Ein Kunde übermittelt eine gültige Social Security number, besteht eine Datenbankprüfung und legt ein überzeugendes Identitätsdokument vor. Alles scheint normal—abgesehen davon, dass die Person, die das Konto beantragt, tatsächlich nicht existiert.

Das ist die Herausforderung, die synthetischer Identitätsbetrug für Banken darstellt. Kriminelle geben sich nicht nur als ein einzelnes Opfer aus, sondern kombinieren echte personenbezogene Daten mit erfundenen Namen, Adressen, Telefonnummern oder Geburtsdaten, um eine neue Identität zu schaffen. Die Federal Reserve definiert dieses Verbrechen als die Verwendung einer Kombination personenbezogener Daten, um eine Person oder Organisation aus unehrlichen oder finanziellen Motiven zu fingieren.

Synthetische Identitätsbetrugsschemata können monatelang oder jahrelang unentdeckt bleiben. Betrüger leisten möglicherweise zunächst kleine Zahlungen, bauen eine glaubwürdige Kredithistorie auf und qualifizieren sich schrittweise für höhere Limits, bevor sie verfügbare Konten vollständig ausschöpfen und verschwinden. Da kein klassisches Opfer von Identitätsdiebstahl den Betrug unmittelbar meldet, kann der daraus entstehende Verlust als gewöhnlicher Forderungsausfall verbucht werden.

Das finanzielle Risiko nimmt zu. TransUnion schätzte, dass das Engagement durch synthetische Identitäten bei offenen US-Kreditkarten-, Retail-Karten-, Autokredit- und Privatkreditkonten Ende 2024 $3.3 Milliarden erreichte. Deloitte erwartet, dass synthetischer Identitätsbetrug bis 2030 Verluste von mindestens $23 Milliarden verursachen wird.

Generative KI erschwert die Eindämmung der Bedrohung, indem sie Kriminellen hilft, gefälschte Dokumente, realistische Profilfotos, Deepfake-Videos und Tausende konsistenter fiktiver Personas zu erstellen. Kein einzelnes Produkt kann alle Aspekte des Problems lösen. Banken benötigen zunehmend mehrere zusammenwirkende Ebenen, darunter Identitätsgraphen, Verhaltensbiometrie, Geräteinformationen, Dokumentenanalyse, Netzwerkverbindungen und eine kontinuierliche Überwachung von Transaktionen.

Die folgenden Plattformen zeichnen sich dadurch aus, dass sie diese Signale in Echtzeit-Entscheidungen zur Betrugsbekämpfung zusammenführen können.

Socure Sigma Synthetic Fraud

Socures Sigma Synthetic Fraud gehört zu den speziell für diesen Markt entwickelten Produkten. Statt jeden Antragsteller mit begrenzter Kredithistorie als verdächtig einzustufen, soll das Modell zwischen legitimen Verbrauchern mit dünner Datenakte oder neu zugewanderten Verbrauchern und manipulierten oder erfundenen Identitäten unterscheiden.

Es analysiert die Beziehungen zwischen Namen, Adressen, Telefonnummern, E-Mail-Konten, Geräten, IP-Adressen, Geschwindigkeitsmustern sowie umfassenderen Online- und Offline-Identitätsdaten. Socure zufolge wird das neueste Modell von allen fünf der fünf größten US-Banken sowie von großen Kartenherausgebern und Hunderten Fintech-Unternehmen eingesetzt.

Die Plattform kann über Socures umfassenderen Identitäts-Stack außerdem mit Dokumentenprüfung, Verhaltensanalyse und Geräteinformationen kombiniert werden. Dadurch können Banken einen speziell auf synthetische Identitäten ausgerichteten Risikoscore erhalten, ohne junge Verbraucher oder Antragsteller mit begrenzter konventioneller Kredithistorie unnötig zu beeinträchtigen.

SentiLink Synthetic Fraud Score

SentiLink hat sich auf die Erkennung synthetischer Identitäten während des Antragsprozesses spezialisiert. Der Synthetic Fraud Score schätzt die Wahrscheinlichkeit, dass Name, Geburtsdatum und Social Security number eines Antragstellers nicht zu einer einheitlichen Person gehören.

Das Unternehmen unterscheidet zwischen manipulierten Identitäten, bei denen jemand seinen echten Namen mit der Identifikationsnummer einer anderen Person verwenden kann, und vollständig erfundenen Identitäten, die von organisierten Betrugsringen zusammengestellt werden. Die Machine-Learning-Scores werden durch erklärbare Warnhinweise ergänzt, die Ermittlern helfen, Probleme wie verdächtige Beziehungen zu Social Security numbers, ungewöhnliche Telefonhistorien oder nicht zusammenpassende Identitätsmerkmale zu untersuchen.

Der Betrugsbericht von SentiLink für die zweite Hälfte von 2025 basierte auf mehr als 236 Millionen Kontoeröffnungsanträgen. Das Unternehmen erklärte, elf der fünfzehn größten US-Banken zu bedienen. Diese Größenordnung verschafft den Modellen Einblick in koordinierte Angriffe, die in den Aufzeichnungen eines einzelnen Instituts möglicherweise unbedeutend erscheinen.

Alloy Fraud Platform

Alloy betrachtet die Erkennung synthetischer Identitäten als Problem der Entscheidungsorchestrierung. Banken beziehen Identitätsdaten, Dokumentenprüfungen, Gerätetools und Betrugsscores häufig von mehreren Anbietern und stellen dann fest, dass die Systeme nicht wirksam miteinander kommunizieren. Alloy führt diese Signale in konfigurierbaren Workflows für Onboarding und Kontenüberwachung zusammen.

Der Fraud Signal von Alloy nutzt Machine Learning, das anhand aggregierter Verhaltens- und Risikomuster aus einem Netzwerk von mehr als 900 Finanzinstituten und Fintech-Unternehmen trainiert wurde. Die Plattform kann Informationen aus Hunderten Datendiensten kombinieren, die eigene Risikobereitschaft einer Bank anwenden und eine stärkere Verifizierung auslösen, wenn ein Antrag einen festgelegten Schwellenwert überschreitet.

Diese Flexibilität ist bei der Erkennung synthetischer Identitäten wichtig, weil das Warnsignal selten in einem einzigen offensichtlich gefälschten Dokument besteht. Häufiger handelt es sich um eine Ansammlung kleiner Unstimmigkeiten bei Kontaktinformationen, Geräten, Adressen und Antragsverläufen. Alloy soll Banken dabei helfen, diese verstreuten Hinweise in eine koordinierte Entscheidung umzuwandeln.

Sardine

Sardine kombiniert Identitätsprüfung mit Geräteinformationen, Verhaltensbiometrie, Verbandsdaten und Graphanalysen. Die Technologie kann mehr als nur die in einen Antrag eingegebenen Informationen untersuchen. Dazu gehören die Art und Weise, wie der Antrag ausgefüllt wurde, die Frage, ob ein Gerät an anderer Stelle im Netzwerk aufgetaucht ist, sowie mögliche verborgene technische Verbindungen zwischen angeblich voneinander unabhängigen Identitäten.

Sardines Connections Graph ist für Banken, die mit organisiertem synthetischem Betrug konfrontiert sind, besonders relevant, da er Kontencluster aufdecken kann, die über gemeinsame Geräte, Händler, Adressen oder Transaktionsmuster verbunden sind. Der Graph Analyst-Agent soll diese Beziehungen untersuchen und koordinierte missbräuchliche Aktivitäten sichtbar machen, die eine herkömmliche Einzellösung möglicherweise nicht erkennt.

Sardine überträgt Risikosignale außerdem über das Onboarding hinaus in Workflows zur Transaktionsüberwachung und zur Bekämpfung von Geldwäsche. Diese Betrachtung des gesamten Kundenlebenszyklus kann Banken helfen, synthetische Konten zu identifizieren, die sich zunächst normal verhalten, später jedoch verdächtige Überweisungen empfangen, Geld schnell weiterleiten oder als Teil eines Mule-Netzwerks agieren.

Feedzai

Feedzai verbindet die Identitätsprüfung bei der Kontoeröffnung mit einer laufenden Überwachung von Zahlungen und Verhalten. Die Secure-Onboarding-Funktion kann verschiedene Risikosignale über eine Schnittstelle orchestrieren und das resultierende Risikoprofil nach der Genehmigung eines Antragstellers beibehalten.

Diese Kontinuität ist wichtig, weil eine synthetische Identität die erste Prüfung bestehen und monatelang eine glaubwürdige Historie aufbauen kann, bevor sie einen Bust-out versucht. Feedzai kann Gerätemerkmale, Verhaltensänderungen und Transaktionen während dieses gesamten Zeitraums überwachen, statt das Onboarding als abschließende Identitätsentscheidung zu betrachten.

Das Unternehmen erklärt, seine Identitätsprodukte seien darauf ausgelegt, synthetischen Betrug, Identitätsmissbrauch und Kontoübernahmen über den gesamten Kundenlebenszyklus hinweg zu verhindern. In seiner globalen Umfrage unter Experten für Finanzkriminalität berichtete Feedzai außerdem, dass 90% der teilnehmenden Finanzinstitute bereits KI einsetzten, um Untersuchungen zu beschleunigen oder neue Betrugstaktiken zu erkennen. Das Ergebnis verdeutlicht die wachsende Bedeutung automatisierter Analysen für moderne Abwehrmaßnahmen von Banken.

TransUnion TruValidate Synthetic Fraud Model

Das TruValidate Synthetic Fraud Model von TransUnion profitiert von der Position des Unternehmens an der Schnittstelle von Kredithistorien, Identitätsdaten und digitaler Risikoanalyse. Das Produkt wurde entwickelt, um synthetische Identitäten zu erkennen und zugleich die Ablehnung legitimer Antragsteller zu begrenzen.

TruValidate kann Offline-Identitätsdaten über einen Identitätsgraphen mit Browser-Spuren, Daten aus Telefonnetzwerken, Geräteidentitäten und anderen digitalen Signalen kombinieren. Dadurch kann eine Bank nicht nur prüfen, ob eine Social Security number existiert, sondern auch, ob sich die vollständige Identität im Laufe der Zeit auf natürliche Weise entwickelt hat.

Die Untersuchungen von TransUnion ergaben, dass das mit synthetischen Identitäten verbundene Engagement US-amerikanischer Kreditgeber ein Rekordniveau erreichte und das Engagement bei offenen Konten Ende 2024 auf etwa $3.3 Milliarden stieg. Die Technologie kann daher sowohl die erste Prüfung als auch die Portfolioüberwachung unterstützen und Kreditgebern helfen, Identitäten zu erkennen, die erst verdächtig werden, nachdem bereits Kredit gewährt wurde.

LexisNexis Fraud Intelligence Synthetic Score

LexisNexis Risk Solutions nutzt umfangreiche öffentliche, proprietäre und branchenübergreifende Informationen, um Kombinationen von Identitätsmerkmalen zu erkennen, die in ihrer Gesamtheit nicht plausibel sind. Der Fraud Intelligence Synthetic Score bewertet mehr als 170 Identitätsmerkmale und Lebensereignisse und sucht nach Unstimmigkeiten bei Social Security numbers, Namen, E-Mail-Adressen, Telefonnummern und anderen Angaben.

Das Ergebnis wird als dreistelliger Risikoscore mit priorisierten Warncodes ausgegeben und liefert Ermittlern mehr Kontext als eine einfache Genehmigungs- oder Ablehnungsentscheidung. LexisNexis zufolge kann das Modell Anzeichen wie eine ungewöhnlich kurze Existenz bei Kreditauskunfteien, überfüllte Kontaktfelder und Identitätsmerkmale erkennen, die mit verdächtig hoher Geschwindigkeit auftauchen.

Der Score ist über eine API, die Stapelverarbeitung oder die Entscheidungsplattform des Unternehmens verfügbar. Banken können ihn daher in bestehende Onboarding-Systeme integrieren, ohne ihre gesamte Betrugsinfrastruktur neu aufzubauen.

Experian Precise ID

Precise ID von Experian kombiniert Identitätsprüfung, Betrugsanalyse und eine verstärkte Authentifizierung bei der Kontoeröffnung. Die Modelle sollen Identitätsdiebstahl, Zahlungsausfälle bei der ersten Zahlung, Bust-out-Verhalten und synthetischen Identitätsbetrug erkennen und Banken zugleich dabei unterstützen, echte Kunden automatisch zu genehmigen.

Experian greift auf kreditgeberübergreifende Kreditanfragen, demografische Informationen und einen Identitätsgraphen zurück, der zeigt, wie personenbezogene Daten im Laufe der Zeit miteinander verbunden und wiederverwendet wurden. Diese Verbindungen können offenlegen, dass eine Telefonnummer, Adresse oder Social Security number in mehreren Identitäten oder Anträgen auftaucht.

Experian zufolge nutzen neun der zehn größten US-Banken Precise-ID-Dienste, und die Plattform verarbeitet jährlich Hunderte Millionen Transaktionen. Banken können das Produkt direkt einsetzen oder über die Umgebungen Ascend und CrossCore von Experian darauf zugreifen. Damit ist es eine Option für Institute, die sich bei Kredit- und Kundenentscheidungen bereits auf Experian-Daten stützen.

BioCatch Connect

BioCatch sucht nach Betrugshinweisen in der Art und Weise, wie eine Person mit einer Banking-Anwendung interagiert. Die Verhaltensanalyse kann Tippmuster, Mausbewegungen, Aktivitäten auf dem Touchscreen, Navigationsgewohnheiten, Geräteeigenschaften und Anzeichen automatisierter oder aus der Ferne kontrollierter Sitzungen untersuchen.

Dies bietet eine weitere Schutzebene, wenn eine synthetische Identität durch Dokumente und personenbezogene Informationen gestützt wird, die technisch gültig erscheinen. BioCatch Connect kombiniert Telemetriedaten in Echtzeit mit prädiktiver Analyse sowie Tausenden von Signalen aus Anwendungen, Netzwerken, Geräten und Transaktionen.

Die Plattform soll Betrug bei Kontoeröffnungen, Bot-Aktivitäten, Kontoübernahmen und Mule-Konten entlang der gesamten Kundenreise erkennen. BioCatch zufolge wird die Technologie von mehr als 350 Retail-Banken eingesetzt und analysiert monatlich Milliarden von Nutzersitzungen.

Verhaltensbiometrie kann nicht unabhängig beweisen, dass eine Identität existiert. Sie kann jedoch aufdecken, wenn sich der Antragsteller hinter einem überzeugenden Identitätspaket wie ein Bot-Betreiber, eine Betrugsfabrik oder ein wiederholt aktiver Krimineller verhält.

Mitek Verified Identity Platform

Miteks Verified Identity Platform, allgemein als MiVIP bekannt, konzentriert sich auf eine mehrschichtige Identitätssicherung durch Datenvalidierung, Dokumentenauthentifizierung, Biometrie, Risikoanalyse und Prüfungen zur Bekämpfung von Geldwäsche. Banken können unterschiedliche Verifizierungsabläufe abhängig vom Produkt, Kunden und jeweiligen Risikoniveau konfigurieren.

Die KI-gestützten Funktionen sollen Dokumentenmanipulation, Deepfakes und andere synthetische Inhalte erkennen, die beim Remote-Onboarding zunehmend eingesetzt werden. Mitek unterstützt außerdem eine fortlaufende Authentifizierung nach der Kontoeröffnung, sodass Banken verifizierte biometrische Informationen für die Anmeldung oder die Genehmigung von Transaktionen wiederverwenden können.

Eine 2026 von Mitek und Datos Insights veröffentlichte Studie ergab, dass 84% der befragten Betrugsexperten synthetischen Identitätsbetrug als hohes oder mittleres Risiko bei Anträgen betrachteten. Dieselbe Studie schätzte die mit synthetischen Identitäten verbundenen US-Verluste bei unbesicherten Krediten im Jahr 2025 auf etwa $2.94 Milliarden. Die Ergebnisse unterstreichen die Notwendigkeit, von einmaligen Identitätsprüfungen zu einer kontinuierlichen Absicherung überzugehen.

Banken benötigen mehrere Ebenen, nicht nur einen Score

Welche Plattform für eine Bank am geeignetsten ist, hängt davon ab, wo ihre bestehenden Schutzmaßnahmen die größten Schwächen aufweisen. Ein Kreditgeber, der Schwierigkeiten hat, Verbraucher mit dünner Datenakte von erfundenen Identitäten zu unterscheiden, könnte Socure, SentiLink, TransUnion oder LexisNexis priorisieren. Ein Institut, das mit zu vielen voneinander getrennten Anbietern arbeitet, könnte stärker vom Orchestrierungsmodell von Alloy profitieren.

Banken, die mit Bot-Farmen, koordinierten Kontenclustern oder synthetischen Mule-Netzwerken konfrontiert sind, könnten Sardine, Feedzai oder BioCatch stärker gewichten. Experian und Mitek bieten Kombinationen aus Identitätsdaten, Dokumentenanalyse und verstärkter Authentifizierung.

Die übergeordnete Erkenntnis lautet, dass sich synthetischer Identitätsbetrug nicht dadurch bekämpfen lässt, dass einzelne Informationsbestandteile auf ihre Gültigkeit geprüft werden. Eine echte Social Security number, eine zustellbare Adresse und ein überzeugendes Selfie können trotzdem zu einer Person gehören, die von einem Betrugsring erschaffen wurde.

Banken müssen bewerten, ob eine Identität eine glaubwürdige Historie besitzt, ob ihr digitales Verhalten menschlich wirkt, ob ihre Bestandteile verdächtige Beziehungen aufweisen und ob ihre Aktivitäten nach dem Onboarding konsistent bleiben. KI macht synthetische Identitäten leichter erstellbar, gibt Finanzinstituten aber zugleich Werkzeuge an die Hand, um diese Hinweise zu verknüpfen, bevor aus einem fiktiven Kunden ein realer Verlust wird.