Geldwäsche: Aufsicht setzt verstärkt auf KI

Geldwäsche: Aufsicht setzt verstärkt auf KI
31.07.2020

Kriminelle wenden immer raffiniertere Methoden an, um Schwachstellen in der Kontrollumgebung einer Bank zu aufzuspüren. Bei den Aufsichtsbehörden wächst daher die Bereitschaft, bei der Geldwäschebekämpfung auf Technologien wie Künstliche Intelligenz (KI) oder Maschinelles Lernen (ML) zu setzen.

Die zunehmende Digitalisierung, die Forderung nach einem reibungslosen Kundenerlebnis und das rasante Geschäftstempo, das sich in Technologien wie schnelleren und vernetzten Zahlungssystemen und der Nutzung digitaler Plattformen für den Zugang zeigt, erhöhen das inhärente Risiko für Finanzkriminalität. Gleichzeitig werden Kriminelle immer raffinierter und wenden neue Techniken an, um nach Schwachstellen in der Kontrollumgebung einer Bank zu suchen. Die Kosten der Geldwäschebekämpfung sind in den letzten Jahren explodiert. Banken stehen vor der Herausforderung, die Balance zu halten zwischen Sicherheit und Compliance auf der einen und Kosteneffizienz auf der anderen Seite.

Gerade der aktuelle Fall Wirecard zeigt es deutlich: Die Finanzaufsichtsbehörden stehen derzeit an einem Scheidepunkt. Auf der einen Seite kämpfen sie mit einem Personal- und Ressourcenmangel, hervorgerufen durch den Sparkurs der letzten Jahrzehnte. Auf der anderen Seite gibt es neue Technologien wie Künstliche Intelligenz (KI), Maschinelles Lernen (ML) oder Robotergestützte Prozessautomatisierung (Robotic Process Automation, RPA), die diesen Mangel kompensieren können. Daher wächst bei immer mehr Aufsichtsbehörden die Bereitschaft, auf entsprechende Lösungen zu setzen. Tatsächlich ermutigen sie zunehmend die Banken aktiv dazu, diese innovativen Lösungen in Betracht zu ziehen, zu evaluieren und gegebenenfalls zu implementieren.

Dies bedeutet nicht, dass der bestehende risikobasierte Ansatz in der Compliance, der auf einem guten Wissen bei der Definition von Erkennungsszenarien beruht –etwa auf der Grundlage der Empfehlungen der Financial Action Task Force, FATF, infolge der Anschläge vom 11. September 2001 – ab sofort nicht mehr gültig ist. Vielmehr entsteht gerade eine Art Koexistenz, ein produktives Zusammenspiel aus bestehenden Szenarien mit den neuen KI-Mechanismen.

Effizient automatisiert ist halb gewonnen

Mit Hilfe von RPA können Banken Untersuchungen und Alarmbearbeitungen innerhalb ihrer KYC- (Know-Your-Customer) Lösung und des Transaktionsmonitorings (sog. AML-Lösungen; Anti Money Laundering) massiv verschlanken und automatisieren. Denn bislang wurden oft ganze Scharen von Ermittlern dafür benötigt, Fehlalarme – sogenannte Falsch-Positive – zu bearbeiten, die üblicherweise 75 bis 90 Prozent der Alarme ausmachen. Tatsächlich können jedoch klar definierte Alarm- und Fallregeln, die spezifisch auf die Situation des Finanzinstituts, die Produkte, die Kunden etc. abgestimmt sind, viele der repetitiven Tätigkeiten abdecken. Die Regeln sorgen dafür, dass die Ermittler sich auf komplexere Aufgaben konzentrieren können. RPA sollte also in jedem Fall in ein unternehmensweites Alarm- und Fall-Management integriert sein.

Die Kombination von RPA und Alarmpriorisierung auf Basis Künstlicher Intelligenz hilft, Kosten zu senken und Effektivität und Effizienz zu steigern. Bereits 2017 zeigte eine Untersuchung von McKinsey, dass sich die Zahl der Falsch-Positiven mit Maschinellem Lernen um 20 bis 30 Prozent reduzieren lässt. Gleichzeitig kann ML im AML-Bereich die Konversionsrate „vom Alarm zum Verdachtsfall“ dank genauerer Segmentierung um den Faktor Drei verbessern.

Merkmale für eine feinere Segmentierung sind beispielsweise: Ein Kunde unterhält finanzielle Beziehungen außerhalb des Landes oder ist eine vermögende Privatperson oder ein Kleinunternehmer. Auf diese Weise stellt das Maschinelle Lernen auch den Status quo von KYC-Prozessen unter Verwendung von Echtzeit-Verhaltensanalysen auf der Grundlage von Finanztransaktionsaktivitäten infrage und hilft, das Risikoprofil eines Kunden zu aktualisieren. Ein zusätzlicher Vorteil von ML-Lösungen besteht darin, dass die Ergebnisse im Falle einer Untersuchung heute auch erklärbar und nachvollziehbar sind. Dies ist zwingende Voraussetzung im Compliance-Umfeld und wird insbesondere von Regulatoren und Wirtschaftsprüfern gefordert.

Erkennung ungewöhnlichen Verhaltens

AML ist jedoch nicht der einzige Bereich in Finanzinstituten, in dem sich durch den Einsatz neuer Technologien Kosten senken und Geschäftsergebnisse verbessern lassen. So sind Lösungen zur Geldwäsche- und Betrugsbekämpfung relativ ähnlich und erfüllen viele gemeinsame Anforderungen wie beispielsweise die Erkennung ungewöhnlichen Verhaltens. Dennoch betreiben die meisten Banken diese Lösungen leider immer noch in einer Siloumgebung.

Dabei würde der Einsatz einer vollskalierbaren IT-Umgebung, die gleichzeitig sowohl die Anforderungen an Betrugserkennung als auch der Geldwäschebekämpfung erfüllt, nicht nur einen Kostenvorteil bieten. Der Einsatz würde es Finanzinstituten auch ermöglichen, bei der Aufdeckung illegaler Aktivitäten grenzübergreifend zu agieren. Außerdem könnten etwa Kunden, bei denen Verdacht auf Finanzbetrug besteht, direkt und vollautomatisch auch auf Geldwäsche überprüft werden.

Autor

Frank Holzenthal, Anti-Money Laundering Specialist (CAMS), Senior Director, Head of Compliance Consulting EMEA, FICO.


[zurück]