Coinbase teilte mit, dass sein speziell entwickelter KI-Agent bei der Betrugserkennung ein führendes kommerzielles KI-System übertroffen hat und deutlich schneller auf Zahlungsprüfungen reagiert: Während der Tests auf dem Onramp-Dienst des Unternehmens sanken die betrügerischen Transaktionen um 30 %, der betrügerische Transaktionswert um 22 %.

Der Agent basiert auf Qwen3.5-9B, einem Open-Weight-Modell, das Coinbase-Ingenieure mit proprietären internen Transaktionsdaten feinabgestimmt haben. Chief Executive Brian Armstrong erläuterte die Ergebnisse am 12. Oktober, nachdem das Unternehmen in der Vorwoche eine dreiteilige Engineering-Serie veröffentlicht hatte.

"We were able to fine tune an open weight model (Qwen3.5-9B) on proprietary internal data at @coinbase , and it out performed frontier models, at much lower cost and speed, for a specialized task (fraud prevention in this case). I think we'll see more of this pattern inside… pic.twitter.com/x1gort3N6P"

— Brian Armstrong (@brian_armstrong) October 11, 2026

In dem Beitrag deutete Armstrong an, dass das Ergebnis auf ein breiteres Muster hinweist: Open-Weight-Modelle, die mit proprietären Daten feinabgestimmt wurden, können enge, spezialisierte Aufgaben zu geringeren Kosten und höherer Geschwindigkeit besser bewältigen als Frontier-Systeme.

KI-Prüfer reduziert Betrug auf Onramp

Coinbase hatte den KI-Prüfer zunächst neben den bestehenden Betrugsregeln und Machine-Learning-Kontrollen auf Onramp eingeführt, dem Dienst des Unternehmens zum Kauf von Kryptowährungen mit Fiat-Geld. In einem Online-Experiment verzeichnete das Unternehmen 30 % weniger betrügerische Transaktionen und einen Rückgang des betrügerischen Transaktionswerts um 22 %.

Statt jede Zahlung isoliert zu bewerten, prüfte der Agent Sequenzen aktueller Zahlungen, um verdächtige Aktivitäten einzuschätzen. So konnte er eine Zahlung stoppen, die frühere Prüfungen passiert hatte, hatte jedoch keine Berechtigung, eine bereits bestehende Sperre aufzuheben. Das Modell lieferte ausschließlich Risikoklassifizierungen, während der Anwendungscode die finalen Transaktionsentscheidungen traf – eine Regelung, die nach Angaben des Unternehmens die Transaktionssicherheit stärkt und klare Grenzen für automatisierte Betrugspräventionsentscheidungen aufrechterhält.

Interne Tests sprechen für das kleinere feinabgestimmte Modell

Coinbase verglich mehrere Modelle anhand eines Testsatzes von 16.140 Transaktionen von 7.293 Nutzern, darunter 813 bestätigte Betrugsfälle. Das Unternehmen stellte fest, dass einige neuere Allzweckmodelle mehr Betrug übersehen, obwohl sich die Genauigkeit der markierten Transaktionen verbesserte.

Anschließend passten die Ingenieure Qwen3.5-9B, ein Open-Weight-ell mit neun Milliarden Parametern, anhand der historischen Betrugsdaten von Coinbase an. Laut dem Bericht des Unternehmens lief das Training auf einem einzelnen Grafikprozessor und kostete weniger als 100 US-Dollar.

Gegenüber Anthropic's Opus 4.5 verbesserte das angepasste Modell seinen F1-Score um 9,6 Prozentpunkte. Coinbase meldete zudem eine um 55 % niedrigere mediane Antwortzeit: Das Modell benötigte 0,683 Sekunden pro Anfrage, verglichen mit 1,515 Sekunden beim kommerziellen System, basierend auf Produktionsmessungen.

Die Ergebnisse stammen aus unternehmenseigenen Tests und nicht aus einer unabhängigen Bewertung, wie die Modelle auf anderen Zahlungsplattformen abschneiden. Der gemeldete Vergleich bezieht sich daher spezifisch auf den Transaktionsprüfungs-Workflow und die Testbedingungen von Coinbase und ist kein allgemeines Ranking der Modelle.

Klare Grenzen für automatisierte Entscheidungen

Coinbase erklärte, dass das Modell fortlaufende Tests erfordert, da sich Betrugsmuster ändern, wobei etablierte Anwendungsregeln steuern, wie das System handelt. Dieser Ansatz deckt sich mit einer Warnung des Sicherheitsunternehmens CertiK aus der Vorwoche, dass autonome Agenten klare Grenzen und menschliche Verantwortlichkeit benötigen. Für das von Coinbase beschriebene System wird die Überwachung, ob Klassifizierungen bei sich ändernden Betrugsmustern wirksam bleiben, daher Teil des Betriebs des Tools neben diesen Anwendungsregeln bleiben.

Der Einsatz spezialisierter KI zur Betrugsprävention fällt in eine Zeit, in der Blockchain-Entwickler weitere Sicherheitsanwendungen erkunden. Eine KI-gestützte Entdeckung einer Schwachstelle im XRP Ledger führte kürzlich zu einer Behebung einer Sicherheitslücke, die die unbefugte Erstellung von Token ermöglicht hätte. Separat hatte Vitalik Buterins Warnung zu KI und Wallet-Sicherheit Bedenken geweckt, dass fortschrittliche Systeme auch bestehende kryptografische Schutzmechanismen bedrohen könnten, während ein Phishing-Vorfall im Zusammenhang mit Coldcards Social-Media-Konto zeigte, dass die Kryptosicherheit auch über Betrug bei Transaktionen hinaus Bedrohungen ausgesetzt ist.