KI in der Geldwäscheerkennung

Wie Künstliche Intelligenz die Geldwäschebekämpfung revolutioniert

Geldwäsche verursacht alljährlich wirtschaftliche Schäden in Milliardenhöhe – allein in Deutschland wird für 2023 von über 430 Milliarden Euro ausgegangen. Finanzinstitute spielen beim Erkennen verdächtiger Aktivitäten eine entscheidende Rolle. Allerdings stoßen die traditionellen regelbasierten Systeme an ihre Grenzen. In einem Beitrag für die WPg untersuchen Verena Battis, Lukas Graner und Prof. Dr. Martin Steinebach, wie Künstliche Intelligenz (KI) die Geldwäscheerkennung erheblich verbessern kann.

Der Einsatz von KI im Transaktionsmonitoring verspricht eine bedeutende Verringerung falscher Alarme und eine effizientere Ressourcennutzung. Langfristig kann dies die Aufdeckungsrate bei Geldwäsche verbessern. Es bleibt jedoch entscheidend, dass die Entscheidungsfindung der KI transparent und nachvollziehbar bleibt. Insgesamt kann KI sowohl Finanzinstitute als auch Strafverfolgungsbehörden erheblich entlasten, ohne jedoch den menschlichen Faktor zu ersetzen.

Dieser Blogbeitrag wird in Kooperation mit der Fachzeitschrift „Die Wirtschaftsprüfung“ zur Verfügung gestellt. Es handelt sich um eine redaktionell stark gekürzte Fassung. Den vollständigen Artikel lesen Sie in der WPg 11/2024, S. 617.

Auch in der Wirtschaftsprüfung spielen Datenanalysen und das Erkennen von Auffälligkeiten eine große Rolle. Die Plattform SOLON X informiert über maßgeschneiderte Tools und Services.

Schwächen regelbasierter Systeme

Die herkömmlichen Methoden zur Geldwäscheerkennung basieren auf festgelegten Regeln und Schwellenwerten. Sie erkennen potenzielle Geldwäsche, indem sie bestimmte vordefinierte Verhaltensmuster und Schwellenwerte überwachen. Beispiele hierfür sind das häufige Einzahlen großer Bargeldbeträge ohne ersichtlichen Grund oder das Aufteilen großer Transaktionen, um Meldegrenzen zu umgehen. Diese Systeme erzeugen jedoch eine hohe Rate falscher Alarme, was zu hohen Kosten und ineffizienter Ressourcennutzung führt. Andererseits identifizieren sie auch nur einen geringen Teil der tatsächlichen Geldwäsche-Transaktionen. Hinzu kommt, dass diese Systeme sich nicht automatisch an neue Geldwäschemethoden anpassen können.

Vorteile von KI: Erkennen von Mustern und Anomalien

KI-Modelle werden mit bekannten Geldwäschefällen trainiert, um gutartige von verdächtigen Transaktionen zu unterscheiden.

Diese Modelle können in Echtzeit arbeiten, große Datenmengen analysieren und ungewöhnliche Verhaltensweisen erkennen. Beispielsweise können plötzliche Verhaltensänderungen eines Kunden oder untypische Transaktionen im Vergleich zu ähnlichen Kundenprofilen erkannt werden.

Verarbeitung unstrukturierter Daten

KI-Systeme können auch unstrukturierte Daten wie Textinformationen aus Nachrichten oder Social Media analysieren. Durch Natural Language Processing (NLP) können relevante Informationen extrahiert werden, die zusätzliche Hinweise auf Geldwäsche liefern.

Netzwerkanalyse

Geldwäsche erfolgt häufig über komplexe Netzwerke von Personen und Konten. KI-Algorithmen können diese Netzwerke analysieren, um verdächtige Verbindungen und Strukturen aufzudecken.

Ein interdisziplinäres Forschungsprojekt: MaLeFiz

Das vom Bundesministerium für Bildung und Forschung geförderte Projekt „Maschinelles Lernen zur effizienten Identifikation auffälliger Finanztransaktionen“ (MaLeFiz)“ entwickelt ein KI-basiertes Instrument, das verdächtige Transaktionen effektiver erkennen und weniger Falsch-Positiv-Warnmeldungen erzeugen soll. Die Entscheidungsfindung des Werkzeugs soll dabei jederzeit sowohl für Analysten als auch für Ermittler nachvollziehbar sein.