To read this blog in English, click here.

Wenn man ein Mitglied eines Fraud-Teams einer deutschen Bank – oder ehrlich gesagt einer Bank irgendwo auf der Welt – bittet, die Leistungsfähigkeit der eigenen Betrugsprävention zu bewerten, fällt die Einschätzung meist positiv aus. Das bestätigt auch unsere aktuelle Umfrage unter 100 Führungskräften deutscher Banken: Fast drei Viertel bewerteten ihre bestehenden Fraud-Kontrollen als „effektiv“ oder „sehr effektiv“.

Dieses Selbstvertrauen steht jedoch im Kontrast zu anderen Ergebnissen derselben Erhebung. Die Hälfte der deutschen Befragten berichtet von steigenden Betrugsverlusten im eigenen Institut, 56 % sehen zudem eine Zunahme der Betrugsversuche. Zwei Drittel der befragten Bankführungskräfte schätzen die jährlichen betrugsbedingten Verluste ihres Hauses auf mehr als 10 Millionen US-Dollar.

Ein genauerer Blick

Deutsche Banken berichten von niedrigeren False-Positive-Raten als ihre europäischen Pendants. Fast die Hälfte der Befragten gibt an, dass ihre False-Positive-Rate über 40 % liegt – im europäischen Durchschnitt sind es 65 %. Zudem bearbeiten deutsche Institute Fraud-Fälle schneller: Ein Drittel der Befragten berichtet, dass Fälle innerhalb eines Tages vollständig untersucht werden. Europaweit liegt dieser Wert bei lediglich 18%.

Deutschland gilt international als Inbegriff von Effizienz. Dennoch legen andere Datenpunkte der Umfrage nahe, dass das Fraud-Management teilweise noch stark von traditionellen Arbeitsweisen geprägt ist. 53 % der Befragten geben an, Fälle manuell zu prüfen – mehr als im europäischen Durchschnitt (46 %). Nur 41 % setzen Machine-Learning-Modelle innerhalb ihrer Fraud-Architektur ein – der niedrigste Wert unter den elf untersuchten europäischen Ländern.

Die starke Abhängigkeit von manuellen Prüfprozessen passt nur bedingt zu dem Anspruch einer hochwirksamen Betrugsprävention. Zwar berichten deutsche Banken, jeden dritten Fall innerhalb eines Tages zu bearbeiten. Dennoch ist naheliegend, dass der gezielte Einsatz von Machine Learning diese Produktivität weiter steigern könnte. Hinzu kommt ein weiterer Vorteil: ML-Modelle identifizieren mit höherer Präzision die Fälle, die tatsächlich betrugsverdächtig sind – und damit die, die eine menschliche Prüfung wirklich erfordern.

Eine Zurückhaltung gegenüber technologischer Modernisierung wirft daher die Frage auf, ob bestehende Ineffizienzen vermeidbar wären – und ob diese zentrale Aufgabe nicht deutlich effektiver organisiert werden könnte.

75 % der Befragten gaben an, eine Modernisierung ihrer Fraud-Architektur in Betracht zu ziehen. Das lässt zwei Interpretationen zu:

Einige Institute könnten die Effektivität ihrer bestehenden Kontrollen überschätzt haben und erkennen nun Verbesserungsbedarf.

Oder sie streben trotz stabiler Performance eine kontinuierliche Optimierung an.

Die Realität liegt wahrscheinlich irgendwo dazwischen.

Fest steht jedoch: Die Fraud-Architektur von gestern ist kaum geeignet, um die Betrugsformen von heute – und morgen – nachhaltig zu bekämpfen. Insbesondere die Grenzen manueller Prüfungen werden zunehmend sichtbar. Umso bemerkenswerter ist, dass lediglich 11 % der Befragten aktuell neue Technologien implementieren. Das deutet darauf hin, dass es möglicherweise einen zusätzlichen Impuls braucht, um den nächsten Entwicklungsschritt einzuleiten.

Vorbereitung auf eine KI-getriebene Zukunft

Wer die eigene Fraud-Architektur zukunftssicher aufstellen möchte, muss sich zunächst fragen: Wie wird Betrug künftig aussehen?

Ich wünschte, ich verfügte über hellseherische Fähigkeiten, um diese Frage genauso präzise beantworten zu können, wie ich mir wünsche, jede Woche die richtigen Lottozahlen zu kennen. Leider ist das nicht der Fall. Doch ein Thema dominiert derzeit die Diskussion in der Branche: Künstliche Intelligenz – insbesondere Agentic AI.

Ob es sich dabei um einen nachhaltigen Paradigmenwechsel oder lediglich um ein weiteres Schlagwort handelt, bleibt abzuwarten. Klar ist jedoch: Führungskräfte prüfen vielfältige Einsatzmöglichkeiten. Gleichzeitig entstehen neue Risiken. Der Einsatz von KI kann potenzielle Schwachstellen schaffen, die Betrüger gezielt ausnutzen. Zudem können auch Täter selbst Agentic AI einsetzen – mit dem Ziel, schneller, skalierbarer und effizienter vorzugehen.

Auf die Frage nach Agentic AI gaben deutsche Fraud-Verantwortliche überwiegend an, bereits gut vorbereitet zu sein. 44 % erklärten, vollständig gerüstet zu sein. Auch hier zeigt sich ein ausgeprägter Optimismus.

Gleichzeitig erkennen die Befragten an, dass Behavioral Intelligence eine zentrale Rolle bei der Bekämpfung zukünftiger Betrugsmuster spielen wird. Neun von zehn Fraud-Verantwortlichen sehen verhaltensbasierte Daten als wertvolle Ergänzung ihrer Fraud-Architektur und ziehen deren Integration in Betracht.

Wie geht es weiter?

Die Daten zeigen: Deutsche Finanzinstitute sind sich der aktuellen Herausforderungen bewusst – ebenso wie der absehbaren Verschärfung im Zuge technologischer Entwicklungen. Zwischen den Zeilen lässt sich jedoch eine gewisse Zurückhaltung erkennen, wenn es um konkrete Veränderungen geht. Angesichts der Dynamik des Betrugsgeschehens könnten gerade jetzt entschlossene Schritte erforderlich sein. Proaktives Handeln verschafft einen Vorsprung gegenüber Betrügern und unterstützt Banken dabei, Kunden wirksam zu schützen. Bemerkenswert ist in diesem Zusammenhang: 71 % der Befragten geben an, regulatorischen Veränderungen im Rahmen von PSD3/PSR proaktiv vorzugreifen – trotz noch offener Detailfragen. Warum wird dieselbe Entschlossenheit nicht in gleichem Maße auf die Weiterentwicklung der Betrugsprävention angewendet?