SEON baut Betrugserkennung aus: Mehr Signale gegen KI-Fake-Identitäten

SEON, das KI-Kommandozentrum für Betrugsprävention und AML-Compliance (Geldwäscheprävention), hat heute die Erweiterung seiner Signal Intelligence angekündigt und die Signalbasis der Plattform von mehr als 900 auf über 1.100 proprietäre, direkt erhobene Datenpunkte ausgebaut. Die neue Abdeckung umfasst Adressdaten, Sitzungsverhalten sowie Telefon- und Mobilfunkanbieterdaten, ergänzt um tiefere Signale zum digitalen Fußabdruck und zu Endgeräten. Die Erweiterung hilft Risikoteams, Ungereimtheiten bei Identitäten und die Infrastruktur hinter Betrugsringen aufzudecken, ohne der Customer Journey einen weiteren Schritt hinzuzufügen.

Es wird immer schwieriger zu erkennen, ob ein Kunde echt ist. Früher mussten Betrüger Identitätsnachweise zusammentragen, jedes Formular ausfüllen und Konten einzeln betreiben. Eine Kundenidentität zu fälschen, war einst mühsam; heute genügen eine Internetverbindung und ein Prompt. Tools für generative KI können in wenigen Minuten glaubwürdige Profile und stimmige Geräteverläufe erzeugen. Laut der Financial Action Task Force (FATF) kann jeder mit einem Smartphone überzeugende Deepfakes in der Zeit erstellen, die man für das Anlegen eines Social-Media-Profils braucht. ACAMS berichtet, dass 75 % der Fachleute für die Bekämpfung von Finanzkriminalität den Missbrauch generativer KI bereits im dritten Jahr in Folge als größtes neu aufkommendes Risiko einstufen. Zwar wählt weiterhin ein Betrüger die Identität und das Ziel aus, doch KI-Agenten übernehmen die Produktion mit Maschinengeschwindigkeit.

Die Herausforderung für Betrugsteams besteht darin, dass jedes einzelne Signal für sich genommen legitim wirken kann. Eine E-Mail-Adresse besteht die Validierung. Ein Gerät erscheint unauffällig. Eine Adresse ist korrekt. Der Betrug wird erst sichtbar, wenn diese Signale miteinander abgeglichen werden. Die Erweiterung von SEON liefert Risikoteams mehr unabhängige Belege auf jeder dieser Ebenen und schafft so zusätzliche Möglichkeiten aufzudecken, was künstlich erzeugt, was wiederverwendet und was verändert wurde. Sie vertieft drei Bereiche des Identitätsbildes – Historie, verbundene Infrastruktur und Live-Verhalten – und stellt diesen Kontext anschließend den nachgelagerten Entscheidungen von Regeln, Analysten und KI-Agenten zur Verfügung.

Die Historie offenlegen, die KI nicht im Handumdrehen erschaffen kann

• Digital-Footprint-Prüfungen zeigen, wo eine E-Mail-Adresse oder Telefonnummer über die Zeit in Diensten auftaucht, die Menschen nutzen. Die erweiterte Abdeckung umfasst KI-Entwicklerplattformen, Jobbörsen, Immobilienportale und Dating-Apps.
• Phone Intelligence ergänzt die Historie von SIM-Swaps und Rufnummernportierungen.
• Zusammen helfen diese Signale den Teams zu beurteilen, ob eine Identität und eine Telefonnummer schon über diesen Moment hinaus existiert haben.

Infrastruktur aufdecken, die Betrugsringe wiederverwenden

• Address Intelligence macht aus unsauberen Adressangaben ein Risikosignal, indem Adressen in mehr als 240 Ländern verifiziert und standardisiert und der exakten Adresse sowie dem Gebäude einheitliche Kennungen zugewiesen werden. Diese Kennungen decken auf, wenn nicht miteinander verbundene Konten an derselben Adresse mit wechselnden Wohnungsnummern oder Schreibvarianten arbeiten.
• Die erweiterten Signale von Device Intelligence machen zudem Aktivitäten von KI-Agenten, kompromittierte iOS-Geräte, eSIM-Abweichungen bei Android sowie Unstimmigkeiten beim Netzwerkland sichtbar, wenn ein VPN die sichtbare IP-Adresse verschleiert.
• Zusammen helfen diese Signale den Teams, Konten zu erkennen, die an wiederverwendete Infrastruktur gebunden sind, und einzuschätzen, ob der Geräteumgebung vertraut werden kann.

Absichten erkennen, während sie entstehen

• Session Monitoring verfolgt das Verhalten des Kunden vom Onboarding über Login, Kontowiederherstellung und Checkout bis zur Zahlung.
• Teams können Automatisierung, Fernzugriff, Aktivitäten außerhalb des Bildschirms und laufende Anrufe noch während einer Sitzung erkennen und so eingreifen, bevor die verdächtige Aktivität zu einer Kontoübernahme führt.

Jede Entscheidung schärfen – ob durch Agenten oder Menschen – mit mehr Signalkontext

• Im AI Command Center von SEON können Betrugs- und Risikoteams die neuen Signale in Regeln, Alerts, Kundenprüfungen und Netzwerkuntersuchungen nutzen, sodass jede Entscheidung auf dem vollständigen Bild beruht.
• Jedes Signal dieser Erweiterung lässt sich zudem über den Model-Context-Protocol-Server (MCP) von SEON mit den KI-Tools der Wahl des jeweiligen Ermittlers verbinden, sodass Agenten auf Grundlage echter Belege und mit dem gesamten Kontext an einem Ort arbeiten.
• Menschliche Analysten und KI-Agenten können auf derselben Signalbasis arbeiten und Belege von der Erkennung über die Untersuchung bis zur Maßnahme weitertragen.

„KI hat es billig gemacht, eine glaubwürdige Identität zu erzeugen. Was Betrüger nicht ohne Weiteres in großem Maßstab können, ist, für jedes Konto eine stimmige Historie aufzubauen, ohne Infrastruktur wiederzuverwenden“, sagte Tamas Kadar, CEO und Mitgründer von SEON. „Genau hier macht unsere Signalbasis den Unterschied. Je mehr Dimensionen ein Betrugsteam gleichzeitig prüfen kann, desto schwerer lässt sich eine Identität verbergen, die nicht stimmig ist.“

SEON hat außerdem seine Reihe Hidden Risk Files gestartet, eine Serie kurzer, von den hauseigenen Betrugsberatern verfasster Fallanalysen, die zeigen, wie bestimmte Signale Betrug aufdecken, den andere übersehen. Jeder Fall beginnt mit einem einzelnen verdächtigen Hinweis und verfolgt ihn bis zur gemeinsam genutzten Infrastruktur hinter einem größeren Betrugsring. Die Reihe bietet Verantwortlichen in der Betrugsbekämpfung einen praxisnahen Einblick, wie Signal Intelligence eine Untersuchung verändert. Die erste Folge zeigt, wie ein einziges Geräteattribut – ein Messwert der Bildschirmhelligkeit – Tausende Konten eines Betrugsrings miteinander verknüpfte, der auf echter Android-Hardware operierte.