So wird KI zur Bekämpfung der Geldwäsche eingesetzt

Unter Geldwäsche versteht man die Art und Weise, wie einzelne Personen oder kriminelle Gruppen Erträge aus ihren illegalen Aktivitäten in das globale Finanzsystem einfließen lassen, um diese so aussehen zu lassen, als wären sie auf legalem Wege verdient worden. US-Banken geben etwa 25 Milliarden US-Dollar pro Jahr für Prozesse zur Bekämpfung der Geldwäsche aus und Banken wurden weltweit im Jahr 2023 zu Geldstrafen in Höhe von insgesamt 6 Milliarden US-Dollar verurteilt, weil sie es versäumt hatten, Aktivitäten zur Geldwäsche zu unterbinden.

Kriminelle wenden dabei immer ausgefeiltere Methoden an, um Kontrollen zu umgehen. Banken wiederum fällt es oft schwer, echte Geldwäsche-Aktivitäten zu erkennen, da die große Mehrheit der Warnungen, die ihre Tracking-Software ausgibt, tatsächlich auf legale Transaktionen zurückgeht. Diese Falschmeldungen (False Positives) wiederum kosten Zeit und Geld.

Deswegen beginnen Finanzinstitute nun zunehmend damit, Software zur Bekämpfung der Geldwäsche, die auf vordefinierten Regeln basiert, durch komplexere, KI-gestützte Software zu ergänzen oder ganz zu ersetzen. Eine derartige Software ist besser geeignet, um versteckte Muster in Transaktionen und Beziehungen zwischen Menschen und Unternehmen zu finden, gründlicher auf verdächtige Aktivitäten hin zu prüfen und Kunden effektiver auf der Grundlage ihres Risikos bezüglich von Aktivitäten zur Geldwäsche zu bewerten. Das Ergebnis sind in der Regel weniger Falschmeldungen, ein besserer Schutz vor illegalen Aktivitäten und Geldbußen durch die Behörden und geringere Kosten für die Einhaltung gesetzlicher Vorschriften.

Was versteht man unter KI?

Unter künstlicher Intelligenz versteht man eine Reihe statistischer Techniken, die es Computern ermöglichen, Beziehungen zu erkennen, Schlussfolgerungen vorzunehmen und Szenarien auf der Grundlage von Mustern vorherzusagen, die aus großen Datenmengen abgeleitet wurden. Finanzdienstleister nutzen KI-Techniken, um Backoffice-Prozesse zu automatisieren, einschließlich der Bekämpfung von Kreditkartenbetrug, der Personalisierung von Produktangeboten, der Weitergabe von Empfehlungen an Vertriebsteams und der Bekämpfung von Geldwäsche.

Was versteht man unter KI zur Bekämpfung von Geldwäsche?

Herkömmliche regelbasierte Systeme, die auf der Grundlage vorprogrammierter Muster nach Warnsignalen für kriminelle Aktivitäten oder verdächtige Transaktionen suchen, weichen zunehmend KI-basierten Systemen, die in der Lage sind, die mit Geldwäsche assoziierten Verhaltensmerkmale zu erkennen. In der Vergangenheit hat Software zur Geldwäschebekämpfung nach Warnsignalen (Red Flags) gesucht, die auf kriminelle Aktivitäten hinweisen könnten. Außerdem wurden ergänzende Informationen hinzugezogen wie das Auftauchen eines Bankkunden auf einer internationalen Sanktionsliste, Bankeinzahlungen, die nur knapp unter der Schwelle für eine behördliche Berichtspflicht liegen, oder Überweisungen von einem Konto in einer ähnlichen Höhe wie die kürzlich zuvor darauf erfolgten Einzahlungen.

Die bleibende Herausforderung besteht jedoch darin, dass Kriminelle ihre Taktiken, um ihre Einnahmen durch scheinbar legitime Finanztransaktionen zu waschen, ständig weiterentwickeln. Neben der Gründung von Briefkastenfirmen, um das Nachverfolgen der Eigentümerschaft zu erschweren, investieren sie auch in bestehende Unternehmen, die den größten Teil ihres Geschäfts mit Bargeld abwickeln und dann bei der Berichterstattung einfach höhere Einnahmen angeben. Oder sie hinterlegen ihr Bargeld in kleinen Beträgen bei verschiedenen Finanzinstituten und transferieren Bargeld durch Länder mit nachlässigen Regulierungen. Das führt dazu, dass traditionelle Methoden zur Geldwäschebekämpfung oft wirkungslos bleiben, während sie gleichzeitig eine sehr hohe Anzahl von Falschmeldungen generieren, welche Banken bis zu zehn Millionen Dollar pro Jahr kosten können.

KI-basierte Systeme können verborgene Transaktionsmuster bei Netzwerken zwischen Personen erkennen, Verhaltensweisen mit denen vergleichen, die in der Vergangenheit für ein Unternehmen oder ähnliche Firmen üblich waren, Kunden auf der Grundlage ihrer früheren Aktivitäten Risikoscores zuweisen und Informationen zur Kundenidentität (KYC, Know Your Customer) anzeigen. Außerdem können sie eine Triage bei Ereignissen vornehmen, um Untersuchungen von Vorkommnissen mit geringem Risiko zu schließen. Die Betrugserkennung bei Transaktionen, elektronische Zahlungen für Lieferanten, die Geldwäschebekämpfung und Know Your Customer (KYC) gehören zu den fünf wichtigsten Anwendungsfällen von KI bei Finanzdienstleistungen. Das ergab eine Studie des KI-Chipherstellers NVIDIA.

Wichtigste Erkenntnisse

• Künstliche Intelligenz kann Banken dabei unterstützen, ihre Kosten für die Einhaltung gesetzlicher Vorschriften zu senken, indem sie feinstufigere Änderungen beim Kundenverhalten erkennt und sich an neue Risiken anpasst, sobald diese auftreten.
• Die Software hilft bei der Bekämpfung von Geldwäsche, indem sie zuvor verborgene Risiken aufdeckt und die Anzahl von Fehlalarmen reduziert, welchen die Teams zur Geldwäschebekämpfung nachgehen müssen.
• Die Banken erhalten dadurch immer noch eine ähnliche Anzahl von Berichten zu tatsächlich verdächtigen Aktivitäten, die sie an die Behörden weiterleiten können.
• Die Kosten ineffizienter Prozesse sind hoch, da weltweit die Geldstrafen für ein Versäumnis, Geldwäsche zu unterbinden, steigen.

So wird KI zur Bekämpfung der Geldwäsche eingesetzt

Banken stehen unter erheblichen Druck, die immer ausgefeilteren Techniken zur Geldwäsche zu neutralisieren und so hohe Geldstrafen zu vermeiden. Zugleich müssen sie dabei auch ihre Kosten für die Einhaltung gesetzlicher Vorschriften unter Kontrolle behalten. Indem sie ihre regelbasierten Softwaretools durch KI-basierte Anwendungen zur Geldwäschebekämpfung ersetzen, können Banken das Identifizieren verdächtiger Aktivitäten laut Berichten von McKinsey & Company, um bis zu 40 % verbessern und zugleich die Anzahl an Falschmeldungen erheblich reduzieren.

KI-Ansätze beinhalten die Anwendung von maschinellem Lernen auf die Kundenbewertung, um deren jeweilige Wahrscheinlichkeit vorherzusagen, ein Finanzverbrechen zu begehen. Anwendungen zur Geldwäschebekämpfung nutzen außerdem auch unbeaufsichtigtes Lernen, bei dem einem System für maschinelles Lernen keine beschrifteten Beispiele gezeigt werden. Stattdessen werden dabei Beziehungen aus Rohdaten erschlossen, um sich ändernde Kundenverhaltensweisen zu identifizieren und Risiken genauer zu erfassen. KI-Systeme können Modelle bezüglich erwarteter Verhaltensweisen integrieren, welche Abweichungen kennzeichnen und dadurch feste Regeln ersetzen können. KI-basierte Tools zur Geldwäschebekämpfung führen auch eine Triage bei regelbasierten Szenarioereignissen durch, um Untersuchungen mit geringem Risiko automatisch zu schließen oder ihre Priorität zu senken.

Wie funktioniert KI zur Geldwäschebekämpfung?

Wenn Unternehmen oder Einzelpersonen ein Bankkonto eröffnen möchten, führen Banken Risikobewertungen durch. Dazu gehört auch, potenziellen Kunden eine Reihe von Fragen zu ihrer Arbeit, ihrem Wohnsitz, ihren Einkommensquellen und ihren Plänen zu stellen, wie sie ihr Geld bewegen möchten. Die Banken vergewissern sich außerdem, dass potenzielle Kunden nicht auf internationalen Sanktionslisten stehen, die ihnen das Überweisen von Geldern verbieten würden. Sie müssen auch bestimmen, ob es sich bei dem jeweiligen Kunden um eine so genannte politisch exponierte Person handelt – einer politisch bedeutsamen Person oder auch einem Familienmitglied oder engem Mitarbeiter einer solchen. Auch in diesem Fall ist eine genauere Prüfung geboten. Die Banken führen dann Verfahren zur Verifizierung der Kundenidentität (Know Your Customer, KYC) durch und bewerten potenzielle Antragsteller hinsichtlich des mit diesen verbundenen Risikos von Geldwäsche oder Betrug.

Das Problem dabei ist, dass einige der Informationen davon abhängen, dass Kunden auf Nachfragen auch ehrlich antworten. Deswegen benötigen Finanzinstitute automatisierte Verfahren, um zu überprüfen, ob die tatsächliche Bankaktivität der Kunden von deren angegebenen Absichten abweicht. Herkömmliche Kontrollen zur Geldwäschebekämpfung ziehen dazu Transaktionsdaten zu Rate, einschließlich internationaler Geldbewegungen wie etwa schnellen Transaktionen ähnlicher Beträge zwischen Konten oder das Aufteilen großer Transaktionen in mehrere kleinere Überweisungen. Kriminelle überweisen oft Geld auf Konten in verschiedenen Ländern, deren Vorschriften zur Geldwäschebekämpfung weniger streng sind als in dem Land, wo sie ihren Wohnsitz haben. Eine weitere Schwierigkeit besteht darin, dass diese Verhaltensweisen auch auf nicht-kriminellen Absichten beruhen können.

KI-basierte Systeme sind besser in der Lage, Daten auf Muster hin zu analysieren, die menschliche Analysten und Risikocontroller allein nicht identifizieren könnten. Die Software kann dazu ein Risikoscoring bezüglich des Verhaltens durchführen, um die Neigung eines Kunden zu prognostizieren, eine Straftat zu begehen. Außerdem kann sie Vorhersagemodelle ausführen, um festzustellen, ob Untersuchungen auf erster Ebene ohne weitere Eskalation an spezialisierte Teams sicher abgeschlossen werden können, sowie um Geldwäscheaktivitäten zu simulieren, um dadurch die Effektivität von Systemen zur Transaktionsüberwachung zu bewerten. Dadurch können die Anzahl von Warnmeldungen, die nicht auf tatsächliche Geldwäscheaktivitäten hinweisen, reduziert und die entsprechenden Compliance-Kosten gesenkt werden. Eine generative KI-Technologie kann Banken dabei unterstützen, ihre anfänglichen Risikobewertungen zusammenzufassen und Berichte zu verdächtigen Aktivitäten für die Strafverfolgungsbehörden zu erstellen.

Zu den häufig verwendeten KI-Techniken bei der Geldwäschebekämpfung gehören Deep Reinforcement Learning, Generative Adversarial Networks (GANs) und Graph Neural Networks (GNNs). GANs verallgemeinern anhand von Beispielen für Geldwäsche, die aus Trainingsdaten gelernt wurden, um veränderte Muster zu finden, wenn Kriminelle ihre Vorgehensweisen anpassen. GNNs suchen nach Beziehungen zwischen Menschen und Entitäten, die sie während des Trainings gelernt haben, einschließlich solcher, die sie zuvor nicht identifiziert hatten. Eine derartige Analyse ermöglicht es Banken, Geldwäscheaktivitäten zu erkennen, an denen kriminelle Gruppen beteiligt sind. Mithilfe von Deep Reinforcement Learning können KI-Modelle lernen, sich über neue Beziehungen zwischen Datenpunkten zu informieren, indem es dem System beibringt, positives Feedback einzuholen, wenn die richtige Entscheidung getroffen wurde. Modelle können dadurch ihre Transaktionsüberwachung an sich ändernde Strategien anpassen.

KI-basierte Systeme zur Geldwäschebekämpfung lernen während ihrer Analysen ständig weiter. Wenn KI-Software beispielsweise Transaktionen findet, die gemeinsame Merkmale aufweisen und bei denen es sehr unwahrscheinlich ist, dass es sich um Geldwäsche handelt, kann sie Empfehlungen für Änderungen beim Mastersystem abgeben, um ähnliche Transaktionen in Zukunft freizugeben.

Ein Bericht der Bank of England zu KI aus dem Jahr 2022 kam zu dem Schluss, dass „einer der Gründe für die Bedeutung der KI ist, dass sie neue Anwendungsfälle ermöglichen kann.“ Ein Beispiel dafür ist die Bewältigung des Problem des synthetischen Identitätsbetrugs, bei dem Kriminelle Identitäten „aus Versatzstücken echter Daten zusammenstellen, … was für menschliche Analysten schwer zu identifizieren sein kann.“ KI-basierte Systeme zur Geldwäschebekämpfung können auch unbeaufsichtigte neuronale Netzwerke einsetzen, um sehr breite Datenquellen zu untersuchen, einschließlich von Computer-IP-Adressen und Verhaltensmustern, um Warnmeldungen zu generieren.

Die Vorteile einer KI zur Geldwäschebekämpfung

Herkömmliche Systeme zur Geldwäschebekämpfung müssen angepasst werden, um eine optimale Sensitivität gegenüber Aktivitäten zu gewährleisten, die Warnmeldungen auslösen könnten. Wenn zu wenige Warnungen generiert werden, besteht die Gefahr, dass kriminelle Aktivitäten übersehen werden – was wiederum die Aufmerksamkeit von Aufsichtsbehörden wecken und entsprechende Geldstrafen nach sich ziehen könnte. Zu viele Alarme können die Compliance-Mitarbeiter der Banken überfordern, die jedem Warnhinweis nachgehen und entscheiden müssen, wie sie darauf reagieren sollen. KI-Systeme haben gezeigt, dass sie fast die gleiche Anzahl an Berichten zu verdächtigen Aktivitäten (Suspicious Activity Reports, SARs) generieren können, aber dabei ist der Anteil der Falschmeldungen erheblich reduziert. Lesen Sie weiter, um mehr über diese und weitere Vorteile der KI zu erfahren.

• Eine höhere/bessere Genauigkeit bei der Risikoerkennung. KI-Techniken tragen dazu bei, die Genauigkeit der Risikoerkennung zu verbessern, indem sie große Mengen strukturierter und unstrukturierter Daten aufnehmen und synthetisieren und dadurch Verhaltensmuster erlernen und Anomalien erkennen können. Neuronale Netzwerke können Muster, die denen ähneln, auf denen sie trainiert wurden, identifizieren und Empfehlungen abgeben, um kriminelle Gruppen daran zu hindern, kleine Änderungen an ihren Betrugsmaschen vorzunehmen, um bereits bekannte Regeln zu umgehen.
• Reduzierung der Betriebskosten. KI-basierte Systeme zur Geldwäschebekämpfung können dazu beitragen, die Betriebskosten zu senken, indem sie die Anzahl der Falschmeldungen reduzieren, denen die Risikoteams nachgehen müssen. Jede Warnmeldung löst eine Untersuchung auf der ersten Ebene aus, die Mitarbeitern Zeit kostet. Zwischen 90 % und 95 % dieser Warnungen werden geschlossen, bevor sie zu einer intensiveren Untersuchung auf der zweiten Ebene und zu einer Erstellung eines Berichts zu verdächtigen Aktivitäten für die Behörden eskaliert werden.
• Eine bessere Compliance und Governance. Die Compliance-Abteilungen, IT-Organisationen und Geschäftsbereiche der Banken sind durch die sich ständig ändernden Vorschriften bezüglich der Bekämpfung von Geldwäsche erheblichen Belastungen ausgesetzt. Als weitere Erschwernis kommt hinzu, dass es noch keine weltweit verbindlichen einheitlichen Regeln gibt, auch wenn die Entwicklung dahin bereits begonnen hat. Einige Regulierungsbehörden, einschließlich der in den Vereinigten Staaten und im Vereinigten Königreich, rufen Banken dazu auf, KI bei ihren Systemen für die Geldwäschebekämpfung einzuführen. Finanzinstitute verwenden auch Techniken für KI und maschinelles Lernen, um Tests zur Risikoerkennung durchzuführen. KI kann auch dazu beitragen, das Übersehen von Geldwäscheaktivitäten zu reduzieren, die zu einer Überprüfung durch die Aufsichtsbehörden führen könnten.

Beschränkungen der KI bei der Geldwäschebekämpfung

Die Anwendung von KI zur Bekämpfung der Geldwäsche wird nicht sehr erfolgreich sein, wenn Banken nicht über ausreichend hochwertige Daten verfügen, um die Modelle so zu trainieren, dass diese konsistent genaue Ergebnisse liefern. Banken müssen außerdem sicherstellen, dass sie über die richtigen Talente unter den Mitarbeitern verfügen, um KI-Modelle zu trainieren, zu optimieren und zu warten. Außerdem müssen sie bei der Konzeption der Systeme den Datenschutz der Kunden berücksichtigen. KI kann auch intransparent sein: Es ist nicht immer klar, wie ein generatives KI-System zu seinen Antworten gekommen ist. McKinsey rät Banken daher, sich bereits im Vorfeld der Entwicklung eines KI-basierten Systems zur Geldwäschebekämpfung mit den Regulierungsbehörden zu treffen. Lesen Sie weiter, um mehr über diese und weitere Beschränkungen von KI zu erfahren.

• Datenqualität und -verfügbarkeit. Unvollständige oder ungenaue Daten können die Performance von KI-Modellen beeinträchtigen, denn diese müssen während ihres Trainings ausreichend hochwertige Beispiele sehen, um nach ihrer Bereitstellung verdächtige Transaktionen genau kennzeichnen zu können. Banken mit nur begrenztem Zugang zu Daten, insbesondere Daten zu echten Beispielen von Geldwäsche, sollten möglicherweise einen anderen Ansatz in Betracht ziehen.
  
• Herausforderungen bezüglich Vorschriften und Compliance. Die sich ständig ändernden und manchmal nur vage formulierten und inkonsistenten Vorschriften bezüglich der Bekämpfung von Geldwäsche können Compliance-Abteilungen, IT-Organisationen und die Geschäftsbereiche der Banken vor erhebliche Herausforderungen stellen. So lassen beispielsweise die Empfehlungen der Financial Action Task Force (FATF), einem globalen Normungsgremium für die Bekämpfung der Geldwäsche, den Aufsichtsbehörden einen erheblichen Spielraum bei ihrer Auslegung. Jamie Dimon, der CEO von JPMorgan Chase, hat daher eine Vereinfachung und Verbesserung der Anforderungen zur Bekämpfung der Geldwäsche gefordert. Inzwischen haben Entwicklungen zur Vereinheitlichung der Regeln begonnen. Im Jahr 2024 hat die EU eine neue Behörde zur Bekämpfung der Geldwäsche mit Sitz in Frankfurt gegründet, deren Regeln für Unternehmen im gesamten Handelsblock gelten, ohne dass sie dazu in nationales Recht umgesetzt werden müssen.
  
• Betriebliche und technische Probleme. Die meisten Banken müssen auch Herausforderungen bei der Systemintegration bewältigen, da Daten, die in Mainframes und anderen Altsystemen gespeichert sind, in der Regel nicht für die Verarbeitung durch KI aufbereitet sind. Banken haben, so die Beratungsfirma McKinsey & Company, auch Schwierigkeiten damit, ausreichend hochwertige Daten zu ihren Kunden aufzubewahren. Dies gilt insbesondere bei langjährigen Kunden, deren Verläufe teilweise in nicht standardisierten Formaten gespeichert und aus Papierformularen entnommen wurden.
  
• Falschmeldungen und Nichterkennung echter Vorfälle. Die Rate der Falschmeldungen – Finanztransaktionen ohne kriminelle Absichten, die von Software als potenzielle Geldwäscheaktivitäten gekennzeichnet werden – kann bis zu 95 % betragen. Aber die Banken müssen diesen dennoch nachgehen, was ein kostspieliger und zeitaufwendiger Prozess ist. Umgekehrt kann ein Nichterkennen von Vorfällen – wenn Transaktionen durch sanktionierte Personen oder Entitäten oder tatsächliche Geldwäscheaktivitäten bei einer Überprüfung als unbedenklich durchgehen – zu Konsequenzen durch die Aufsichtsbehörden und Reputationsschäden führen.
  
• Die Anpassung und Weiterentwicklung krimineller Taktiken. Geldwäscher sind oft raffinierte Gegner, die ihre Techniken ständig weiterentwickeln, um einer Erkennung zu entgehen. Sobald Kriminelle die angewandten Regeln zur Geldwäscheerkennung aufgedeckt haben, können sie diese oft durch leichte Veränderungen in ihrem Verhalten umgehen.
  
• Datenschutzrechtliche Bedenken. Banken, die KI zur Bekämpfung der Geldwäsche entwickeln, müssen bei diesen Systemen auch den Datenschutzaspekt berücksichtigen. Banken haben Zugang zu erheblichen Datenmengen. Das schließt auch personenbezogene Daten mit ein und die Rechte zur Nutzung dieser Informationen müssen im jeweiligen Kontext evaluiert werden.

KI-Anwendungsfälle für die Geldwäschebekämpfung

Banken wenden KI-Techniken zur Bekämpfung der Geldwäsche an, wenn sie neue Kunden annehmen, deren Bankaktivitäten überwachen und Behörden verdächtiges Verhalten melden. Software kann dabei Prozesse beschleunigen und effektiver machen, indem Verhaltensprofile aus manchmal verborgenen Mustern erstellt werden, sodass Transaktionen besser klassifiziert, Dokumente und Nachrichten im Hinblick auf potenziell riskante Kunden durchsucht und das Schreiben von regulatorischen Berichten beschleunigt werden kann.

• Überwachung von Transaktionen. KI-Modelle können auf zwei Arten Transaktionen in Bezug auf illegale Aktivitäten überwachen.
  • Erkennen von Mustern. KI-Modelle können aus ihren Trainingsdaten lernen, Transaktionsmuster zu erkennen, die von traditionellen regelbasierten Systemen zur Geldwäschebekämpfung nicht erfasst werden – zum Beispiel die Identifizierung „strukturierter“ Transaktionen, bei denen große Geldbeträge in kleinere Beträge aufgeteilt werden. Oder sie können großer Datenmengen analysieren, um Briefkastenfirmen zu erkennen, welche für die Geldtransfers verwendet wurden. KI kann auch das erwartete Kundenverhalten sowie Abweichungen von diesen Verhaltensweisen modellieren, die auf kriminelle Aktivitäten hinweisen könnten. Dadurch lassen sich regelbasierte Ansätze ersetzen, die häufig nicht so genau sind.
  • Echtzeitüberwachung. Die Geschwindigkeit digitaler Zahlungen treibt die Nachfrage nach KI-gestützten Systemen zur Geldwäschebekämpfung, die große Datenmengen auch in Echtzeit schnell analysieren können, voran. Michael Hsu, der derzeit in den USA das Amt des Comptroller of the Currency ausübt, sagte in einer Rede vom Januar 2024, dass schnellere digitale Zahlungen auch zu schnellerem Betrug führen. Dabei forderte er die Banken auf „geeignete Bremsen für ein Echtzeit-Finanzsystem“ zu entwickeln.
• Sorgfaltspflicht bei Kundenüberprüfungen und Know Your Customer (Identifizierung und Überprüfung von Neukunden, KYC). Banken können mithilfe KI-basierter automatisierter Onboarding-Techniken Kunden identifizieren und überprüfen, um KYC-Prozesse schneller und genauer durchzuführen. Dazu gehören die digitale Identitätsüberprüfung und das Scannen von Ausweisdokumenten. Durch die kontinuierliche Überwachung von Transaktionen können Banken Kunden, die mit hohem Risiko assoziiert sind, besser identifizieren, da sie so mehr Daten analysieren, als dies durch regelmäßige Überprüfungen möglich ist.
  • Automatisiertes Onboarding. Banken können dazu beitragen, die Geschwindigkeit und Genauigkeit bei der Eröffnung von Kundenkonten zu verbessern, indem sie Ausweisdokumente zur Online-Verifizierung scannen und zur Überprüfung der Authentizität KI anwenden.
  • Kontinuierliche Überwachung. Da Kunden im Laufe ihrer Beziehung zu einer Bank verschiedene Verhaltensweisen zeigen und Wahlergebnisse umfassend beeinflussen können, ob eine Person als politisch exponiertes Ziel betrachtet wird, setzen Finanzinstitute KI-basierte Tools ein, um Transaktionen, wirtschaftliches Eigentum, Sanktionslisten und die Medienberichterstattung kontinuierlich zu überwachen. Die kontinuierliche Überwachung prüft, ob das Kundenverhalten seit der letzten Bewertung durch eine Bank riskanter geworden ist.
• Berichte zu verdächtigen Aktivitäten (Suspicious Activity Reporting, SAR) Banken müssen Berichte zu verdächtigem Verhalten bei den Regulierungsbehörden einreichen, um mutmaßliche Fälle von Geldwäsche und Terrorfinanzierung zu melden.
  • Automatisierte Reporting-Tools, die auf generativer KI basieren, können dazu beitragen, Berichte zu verdächtigen Aktivitäten effizienter zu generieren, als dies menschliche Analysten könnten, die allein arbeiten.
  • Eine verbesserte Berichtsgenauigkeit. Viele Berichte zu verdächtigen Aktivitäten kranken an unklaren Erzählungen und fehlenden Informationen. Dadurch bleibt viel Raum für Verbesserungen mit generativen KI-Systemen, die zusätzlich auch Listen mit Maßnahmen zum Nachfassen erstellen können.
• Überprüfung auf Sanktionen. Herkömmliche Systeme zur Geldwäschebekämpfung sind oft durch die häufigen Aktualisierungen internationaler Sanktionslisten (wie z. B. nach dem Beginn des Krieges zwischen Russland und der Ukraine) sowie die Schwierigkeiten, Geschäftseinheiten über verschiedene Variationen von Personen- oder Firmennamen und über verschiedene Länder und Sprachen hinweg abzugleichen, überfordert.
  • Automatisierte Überprüfungen, die KI verwenden, können Informationen aus unstrukturierten Dokumenten extrahieren und klassifizieren, Synonyme für Begriffe finden, die Warnmeldungen auslösen, und ähnlich buchstabierte Begriffe mit unterschiedlichen Bedeutungen verwerfen.
  • Reduzierung von Falschmeldungen. Das Ergebnis kann eine Reduzierung von Falschmeldungen sein, sodass weniger zeitintensive Bewertungen durch Analysten erforderlich sind, welche die Kosten erhöhen könnten.
• Verbesserte Analysen und Visualisierungen. Datenvisualisierungstechniken, einschließlich Diagramme der Beziehungen zwischen Personen und Unternehmen, können Geschäftsanwendern, die nicht technisch versiert sind, helfen, Änderungen des Risikos und der geografischen Verteilung verdächtiger Geldwäschefälle zu erkennen.
  • Datenvisualisierung. Neben Beziehungsdiagrammen können KI-Techniken Analysten dabei unterstützen, den Standort von kriminellen Aktivitäten auf Karten zu erkennen und über Dashboards einen Drilldown durchzuführen, um auch feinere Details zu erfassen. Das kann eine schnellere und effektivere Entscheidungsfindung ermöglichen.
  • Dashboard-Reporting zeigt Metriken und Fortschritte in Bezug auf wesentliche Leistungskennzahlen (Key Performance Indicators, KPIs) für überwachte Transaktionen, generierte Warnmeldungen, eingereichte Berichte zu verdächtigem Verhalten und eröffnete und geschlossene Untersuchungen an.
• Einhaltung von Vorschriften. KI-Tools ermöglichen es Finanzinstituten, in Bezug auf die Aktualiserung gesetzlicher Vorschriften auf dem Laufenden zu bleiben und sich an diese anzupassen, einschließlich einer Dokumentation, die auch ein Auditing ermöglicht.
  • Aktualisierungen bezüglich gesetzlicher Vorschriften. Steigende Bußgelder im Zusammenhang mit Geldwäsche- und KYC-Auflagen und die neuen Regulierungsbehörden, die diese durchsetzen sollen, erhöhen die Nachfrage nach einer Technologie, die es Banken ermöglicht, in Bezug auf die sich stetig ändernden Regulierungen auf dem Laufenden zu bleiben und die Wahrscheinlichkeit von Bußgeldern zu reduzieren, indem manuelle Prozesse durch automatisierte ersetzt oder ergänzt werden.
  • Prüfpfade. Diese Softwaretools können auch Prüfpfade generieren, die zeigen, wie Entscheidungen in Bezug auf die Geldwäschebekämpfung getroffen wurden, und Unterstützung dabei bieten, Protokolle für Audits zu schreiben, welche Aktivitäten und Datenzugriffe aufführen.
• Fallmanagement. Tools für die Workflow-Automatisierung und Zusammenarbeit können die Compliance in Bezug auf die Geldwäsche unterstützen indem sie Warnmeldungen priorisieren, Maßnahmen empfehlen und das Reporting automatisieren. Software kann Warnmeldungen nachverfolgen und Dashboards zur Verfügung stellen, die verdächtige Aktivitäten anzeigen.
  • Workflow-Automatisierung. Finanzinstitute können laut der IT-Beratung KPMG durchschnittlich ein Viertel ihrer jährlichen Compliance-Kosten mithilfe von Tools zur Automatisierung von Workflows zur Bekämpfung von Finanzkriminalität einsparen. KI-Tools können außerdem KYC-Prozesse auf dem neuesten Stand halten, indem sie regulatorische Änderungen in die Onboarding-Workflows integrieren.
  • Tools für die Zusammenarbeit. Fallmanagement-Software ermöglicht es Abteilungen, ihre Aktivitäten zu koordinieren, indem sie einen zentralen Speicherort für Compliance-Informationen bereitstellt.
• Betrugserkennung und -prävention. Banken haben üblicherweise etwas Zeit, um Geldwäsche zu unterbinden, nachdem sie entdeckt wurde. Betrugsfälle sollten jedoch idealerweise gestoppt werden, bevor Transaktionen vollzogen werden, um Verluste zu vermeiden. KI-Systeme nutzen adaptives Lernen, um die Transaktionsüberwachung zu unterstützen. KI-Modelle ermöglichen auch eine umfassende Sicht auf die Kunden, sodass Banken Untersuchungen und Berichte zu Geldwäsche, Betrugsversuchen und Sanktionen für Bestechung und Korruption einsehen können, so KPMG.
  • Integrierte Lösungen für die Betrugs- und Geldwäschebekämpfung. Die Kombination von Techniken zur Bekämpfung von Betrug und Geldwäsche in einem einzigen Softwarepackage bietet Banken besondere Vorteile, da sie die Teams zur Bekämpfung von Betrug und Geldwäsche dabei unterstützt, relevante Kundendaten zu sammeln und weiterzugeben, einen Überblick über die Risiken bietet, denen die Bank ausgesetzt ist, und Schlupflöcher schließt, die Kriminelle nutzen könnten, um ihrer Entdeckung zu entgehen.
  • Adaptives Lernen. Wenn Banken neue Betrugsfälle bestätigen, können KI-Systeme diese Daten über den Lauf der Zeit hinweg nutzen, um sich zu verbessern. Dies gilt insbesondere in Bezug auf das Identifizieren von Grenzfällen nahe der Erkennungsschwelle, die wahrscheinlich zu versäumten Maßnahmen oder Falschmeldungen führen könnten.

So integrieren Sie KI in die Geldwäschebekämpfung

Banken, die ihreProzesse zur Geldwäschbekämpfung neu konzipieren möchten, um KI-Techniken zu integrieren, sollten zuerst ihre Datenstrategie bewerten, einschließlich der Daten, über die sie bereits verfügen. Sie müssen überlegen, wie KI abteilungs- und prozessübegreifend für das KYC, das Kundenonboarding sowie die Geldwäschebekämpfung eingesetzt werden kann. Die daraus resultierenden Systeme müssen im Hinblick auf ihre Eignung und die Einhaltung gesetzlicher Vorschriften bewertet werden. Lesen Sie weiter, um mehr über diese und andere Schritte zu erfahren.

1. Die Bewertung der aktuellen Prozesse zur Geldwäschebekämpfung. Banken müssen überprüfen, wie sie derzeit Geldwäsche unterbinden, wie effektiv die aktuellen Systeme dabei sind und welche Kosten durch einen KI-basierten Ansatz eingespart sowie welche Verbesserungen dadurch erzielt werden können.
2. Definition von Zielen und Anforderungen. Banken sollten den Umfang der Ziele einer KI-Implementierung festlegen, einschließlich klar definierter Erfolgskriterien, wie die Senkung der Betriebskosten und die Reduzierung der Anzahl von Falschmeldungen.
3. Unterstützung der Datenerfassung und -vorbereitung. Banken müssen sicherstellen, dass ihre Daten sauber sind und eine ausreichend hohe Qualität und Quantität aufweisen, um KI-Modelle zu trainieren. Sie müssen auch über eine ausreichende Anzahl von Data Science-Talenten unter den Mitarbeitern verfügen, um Modelle abzustimmen und ihreAnsätze zu verfeinern (mehr dazu später).
4. Auswahl der geeigneten KI-Tools und -Technologien. Die Auswahl eines KI-Systems, das sich für die erforderlichen Anwendungsfällen eignet, ist von entscheidender Bedeutung. Die Systeme sollten in der Lage sein, Transaktionen in Echtzeit zu überwachen, maschinelles Lernen und Natural Language Processing (NLP) auf Kundenonboarding- und KYC-Prozesse anzuwenden und GenAI und NLP zu verwenden, um Berichte zu verdächtigen Aktivitäten zu generieren. Banken können auch Vorhersageanalysen einsetzen, um anomales oder verdächtiges Verhalten zu bewerten. KI-Diagrammanalysen können dazu beitragen, Netzwerke aus Personen und Unternehmen aufzuspüren, die für Analysten nicht offensichtlich sind.
5. Entwicklung und Training von KI-Modellen. Es gibt zwei grundsätzliche Methoden, wie KI-Modelle zur Geldwäschbekämpfung trainiert werden können. Beim überwachten Lernen – für Verhaltensmodelle, das Kunden-Risikoscoring und das Ereignisscoring in Bezug auf Geldwäschebekämpfung und Sanktionslisten – werden den Modellen beschriftete Beispiele angezeigt, von denen Sie lernen können. Dies ist von Vorteil, wenn ein Modell die Beziehungen zwischen Ein- und Ausgängen lernen muss. Bei anderen Anwendungsfällen wie der Kundensegmentierung und Anomalieerkennung verwenden Banken häufig das unbeaufsichtigte Lernen, bei dem Modellen ungekennzeichnete Fälle von Geldwäsche und Betrug sowie Falschmeldungen angezeigt werden. Dabei lernt das Modell ohne Hilfe von Data Scientists, die Eigenschaften beider Arten von Transaktionen zu identifizieren. Nicht überwachte Modelle können Beziehungen in Daten erlernen, die zuvor noch nicht erkannt wurden.
6. Integration von KI in vorhandene Systeme. Viele Prozesse zur Geldwäschebekämpfung laufen auf Alt-IT-Systemen, sodass Banken in die Erstellung von Connectors mit älteren Transaktionsüberwachungs- und Berichtssystemen und ihren verschiedenen Datentypen investieren oder ihre Infrastruktur modernisieren müssen, um die Anforderungen der KI zu erfüllen.
7. Schulung und Unterstützung der Mitarbeiter. Die Schulungen zu KI-Tools und -Prozessen sind sowohl für die Einhaltung gesetzlicher Vorschriften als auch für die Überwindung von Widerständen seitens der Mitarbeiter gegen die Einführung der Technologie wichtig.
8. Arbeit an einer kontinuierlichen Verbesserung und Anpassung. KI wurde entwickelt, um kontinuierliches Lernen zu ermöglichen. Banken müssen eine ähnliche Denkweise kultivieren, wenn sie die Technologie einsetzen und nutzen. In Bezug auf Warnmeldungen zur Geldwäsche müssen Banken auch die sogenannte Trefferquote von Modellen berücksichtigen, die ihre Fähigkeit misst, fast die gleiche Anzahl von Berichten zu tatsächlich verdächtigen Aktivitäten aus einer viel kleineren Anzahl von Warnmeldungen zu generieren.
9. Unterstützung, um die Einhaltung gesetzlicher Vorschriften sicherzustellen. Gesetze und Vorschriften in Bezug auf KI entwickeln sich stetig weiter und Banken müssen daher auf dem Laufenden bleiben, um die Compliance zu gewährleisten. Interne Kontrollen, Schulungen und die Ernennung eines Verantwortlichen für die Verwaltung der laufenden Compliance sind alles wesentliche Bestandteile einer effektiven Compliance in Bezug auf die Geldwäschebekämpfung.

Die Zukunft der KI bei der Geldwäschebekämpfung

Die Anforderungen an die Geldwäschebekämpfung, die von Behörden weltweit festgelegt werden, entwickeln sich ständig weiter, während die Budgets der Banken zunehmend belastet sind. Dadurch werden KI-gestützte Analysen und Automatisierung besonders attraktiv. In den USA erwägt das Financial Crimes Enforcement Network (FinCEN) des Finanzministeriums Regeln, die den Bank Secrecy Act auf Anlageberater ausweiten würden, einschließlich der Forderung, dass diese Berichte zu verdächtigen Aktivitäten einreichen müssen. Die Monetary Authority of Singapore erhöht die Anfoderungen an die Berichtspflicht für Family Offices und Hedgefonds und verstärkt die Kontrolle großer Banken, nachdem chinesische Kriminelle mehr als 2,2 Milliarden US-Dollar an Online-Glücksspielerlösen durch 16 Banken in dem Stadtstaat gewaschen haben. Die Schweizer Regulierungsbehörde FINMA hat Banken angewisen, gründlichere Prüfungen in Bezug auf Geldwäsche durchzuführen, und die neue Behörde zur Geldwäschebekämpfung der EU wird voraussichtlich eine direktere Überwachung von bis zu 40 Finanzinstituten einführen.

Banken werden voraussichtlich verstärkt auf neue KI-gestützte Methoden zur Betrugserkennung setzen, da das Verstecken von Geld durch die Anlage in Luxusautos, Sammlerstücken, Schmuck und Kunst die Nachverfolgung erschwert. Geldwäscher nutzen auch soziale Medien, um geringverdienende Arbeiter zu rekrutieren, um Geld einzuzahlen, was es für traditionelle Systeme erschwert, kriminelle Aktivitäten zu unterbinden.

Modernisierung und Stärkung Ihrer Geldwäschebekämpfung mit Oracle

Oracle Financial Crime and Compliance Management Cloud Service umfasst Software-Engines, die Entitäten und Transaktionen dynamisch auf Risiken bewerten und Transaktionen an sanktionierte Entitäten oder Länder einfrieren, sodass diese sofort von einem Analysten geprüft werden können. Es verfügt auch über eine umfassende Funktion für das Fallmanagement, das auf die Arbeitsweise von Ermittlern ausgelegt ist.

Oracle Financial Services Compliance Studio beinhaltet statistische Analysen sowie überwachte und unbeaufsichtigte KI-Technologie für das Lernen, die es ermöglicht, Risiken besser zu verstehen und zu überwachen und die Kosten für die Aufrechterhaltung einer Plattform für die Einhaltung von Vorschriften und die Bekämpfung von Finanzkriminalität zu senken.

Der Ansatz von Oracle ermöglichte einer großen multinationalen Bank, innerhalb von sechs Wochen KI-Modelle zu implementieren und dadurch 45 bis 65 % weniger Warnungen zu generieren, während sie immer noch mindestens 99 % der Anzahl der Berichte zu verdächtigen Aktivitäten erstellte, wie zu der Zeit als das Aufkommen von Warnmeldungen noch wesentlich höher war.

Oracle Financial Services Compliance Agent ist ein KI-gestützter Cloud Service, mit dem Banken ihre Transaktionsüberwachungssysteme testen und kriminelle Akteure simulieren können, um ihre Programme zur Geldwäschebekämpfung einem Stresstest zu unterziehen. Dadurch können Kosten und das regulatorische Risiko reduziert werden. Oracle entwickelt außerdem eine generative KI-Komponente für seine Software zur Bekämpfung von Finanzkriminalität, um Fall-Narrative für Berichte zu schreiben.

Häufig gestellte Fragen zur KI für die Geldwäschebekämpfung

Wird die Geldwäschebekämpfung automatisiert?
Banken automatisieren ihre Prozesse zur Geldwäschebekämpfung zunehmend mithilfe von KI-Tools, die Daten aus allen Abteilungen erfassen und verarbeiten können. Diese Tools ergänzen und unterstützen die Analysten und anderen Mitarbeiter, die für die Geldwäschebekämpfung verantwortlich sind.

Worum handelt es sich bei KI zur Geldwäschebekämpfung?
Banken verwenden GenAI, um nach verwandten Begriffen zu suchen, die nicht in den Regel-Engines herkömmlicher Software zur Geldwäschebekämpfung fest codiert sind, um schwierige Beziehungen zwischen Transaktionen aufzusprüren und um Narrative zu verdächtigen Aktivitäten und für andere Berichte zu erstellen.

Was versteht man unter intelligenter Automatisierung bei der Geldwäschebekämpfung?
Eine intelligente Automatisierung wird eingesetzt, um die manuelle Arbeit bei der Prüfung von Transaktionen zu reduzieren, die ein System zur Geldwäschebekämpfung fälschlicherweise als betrügerisch gekennzeichnet hat. Dazu wendet das KI-Modell neue Muster an, die es gelernt hat, um zukünftige Transaktionen zu klassifizieren. Dies kann dazu beitragen, die Kosten für die Banken zu reduzieren und die Genauigkeit zu verbessern.