Mit KI und maschinellem Lernen die Prävention von Geldwäsche verbessern

Abstract: Banken und Versicherungen sehen erhebliche Vorteile durch die Nutzung von künstlicher Intelligenz und maschinellem Lernen bei der Bekämpfung von Geldwäsche. Das belegt unsere aktuelle Studie. Sie beschreibt Potenziale und Herausforderungen bei der Einführung und zeigt auf, wie Finanzunternehmen die Technologien heute bereits nutzen.

Künstliche Intelligenz und maschinelles Lernen (ML) gewinnen bei der Bekämpfung von Geldwäsche im Finanzsektor an Bedeutung: Mehr Unternehmen als je zuvor setzen KI- und ML-Technologien ein, um die Anti-Geldwäsche-Vorschriften noch effektiver und effizienter einzuhalten, oder planen die Einführung. Dies zeigt die aktuelle Studie „KI und maschinelles Lernen im Kampf gegen Geldwäsche“, die KPMG gemeinsam mit dem Analytics-Anbieter SAS und der Association of Certified Anti-Money Laundering Specialists (ACAMS) erstellt hat. 

Dafür wurden mehr als 850 Compliance-Expert:innen und ACAMS-Mitglieder großer Unternehmen weltweit hinsichtlich der KI- und ML-Nutzung zur Prävention und Aufdeckung von Geldwäsche (AML) befragt.

Die Befragten nennen zwei Hauptgründe für den Einsatz von KI und maschinellem Lernen in der AML-Compliance:

• Verbesserung der Qualität von Untersuchungen und vorgeschriebener Einreichungen bei Aufsichtsbehörden (40 Prozent),
• Verminderung von False-Positives bei der Überwachung und der damit einhergehenden operativen Kosten (38 Prozent).

Ein wichtiger Treiber bei der Einführung von KI-Systemen und Machine Learning sind die vergangenen und aktuellen Krisen, in der sich Anforderungen an die Geldwäscheprävention verändert und/oder verstärkt haben. Damit ist in vielen Finanzinstituten die Erkenntnis gereift, dass statische, regelbasierte Überwachungsstrategien weniger genau und weniger anpassungsfähig sind als verhaltensbasierte Entscheidungssysteme. Dynamische KI- und ML-Technologien können sich intelligent an Veränderungen in Mustern und Verhaltensweisen, die auf dem Markt zu beobachten sind, anpassen und auf neue Risiken reagieren. 

Die Umfrage zeigt: Ein Drittel der Finanzinstitute will als Reaktion auf die Pandemie die Einführung von KI- und ML-Technologien beschleunigen. 39 Prozent der befragten Expert:innen gaben an, dass die Pandemie keine Auswirkungen auf ihre Pläne zur Einführung von KI-Anwendungen und maschinellem Lernen hatte.

Zugleich belegt die Umfrage, dass viele Unternehmen bei der Nutzung der innovativen Technologien im Kampf gegen Geldwäsche schon vorangeschritten sind. 57 Prozent der Befragten gaben an, dass ihr Unternehmen entweder bereits KI/ML in seinen AML-Compliance-Prozessen einsetzt, solche Lösungen testet oder eine Implementierung in den kommenden 12 bis 18 Monaten beabsichtigt. 

Andererseits nennen 39 Prozent der Befragten finanzielle Bedenken als wesentlichen Grund, warum die Einführung der Technologien hinausgezögert oder nicht in Erwägung gezogen wird. 35 Prozent erklären das Zögern vor allem damit, dass keine aufsichtsrechtliche Verpflichtung bestehe. 

Das deutet darauf hin, dass manche Anwender den weitreichenden wirtschaftlichen Nutzen der Technologien bei der Bekämpfung von Geldwäsche bislang unzureichend mitbedenken  - zumal sich moderne KI- und ML-Technologien vielfach problemlos und schnell in bestehende Compliance-Systeme integrieren lassen.

Die Studie beschreibt, wie sich die Einführung von KI- und ML-Technologien im Bereich der Geldwäschebekämpfung in den zurückliegenden 24 Monaten entwickelt hat. Sie gibt einen Überblick über die mit der Einführung verbundenen Herausforderungen und zeigt auf, welche Formen von künstlicher Intelligenz und maschinellem Lernen den größten Mehrwert bieten. Zudem wird an Fallbeispielen erläutert, wie Compliance-Abteilungen diese Technologien heute nutzen.