Machine Learning in Payments: Einsatz, Beispiele und Kennzahlen

Im Zahlungsverkehr wird Machine Learning seit Jahren für Risiko, Betrugserkennung, Authentifizierung und Freigaben genutzt. Neue KI-Agenten erweitern diesen Bereich: Sie suchen ein Produkt und lösen nach Zustimmung eine Zahlung aus. Das ist nicht dieselbe Technik. Die Verbindung liegt darin, dass Modelle Entscheidungen vorbereiten und Zahlungsnetze die erlaubte Aktion absichern.

Wo Machine Learning bei Zahlungen ansetzt

Betrug und Risiko

Modelle bewerten Muster in Betrag, Gerät, Ort, Händler und Verhalten. Ziel ist, verdächtige Zahlungen zu stoppen, ohne viele echte Käufe abzulehnen. Binance nennt mehr als 100 KI-Modelle in über 24 Vorhaben für Prüfung und Regelbefolgung. Das Unternehmen gibt an, von 2025 bis zum ersten Quartal 2026 mögliche Nutzerverluste von rund 10,53 Milliarden US-Dollar verhindert zu haben. Das ist eine Firmenangabe und kein unabhängiger Vergleich.

Identität und Freigabe

Ein Modell kann Hinweise auf ein erhöhtes Risiko liefern. Die Freigabe braucht trotzdem klare Regeln: Wer handelt, welcher Betrag ist erlaubt, für welchen Händler gilt die Zustimmung und wie lange bleibt sie gültig? Bei hohen Risiken sollte ein Mensch oder eine starke Anmeldung übernehmen.

Agenten-Zahlungen

Visa testet Zahlungen, die KI-Agenten im Auftrag von Karteninhabern bei echten Händlern ausführen. Mehr als 30 Finanzinstitute waren laut Quelle an den Versuchen beteiligt. Visa verweist auf sein Netz mit mehr als 300 Milliarden Transaktionen pro Jahr. Diese Zahl beschreibt die Größe des Netzes; sie ist nicht automatisch die Datenmenge eines einzelnen Modells.

Die DKB nimmt an diesem Visa-Vorhaben teil. Auch Cornèrcard, Swisscard und Viseca werden als beteiligte Kartenherausgeber genannt. Für diese Firmen liegen noch keine eigenen Ergebniswerte vor. Es handelt sich um Piloten.

Einkauf durch Bank-Agenten

ING erprobte mit Worldline und Mastercard einen Agenten, der Konzertkarten sucht, auswählt und bezahlt. Der Fall zeigt die nötige Kette von Auftrag, Auswahl und Zahlung. Eine breite Nutzung oder ein messbarer Vorteil ist noch nicht belegt.

Welche Kontrollen nötig sind

Eine Zahlung darf nicht allein aus einer plausiblen Antwort entstehen. Für Agenten braucht es einen gebundenen Auftrag: Produktart, Höchstbetrag, Händler, Zeitraum und mögliche Ersatzwahl. Jede Änderung muss protokolliert werden. Der Nutzer muss sehen, was gekauft wurde und warum.

Ebenso wichtig ist die Trennung von Gespräch und Berechtigung. Ein Chatbot kann eine Absicht verstehen. Das Zahlungsnetz muss unabhängig prüfen, ob die Aktion erlaubt ist. Bei Widerspruch gilt die engere Regel.

Kennzahlen für Machine Learning in Payments

• Betrugsverlust je Transaktion
• Anteil fälschlich abgelehnter echter Zahlungen
• Freigabequote bei gleichem Risiko
• Zahl manueller Prüfungen
• Rückbuchungen und Beschwerden
• Zeit bis zur Entscheidung
• Kosten je geprüfter Zahlung

Nur eine Kennzahl zu verbessern reicht nicht. Ein sehr strenges Modell kann Betrug senken und zugleich viele echte Käufe blockieren. Deshalb werden Verlust, Freigabe und Kundenwirkung gemeinsam gemessen.

So sollte ein Test aufgebaut sein

Zuerst braucht es einen Ausgangswert aus einem festen Zeitraum. Danach wird das Modell an einer begrenzten Gruppe oder im Schattenbetrieb geprüft. Im Schattenbetrieb gibt es eine Empfehlung, die bestehende Regel entscheidet aber weiter. Erst nach einem Vergleich folgen kleine echte Freigaben mit Limits.

Für den wirtschaftlichen Vergleich gehören vermiedene Verluste, weniger Prüfaufwand und höhere Freigaben auf die Nutzenseite. Entwicklung, Daten, Anbieter, Betrieb, Beschwerden und Rückbuchungen gehören auf die Kostenseite. Die Rechenlogik steht unter ROI von Machine Learning.

Grenzen der Quellenlage

Die belegten Firmenfälle handeln vor allem von Agenten-Zahlungen und einem breiten Einsatz von KI zur Betrugsabwehr. Die Quellen nennen nicht für jeden Schritt ein bestimmtes Lernverfahren. Diese Seite trennt deshalb bekannte Aufgaben von den konkret belegten Firmenangaben.