Betrugserkennung ist das Vorzeigebeispiel für Künstliche Intelligenz (KI) im Banking: messbarer Nutzen, klare Kennzahlen, kein Interpretationsspielraum. Und trotzdem steckt die Branche in einem Dilemma, das selten offen ausgesprochen wird: Je besser die KI Betrugsmuster erkennt, desto mehr Daten braucht sie — und desto mehr Datenschutzrecht greift. Wer nur über die Erfolge redet, erzählt die halbe Geschichte.

Was heute schon funktioniert

Mastercard zeigt, wie weit die Technik ist — mit Zahlen aus eigener Darstellung, nicht aus unabhängiger wissenschaftlicher Evaluation. Seit 2020 läuft die Cyber-Secure-Plattform des Unternehmens, die 2024 um generative KI erweitert wurde: Das System durchsucht illegale Marktplätze nach unvollständigen, gestohlenen Kartennummern und sagt daraus die vollständigen Kartendaten vorher, sodass kompromittierte Karten gesperrt werden können, bevor sie missbraucht werden. Mastercard gibt dazu an: doppelt so hohe Erkennungsrate bei kompromittierten Karten, eine Reduktion der Fehlalarme von bis zu 200 Prozent, und eine um 300 Prozent schnellere Identifikation gefährdeter Händler. Im Oktober 2025 legte Mastercard mit „Threat Intelligence“ nach, einer gemeinsam mit dem Cybersicherheits-Unternehmen Recorded Future entwickelten Lösung: Sie liefert laut Mastercard Echtzeitwarnungen etwa bei betrügerischen Domains und beim sogenannten Card Testing; beim digitalen Skimming stellt sie quantitative Daten bereit, um Auswirkungen zu bewerten und Malware zu bekämpfen — nicht durchgängig eine Echtzeiterkennung. Allein im sechsmonatigen Testlauf waren fast 9.500 Online-Shops betroffen, mit einem geschätzten Schaden von 120 Millionen US-Dollar — eine Hausnummer, die zeigt, in welcher Liga hier gespielt wird.

Auch deutsche Institute setzen KI längst produktiv ein, nicht nur als Pilotprojekt. Die DZ Bank nutzt maschinelles Lernen unter anderem zur Betrugsprävention, zur Vorhersage von Kundenabwanderung und – seit Kurzem – zur automatisierten Einordnung neuer regulatorischer Vorgaben in die zuständigen Fachbereiche. Entscheidend ist dabei ein Detail, das gern übergangen wird: Die Ergebnisse werden von Fachleuten geprüft, nicht blind übernommen.

Der dritte Bereich ist die Geldwäschebekämpfung, im Fachjargon Anti-Money-Laundering (AML). Hier zeigt eine Studie von SAS und KPMG unter rund 850 Spezialisten der Association of Certified Anti-Money Laundering Specialists (ACAMS) ein anderes Bild: Erst 18 % setzen KI bereits aktiv ein, 40 % haben nicht einmal Pläne dafür. Das ist kein Technologieproblem. 51 % der Befragten gaben an, dass ihre Aufsicht KI/ML fördert — 15 Prozentpunkte weniger als 2021 —, und 13 % halten ihre Aufsichtsbehörde mittlerweile für „veränderungsresistent“, doppelt so viele wie 2021.

Je mehr Muster, desto mehr Daten — das Dilemma

Genau hier liegt der Kern des Problems. Ein KI-Modell, das Betrug zuverlässig erkennt, kann Transaktionsmuster, Verhaltensdaten, Gerätekennungen und – je nach Anwendungsfall – biometrische Signale verarbeiten. Soweit diese Daten einen Personenbezug aufweisen, unterliegt ihre Verarbeitung der Datenschutz-Grundverordnung (DSGVO); für bestimmte Kategorien wie biometrische Daten, die zur eindeutigen Identifizierung einer Person dienen, gelten nach Art. 9 DSGVO zusätzliche Anforderungen. Genau da wird es eng.

Der Europäische Gerichtshof (EuGH) hat 2023 im sogenannten SCHUFA-Urteil (C-634/21) klargestellt, dass bereits die Erstellung eines Wahrscheinlichkeitswerts durch eine Auskunftei eine automatisierte Einzelfallentscheidung im Sinne von Art. 22 DSGVO sein kann, wenn dieser Wert für die Entscheidung eines Dritten maßgeblich ist. Ob eine automatisierte Betrugserkennungsentscheidung unter Art. 22 DSGVO fällt, ist damit nicht automatisch gesagt, sondern eine Einzelfallfrage: Es braucht eine Entscheidung, die ausschließlich automatisiert erfolgt und rechtliche Wirkung entfaltet oder die betroffene Person in ähnlicher Weise erheblich beeinträchtigt. Auch der AI Act macht Betrugserkennung nicht automatisch zu Hochrisiko-KI: Wirksame menschliche Aufsicht nach Art. 14 AI Act ist nur für Hochrisiko-Systeme vorgeschrieben, und Betrugserkennung ist nach Anhang III Nr. 5(b) ausdrücklich davon ausgenommen. Greift Art. 22 DSGVO im Einzelfall, muss die betroffene Person insbesondere die Möglichkeit haben, menschliches Eingreifen zu verlangen, ihren eigenen Standpunkt darzulegen und die Entscheidung anzufechten. Eine lediglich formale menschliche Beteiligung reicht dabei nicht.

Die Bundesanstalt für Finanzdienstleistungsaufsicht (BaFin) hat im Dezember 2025 eine Orientierungshilfe veröffentlicht, die KI-Systeme explizit als IT-Risiko im Sinne des Digital Operational Resilience Act (DORA) einordnet — nicht als Innovationsthema, sondern als Risiko, das in bestehende Governance-Strukturen gehört. Formal ist die Orientierungshilfe unverbindlich, doch die BaFin selbst schreibt, sie formuliere „eine klare Erwartungshaltung“, die Institute eher als Vorwegnahme künftiger Prüfungsfeststellungen denn als bloße Empfehlung lesen sollten. Konkret erwartet die Aufsicht eine vom Leitungsorgan verabschiedete KI-Strategie, klare Verantwortlichkeiten im Rahmen des Drei-Linien-Modells und eine Überwachung über den gesamten Lebenszyklus eines Modells hinweg. Einmalige Freigaben, so die BaFin wörtlich, reichen nicht aus.

Seit dem 29. Juli 2026 ist die BaFin als sektorspezifische Marktüberwachungsbehörde für KI-Systeme zuständig, die in direktem Zusammenhang mit regulierten Finanztätigkeiten stehen; die zentrale, allgemeine Marktüberwachungsbehörde für KI in Deutschland ist die Bundesnetzagentur. Wichtig für die Praxis: Kreditwürdigkeitsprüfungen gelten nach Anhang III Nr. 5(b) der KI-Verordnung explizit als Hochrisiko-KI — Systeme zur Aufdeckung von Finanzbetrug sind davon ausdrücklich ausgenommen. Für die Geldwäscheprävention enthält die KI-Verordnung keine eigenständige, pauschale Hochrisiko-Klassifizierung; die konkrete Einordnung hängt vom jeweiligen Anwendungsfall ab. Durch die inzwischen verabschiedete Digital-Omnibus-Verordnung (EU) 2026/1744, in Kraft seit dem 27. Juli 2026, gilt für Hochrisiko-Systeme nach Anhang III — wie die Kreditwürdigkeitsprüfung — statt des ursprünglichen 2. August 2026 nun der 2. Dezember 2027; für produktbezogene Hochrisiko-Systeme nach Anhang I gilt separat der 2. August 2028.

Compliance muss KI verstehen, nicht nur nutzen

Der größte Fehler, den Institute derzeit machen: KI in die Betrugserkennung integrieren und die Compliance-Abteilung erst danach informieren. Das funktioniert nicht mehr. Wenn ein Modell entscheidet, welche Transaktion als verdächtig gilt, muss Compliance verstehen, wie es zu dieser Entscheidung kommt — nicht nur, dass es sie trifft.

Das ist ein Kulturwandel, kein IT-Projekt. Die BaFin erwartet in ihrer Orientierungshilfe explizit, dass die Unternehmensleitung über ausreichend Wissen verfügt, um KI-bezogene Risiken selbst einzuschätzen. Wer das an externe Dienstleister delegiert, verliert die Kontrolle über genau die Entscheidungen, für die er haftet. Compliance-Teams, die KI nur als Blackbox konsumieren, werden über kurz oder lang zum Flaschenhals — oder zum Haftungsrisiko.

Aufwand und Realismus

Die SAS/KPMG-Studie liefert einen nüchternen Gegenpol zu den Mastercard-Zahlen: 34 % der befragten AML-Spezialisten nennen Budgetrestriktionen als Hindernis, 37 % regulatorische Anforderungen, und 55 % setzen sich nicht intensiv mit generativer KI auseinander. Zur Einordnung: Die neue europäische Geldwäscheaufsichtsbehörde Anti-Money Laundering Authority (AMLA) nimmt seit Januar 2026 in Frankfurt am Main ihre Arbeit auf. Im Rahmen des EU-AML-Pakets wird zudem erwartet, dass auch die Institute selbst „fortschrittliche IT und Künstliche Intelligenz“ für Analyse, Muster- und Trenderkennung einsetzen — ein Signal dafür, in welche Richtung sich auch die Aufsicht bewegt.

Realistisch betrachtet ist KI in der Betrugserkennung kein Projekt mit Enddatum, sondern eine Daueraufgabe: Modelle driften, Betrugsmuster verändern sich, Dokumentationspflichten wachsen mit jeder neuen Verordnung. Wer das unterschätzt, baut ein System, das beim ersten Audit durchfällt.

Fazit

KI kann die Betrugserkennung gegenüber klassischen regelbasierten Verfahren in bestimmten Anwendungsfällen deutlich verbessern — Mastercards Zahlen zeigen das für die eigene Plattform eindrucksvoll. Aber die gleiche Technologie, die Kunden schützt, erzeugt neue Pflichten: sorgfältig geprüfte Entscheidungsprozesse dort, wo Art. 22 DSGVO greift, dokumentierte KI-Governance nach DORA und BaFin-Erwartung, und Klarheit darüber, wo der AI Act tatsächlich greift und wo nicht. Institute, die Erkennungsleistung und Regulatorik zusammen denken — statt sie als Gegensatz zu behandeln —, sind im Vorteil. Für Hochrisiko-Systeme wie die Kreditwürdigkeitsprüfung wird das spätestens zum 2. Dezember 2027 zur Pflicht.

Quellen

Mastercard: Generative-AI-gestützte Betrugserkennung (Mai 2024)

Mastercard: Threat Intelligence mit Recorded Future (Oktober 2025)

DZ Bank: Wie die DZ Bank Künstliche Intelligenz sinnvoll nutzt

it-finanzmagazin.de: Banken wollen Geldwäsche mit KI bekämpfen, doch die Umsetzung scheitert oft

BankingHub: EU-AML-Paket und die neue Aufsichtsbehörde AMLA

BaFin: Überwachung von KI – BaFin erhält neue Kompetenzen (Pressemitteilung, 29. Juli 2026)

Banking.Vision: Hochrisiko-KI im Banking – was der EU AI Act bedeutet

Dr. Datenschutz: Art. 22 DSGVO & AI Act – Automatische Entscheidungsfindung

EUR-Lex: Verordnung (EU) 2026/1744 (Digital Omnibus, in Kraft seit 27. Juli 2026)

KI-Verordnung, Anhang III Nr. 5(b): Ausnahme für Finanzbetrugserkennung