Die Reibung zwischen KI-gestütztem Handel und traditionellen Betrugskontrollmechanismen im Zahlungsverkehr hat einen kritischen Wendepunkt erreicht. Während autonome Einkaufsagenten – angetrieben durch große Sprachmodelle und Reinforcement Learning – über Handelsökosysteme skaliert werden, geraten sie zunehmend unter Beschuss durch Legacy-Betrugserkennung­ssysteme, die für menschliches Verhalten konzipiert wurden. Das Ergebnis: berechtigte Transaktionen werden gekennzeichnet, abgelehnt und abgebrochen. Der Händler verliert Umsatz. Der Karteninhaber verliert Komfort. Und die gesamte Infrastrukturkette – von Acquirern über Zahlungsprozessoren bis hin zu Kartennetzwerken – sieht sich mit einem verborgenen Bremseffekt auf das Transaktionsvolumen konfrontiert, den konventionelle Analysen selten an die Oberfläche bringen.

Chargebacks911, ein Beratungsunternehmen für Streitbeilegung und Zahlungsrisiken, hat diese Lücke mit einer Reihe von Tools geschlossen, die darauf abzielen, den agentengesteuerten Handel von Betrug zu unterscheiden. Das Vorgehen des Unternehmens unterstreicht ein tieferes Problem: Der Betrugsbekämpfungsapparat der Zahlungsindustrie wurde für eine andere Ära konzipiert. Die meisten regelgestützten und Machine-Learning-Modelle, die von Kartennetzwerken, Acquirern und Zahlungsprozessoren eingesetzt werden, wurden anhand von Mustern des menschlichen Transaktionsverhaltens trainiert – Geschwindigkeit, Geografie, Händlerkategorie, Device Fingerprinting, Verhaltensbiometrie. Ein KI-Agent zeigt von Natur aus keines dieser Signale. Er führt Transaktionen stapelweise aus. Er operiert von derselben IP-Adresse aus über Geografien hinweg. Er schließt Käufe in Millisekunden ab, ohne menschliche Verweilzeit. Für eine Legacy-Fraud-Engine sieht das wie Kontoübernahme aus. Für einen Händler sieht das wie verlorene Verkäufe aus.

Das Ausmaß dieses Problems kann noch nicht mit Präzision quantifiziert werden. Im Gegensatz zu Chargebacks, die dokumentiert und anerkannt sind, sind falsche Ablehnungen stille Verluste – unsichtbare Umsatzerosion. Branchenforschung deutet darauf hin, dass für jede erkannte Betrugstransaktion drei bis fünf legitime Transaktionen abgelehnt werden. Im Zeitalter des agentengesteuerten Handels wird sich dieses Verhältnis wahrscheinlich erheblich verschärfen. Stellen Sie sich einen B2B-Beschaffungsagenten vor, der Lieferungen im Namen eines mittelständischen Unternehmens kauft, oder einen Consumer-Wealth-Management-Bot, der Rebalancing-Geschäfte ausführt, oder einen Travel-Planning-Agent, der in schneller Folge Hotelzimmer über mehrere Objekte hinweg bucht. Jeder dieser Workflows ist legitim, hochgradig vertrauenswürdig und algorithmisch fundiert. Jeder ist aber auch nach traditionellen Betrugserkennung­smaßstäben anomal.

Die Auswirkungen verbreiten sich über den gesamten Zahlungsstapel. Für Banking-as-a-Service-Plattformen und Embedded-Finance-Anbieter stellen falsche Ablehnungen ein Leck im Customer-Experience-Funnel dar – ein Churn-Vektor, der schwer zu messen, aber leicht zu spüren ist. Fintech-Unternehmen, die White-Label-Zahlungslösungen einsetzen, müssen sich nun nicht nur mit ihren eigenen Risikomodellen auseinandersetzen, sondern auch mit den opaken Reibungsschichten, die von nachgelagerten Kartennetzwerken und Acquiring Banks eingeführt werden. Für Kartenprozessoren und Settlement-Betreiber bedeutet das Ablehnen von KI-Agenten entgangene Interchange-Einnahmen und reduzierte Transaktionsdurchsätze ohne entsprechende Senkung der Betriebskosten. Die Wirtschaftlichkeit wird für alle Beteiligten gleichzeitig ungünstig.

Was Chargebacks911 und andere neu entstehende Risk-Intelligence-Anbieter zu lösen versuchen, ist ein Klassifizierungsproblem, das nicht allein durch traditionelle Regeln gelöst werden kann. Die Unterscheidung zwischen einem kompromittierten Konto, das einen agentengesteuerten Bot ausführt, und einem legitimen agentengesteuerten Handelsworkflow erfordert Kontext: das Geschäftsmodell des Händlers, die Trainingsparameter des Agenten, die semantische Beziehung der Transaktion zu früheren Kundeninteraktionen, die Konfidenzwerte des KI-Systems, das den Kauf orchestriert. Dies ist im Grunde eine neue Ebene von Betrugs-Intelligence, die zwischen dem Händler und dem Kartennetzwerk sitzt – eine Middleware, die die Agent-Absicht in Signale übersetzt, die Legacy-Fraud-Systeme verarbeiten können. Es ist Validierung durch Transparenz, und es erfordert, dass Fintech-Plattformen und Zahlungsnetzwerke anfangen, agentengesteuerten Handel als eine eigenständige Transaktionsklasse zu instrumentieren, getrennt von menschlich initiiertem und betrügerischem Fluss.

Die behördlichen und architektonischen Implikationen sind tiefgreifend. Regulatoren bei der Europäischen Bankenaufsichtsbehörde und der U.S. Federal Reserve haben begonnen, Bedenken hinsichtlich KI-gesteuerter Finanzaktivität zu äußern, aber ihr Fokus lag bisher hauptsächlich auf Systemrisiken, Marktmanipulation und algorithmischen Verzerrungen – nicht auf dem granularen Problem falscher Ablehnungen. Doch falsche Ablehnungen sind auf ihre eigene Weise ein Stabilitätsproblem: Sie stellen eine implizite Steuer auf Automatisierung dar, einen Bremskoeffizient für die Effizienzgewinne, die KI versprechen soll. Wenn die Zahlungsinfrastruktur legitime agentengesteuerte Transaktionen von Betrug nicht zuverlässig unterscheiden kann, flacht die Adoptionskurve für autonomen Handel ab. Händler kehren zu Human-in-the-Loop-Workflows zurück. Die Produktivitätsgewinne verschwinden. Der wirtschaftliche Fall für KI verschlechtert sich.

Der Weg nach vorne erfordert eine Neukalibrierung, wie Betrug im Zahlungsökosystem erkannt und kommuniziert wird. Kartennetzwerke und Acquirer müssen neue Feature-Engineering-Ansätze einführen, die das Agenten-Verhalten berücksichtigen: nicht nur Transaktionsmerkmale, sondern Agent-Herkunft, Modell-Governance, Audit Logs. Payment-Orchestrierungsplattformen müssen diese Signale bidirektional offenlegen – es Händlern erlauben, ihre Agenten zu zertifizieren, und es Netzwerken ermöglichen, die Risikobewertung entsprechend anzupassen. Dies ist weder ein rein technisches noch ein rein operatives Problem; es sitzt an der Schnittstelle, und es erfordert institutionenübergreifende Koordination, die die Zahlungsindustrie historisch gesehen schwer ausgeführt hat.

Für Codego und andere Infrastruktur-Builder ist die Herausforderung, diese agent-bewusste Risk-Intelligence im Kern der Zahlungsverarbeitung einzubetten, nicht als Add-on. Während Fintech-Plattformen agentengesteuerte Handelsangebote skalieren – sei es in Ausgabenverwaltung, Beschaffung, Trading oder Consumer Shopping – kann die Betrugserkennung­sschicht nicht länger eine Black Box bleiben, die von Legacy-Netzwerken geerbt wurde. Sie muss transparent, überprüfbar und zweckgebunden für ein Transaktionsuniversum sein, in dem nie ein Mensch den Bildschirm sieht.

Quellen: PYMNTS · 1. Mai 2026