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.

Im Oktober 2024 schloss die FATF die vierte Runde der gegenseitigen Länderevaluationen ab. Diese «peer-to-peer» basierte Evaluation analysierte die Massnahmen von über 200 Mitgliedsländern im Hinblick auf die Bekämpfung von Finanzkriminalität, Terrorismusfinanzierung und Proliferation.

In der Schweiz haben die  Vorbereitungsarbeiten für die 5. Evaluation begonnen. Der Lead für die Koordination liegt beim Staatssekretariat für Internationale Finanzfragen (SIF). Die Vorbereitungsarbeiten beschränken sich nicht nur auf die Behörden, sondern auch auf den Privatsektor und insbesondere die Finanzintermediäre. Diese nehmen einen wichtigen Teil in der Evaluation ein, da sie die «First Line of Defence» darstellen, wenn es um die Bekämpfung der Geldwäscherei und Terrorismusfinanzierung geht.

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. FIU-Reporting für goAML: Geldwäscherei-Verdachtsmeldungen direkt aus dem AML-System erzeugen, Daten automatisiert befüllen und per XML hochladen
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. Hier braucht es auch Mut zur Veränderung. 

Machine Learning, eine Komponente der Künstlichen Intelligenz und generative KI (genAI) bieten Potenziale für Kostensenkungen. Die Reduzierung von False Positives mit Machine Learning und der Einsatz von GenAI, z.B. für die Meldung von Geldwäscherei-Verdachtsfällen an die MROS stehen weit vorne auf der Prioritätenliste.