Ad Fraud: Wie KI und hybride Systeme Klickbetrug erkennen

Stark aktualisiert am 14. August 2026

Ad Fraud – also künstlich erzeugte Klicks, Views oder Conversions – ist längst kein Randthema mehr. Klickbetrug unterwandert Budgets, verzerrt KPIs und beschädigt das Vertrauen in programmatische Werbung.

Drei Studien aus den Jahren 2024 und 2025 beleuchten unterschiedliche technische Ansätze gegen Klickbetrug. Ihr Stellenwert in der heutigen Praxis ist allerdings nicht derselbe. Maschinelles Lernen wird bereits operativ zur Fraud Detection eingesetzt. DoubleVerify etwa kombiniert nach eigenen Angaben Machine Learning mit manueller Prüfung und kontinuierlicher Analyse und aktualisiert den Schutz für Werbetreibende in Echtzeit.

Für Transparenz und Fraud Prevention in der programmatischen Lieferkette haben sich zugleich eigene Branchenstandards etabliert.

Studie 1: KI erkennt Muster, die Menschen übersehen

Maschinelles Lernen ist längst im Kampf gegen Ad Fraud angekommen. Doch welche Modelle funktionieren am zuverlässigsten? Abbas und Hilal haben verschiedene Ansätze verglichen. In ihrem Versuchsaufbau erzielt Random Forest mit 95 Prozent die höchste Genauigkeit unter den getesteten Modellen. Untersucht wurden unter anderem LightGBM, XGBoost, AdaBoost, Decision Tree, Gradient Boosting, Multi-Layer Perceptron und Extra Trees.

Die Forschenden arbeiten mit einem Datensatz zu Anzeigenklicks und vergleichen die Modelle anhand von Kennzahlen wie Accuracy, Precision, Recall und F1-Score. Random Forest erreicht dabei im untersuchten Datensatz eine Accuracy von 0,950.

Ein zentrales Element der Studie ist die Erklärbarkeit der Modelle. Mithilfe des Frameworks LIME, kurz für Local Interpretable Model-agnostic Explanations, zeigen die Autoren, wie sich einzelne Vorhersagen eines komplexen Modells nachvollziehen lassen. Damit soll transparenter werden, welche Merkmale zu einer bestimmten Klassifizierung beitragen.

Studie 2: Blockchain als Forschungsansatz für Nachvollziehbarkeit

Während maschinelles Lernen unmittelbar auf die Erkennung von Betrug zielt, untersuchen Walia und Alam mit weiteren Autoren Blockchain als technologischen Ansatz gegen Ad Fraud und für mehr Transparenz im digitalen Marketing. Ihre Arbeit wurde 2024 auf der International Conference on Communication, Computing and Energy Efficient Technologies veröffentlicht.

Die Studie ordnet Blockchain damit als möglichen technischen Ansatz für die Bekämpfung von Werbebetrug ein. Für die Bewertung aus heutiger AdTech-Sicht ist allerdings eine Unterscheidung wichtig: Die Arbeit beschreibt einen Forschungsansatz, keinen etablierten Branchenstandard.

In den aktuellen Standards und Spezifikationen des IAB Tech Lab zur Bekämpfung von Betrug und zur Transparenz der programmatischen Lieferkette spielt Blockchain keine zentrale Rolle. Dort stehen unter anderem ads.txt/app-ads.txt, sellers.json, das SupplyChain Object und ads.cert.

Studie 3: Hybride Systeme im Fokus

„Smart Guard“ klingt nach einem Produkt, ist aber der Titel einer systematischen Review-Studie. Vir und Upadhyay untersuchen darin bestehende Verfahren zur Erkennung von Klickbetrug und bewerten deren Stärken und Grenzen.

Die Autoren kommen zu dem Schluss, dass Machine-Learning- und KI-Verfahren bei der Erkennung von Klickbetrug in der Regel besser abschneiden als rein regelbasierte Ansätze. Ihre Wirksamkeit hängt zugleich von Qualität und Vielfalt der Trainingsdaten ab.

Für die weitere Forschung nennen sie insbesondere hybride Verfahren, Echtzeiterkennung und plattformübergreifende Analysen. Auch Deep Learning, erklärbare KI, Federated Learning und die Zusammenarbeit innerhalb der AdTech-Branche werden als mögliche Entwicklungsrichtungen beschrieben.

Die Studie liefert damit kein fertiges System für den Einsatz im Markt. Sie fasst bestehende Ansätze zusammen und zeigt, welche Verfahren die weitere Forschung zur Erkennung von Klickbetrug prägen könnten.

Ad Fraud: Forschung und Praxis auseinanderhalten

Die drei Arbeiten zeigen, wie unterschiedlich die technischen Ansätze gegen Klickbetrug sind. Gleichzeitig macht der Blick auf die heutige Praxis deutlich, dass sie nicht den gleichen Stellenwert haben.

Maschinelles Lernen wird bereits von Anbietern zur Fraud Detection eingesetzt. DoubleVerify beschreibt beispielsweise ein Verfahren, das Machine Learning, manuelle Prüfung und kontinuierliche Analyse miteinander verbindet.

Bei der Transparenz der programmatischen Lieferkette haben sich eigene Branchenstandards etabliert, die autorisierte Verkäufer und beteiligte Akteure überprüfbarer machen.

Aus Forschung und aktueller Praxis ergeben sich fünf zentrale Punkte:

1. Maschinelles Lernen kann bei der Erkennung von Klickbetrug hohe Genauigkeit erreichen.

Wie hoch die Genauigkeit ausfällt, hängt vom jeweiligen Modell, Datensatz und Versuchsaufbau ab. Ergebnisse einzelner Studien lassen sich deshalb nicht verallgemeinern.

2. Erklärbarkeit bleibt wichtig.

Verfahren wie LIME können dazu beitragen, nachvollziehbar zu machen, welche Merkmale die Entscheidung eines Modells beeinflusst haben.

3. Blockchain ist in diesem Zusammenhang vor allem als Forschungsansatz einzuordnen.

Die Studie von Walia und weiteren Autoren untersucht Blockchain als Ansatz gegen Ad Fraud und für mehr Transparenz. In den aktuellen Security- und Fraud-Standards des IAB Tech Lab steht die Technologie dagegen nicht im Mittelpunkt.

4. Hybride Verfahren verbinden unterschiedliche Methoden.

Die Review-Studie „Smart Guard“ nennt hybride Ansätze, Echtzeiterkennung und plattformübergreifende Analysen als wichtige Felder für die weitere Forschung. Auch in der Praxis werden unterschiedliche Verfahren kombiniert.

5. Transparenz der Lieferkette ist ein eigener Baustein gegen Ad Fraud.

Branchenstandards helfen dabei, Verkaufswege und beteiligte Akteure nachvollziehbarer zu machen.