Banken wollen Geldwäsche mit KI bekämpfen – doch die Umsetzung scheitert oft

Immer mehr Finanzinstitute erkennen die Notwendigkeit, Künstliche Intelligenz im Zusammenhang mit Anti-Money-Laundering-(AML-) Prozessen einzusetzen – doch die Implementierung solcher Lösungen lässt aber noch auf sich warten. Dies hat eine aktuelle globale Studie ergeben, die SAS, ein Anbieter von Lösungen für Daten und künstliche Intelligenz (KI), in Zusammenarbeit mit KPMG durchgeführt hat.

Die Studie „The road to integration: The state of AI and machine learning adoption in anti-money laundering compliance“ ist die Fortsetzung einer Studie von 2021 zum gleichen Thema. An der aktuellen Befragung zum Status der Nutzung von KI und ML für die Geldwäschebekämpfung haben 850 Mitglieder der Association of Certified Anti-Money Laundering Specialists (ACAMS) teilgenommen.

Die Umfrage zeigt eine zurückhaltende Nutzung von Künstlicher Intelligenz (KI) und Machine Learning (ML). Lediglich 18 Prozent der Befragten setzen bereits entsprechende Lösungen ein, während 40 Prozent bisher keine Pläne zur Einführung dieser Technologien haben. Auch das Interesse an Generativer KI bleibt verhalten: Zwar testen oder nutzen fast die Hälfte der Teilnehmer ChatGPT und ähnliche Modelle in Pilotprojekten, doch 55 Prozent setzen sich bislang nicht intensiver mit dem Thema auseinander.

Ein wesentliches Hindernis für eine breitere Adaption sehen AML-Experten in der mangelnden Unterstützung durch die Aufsichtsbehörden. Der Anteil der Regulierer, die den Einsatz von KI fördern, ist in den letzten vier Jahren um 15 Prozentpunkte auf 51 Prozent gesunken. Gleichzeitig wächst die Skepsis: Der Anteil derjenigen, die Regulierer als besorgt oder vorsichtig einstufen, ist von 28 auf 36 Prozent gestiegen. Besonders auffällig ist, dass mittlerweile 13 Prozent der Befragten die Regulierungsbehörden als „resistent gegenüber Veränderungen“ wahrnehmen – mehr als doppelt so viele wie noch 2021 (6 Prozent).

KI und Machine Learning sind kein Wundermittel gegen Betrug und Geldwäsche. Insbesondere, wenn es um große Datenmengen geht, sind sie aber sehr effektiv.”

Timo Purkott, Partner KPMG Deutschland

Purkott ist Global Fraud and Financial Crime Transformation Lead bei KPMG International und ergänzt: „Das umfasst zum Beispiel automatisierte Benachrichtigungen aus dem Transaction Monitoring, unternehmensweite Risikobewertungen, Berichte zu auffälligen Aktivitäten, AML-Überprüfungen oder die Reduzierung von False-Positives. All dies basiert auf Daten. Unternehmen müssen daher in ihre Datenmanagementinfrastruktur investieren, um maximalen Wert aus KI und ML zu generieren – und Kriminellen eine Nasenlänge voraus zu sein.“

Fehlende regulatorische Unterstützung als Hindernis

Die Studie beleuchtet den Einsatz von Künstlicher Intelligenz (KI) und Machine Learning (ML) in der Geldwäschebekämpfung und zeigt sowohl Chancen als auch Herausforderungen auf. Unternehmen identifizieren zunehmend mehr Anwendungsfälle für diese Technologien. Besonders im Fokus stehen weiterhin die Verbesserung der Untersuchungsqualität, effizientere regulatorische Prüfungen und die Reduzierung von Fehlalarmen – insgesamt 67 Prozent der Befragten sehen hierin zentrale Prioritäten (2021: 78 Prozent). Zudem gewinnt das Erkennen komplexer Probleme an Bedeutung, wobei der Anteil derjenigen, die dies als Grund für den Einsatz von KI und ML nennen, von 17 auf 21 Prozent gestiegen ist.

Ein wachsendes Hindernis stellt die fehlende regulatorische Unterstützung dar. Während 2021 noch Budgetbeschränkungen als größte Herausforderung galten (39 Prozent), wird dieser Aspekt in der aktuellen Umfrage mit 34 Prozent von dem Mangel an regulatorischen Vorgaben (37 Prozent) überholt. Gleichzeitig verliert der Kompetenzmangel an Relevanz und wird nur noch von 11 Prozent der Befragten als Hürde genannt – fast eine Halbierung im Vergleich zu früheren Ergebnissen.

Die Reduzierung von Fehlalarmen in bestehenden Kontrollsystemen gewinnt weiter an Bedeutung: 38 Prozent der Befragten nennen sie als Priorität, ein Anstieg um 8 Prozentpunkte gegenüber 2021. Rund ein Viertel hält zudem die automatisierte Anreicherung von Daten für Untersuchungen und Due Diligence sowie die Entwicklung neuer Risikokategorien mithilfe fortgeschrittener Modellierungstechniken für zentrale Aufgaben. Zwei von fünf Umfrageteilnehmern betrachten die Vermeidung von Fehlalarmen als den größten Nutzen von KI und ML, gefolgt von schnelleren und besseren Untersuchungen (34 Prozent) sowie der Risikoklassifizierung von Benachrichtigungen (28 Prozent).

KI als Grundlage für Wettbewerbsvorteil

Eine Technologie mit ungenutztem Potenzial könnte Natural Language Processing (NLP) sein. Befragt nach den drei wichtigsten Technologien mit dem größten erwarteten Effekt, nannten 6 von 10 AML-Experten Machine Learning – ein Anstieg um 6 Prozentpunkte im Vergleich zur vorherigen Studie. Robotic Process Automation verlor hingegen an Bedeutung und fiel auf 28 Prozent. NLP landet mit nur 14 Prozent auf dem letzten Platz, was darauf hindeuten könnte, dass Compliance-Teams die Möglichkeiten dieser Technologie zur Erkennung von Frühwarnzeichen bislang nicht ausreichend ausschöpfen.

Die Integration von Datenquellen, Teams und Technologie ist der Schlüssel, um das volle Potenzial von KI und Machine Learning zu erschließen – und das erfordert den Aufbau eines Ökosystems, das Daten aus sämtlichen Quellen zusammenführt.”

Thomas Schwalbe, Senior Advisor Fraud & AML bei SAS

Laut der ACAMS-Studie verknüpfen bereits 86 Prozent der Befragten ihre AML-, Fraud-Detection- und Informationssicherheitsprozesse in irgendeiner Form miteinander, beispielsweise verfügt rund ein Drittel über vollintegriertes Case Management. Und Schwalbe ergänzt: „Unternehmen, die bei der Governance-gestützten Integration von Daten und Abläufen vorangehen, verschaffen sich einen Wettbewerbsvorteil gegenüber denen, die noch zögern.“

Die komplette Studie steht hier zum Download bereit. Zudem hat SAS ein Data Dashboard veröffentlicht, das Abfrage, Visualisierung und Filtern der Ergebnisse nach Region und Größe der Organisation erlaubt.tw