ACTICO Anti-Money Laundering

Geschäftsregeln in einem AML-System sind definierte Kriterien zur Überwachung potenzieller Geldwäscheaktivitäten. Beispiele sind Grenzwerte für Geldtransfers, ungewöhnliche Finanztransaktionen oder auffälliges Kundenverhalten im Vergleich zum gewohnten Muster des Kunden oder dem seiner Peer-Gruppe. 

ACTICO Anti-Money Laundering wird mit einem standardisierten Regelwerk ausgeliefert, das Transaktions- sowie personenbezogene Daten überprüft. Wenn eine Abweichung erkannt wird, informiert das System automatisch die Geldwäschebeauftragten und startet einen Workflow zur weiteren Bearbeitung des Treffers. 

Machine Learning (ML) ist eine Komponente der Künstlichen Intelligenz und eignet sich ideal zur Reduzierung von Fehlalarmen in AML-Systemen. ML-Modelle werden auf Basis des Fachwissens von Compliance-Experten (Expertenwissen) sowie abgeschlossener Geldwäschefälle (Datenwissen) trainiert. Dies ergänzt die regelbasierten Prüfmechanismen der Software und ermöglicht eine bessere Erkennung – mit Fokus auf echte Auffälligkeiten statt auf das Management von Fehlalarmen. 

Ein ACTICO-Projekt mit einer Retailbank hat das enorme Potenzial von Machine Learning zur Reduzierung von Fehlalarmen im Kampf gegen Geldwäsche bestätigt. Ein Validierungsdatensatz zeigte, dass die Bank rund 40 % der Fehlalarme eliminieren konnte. 

Machine Learning unterstützt Banken und Versicherungen bei der Segmentierung von Kunden. Der Vorteil liegt darin, dass Daten automatisch analysiert werden, um Kunden anhand ihres Verhaltens, Risikoprofils und anderer relevanter Merkmale in Gruppen (Cluster) einzuteilen. 

Diese Form der Analyse ermöglicht es, eindeutige Kundensegmente zu identifizieren und aussagekräftige Muster in den Daten zu erkennen – ein wichtiger Schritt zur risikobasierten Überwachung und Früherkennung potenzieller Geldwäsche. 

Mit generativer KI (GenAI) können Compliance-Verantwortliche zeitaufwändige Recherchen und komplexe regulatorische Berichtspflichten automatisieren. Besonders wertvoll ist dies bei der Erstellung von Verdachtsmeldungen an Financial Intelligence Units (FIUs) oder an die MROS in der Schweiz. Compliance-Teams müssen hierfür rechtlich relevante Inhalte bereitstellen und kommentieren. 

GenAI unterstützt diesen Prozess, indem relevante Informationen aus komplexen Datensätzen extrahiert, analysiert und als strukturierte Textentwürfe aufbereitet werden – das reduziert den manuellen Prüfaufwand und beschleunigt die Berichtserstellung. Auch aufwändige Dokumentenprüfungen entfallen: AML-Expertinnen und -Experten in Banken und Versicherungen können einfach per Texteingabe die verfügbaren Datenquellen durchsuchen lassen und erhalten digitale Ergebnisse, die als erster Entwurf des regulatorischen Berichts dienen.

Bei der Risikoklassifizierung werden verschiedene Faktoren berücksichtigt – darunter Kundenrisiken (z. B. PEP-Status), Produkt- und Transaktionsrisiken, Länderrisiken sowie Risiken aus dem Vertriebskanal. 

Noch aussagekräftiger werden Risikobewertungen durch weitere Informationen wie Partnerdetails, Strukturen von Geschäftsbeziehungen, geografische Daten (wie Länder oder Nationalitäten) und externe Quellen wie Ergebnisse aus dem Kundenscreening. 

In ACTICO werden Geschäftsbeziehungen auf Basis dieser Faktoren einer Risikoklasse zugeordnet. Die Risikobewertung erfolgt automatisiert, kann bei Bedarf jedoch manuell angepasst werden. Wesentliche Elemente wie Herkunft der Vermögenswerte, erwartetes Transaktionsvolumen, Einlagenhöhe und Vermögensquellen lassen sich ebenfalls berücksichtigen. Darüber hinaus können benutzerdefinierte Risikofaktoren ergänzt werden, um das Modell individuell anzupassen. In Ausnahmefällen können Analysten auch manuell eine Risikoklassifizierung vergeben.