Generative KI hat die Erstellung täuschend echter Inhalte erheblich vereinfacht. Mit wenigen Klicks kann ein Artikel in ein KI-Tool kopiert und in ähnlichem Stil neu erzeugt werden. Original-Dokumente zu erkennen, ist oft schwierig. Das zeigen auch verbreitete Tests zur Erkennung KI-generierter Texte.

Für Finanzinstitute beispielsweise können solche Manipulationen schnell zu einem ernsten Problem werden. Besonders kritisch ist das bei Identitätsdokumenten. Früher waren für gefälschte Ausweise spezielle Fähigkeiten und Materialien erforderlich. Im Zeitalter des mobilen Onboardings sind physische Materialien jedoch nicht mehr nötig. Führerscheine, Kontoauszüge, Gehaltsabrechnungen und ähnliche Dokumente sind dank KI inzwischen sehr einfach manipulierbar. Vorlagen können geklont, Kontoauszüge verändert und Metadaten in einer Geschwindigkeit und einem Umfang verfälscht werden, für die herkömmliche Betrugskontrollen nie ausgelegt waren.

Problematisch ist nicht nur die vereinfachte Fälschung, sondern auch die schiere Menge an Dokumenten, die heute bei Finanzinstituten eingehen. Teams für Betrugserkennung müssen Screenshots, Scans in schlechter Qualität und uneinheitliche Formate aus Onboarding-Prozessen auswerten. Dabei stützen sie sich häufig noch auf fragmentierte, manuelle Abläufe. Selbst für erfahrene Analysten ist ausgefeilter Dokumentenbetrug auf den ersten Blick schwer zu erkennen. Zudem haben sich Prüfprozesse zur Betrugsbekämpfung nicht so schnell weiterentwickelt wie die Methoden der Betrüger.

Altsysteme waren nicht dafür konzipiert, diese Komplexität und dieses Volumen zu bewältigen. Bereits auf grundlegender Ebene arbeitet klassische Betrugsprävention zu langsam für digitale Onboarding-Prozesse, die heute schnell, einfach und reibungslos funktionieren müssen.

Gravierender als die fehlende Geschwindigkeit ist jedoch, dass herkömmliche Prüfprozesse neue Betrugsformen oft nicht erkennen. Viele dieser Verfahren sind regelbasiert und stützen sich auf manuelle Kontrolle. Bei Unterlagen aus verschiedenen Ländern, Quellen und Formaten wird es deutlich schwieriger, legitime Nachweise von verfälschten Dokumenten zu unterscheiden. Das gilt besonders für digitale Manipulationen wie verfälschte Metadaten und mehrschichtige Bearbeitungen, die für das menschliche Auge nahezu unsichtbar sind.

Darüber hinaus sind viele Workflows zur Betrugserkennung als Reihe voneinander getrennter Aufgaben angelegt. Daten zur Identitätsprüfung können sich in einer Plattform befinden, isoliert von den Ergebnissen der Dokumentenprüfung. Die Erkennung synthetischer Identitäten und KI-gestützter Betrugsmaschen erfordert jedoch zunehmend durchgängige Transparenz entlang der gesamten Customer Journey.

Betrugserkennung skalierbar gestalten

Um KI-gestützten Betrug zu erkennen, braucht es spezialisierte Lösungen wie Document AI, also KI-gestützte Dokumentenverarbeitung. Sie kann grosse Dokumentenmengen präzise auswerten, Informationen verknüpfen und gegenprüfen. Auf der einfachsten Ebene kombiniert Document AI optische Zeichenerkennung (OCR) mit intelligenter Datenextraktion. So lässt sich eine grosse Bandbreite an Dokumenten in hohem Volumen und mit hoher Genauigkeit verarbeiten. Neben Geschwindigkeit und Präzision bringt Document AI auch dokumentenforensische Funktionen in die Betrugserkennung ein.

Fortschrittliche Systeme können den gesamten Workflow betrachten, um Informationen aus Onboarding, Identitätsprüfung, Transaktionsaktivitäten und weiteren Phasen der Customer Journey abzugleichen und zu validieren. Diese breite Transparenz hilft, auffällige Muster und synthetische Identitäten zu identifizieren, die isolierte Prüfprozesse möglicherweise übersehen.

Fraud-Teams entlasten und echte Risiken priorisieren

Die Technologie kann Daten aus wichtigen Dokumenten extrahieren, gegenprüfen und bestätigen. Da Document AI repetitive Verifizierungsaufgaben übernimmt und grosse Mengen eingehender Dokumente filtert, fungiert sie im Wesentlichen als Triage. Sie reduziert irrelevante Signale und lenkt die Aufmerksamkeit auf die Fälle, die eine menschliche Prüfung erfordern.

Diese Arbeitsteilung bildet den Kern der Human-in-the-Loop-Prüfung (HITL): Automatisierte Systeme übernehmen die Vorprüfung grosser Dokumentenmengen. Menschen konzentrieren sich auf die Fälle, bei denen Kontext, Erfahrung und Urteilsvermögen erforderlich sind. Wenn nur die relevanten Fälle an sie eskaliert werden, können Analysten mehr Zeit in die kontextbezogene Interpretation investieren, fundierte Entscheidungen treffen und bei Bedarf weitere Schritte einleiten.

„Der entscheidende Punkt ist nicht nur, gefälschte Dokumente schneller zu erkennen. Finanzinstitute müssen Dokumente, Identitätsdaten und Prozessinformationen im Zusammenhang bewerten können. ABBYY Document AI mit Human-in-the-Loop-Prüfung unterstützt diesen Ansatz und kann Workflows zur Betrugserkennung modernisieren“, sagt Slavena Hristova, Director of Product Marketing bei ABBYY.

Menschliche Prüfung ist ausserdem für ethische Kontrolle und regulatorische Erklärbarkeit erforderlich. Systeme zur Betrugserkennung werden immer stärker automatisiert. Daher benötigen Finanzinstitute verantwortliche Fachkräfte, die getroffene Entscheidungen und die Rolle des Menschen in diesem Prozess klar erläutern können.

Menschliches Urteilsvermögen, maschinelle Skalierung

Document AI mit HITL-Prüfung verändert die Betrugsprävention grundlegend: von reaktiv zu proaktiv. Klassische Betrugsteams untersuchen verdächtige Aktivitäten häufig erst, wenn bereits etwas schiefgelaufen ist. Intelligente Workflows verlagern die Erkennung dagegen deutlich früher in den Prozess. Risiken können bereits beim Einlesen von Dokumenten während des Onboardings erkannt werden, oft lange bevor Betrug zu finanziellen Verlusten führt.

Zudem wird die Transparenz über den gesamten Prozess hinweg gewährleistet. Risikobewertung in Echtzeit hilft, Auffälligkeiten früher zu erkennen und nachgelagerte Untersuchungskosten zu senken. Betrugserkennung wandelt sich damit von der Betrachtung einzelner Momentaufnahmen hin zum Verständnis verdächtiger Verhaltensmuster, sobald sie auftreten.

Mit der zunehmenden Verbreitung KI-generierter Manipulationen wird Betrugserkennung zu einer Aufgabe, die Geschwindigkeit, Skalierbarkeit und fachliche Bewertung gleichermassen erfordert. Organisationen, die automatisierte Mustererkennung mit menschlichem Urteilsvermögen und forensischer Expertise verbinden, können Auffälligkeiten früher erkennen und Prüfprozesse gezielter steuern.