Der Einsatz von KI in der Geldwäschereibekämpfung wächst, doch die Umsetzung bleibt hinter den Erwartungen zurück. Laut einer globalen Umfrage nutzen nur 18% der AML-Experten aktiv KI/ML-Lösungen, während 40% keine Pläne zur Einführung haben. Hindernisse sind fehlende Regulierung, Budgetbeschränkungen und Kompetenzmangel. Dennoch zeigt sich: KI kann Fehlalarme reduzieren, Risiken schneller erkennen und Compliance-Prozesse optimieren. Besonders maschinelles Lernen bietet grosses Potenzial. Unternehmen, die frühzeitig in Datenintegration und Automatisierung investieren, sichern sich Wettbewerbsvorteile. Regulierungsbehörden zeigen sich gespalten – 51% fördern Innovationen, während 36% KI/ML noch kritisch sehen. Ein integriertes Datenökosystem wird entscheidend sein, um Finanzkriminalität effizient zu bekämpfen.
Der Einsatz von KI-Technologien in der Geldwäschereibekämpfung (AML) ist für Finanzinstitute bei der Einhaltung von Vorschriften und der Bekämpfung von Finanzkriminalität zu einem grundlegenden Faktor geworden. Dennoch kommt eine neue AML-Technologie-Studie des Daten- und KI-Marktführers SAS unter Mitwirkung des SAS-Partners KPMG zum Ergebnis, dass das Interesse an KI weiterhin grösser ist als ihre vollständige Umsetzung.
Basierend auf der globalen Umfrage von 850 Mitgliedern der Association of Certified Anti-Money Laundering Specialists (ACAMS) enthüllt die Studie:
- Die Anwendung von KI und maschinellem Lernen (ML) bleibt gering. Nur 18% der Umfrageteilnehmenden gaben an, KI/ML-Lösungen aktiv zu verwenden. Weitere 18% erproben KI/ML-Lösungen, während 25% eine Implementation von KI/LM in den nächsten 12-18 Monaten planen; 40% haben derzeit keine Pläne für die Einführung von KI/LM.
- Das Interesse an generativen KI-Technologien ist da, aber noch zurückhaltend. Beinahe die Hälfte der Teilnehmenden gaben an, dass sie momentan GenAI erproben (10%) oder noch in der Entdeckungsphase sind (35%) – keine unbedeutende Zahl für die aufkommende Technologie. Die übrigen 55% haben jedoch keine Pläne für die Einführung von GenAI.
Der Weg zur Integration
Der Stand der Implementierung von KI und maschinellem Lernen in der Geldwäschereibekämpfung basiert auf der Folgeuntersuchung einer ähnlichen Studie aus 2021. Sie untersucht den aktuellen Stand der KI/ML-Anwendung für die Geldwäschebekämpfung. SAS veröffentlichte ein Daten-Dashboard, mit dem Nutzende die Umfrageergebnisse nach Region und Institutsgrösse untersuchen, visualisieren und filtern können.
«Die Umfrage zeigt, dass AML-Experten der Meinung sind, dass sich die Regulierungsstellen in Bezug auf KI entspannt haben», sagte Kieran Beer, Chefanalyst und Director of Editorial Content bei ACAMS. «51% gaben an, dass ihre Regulierungsstelle KI/ML-Innovationen fördert oder ermutigt – ein Rückgang um 15 Prozentpunkte gegenüber 2021. Die Einschätzung, dass die Regulierungsstellen bei der Einführung von KI/ML ängstlich oder vorsichtig sind, stieg von 28% auf 36%. Die Beschreibung der Regulierungsstellen als ‹veränderungsresistent› hat sich von 6% auf 13% mehr als verdoppelt.»
«KI und maschinelles Lernen sind keine Zaubermittel für jede Herausforderung der Finanzkriminalität. Aber sie erweisen sich in bestimmten Bereichen als immer effektiver – vor allem, wenn es um grosse Datenmengen geht», meint Timo Purkott, Global Fraud und Financial Crime Transformation Lead bei KPMG International und Partner bei KPMG in Deutschland. «Dazu gehören die Automatisierung von Warnungen aus der Transaktionsüberwachung, die Erstellung unternehmensweiter Risikobewertungen, die Meldung verdächtiger Aktivitäten, AML-Prüfungen, die Reduzierung von Fehlalarmen und vieles mehr. Das alles hängt von Daten ab. Unternehmen müssen in ihre Datenmanagement-Infrastruktur investieren, um den Wert von KI und ML zu maximieren und Finanzkriminellen einen Schritt voraus zu sein.»
KI und ML sind wertsteigernd – wenn sie vollständig umgesetzt werden
Die Umfrage ergab eine Reihe von Erkenntnissen darüber, wie die KI-Technologie bei der Geldwäschereibekämpfung eingesetzt wird und warum die Unternehmen sie möglicherweise nur langsam in ihre Abläufe integrieren.
- Unternehmen erkennen die Einsatzmöglichkeiten für KI/ML immer mehr. In der ersten Ausgabe der Umfrage im Jahr 2021 nannten 78% der Befragten entweder die Verbesserung der Qualität von Ermittlungen und behördlichen Feststellungen (40%) oder die Verringerung von Fehlalarmen (38%) als Hauptgrund für die Einführung von KI/ML. Dieses Mal waren die Antworten auf diese Frage vielfältiger. Die beiden wichtigsten Antworten waren immer noch dieselben, aber der kombinierte Prozentsatz fiel auf 67%. Der Anteil derjenigen, die komplexe Risiken erkennen, stieg von 17% auf 21%, und der Anteil derjenigen, die „nichts von alledem“ angeben, stieg von 5% auf 13%.
- Die Gründe für die Nicht-Einführung von KI/ML haben sich ebenfalls weiterentwickelt. Zuvor waren Budgetbeschränkungen mit 39% das grösste Hindernis für den Einsatz von KI. In dieser Umfrage sank dieser Anteil auf 34% und wurde vom Fehlen einer gesetzlichen Vorgabe überholt, was zu einem leichten Anstieg auf 37% führte. Auch der Mangel an verfügbaren Kompetenzen wurde weniger bedenklich gewertet, denn der Prozentsatz sank um fast die Hälfte auf 11%. In der Kategorie „Sonstiges“ gab es jedoch einen deutlichen Anstieg von 5% auf 19%.
- Die Verringerung von Falschmeldungen ist eine steigende Priorität. Auf die Frage, welche Bereiche für den Einsatz von KI/ML Priorität haben, war die häufigste Antwort die Verringerung von Falschmeldungen in bestehenden Überwachungssystemen mit 38% (ein Anstieg um 8% seit 2021). Die Automatisierung der Datenanreicherung für Untersuchungen und Due-Diligence-Prüfungen (25%) und die Erkennung neuer Risiken mit Hilfe fortschrittlicher Modellierungstechniken (23%) waren nach wie vor beliebte Antworten. Auch wenn beide gegenüber der letzten Umfrage um einige Punkte zurückgingen. Die restlichen 13% der Befragten nannten die Kundensegmentierung zur Verhaltensanalyse.
Die Reduzierung von Falschmeldungen war mit 38% auch die häufigste Antwort auf die Frage, welcher Bereich den grössten Nutzen von KI/ML bietet. Allerdings lagen die beiden anderen Optionen – bessere und schnellere Untersuchungen (34%) und die Einteilung der Warnmeldungen in hohes und niedriges Risiko (28%) – nicht weit dahinter. - Das maschinelle Lernen hat einen grossen Einfluss – aber NLP darf nicht verschlafen werden. Auf die Frage nach dem Wirkungsgrad der drei Technologien wurde das maschinelle Lernen mit 58% erneut mit Abstand an erster Stelle genannt, ein Anstieg um 6% gegenüber 2021. Die robotergestützte Prozessautomatisierung ging entsprechend auf 28% zurück, während die natürliche Sprachverarbeitung (NLP) mit 14% die letzte Wahl war. Auch wenn die Fähigkeit des maschinellen Lernens, Muster in grossen Datenmengen zu erkennen, sicherlich von grosser Bedeutung ist, könnte die geringe Resonanz der NLP darauf hindeuten, dass Compliance-Teams aufgrund unterentwickelter Fähigkeiten Frühwarnzeichen übersehen.
Die Grundlage für einen Wettbewerbsvorteil schaffen
«Der Schlüssel zur Ausschöpfung des vollen Potenzials von KI und maschinellem Lernen ist die Integration von Datenquellen, Teams und Technologien. Der erste Schritt zu dieser Integration ist der Aufbau eines Datenökosystems, das Daten aus allen Quellen kombiniert», erklärt Stu Bradley, Senior Vizepräsident für Risiko-, Betrugs- und Compliance-Lösungen bei SAS. «In dieser ACAMS-Umfrage gaben 86% der Befragten an, dass sie in irgendeiner Form die Prozesse der Geldwäschereibekämpfung, des Betrugs und der Informationssicherheit integriert haben. Fast ein Drittel verfügt über ein vollständig integriertes Casemanagement für diese Funktionen. Ein weiteres Drittel arbeitet in funktionsübergreifenden Teams zusammen, um Kontrollen zur Verhinderung von Finanzkriminalität durchzuführen.
Einige Unternehmen warten vielleicht noch auf regulatorische Vorgaben. Unternehmen, die die Integration von Daten und Abläufen unter Berücksichtigung der Unternehmungsführung vorantreiben, legen den Grundstein für verantwortungsvolle Innovationen im Bereich KI und ML. Sie werden einen Wettbewerbsvorteil gegenüber denjenigen haben, die zögern.»
SAS
SAS ist ein weltweit führender Anbieter von Daten und künstlicher Intelligenz (KI), die auch als spezifische Lösungen für verschiedenste Branchen verfügbar sind. SAS macht aus Daten zuverlässige Informationen, mit denen Unternehmen schneller sichere Entscheidungen treffen können. So verschafft SAS seinen Kunden seit 1976 THE POWER TO KNOW.
