Händleronboarding entscheidet darüber, welche Risiken überhaupt ins System gelangen. Transaktionsbasierte Risikomodelle entscheiden darüber, wie diese Risiken im Alltag kontrolliert werden. Erfolgreiche Betrugsprävention lebt dabei vom Zusammenspiel aus klaren Regeln, Künstlicher Intelligenz (KI) und unternehmerischer Verantwortung.

Kaum ein Thema wird im Zahlungsverkehr derzeit so diskutiert wie der Einsatz von Künstlicher Intelligenz. In vielen Debatten entsteht der Eindruck, als ließen sich historisch gewachsene Risikosysteme einfach durch ein KI-Modell ersetzen: KI rein, Risiko raus.

Diese Sichtweise greift in weiten Teilen zu kurz. Denn Risikomanagement im Zahlungsverkehr ist kein einzelner Prozess, sondern eine durchgängige Verantwortung – vom Zugang zum Zahlungsökosystem bis zur Bewertung jeder einzelnen Transaktion in Echtzeit.

Moderne KI verändert dieses System nicht, indem sie Regeln ersetzt. Sie verändert es, indem sie Verantwortung skalierbar macht.

Besonders deutlich zeigt sich das an zwei zentralen Stellen: beim Händleronboarding als Eintrittstor ins Zahlungsökosystem, und bei der Risikobewertung einzelner Transaktionen im operativen Betrieb. Erst das Zusammenspiel beider Ebenen entscheidet darüber, wie stabil, fair und sicher Zahlungsverkehr heute funktioniert.

Händleronboarding als erste Verteidigungslinie

Händleronboarding gilt vielen noch immer als notwendiges Übel: regulatorisch getrieben, kostenintensiv und im Zweifel ein Wachstumshemmnis. Diese Sichtweise greift zu kurz. Denn wer Händleronboarding als reine administrative Pflichtübung versteht, verkennt seine eigentliche Funktion: Es ist die erste und sehr entscheidende Verteidigungslinie des Zahlungsverkehrs. Künstliche Intelligenz ist dabei kein Risiko, sondern Voraussetzung, um Regulierung, Betrugsprävention und Fairness wirksam zu verbinden.

Vor diesem Hintergrund wird der Einsatz künstlicher Intelligenz häufig skeptisch betrachtet. Zu Unrecht. Denn nicht die Technologie an sich ist das Risiko, sondern ihr unreflektierter Einsatz. Richtig eingesetzt, ist KI im Händleronboarding kein Kontrollverlust, sondern ein Mittel, um Risiken besser zu erkennen und zu begrenzen.

Zunächst eine nüchterne Feststellung: Händleronboarding ist kein klassischer Automatisierungsfall. Entscheidungen sind rechtlich relevant, müssen erklärbar sein und unterliegen klaren regulatorischen Leitplanken. Vollautomatisierte Blackbox-Ansätze sind hier weder zulässig noch sinnvoll.

Gleichzeitig wäre es jedoch ein Fehler, künstliche Intelligenz nicht zu nutzen, gerade in hoch standardisierten Bereichen. Gut trainierte Modelle machen den Onboarding-Prozess nicht nur effizienter, sondern auch robuster. Bei manuellen Prozessen passieren leicht Tipp-, Kopier- oder Flüchtigkeitsfehler. Das automatisierte Auslesen, Einspeisen und Bewerten von Daten nach immer demselben Muster ist dagegen konsistent. Gleichzeitig gibt es den Onboarding-Experten mehr Luft, sich auf komplexere Onboarding-Fälle zu konzentrieren. Dadurch wird das gesamte Risikomanagement gestärkt.

Von Datenpunkten zu Risikobildern

Besonders deutlich zeigt sich der Mehrwert moderner KI beim Auslesen und Strukturieren von Dokumenten. Systeme erkennen und interpretieren Unterlagen automatisiert und zuverlässig, etwa betriebswirtschaftliche Auswertungen, Handelsregisterauszüge, Gesellschaftsverträge oder Medienberichte. Im Händleronboarding helfen diese Ansätze bei deutlich komplexeren Dokumenten und prüfen gleichzeitig Plausibilität und Konsistenz.

Hierzu zählt auch die automatisierte Echtheitsprüfung von Dokumenten, die mit zunehmender Professionalisierung von Betrugsmodellen an Bedeutung gewinnt. Manipulationsspuren, Fotomontagen, inkonsistente Metadaten oder synthetisch erzeugte Inhalte lassen sich heute zuverlässig erkennen.

Der eigentliche Mehrwert entsteht jedoch nicht durch einzelne Datenpunkte, sondern durch ihr Zusammenspiel. Moderne KI-Modelle bewerten nicht isolierte Informationen, sondern Muster. Unstimmigkeiten in Antragsprozessen, zeitliche Abfolgen, strukturelle Ähnlichkeiten zu bekannten Betrugskonstellationen oder inkonsistente Selbstauskünfte entfalten ihre Aussagekraft erst in der Kombination. Gerade diese Fähigkeit, aus vermeintlich schwachen Signalen ein belastbares Risikobild zu erzeugen, unterscheidet KI-gestützte Ansätze von klassischen Checklisten.

Ein weiterer Hebel für Effizienz und Qualität ist die risikobasierte Priorisierung. Nicht jeder Händler birgt dasselbe Risiko, und Unternehmen müssen daher nicht jeden Onboarding-Fall mit identischem Prüfaufwand behandeln. KI ermöglicht es, Händler frühzeitig nach Risikoprofilen einzuordnen. Händler mit geringem Risiko könnten beschleunigte Prüfprozesse durchlaufen und schneller starten, während Fälle mit höherem Risiko gezielt vertieft geprüft würden.

Dieser Ansatz wirkt sich nicht nur auf Geschwindigkeit, sondern auch auf Fairness aus. Stark regelbasierte Onboarding-Prozesse neigen dazu, Abweichungen pauschal als Risiko zu interpretieren. Ungewöhnliche Branchen, internationale Strukturen oder atypische Geschäftsmodelle werden schneller ausgeschlossen, obwohl sie nicht zwangsläufig problematisch sind.

KI kann hier differenzierter vorgehen, Kontexte berücksichtigen und zwischen „ungewöhnlich“ und „auffällig“ unterscheiden. Das reduziert ungerechtfertigte Ablehnungen, ohne das Risiko unkontrolliert zu erhöhen. Ähnliche Effekte zeigen sich bei Sanktions- und PEP-Prüfungen: Moderne KI-gestützte Abgleiche berücksichtigen Kontextinformationen, Namensvarianten und zusätzliche Attribute und reduzieren so falsch-positive Treffer deutlich – ohne aufsichtsrechtliche Anforderungen zu verwässern.

Nicht jede Transaktion ist ein Risiko – aber jeder unkontrollierte Händler

Genau hier zeigt sich die oft unterschätzte Rolle des Händleronboardings. Viele der Schäden, die im Transaktionskontext sichtbar werden, haben ihre Ursache deutlich früher. Werden betrügerische oder hochriskante Händler gar nicht erst angebunden, entstehen diese Schäden nicht. Händleronboarding ist damit keine administrative Pflichtübung, sondern eine präventive Schutzfunktion für Endkunden, Händler und Zahlungsdienstleister gleichermaßen.

Vor diesem Hintergrund wundert es nicht, dass dieser präventive Anspruch zunehmend auch von Markt- und Regulierungsseite eingefordert wird. Internationale Kartenorganisationen haben in den vergangenen Jahren deutlich gemacht, dass sie ein sauberes Zahlungsökosystem nicht dem Zufall überlassen wollen.

Zahlungsunternehmen müssen Händler vor der ersten Transaktion prüfen, und betrügerische Händler rücken stärker in den Fokus. Die bekannten Betrugskategorien reichen von Vorschuss- und Anlagebetrug über Identitätsvortäuschung und Kaufbetrug und verursachen erhebliche Schäden. Gutes Risikomanagement schützt damit nicht nur Acquirer und Händler, sondern stabilisiert das gesamte Zahlungsökosystem.

Vom Onboarding zum Transaktionsrisiko

Doch selbst perfektes Händleronboarding eliminiert Risiko nicht vollständig. Zahlungsverkehr bleibt ein dynamisches System. Händler verändern ihr Verhalten, Betrugsmuster entwickeln sich weiter, neue Angriffsszenarien entstehen erst nach dem Onboarding.

Genau an diesem Punkt beginnt die zweite Verteidigungslinie des Zahlungsverkehrs: die Echtzeit-Risikobewertung einzelner Transaktionen. Und hier zeigt sich besonders deutlich, warum weder starre Regelwerke noch reine KI-Modelle allein ausreichen.

Beginnen wir mit regelbasierten Systemen. Diese haben derzeit ein “Imageproblem”. Sie gelten als unflexibel, aufwendig und angeblich inkompatibel mit modernen datengetriebenen Ansätzen. Dabei wird häufig übersehen, dass gerade diese Regeln jedem Modell einen stabilen Rahmen geben, in dem es sinnvoll wirken kann. Sie definieren harte Grenzen, nicht verhandelbare Ausschlusskriterien, regulatorische Leitplanken und bekannte Betrugsmuster – sozusagen die Sicherheitsgurte des Systems.

Aber, und das ist entscheidend: Niemand sollte starre Regeln nach dem Prinzip „set it and forget it“ betreiben. Auch Regeln müssen fortlaufend an neue Betrugsmuster, regulatorische Anforderungen und Marktveränderungen angepasst werden. Betrug ist dynamisch – und jedes statische System verliert ohne Pflege zwangsläufig an Wirkung.

Unzer arbeitet seit vielen Jahren mit genau diesem Ansatz – lange bevor KI zum Schlagwort wurde. Logistische Regressionen, Scorecards und regelbasierte Entscheidungslogiken sind keine neuen Erfindungen, sondern etablierte Methoden, mit denen viele der stabilsten und erfolgreichsten Risikosysteme seit vielen Jahren arbeiten. Diese Verfahren erfüllen alle Kriterien, die KI definieren: Sie automatisieren Entscheidungen, lernen aus historischen Daten, erkennen Muster und leiten Wahrscheinlichkeiten ab. Vor allem aber sind sie erklärbar – ein Aspekt, der im regulierten Zahlungsverkehr nicht verhandelbar ist.

Warum Regeln und KI bei Betrugsprävention  zusammengehören

Wie tragfähig dieses Zusammenspiel aus Regeln, Modellen und wirtschaftlicher Verantwortung ist, zeigt sich besonders in Anwendungsfällen mit hoher Unsicherheit und begrenzter Datenbasis – etwa im Buy now, Pay Later (BNPL)-Umfeld. Gerade hier liegt naturgemäß nur eine begrenzte Menge an Primärdaten vor: Hier sind klassische Bonitätsinformationen zwar verfügbar, aber für die Betrugserkennung oft nicht aufschlussreich. Der entscheidende Hebel liegt daher nicht in der Datenmenge, sondern in deren intelligenter Verarbeitung.

Zentrale Bedeutung gewinnen dabei sogenannte schwache Signale wie Gerätekennungen (Device Fingerprints), Zeitstempel, Adressmuster oder Verhaltensabfolgen. Für sich genommen mögen diese Informationen unscheinbar wirken; in ihrer Kombination ermöglichen sie jedoch ein präzises Risikobild. Das senkt nicht nur die Betrugsquote, sondern wirkt sich unmittelbar auf die Akzeptanzraten aus. Jede vermiedene Fehlablehnung ist ein Gewinn für Händler, Kunden sowie den Dienstleister.

Moderne KI-Modelle setzen genau an diesem Punkt an: Sie sind in der Lage, aus fragmentierten, schwach korrelierten Informationen belastbare Risikoindikatoren abzuleiten, ohne dabei auf Transparenz und Nachvollziehbarkeit zu verzichten. Damit erweitern sie klassische Algorithmen.  

Ein zusätzlicher Vorteil liegt in der automatisierten Erkennung von Auffälligkeiten: Ungewöhnliche Muster lassen sich schneller, präziser und mit deutlich geringerem personellen Aufwand identifizieren als in traditionellen Setups. Das erhöht die Reaktionsgeschwindigkeit und entlastet operative Teams – ein entscheidender Faktor bei steigendem Kostendruck.

Betrug belastet das gesamte Ökosystem

Trotz aller Fortschritte bleibt eine unbequeme Wahrheit: Auch mit hochentwickelten Modellen werden aktuell bis zu 1 von 20 Anfragen in manchen Zahlarten aufgrund unzureichender Datenlage abgelehnt. Gleichzeitig wissen wir, dass längst nicht jede dieser Anfragen betrügerisch ist. Ein erheblicher Teil entfällt auf legitime Kunden, deren Profil schlicht nicht ausreichend validierbar ist. Die Kunst besteht darin, Modelle kontinuierlich so weiterzuentwickeln, dass diese Lücke kleiner wird, ohne das Risiko unkontrolliert zu erhöhen. Risikomanagement bleibt ein Balanceakt.

Besonders schwer zu erkennen ist dabei der sogenannte Erstparteienbetrug (1st party fraud), teilweise auch als „freundlicher Betrug“ (friendly fraud) bezeichnet. Dabei fechten z.B. Karteninhaber eine grundsätzlich legitime Transaktion an, indem sie angeben, den Kauf nicht autorisiert zu haben, die Ware nicht erhalten zu haben oder dass diese nicht der Beschreibung entsprochen habe. In diese Kategorie fällt beispielsweise ein Kind, das die Kreditkarte der Eltern benutzt, ohne dass diese es mitbekommen; aber auch Personen, die eine Rückerstattung verlangen, obwohl sie die Ware fristgerecht bekommen haben.

Gerade für kleine und mittlere Händler kann das schnell teuer werden. KI-gestützte Verfahren zur Erkennung von Auffälligkeiten helfen, entsprechende Muster frühzeitig zu identifizieren – häufig mit besseren Ergebnissen und deutlich geringerem manuellen Aufwand als klassische Prüfprozesse.

Entscheidend ist dabei auch das Umfeld: Ohne einen geeigneten Zahlungspartner und verlässliche logistische Prozesse kann dieses Problem schnell eskalieren. Positiv ist, dass europäische Kartenherausgeber dieses Thema inzwischen aktiv adressieren und auf ihrer Seite gegensteuern.

Was am Ende zählt: Akzeptanz, Risiko und laufende Feinjustierung

Dass sich dieser Aufwand lohnt, zeigen die Zahlen. Mit eigenen, einfachen Modellen lassen sich in Märkten wie Deutschland rund vier von fünf Käufen recht zuverlässig abwickeln. Mit spezialisierten Dienstleistern wie Unzer sind Akzeptanzraten von über 90 Prozent realistisch. Dieser Erfolg beruht jedoch nicht auf einem statischen Setup, sondern auf der kontinuierlichen Feinjustierung von Regeln, Schwellenwerten, Datenpunkten und Modellen. Das Ergebnis ist eine Win-Win-Win-Situation: Händler erzielen Umsatz, Kunden erleben einen reibungslosen Kaufprozess, und der Zahlungsdienstleister verdient nur bei erfolgreicher Transaktion.

Betrachtet man Onboarding und Transaktionsentscheidungen gemeinsam, wird deutlich: Risikomanagement im Zahlungsverkehr ist kein einzelner Prozess, sondern ein durchgängiges System. Regeln definieren Stabilität, regulatorische Sicherheit und klare Mindeststandards. KI sorgt für Anpassungsfähigkeit, Skalierbarkeit und Mustererkennung in hochkomplexen Datenlandschaften.

Entscheidend ist dabei der Blick auf das Ganze: Händleronboarding schützt das Zahlungsökosystem vor strukturellem Missbrauch. Transaktionsbasierte Risikomodelle schützen Händler und Verbraucher im operativen Alltag. Beide Ebenen sind untrennbar miteinander verbunden.

Für Zahlungsunternehmen bedeutet das: KI ist kein Effizienzprojekt. Sie ist Infrastruktur für verantwortungsvolles Risikomanagement. Wer KI als Ersatz für nachweisbar belastbare Regeln versteht, wird scheitern. Wer sie als Verstärker von Struktur, Transparenz und Verantwortung nutzt, schafft robuste Systeme, auch in einer Welt, in der Betrug immer kreativer wird. KI ist kein Zauberstab. Aber in den Händen des Risikomanagements ist sie ein verdammt gutes Werkzeug.