Anti-Geldwäsche: 6 wichtige Strategien für mehr Automatisierung

Geldwäscher werden kreativer, Finanztransaktionen komplexer, Technologiestandards moderner. Historisch gewachsene AML Software passt oft nicht mehr zu dieser Entwicklung.

Nicht selten steigen Banken und Versicherungen komplett aus der bisherigen Struktur aus und starten neu. Ein aufwändiger Prozess, der gut geplant sein muss, aber mehr Erfolg verspricht als die Anpassung der bestehenden AML Landschaft. Sechs Strategien können helfen, die Automatisierung voranzutreiben.

Geldwäsche – ein ernstes Problem

Geldwäsche hält Finanzdienstleister in Atem. Sie zwingt aber auch die Finanzaufsicht zu handeln. Es gibt genügend Fälle, in denen die Aufsicht Mängel in der Geldwäsche-Prävention feststellt. Traditionelle Banken aber auch Fintechs haben Erfahrungen mit Sonderprüfungen, Strafzahlungen oder der Beschränkung bei der Neukunden-Akquise machen müssen. Darüber hat die BaFin am 13.1.2025 einen Artikel veröffentlicht.

Erhebliche Kosten laufen für diese Maßnahmen auf, und die mediale Aufmerksamkeit schadet der Reputation. Immer mehr Finanzunternehmen überlegen, wie sie ihr AML-Transaktionsmonitoring verbessern können. Die Anforderungen steigen enorm. da immer mehr Daten anfallen, Compliance-Fachpersonal limitiert ist und die Technologie so große Sprünge macht, dass es sich lohnt, die Prozesse und Systeme auf den Prüfstand zu stellen.

Die Grenzen traditioneller AML-Softwarelösungen

Bestehende AML-Software hält oft mit neuen Technologien nicht mehr Schritt. Zum einen geht es um den operativen Betrieb On Premises oder in der Cloud. Von der Cloud verspricht man sich eine schnellere Bereitstellung von Updates und eine Verringerung der Arbeitsbelastung für die interne IT.

Viele Banken haben verteilte Systeme für Compliance. Anti-Geldwäsche, Sanktions- und Transaktionsscreening und die Überwachung des Wertpapierhandels laufen als getrennte Anwendungen auf unterschiedlichen Systemen. Die Hamburg Commercial Bank hat diese Insellösungen abgeschafft.

Die Benutzerfreundlichkeit ist oft in die Jahre gekommen. Dabei hat sie direkten Einfluss auf die Effizienz der Geldwäschebeauftragten. Dashboards, responsive Anwendungen auf Desktop, Tablet und Smartphone erhöhen die Flexibilität beim Arbeiten und die Attraktivität des Arbeitsplatzes.

6 wichtige Strategien für die Automatisierung im AML-Prozess

Was kann die Finanzindustrie tun, um mehr Automatisierung zu erreichen?

6 Handlungsoptionen sind hier zusammengefasst:

1. Standardlösungen einsetzen: Individual-Lösungen sind nice to have. Der Trend geht aber eindeutig zu Standardlösungen, weil es sich Banken, Versicherungen und Finanzdienstleister nicht mehr leisten können, alle Regeln zur Erkennung von Geldwäsche selbst zu definieren. Basisregeln mit der Möglichkeit zur individuellen Anpassung nimmt einen großen Teil der Arbeit ab.
2. Compliance-Personal in die Lage zu versetzen, Änderungen an den Regeln durchzuführen. Wenn sich Grenzwerte oder regulatorische Vorgaben ändern, ist es vorteilhaft, wenn die Regeln on the fly angepasst werden können.
3. Einstellungen des AML-Monitorings in Anlehnung an den Risikoappetit. Je genauer die Regeln das Geschäftsmodell abbilden, desto treffersicherer sind sie. Das ist vor allem interessant für die Reduzierung von False Positives.
4. Verlagerung der AML-Anwendung in die Cloud. Viele AML-Anwendungen werden On Premises betrieben. Doch der Cloud-Betrieb wird attraktiver. Softwarehersteller und Cloud-Anbieter bieten immer häufiger Managed Services von Compliance-Anwendungen an, um die interne IT zu entlasten.
5. Software-Updates: Moderne Technologien in der Cloud ermöglichen unterbrechungsfreie Updates, z.B. durch Schließen von Sicherheitslücken oder zum Ausrollen neuer Patches und Releases.
6. Einsatz von Künstlicher Intelligenz: Machine Learning (ML) – ein Verfahren der KI – ist im Bereich Compliance gut einsetzbar. Für die Kundensegmentierung und die False-Positives-Reduzierung ist es eine vielversprechende Lösung.

Was bietet KI in der Anti-Geldwäsche?

Ein Einsatzszenario für KI ist die Kundensegmentierung. Kunden werden anhand ihrer Daten in Cluster eingeteilt. Entscheidend sind Daten wie das Risikoprofil und das Transaktionsverhalten. Machine-Learning-Modelle analysieren Verhaltensmuster oder Transaktions-Merkmale. Regeln können auf dieser Basis granularer eingestellt werden.  ML erkennt auch Änderungen im Transaktionsverhalten und ändert automatisch die Risikoklasse.

Von Machine Learning erwarten Banken und Versicherer die Reduzierung von False Positives. Eine Retailbank hat in einem Proof of Concept (PoC) ihr AML-Regelsystem mit Machine Learning ergänzt und rund 12.000 Datensätze trainiert. Diese Kombination hat die False Positives um mehr als 40% reduziert.

Wann wird Machine Learning in der Anti-Geldwäsche zum Erfolgsfaktor?

Ein Machine-Learning-Modell lernt aus historischen Daten und bekannten Geldwäschefällen. Die KI wird auf Basis früherer AML-Entscheidungen trainiert. Die Einstufung als Geldwäsche-Fall basiert auf Regeln in der Software sowie der manuellen Nachbearbeitung durch Geldwäschebeauftragte.

Die Voraussetzung für maschinelles Lernen ist, dass genügend Daten zur Verfügung stehen, die darauf trainiert werden, Muster und Auffälligkeiten zu erkennen. Je mehr Daten zur Verfügung stehen, desto intelligenter arbeitet die KI. Die Modelle werden ständig trainiert und lernen dazu. Für die Weiterentwicklung des KI-Modells und die kontinuierliche Verbesserung der Erkennungsrate ist es wichtig, dass die ML-Modelle kontinuierlich mit aktuellen Daten gefüttert werden. Zum Beispiel mit den Ergebnissen weiterer manueller Prüfungen der Geldwäschebeauftragten.

Kostenbewusstsein für AML steigt, Finanzbranche kämpft mit Budgets

Ein Faktor für den zunehmenden Bedarf an moderner AML-Software sind die Kosten. Viele Banken haben mehr Personal eingestellt und planen dies auch für die Zukunft. Laut einer Thomson-Reuters Studie „The cost of compliance 2023“ prognostizieren 33% der Befragten mehr Personal für Compliance.

Da Fachpersonal knapp und teuer ist, ist es sinnvoll, diese wertvollen Ressourcen nicht für Routine-Arbeiten einzusetzen, sondern nur für Fälle, die sich automatisiert nicht lösen lassen.

Gesetzgeber verstärken Kampf gegen Geldwäsche: Flexibilität ist angesagt

Die EU lässt keinen Zweifel an der Ernsthaftigkeit der Geldwäschebekämpfung und richtet eine neue Behörde zur Bekämpfung von Geldwäsche und Terrorismusfinanzierung (AMLA) ein. Ab 2025 wird erstmals eine EU-Behörde eine führende Rolle bei der Aufsicht über die Geldwäschebekämpfung einnehmen.

Auch die Schweiz lässt nicht locker: Die Regierung will die Regeln für die Geldwäsche-Bekämpfung verschärfen und unter anderem Anwälte stärker in die Verantwortung nehmen. Ab 2026 wird mit der Umsetzung gerechnet.

Auf Banken und Finanzdienstleister haben neue Regularien einen großen Einfluss, da sie Regelwerke anpassen und Prozesse ändern müssen. Das bestätigt auch die Analyse der Studie „Cost of Compliance 2023“ von Thomson Reuters. Fast drei Viertel der Befragten erwarten mehr regulatorische Anforderungen. 46% glauben an eine leichte Steigerung, 27% gehen von signifikanten Steigerungen aus.

Benutzerfreundlichkeit unterstützt Effizienz von AML/CFT-Experten

Ein Faktor für die Effizienz von Geldwäschebeauftragten ist die Usability. AML-Softwarelösungen sollten eine intuitive Benutzeroberfläche bieten, die es AML-Experten ermöglicht, schnell und einfach auf alle benötigten Informationen zuzugreifen. Darüber hinaus sollten sie über Dashboards, Such- und Filterfunktionen verfügen, um die Analyse verdächtiger Aktivitäten zu erleichtern. Eine verbesserte Benutzerfreundlichkeit führt zu einer erhöhten Effizienz der AML-Experten und ermöglicht es ihnen, mehr Treffer oder Auffälligkeiten in kürzerer Zeit zu analysieren.

Die Wahl zwischen On-Premises und cloudbasierter AML-Software

Bei der Auswahl einer modernen AML-Software stehen Banken und Finanzdienstleister vor der Entscheidung, ob sie eine On Premises- oder eine cloudbasierte Lösung implementieren möchten. Beide Optionen haben Vor- und Nachteile. On-Premises-Lösungen bieten ein höheres Maß an Kontrolle und Sicherheit, da die Daten lokal gespeichert werden. Cloudbasierte Lösungen hingegen bieten eine höhere Flexibilität und Skalierbarkeit, die es Banken ermöglicht, schneller und einfacher auf Veränderungen zu reagieren. Weil Softwarehersteller ihre AML-Software gut kennen, ist ein Managed Service in der Cloud für Kunden meist einfacher. Sie müssen sich nicht so intensiv in die Software und den Betrieb einarbeiten als bei On Prem und werden dadurch schneller und effektiver.

Fazit: Die Zukunft der AML-Software und ihre Auswirkungen auf die Effizienz und Sicherheit von Finanzunternehmen

Die steigende Nachfrage nach moderner AML-Software ist ein deutliches Zeichen dafür, dass Banken und Finanzinstitute erkannt haben, wie wichtig es ist, sich besser gegen Geldwäsche zu schützen. Oft ist das nur möglich, wenn sie alte Zöpfe abschneiden. Der Neustart ist ein aufwändiger Prozess und muss gut vorbereitet und umgesetzt werden.

Lohnt sich das? Der Technologieschub bringt Banken Effizienzgewinne bei der Erkennung und Analyse verdächtiger Aktivitäten. Durch den Einsatz von künstlicher Intelligenz und passenden Matching Algorithmen sind sie mehr denn je in der Lage, sich effektiv gegen Geldwäsche zu schützen und sich für die Zukunft sicher aufzustellen. Moderne AML-Softwarelösungen bieten neue Funktionen und höhere Benutzerfreundlichkeit.