Um 2:14 Uhr wird eine Kreditkarte, die normalerweise für Lebensmitteleinkäufe in Ohio verwendet wird, für den Kauf von Elektronikartikeln in Rumänien eingesetzt. Das Betrugserkennungssystem der Bank erkennt den Vorfall, bevor die Transaktion abgeschlossen werden kann. Der Karteninhaber erhält eine SMS. Die Zahlung wird abgelehnt. Dieser Vorgang wiederholt sich millionenfach täglich und basiert auf Mustererkennung statt auf menschlicher Überprüfung.

Moderne Betrugserkennung kombiniert Regeln und maschinelles Lernen. Einfache Regeln erkennen offensichtliche Probleme: eine Transaktion in einem Land, das man nie besucht hat, drei Tankvorgänge innerhalb von zehn Minuten oder einen Kauf, der die üblichen Ausgaben deutlich übersteigt. Modelle des maschinellen Lernens gehen noch einen Schritt weiter. Sie lernen das normale Verhalten jedes Kunden und bewerten jede Transaktion hinsichtlich ihres Risikos. Überschreitet die Risikobewertung einen bestimmten Schwellenwert, greift die Bank ein.

Zu den Tools gehören Echtzeit-Transaktionsüberwachung, Geräte-Fingerprinting, Geolokalisierungsprüfungen und Verhaltensbiometrie, beispielsweise die Art der Passworteingabe. Banken tauschen Daten über Konsortien aus, um Betrugsringe aufzudecken, die zwischen verschiedenen Instituten wechseln. Nichts davon ist perfekt. Fehlalarme verärgern Kunden und kosten Händler Umsatz. Betrüger passen sich ständig an.

Die Risiken steigen stetig. Weltweit belaufen sich die Verluste durch Kartenbetrug auf über 30 Milliarden US-Dollar pro Jahr, und Betrugsfälle im Zusammenhang mit autorisierten Push-Zahlungen nehmen sogar noch schneller zu als Kartenbetrug selbst. Banken warnen ihre Kunden mittlerweile in der App, bevor diese Geld an verdächtige Konten überweisen.