Echter Schutz auf nationaler Ebene, auf einer Infrastruktur, die Behörden bereits nutzen.
von Mike McWhorter, Johnathan Tafoya und Stephen Hutson
Betrug und fehlerhafte Zahlungen kosten staatliche Sozialleistungsprogramme jedes Jahr Hunderte Milliarden Dollar. Betroffen sind Medicare, Medicaid, Katastrophenhilfe, Studienbeihilfen, Lebensmittelhilfe, Arbeitslosenversicherung und viele andere öffentliche Programme. Das Government Accountability Office (GAO) schätzt die jährlichen Verluste des Bundes durch Betrug auf 233 bis 521 Milliarden Dollar, wobei allein im Geschäftsjahr 2025 rund 186 Milliarden Dollar an fehlerhaften Zahlungen gemeldet wurden.
Das liegt nicht an mangelnder Aufsicht, sondern ist das Resultat eines echten Dilemmas: Diese Programme sind darauf ausgelegt, Hilfe schnell und in riesigem Umfang bereitzustellen. Bei diesem Volumen ist es fast unmöglich, jede Transaktion vor der Auszahlung eingehend zu prüfen, ohne die Hilfe für Bedürftige zu verzögern. Daher fand die Erkennung bisher meist im Nachhinein statt – nach dem Prinzip "Auszahlen und Hinterherjagen" ("pay and chase"). Doch ist ein betrügerischer Betrag erst einmal ausgezahlt, ist die Rückforderung langsam, teuer und selten erfolgreich. Genau deshalb ist die Betrugsprävention in Echtzeit so wichtig. Betrüger nutzen genau diese Lücke mit Scheinfirmen, gestohlenen Identitäten und erfundenen Ansprüchen aus und ändern ihre Taktik, sobald ein System aufgedeckt wird.
Die gute Nachricht ist, dass Behörden sich nicht mehr zwischen Schnelligkeit und besseren Entscheidungen entscheiden müssen. Fortschritte bei AI, Echtzeit-Analysen und der Zugriff auf vollständigere Daten machen es möglich, Transaktionen direkt bei der Entstehung zu bewerten, ohne die Auszahlung von Leistungen zu verzögern. Anstatt sich hauptsächlich auf nachträgliche Untersuchungen zu verlassen, können Behörden intelligente Risikobewertung (Risk Scoring), Entity Resolution, Verhaltensanalysen und Machine Learning nutzen, um verdächtige Aktivitäten zu identifizieren, bevor Gelder ausgezahlt werden. Databricks bietet die Daten- und AI-Plattform für den Aufbau und Betrieb dieser Systeme. So können Behörden schnellere und fundiertere Entscheidungen in Echtzeit treffen und gleichzeitig berechtigten Empfängern ohne unnötige Verzögerungen wichtige Hilfe zukommen lassen.
Bei Databricks kennen wir uns mit der Betrugserkennung in Echtzeit bestens aus. Wir haben Betrugserkennungssysteme für Banken, Versicherungen und Online-Händler entwickelt, die Transaktionen bewerten und betrügerische Aktivitäten blockieren, während legitime Transaktionen schnell verarbeitet werden. Diese Systeme bewerten routinemäßig Milliarden von Transaktionen pro Jahr und treffen Entscheidungen oft in wenigen Millisekunden. Wenn Sie jemals eine SMS über einen blockierten verdächtigen Kauf erhalten haben, bevor dieser autorisiert wurde, haben Sie diese Technologie wahrscheinlich schon in Aktion erlebt.
Dieselbe Technologie kann auch staatliche Hilfen schützen: Ein Antrag kann sofort bei der Einreichung bewertet und gestoppt werden, noch bevor ein einziger Cent fließt.
Die effektivsten Systeme sind mehrschichtig aufgebaut und reichen von einfachen bis hin zu hochkomplexen Methoden:
Da alle Schichten auf einer einzigen Plattform laufen, verstärken sie sich gegenseitig, anstatt in isolierten Tools nebeneinanderher zu existieren.
Visualisierung von Regel-Engine-Ergebnissen, Entity Resolution und Graph-Analysen: Ein einzelner Dienstleister wird über sechs separate Behörden-Datensätze hinweg dargestellt, was die organisationsübergreifenden Verbindungen aufdeckt, die Betrugswarnungen auslösen. Durch die behördenübergreifende Integration von Daten decken wir verborgene Muster auf, die eine einzelne Behörde nicht sehen könnte. Alle gezeigten Namen, Behörden und Zahlen sind synthetische Demodaten.
Über 80 % der Bundesministerien und -behörden nutzen bereits heute Databricks, sodass die aufwendige Arbeit des Data Engineerings oft schon erledigt ist.
Der wichtigere Grund für die Wahl der richtigen Plattform liegt jedoch darin, dass Betrug naturgemäß keine Behördengrenzen kennt. Derselbe betrügerische Akteur kann sich an eine andere Behörde oder sogar an ein anderes Programm derselben Behörde wenden und wie ein erstmaliger Bewerber mit geringem Risiko wirken. Betrüger agieren bereits so und bewegen sich flexibel zwischen verschiedenen Programmen, während die sie verfolgenden Behörden in ihren Datensilos gefangen sind.
Ein besseres Modell bei einer einzelnen Behörde ist nur eine Teillösung. Jede Schicht des Erkennungssystems, von der einfachsten Regel bis zum fortschrittlichsten neuronalen Netz, ist nur so gut wie die Daten, aus denen sie lernt. Wenn jede Behörde nur ihren eigenen Ausschnitt der Aktivitäten sieht, arbeitet jede Schicht mit einem unvollständigen Bild.
Der behördenübergreifende Austausch schließt diese Lücke. Jede Behörde steuert in Echtzeit Betrugssignale bei, was die Regeln schärft, die Modelle verfeinert und die Erkennungsrate erhöht. Je mehr Behörden sich anschließen, desto intelligenter wird das Gesamtsystem und desto eher deckt es Muster auf, die eine einzelne Behörde allein niemals hätte erkennen können.
Databricks ist genau für diese Art des Austauschs konzipiert, ohne den Datenschutz oder das Dateneigentum zu gefährden. OpenSharing tauscht Live-Daten aus, ohne sie zu kopieren, Datenmaskierung verbirgt persönliche Details unter Beibehaltung des analytischen Werts, und Clean Rooms ermöglichen es Behörden, an geschützten Datensätzen zusammenzuarbeiten, ohne sich gegenseitig Rohdaten offenzulegen – und das alles unter vollständiger Governance und Zugriffskontrolle.
Eine Live-Ansicht von Daten, die zwischen Behörden übertragen werden, ohne jemals kopiert zu werden. OpenSharing und Clean Rooms ermöglichen es jeder Behörde, Datensätze zu einer gemeinsamen Betrugsuntersuchung beizusteuern, während ihre Rohdaten geschützt und unter vollständiger Governance bleiben.
Erkennung ist nur dann wertvoll, wenn man auch danach handeln kann. Auf einer einheitlichen Plattform kann dasselbe System, das einen betrügerischen Akteur meldet, auch die Reaktion steuern: das Zurückhalten einer verdächtigen Zahlung, das Hinzufügen eines überführten Betrügers zur „Do Not Pay“-Liste und das Zusammenstellen eines anklagereifen Beweispakets, bei dem jeder Verstoß dem entsprechenden Gesetz zugeordnet ist, ergänzt durch eine AI-Zusammenfassung und einen digital signierten Audit-Trail. Der Mensch bleibt stets eingebunden („Human-in-the-Loop“) und bestätigt gemeldete Fälle, bevor Maßnahmen ergriffen werden.
Sofortige Erstellung einer gerichtsverwertbaren Beweisdatei, in der jeder Verstoß mit bestimmten Gesetzen verknüpft und durch einen kryptografisch signierten Verlauf verifiziert ist. Durch die Automatisierung des Beweispakets können sich Ermittler auf die Strafverfolgung statt auf die manuelle Dokumentation konzentrieren.
Jede Entscheidung bleibt unter menschlicher Aufsicht. Vorgänge werden erst dann gebündelt und übermittelt, wenn autorisierte Personen die formelle Freigabe erteilen, wobei jede Phase in einem permanenten Audit-Verlauf dokumentiert wird.
Mit Databricks ist das, was einst unmöglich schien, nun in großem Maßstab erprobt. Dieselbe Technologie, die jährlich 160 Milliarden Kartenzahlungen prüft und jede einzelne in Millisekunden auf Betrug bewertet, kann auch für staatliche Sozialleistungen eingesetzt werden – auf der Daten- und AI-Plattform, die Behörden bereits nutzen. Betrug wird im selben Moment erkannt, in dem er auftritt, legitime Hilfe fließt ungehindert weiter und Echtzeitschutz funktioniert endlich auf nationaler Ebene. Das ist keine Zukunftsmusik, sondern heute bereits einsatzbereit.
Erfahren Sie, wie Databricks Regierungsbehörden dabei hilft, Betrug in Echtzeit zu erkennen und zu stoppen. Entdecken Sie unsere Lösungen für den öffentlichen Sektor und den Solution Accelerator für Echtzeit-Betrugserkennung oder kontaktieren Sie unser Team, um ein Pilotprojekt zu planen.
(Dieser Blogbeitrag wurde mit KI-gestützten Tools übersetzt.) Originalbeitrag
Abonnieren Sie unseren Blog und erhalten Sie die neuesten Beiträge direkt in Ihren Posteingang.