BIGGER PICTURE Öffentliche Dienste & Alltag
US-Finanzministerium: KI half, eine Milliarde Dollar aus Scheckbetrug zurückzuholen
Bei der Ausstellung einer Zahlung entsteht ein Datensatz, bei ihrer Verarbeitung im Bankensystem ein weiterer. Das US-Finanzministerium nutzte maschinelles Lernen, um auffällige Unterschiede in großen Mengen zu erkennen.

- Gemeldete Rückholung bei Scheckbetrug
- 1 Milliarde US-Dollar
- Berichtszeitraum
- Haushaltsjahr 2024
- Betrugsentscheidung
- Menschliche Fachprüfer
So funktioniert die Idee
Ausgestellte und zurückgemeldete Angaben abgleichen
Scheckangaben werden über die Zahlungsstufen verglichen.
Verdächtige Unterschiede markieren
Maschinelles Lernen priorisiert Fälle zur Prüfung.
Untersuchen und zurückholen
Fachprüfer entscheiden und betreiben die Rückholung.
Zwei Versionen derselben Zahlung
Der Bureau of the Fiscal Service wickelt einen großen Teil der US-Bundeszahlungen ab. Scheckbetrug erzeugt ein konkretes Abgleichproblem: Stimmen die vom Bankensystem zurückgemeldeten Angaben mit dem ursprünglich ausgestellten Scheck überein? Dieser Vergleich kann verdächtige Änderungen sichtbar machen, ohne dass ein allgemeines Modell Absichten erraten muss.
Belege: [2]
Aus Abweichungen werden Prüfhinweise
In seiner Erklärung an den Kongress vom April 2024 beschreibt Treasury die Werkzeuge als Ergänzung des bestehenden Scheckabgleichs und nachgelagerter Zahlungsanalysen. Sie markieren Auffälligkeiten für Menschen, entscheiden jedoch nicht selbst, dass Betrug vorliegt. Die beschriebenen Eingaben betreffen die Zahlung selbst. Damit unterstützt KI einen klar abgegrenzten Schritt im vorhandenen Rückholverfahren.
Belege: [2]
Eine Milliarde Dollar mit klarer Abgrenzung
Für das Haushaltsjahr 2024 schrieb Treasury der beschleunigten Erkennung durch maschinelles Lernen Rückholungen von 1 Milliarde US-Dollar bei Scheckbetrug zu. Die umfassendere Mitteilung nennt über 4 Milliarden Dollar verhinderte oder zurückgeholte Fehlzahlungen aus mehreren Maßnahmen. Diese größere Summe darf nicht vollständig KI zugeschrieben werden. Belegt ist hier die von der Behörde gemeldete Scheckbetrugskomponente.
Belege: [1]
Nützliche Erkennung muss zu Handlung führen
Die öffentlichen Unterlagen liefern weder einen randomisierten Vergleich noch eine detaillierte Fehlalarmquote. Sie beschreiben aber ein operatives Ergebnis jenseits eines Genauigkeitswerts: zurückgeholtes Geld durch einen Ablauf mit Fachprüfern und Finanzinstituten. Übertragbar ist die Verbindung eines Modellsignals mit einer konkreten, überprüfbaren Handlung, deren Ergebnis sich nachvollziehen lässt.
Die Originalquellen
- US Department of the TreasuryEnhanced fraud detection processes in fiscal year 2024
- US Department of the Treasury / US CongressTreasury response to the House Judiciary Committee on AI use