Versicherungen ringen um mehr Effizienz in der Geldwäsche-Prävention

Indikatoren für Geldwäsche

Um Geldwäsche oder Terrorismusfinanzierung aufzudecken, wendet eine Versicherung meist den risikobasierten Ansatz an. Jedoch unterscheiden sich die Risiken im Neugeschäft, Bestands- und Leistungsgeschäft voneinander.

Zum Neukundengeschäft gehört die Identifikation, der Sanktionslisten- und PEP-Check des Antragstellers sowie die Bonitätsprüfung. Darüber hinaus gibt es Szenarien, die eine Versicherung zu einer Prüfung hinsichtlich Geldwäsche veranlassen:

• Abschluss mehrerer kapitalbildender Verträge innerhalb kurzer Zeit
• Ungewöhnlich hohe Zuzahlung bei Vertragsbeginn
• Verlegung des Wohnsitzes ins Ausland kurz nach Vertragsabschluss
• Die Ablösung eines Vertrags mit niedriger laufender Prämienzahlung durch einen Vertrag mit hoher Einmalprämie ohne Rücksicht auf Nachteile, z.B. Besteuerung oder Zinsverlust
• Vorrangiges Interesse des Versicherungsnehmers an der vorzeitigen Kündigung bzw. an den Rückkaufwerten
• Gewünschte Zahlung des Einmalbeitrages in bar oder in Devisen

Geldwäsche-Risiken im Bestandsgeschäft

Ändert ein Vertragspartner sein Verhalten, kann das für eine Versicherung ein Hinweis auf Geldwäsche sein. Hier sind einige Szenarien, die Anlass geben, den Vorgang näher zu untersuchen:

• Zuzahlung bei bestehenden Verträgen, vor allem wenn ein Dritter die Zahlung leistet
• Unklare Mittelherkunft bei der Rückzahlung von Darlehen
• Häufige Änderung des Bezugsrechts
• Beitragszahlung aus dem Ausland
• Wechsel des Versicherungsnehmers

Geldwäsche-Risiko im Leistungsfall

Bei Anträgen auf Rückkauf oder Teilauszahlung prüft die Versicherung zum Beispiel, ob in den ersten Versicherungsjahren häufige Frühstornos oder Teilkündigungen aufgetreten sind oder ob die Auszahlung an risikobehaftete Banken erfolgen soll.

Warum Versicherer mit steigendem Personalbedarf in Compliance rechnen

Eine Studie, der Versicherungsforen Leipzig und der Anwaltskanzlei BRP Renaud und Partner mbB, zeigt, dass knapp drei Viertel der Versicherungen ihre Compliance dezentral aufgebaut haben. In den Fachabteilungen sind Compliance-Beauftragte eingesetzt, zusätzlich gibt es eine zentrale Compliance-Funktion. Über drei Viertel aller Befragten sehen deshalb für die Zukunft einen steigenden Personalbedarf im Bereich Compliance. Versicherungen versuchen, dem entgegenzuwirken, in dem sie Technologien einsetzen, die automatisiert arbeiten und ungewöhnliche Vorgänge, Bewegungen und Transaktionen prüfen, auch wenn sie aus dem Standardmuster herausfallen.

Die Krux beim Sanktions- und PEP-Listen-Check: die riesige Datenmenge

Eine Versicherung muss ihren Datenbestand regelmäßig gegen Sanktions- und PEP-Listen und andere Blacklists abgleichen. Das Problem: die hohe Datenmenge. Hier geht es nicht nur um Daten von Millionen an Kundinnen und Kunden, sondern auch die Daten von Vertragspartnern wie Schadenbeteiligte oder Anspruchsteller. Hinzu kommen Millionen von Daten auf den Sanktionslisten.

Wichtig ist, eine hoch-performante Software einzusetzen, die diese Menge an Daten überhaupt abgleichen kann.  Sobald eine Übereinstimmung der Daten (z. B. Namen, Länder, Geburtsdaten, etc.) einer Person auf einer Sanktionsliste mit den Daten in der Kundendatenbank findet, zeigt die Software einen „Treffer“ an.

Keine Zeit vergeuden: False-Positive-Treffer mit Machine Learning reduzieren

In einigen Fällen sind „Treffer“ aber False Positives. Dass sie vom System gefunden werden, ist aus technischer Sicht wichtig und richtig. Der Wermutstropfen ist, dass der/die Geldwäsche-Beauftragte die Daten manuell prüfen muss. Wenn die Prüfung ergibt, dass der Kunde doch nicht die Person auf der Sanktionsliste ist, war das vergeudete Zeit. Und schlimmer noch: Sie minimieren die verfügbare Zeit, um die „echten Treffer“ zu analysieren. Eine Lösung für dieses Dilemma bringt Machine Learning, eine Komponente der künstlichen Intelligenz. Ein optimierter Vergleichs-Algorithmus analysiert Treffer und zeigt mit einer hohen Priorität die Fälle an, die True Positives sind und für die sich der Aufwand einer manuellen Abklärung lohnt.

Neu- und Bestandskunden auf Einträge in Sanktions- und PEP-Listen prüfen: Machine Learning verbessert den bisherigen Prüfalgorithmus drastisch. Bis zu 57 Prozent der bisher angefallenen False Positives bergen kein hohes Risiko und haben nur eine geringe Wahrscheinlichkeit, ein Risiko zu sein.

Regelmäßiges Monitoring von Neu- und Bestandskunden sicherstellen

Versicherungen unterliegen einer periodischen Aktualisierungspflicht, um die Identifizierungsdaten ihrer Versicherungsnehmer laufend zu prüfen und zu aktualisieren. Weitere Aktualisierungen sind besonders dann durchzuführen, wenn signifikante Veränderungen der Beiträge oder sonstige Umstände auftreten, die geldwäsche-relevant sind. Deshalb überwacht eine Versicherung ihre Vertragspartner vor und während der Vertragslaufzeit nach Geldwäsche-Szenarien, wie:

• hohe Zuzahlungen bei Vertragsbeginn
• Teilkündigungen zu Beginn der Geschäftsbeziehung
• kurzfristige Rückzahlungen
• Änderung der begünstigten Personen
• Bonitätsprüfung unpassend zum Kundenverhalten
• Keine Bekanntgabe der Kontoverbindung bei Auszahlung

Sobald eines der definierten Szenarien ein, ist der/die Geldwäsche-Beauftragte gefragt, die Prüfung durchzuführen und weitere Maßnahmen einzuleiten.

Anti-Money Laundering in der Cloud: ein klarer Trend

Es gibt einen starken Trend hin zu SaaS-Applikationen, auch bei der Verarbeitung von sensiblen Daten wie zum Beispiel in Compliance. Versicherungen überlegen deshalb immer öfter, ihr Anti-Money Laundering in die Cloud zu verlagern. Gründe sind:

1. Ressourcenknappheit für den On-Premise-Betrieb, so dass der Betrieb nicht ausreichend sichergestellt werden kann.
2. Die Expertise für den First- und Second-Level Support kann durch einen Managed Service mit Hilfe eines Softwareanbieters vereinfacht werden.
3. Die Kosten. Es ist davon auszugehen, dass in den meisten Versicherungsunternehmen die Kosten für den On-Prem-Betrieb höher sind als bei einer Cloud-Lösung.

Das Geldwäschegesetz gilt auch für eine Versicherung

In Deutschland haben Versicherer, die in den Geltungsbereich des Versicherungsaufsichtsgesetzes fallen, die Pflicht, eine Compliance-Instanz zu etablieren (§ 29 Absatz 1 Satz 2 Versicherungsaufsichtsgesetz (VAG). Als Aufsichtsbehörde agiert die BaFin. In ihren Auslegungs- und Anwendungshinweisen (AUA) vom Oktober 2021 hat sie dokumentiert, dass die AUA für alle Verpflichteten nach dem Geldwäschegesetz (GwG) gilt, die gemäß § 50 Nr. 1 GwG unter Aufsicht der BaFin stehen. Dazu gehören auch Versicherungsunternehmen.

In der Schweiz können sich Versicherungen im wahlweise durch die FINMA beaufsichtigen lassen oder sich der Selbstregulierungsorganisation des Schweizerischen Versicherungsverbandes (SRO-SVV) anschließen. In Liechtenstein fungiert die FMA als Aufsichtsbehörde

Für den Lebensversicherungs-Sektor hat die Financial Action Task Force (FATF) die Guidance for a risk-based approach for the life insurance sector herausgegeben. Darin stuft sie die Gefahr für Geldwäsche und Terrorismusfinanzierung zwar geringer ein als bei anderen Finanzprodukten (z.B. Kredite) oder anderen Branchen (Banken). Dennoch besteht laut dieser Guidance ein Risiko, dass der Abschluss einer Lebensversicherung mit kriminellen Vortaten in Zusammenhang steht.

Für die FATF ist der risikobasierte Ansatz (RBA) der zentrale Faktor für die Umsetzung der 40 FATF-Empfehlungen. Der RBA bedeutet, dass die Finanzaufsicht und beaufsichtigte Unternehmen die Geldwäsche-Risiken, denen sie ausgesetzt sind, identifizieren, verstehen und die passenden Maßnahmen einleiten.

Fazit

Versicherungen ergreifen vermehrt Aktivitäten, um ihre Geldwäsche-Prävention auf Vordermann zu bringen. Die regulatorischen Vorgaben zwingen sie zwar nicht zu einem Monitoring-System, aber allein die Datenmenge bestehend aus Kunden- und Partnerdaten, Kontodaten, Sanktionslisteneinträgen ist praktisch nur mit einer guten Software beherrschbar. Dazu gehören auch die Themen Automatisierung und Cloud-Anwendung. Drei Trends sind zu beobachten:

1. Versicherungen definieren immer genauer, welche Geldwäsche-Szenarien es im Neu-, Bestands- und Leistungsgeschäft gibt, um eine möglichst hohe Erkennungsrate zu haben.
2. Machine Learning eignet sich als zweiter Layer zusätzlich zu regelbasierten Systemen.
3. Verlagerung der Anwendung in die Cloud, selbst beim sensiblen Thema Compliance und Betrieb einer SaaS-Lösung

Unsere Experten freuen sich auf Ihre Kontaktaufnahme, um Ihre Situation als Versicherungsunternehmen zu betrachten und die Best Practice aus unseren Projekten zu nutzen.

Experten kontaktieren