Die Zunahme und Weiterentwicklung sog. „Money Mules“ – Personen, die von Betrügern zur Geldwäsche eingesetzt werden – stellt Finanzinstitute weltweit vor große Herausforderungen. In Verbindung mit wachsenden regulatorischen Anforderungen und sich wandelnden Bedrohungen im Bankensystem ist ein neuer Ansatz unumgänglich. An vorderster Front stehen dabei innovative Erkennungsmodelle, die speziell auf unterschiedliche Verhaltensmuster von Mules zugeschnitten sind – und damit der Tatsache Rechnung tragen, dass nicht alle Mules gleich handeln.
Bisher wurden Money Mules häufig unter einem gemeinsamen Begriff zusammengefasst, was zu einem eher standardisierten Vorgehen bei Erkennung und Prävention führte. Um diesen Einschränkungen zu begegnen, hat xx in Zusammenarbeit mit einigen der größten britischen Banken eine wesentlich differenziertere Klassifikation von Money Mules entwickelt, die den komplexen Rollen und variierenden Verhaltensweisen dieser Helfer finanzieller Kriminalität besser gerecht wird. Durch die gezielte Auswertung dieser Unterschiede in einem maßgeschneiderten Risikomodell lässt sich die Erkennung von Mules deutlich verbessern – und damit letztlich die Integrität eines Bankensektors stärken, der sich derzeit noch an ein neues regulatorisches PSR-Regime anpasst.
Unterschiedliche Mule-Typen
Drei unterschiedliche Mule-Typen wurden in der Analyse identifiziert:
- Complicit Mules, die wissentlich Geld waschen,
- Recruited Mules, die zur Teilnahme gedrängt oder überredet werden, und
- Exploited Mules, die unwissentlich Geldwäsche ermöglichen.
Jede dieser Kategorien weist eigene Verhaltensmuster in den betroffenen Bankkonten auf, was jeweils gezielte Erkennungsstrategien erlaubt. Wie Tests zeigen, birgt das Ignorieren dieser Heterogenität das Risiko, einen erheblichen Anteil vermeidbaren Betrugs zu übersehen.
Auffälligkeiten von Mules
Complicit Mules, die durch gezielte und koordinierte betrügerische Aktivitäten auffallen, sind vergleichsweise leicht zu identifizieren. Sie zeigen meist deutlich erkennbare Aktivitätsmuster – sporadische Logins und Transaktionen –, die nicht dem typischen Verhalten von Bankkunden entsprechen.
Schwieriger wird es bei Recruited Mules, die etwa durch Versprechen von „schnellem Geld“ im Internet angelockt werden. Häufig handelt es sich um zuvor inaktive Konten, die eine allmähliche Zunahme an Aktivität zeigen – inklusive veränderter Frequenz und Volumen von Transaktionen –, bis schließlich eine Mule-Zahlung erfolgt.
Am komplexesten sind Exploited Mules, deren Konten bis zum Erhalt betrügerischer Gelder vollkommen normales Verhalten zeigen. Ihre Erkennung gleicht der sprichwörtlichen „Nadel im Heuhaufen“ und erfordert hochspezialisierte Modelle.
Modelle zur Identifizierung
Diese unterschiedlichen Verhaltensmuster erfordern präzise Machine-Learning-Modelle, die subtile Anomalien im Kontoverhalten erkennen können. Wie aktuelle Tests belegen, übertreffen maßgeschneiderte Modelle breit angelegte „Catch-all“-Ansätze bei der Erkennung von Mule-Transaktionen deutlich und können sowohl das Volumen als auch den potenziellen finanziellen Schaden für die Organisation erheblich reduzieren.
So konnte beispielsweise ein „Catch-all“-Modell, das auf einer kleinen Stichprobe bekannter Complicit Mules „trainiert“ wurde, lediglich 25 % des potenziellen Betrugsverlusts identifizieren. Ein speziell auf diesen Mule-Typ abgestimmtes Modell, trainiert auf derselben Stichprobe, erkannte dagegen 51 % der Mule-Transaktionen und deckte damit 75 % des möglichen Schadenswerts ab. Die potenziellen Vorteile einer Verdreifachung des verhinderten Betrugsvolumens sind für Unternehmen jeder Größe signifikant.
Maßgeschneiderte Mule-Modelle
Maßgeschneiderte Mule-Modelle zeichnen sich durch ihre Fähigkeit aus, zentrale Indikatoren wie ungewöhnliche Transaktionsvolumina, unregelmäßige Überweisungsfrequenzen und plötzliche Aktivitätsspitzen zu erkennen – alles potenzielle Risikomerkmale. Solche Modelle ermöglichen es Finanzinstituten, ihre Strategien zur Betrugsbekämpfung zu verfeinern, Ressourcen gezielter in risikobehaftete Bereiche zu lenken und ihre Ermittlungsarbeit effizienter zu gestalten.
„Catch-all“-Modelle hingegen verallgemeinern Verhaltensmuster und führen zu einer höheren Zahl von Fehlalarmen sowie übersehenen Bedrohungen. Diese Analyse unterstreicht die entscheidende Rolle, die solche spezialisierten Modelle beim Schutz des Finanzökosystems vor zunehmend komplexem Betrug spielen können.
Kontinuierliche Anpassung entscheidend
Es sei noch einmal betont, dass die kontinuierliche Anpassung der Strategien entscheidend ist, da sich auch die Betrugsformen weiterentwickeln. Neue Bemühungen der Branche zur Identifizierung und Schließung bestehender Mule Accounts werden mit hoher Wahrscheinlichkeit zu einer verstärkten Rekrutierung durch Mule-Recruiter führen. Es ist davon auszugehen, dass eine neue Generation von Mules gezielt darin geschult wird, ihr Verhalten den verbesserten Erkennungsmechanismen anzupassen.
Dynamische Bedrohungslage
Angesichts dieser dynamischen Bedrohungslage müssen Banken lernen, proaktiv, systematisch und koordiniert zu handeln. Regulierungsbehörden und Finanzinstitute sollten ihre Anstrengungen eng aufeinander abstimmen und gemeinsame Standards für Klassifikation und Management von Mules definieren. Nur so entsteht ein Klima von Transparenz und Verantwortlichkeit, das echten Fortschritt möglich macht.
Auf Verbraucherseite sind Aufklärungskampagnen entscheidend, um über die Realität solcher „Quick Cash“- Angebote und die schwerwiegenden Folgen einer Geldwäscheverurteilung zu informieren – mit dem Ziel, den Zustrom neuer Rekrutierter zu unterbinden.
Denn es steht fest: Money Mules sind das Rückgrat des global vernetzten Betrugs. Werden sie gestoppt, kommt das ganze System zum Erliegen. Um diese Bedrohung wirksam zu bekämpfen, muss die Branche einen deutlich differenzierteren und gezielteren Ansatz bei der Modellierung von Risiken verfolgen.
Der Schutz von Verbraucher wie auch des gesamten Finanzökosystems hängt davon ab. Die Botschaft ist eindeutig: Die Finanzwelt muss risikoorientierte Modelle individuell zuschneiden – oder riskieren, abgehängt zu werden.
Quelle: LexisNexis® Risk Solutions, zuletzt abgerufen am 13.01.2026.
