43. KI‑basierte Erkennung durch Eligibilitätsregel‑Lücken

Die Erkennung von Link Cloaking erfordert ein tiefes Verständnis sowohl der technischen Tricks als auch der logischen Lücken in den Anspruchsregeln. Moderne Lösungen setzen auf einen mehrschichtigen Ansatz:

1. Regel‑basierte Vorfilterung (Rule‑Based Engine)

Eine erste Stufe prüft klare Kriterien:

• Domain befindet sich auf einer Whitelist vertrauenswürdiger Airline‑ oder GDS‑Domains.
• Keine bekannten URL‑Shortener oder IP‑Adressen aus Black‑Listen.
• URL enthält keinerlei verdächtige Kodierung (z. B. doppeltes Prozent‑Encoding).
• Keine JavaScript‑Umleitung im <a>‑Tag (bei HTML‑Eingaben).

Diese Regeln können jedoch leicht umgangen werden, wenn Angreifer neue Domains oder Verschleierungstechniken einsetzen.

2. Maschinelles Lernen zur Anomalieerkennung

Im zweiten Schritt wird ein Modell trainiert, das Merkmale aus der URL, dem umgebenden Text und dem Kontext des Anspruchsformulars extrahiert. Typische Features:

• Entropie des URL‑Strings (hohe Entropie deutet auf Encoding oder Zufälligkeit hin).
• Länge und Anzahl von Sonderzeichen.
• Präsenz von @, #, % in ungewöhnlichen Positionen.
• Semantische Ähnlichkeit zu bekannten Phishing‑Mustern (mittels BERT‑basiertem Text‑Embedding).
• Kontextuelle Inkonsistenz: Does the promised landing page match the claim’s flight data? (z. B. ein Link zu “Flugstatus” führt zu einer Seite über “Kreditkarten‑Upgrade”).
• Verhalten bei Head‑Requests: Liefert der Server einen anderen Content‑Typ als erwartet (HTML vs. JSON)?
• Reputation des hostenden ASN (Autonomous System Number) und Geolocation‑Anomalien.

Modelle wie Isolation Forest, One‑Class SVM oder Autoencoder können aus diesen Features Anomalien erkennen, ohne dass explizite Beispiele von Cloaking vorliegen müssen.

3. Explainable AI (XAI) für Transparenz

Um regulatorischen Anforderungen (z. B. EU AI Act, DSGVO) zu entsprechen, muss die Entscheidung nachvollziehbar sein. Techniken wie SHAP (SHapley Additive exPlanations) oder LIME (Local Interpretable Model‑agnostic Explanations) zeigen, welche Features zur Anomaliebewertung beigetragen haben. Damit können Betreiber nachvollziehen, warum ein bestimmter Link als verdächtig eingestuft wurde – ein entscheidender Schritt für Audits und mögliche Rechtsstreitigkeiten.

4. Feedback‑Loop und kontinuierliches Lernen

Ein statisches Modell veraltet schnell. Durch ein Feedback‑Loop, bei dem bestätigte Fälle von Cloaking (z. B. nach einer erfolgreichen Phishing‑Meldung) dem Training wieder zugeführt werden, bleibt das Modell adaptive. Hierbei spielen auch Human‑in‑the‑Loop-Prozesse eine Rolle: Analysten überprüfen Grenzkfälle und labeln sie neu, wodurch das Modell seine Decision Boundary anpasst.

5. Integration in das Anspruchs‑Workflow

Die Erkennung muss nahtlos in den bestehenden Anspruchs‑Prozess eingebettet werden. Ein typischer Ablauf sieht folgendermaßen aus:

1. Eingang des Anspruchsformulars (Web‑Formular, API, E‑Mail).
2. Extraktion der Flugdaten und Generierung des Rückmelde‑Links.
3. Durchlauf des Regel‑Filters → bei Verstoss sofortige Ablehnung und Alert.
4. ML‑Anomalie‑Scoring → bei Score > Schwelle (z. B. 0,85) Manuelle Review auslösen.
5. Optional: Sandbox‑Ausführung des Links in einer isolierten Umgebung, um das Endverhalten zu beobachten.
6. Entscheidung: Anspruch freigeben, zurückweisen oder zur weiteren Untersuchung stellen.

Durch diese Stufen werden sowohl offensichtliche als auch subtile Cloaking‑Versuche erkannt, während die Bearbeitungszeit für legitime Ansprüche möglichst gering bleibt.

54. Aktuelle Fälle, Rechtsprechung und regulatorische Entwicklungen

Die Theorie trifft auf die Praxis: In den letzten Monaten wurden mehrere Vorfälle bekannt, bei denen KI‑Systeme entweder ausgenutzt wurden oder versagten, wodurch Rechtsprechung und Regulierung reagierten.

Fallstudie: KLM und AI‑gestützte Anspruchsablehnung

Ein Reddit‑Nutzer beschrieb, wie er mittels einer speziell konstruierten URL‑Parameter‑Kombination die KI von KLM dazu brachte, seinen Anspruch auf Grundlage von EU‑Verordnung 261/2004 fälschlicherweise abzulehnen. Der Link enthielt ein gekodetes Fragment, das die KI‑Regel‑Engine täuschte, indem er ein vermeintlich gültiges Flughafen‑Code‑Paar vortäuschte, während das eigentliche Ziel eine interne Testseite war. Nach öffentlicher Druck führte KLM eine interne Überprüfung durch und passte ihre Rule‑Based‑Engine an, um doppelte Prozent‑Encodings zu blockieren.

AirHelp und virtuelle Rechtsanwälte

AirHelp nutzt eine KI‑gestützte Virtuelle Kanzlei, die Anspruchsschreiben generiert und gleichzeitig die Berechtigung prüft. In einem Pressemitteilung vom Fast Company‑Artikel hieß es, dass die Plattform binnen 60 Sekunden die Berechtigung ermittelt, die Entschädigungssumme berechnet und ein vollständiges Claim‑Packet erstellt. Dabei wurde jedoch auch darauf hingewiesen, dass die KI ständig gegen neue Cloaking‑Techniken abgeprüft wird, um Fehlentscheidungen zu vermeiden.

Regulatorische Reaktionen

• EU AI Act (2024/2025): Klassifiziert KI‑Systeme zur automatisierten Entscheidungsfindung im BereichVerbraucherschutz als „high‑risk“. Damit verpflichten sich Anbieter zu Transparenz, Risikobewertung und menschlicher Aufsicht.
• DSGVO: Verarbeitet personenbezogene Daten (Passnummer, Buchungscode) im Rahmen des Anspruchsprozesses, wodurch eine Datenschutz‑Folgenabschätzung (DPIA) erforderlich ist, insbesondere wenn URL‑Daten analysiert werden.
• FTC‑Klage gegen Air AI: Die US‑Handelskommission klagte gegen ein Unternehmen, das angeblich irreführende Aussagen über die Wirksamkeit seiner KI‑Betrugserkennung traf. Das Urteil unterstreicht, dass behauptete Detection Rates belegt werden müssen.
• Lokken Court Entscheidung: Ein US‑Gericht erlaubte die Einsichtnahme in die Nutzung von KI durch Versicherer, um zu prüfen, ob Algorithmen ärztliche Entscheidungen ersetzen – ein Präzedenzfall, der ebenfalls für Fluggesellschaften relevant sein kann, wenn KI über Anspruchsentscheidungen entscheidet.
• Law360 Analyse zu FCA‑Durchsetzung: Juristen warnen, dass regulatorische Lücken in der KI‑Überwachung zu vermehrten False Claims Act‑Durchsetzungen führen könnten – ein Hinweis darauf, dass Unternehmen proaktiv Compliance‑Nachweise erbringen müssen.

Auswirkungen auf die Branche

Diese Entwicklungen zwingen Fluggesellschaften und Anspruchs‑Portale, ihre Systeme zu überprüfen:

• Erhöhung der Investitionen in Explainable AI und Audit‑Trails.
• Einführung von regelmäßigen Pen‑Tests speziell für URL‑Cloaking und Adversarial Examples.
• Aufbau von interdisziplinären Teams aus Data Scientists, Rechtsanwälten und Compliance‑Officern.
• Nutzung von RegTech‑Lösungen, um kontinuierlich Änderungen im AI Act und in nationalen Fluggastrechts‑Verordnungen zu verfolgen.

65. Best Practices für Fluggesellschaften und Anspruchsteller

Um sowohl betrügerische Versuche als auch ungerechtfertigte Anspruchsablehnungen zu minimieren, haben sich folgende Praktiken bewährt:

Für Fluggesellschaften und KI‑Anbieter

• Defense‑in‑Depth: Kombiniere Regel‑Based‑Filter, ML‑Anomalieerkennung und manuelle Stichprobenkontrolle.
• Regelmäßiges Retraining: Aktualisiere Trainingsdaten mindestens quartalsweise mit neuen Cloaking‑Beispielen.
• Explainability verpflichtend: Setze SHAP‑ oder LIME‑Erklärungen bei jeder automatisierten Entscheidung, die über einen bestimmten Risiko‑Score hinausgeht.
• Sandbox‑Analyse: Führe jedes unbekannte Link‑Target in einer isolierten Umgebung aus, um das endgültige Verhalten zu beobachten (Drive‑by‑Download, Phishing‑Formular).
• Monitoring und Alerting: Implementiere Echtzeit‑Dashboards, die Anomalien in URL‑Features, Scores und manuellen Reviews visualisieren.
• Compliance‑Dokumentation: Erstelle ein AI‑Model‑Card und ein Datensatz‑Datasheet gemäß den Vorgaben des EU AI Act.
• Human‑in‑the‑Loop: Definiere klare Eskalationsschwellen, bei denen ein menschlicher Prüfer eingreift (z. B. Score > 0,9).
• Pen‑Testing & Red‑Team‑Übungen: Simuliere Angriffe mit bekannten Cloaking‑Techniken, um Schwachstellen frühzeitig zu erkennen.
• Lieferketten‑Sicherheit: Stelle sicher, dass Drittanbieter (z. B. GDS‑Provider, Payment‑Gateways) ebenfalls ähnliche Sicherheitsstandards einhalten.

Für Anspruchsteller und Verbraucher

• URL‑Prüfung: Bevor du auf einen Link in einer Anspruchs‑Bestätigung klickst, halte über den Link und prüfe die tägliche Ziel‑URL (z. B. mittels Rechtsklick → „Linkadresse kopieren“).
• Verwendung von Official‑Portals: Reichen Sie Ansprüche möglichst über die offizielle Webseite oder App der Fluggesellschaft oder über vertrauenswürdige Rechts‑Tech‑Dienste wie AirHelp, Flightright oder Refund.me.
• Phishing‑Awareness: Achten Sie auf ungewöhnliche Domainnamen, Rechtschreibfehler oder verlangte sensiblen Daten (z. B. PIN, vollständige Kreditkartennummer) in Anspruchs‑E‑Mails.
• Dokumentation aufbewahren: Bewahren Sie Boardingpass, Buchungsbestätigung und alle Kommunikationen auf – sie sind im Streitfall essenziell.
• Rechtliche Beratung bei Zweifel: Wenn ein Anspruch abgelehnt wird und Sie Unregelmäßigkeiten vermuten, konsultieren Sie einen Fachanwalt für Fluggastrecht oder eine Verbraucherzentrale.
• Melden von Verdachtsfällen: Informieren Sie die Fluggesellschaft bzw. die Plattform über sospechtige Links – dadurch helfen Sie, das System zu verbessern.

Erfolgsmessung: KPIs für ein sicheres KI‑Anspruchssystem

76. Fazit und Ausblick

Die Kombination aus immer ausgefeilteren KI‑Modellen und zunehmend kreativen Betrugs­techniken wie Link Cloaking stellt die Fluggastrechts‑Branche vor eine erhebliche Herausforderung. Gleichzeitig bieten genau diese Technologien die Mittel, um derartige Manipulationen zu erkennen und zu verhindern – vorausgesetzt, sie werden verantwortungsvoll, transparent und kontinuierlich verbessert eingesetzt.

Die zentralen Erkenntnisse können wie folgt zusammengefasst werden:

• Link Cloaking nutzt technische Verfremdungen (Encoding, Domain‑Fronting, JavaScript‑Umleitung) um simple Regel‑Based‑Filter zu umgehen.
• Eligibilitätsregel‑Lücken entstehen, wenn statische Regeln keine kontextabhängigen Anomalien erkennen – hier setzen hybride ML‑Anomalie‑Detektoren an.
• Explainable AI und kontinuierliches Feedback‑Loop sind nicht nur regulatorisch nötig, sondern erhöhen auch das Vertrauen von Verbrauchern und Aufsichtsbehörden.
• Aktuelle Rechtsprechung (z. B. Lokken Court, FTC‑Klage) und der EU AI Act zwingen Unternehmen, ihre KI‑Systeme nachweisbar sicher und fair zu gestalten.
• Best Practices wie Defense‑in‑Depth, regelmäßiges Retraining, Pen‑Testing und klare Human‑in‑the‑Loop‑Prozesse reduzieren das Risiko sowohl von Betrug als auch von Fehlentscheidungen signifikant.

Ausblick zeigt, dass die nächste Entwicklungsstufe darin liegen wird, multimodale Daten (Flugdaten, Wetter‑ und Betriebsdaten, Echtzeit‑Radar‑Feeds) in die Anspruchsprüfung einzubeziehen. Dadurch lässt sich kontextuelle Plausibilität noch stärker prüfen – etwa indem ein behaupteter Verspätungsgrund anhand von METAR‑ und NOTAM‑Daten validiert wird. Ebenfalls wird die Verwendung von Federated Learning zunehmen, damit Fluggesellschaften gemeinsam an der Verbesserung von Cloaking‑Erkennungsmodellen arbeiten können, ohne sensible Kundendaten zu teilen.

Abschließend lässt sich sagen, dass die sichere Nutzung von KI im Fluggastrechts‑Bereich kein einmaliges Projekt ist, sondern ein fortlaufender Prozess aus Technik, Recht und Ethik. Wer diese drei Dimensionen ernst nimmt, wird nicht nur seine eigenen Verluste minimieren, sondern auch das Vertrauen der Passagiere stärken – ein entscheidender Wettbewerbsvorteil in einem zunehmend umkämpften Markt.