Warum Compliance im Finanzsektor zum kritischen Faktor wird und wie Machine Learning hilft

Finanzinstitute und Versicherungen müssen immer mehr Gesetze und Verordnungen einhalten. Gleichzeitig steigen kriminelle Aktivitäten und Datenmengen stark an. Mehr Aufwand und höhere Kosten wollen oder können sich Unternehmen nicht leisten und setzen immer mehr auf Künstliche Intelligenz. Sie soll ihnen helfen, die Automatisierung zur Entlastung von Mitarbeitenden zu nutzen und die Kosten zu deckeln.

Starker Anstieg von Geldwäsche-Meldungen fordert Finanzaufsichten und Unternehmen

Die Zunahme krimineller Aktivitäten – auch infolge der Corona-Krise – setzt Compliance-Abteilungen und Aufsichtsbehörden unter Druck. So hat sich die Zahl der Verdachtsmeldungen in Bezug auf das Geldwäschegesetz in Deutschland von 2010 bis 2020 mehr als verzwölffacht. Der starke Anstieg in 2020 um rund 25 Prozent ist auch ein Resultat von Meldungen im Zusammenhang mit COVID-19 und Kryptowährungen. Hinzu kommt, dass weitere Branchen wie Notare jetzt zum Kreis der Verpflichteten gehören und geldwäsche-relevante Vorgänge melden. Die FIU Deutschland prognostiziert, dass die Anzahl der Verdachtsmeldungen für das Jahr 2021 deutlich höher wird.

 

 

Ähnlich sieht es in anderen Ländern aus: Bei der schweizerischen Meldestelle für Geldwäscherei (MROS) sind 2020 so viele Verdachtsmeldungen eingegangen wie noch nie. Die SFIU in Liechtenstein berichtet von rasant steigenden Zahlen. Auch die FIU der Niederlande verzeichnet eine Steigerungsrate der auffälligen Transaktionen von 163% in 2020. Weil sie künftig mit weiter steigenden Zahlen rechnet, hat sie in 2020 ein DevOps Team mit IT-Spezialisten und Data Scientists ins Leben gerufen.

Gesetzesflut erhöht Druck auf Finanz- und Versicherungsindustrie

Die Finanzbranche wird seit einigen Jahren mit einer wahren Gesetzesflut konfrontiert. Zu den wichtigsten Verordnungen für die Compliance-Abteilungen gehören die EU-Geldwäsche-Richtlinie, die Market Abuse Directive (MAD) oder die MaRisk-Compliance. Seit 2020 kamen in Deutschland eine ganze Reihe hinzu: Anti-Geldwäsche nach dem All-Crimes-Ansatz, Auslegungs- und Anwendungshinweise der BaFin zum Geldwäschegesetz (AUA), das Transparenzregister- und Finanzinformationsgesetz (TraFinG) und vieles mehr. Auch die Schweiz hat Gesetze geändert. Unter anderem wird das revidierte Geldwäscherei-Gesetz in 2022 in Kraft treten. Für die EU-Länder soll in 2024 die neue Geldwäsche-Behörde AMLA (Anti-Money Laundering Authority) ihre Arbeit aufnehmen und ein einheitliches System zur Bekämpfung von Geldwäsche und Terrorismusfinanzierung schaffen. Das sorgt für weiteren Aufwand bei Geldinstituten und Versicherungen.

Compliance wird zum kritischen Faktor in Banken und Versicherungen

Diese Fakten machen die Geldwäsche-Prävention für Compliance-Abteilungen immer diffiziler, vor allem im Hinblick auf den verschärften Fachkräftemangel und steigendem Kostendruck. Banken und Versicherungen haben schon massiv in Compliance investiert, aber mit den herkömmlichen Methoden werden sie zukünftig nicht in der Lage sein, die immer komplexeren Aufgaben und die steigende Datenflut in den Griff zu kriegen. Sind aber die internen Kontrollmechanismen zu schlecht, drohen Geldbußen in Millionenhöhe. Das hat Banken in den letzten Jahren rund um den Globus schwer getroffen.

 

Quelle: Thomson Reuters, Cost of Compliance Report 2021

Kostentreiber False Positives

Knappe Ressourcen in Compliance und hohe Kosten setzen Banken und Versicherungen immer mehr unter Handlungsdruck. Ein Ansatzpunkt zur Entspannung der Lage ist die Reduzierung von False Positives, die auch oft als falscher Alarm bezeichnet werden. Regelbasierte IT-Systeme erzeugen diese Meldungen, die zwar fachlich korrekt sind, aber bei näherer Betrachtung doch kein Geldwäsche-Risiko darstellen. Sie belasten Compliance-Mitarbeitende unnötig, weil jeder False Positive abgeklärt werden muss. Eine Reihe an Banken und Versicherungen haben dieses Thema schon angepackt und konkrete Verbesserungen durch den Einsatz von Machine Learning erzielt.

Warum wird Machine Learning plötzlich so wichtig?

Machine Learning – eine Komponente der Künstlichen Intelligenz – analysiert potenzielle Geldwäschefälle auf der Basis von Datenwissen. Ergänzt mit dem Wissen und der Erfahrung von Compliance-Mitarbeitenden im Fachbereich werden Auffälligkeiten schneller und effizienter als bisher erkannt. So lassen sich riesige Datenmengen effizienter analysieren, verdächtige Muster leichter aufdecken und potenzielle Risiken frühzeitig erkennen. Zu diesem Ergebnis kommt auch eine aktuelle Studie der FATF (Financial Action Task Force on Money Laundering), ein international führendes Gremium zur Bekämpfung der Geldwäsche. Mithilfe von Automatisierung und Machine Learning können Compliance-Abteilungen den Aufwand für komplexe Analysen und Überprüfungen reduzieren, die Effizienz steigern sowie die Kosten senken.

 

Quelle: FATF: Opportunities and challenges of new technologies for AML/CFT

 

Die praktische Erfahrung von Banken, zum Beispiel bei der Überwachung von Zahlungen, zeigen eine Reduzierung von 50% des Arbeitsaufwands. Ein anderes Beispiel: PEP- und Sanktionslisten-Screening für den KYC-Prozess. Auch hier hilft Machine Learning, die Trefferquote um bis zu 60% zu senken. Damit können sich Compliance-Teams auf die wirklichen Treffer konzentrieren und ihre Zeitressourcen zielgerichtet einsetzen.