Telefonbetrüger brauchen Aufmerksamkeit. Solange jemand zuhört, besteht für sie eine Chance, Vertrauen aufzubauen, Druck zu erzeugen oder an Geld zu kommen. Ein Forschungsansatz möchte genau diese Gesprächszeit gegen sie wenden: Ein KI-Gegenbot soll sich als mögliches Opfer ausgeben und den Anrufer beschäftigen. In der Studie „Game of Phones“ wird dieses Gegeneinander als Spiel modelliert.
Die Untersuchung von Nardine Basta und Kollegen umfasst 300 simulierte Dialoge mit Sprachmodellen. Ihr Gegenstand ist die Anpassung von Gesprächsstrategien. Wenn dabei von einer besseren Strategie die Rede ist, geht es um ein berechnetes Verhalten innerhalb dieses Versuchs. Die spannende Frage lautet: Wie entscheidet eine KI, welche Reaktion in einem solchen Gegenspiel sinnvoll ist?
Blockieren und Beschäftigen verfolgen verschiedene Ziele
Ein Anruffilter soll einen verdächtigen Kontakt möglichst vom Menschen fernhalten. Ein Gegenbot verfolgt im untersuchten Szenario einen anderen Zweck. Der Anruf gilt dort bereits als Betrugsversuch; anschließend soll der Bot Zeit des Gegenspielers binden. Für die technische Betrachtung sind Erkennung und Gegenstrategie daher zwei getrennte Aufgaben.
Das lässt sich an einem eigenen vereinfachten Gedankenexperiment sehen. Ein Betrüger könnte in einer halben Stunde mehrere kurze Gespräche versuchen. Bindet ihn eines davon lange, bleibt für die anderen weniger Zeit. Wie groß dieser Effekt tatsächlich wäre, hängt allerdings davon ab, welche Arbeit der Angreifer selbst leistet und welche er automatisiert oder parallel erledigt. Der Wert einer gebundenen Minute ist also keine feste Naturkonstante.
Ein langes Gespräch ist zudem nicht automatisch ein guter Ausgang. Würde die vermeintliche Zielperson währenddessen echte Kontodaten nennen, wäre die Zeit für den Angreifer gut investiert. Eine sinnvolle Bewertung muss deshalb mehrere Dinge gemeinsam betrachten: Dauer, preisgegebene Informationen und das Verhalten beim Abbruch. Genau hier kommt die Modellierung ins Spiel.
Ein Sprachmodell bekommt eine Strategie vor der nächsten Antwort
Im Versuch der Macquarie-Forschenden treten DeepSeek, GPT-4 und Mixtral in simulierten Rollen gegeneinander an. Pro Modell werden 100 Gespräche betrachtet, mit höchstens 50 Dialogzügen. Der Gegenbot wählt aus vorgegebenen Strategien; seine Auswahl wird anhand vorheriger Verläufe angepasst. Die Modellparameter bleiben unverändert: Der Ansatz nutzt Erfahrungen im Kontext.
Für das Verständnis hilft die Trennung zwischen Strategie und Satz. Eine Strategie beschreibt die Absicht der nächsten Reaktion. Die sprachliche Formulierung setzt sie in eine zum Verlauf passende Äußerung um. Das ist ähnlich wie bei einem Schachzug: Die Entscheidung, einen Angriff zu verzögern, ist noch nicht dieselbe Sache wie die konkrete Bewegung einer Figur.
Eine fest verdrahtete Abfolge wäre leicht vorhersehbar. Ein immer gleicher Text kann irgendwann als Muster auffallen. Eine anpassbare Auswahl soll auf den bisherigen Verlauf reagieren. Doch Anpassung braucht ein Signal dafür, welche Reaktion im gewählten Modell nützlich war. Ohne dieses Signal produziert die KI lediglich weitere Sätze.
Eine Nutzenfunktion entscheidet, was als Erfolg zählt
Ein mathematisches Spiel benötigt eine Bewertung der möglichen Ergebnisse. Die Forschenden verbinden dazu den Erhalt von Informationen mit einem Zeitaufwand. Der Nutzen des Gegenbots wird als Gegenstück zum Nutzen des Angreifers definiert. So entsteht ein Nullsummenmodell: Was der einen Seite zugutekommt, geht auf Kosten der anderen.
Diese Festlegung macht die Aufgabe berechenbar. Sie ist zugleich eine inhaltliche Entscheidung. Ein Bewertungssystem kann nur die Ziele belohnen, die darin vorkommen. Wenn etwa ein langer Dialog mehr Punkte bekommt, muss zusätzlich geregelt sein, wie schwer eine Informationsweitergabe wiegt. Sonst könnte ein Verfahren die falsche Art von Erfolg optimieren.
Ein eigenes Alltagsbeispiel verdeutlicht das: Wer bei einer Prüfung nur die Schreibdauer bewertet, belohnt möglicherweise langes Schreiben statt richtiger Antworten. Das Problem liegt dann nicht daran, dass die Teilnehmenden die Regel schlecht befolgen. Sie befolgen eine unpassende Regel sehr gut. Bei KI-Agenten stellt sich dieselbe Frage an die gewählte Erfolgsgröße.
Was die Nähe zu einem Nash-Gleichgewicht bedeutet
Die Spieltheorie betrachtet auch Mischungen verschiedener Strategien. Bei Schere, Stein, Papier wäre es ungünstig, verlässlich immer Stein zu wählen. Sobald der Gegner das Muster erkennt, kann er reagieren. Eine passend gewählte Mischung vermeidet diese einfache Ausnutzung. Ein Nash-Gleichgewicht beschreibt eine Situation, in der keine Seite durch einen einseitigen Strategiewechsel ihren erwarteten Nutzen verbessern kann, solange die andere bei ihrer Strategie bleibt.
Für ein konkretes Modell hängt ein solches Gleichgewicht von den erlaubten Zügen und deren Bewertung ab. Werden andere Strategien zugelassen oder wird Zeit anders gewichtet, kann sich auch die berechnete Mischung ändern. Das Gleichgewicht ist daher eine Aussage über die definierte Aufgabe.
Die Studie meldet eine um 28,9 bis 79,7 Prozent geringere Abweichung von der berechneten Gleichgewichtsverteilung gegenüber einer gleichverteilten zufälligen Strategiewahl. Gemessen wird diese Abweichung mit der Jensen-Shannon-Divergenz. Die Prozentwerte beschreiben weder einen Anteil gestoppter Betrugsanrufe noch eingespartes Geld. Die Autoren verwenden sie als Maß dafür, wie sich die Strategieverteilung im simulierten Spiel verändert.
Warum der reale Anrufer ein anderer Gegenspieler ist
Im Versuch stammen die Gespräche von Sprachmodellen, und die Nutzenfunktion ist von den Autoren konstruiert. Ein menschlicher Täter kann andere Ziele, Abbruchregeln oder Möglichkeiten zur parallelen Arbeit haben. Auch neue Betrugsmaschen könnten außerhalb der vorgegebenen Strategiemenge liegen. Der Schritt vom kontrollierten Spiel zu einem Schutzdienst würde deshalb weitere technische und praktische Prüfungen verlangen.
Der Forschungsnutzen liegt darin, die Entscheidung eines Gegenbots sichtbar und vergleichbar zu machen. Entwickler können untersuchen, ob er immer dieselbe Reaktion bevorzugt, wie Erfahrungen seine Auswahl verändern und ob die Bewertung das gewünschte Verhalten erfasst. Diese Fragen lassen sich auch bei anderen KI-Agenten stellen, die auf einen wechselnden Gegenspieler reagieren sollen.
Dass Betrug ein erhebliches Problem ist, zeigen etwa Meldedaten der US-Verbraucherschutzbehörde FTC für 2024: Mehr als 12,5 Milliarden US-Dollar an Verlusten wurden gemeldet. Diese Summe umfasst verschiedene Betrugsformen und Kontaktwege. Telefonanrufe waren in diesem Datenbestand der zweithäufigste gemeldete Kontaktweg, nach E-Mail. Aus solchen Meldungen lässt sich aber keine Wirkung des neuen Gegenbot-Ansatzes ablesen.
Für Privatpersonen bleibt die unmittelbare Handlung einfacher als das simulierte Bot-Duell. Das Bayerische Landeskriminalamt empfiehlt, sich nicht unter Druck setzen zu lassen, bei Geldforderungen aufzulegen und keine privaten oder finanziellen Daten preiszugeben. Die Identität eines Anrufers sollte über einen unabhängig bekannten Kontakt geprüft werden. Der eigene Anschluss muss für einen Forschungsversuch mit vermeintlichen Betrügern nicht zum Spielfeld werden.
Quellen
- Basta, Carpentier, Zhao und Kaafar: Game of Phones: Harnessing Game Theory and LLMs in Bot Wars to Counteract Phone Scams (2026-10-19)
- U.S. Federal Trade Commission: New FTC Data Show a Big Jump in Reported Losses to Fraud to $12.5 Billion in 2024 (2025-03)
- Bayerisches Landeskriminalamt: Warnung vor Betrügern am Telefon (2025-10-22)
Für diesen Artikel wurden KI-gestützte Recherche- und Editierwerkzeuge verwendet. Der Inhalt wurde redaktionell geprüft.
