Integrität im Sportwettenmarkt & Erkennung von Spielmanipulation

Spielmanipulation ist meist um Wetten herum organisiert: Jemand beeinflusst ein Ergebnis oder ein Ereignis innerhalb eines Spiels und verdient an Wetten. Weil das Geld über Wettmärkte fließt, hinterlassen diese Märkte Spuren: Quoten, die sich ohne öffentliche Nachrichten bewegen, ungewöhnliche Volumina, Live-Wetten, die Ereignisse vorwegnehmen. KI-Modelle überwachen die Quoten vieler Wettanbieter und vergleichen sie mit dem erwarteten Marktverhalten für das Spiel. Sie markieren Ausreißer für menschliche Integritätsanalysten, deren Berichte in sportrechtliche Sanktionen und Strafverfahren einfließen. Das Modell liefert einen Hinweis, nie ein Urteil.

Problem & Nutzen

• Wer: Sportverbände und Ligen (z. B. Fußballverbände, Tennis- und Basketballorganisationen), nationale Glücksspielaufsichten, lizenzierte Wettanbieter und zunehmend Betreiber von Prognosemärkten. Vereine in KMU-Größe und untere Ligen sind das schwächste Glied, weil sie wenig Aufsicht haben und schlecht bezahlte Spieler, bauen aber selten selbst Werkzeuge.
• Heute: Verbände kaufen Überwachungsdienste ein, betreiben Hinweisgebertelefone und Aufklärung und stützen sich auf den Informationsaustausch mit Anbietern und Polizei. Analysten prüfen Warnungen manuell anhand von Quotenverläufen und Kontext wie Verletzungen oder Wetter.
• Warum KI hilft: Das Volumen übersteigt jede manuelle Prüfung bei Weitem. Die Integritätsseite von Sportradar nennt mehr als 1.000.000 überwachte Ereignisse pro Jahr, über 11.000 erkannte verdächtige Spiele, mehr als 70 Sportarten sowie Unterstützung bei über 1.000 sportrechtlichen Sanktionen und über 70 strafrechtlichen Verurteilungen [1]. Das sind vom Anbieter berichtete, undatierte Zahlen; behandeln Sie sie als Richtwerte. Wikipedia nennt unter Berufung auf denselben Anbieter 881 verdächtige Fußballspiele in 83 Ländern im Jahr 2023 und 721 in 72 Ländern im Jahr 2024 [2]; das sind Sekundärzahlen, die hier nicht unabhängig geprüft wurden.
• Einschränkung: "Verdächtig" bedeutet ein ungeklärtes Wettmuster, keine bewiesene Manipulation. Viele Warnungen haben harmlose Erklärungen (späte Mannschaftsnachrichten, ein versierter Wetter, ein Datenfehler).

Varianten

• Dienst für Verbände/Ligen: alle Wettbewerbe im Zuständigkeitsbereich eines Verbands überwachen, mit Unterstützung bei Sanktionen und Präventionsprogrammen. UEFA und DFL sind als Partner von Sportradar genannt [3].
• Integrität auf Seiten der Anbieter: Ein Wettanbieter überwacht seine eigenen Märkte und Konten, berichtet an Aufsichten und Stellen für den Informationsaustausch und begrenzt Einsätze bei riskanten Ereignissen.
• Nationale Plattform auf Seiten der Aufsicht: Die Macolin-Konvention (Europarat, 2014 abgeschlossen, seit 1. September 2019 in Kraft) richtet sich gegen die Manipulation von Sportwettbewerben und illegale Wetten; sie sieht die Zusammenarbeit von Sport, Anbietern und Behörden vor [4]. Prüfen Sie den aktuellen Ratifikationsstand je Land; die herangezogene Quelle nennt 15 Vertragsparteien und führt Deutschland nicht darunter auf.
• Überwachung von Einzelsportarten und Live-Wetten (Spot-Fixing): Tennis, Tischtennis und ähnliche Sportarten mit vielen kleinen Ereignissen; die Modelle konzentrieren sich auf Live-Märkte und Einzelpunkt-Ereignisse.
• Prognosemärkte und Wettbörsen: Ereigniskontrakte auf Sport erschließen neue Datenquellen und neue Manipulationskanäle; Sportradar kündigte 2026 eine Partnerschaft mit Polymarket für über 20 Ligen an [3].
• Integrität im E-Sport und E-Gaming: gleiche Methode, andere Feeds; zum Schummeln im Spiel selbst siehe ANOM-036.
• Hier nicht behandelt: Marktmissbrauch bei Wertpapieren (ANOM-012), allgemeine Geldwäscheprävention (ANOM-002), Zahlungsbetrug (ANOM-001).

So funktioniert es

1. Quoten-Feeds (viele Anbieter) + offizielle Spieldaten + Referenzdaten
2. Normalisierung & zeitliche Ausrichtung (Streaming)
3. Marktmodell / Erwartungsquoten-Basislinie je Sportart, Liga und Markttyp
4. Anomalie-Bewertung (Quotendrift, Volumenspitzen, Führer-Folger-Timing, Live-Abweichungen)
5. Rangfolge & Deduplizierung der Warnungen
6. Prüfung durch Analysten (Mensch) mit vom LLM entworfener Zusammenfassung und Beweiszeitleiste
7. Meldung an Verband / Aufsicht / Polizei über den rechtlich vorgesehenen Weg
8. Rückführung der Ergebnisse in Kennzeichnungen und Neutraining der Modelle

• Basismodelle: Gradient-Boosting- oder neuronale Modelle lernen, wie der Markt bei gegebenen Mannschaften, Liga und Zeit bis zum Anpfiff aussehen sollte; große, ungeklärte Abweichungen werden bewertet. Zeitreihen- und Sequenzmodelle vergleichen Bewegungen über Wettanbieter hinweg, um zu erkennen, welche Märkte sich zuerst bewegt haben.
• Graphanalyse: Konten, Geräte, Einsätze und Zeitpunkte auf Anbieterebene verknüpfen (nur soweit rechtmäßig), um koordinierte Wettgruppen zu erkennen; dieselbe Technik wie in ANOM-022 und ANOM-023.
• Unüberwacht plus gekennzeichnet: Bestätigte Fälle sind selten, daher verbindet die Bewertung Anomalieerkennung mit überwachten Modellen, die auf sanktionierten Fällen trainiert sind. Knappheit an Kennzeichnungen und Survivorship-Bias (unentdeckte Manipulationen sehen aus wie normale Spiele) sind strukturell.
• LLM-Schicht: den Kontext einer Warnung zusammenfassen, Nachrichten wie Verletzungen und Aufstellungen abrufen und den Analystenbericht entwerfen. Das LLM entscheidet nie, ob manipuliert wurde.
• Mensch-in-der-Schleife (Human-in-the-Loop): Integritätsanalysten sortieren vor; ein Disziplinargremium oder eine Staatsanwaltschaft entscheidet. Spieler werden nie allein aufgrund eines Wertes sanktioniert.

Datenaufbereitung

Die Integritätserkennung hängt von zeitgestempelten Daten in großem Volumen ab: Quoten- und Marktvolumen-Feeds vieler Wettanbieter, offizielle Spielereignisse, Referenzdaten zu Spielplänen und Spielern, Wettdaten auf Kontoebene, soweit rechtlich weitergegeben, sowie Hinweisberichte oder Meldungen von Hinweisgebertelefonen. In der Praxis liegen diese in Feeds von Anbietern, Data Warehouses der Wettanbieter, Fallbearbeitungssystemen sowie Mail- und Dokumentenarchiven der Integritätseinheiten.

Typische Lücken: uneinheitliche Kennungen für Spiele, Spieler und Märkte bei verschiedenen Anbietern; fehlende Zeitstempel oder Zeitzonen; Lücken in der Abdeckung unterer Ligen; nicht gekennzeichnete historische Fälle; Kontodaten, die zwischen Anbietern eventuell nicht geteilt werden dürfen; und Fallakten, die nur als Scans oder E-Mails existieren.

Schritte zur Aufbereitung:

1. Quellen und Lücken mit Blick auf den Anwendungsfall erfassen (PREP-002) und Konnektoren für Feeds und Data Warehouses einrichten (PREP-005).
2. Ein Stammdatenverzeichnis (Kennungen für Spiel, Mannschaft, Spieler, Markt) und ein gemeinsames Glossar aufbauen (PREP-012).
3. Kennzeichnungen aus früheren bestätigten und entlasteten Fällen gewinnen (PREP-020) und einen von Fachleuten validierten Testdatensatz aufbauen (PREP-018).
4. Papier- oder gescannte Fallakten digitalisieren (PREP-006).
5. Kontodaten pseudonymisieren und die Rechtsgrundlage klären (PREP-022, PREP-025).

Werkzeuge: ETL-Pipelines, eine Zeitreihendatenbank, OCR für Fallakten. Grober Aufwandsanteil: 50 bis 60 Prozent des Projekts, da die Harmonisierung der Daten überwiegt.

Umsetzungswege

Welcher Weg für wen

• enterprise: A. Wettanbieter und Verbände kaufen etablierte Integritätsüberwachungsdienste mit breiter Quotenabdeckung; dieses Datennetz selbst aufzubauen ist nicht realistisch.
• developer: C. Open-Source-Stacks für Anomalieerkennung und Streaming auf eigener Hardware geben volle Kontrolle über Modelle und Daten, wobei Quoten-Feeds separat lizenziert werden.
• public: B. Aufsichten und Staatsanwaltschaften bauen Werkzeuge zur Fallbearbeitung auf souveränen EU-Cloud-KI-Diensten auf und verbinden lizenzierte Feeds mit eigenen Daten unter den Vorgaben von Vergabe und Souveränität.

Weg A — Kaufen (Standardsoftware)

Integritätsüberwachungsdienste sind der übliche Weg: Sportradar Integrity Services (UFDS AI, schweizerisch/norwegisch verwurzelt, börsennotiert) [1], Genius Sports (von der MLB zur Überwachung von Wetten auf Spiele genutzt [2]) und die International Betting Integrity Association (IBIA), eine gemeinnützige Stelle lizenzierter Wettanbieter zum Austausch von Warnungen. Verbände nutzen außerdem das Integrity Betting Intelligence System des IOC und die branchenspezifischen Werkzeuge der Tennis Integrity Unit; prüfen Sie das aktuelle Angebot jeder Stelle auf deren eigener Website, da ich sie in dieser Recherche nicht erneut überprüfen konnte. EU/Europa: Das Integritätsgeschäft von Sportradar ist in Europa ansässig (St. Gallen); prüfen Sie den Ort der Datenverarbeitung im Vertrag. Die richtige Wahl für praktisch jeden Verband, jede Aufsicht und jeden Wettanbieter: Der Wert liegt in der Datenabdeckung über Wettanbieter hinweg, die niemand allein nachbilden kann.

Weg B — Auf Cloud-KI-Diensten aufbauen

Nur für die Schicht zur Unterstützung der Analysten sinnvoll: ein in Europa gehostetes LLM (z. B. Mistral über La Plateforme oder Azure OpenAI/AWS Bedrock in EU-Regionen), um Warnungen zusammenzufassen, Nachrichten zu suchen und Berichte zu entwerfen, orchestriert mit einem Agenten-Framework und dem Fallbearbeitungssystem. Die Bewertung selbst braucht lizenzierte Quotendaten (Sportradar, Genius Sports, Betfair-Börsendaten, Schnittstellen der Wettanbieter) und eigene Modelle auf einer Cloud-Datenplattform. In vorhandene Fallwerkzeuge integrieren und Ergebnisse über einen gesicherten Kanal an Behörden senden.

Weg C — Selbst betreiben (Open Source)

Machbar für eine nationale Aufsicht oder einen großen Wettanbieter mit Datenzugang: Kafka oder Flink für Streaming, scikit-learn, LightGBM/XGBoost und PyTorch für Modelle, Detektoren vom Typ PyOD/Isolation Forest, NetworkX oder Neo4j für Verknüpfungen und ein LLM mit offenen Gewichten (z. B. Mistral-, Qwen-, Llama-Klasse, 7–30 Mrd. Parameter) für das Entwerfen von Berichten. Für die Bewertung genügt die CPU; HW1 reicht, HW2 hilft beim LLM. Die bindende Einschränkung sind Datenlizenzen und Rechtsgrundlage, nicht die Rechenleistung.

Weg D — Eigenes Training

Lohnt sich für Wettanbieter mit vielen Jahren eigener Marktdaten und einem Fallarchiv. Sport- und ligaspezifische Basislinien und überwachte Klassifikatoren auf sanktionierten Fällen trainieren; zeitlich getrennte Validierung nutzen, um Datenlecks zu vermeiden. Kennzeichnungen mit Branchenstellen bündeln, wo rechtlich möglich. Rechnen Sie mit wenigen positiven Kennzeichnungen (Hunderte, nicht Millionen).

Stand der Technik (2026)

• Kommerzielle Systeme verbinden die laufende Quotenüberwachung über Wettanbieter hinweg mit maschinellem Lernen und Fachanalysten; der Schritt durch menschliche Analysten bleibt zentral [1].
• Trend: Ausweitung vom Fußball auf viele Sportarten und auf Prognosemärkte/Wettbörsen, wo Ereigniskontrakte neue Daten und Manipulationsanreize bringen [3]. Wachsende Zusammenarbeit von Wettanbietern, Verbänden und Aufsichten im Rahmen nationaler Plattformen.
• Neuere Arbeiten konzentrieren sich auf Live- und Mikroereignis-Märkte (Spot-Fixing), in denen Signale kurzlebig sind, sowie auf graphbasierte Kontoverknüpfung.
• Grenzen und Fehlerbilder: Falschalarme durch legitime Informationsvorsprünge; Märkte mit geringer Liquidität (untere Ligen), die verrauscht und leicht zu bewegen sind; unentdeckte Manipulation ohne Wettspuren (sportlich motivierte Manipulation); Angreifer, die ihre Einsatzmuster anpassen; Kosten für Datenlizenzen; sehr wenige Kennzeichnungen. Öffentliche Benchmark-Datensätze bestätigter Fälle gibt es nicht, daher sind veröffentlichte Genauigkeitswerte anbieterspezifisch.
• Bekannte historische Fälle zeigen, was auf dem Spiel steht: der Schiedsrichterskandal der Bundesliga 2005, ein estnischer Fall 2013 mit 11 Angeklagten in 17 Spielen und ein Tennisring 2023 mit mindestens 181 beteiligten Spielern [2].

Gemeinsame Bausteine & Kombinationen

• Gemeinsame Bausteine: Streaming-Aufnahme, Stack für Anomalieerkennung und tabellarisches ML, Graphanalyse für Verknüpfungen, eine LLM-Schicht zur Fallzusammenfassung und Fallbearbeitung mit Prüfpfad. Alles läuft auf Hardware der CPU-Klasse (HW1) mit einem optionalen kleinen LLM.
• Kombinierbar mit: ANOM-012 (Marktmissbrauch; gleiche Überwachungsarchitektur und gleicher Analysten-Ablauf), ANOM-002 und ANOM-023 (Nachverfolgung von Geldflüssen, wenn Erlöse aus Manipulation gewaschen werden), ANOM-022 (Finanzagentenkonten für Einsätze), ANOM-004 (gefälschte und mehrfache Wettkonten), ANOM-036 (Betrug im E-Sport/in Online-Spielen), ANOM-001 (Zahlungsbetrug bei Wettanbietern).
• Gemeinsame Daten: Quoten-Feeds und offizielle Daten-Feeds sind teuer; eine Lizenz kann Integritäts-, Risikomanagement- und Handelsteams eines Wettanbieters bedienen.

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen bis zur Einrichtung, jährliche Servicegebühr vor allem nach Wettbewerbsabdeckung; interne Analysten bleiben nötig (grob 1–3 Vollzeitstellen für einen großen Verband, eine vom Umfang abhängige Schätzung).
• Weg B/C/D: Quartale; Hauptkosten sind Datenlizenzen, Data Engineering, Kennzeichnung und Analystenzeit. Modelle sind im Vergleich zu Daten günstig.
• Kennzahlen: Anteil der von Analysten bestätigten Warnungen (Präzision), Warnungen je 1.000 überwachte Spiele, Zeit von der Marktbewegung bis zur Warnung, Zahl der Fälle, die zu Sanktionen oder Strafverfolgung führten, Abdeckung der Wettbewerbe und Anteil später aufgehobener Warnungen. Falschalarme für untere Ligen getrennt verfolgen.

Menschen & Veränderung

Wer und wann. Geschäftsleitung und die Leitung für Integrität oder Compliance sind Sponsoren des Projekts. Die Dateneigentümer der Quoten-Feeds, Kontodaten und Fallarchive werden zuerst einbezogen, weil Zugang und Datenaustauschvereinbarungen über die Machbarkeit entscheiden. Die IT-Sicherheit schützt sensible Falldaten; Recht/Compliance deckt Glücksspielrecht, Zusammenarbeit mit Aufsichten und Beweisregeln ab. Lieferanten (Datenanbieter) und die oder der Datenschutzbeauftragte stoßen vor dem Pilotprojekt dazu.

Betriebsrat. Im typischen Aufbau nein, da das System Märkte, Konten und Spiele analysiert und nicht das Verhalten oder die Leistung von Beschäftigten. Wird die Tätigkeit der Analysten so protokolliert, dass eine Leistungsbewertung möglich ist, kann dennoch § 87 Abs. 1 Nr. 6 BetrVG greifen, und § 90 Abs. 1 Nr. 3 verlangt eine rechtzeitige Unterrichtung, wenn sich Arbeitsabläufe ändern. Öffentliche Stellen beteiligen in diesem Fall den Personalrat.

Datenschutz. Wettdaten auf Kontoebene sind personenbezogene Daten; eine DSFA (Art. 35 DSGVO) ist wahrscheinlich, weil Personen systematisch bewertet werden und Sanktionen drohen können. Nutzen Sie mit Anbietern einen AVV (Art. 28 DSGVO) und beziehen Sie die oder den Datenschutzbeauftragten früh ein (GUIDE-005).

KI-Kompetenz und Kontrolle. Schulen Sie Analysten zur Bedeutung der Werte, zu Basisraten und Falschalarmen (GUIDE-006). Warnungen sind Hinweise, nie Urteile: Ein menschlicher Analyst prüft jeden Fall, bevor etwas an einen Verband oder eine Behörde gemeldet wird. Beginnen Sie mit einer kleinen Pilotgruppe von Analysten, messen Sie die Präzision und dokumentieren Sie Entscheidungen (GUIDE-009).

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): Die Überwachung von Quotendaten zu Spielen ist für sich genommen keine aufgeführte Hochrisiko-Anwendung. Die Einstufung lautet depends: Nutzt eine Strafverfolgungsbehörde das Ergebnis, um die Verlässlichkeit von Beweismitteln zu beurteilen oder natürliche Personen zu profilieren, kann Anhang III Nr. 6 (Strafverfolgung) gelten. Art. 5 Abs. 1 Buchst. d verbietet Risikobewertungen, die allein auf Profiling oder Persönlichkeitsmerkmalen beruhend vorhersagen, dass eine Person eine Straftat begehen wird; bauen Sie keine Werte für die "Neigung zur Manipulation" von Spielern oder Wettenden allein aus Profiling. Halten Sie die Ergebnisse auf Spielebene und belegbasiert, mit menschlicher Entscheidung in jedem Fall. Gegen den Text im Amtsblatt prüfen [5].
• DSGVO: Quoten auf Spielebene sind keine personenbezogenen Daten, wohl aber Kontodaten der Wettanbieter, Gerätekennungen und Spielernamen. Daten über Straftaten (Art. 10) brauchen eine Rechtsgrundlage im nationalen Recht. Der Informationsaustausch zwischen Wettanbietern, Verbänden und Behörden braucht eine klare gesetzliche Grundlage; die Macolin-Konvention ermutigt zu nationalen Plattformen [4]. Führen Sie eine DSFA durch und minimieren Sie die Daten.
• Branchenrecht (Deutschland, mit Rechtsbeistand zu bestätigen): Sportwettbetrug und die Manipulation berufssportlicher Wettbewerbe sind im Strafgesetzbuch strafbar (§§ 265c, 265d StGB); die Glücksspielaufsicht liegt bei der Länderbehörde GGL nach dem Glücksspielstaatsvertrag. Andere Staaten weichen ab.
• Risiken: Sportler zu Unrecht beschuldigen (Schäden für Ruf und Beschäftigung), Verstöße gegen Datenlizenzen, Benachteiligung von Ligen mit geringeren Einkommen, Durchsickern von Ermittlungsdetails und Anpassung der Gegenseite. Gegenmaßnahmen: Bestätigung durch Analysten, dokumentierte Beweiskette, Rechtsmittel für sanktionierte Personen, strenge Zugriffskontrolle und Protokollierung.
• Keine Rechtsberatung.

Erste Schritte

1. Ihre Rolle (Verband, Wettanbieter, Aufsicht) und den rechtlichen Weg für Meldungen und Datenaustausch festlegen; zuerst die Grundlage nach DSGVO klären.
2. Gefährdete Wettbewerbe erfassen (untere Ligen, Jugend, Einzelsportarten mit Live-Märkten) und Angebote von Überwachungsanbietern einholen.
3. Einen Ablauf zur Bearbeitung von Warnungen mit benannten Analysten, Eskalationsregeln und einer Vorlage für die Fallakte einrichten.
4. Prävention ergänzen: Aufklärung für Spieler und Funktionäre sowie ein anonymes Hinweisgebertelefon.
5. Einen LLM-Assistenten für Zusammenfassungen an früheren, anonymisierten Warnungen erproben; die eingesparte Analystenzeit messen, bevor Sie ausweiten.

Quellen

1. Sportradar, Integrity Services overview (vendor figures, undated): https://sportradar.com/integrity-services/ (accessed 2026-10)
2. Wikipedia, Match fixing (detection approaches, cases, vendor-sourced figures): https://en.wikipedia.org/wiki/Match_fixing (accessed 2026-10)
3. Sportradar corporate site (clients/partners, 2026 news): https://www.sportradar.com/integrity-services/universal-fraud-detection-system/ (accessed 2026-10)
4. Wikipedia, Macolin Convention (adoption 2014, in force 2019, parties): https://en.wikipedia.org/wiki/Macolin_Convention ; official Council of Europe page: https://www.coe.int/en/web/sport/macolin-convention (not retrievable in this session; confirm on the official page)
5. Regulation (EU) 2024/1689 (AI Act), Official Journal: https://eur-lex.europa.eu/legal-content/EN/TXT/HTML/?uri=OJ:L_202401689 (article references from the regulation; text not retrievable in this session, verify before relying)