Was den Kampf gegen Geldwäscherei in der Schweiz so schwierig macht

FATF-Länderprüfung zur Prävention von Geldwäscherei in der Schweiz

Ein anderer Stressfaktor bei der Geldwäscherei-Prävention ist die FATF-Länderprüfung. Im Januar 2020 erschien der dritte Follow-Up Bericht, im Oktober 2023 die vierte Länderevaluation. Darin stuft die FATF acht der insgesamt 40 Empfehlungen als «konform», 29 als «weitgehend konform», drei gelten als «teilweise konform». Das bedeutet eine Verbesserung von zwei Empfehlungen im Vergleich zu 2020. Die nächste FATF-Länderprüfung für die Schweiz ist für 2027/2028 geplant.

5 Empfehlungen, wie Finanzdienstleister in ihrer Geldwäscherei-Prävention besser werden

Diese Punkte sind hilfreiche Indikatoren im Kampf gegen Geldwäscherei:

1. Verbesserung der KYC-Profile durch detailliertere Informationen zum Kunden bzw. zum wirtschaftlich Berechtigten, Überprüfung der Risikoklasse, Herkunft der Vermögenswerte, erwartete Zu- und Abflüsse, prognostizierte Transaktionen pro Zeiteinheit
2. Anzeige von Personen und Entitäten, die aktuell, aufgrund von aktualisierten Sanktions-, PEP- und Embargo-Listen, im Fokus stehen
3. Integration von Machine-Learning-Verfahren, z. B. beim Abgleich von Daten mit Sanktionslisten und bei der Embargoüberwachung im Zahlungsverkehr
4. Nutzen von Machine-Learning-Erkenntnissen zur Reduzierung der False Positive Rate, Verifizierung von Abklärungen aus der Vergangenheit, Kostenreduzierung durch weniger Abklärungsaufwand
5. Durchführen von Effizienz- und Effektivitätstests in der Zahlungsüberwachung

Retailbank spart mit Machine Learning rund 40 Prozent der False Positives in der Erkennung von Geldwäscherei

Eine Retailbank hat in ihrer Zusammenarbeit mit ACTICO gezeigt, dass KI in der Geldwäscherei-Erkennung großes Potenzial hat, die False-Positive-Rate zu senken. Mit knapp 12.000 in der Vergangenheit abgeklärten Geldwäscherei-Auffälligkeiten der Bank konnte ein Machine-Learning-Modell trainiert werden, das vorhersagt, ob eine Auffälligkeit einer näheren Untersuchung bedarf. Das Modell lernt aus den zu den Auffälligkeiten gehörenden Transaktions- und Kundendaten sowie der Information, ob zur Abklärung der Auffälligkeit in der Vergangenheit eine vertiefte Untersuchung notwendig gewesen war. Auf einem Validierungsdatensatz wurde gezeigt, dass sich rund 40 Prozent der False Positives einsparen lassen, ohne eine Verdachtsmeldung, die der Finanzaufsicht zu melden wäre, zu verpassen. Mehr dazu im Whitepaper „Anti-Geldwäsche mit künstlicher Intelligenz“.

Fazit

Die Änderung von Geldwäscherei-Gesetzen stürzen Banken oft in einen umfangreichen Anpassungsprozess. Der ist nicht so einfach zu bewältigen, weil Personalressourcen knapp sind.

Dazu kommt, dass Banken besonders in Bereichen, die keinen Ertrag erwirtschaften, sehr kostenbewusst sind. Die Konsequenz ist, dass sie ihre Prozesse immer genauer unter die Lupe nehmen und prüfen, welche Möglichkeiten es gibt, effizienter zu werden.

Machine Learning, eine Komponente der Künstlichen Intelligenz bietet enorme Potenziale für Kostensenkungen. Die Reduzierung von False Positives mit Machine Learning steht weit vorne auf der Prioritätenliste und hat in der Praxis überzeugende Ergebnisse gebracht.