Banken wollen Geldwäsche mit KI bekämpfen

Die Nutzung künstlicher Intelligenz (KI) im Bereich der Geldwäschebekämpfung (AML) gewinnt zunehmend an Bedeutung. Eine aktuelle Studie, die von SAS in Zusammenarbeit mit KPMG durchgeführt wurde, zeigt jedoch, dass die Implementierung noch hinter den Erwartungen zurückbleibt.

Trotz der erkannten Vorteile stehen viele Finanzinstitute weiterhin vor Herausforderungen bei der Einführung entsprechender Technologien.

Aktueller Stand der KI-Nutzung

Laut der Umfrage setzen derzeit nur 18 Prozent der befragten Unternehmen KI- und Machine-Learning-Lösungen ein, während 40 Prozent keinerlei Pläne zur Implementierung haben. Dennoch bleibt das Interesse an generativer KI hoch: Fast die Hälfte testet Technologien wie ChatGPT in Pilotprojekten, während 55 Prozent bislang keine näheren Schritte in diese Richtung unternommen haben.

Ein maßgeblicher Faktor für die geringe Verbreitung ist die Zurückhaltung der Aufsichtsbehörden. Aktuell unterstützen lediglich 51 Prozent den Einsatz von KI-Technologien – ein Rückgang um 15 Prozentpunkte im Vergleich zu vor vier Jahren. Gleichzeitig stieg der Anteil derjenigen, die die Regulierung als vorsichtig oder besorgt einstufen, von 28 auf 36 Prozent. Besonders auffällig: Die Zahl derjenigen, die Regulierungsbehörden als „resistent gegenüber Veränderungen“ wahrnehmen, hat sich von 6 auf 13 Prozent mehr als verdoppelt.

Vorteile und Herausforderungen der KI-Integration

Der gezielte Einsatz von KI und Machine Learning bringt klare Vorteile mit sich. Dazu zählen automatisierte Transaktionsüberwachungen, unternehmensweite Risikobewertungen und eine Reduzierung von Fehlalarmen (False Positives).

Wie Timo Purkott, Global Fraud and Financial Crime Transformation Lead bei KPMG, betont: „KI und Machine Learning sind kein Wundermittel gegen Betrug und Geldwäsche. Insbesondere, wenn es um große Datenmengen geht, sind sie aber sehr effektiv.“ Unternehmen müssen daher in ihre Datenmanagementinfrastruktur investieren, um die vollen Vorteile dieser Technologien auszuschöpfen.

Doch trotz dieser Chancen gibt es weiterhin erhebliche Hindernisse. Während 2021 noch Budgetbeschränkungen als größtes Problem galten (39 Prozent), ist inzwischen das Fehlen regulatorischer Vorgaben (37 Prozent) das bedeutendste Hindernis. Der Fachkräftemangel spielt dagegen eine zunehmend geringere Rolle und wurde in der aktuellen Studie nur noch von 11 Prozent der Befragten als Problem genannt.

Steigende Relevanz von False Positives

Ein besonders wichtiges Thema bleibt die Reduzierung von Fehlalarmen. 38 Prozent der Teilnehmer sehen dies als eine der größten Herausforderungen an – ein Anstieg um 8 Prozentpunkte im Vergleich zu 2021. Rund ein Viertel der Befragten nennt zudem die automatisierte Anreicherung von Daten für Untersuchungen sowie die Entwicklung neuer Risikokategorien mit Advanced-Modeling-Techniken als vorrangige Aufgaben.

Zwei von fünf Unternehmen bewerten die Vermeidung von False Positives als den wichtigsten Vorteil, den KI und Machine Learning bieten. Weitere wesentliche Nutzenaspekte sind verbesserte und schnellere Untersuchungen (34 Prozent) sowie die Risikoklassifizierung von Warnmeldungen (28 Prozent).

Zukunftspotenzial: Natural Language Processing (NLP)

Auf die Frage nach den vielversprechendsten Technologien für AML nannten 60 Prozent der Experten Machine Learning, eine Zunahme um sechs Prozentpunkte gegenüber der vorherigen Studie. Robotic Process Automation hingegen verlor an Bedeutung und wurde nur noch von 28 Prozent priorisiert. Natural Language Processing (NLP) belegt mit 14 Prozent den letzten Platz, was darauf hindeuten könnte, dass das Potenzial dieser Technologie in Compliance-Teams noch nicht vollständig erkannt wurde.

Integration als strategischer Wettbewerbsvorteil

Die erfolgreiche Nutzung von KI und Machine Learning hängt stark von der Integration bestehender Prozesse ab. Thomas Schwalbe, Senior Advisor Fraud & AML bei SAS, erklärt: „Die Integration von Datenquellen, Teams und Technologie ist der Schlüssel, um das volle Potenzial von KI und Machine Learning zu erschließen – und das erfordert den Aufbau eines Ökosystems, das Daten aus sämtlichen Quellen zusammenführt.“

Laut der Studie verknüpfen bereits 86 Prozent der Befragten AML-, Fraud-Detection- und Informationssicherheitsprozesse in irgendeiner Form. Rund ein Drittel verfügt über ein vollintegriertes Case Management. Unternehmen, die frühzeitig auf eine datengestützte Governance setzen, können sich einen entscheidenden Wettbewerbsvorteil verschaffen.

Fazit

Die Studie zeigt, dass KI und Machine Learning erhebliche Potenziale für die Geldwäschebekämpfung bieten. Während einige Finanzinstitute bereits erste Fortschritte machen, behindern regulatorische Unsicherheiten und zögerliche Aufsichtsbehörden weiterhin eine umfassende Implementierung. Unternehmen, die in moderne Datenmanagement- und Analysetools investieren, könnten sich jedoch einen strategischen Vorteil sichern und effizienter gegen Finanzkriminalität vorgehen.