: Organisationen benötigen möglicherweise erhebliches internes Fachwissen, um den vollen Wert der Plattform zu nutzen.

Vergleich von graphbasierter Argumentation mit Regeln und maschinellem Lernen

Reine Regelsysteme

Stärken:

• Hochgradig erklärbar
• Schnell und deterministisch
• Leicht auf Richtlinien abbildbar
• Nützlich für bekannte Typologien
• Einfach zu testen und wiederzugeben

Schwächen:

• Erzeugen große Mengen falsch-positiver Ergebnisse
• Können durch kleine Verhaltensänderungen umgangen werden
• Erfordern ständige Regelwartung
• Versagen oft bei der Identifizierung neuer Betrugsmuster
• Haben Schwierigkeiten mit kontoübergreifenden Beziehungen

Regeln sollten Teil der Architektur bleiben, da sie Leitplanken und klare Kontrollen bieten. Sie sollten nicht die gesamte Erkennungsstrategie darstellen.

Hybride aus Regeln und maschinellem Lernen

Hybridsysteme bieten im Allgemeinen den besten operativen Kompromiss. Regeln behandeln harte Einschränkungen und bekannte Risiken, während maschinelles Lernen Folgendes behandelt:

• Verhaltensabweichungen
• Kundenspezifische Muster
• Peer-Group-Anomalien
• Risikobewertung
• Reduzierung falsch-positiver Ergebnisse
• Dynamische Priorisierung
• Neu auftretendes Verhalten

Featurespace, Hawk, Feedzai, Unit21, ComplyAdvantage, FICO und mehrere andere Plattformen verwenden Variationen dieses hybriden Musters. Hawk beschreibt explizit einen zweistufigen Prozess, bei dem Regeln Ausnahmen generieren und maschinelles Lernen bewertet, ob diese Ausnahmen wahrscheinlich echt oder falsch-positiv sind. (insights.hawk.ai)

Graphbasierte Argumentation

Graphenmethoden sind am stärksten, wenn die Beweise über Entitäten und Zeit verteilt sind. Sie können identifizieren:

• Gemeinsam genutzte Geräte über Konten hinweg
• Wiederverwendete Telefonnummern
• Gemeinsame Begünstigte
• Fan-in- und Fan-out-Geldflüsse
• Schnelles Durchlaufverhalten
• Koordinierte Händleraktivität
• Synthetische Identitätscluster
• Mule-Netzwerke
• Kollusion

Ein Graphenmodell kann den Recall für organisierten Betrug verbessern und gleichzeitig den Bedarf an der Untersuchung isolierter Alarme reduzieren. Graphensysteme stellen jedoch zusätzliche Anforderungen:

• Hochwertige Entitätsauflösung
• Häufige Graphenaktualisierungen
• Datenschutzkontrollen für Beziehungen
• Latenzmanagement für Multi-Hop
• Schutz vor fehlerhaften Links
• Klare Erklärungen des Pfades, der das Risikosignal erzeugt hat

Eine graphenbasierte Kreditkartenbetrugsstudie von 2024 berichtete von einer Präzision von 0,82 und einem Recall von 0,92, aber diese Zahlen stammen aus einem spezifischen Forschungsdatensatz und einer experimentellen Einrichtung. Sie sollten nicht direkt mit Anbieterfallstudien oder Produktions-Chargeback-Raten verglichen werden. (sciencedirect.com)

Agentenbasierte Untersuchung

Agenten sind am wertvollsten, nachdem ein Signal erstellt wurde. Sie können die Zeit für die Beweismittelsammlung und die Berichtserstellung reduzieren, sollten aber nicht als Ersatz für ein kalibriertes Betrugsmodell behandelt werden.

Die empfohlene Architektur ist:

1. Synchrone Regeln und maschinelles Lernen für die Transaktionsentscheidung
2. Schnelle Graphenfunktionen für sofortiges Beziehungsrisiko
3. Asynchrone Graphenerkundung für tiefere Untersuchungen
4. Ein Untersuchungsagent für die Beweismittelsammlung und Fallvorbereitung
5. Richtlinienkontrollierte Problembehebung
6. Menschliche Genehmigung für irreversible oder hochrangige Aktionen

Erklärbarkeit für behördliche Überprüfungen

„Erklärbare künstliche Intelligenz“ kann verschiedene Dinge bedeuten. Käufer sollten unterscheiden zwischen:

1. Begründungscodes
   Beispiele sind ungewöhnlicher Betrag, neues Gerät, hohe Geschwindigkeit oder risikoreiche Gegenpartei.

2. Merkmalsattribution
   Das System zeigt, welche Variablen am meisten zu einer Bewertung beigetragen haben.

3. Beweisgestützte Begründung
   Das System verknüpft die Entscheidung mit tatsächlichen Transaktionen, Geräten, Konten und externen Aufzeichnungen.

4. Richtlinienbegründung
   Das System erklärt, welche Regel, Richtlinie, Schwelle oder Risikobereitschaftseinstellung angewendet wurde.

5. Agentenbegründung und Toolhistorie
   Der Audit-Trail zeichnet auf, welche Quellen der Agent konsultierte, was er abrief, was er schlussfolgerte und welche Aktion er empfahl.

Für eine Aufsichtsbehörde reicht eine natürlichsprachliche Zusammenfassung allein nicht aus. Das Audit-Paket sollte enthalten:

• Transaktions- und Kundendaten, die zum Zeitpunkt der Entscheidung verwendet wurden
• Modellversion
• Regeln- und Richtlinienversion
• Merkmalswerte
• Score und Schwelle
• Begründungscodes
• Verwendete Graphenbeziehungen
• Externe Datenquellen
• Agentenaufforderungen oder Aufgabenanweisungen
• Abgerufene Beweise
• Tool-Aufrufe
• Menschliche Überschreibungen
• Endgültige Aktion
• Zeitstempel
• Datenherkunft
• Änderungen, die nach der ursprünglichen Entscheidung vorgenommen wurden
• Eine reproduzierbare Wiedergabeprozedur

Die überarbeitete Modellrisikoleitlinie der Federal Reserve von 2026 betont die Ergebnisalyse, die laufende Überwachung, die Dokumentation und die Validierung von Anbieterprodukten. Sie besagt auch, dass Institutionen weiterhin dafür verantwortlich sind, Anbietermodelle, deren Einschränkungen, Entwicklungsdaten und Leistung zu verstehen. Die Leitlinie schließt generative und agentenbasierte Modelle von ihrem formellen Geltungsbereich aus, besagt jedoch, dass Organisationen dennoch angemessene Governance und Kontrollen für Tools einrichten sollten, die nicht von der Leitlinie abgedeckt sind. (federalreserve.gov)

Der Payment Card Industry Security Standards Council empfiehlt in ähnlicher Weise die Protokollierung und Überwachung von Aktionen der künstlichen Intelligenz, die Identifizierung einer verantwortlichen Person und die Speicherung ausreichender Informationen, um Eingabeaufforderungen und Denkprozesse, wo möglich, zu prüfen. (blog.pcisecuritystandards.org)

Ein nützliches Prinzip ist:

Eine plausible Erklärung ist kein Beweis dafür, dass die Entscheidung korrekt war.

Forschungsergebnisse, die 2026 veröffentlicht wurden, argumentieren, dass die Qualität der Begründung eines Untersuchungsagenten getrennt von der Qualität seiner zugrundeliegenden Betrugsentscheidung bewertet werden muss. (arxiv.org)

Messung der Steigerung der Betrugserfassung im Vergleich zu Chargebacks

Die Steigerung der Betrugserfassung und die Reduzierung von Chargebacks sind verwandt, aber unterschiedlich.

Steigerung der Betrugserfassung

Eine nützliche Kennzahl ist:

Steigerung der Betrugserfassung = erfasster Betrug nach der Bereitstellung minus erfasster Betrug vor der Bereitstellung, geteilt durch erfasster Betrug vor der Bereitstellung

Dies sollte separat berechnet werden für:

• Anzahl der Transaktionen
• Betrugswert
• Bestätigter unautorisierter Betrug
• Autorisierter Push-Payment-Betrug
• Kontoübernahme
• Kartenbetrug ohne physische Karte
• Eigenbetrug
• Synthetische Identität
• Händlerbetrug
• Geldkurieraktivität

Chargeback-Rate

Die Chargeback-Rate sollte berechnet werden als:

Anzahl der Chargebacks geteilt durch abgewickelte Transaktionen

Messen Sie auch:

• Chargeback-Wert
• Chargeback-Basispunkte
• Erfolgsquote der Widerspruchseinlegung
• Kundenstreitfallrate
• Betrugsbezogene Chargebacks versus servicebezogene Streitfälle
• Zeit von Transaktion bis Chargeback
• Chargeback-Wiederherstellungskosten
• Kundenbeschwerden
• Falsche Ablehnungen
• Genehmigungsrate

Eine Plattform kann Chargebacks reduzieren, indem sie mehr Transaktionen ablehnt, was jedoch den Umsatz schädigen kann. Umgekehrt kann eine Plattform die Genehmigungen erhöhen, während sie den Betrugswert durch bessere Zielgenauigkeit senkt.

Die korrekte Geschäftsmetrik ist daher nicht die „niedrigste Chargeback-Rate“. Sie ist:

Maximaler Betrugswert, der verhindert und wiedergewonnen wird, zu akzeptablen Kosten für falsche Ablehnungen, Genehmigungen, Kundenreibung und Betriebskosten.

Latenz bei Spitzenlasten

Anbieter-Latenzangaben sind nicht direkt vergleichbar. Eine Angabe kann sich beziehen auf:

• Durchschnittliche Latenz
• Median-Latenz
• 95. Perzentil-Latenz
• 99. Perzentil-Latenz
• Nur-Modell-Latenz
• End-to-End-Latenz
• Warm-Cache-Leistung
• Eine einzelne Zahlungsart
• Eine Testumgebung statt Produktion

Öffentliche Beispiele umfassen Unit21s Behauptung einer Entscheidungsfindung in unter 250 Millisekunden, Hawks durchschnittliche Transaktionsbetrugsentscheidung in 150 Millisekunden, ComplyAdvantages Behauptungen von unter einer Sekunde und mehr als 100 Transaktionen pro Sekunde sowie NICE Actimizes Millisekunden-Marketingaussagen. (unit21.ai)

Ein ernsthafter Leistungstest sollte messen:

• Median-Latenz
• 95. Perzentil-Latenz
• 99. Perzentil-Latenz
• Maximaler nachhaltiger Durchsatz
• Spitzen-Burst-Durchsatz
• Kaltstart-Latenz
• Abhängigkeits-Timeout-Verhalten
• Warteschlangenwachstum
• Fail-Open- und Fail-Closed-Verhalten
• Latenz nach Zahlungsart
• Latenz mit Graphenanreicherung
• Latenz mit Konsortiumsabfragen
• Latenz während Modellaktualisierungen
• Regionale Failover-Leistung

Der Untersuchungsagent sollte normalerweise außerhalb des kritischen Zahlungspfades liegen. Eine Zahlung sollte nicht auf eine Open-Source-Intelligence-Suche, eine große Graphen-Durchquerung oder eine generative Erzählung warten. Die Transaktionsentscheidung sollte schnell abgeschlossen werden, während tiefere Untersuchungen asynchron erfolgen.

Datenschutz und Sicherheit

Betrugssysteme verarbeiten hochsensible Informationen, darunter Finanztransaktionen, Kontobeziehungen, Gerätedaten, Identitätsdatensätze und Verhaltensmuster.

In den Vereinigten Staaten verlangt der Gramm-Leach-Bliley Act von den betroffenen Finanzinstituten, die Praktiken des Informationsaustauschs zu erläutern und sensible Kundeninformationen zu schützen. Die Safeguards Rule der Federal Trade Commission legt ebenfalls Verpflichtungen für betroffene Institutionen fest und erfordert die Beachtung von Dienstleistern, die Kundendaten verarbeiten. (ftc.gov)

Die Datenschutz-Grundverordnung legt zusätzliche Beschränkungen für Entscheidungen fest, die ausschließlich auf automatisierter Verarbeitung beruhen, wenn diese Entscheidungen rechtliche oder ähnlich bedeutsame Auswirkungen haben. Sie erfordert auch geeignete Schutzmaßnahmen, einschließlich des Rechts auf menschliches Eingreifen in relevanten Umständen. (eur-lex.europa.eu)

Der Payment Card Industry Data Security Standard gilt für Unternehmen, die Karteninhaberdaten speichern, verarbeiten oder übertragen. Der Payment Card Industry Security Standards Council empfiehlt Tokenisierung, Segmentierung, Verschlüsselung, Zugriffskontrollen, Protokollierung und eine verantwortungsvolle menschliche Aufsicht für KI-Systeme, die in Zahlungsumgebungen eingesetzt werden. (pcisecuritystandards.org)

Fragen zum Datenschutz, die jedem Anbieter gestellt werden sollten

1. Trainieren Kundendaten ein geteiltes Modell?
2. Kann der Kunde dem Modelltraining widersprechen?
3. Werden personenbezogene Daten entfernt oder tokenisiert?
4. Werden Zahlungskartennummern durch Token ersetzt?
5. Wo werden Daten gespeichert und verarbeitet?
6. Können Daten innerhalb einer ausgewählten geografischen Region verbleiben?
7. Werden Konsortiumssignale anonymisiert?
8. Werden Rohdaten von Kunden mit anderen Institutionen geteilt?
9. Wie lange ist die Aufbewahrungsfrist?
10. Können Daten bei Vertragsbeendigung gelöscht werden?
11. Welche Unterauftragsverarbeiter erhalten die Daten?
12. Werden Prompts von großen Sprachmodellen gespeichert?
13. Kann der Untersuchungsagent auf externe Websites zugreifen?
14. Sind Agenten-Tools durch Rolle und Richtlinie eingeschränkt?
15. Sind Falldatensätze im Ruhezustand und während der Übertragung verschlüsselt?
16. Kann die Institution jeden Datenzugriff prüfen?
17. Sind Private Cloud- oder On-Premise-Bereitstellungen verfügbar?

Feedzai beschreibt einen föderierten Ansatz, bei dem Rohkundendaten lokal verbleiben, während anonymisierte Signale ausgetauscht werden. ComplyAdvantage beschreibt geografische Trennung und Unternehmenssicherheitskontrollen. Hawk bewirbt Software-as-a-Service-, Private-Cloud- und On-Premise-Bereitstellungsoptionen. Unit21s Käuferleitfaden betont Datenisolation, Verschlüsselung, regionales Hosting, Modelltrainingsbeschränkungen, Feedback-Kontrollen und Qualitätssicherung. (feedzai.com)

Dies sind nützliche Designentscheidungen, aber keine beweist automatisch die Einhaltung gesetzlicher Vorschriften. Die Institution bleibt für ihre Datenverarbeitungsvereinbarungen, Datenschutzerklärungen, Risikobewertung und die Aufsicht über Dritte verantwortlich.

Überwachung des Modell-Drifts

Betrug ist antagonistisch. Sobald eine Kontrolle wirksam wird, ändern Kriminelle Geräte, Beträge, Händler, Begünstigte, Zahlungszeiten, Identitätsinformationen oder Transaktionspfade.

Ein Modellüberwachungsprogramm sollte Folgendes verfolgen:

Daten-Drift

• Änderungen der Transaktionsbeträge
• Neue Händlerkategorien
• Neue Länder oder Regionen
• Geräte- und Browseränderungen
• Fehlende oder verzögerte Felder
• Neue Zahlungsarten
• Änderungen in der Kundenstruktur
• Änderungen in der Gegenparteienstruktur

Vorhersage-Drift

• Score-Verteilung
• Alarmvolumen
• Ablehnungsvolumen
• Überprüfungs-Volumen
• Rate der automatischen Disposition
• Schwellenwertstabilität
• Kalibrierung

Ergebnis-Drift

• Präzision nach Reifung der Labels
• Recall
• Erfassung des Betrugswertes
• Chargeback-Rate
• Falsche Ablehnungen
• Kundenbeschwerden
• Ergebnisse von Streitfällen
• Analystenüberschreibungen
• Konvertierung von Verdachtsfallberichten

Operativer Drift

• Untersuchungszeit
• Warteschlangenalter
• Analysten-Interaktionen pro Fall
• Fehler beim Abrufen von Beweismitteln
• Agenten-Tool-Fehler
• Halluzinierte oder unbegründete Behauptungen
• Regeländerungen
• Modellversionsänderungen
• Ausfälle von Datenquellen

Die Leitlinie der Federal Reserve von 2026 empfiehlt eine kontinuierliche Überwachung und Ergebnisanalyse, um festzustellen, ob Modelle weiterhin genau, zweckmäßig und zuverlässig sind, wenn sich Produkte, Kunden, Risiken und Marktbedingungen ändern. (federalreserve.gov)

Featurespace betont adaptive Verhaltensmodelle, die darauf abzielen, manuelles erneutes Training zu reduzieren. Feedzai hat Forschung zur Erkennung von Streaming-Drift veröffentlicht, bevor Labels verfügbar sind. Unit21 bietet Shadow-, Validierungs- und Sandbox-Modi zum Testen neuer Betrugslogik. ComplyAdvantage bietet Metriken zur Regelleistung wie Trefferquoten und Falsch-Positiv-Trends. Hawk fördert das Modell-Lebenszyklusmanagement und die automatische Modell-Governance. (staging.www.featurespace.com)

Eine besonders wichtige Kontrolle ist die Überwachung verzögerter Labels. Chargebacks und bestätigte Betrugs-Labels können Wochen oder Monate nach der ursprünglichen Entscheidung eintreffen. Organisationen sollten nicht auf endgültige Betrugs-Labels warten, bevor sie plötzliche Änderungen in Eingabeverteilungen, Alarmmustern oder Kundenverhalten überwachen.

Empfohlene Käufer-Scorecard

Eine praktische Bewertung kann Gewichte wie folgt zuweisen:

Fordern Sie von jedem Anbieter dieselbe Bewertung an:

1. Stellen Sie eine historische Transaktionsstichprobe mit bestätigten Ergebnissen bereit.
2. Verwenden Sie eine chronologische statt einer zufälligen Testaufteilung.
3. Führen Sie eine stille Produktionswiedergabe durch.
4. Vergleichen Sie mit den aktuellen Regeln und Modellen.
5. Messen Sie die Präzision bei der tatsächlichen Überprüfungsrate.
6. Messen Sie den Recall bei der tatsächlichen Ablehnungsrate.
7. Berichten Sie über den erfassten Betrugswert.
8. Berichten Sie über Chargeback- und Falsch-Ablehnungs-Effekte.
9. Messen Sie Median-, 95.-Perzentil- und 99.-Perzentil-Latenz.
10. Messen Sie Analystenminuten pro Alarm und pro Fall.
11. Testen Sie Spitzenverkehr und Abhängigkeitsfehler.
12. Überprüfen Sie Erklärungen mit Betrugsanalysten und Compliance-Beauftragten.
13. Testen Sie den Modell-Drift über Länder, Produkte, Händler und Zahlungsarten hinweg.
14. Prüfen Sie Agentenempfehlungen anhand von Quellbeweisen.
15. Halten Sie Aktionen mit hohem Wert während des Pilotprojekts im Modus der menschlichen Überprüfung.

Marktlücken und eine bessere zu entwickelnde Lösung

Die größte Marktlücke ist kein weiterer Betrugsscore. Es ist eine standardisierte, beweis-native Plattform für Betrugsoperationen, die Anbieteransprüche messbar und behördliche Überprüfungen reproduzierbar macht.

Eine stärkere Lösung würde Folgendes umfassen.

1. Eine Zwei-Geschwindigkeits-Architektur

• Synchrone Transaktionsentscheidung in unter 100 Millisekunden
• Asynchrone Graphenerweiterung und Untersuchung
• Separate Agenten-Umgebungen für Forschung und Problembehebung
• Keine Abhängigkeit von großen Sprachmodellen im Zahlungsgenehmigungspfad

2. Ein universelles Bewertungs-Framework

Die Plattform sollte automatisch berechnen:

• Präzision
• Recall
• Präzision bei festen Überprüfungsraten
• Recall bei festen Ablehnungsraten
• Erfassung des Betrugswertes
• Chargeback-Rate
• Falsch-Ablehnungsrate
• Genehmigungsrate
• Eingesparte Analystenzeit
• Falllösungszeit
• 95.- und 99.-Perzentil-Latenz
• Drift nach Segment und Typologie

Dies würde es Institutionen ermöglichen, Anbieter unter Verwendung derselben Definitionen zu vergleichen.

3. Wiedergabepakete für Regulierungsbehörden

Für jede wesentliche Entscheidung sollte das System Folgendes aufbewahren:

• Eingabedaten
• Modellversion
• Regelnversion
• Graphenversion
• Score
• Schwelle
• Begründungscodes
• Beweise
• Agentenaktionen
• Menschliche Überschreibungen
• Endgültige Entscheidung
• Reproduzierbare Wiedergabeanweisungen

4. Datenschutzfreundliche Netzwerkintelligenz

Ein zukünftiges Konsortium sollte unterstützen:

• Föderiertes Lernen
• Sichere Mehrparteienberechnung
• Tokenisierte Identifikatoren
• Differentielle Privatsphäre, wo angebracht
• Regionale Verarbeitung
• Von der Institution kontrollierte Datenaufbewahrung
• Transparente Konsortiums-Governance

5. Sichere Orchestrierung der Problembehebung

Agenten sollten Aktionen gemäß konfigurierbaren Risikostufen empfehlen und ausführen:

• Falsch-positive Ergebnisse mit geringem Risiko können automatisch geschlossen werden
• Fälle mit mittlerem Risiko können die Genehmigung eines Analysten erfordern
• Hochwertige Zahlungen können eine doppelte Genehmigung erfordern
• Kontoschließungen können eine menschliche Entscheidung erfordern
• Regeländerungen sollten Tests und Versionskontrolle erfordern
• Behördliche Einreichungen sollten eine verantwortliche menschliche Unterschrift erfordern

6. Bewertung der Beweisqualität

Das System sollte nicht nur die Betrugsentscheidung bewerten, sondern auch die Qualität der sie unterstützenden Beweise:

• Sind alle Behauptungen mit Quelldatensätzen verknüpft?
• Hat der Agent veraltete Informationen verwendet?
• Hat es widersprüchliche Beweise ausgelassen?
• Hat es eine verwandte Entität mit dem Subjekt verwechselt?
• Hat es eine Aktion außerhalb der Richtlinie empfohlen?
• Kann ein anderer Ermittler die Schlussfolgerung reproduzieren?

Dies würde dazu beitragen, geschönte, aber unbegründete Untersuchungsberichte zu verhindern.

Fazit

Die besten Agenten zur Betrugserkennung und Transaktionsüberwachung sind nicht einfach nur Chatbots, die an Alarmwarteschlangen angeschlossen sind. Es handelt sich um geschichtete Risikosysteme, die Echtzeit-Regeln, maschinelles Lernen, Verhaltensanalyse, Graphenintelligenz, Untersuchungsautomatisierung, Erklärbarkeit und kontrollierte Problembehebung kombinieren.

Für die meisten Institutionen ist die stärkste Zielarchitektur:

1. Regeln für klare Richtlinienkontrollen
2. Maschinelles Lernen für die Bewertung von Verhaltensrisiken
3. Graphenanalyse für verbundenen Betrug und Finanzkriminalität
4. Untersuchungsagenten zur Beweismittelsammlung
5. Menschliche Genehmigung für wesentliche Aktionen
6. Kontinuierliche Überwachung auf Drift, Latenz, Datenschutz und Ergebnisqualität

Unit21 und Sardine sind besonders überzeugend für agentenbasierte Betrugsoperationen und digitale Finanzdienstleistungen. Feedzai und Featurespace verfügen über starke Nachweise bei der großflächigen Erkennung von Zahlungsbetrug. ComplyAdvantage und NICE Actimize sind gute Wahlmöglichkeiten für Transaktionsüberwachung, Untersuchungen und behördliche Berichterstattung. Hawk zeichnet sich durch erklärbare Echtzeit-Entscheidungsfindung aus. Quantexa ist besonders stark bei graphbasierten kontextuellen Untersuchungen. Nasdaq Verafin ist gut positioniert für konsortienbasierte nordamerikanische Finanzkriminalitätsoperationen, während FICO eine starke Option für Institutionen ist, die eine umfassende Kontrolle über Entscheidungsfindung und Modell-Governance wünschen.

Das entscheidende Kaufkriterium sollte nicht die beeindruckendste Demonstration künstlicher Intelligenz sein. Es sollte sein, ob die Plattform auf den eigenen Daten der Institution und im Produktionsmaßstab Folgendes demonstrieren kann:

• Höherer Betrugs-Recall
• Bessere Präzision
• Mehr Betrugswert erfasst
• Weniger Chargebacks ohne übermäßige Ablehnungen
• Weniger Analystenzeit
• Zuverlässige Latenz bei Spitzenlast
• Verteidigbare Erklärungen
• Starke Datenschutzkontrollen
• Messbarer Widerstand gegen Modell-Drift