Research Report Nr. 09 · Technologie & Blockchain-Forensik

KI-gestützte Cybertrading-Betrugsnetzwerke

Wie autonome KI-Agenten den Anlagebetrug verändern werden — forensische Erkenntnisse, die Mathematik autonomer Geldwäsche und warum Blockchain-Forensik an Bedeutung gewinnt. 3. Auflage.

17 Mrd. $

Krypto-Betrug weltweit 2025 (Chainalysis)

4,5×

höherer Ertrag pro Fall bei KI-Scams

+1.400 %

Zuwachs Impersonation-Betrug (YoY)

11 %

der Betrugsfälle mit Deepfakes (Sumsub)

21 Mrd. $

Internetkriminalität USA 2025 (IC3)

8,2 Mrd. $

Geldwäsche über Nested VASPs (FATF)

Whitepaper 2026

Management Summary

Qualitativer Bruch: Autonome KI-Agenten übernehmen Kontaktaufnahme, Vertrauensaufbau und den Betrieb gefälschter Handelsplattformen — Anlagebetrug wird vom Handwerk zum skalierbaren Geschäftsmodell.
Bereits Realität: Deepfakes (Arup: 25 Mio. $), autonome „AI fraud agents“, synthetische Identitäten und FraudGPT-Abos sind heute im Einsatz, nicht 2030.
Der mathematische Kern: Stückelung (Smurfing) ist die dominante Antwort auf jede schwellenwertbasierte Kontrolle — unabhängig davon, ob Mensch oder Algorithmus entscheidet.
Das Paradox: Erfolgreiche KI-Automatisierung vervielfacht die Zahl forensisch auffälliger Strukturierungs-Ereignisse — nicht umgekehrt.
Die Kernthese: Konsistente, optimierende Systeme erzeugen regelmäßige Muster — die Grundlage lernender Erkennungsverfahren. Blockchain-Forensik gewinnt an Bedeutung, statt zu verlieren.

Methodischer Hinweis

Die in den Kapiteln 6–9 dargestellten forensischen Beobachtungen und Modelle beruhen auf wiederkehrenden Mustern aus der Fallarbeit von finanz-forensik.de. Es handelt sich ausdrücklich nicht um eine statistische Hochrechnung oder repräsentative Stichprobe, sondern um qualitative, wiederholt beobachtete Regelmäßigkeiten — vergleichbar der Methodik von Europols IOCTA. Die in Kapitel 3 genannten Kennzahlen stammen ausschließlich aus veröffentlichten Studien Dritter.

Teil ILagebild

01 Vom Einzeltäter zum autonomen Betrugssystem

„Sha Zhu Pan“ — wörtlich „das Schwein schlachten“ — bezeichnet die Masche, bei der Opfer über Wochen oder Monate emotional „gemästet“ werden, bevor ihnen scheinbar lukrative Krypto-Investments schmackhaft gemacht werden. Bislang erforderte dieses Modell viel menschliche Arbeitskraft. Diese Beschränkung entfällt mit generativer KI und autonomen Agenten. Europol beschreibt, wie große Sprachmodelle es Betrügern ermöglichen, Nachrichten „schneller, deutlich authentischer und in erheblich größerem Maßstab“ zu verfassen. Der nächste Schritt ist bereits Realität: vollautomatisierte Agenten, die Konten anlegen, Beziehungen aufbauen, beraten, überzeugen und Gelder abschöpfen — ganz ohne menschlichen Bediener.

„Kein menschlicher Betrüger verwaltet mehr einzelne Beziehungen — nur noch KI-Agenten, die rund um die Uhr, in mehreren Sprachen, Dutzende

02 Was passiert bereits heute?

Ein verbreitetes Missverständnis lautet: KI-gestützter Anlagebetrug sei ein Zukunftsszenario. Tatsächlich sind sämtliche Bausteine bereits im Einsatz:

Deepfake-Betrug: Der Arup-Fall zeigt bereits 2024 einen Schaden von 25 Mio. $ durch eine einzige Deepfake-Videokonferenz.
Autonome KI-Agenten: Laut Sumsub tauchten 2025 erste „AI fraud agents“ auf, die aus gescheiterten Versuchen lernen.
Automatisierte Callcenter: Group-IB beschreibt KI-Scam-Callcenter mit synthetischen Stimmen und Sprachmodell-Coaching.
Synthetische Identitäten: „Project Déjà Vu“ (Toronto) — hunderte Konten, Schaden ~2,9 Mio. $.
Fraud-as-a-Service: Dark-LLM-Abos wie FraudGPT werden bereits kommerziell gehandelt.

Auch das ungewöhnlich hohe Tempo internationaler Strafverfolgung 2026 ist ein Indiz dafür, dass Behörden das Problem als akut einstufen.

03 Die Bedrohungslage im Überblick

Die sechs Leitkennzahlen (siehe oben) stammen ausschließlich aus veröffentlichten Studien Dritter (Chainalysis, FBI IC3, Sumsub, FATF) und sind mit den üblichen Einschränkungen verbunden, insbesondere hoher Dunkelziffer. Auch in Deutschland ist die Entwicklung spürbar: BaFin und BKA warnten in den ersten Monaten 2026 in mehr als 150 Einzelmeldungen vor unseriösen Krypto-Anbietern.

04 Anatomie eines KI-gestützten Betrugsnetzwerks

Was früher ein Callcenter mit geschultem Personal leistete, übernehmen zunehmend spezialisierte KI-Fähigkeiten, die sich zu einer durchgängigen Pipeline zusammensetzen lassen — illustrativ als Funktionsaufteilung:

Agent A/B · Grooming

KI-Agenten pflegen parallel Dutzende bis Hunderte individuell zugeschnittene „Beziehungen“. Laut Sumsub sind Dating und Online-Medien mit 6,3 % Betrugsrate mehr als doppelt so stark betroffen wie der Finanzsektor.

Agent C · Synthetische Brokerage

Komplette KI-generierte Broker-Web- und -App-Erlebnisse inklusive KYC-Onboarding, gebrandetem Chat und frei erfundenen, plausibel wirkenden Live-Marktdaten.

Agent D/E · Routing & Geldwäsche

Reine Infrastruktur: automatisierte Weiterleitung, Stückelung und Auswahl der Cash-out-Kanäle. Teil II geht darauf im Detail ein.

Agent F · Recovery-Scam

Nach dem Verlust meldet sich — häufig KI-gestützt — ein vermeintlicher „Vermögensermittler“ gegen Vorkasse (siehe Report Nr. 08).

Deepfakes

Aus 3–5 Sekunden Audio lässt sich eine Stimme mit rund 85 % Genauigkeit klonen; Video-Deepfakes sind überzeugend genug für Live-Videocalls (Arup: 15 Überweisungen, ~25 Mio. $).

Fraud-as-a-Service

„Dark LLMs“ wie FraudGPT für 30–200 $/Monat, synthetische Identitäten teils für nur ~5 $ — der Baukasten für jedermann.

05 Typischer Ablauf eines Cybertrading-Betrugsfalls

Die Bausteine greifen zu einem mehrstufigen Ablauf ineinander, der sich in den begleiteten Fällen immer wieder in vergleichbarer Form beobachten ließ:

Erstkontakt, Vertrauensaufbau, erste Investmentempfehlung und Vertrauensbeweis (kleine, „verzinste“ Auszahlungen).
Eskalation zu größeren Summen, gelegentlich untermauert durch einen Deepfake-Videoanruf eines „Experten“.
Cash-out und Verschleierung über Zwischenadressen (Layering) und Stückelung (Smurfing).
Abbruch des Kontakts, teils gefolgt von einem Recovery-Scam als zweitem Angriff.

Vom einzelnen Betrüger zum autonomen Agentennetz. Die Geldflüsse dahinter bleiben an dieselben Blockchain-Strukturen gebunden.

Teil IIDie Wissenschaft der Verschleierung

06 Forensische Beobachtungen: Muster und ihre Ursachen

6.1 Warum die Meldeschwelle zur Zwangsbedingung wird

Nahezu jedes regulierte Finanzsystem arbeitet mit harten Meldeschwellen: In den USA verlangt der Bank Secrecy Act die Meldung von Bartransaktionen über 10.000 $; die gezielte Aufteilung darunter ist als „Structuring“ (31 U.S.C. § 5324) strafbar. Die FATF benennt die Stückelung unterhalb von Meldeschwellen ausdrücklich als Warnsignal. Daraus folgt: Stückelung ist keine kreative Erfindung, sondern die trivialste Reaktion auf jedes System, das Einzeltransaktionen gegen einen festen Schwellenwert prüft. Formal ist bei einem Gesamtbetrag V und Schwellenwert T die aufwandsärmste Umgehung die Aufteilung in n ≈ V/T Teilbeträge — die dominante Antwort jeder schwellenwertbasierten Kontrolle, ob Mensch oder Algorithmus.

6.2 Warum generative KI dieses Problem nicht lösen kann

Generative KI verbessert Überzeugungskraft, Personalisierung und Skalierung der Kontaktebene, nicht die Ebene, auf der Meldeschwellen greifen. Ob eine Konversation von Mensch oder Sprachmodell geführt wurde, ändert nichts daran, dass eine Einzahlung von 50.000 $ bei einer compliant arbeitenden Börse einen meldepflichtigen Schwellenwert auslöst. Das Paradox: Automatisiert eine Organisation die Kontaktebene erfolgreich und vervielfacht das Volumen, steigt zwangsläufig die Zahl der Stückelungstransaktionen — die Menge forensisch auffälliger Ereignisse wächst mit dem Erfolg.

6.3 Wiederkehrende Graphstrukturen: Peeling Chains, Fan-out und Fan-in

Drei wiederkehrende Graphmotive in Transaktionsnetzwerken. Folge der Meldeschwellen (6.1) und der Clustering-Heuristiken; Grundlage lernbasierter Erkennungsverfahren (Kapitel 8).

6.4 Was sich durch KI verändert — und was gleich bleibt

Was sich verändert, ist nicht das „Wie“, sondern das „Wie schnell“ und „Wie parallel“. Was strukturell gleich bleibt, ist die Notwendigkeit von Stückelung (6.1), die Begrenztheit nutzbarer Cash-out-Kanäle und die daraus entstehenden Graphmotive (6.3) — diese Zwänge liegen außerhalb dessen, was generative KI beeinflussen kann.

6.5 Neue Ermittlungsansätze

Daraus leiten sich zwei komplementäre Ansätze ab: erstens der clusterübergreifende Abgleich wiederkehrender Sammelstrukturen über mehrere Fälle; zweitens die Fokussierung auf die begrenzte Zahl an Cash-out-Endpunkten statt auf die lückenlose Rekonstruktion jedes beliebig vervielfachbaren Zwischenschritts.

07 Die Mathematik autonomer Geldwäsche

Dieses Kapitel schlägt ein konzeptionelles Modell vor, um zu erklären, warum die beobachteten Muster nahezu zwangsläufig entstehen — als Analyserahmen, nicht als empirisch validierte Theorie. Ein autonomer „Routing-Agent“ steht für jeden Betrag vor einem Optimierungsproblem mit mehreren, teils widersprüchlichen Zielgrößen.

7.2 Die sechs Zieldimensionen

1 · Entdeckungsrisiko ↓

Mehr Zwischenschritte, kleinere Tranchen, mehr Zeitverzögerung.

2 · Liquidität ↑

Zielplattformen, an denen der Wert in ausreichendem Volumen und ohne Kursverzerrung in Fiat wandelbar ist.

3 · Gebühren ↓

Jeder Hop kostet Gebühren — direkter Gegenspieler zur Risikominimierung.

4 · Sanktionen vermeiden

Abgleich der Zieladressen gegen Sanktionslisten (OFAC SDN, EU-Liste).

5 · Clustering vermeiden

Umgehung bekannter Heuristiken zwingt zu mehr Adresswechseln — Gegenspieler zur Gebührenminimierung.

6 · Zeit ↓

Schnelle Abwicklung verkürzt das Reaktionsfenster, erhöht aber die Auffälligkeit gegenüber Geschwindigkeitsregeln.

7.3 Zielkonflikte und die Pareto-Grenze

Die sechs Zielgrößen lassen sich nicht gleichzeitig optimal erfüllen: Risiko- und Clustering-Vermeidung verlangen mehr Hops, mehr Zeit, mehr Adressen — Gebühren- und Zeitoptimierung das Gegenteil. Es existiert kein einzelnes Optimum, sondern eine Pareto-Grenze nicht-dominierter Strategien.

Die Pareto-Grenze der Geldwäsche-Optimierung. Jede reale Operation wählt einen Punkt auf dieser Kurve — eine Art „Geldwäsche-Fingerabdruck“ (Revealed Preference).

7.4 Warum Optimierung selbst Spuren erzeugt: Konsistenz ist das Wesen von Optimierung — und Konsistenz bedeutet Vorhersagbarkeit. Ein menschlicher Täter variiert unregelmäßig, macht Fehler — und liefert damit paradoxerweise weniger lernbares Signal als ein diszipliniert optimierender Agent.

7.5 Von der Beobachtung zum Modell: Peeling Chains entstehen aus dem Kompromiss zwischen Risiko- und Gebührenminimierung; Fan-in-Sammelpunkte aus der Liquiditätsanforderung; gelegentliche Treffer auf sanktionierte Plattformen aus unvollständiger Sanktionsprüfung. Aus beschreibender Forensik wird ein erklärendes Modell.

08 Warum Blockchain-Forensik an Bedeutung gewinnt

8.1 Die Automatisierungs-Paradoxie: Automatisierte, optimierende Systeme treffen konsistente, regelbasierte Entscheidungen. Konsistente, wiederholte Entscheidungen erzeugen statistisch regelmäßige Muster — die Grundvoraussetzung für lernende Erkennungsverfahren.

8.2 Von regelbasierten zu lernenden Verfahren: Graphbasierte Verfahren wie Graph Convolutional Networks, trainiert auf Datensätzen wie „Elliptic“ (über 200.000 Bitcoin-Transaktionen, 94 lokale + 72 aggregierte Merkmale je Transaktion; Weber u. a., 2019), erkennen subtile strukturelle Signaturen. Je stärker Täter automatisieren, desto lernbarer wird das Signal — Erkennungssysteme werden tendenziell wirksamer, nicht schwächer.

8.3 Die Rolle des Menschen verschiebt sich: von der manuellen Nachverfolgung jedes Hops hin zur Kuratierung von Trainingsdaten, Validierung von Modellergebnissen und rechtlich-investigativer Bewertung clusterübergreifender Treffer.

Teil IIIDie Zukunft der Ermittlung

09 Autonome Geldwäsche in der Praxis

Das Modell aus Kapitel 7 lässt sich als vereinfachter Entscheidungspfad illustrieren:

Vereinfachter Entscheidungspfad eines Routing-Agenten. Prüfung gegen Meldeschwellen → Stückelung oder direkte Weiterleitung → Zielwahl → Risikoprüfung vor Cash-out. Illustratives Modell.

Dass dabei vereinzelt Plattformen mit Sanktionsbezug getroffen werden, bestätigt das Modell: Selbst ein weitgehend optimierendes System produziert über Zeit Restrisiko in mindestens einer der sechs Zieldimensionen — und genau dort liegt der Ansatzpunkt für Ermittler.

10 Vom Sha Zhu Pan zum autonomen Multi-Agenten-System

Internationale Ermittlungen haben dem personalintensiven Modell 2026 empfindliche Schläge versetzt: Im April und Mai gelang FBI, Dubai Police und dem chinesischen Ministerium für öffentliche Sicherheit die Zerschlagung von mindestens neun Betrugszentren mit 276 Festnahmen; im Juni 2026 folgte eine multinationale Aktion unter Beteiligung von Meta, Microsoft, Starlink, Coinbase und Behörden. Der ökonomische Druck aus dieser Strafverfolgung ist ein wesentlicher Treiber der Automatisierung: Je riskanter personalintensive Betrugszentren werden, desto attraktiver werden KI-Agenten ohne Lohnkosten, Fluchtrisiko oder Aussagebereitschaft.

11 KI gegen KI: das Wettrüsten

Die Abwehrseite setzt zunehmend ebenfalls auf KI: Angreifer-KI generiert Täuschung, Verteidiger-KI erkennt Anomalien in Echtzeit, Forensik-KI unterstützt die Nachverfolgung, Regulator-KI überwacht Märkte strukturell. 74 % der befragten Fraud- und AML-Verantwortlichen bezeichnen KI-gestützten Betrug bereits als größte Bedrohung — zugleich geben 67 % an, noch nicht ausreichend aufgestellt zu sein. Als wirksamste Gegenmaßnahme gilt die Liveness-Detection.

12 Warum klassische Ermittlungen künftig scheitern

Internationale Rechtshilfe ist zu langsam: ein Rechtshilfeersuchen dauert Monate bis Jahre, ein Cash-out ist in Stunden abgeschlossen.
Wallets wechseln in Sekunden: eine neue Kryptoadresse lässt sich kostenlos in Sekunden erzeugen.
Exchanges müssten automatisiert reagieren: manuell bearbeitete Ersuchen bleiben strukturell im Rückstand.
Jurisdiktions-Hopping: Täter wählen gezielt Regionen mit schwacher Regulierung oder Sanktionsbezug.

13 Regulatorische Antworten

Der EU AI Act stuft KI-Systeme zur Betrugserkennung und automatisierte Entscheidungsprozesse im Finanzsektor als „hochriskant“ ein. Ab dem 2. August 2026 müssen entsprechende Systeme Anforderungen an Transparenz, Nachvollziehbarkeit und menschliche Aufsicht erfüllen; bei Verstößen drohen Bußgelder von bis zu 30 Millionen Euro. Parallel intensivieren nationale Aufsichtsbehörden wie die BaFin ihre Verbraucherwarnungen.

14 Ausblick: 2030 – 2035 – 2040

Horizont	Erwartete Entwicklung
2030	Vollautomatisierte Multi-Agenten-Netzwerke werden zum Standard; personalintensive Betrugszentren treten zurück. Liveness- und Verhaltenserkennung wird zum Branchenstandard.
2035	Autonome Geldwäsche-Routing-Systeme werden zur Norm; Echtzeit-Risikobewertung bei der Wahl von Cash-out-Pfaden wird zur explizit eingesetzten Fähigkeit auf Täterseite.
2040	Systemische statt fallbezogene Aufsicht; die Unterscheidung zwischen menschlich und KI-initiiertem Betrug verliert für die Strafverfolgung an Bedeutung.

Teil IVPraxis und Fazit

15 Gegenmaßnahmen: Empfehlungen für die Praxis

Für Institutionen ergibt sich die Notwendigkeit mehrschichtiger Verteidigung — Verhaltensanalyse, Gerätefingerabdruck, biometrische Liveness-Prüfung und Transaktionsmonitoring in Kombination.

Für Privatanleger

Garantierte Renditeversprechen hinterfragen. Bei Drängen bewusst innehalten. Video-/Sprachanrufe über einen zweiten Kanal verifizieren. Lizenzierung prüfen. Frühe „Gewinne“ nicht als Sicherheitsbeweis werten. Vorsicht vor „Recovery“-Angeboten gegen Vorkasse.

Für Unternehmen

Zahlungsfreigaben ab definierter Schwelle an einen zweiten Verifikationskanal koppeln. Video-Autorisierungen mit vorab vereinbarten Merkmalen prüfen. Schulungen an aktuelle Deepfake-Maschen anpassen. Reaktionspläne vorab testen.

Im Verdachtsfall

Zeitnahe Sicherung von Transaktionsdaten und frühe forensische Nachverfolgung. Hashes, Wallet-Adressen und Off-Ramp-Bezüge sind on-chain dauerhaft — die Zuordnung zur Gegenpartei unterliegt Löschfristen bei Exchanges.

16 Einordnung durch Finanz Forensik

Experten-Kommentar

Warum Automatisierung uns nicht blind macht. Optimierende Systeme handeln konsistent — und Konsistenz ist genau das Signal, auf dem graphbasierte Erkennung aufsetzt. Je disziplinierter ein Netzwerk routet, desto klarer zeichnet sich sein „Fingerabdruck“ über mehrere Fälle hinweg ab.

Worauf wir den Fokus legen. Nicht die lückenlose Rekonstruktion jedes Hops, sondern die begrenzte Zahl an Cash-out-Endpunkten und clusterübergreifende Sammelstrukturen. Dort konvergiert das Geld — und dort liegt der Hebel für Auskunfts- und Einfrierungsersuchen.

Was das für Betroffene heißt. Geschwindigkeit entscheidet. Frühe Sicherung von Transaktions-Hashes und Kommunikationsspuren erhält die Beweislage, bevor Exchange-Daten Löschfristen unterliegen.

17 Fazit

KI-gestützte Cybertrading-Betrugsnetzwerke markieren einen qualitativen Bruch: Aus einem personal- und zeitintensiven Handwerk wird ein skalierbares, automatisiertes Geschäftsmodell. Gleichzeitig zeigt Teil II: Die grundlegenden Auszahlungsmuster — Smurfing, Layering, begrenzte Cash-out-Kanäle — bleiben nicht nur bestehen, sie sind mathematisch nahezu erzwungen, und die zunehmende Automatisierung macht sie tendenziell besser, nicht schlechter erkennbar.

„Die größte Gefahr autonomer KI-Agenten liegt nicht darin, dass sie Menschen ersetzen — sondern darin, dass sie Betrug schneller skalieren können, als Behörden, Banken und Ermittler ihre Schutzmechanismen anpassen können.“
finanz-forensik.de, Juli 2026

Methodik & Quellen (Auswahl)

MethodikUnterscheidung zwischen extern erhobenen, veröffentlichten Statistiken (Kapitel 3, Zahlen Dritter) und qualitativen Beobachtungen aus der Fallarbeit von finanz-forensik.de (Kapitel 5–9), vergleichbar der Methodik von Europols IOCTA und BSI-Lageberichten. Das Modell in Kapitel 7 ist ein analytischer Rahmen, keine empirisch validierte Theorie.

QuellenChainalysis: 2026 Crypto Crime Report · FBI IC3: 2025 Internet Crime Report · Sumsub: Fraud Trends / Identity Fraud Report 2025/2026 · Group-IB, 2026 · Europol: IOCTA, 2026 · BaFin: PM 12.02.2026 · FATF: Virtual Assets Red Flag Indicators, 2020; Typologien 2026 · Meiklejohn u. a. (IMC 2013) · Möser/Böhme/Breuker (APWG eCrime 2013) · Weber u. a., arXiv:1908.02591, 2019 (Elliptic) · Toronto Police Service, „Project Déjà Vu“, 2026 · Arup-Deepfake-Fall, 2024.

Kombiniert öffentlich zugängliche Studien und Behördendaten mit qualitativen, anonymisierten Beobachtungen aus eigener forensischer Fallarbeit (Stand Juli 2026). Ersetzt keine Rechts- oder Anlageberatung.

David Lüdtke

Geschäftsführer · OSINT-Analyst & Krypto-Forensiker · Finanz Forensik GmbH

Gerichtsfeste Kryptotransaktionsanalysen, OSINT-gestützte Vermögensermittlung und gutachterliche Aufbereitung für Strafverteidiger, Insolvenzverwalter und Unternehmen. Zertifiziert als Crystal Expert (CECF · CEEI · CEUI). Finanz Forensik unterstützt Kanzleien, Unternehmen, Ermittlungsstellen und Insolvenzverwalter — Schwerpunkte: Blockchain-Forensik, Wallet-Analyse, gerichtsfeste Dokumentation, OSINT.

Kontakt: postfach@finanz-forensik.de · +49 6057 9189145

Automatisierter Betrug, forensisch entschlüsselt.

Wir rekonstruieren Geldflüsse KI-gestützter Cybertrading-Netzwerke on-chain, identifizieren Cash-out-Endpunkte und unterstützen Kanzleien, Behörden und Geschädigte bei Auskunfts- und Einfrierungsersuchen.