Wichtigste Erkenntnisse
- In der ersten Hälfte des Jahres 2026 haben die KI-gestützten Risikosysteme von Binance mehr als 8 Millionen Nutzer geschützt und potenzielle Verluste in Höhe von rund 4,6 Milliarden US-Dollar verhindert.
- KI beeinflusst heute 80 % bis 90 % der Echtzeit-Risikoentscheidungen in den Bereichen Identitätsprüfung, Kontosicherheit, Zahlungen und Transaktionsüberwachung, während menschliche Prüfer die Grenzfälle bearbeiten, die ein feineres Urteilsvermögen erfordern.
- Über 100 KI-Modelle steuern die Betrugserkennung, um Scams, gefälschte Dokumente und Social-Engineering-Angriffe im großen Maßstab zu erkennen.
📷
Ein gefälschter Zahlungsbeleg oder ein manipuliertes Ausweisdokument kann heute innerhalb von Sekunden erstellt werden, und ein Betrugs-Skript lässt sich nahezu kostenlos auf ein einzelnes Opfer zuschneiden. Da Täuschung immer günstiger wird, ist die einzige realistische Möglichkeit, Schritt zu halten, eine kontinuierliche Bewertung von Risiken – im großen Maßstab und in Echtzeit.
Genau hier hat sich KI zum zentralen Element entwickelt, wie Binance seine Nutzer schützt. In der ersten Hälfte des Jahres 2026 haben die KI-gestützten Risikosysteme von Binance dazu beigetragen, mehr als 8 Millionen Nutzer zu schützen und potenzielle Verluste in Höhe von rund 4,6 Milliarden US-Dollar zu verhindern. Dies umfasst ungewöhnliche Handelsaktivitäten, Versuche der Kontoübernahme, Betrugsmaschen und Transaktionsbetrug.
Dieser Blogbeitrag analysiert die Zahlen: Wo KI entlang der gesamten User Journey eingesetzt wird, wie interne und externe Modelle zusammenarbeiten, warum menschliche Prüfer weiterhin im Mittelpunkt stehen und wie dieser Ansatz über die reine Verlustprävention hinaus auch Compliance und interne Abläufe unterstützt.
Binance setzt über 100 KI-Modelle für Echtzeit-Nutzerschutz ein
Im ersten Halbjahr 2026 hat Binance Millionen von Betrugs- und Phishing-Versuchen abgefangen, mehr als 42.000 schädliche Adressen auf die Blacklist gesetzt und täglich über 14.000 Echtzeit-Warnungen ausgesprochen.
Diese Ergebnisse basieren auf einer KI-Infrastruktur, die Binance intern aufbaut, trainiert und überwacht. Wir betreiben inzwischen mehr als 100 KI-Modelle in unseren Anti-Betrugs- und Anti-Scam-Kontrollen. Dabei legen menschliche Risikoanalysten die Schwellenwerte fest, prüfen Grenzfälle und aktualisieren die Modelle, wenn neue Betrugsmuster auftauchen.
Im Bereich KYC (Identitätsprüfung) haben unsere KI-unterstützten Prüfprozesse in bestimmten Workflows Effizienzgewinne von bis zum 100-fachen gegenüber manuellen Prozessen erzielt, wobei Spezialisten bei risikoreicheren Fällen weiterhin eingebunden bleiben.
Binance integriert KI-Risikoschutz in die gesamte User Journey
KI ist in die gesamte User Journey eingebettet, überall dort, wo Echtzeit-Risikoentscheidungen getroffen werden müssen. Dazu gehören die Identitätsprüfung, die Kontosicherheit (z. B. die Erkennung von Anzeichen einer Kontoübernahme), Zahlungen sowie die umfassendere Transaktionssicherheit und -überwachung.
Jede Aktion wird in Echtzeit bewertet, und die große Mehrheit wird automatisch gelöst. So kann der Schutz in der Plattformgröße funktionieren, ohne legitime Nutzer zu verlangsamen, da die meisten Menschen die Hintergrundprüfungen gar nicht bemerken.
Ein hybrider Modell-Stack, intern entwickelt und darüber hinaus
Binance nutzt eine Mischung aus proprietärer und externer Technologie. Interne Modelle sind speziell auf die auf der Plattform beobachteten Risiken zugeschnitten, während führende externe KI- und Foundation-Modelle breitere Schlussfolgerungsaufgaben übernehmen.
Dieser hybride Ansatz hält die Erkennung an der Spitze der KI-Fähigkeiten, bewahrt aber gleichzeitig einen Vorteil, der genau auf die Nutzer, Produkte und die Skalierung von Binance zugeschnitten ist. Es bedeutet auch, dass neue Fähigkeiten schnell übernommen werden können, sobald sich das breite KI-Umfeld weiterentwickelt.
Neben den Erkennungsmodellen betreibt Binance ein internes Red Team, das die Abwehrmaßnahmen so testet, wie es ein echter Angreifer tun würde. Dazu gehört auch die Prüfung, wie neuartige Technologien gegen die Plattform eingesetzt werden könnten.
Jimmy Su, Chief Security Officer bei Binance, erklärt: „Diese Übungen helfen uns, Schwachstellen zu identifizieren, bevor Angreifer sie finden, zu validieren, dass unsere Kontrollen unter realistischen Bedingungen funktionieren, und die Menschen, Prozesse und Technologien, die unsere Nutzer schützen, kontinuierlich zu stärken. In der Sicherheit kann man nicht einfach davon ausgehen, dass die Verteidigung funktioniert – man muss sie herausfordern.“
Beispiel: Mehrschichtige Abwehr gegen Social Engineering
Manche Angriffe zielen darauf ab, die Technologie vollständig zu umgehen und stattdessen Vertrauen auszunutzen. Im P2P-Handel sind Social-Engineering-Versuche besonders häufig.
Bei Binance erkennen interne Computer-Vision-Modelle gefälschte Zahlungsbelege durch die Analyse von Transaktionsdetails und subtilen Bildmanipulationen. Natural-Language-Processing-Modelle identifizieren betrügerische Nachrichten im Chat. Traditionelle Machine-Learning-Modelle bewerten das Risikoniveau jeder Bestellung. Darüber hinaus helfen Large Language Models dabei, die Absicht hinter Nachrichten zu interpretieren und Betrugstexte zu erkennen, die in Bilder eingebettet sind.
Maschinen screenen, Menschen entscheiden, Modelle lernen
Während KI hervorragend bei der Entdeckung und groben Vorabprüfung ist, bleiben Menschen für die feingranulare Validierung und kontextuelle Urteilsbildung unerlässlich. Die Erkennung von Lebhaftigkeit (Liveness Detection) und gefälschten Ausweisdokumenten ist ein gutes Beispiel dafür. KI kann große Mengen schnell vor-screenen und verdächtige Fälle hervorheben, aber viele Grenzfälle erfordern weiterhin menschliche Prüfer, die präziser labeln und urteilen.
Wenn neue Angriffsmuster auftauchen, hilft KI dabei, diese zu entdecken und zu identifizieren, und diese Erkenntnisse werden dann zur Feinabstimmung der Modelle genutzt. Das Ergebnis ist ein kontinuierlicher Kreislauf, in dem KI Skalierbarkeit bietet und Menschen Genauigkeit sicherstellen. Im gesamten Betrugskontrollbereich treffen KI-Modelle 80 % bis 90 % der Echtzeit-Risikoentscheidungen und unterstützen etwa 45 % der menschlichen Review-Workflows.
Um die KI in diesem Maßstab rechenschaftspflichtig zu halten, wendet Binance eine strukturierte Modell-Governance über den gesamten Lebenszyklus des Modells hinweg an, von der Entwicklung und Validierung bis hin zum Deployment und der laufenden Überwachung. Modelle werden vor dem Livegang auf Verzerrungen (Bias) und Genauigkeit getestet, und ihre Leistung wird kontinuierlich anhand von Ergebnissen in der realen Welt verfolgt.
Wenn die Präzision eines Modells driftet oder die Rate der False Positives akzeptable Schwellenwerte überschreitet – was durch den oben genannten menschlichen Review-Prozess festgestellt wird –, wird es automatisch zur Nachschulung markiert. Dies stellt sicher, dass automatisierte Entscheidungen fair, nachvollziehbar und auditierbar bleiben – und nicht nur schnell.
Über die Verlustprävention hinaus: Compliance und interne Effizienz
Neben dem Schutz unserer Nutzer nutzen unsere Compliance-Teams KI-unterstützte Automatisierungstools, um Prozesse wie die KYC-Betrugserkennung und die Ausführung der Transaktionsüberwachung zu skalieren und zu standardisieren.
Mehr als 24 KI-Initiativen wurden in den Bereichen Nutzer-Onboarding, Eskalation von Screening-Fällen und Partner-Due-Diligence eingesetzt. Diese Modelle sortieren Fälle nach Priorität, erkennen Muster in komplexen Datensätzen – einschließlich On-Chain-Aktivitäten und Geräte-Fingerprints – und leiten die richtigen Probleme an menschliche Prüfer weiter, während Fehlalarme minimiert werden.
Intern ist der Effekt ähnlich. Analysten nutzen KI, um schneller in den Bereichen Analyse, Monitoring und Model Deployment zu arbeiten, während Operationsteams sie zur Unterstützung bei Ermittlungen und Falldetails einsetzen. In beiden Fällen ist das Ziel dasselbe: repetitive Aufgaben abzugeben, damit sich Menschen auf wertvollere Entscheidungsfindungen konzentrieren können. Dies spiegelt sich in der Adoption wider – das interne Agentic Tool von Binance wird nun von etwa 72 % der Teams genutzt, unterstützt durch unternehmensweite Schulungen, Prompt-Engineering-Programme und strukturierte Aufsicht.
Grundlage all dessen ist ein Engagement für Privacy by Design. Die KI-Systeme von Binance operieren innerhalb eines privacy-first-Rahmens, in dem Datenminimierung, Zweckbindung und Schutz der Nutzerrechte in die Entwicklung und Bereitstellung der KI-Modelle integriert sind. Das Ziel ist klar: Nutzer vor finanziellem Missbrauch und Schaden schützen, ohne ihr Recht auf Datenschutz zu beeinträchtigen – und dies transparent zu tun, damit Nutzer verstehen, dass Schutzmechanismen im Hintergrund wirken, ohne dass ihre Daten über das für die Aufgabe erforderliche Maß hinaus verwendet werden.
Abschließende Gedanken
Bei Binance ist der Schutz der Nutzer eine Priorität, in die wir kontinuierlich investieren. KI bietet die Skalierbarkeit; Menschen bieten das Urteilsvermögen. Da die Werkzeuge zur Erzeugung von Täuschung immer günstiger werden, muss sich diese Kombination ständig verbessern – was bedeutet, Modelle nachzuschulen, Schwellenwerte zu verfeinern und erfahrene Analysten bei den Fällen einzusetzen, die sie benötigen.
Haftungsausschluss: Dieser Inhalt wird Ihnen „wie besehen“ ausschließlich zu allgemeinen Informations- und Bildungszwecken bereitgestellt, ohne jegliche Zusicherung oder Gewährleistung. Er sollte nicht als Finanzberatung ausgelegt werden und empfiehlt auch nicht den Kauf eines bestimmten Produkts oder einer Dienstleistung. Die Preise digitaler Assets können volatil sein. Der Wert Ihrer Investition kann sinken oder steigen, und Sie erhalten möglicherweise nicht den investierten Betrag zurück. Sie sind allein für Ihre Anlageentscheidungen verantwortlich, und Binance haftet nicht für Verluste, die Ihnen entstehen mögen. Keine Finanzberatung. Für weitere Informationen siehe unsere Nutzungsbedingungen und Risikowarnung.
