Markt-Radar · Stand 10/2026 · Wird monatlich aktualisiert
KI-Betrugserkennung
KI-Betrugserkennung wächst bei Patenten um +38 %, verteilt sich aber ohne klaren Marktführer auf viele Anmelder.
Im Podcast:Folge #035: Innovation in kritischer Infrastruktur
Das Feld ist früh, weil die Patentfamilien im Kernfeld 2022 bis 2024 gegen 2019 bis 2021 zwar um +38 % wachsen, aber von einer kleinen Basis aus insgesamt erst 542 Familien erreichen. Bevor ihr großes Budget in eigene Systeme bindet, braucht ihr einen ehrlichen Markttest im eigenen Datenbestand.1,2
Erste Einordnung: Erst validierenValidiert zuerst, wenn noch unklar ist, welchen messbaren Mehrwert neue KI-Modelle gegenüber euren heutigen Regeln liefern.
- Patentehoch
- Forschunghoch
- Medienhoch
- EU-Förderungniedrig
- Dealskeine Daten
Das Wichtigste
Finanzdienstleister melden die meisten Patente an, doch das Feld bleibt breit gestreut
Unter den Top-Anmeldern sichern sich vor allem Finanzakteure wie Capital One Services mit 15, Stripe mit 14 und Mastercard International mit 12 Patentfamilien Schutzrechte für Zahlungsverkehr (G06Q20) und maschinelles Lernen (G06N20). Dennoch halten die fünf größten Anmelder zusammen nur 13 % aller Patentfamilien im Kernfeld, und aus Deutschland kommen nur 2 % der international angemeldeten Familien. Das heißt: Es gibt kein einzelnes Standardverfahren, weshalb ihr eure spezifischen Betrugsmuster vor einer Festlegung selbst im Pilotbetrieb validieren müsst.3,4,2,5,6
Betrugserkennung wandert direkt in Endgeräte und Telekommunikation
Neben Banken integrieren Technologie- und Telekommunikationsanbieter wie Google, Samsung und Turkcell Technology Research and Development KI-Betrugserkennung direkt in Browser, Smartphones und Mobilfunknetze. Auch Spezialisten wie Daon Technology und Farxun Wisdom patentieren Verfahren gegen Audio- und Telefonbetrug. Das heißt: Wenn Kundenkontakt über Telefon, Browser oder Apps ein Teil eures Kerngeschäfts ist, solltet ihr prüfen, ob Schutzfunktionen der Plattformanbieter eure eigenen Prozesse bereits absichern.7,8,9,10,11,12
Die Wissenschaft wächst stark, liefert aber keine direkten Projektpartner in Europa
Der Anteil wissenschaftlicher Publikationen im Kernfeld wächst 2022 bis 2024 gegen 2019 bis 2021 um +255 % auf 1.672 Treffer, angeführt von indischen Hochschulen wie dem SRM Institute of Science and Technology mit 40 Arbeiten. Die meistzitierten Studien untersuchen vor allem Kreditkarten- und Online-Zahlungsbetrug, etwa an der Glasgow Caledonian University oder der University of Basel. Das heißt: Algorithmische Ansätze sind breit publiziert, müssen von euch aber an realen eigenen Transaktionsdaten statt im Forschungskonsortium erprobt werden.13,14,15,16
Die Zahlen
2016unvollständig2026
Im Kern 542 Familien, im Umfeld 204.154
So gezählt
Google Patents (BigQuery): Patentfamilien (jede Erfindung einmal gezählt), deren englischer Titel oder Kernbegriffe die Technologie („artificial intelligence“, „machine learning“, „deep learning“, „anomaly detection“) und die Anwendung („fraud“, „scam“, „anti-fraud“) nennen, nach frühestem Prioritätsjahr 2016 bis 2026: 542 Familien. Zum Vergleich das Umfeld: Die Technologie in allen Anwendungen kommt auf 204.154 Familien. Reihe, Anmelder und Anteile beziehen sich nur auf die 542 Familien mit Anwendungsbezug. Häufigste Patentklassen dieser Familien: G06N20 (237), G06Q20 (205), G06N3 (155). 2025 und 2026 sind noch unvollständig (rund 18 Monate zwischen Anmeldung und Veröffentlichung) und zählen nicht in den Trend. Anteil der international angemeldeten Familien (mindestens zwei Patentämter, EP oder WO; 93 mit bekanntem Anmelder) mit Anmelder aus Deutschland: 2 %, aus der EU-27: 11 %. Das Land eines Anmelders ist das Land, das die Mehrheit seiner Familien nennt. Anmelder: Familien je Anmelder, Schreibvarianten zusammengefasst, Privatpersonen nicht gelistet; wer fast nur gemeinsam mit einem größeren Anmelder anmeldet, ist dort zusammengefasst. Belege: Familien ab Priorität 2023, Technologie und Anwendung im Titel zuerst, dann nach Zahl der Patentämter, höchstens zwei je Anmelder. Veränderung: die letzten drei vollständigen Jahre gegen die drei davor. 95-%-Spanne +13 bis +68 %. Hell gezeichnete Jahre sind noch nicht vollständig erfasst und zählen nicht in den Trend.
2016unvollständig2026
So gezählt
OpenAlex (wissenschaftliche Publikationen): Wissenschaftliche Publikationen (Artikel, Preprints, Konferenzbeiträge, Bücher), die im Titel die Technologie („artificial intelligence“, „machine learning“, „deep learning“, „anomaly detection“) und ebenfalls im Titel die Anwendung („fraud“, „scam“, „anti-fraud“) nennen: 4.867 von 2016 bis 2026. 2025 und 2026 sind noch unvollständig (Publikationen werden noch nachgetragen) und zählen nicht in den Trend. Der Trend vergleicht den Anteil an allen erfassten Publikationen des jeweiligen Jahres, damit das Wachstum der Wissenschaft insgesamt nicht als Wachstum des Felds zählt. Institutionen: Zahl der Publikationen 2021 bis 2026 mit mindestens einer Autorin oder einem Autor der Institution. Belege: die 10 meistzitierten Publikationen ab 2023. Veränderung: die letzten drei vollständigen Jahre gegen die drei davor. 95-%-Spanne +220 bis +293 %. Hell gezeichnete Jahre sind noch nicht vollständig erfasst und zählen nicht in den Trend.
2016unvollständig2026
So gezählt
CORDIS (EU-Forschungsförderung): EU-geförderte Projekte aus Horizon 2020 und Horizon Europe mit Projektstart ab 2016, deren Titel oder Beschreibung die Technologie („artificial intelligence“, „machine learning“, „deep learning“, „anomaly detection“) und die Anwendung („fraud“, „scam“, „anti-fraud“) nennt: insgesamt 35 Projekte, gezählt nach Startjahr. 2026 ist noch unvollständig (laufendes Jahr) und zählen nicht in den Trend. Belege: die 15 Projekte mit der größten EU-Förderung unter den 50 relevantesten. Von den 35 relevantesten Projekten gehören nach Prüfung der Titel 2 zum Thema; ihre EU-Förderung beträgt zusammen 100 Tsd. €. Das ist die Förderung ganzer Konsortien, nicht Geld an einzelne Unternehmen. Partner: Koordinatoren und Teilnehmer dieser 2 Projekte. Hell gezeichnete Jahre sind noch nicht vollständig erfasst und zählen nicht in den Trend.
Wer das Feld prägt
- Turkcell Technology Research and DevelopmentTRKonzernTelekommunikations-Entwickler mit 13 Patentfamilien, unter anderem zur Identitätskontrolle und Betrugserkennung mittels Bildverarbeitung.9
- Toronto Dominion BankCAKonzernBank mit 10 Patentfamilien zu maschinellem Lernen für Betrugsprognosen und Gegenmaßnahmen.2
- Fidelity Information ServicesUSKonzernFinanztechnologie-Anbieter mit internationaler Patentanmeldung zur KI-Betrugserkennung gegen Enumerationsangriffe.4
- HSBC Group Management ServicesGBKonzernGroßbank mit internationaler Patentanmeldung für KI-basierte Betrugserkennung auf grafischen Benutzeroberflächen.3
- CleafyITStartupAnbieter, der die Analyse von Web- und Mobile-Sitzungen mittels generativer KI zur Betrugsabwehr patentiert.17
- GoogleUSKonzernTechnologiekonzern, der KI-Betrugserkennung in den Browser Chrome und zur Echtzeit-Erkennung von Telefonbetrug in Pixel-Geräte integriert.11,12,18
Build, Partner oder Invest
Strategische Relevanz: Für Sicherheits- und Finanztechnologie-Anbieter wie Actimize, Cleafy oder Trend Micro ist KI-Betrugserkennung ein neues Geschäft oder Produkt. Für Banken, Zahlungsdienstleister und Plattformen wie Toronto Dominion Bank, Expedia oder HSBC Group Management Services ergänzt und schützt sie das bestehende Kerngeschäft.Distanz zum Kerngeschäft: Das Feld verlangt Fähigkeiten in maschinellem Lernen (G06N20) sowie direkten Zugriff auf Transaktions-, Sitzungs- oder Audiodaten in Echtzeit. Es liegt nah für Unternehmen mit eigenen digitalen Zahlungsströmen und Datenpipelines, ist aber weit weg für Firmen ohne eigene Datenerfassung am Kundenkontaktpunkt.
Erst validierennaheliegend
Validiert zuerst, wenn noch unklar ist, welchen messbaren Mehrwert neue KI-Modelle gegenüber euren heutigen Regeln liefern. Das Feld ist mit 542 Patentfamilien noch früh, die fünf größten Anmelder halten nur 13 % der Patente und es gibt 0 Deal-Meldungen, weshalb ein ehrlicher Markttest mit klarem Abbruchkriterium vor dem Binden von Großbudgets der tragfähigste Weg ist.
Build
Baut selbst, wenn Betrugserkennung euer direktes Kerngeschäft im Zahlungsverkehr schützt und ihr bereits eigene KI-Teams sowie große Transaktionsdatenmengen besitzt; dagegen spricht für alle anderen, dass selbst die fünf größten Anmelder nur 13 % der 542 Patentfamilien halten und kein Standardverfahren existiert.
Partner
Partnert, wenn ihr euer Kerngeschäft um eine eng abgegrenzte Fähigkeit wie die Sitzungsanalyse von Cleafy oder die Audio-Prüfung von Daon Technology über Venture Clienting ergänzen wollt; für ein Zusammenspiel mit Hochschulen spricht in diesem Feld wenig, da der Anteil von Forschungseinrichtungen unter den Partnern der passenden EU-Projekte bei 0 % liegt.
Invest
Investiert, wenn das Feld für euch ein zentrales neues Geschäft werden soll, euch aber die eigene Technologiebasis fehlt; aktuell spricht jedoch gegen diesen Weg, dass die Auswertung 0 Deal-Meldungen zu Finanzierungsrunden oder Übernahmen im Kernfeld zeigt und sichtbare Ziele rar sind.
Hypothese: Ein eng begrenzter Pilot über Venture Clienting mit einem spezialisierten Anbieter liefert bei der Abwehr von Sitzungs-, Zahlungs- oder Telefonbetrug im Kerngeschäft schneller prüfbare Ergebnisse als eine eigene Entwicklung. Diese Annahme bestätigt sich in den nächsten 12 Monaten, wenn die Patentanmeldungen weiter breit gestreut bleiben und der Pilot eure Fehlalarmquote im Testbetrieb senkt, oder sie kippt, sobald Standardfunktionen eurer Cloud- und Endgeräteanbieter die Lücke ohne Zusatzprojekt schließen.
Wann die Antwort Nein ist
Bindet kein Budget für eigene Entwicklung, wenn ihr weder hochfrequente digitale Transaktionen noch direkte Kundeninteraktionen über Web, App oder Telefon abwickelt. Wo Zahlungsdienstleister wie Stripe oder Mastercard International das Betrugsrisiko bereits in ihrer Infrastruktur abfangen, bringt ein eigenes KI-System keinen zusätzlichen Nutzen.
Prüfpunkte für die nächsten 12 Monate
Beobachtet in den nächsten 12 Monaten, ob die Zahl der vollständigen jährlichen Patentfamilien das Niveau von 94 aus dem Jahr 2024 übertrifft und ob erstmals Übernahmen oder Finanzierungsrunden im Feld sichtbar werden. Setzt parallel einen zeitlich begrenzten Piloten mit einem Spezialanbieter wie Cleafy, Daon Technology oder LexisNexis auf einem abgegrenzten Datenbestand auf und zieht eure interne Revision von Beginn an für die Prüfung der Schutzmechanismen hinzu.
Wie hy zwischen Build, Partner und Invest entscheidet: Build, Partner oder Invest.
Was ihr klären solltet, bevor ihr Budget bindet
- Welche eurer digitalen Kunden- und Zahlungsprozesse sind durch Standardfunktionen eurer bestehenden Partner wie Mastercard International, Stripe oder Google noch nicht ausreichend gegen Betrug geschützt?
- Habt ihr die Datenqualität und die internen Prüfschleifen der Revision, um ein selbst nachkalibrierendes KI-Modell ohne die aus dem SBA-Piloten bekannten Kontrolllücken zu betreiben?
- Welches konkrete Abbruchkriterium bei Erkennungsrate und Fehlalarmen setzt ihr für einen Markttest an, bevor ihr nach der Validierung dauerhaftes Budget bindet?
30 Minuten mit dem Team Strategy & Innovation
Wir gehen das Radar mit euch durch und legen unsere Startup- und Patentdaten daneben.
Was das Radar nicht sieht
- Startups: wer jung ist, kaum patentiert und noch nicht in der Presse steht.
- Deals: Runden, Beteiligungen und Kooperationen, die nicht öffentlich gemeldet sind.
- Eure Position: was ihr schon könnt, wie weit das Feld von eurem Kerngeschäft weg ist.
Dazu bei Return on Innovation
Quellen und Methode
18 Belege
- Multi-model artificial intelligence-based scam checker · Trend Micro · JP · 2024-09-10
- System and method for predicting fraud and providing actions using machine learning · Toronto Dominion Bank · CA · 2023-02-17
- Systems and methods for graphical user interface machine learning-based fraud detection · HSBC Group Management Services · GB · 2024-11-26
- Systems and methods for using artificial intelligence for fraud detection using an enumeration detection system · Fidelity Information Services · US · 2024-06-26
- Betrugserkennung im Zahlungsverkehr mit KI stärken · ey.com · 2025-11-28
- AI is helping banks save millions by transforming payment fraud prevention · mastercard.com · 2026-02-06
- Methods and systems for training machine learning models to enhance the detection of fraudulent audio data · Daon Technology · GB · 2025-03-05
- Telephone scam protection system based on artificial intelligence · Farxun Wisdom · TW · 2024-10-11
- A system for identity control and fraud detection with artificial intelligence and image processing technologies · Turkcell Technology Research and Development · TR · 2023-12-14
- Samsung bringt KI-Betrugserkennung ins Galaxy S26 · borncity.com · 2026-03-09
- Google testet KI-gestützte Betrugserkennung in Chrome: So soll sie funktionieren · chip.de · 2024-12-26
- Google Pixel: Neue KI-Funktion erkennt Telefonbetrug jetzt in Echtzeit · smartdroid.de · 2026-03-08
- Enhancing Credit Card Fraud Detection: An Ensemble Machine Learning Approach · Glasgow Caledonian University · GB · 2024-01-03
- Online Payment Fraud Detection Model Using Machine Learning Techniques · University of Jeddah · SA · 2023-01-01
- Online payment fraud: from anomaly detection to risk management · University of Basel · CH · 2023-03-12
- E-Commerce Fraud Detection Based on Machine Learning Techniques: Systematic Literature Review · Universidade Nova de Lisboa · PT · 2024-04-22
- An anti-fraud method based on the analysis of web and mobile application sessions with the aid of generative-type artificial intelligence · Cleafy · IT · 2024-10-10
- Google Update: KI hilft dir jetzt, Betrüger zu entlarven · inside-digital.de · 2025-03-05
Methode: Wir zählen und lesen öffentliche Daten (Google Patents (BigQuery), OpenAlex (wissenschaftliche Publikationen), Online-Medien (Google News, GDELT), CORDIS (EU-Forschungsförderung)) zu den Suchbegriffen des Felds. Das Briefing ist aus diesen Belegen geschrieben, jede Aussage verweist auf ihre Quelle. Es ist ein Blick von außen: ein Indikator, kein vollständiges Bild. Ohne Daten blieben diesmal: Deals.
Was die Daten nicht zeigen: Zu Finanzierungsrunden und Übernahmen zeigt diese Auswertung nichts, ebenso fehlen öffentliche Daten zu internen Budgets, Stückzahlen, Erkennungsquoten im Realbetrieb und den Kosten fehlgeschlagener Piloten. Ihr seht von außen, wer Patente anmeldet und publiziert, aber nicht, welche Modelle in den Banken und Plattformen tatsächlich produktiv laufen.