Geldwäsche-Compliance in geschäftlichen Vorteil wandeln

Künstliche Intelligenz und maschinelles Lernen im Kampf gegen Betrugsfälle unverzichtbar

Ein Gastbeitrag von Anders la Cour, Mitbegründer und Chief Executive Officer von Banking Circle

Die Digitalisierung hat in den letzten Jahren deutlich Fahrt aufgenommen. Während der Pandemie hat sich dieser Wandel in der Finanzbranche dramatisch beschleunigt. Gleichzeitig stellt der verstärkte digitale Austausch auch ein Einfallstor für Betrüger dar. Allerdings ist die Zahl der Geldwäsche-Fälle bereits gestiegen, bevor Finanzdienstleister gezwungen waren, ihre Tätigkeiten auf Remote-Arbeitsplätze zu verlagern.

Schon in den ersten sechs Monaten des Jahres 2020 erreichten die Strafzahlungen für Geldwäsche weltweit mehr als 700 Millionen US-Dollar. Das ist fast doppelt so viel wie im Jahr 2019 (444 Millionen US-Dollar)[i]. Während die Bußgelder im Verhältnis zum Branchenumsatz gering sind, ist der Schaden beträchtlich, der durch verlorenes Vertrauen bei Kunden und eine Unterbrechung des Geschäfts verursacht wird. Um diesen Schaden zu verringern, geben Banken jedes Jahr durchschnittlich 48 Millionen US-Dollar für „Know-Your-Customer“ (KYC) und Prozesse zur Verhinderung von Geldwäsche[ii] aus. Diese hohen Ausgaben erklären, warum Finanzinstitute ihre Strategien zur Verringerung des Gesamtrisikos konsolidieren ­– und die Angebote für bestimmte Sektoren eingeschränkt haben. 

Einen Markt oder einen Sektor auszugrenzen, ist jedoch keine optimale Lösung. So haben viele Finanzinstitute Ansätze eingeführt, die auf künstlicher Intelligenz (KI) basieren, um den Anstieg der Geldwäsche zu bekämpfen. Allerdings bringt das auch einige Herausforderungen mit sich:

Im Rahmen einer Studie hat Banking Circle im November 2020 mit 300 leitenden Entscheidungsträgern in europäischen Banken gesprochen. Dabei zeigten sich viele davon überzeugt, dass die KI-Implementierung bisher viel zu inkonsequent war und möglicherweise die Geschäftsziele gefährdet.

Darüber hinaus wird eine widerstandsfähige Implementierung durch immer knappere IT-Budgets erschwert. Trotzdem glauben die Befragten, dass KI und Machine Learning (ML) im Kampf gegen Geldwäsche in Zukunft unverzichtbar sind.

KI-basierte Ansätze auf dem Vormarsch

Oftmals wird Compliance als ein notwendiges Übel angesehen. Compliance lässt sich jedoch nutzen, um das Geschäft voranzutreiben und die Effizienz erheblich zu verbessern. Traditionelle regelbasierte Prozesse erfassen nur ein Element einer Transaktion, was zu Falsch-Positiv-Raten von 97 bis 99 Prozent führt. KI und ML verbessern die Präzision der Regeln erheblich, welche in bisherigen automatisierten Anti-Geldwäsche-Prozessen verwendet werden. Denn sie liefern eine Reihe von Indikatoren, die auf mögliche Risiken hinweisen. Dadurch lassen sich Fehlalarme reduzieren, während gleichzeitig die Compliance-Kriterien erfüllt und Finanzkriminalität erfolgreich bekämpft wird. Zudem reduziert sich die Arbeitsbelastung, so dass Ressourcen bei den Mitarbeitenden freigesetzt werden. Diese lassen sich wiederum nutzen, um sich auf andere Bereiche, wie beispielsweise den Ausbau von Kundenbeziehungen, zu konzentrieren.

Mittlerweile haben viele Finanzinstitute mit der Einführung KI-basierter Ansätze begonnen. Damit wollen sie den Anstieg der Geldwäsche bekämpfen. Viele Banken wünschen sich dabei Prozesse, die automatisch maschinelle Lerntechniken auf die Daten anwenden, welche über die gesamte Transaktionskette hinweg gesammelt werden. Bisher erfolgt dies in der Regel nur bei ausgewählten Teilen des Prozesses.

Unternehmen können nur dann die betriebliche Effizienz voll ausschöpfen, wenn sie das große Ganze betrachten. Sie müssen damit beginnen, ganzheitlich über die Rolle von Geldwäsche und Compliance innerhalb der digitalen Transformation nachzudenken. Allerdings ist es nicht einfach, neue Ansätze zur Verhinderung von Geldwäsche inmitten des aktuellen Wandels im Bankwesen einzuführen. Denn klassische Banken werden dabei durch eine Mischung aus veralteter IT, schrumpfenden IT-Budgets und schlechter Datenqualität aufgehalten.

Gemeinsam schneller zum Erfolg 

Die Zusammenführung der Daten ist ein wesentliches Element für erfolgreiche KI und ML. Sie setzt aber voraus, dass die Daten sauber und gut gekennzeichnet sind und aus zuverlässigen Quellen stammen. Schließlich müssen diese Daten richtig verwaltet und interpretiert werden. Fast jeder vierte (24 Prozent) Befragte gab an, dass eine schlechte Datenqualität ein Hauptproblem für den Erfolg der IT-Strategie darstellt. Sie schätzen, dass bis zu 15 Prozent der Echtzeit-Transaktionen aufgrund schlechter Daten über Empfänger oder Initiatoren von Transaktionen blockiert werden. 

Damit Prozesse zur Verhinderung von Geldwäsche effizient und effektiv sind, muss sich die Datenqualität stark verbessern. Die branchenübergreifende Zusammenarbeit ist der beste Weg, um diesen Wandel herbeizuführen.

Das Whitepaper „Better by design? Re-thinking AML for a digital age“ mit ergänzenden Informationen steht hier zum Download zur Verfügung.

Zum Weiterlesen:

IT Governance, Risk und Compliance – vom Muss zum Mehrwert

Zum Weiterhören:

Geldwäsche – FinTech Podcast #176

Quelle:


[i] Source: https://www.ft.com/content/a547e6ed-5a2e-48c4-bbee-febbf975e4af

[ii] Source: https://home.kpmg/mc/en/home/insights/2019/03/combating-financial-crime-fs.html