Mit KI dem Verbrechen voraus: Die Zukunft der Geldwäschebekämpfung

Geldwäschebekämpfung braucht Teamplay: Banken müssen gemeinsam an Daten arbeiten.

Keyfacts:

  • Die Geldwäschebekämpfung braucht den Einsatz neuer Technologien.
  • KI, Machine Learning und Data Pooling sind für Behörden und Finanzindustrie unerlässlich.
  • Staaten müssen grenzüberschreitend zusammenarbeiten.

    Nicht nur Haushaltsgerätehersteller entwickeln immer bessere Waschmaschinen. Auch kriminelle Geschäftemacher erfinden ihre Geldkreisläufe – Laundromaten genannt – immer wieder neu. Durch sie wird illegales Geld virtuell auf oft verschlungenen Wegen so lange rund um den Erdball gespült, bis es als vermeintlich sauberes Zahlungsmittel zum Einsatz kommt. Neue Technologien werden dabei gemeinhin schnell adaptiert: So hat das Organisierte Verbrechen auch Kryptowährungen längst für die Geldwäsche entdeckt.

    Es kommt daher nicht von ungefähr, dass die Financial Action Task Force (FATF) auf ihrer jüngsten Konferenz in Berlin neue Technologien und vernetzte Datenauswertungen in den Mittelpunkt der Diskussion stellte. Die FATF mit Mitgliedern aus 35 Staaten ist das wichtigste internationale Gremium zur Bekämpfung und Verhinderung von Geldwäsche, Terrorismusfinanzierung und Proliferationsfinanzierung – kurz Anti-Money-Laundering (AML) genannt. Für diesen Bereich setzt sie Standards, fördert ihre weltweite Verbreitung und überprüft deren Umsetzung in ihren Mitgliedstaaten.

    Sonderkonjunktur für internationale Geldwäscher?

    Die Russland-Sanktionen, das mit ihnen einhergehende Einfrieren von Oligarchen-Vermögensgegenständen – und Verluste an den Kapitalmärkten: Durch die aktuellen Entwicklungen könnte sogar eine Sonderkonjunktur für internationale Geldwäscher entstehen. Als Reaktion baut Europa eine gemeinsame Geldwäscheprävention auf. Eingeleitet wurde sie bereits mit dem EU-Gesetzespaket im Sommer 2021.

    Der Tenor der FATF-Beschlüsse nun, ein Jahr später, lautet: Neue Technologien und der grenzüberschreitende Austausch von Daten sind unerlässlich, um den Kampf gegen Geldwäsche und Terrorismusfinanzierung langfristig effizient und erfolgreich zu führen. Deshalb sollen Data-Analytics-Verfahren und das sogenannte Data Pooling (die Möglichkeit, Datensätze aus diversen Quellen und allen beteiligten Banken für Auswertungen zusammen zu bringen) jetzt Priorität bekommen. Denn der Kampf gegen Wirtschaftskriminalität, für Datenschutz und das Entwickeln neuer Technologien dürfen nicht mehr getrennt voneinander betrachtet werden.

    Bedeutende Fortschritte bringt nur Technologie

    Deutschland gilt nicht gerade als Musterbeispiel in Sachen Geldwäschebekämpfung. Die Verbesserung von Präventionsmaßnahmen im Immobiliensektor stand zum Beispiel auf dem Programm der Konferenz, und im Abschlussbericht werden – ähnlich wie in der Vergangenheit – „erhebliche Verbesserungen“ in einigen Bereichen angemahnt.

    Es liegt auf der Hand: Bedeutende Fortschritte in der Geldwäschebekämpfung werden in der nahen Zukunft nur noch digitale Technologien bringen. Das Aufspüren von Mustern, das Erkennen von Anomalien und das Aufdecken von Betrug sowie das Monitoring von illegalen Geldströmen werden Daten und ihre Auswertung entscheiden. Nur wer mit Daten arbeitet (und sie mit anderen teilt und richtig managt), kann Betrug besser erkennen und Geldflüsse nachvollziehen.

    Banken sollten sich frühzeitig mit den neuen Anforderungen auseinandersetzten,  Analysen starten und mit der Modernisierung ihrer oft veralteten Applikationslandschaft in der Compliance beginnen – zum Beispiel beim Transaktionsmonitoring und bei der Prozessautomatisierung in der Bearbeitung von Alarmmeldungen oder Verdachtsfällen.

    Das Potenzial von künstlicher Intelligenz und maschinellem Lernen

    Technologien wie künstliche Intelligenz (KI) und Machine Learning bieten großes Potenzial. Banken zum Beispiel tragen eine besondere Verantwortung bei der Geldwäschebekämpfung – und es kommt ihnen eine große Bedeutung bei der Betrugserkennung zu. Sie profitieren besonders von künstlicher Intelligenz. Mit KI und Machine Learning können Anomalien in Daten identifiziert und sogenannte False Positives deutlich verringert werden. Auch für Kosten und Ressourcen ist das von Vorteil. Oft müssen dafür lediglich die bereits bestehenden Systeme technisch erweitert werden.

    Eine wesentliche Voraussetzung sind zeitnah verfügbare Daten, eine hohe Datenqualität und eine ausreichende Historie für das dann beginnende maschinelle Lernen – hieran scheitern viele Finanzinstitute.

    Alle müssen zusammenarbeiten – auch an Daten

    Ergänzend zum Einsatz neuer Technologien und einem professionellen Datenmanagement verbessert die instituts- und länderübergreifende Nutzung von Daten das Erkennen von Geldwäsche und Terrorfinanzierung, da – ganz im Sinne von ‚Follow the Money‘ – Transaktionen über mehrere Finanzinstitute nachverfolgt und so Verbrechensnetzwerke erkannt werden können.

    Staaten und Finanzinstitute müssen dafür zusammenarbeiten. Sie brauchen regulatorische Rahmenbedingungen, die das Teilen von Daten ermöglichen. Hier sind die europäischen Institutionen gefordert.

    Finanzinstitute sollten die Modernisierung ihrer IT- und Dateninfrastruktur forcieren und so einen wichtigen Beitrag zum Kampf gegen die internationale Finanzkriminalität leisten. Nur so kann professionellen Geldwäschern heute und in den kommenden Jahren das Handwerk gelegt werden.

    KI und maschinelles Lernen im Kampf gegen Geldwäsche

    Im Finanzsektor steigt das Interesse an der Nutzung von künstlicher Intelligenz und maschinellem Lernen in der Geldwäscheprävention. Die aktuelle Studie beschreibt Vorteile und Herausforderungen und erläutert an Beispielen, wie Unternehmen die Technologien bereits nutzen.

    Studie herunterladen
    Weiterlesen

    Datenmanagement und KI

    Thema vertiefen