Transaktionsmonitoring: Geldwäschebekämpfung mit KI

Geldwäschebekämpfung: Softwarebasierte Lösungen und Methoden reichen nicht mehr

Der Spur des Geldes folgen – so lautet das gängige Grundprinzip, um Straftaten wie Geldwäsche und Terrorismusfinanzierung aufzudecken. Bankinstitute haben hierfür ein Transaktionsmonitoring aufgesetzt, das sich jedoch mit zunehmenden Herausforderungen konfrontiert sieht: regulatorische Anforderungen, höhere Transaktionsvolumen sowie steigende Komplexität in internationalen Zahlungsströmen auf der einen Seite sowie mehr und mehr gezielte Versuche, Schwachstellen in den Kontrollmechanismen der Banken auszunutzen, auf der anderen Seite.

Die Folge: Übliche softwarebasierte Lösungen und Methoden reichen häufig nicht mehr aus, um Transaktionen zu überprüfen und verdächtiges Verhalten frühzeitig zu erkennen. Schätzungen zufolge wird derzeit lediglich 1 Prozent der Vorgänge zur Geldwäsche in Deutschland entdeckt. Demgegenüber stehen mehr als 800 Milliarden Euro im Jahr, die allein europäische Banken zur Geldwäschebekämpfung aufwenden, und Teams von mehreren Dutzend Mitarbeitenden je Großbank, die innerhalb weniger Tage unzählige systemisch generierte Geldwäschewarnungen prüfen müssen.

Bislang kontrollieren die gängigen Systeme Informationen und Daten im Zuge der Neueröffnung eines Kontos und danach fortlaufend auf Basis von klassischen Softwaremethoden wie etwa PEP-Listen oder Blacklists, auf denen bereits in der Vergangenheit auffällig gewordene Kunden geführt sind. Die damit abgeglichenen Standardkundeninformationen sind jedoch unzureichend, wenn es um wirksame Kontrolle geht. Denn sie müssen kontinuierlich um externe Informationen wie Domizil, Geschäftsverbindungen, Länder und Regionen erweitert werden. Hier lassen sich bereits die beiden großen Herausforderungen in der Geldwäschebekämpfung erkennen: Erstens wächst die Menge an internen strukturierten und externen unstrukturierten Daten immer weiter und zweitens müssen die Systeme kontinuierlich angepasst werden.

Das bringt ein hohes Maß an Entwicklungsarbeit mit sich. Hinzu kommt, dass in Echtzeit reagiert werden muss und die Erkenntnisse aus dem Transaktionsmonitoring den Compliance- sowie Controlling-Abteilungen der Banken, Vermögensverwalter und Finanzinstitute täglich in Frühwarnsystemen digital und verständlich aufbereitet vorgelegt werden müssen. Bestehende IT-Systeme verfügen weder über die Möglichkeiten zur agilen Erweiterung und Anpassung noch über Analysetools, die dem gewachsen sind.

Entwicklung des Transaktionsmonitorings

Die Zukunft des Transaktionsmonitorings liegt deshalb in der künstlichen Intelligenz und dem maschinellen Lernen. Systeme, die diese Technologien nutzen, ermöglichen eine Betrugserkennung für jegliche Geschäftsbeziehungen durch Echtzeitüberwachung unzähliger Transaktionsparameter auf Basis präziser und kohärenter Kundendaten. Wachsende Datenmengen und -knotenpunkte lassen sich damit schneller analysieren und auswerten.

Von der Datenmenge profitieren

Da sich Rahmenbedingungen immer schneller verändern und nicht jede Bank die gleiche Klientelstruktur hat, reicht eine standardisierte Lösung für ein genaues Transaktionsmonitoring nicht aus. Stattdessen müssen solche neuen Systeme in existierende Abläufe integriert werden. Dadurch können sie mit bestehenden Daten verknüpft und genauestens kalibriert werden. Sind Prüfungsparameter in der Geldwäschebekämpfung nämlich zu niedrig eingestellt, werden zu viele Warnungen erzeugt. Sind sie hingegen zu hoch angesetzt, besteht die Gefahr, verdächtiges Verhalten zu übersehen.

Wie wichtig eine agile und schnelle Anpassbarkeit der Parameter zur Transaktionskontrolle ist, wird deutlich, wenn man die Veränderungen des Transaktionsverhaltens im vergangenen Jahr beobachtet: Der betrügerische Handel mit gefälschten Arzneimitteln oder Schutzausrüstungen nahm zu, während die Zahlungen für touristische Dienstleistungen drastisch sanken. Lassen sich Parameter flexibel einstellen, kann das Transaktionsmonitoring auf solche kurzfristigen Veränderungen ausgerichtet werden, wodurch es genauer und zuverlässiger wird. Die Auswertungen müssen sich also sehr schnell den Anforderungen und entstehenden neuen Wegen der Geldwäsche anpassen lassen. Time-to-Market ist hier das Stichwort, weshalb dynamische und flexible Technologien zum Einsatz kommen müssen.

KI-basierte Lösungen und maschinelles Lernen

So können genau kalibrierte KI-basierte Lösungen reale Verhaltensmuster erlernen, Vorhersagen treffen und Probleme im Idealfall verhindern, indem sie überprüfen, ob die Aktivitäten eines Kunden im jeweiligen Einzelfall oder gesamtheitlich betrachtet seinem bisherigen Verhalten entsprechen oder ob eine Veränderung gegenüber dem ursprünglichen Verhaltensprofil erkennbar ist.

Außerdem kann künstliche Intelligenz Zahlungsempfänger und -absender zusätzlich mit öffentlich zugänglichen Informationen aus dem Internet oder von Drittsystemen abgleichen. Ist ein Fall verdächtig, wird er den zuständigen Mitarbeitenden gemeldet.

Maschinelles Lernen geht hier sogar noch weiter und ermöglicht eine Einschätzung darüber, welcher Fall eine besonders intensive und zeitnahe Prüfung erfordert. Je mehr Daten dafür zur Verfügung stehen, desto größer der Lerneffekt und desto genauer wird das System.

Der Mensch bleibt im im Transaktionsmonitoring weiter tonangebend

Bei all den Möglichkeiten, die künstliche Intelligenz und maschinelles Lernen bieten, bleibt aber weiter der Mensch tonangebend. Denn letztlich sind es die Compliance-Verantwortlichen, die entscheiden, ob ein Fehlverhalten vorliegt oder nicht. Deshalb gilt es, einen optimierten Ablauf zwischen Systemen, Mitarbeitenden und Technologien wie KI und ML aufzusetzen.

Künstliche Intelligenz wird die Mitarbeitenden in naher Zukunft nicht ersetzen, sondern stellt lediglich Empfehlungen auf Basis der vorhandenen Datenlage zur Verfügung. Entscheidungen zur Geldwäschebekämpfung können dadurch schneller und fundierter gefällt werden. Die Nachvollziehbarkeit der Entscheidungen bleibt dabei aber das A und O. Deshalb müssen eine Dokumentation und historisierte Ablage der vorhandenen Informationen zum Zeitpunkt einer Warnung garantiert werden.

Ganz entscheidend ist zudem, dass die hochintelligenten Systeme nicht nur Alerts produzieren, sondern den Benutzenden stets auch die dahinterliegenden Detailinformationen liefern, also per Drilldown die einzelnen Fälle analysierbar machen. KI kann so dazu beitragen, Routinearbeiten für Mitarbeitende sowie die Fehleranfälligkeit zu reduzieren.

Künstliche Intelligenz und maschinelles Lernen im Transaktionsmonitoring bieten perspektivisch nicht nur die Möglichkeit, Fälle in Echtzeit effizient zu überprüfen, sondern bergen auch das Potenzial, bisher unentdecktes Fehlverhalten aufzudecken. Mit steigender Datenmenge werden solche Systeme in Zukunft immer genauere Analysen vornehmen können und eine entscheidende Rolle im Kampf gegen Geldwäsche und Terrorismusfinanzierung spielen.

Weiterführendes Whitepaper

Detaillierte Einblicke in moderne Analyseverfahren im Kampf gegen Finanzkriminalität finden Sie in der aktuellen Publikation von zeb „How to fight financial crime“, die hier zum kostenfreien Download zur Verfügung steht:

Zum Whitepaper „How to fight financial crime“