Africa Studio - stock.adobe.com
Mit KI die neue Anti‑Geldwäsche‑Verordnung (AMLR) umsetzen
Mitte 2027 tritt die Anti-Money Laundering Regulation (AMLR) in Kraft. Die verschärften Bestimmungen machen den Einsatz von KI in der Transaktionsüberwachung fast unerlässlich.
Am 10. Juli 2027 wird die Anti-Money Laundering Regulation (AMLR) EU-weit gültig sein. Die verschärften Präventionsmaßnahmen werden von der Behörde zur Bekämpfung von Geldwäsche und Terrorismusfinanzierung (Authority for Anti-Money Laundering and Countering the Financing of Terrorism, AMLA) mit Sitz in Frankfurt am Main gesteuert. Ab dann werden hochriskante Finanzinstitute von der AMLA beaufsichtigt, aber auch Dienstleister außerhalb des Finanzsektors oder am Kryptomarkt werden einbezogen.
Das Ziel: einheitliche Standards zur Bekämpfung von Finanzkriminalität in Europa zu gewährleisten. Da für den Finanzsektor keine Übergangsfrist vorgesehen ist, stehen die Institute in der Pflicht, die Vorbereitung der AMLR rechtzeitig anzugehen. Nicht nur Bußgelder drohen, sondern auch das Ansehen von Unternehmen steht auf dem Spiel, wenn deutliche Compliance-Lücken zu Tage treten.
Die gute Nachricht: Der Einsatz von KI kann Verantwortliche aus den Bereichen Compliance und Risikomanagement sowie Führungskräfte bei der Vorbereitung und Umstellung unterstützen und entlasten. Und nicht nur das: KI ermöglicht es, die Qualität der Transaktionsüberwachung deutlich zu verbessern. Die technologische Weiterentwicklung trägt somit großes Potenzial für die Unternehmen und die Behörden zum Vorbeugen und Unterbinden illegaler Transaktionen.
Herausforderungen beim regelbasierten Monitoring für die AMLR-Anforderungen
Seit einigen Jahren sind betroffene Branchen zum Transaktionsscreening verpflichtet. Sie gleichen Zahlungen mit Sanktionslisten, Watchlists von Politically Exposed Persons (PEPs) mit Korruptionsrisiko sowie Embargoverzeichnissen ab. Hinzu kommt das Transaktionsmonitoring, bei dem es Muster im Zahlungsverhalten zu analysieren und so verdächtige Aktivitäten zu erkennen gilt. Hier schreibt die AMLR nun einen risikobasierten Ansatz vor, sodass Finanzinstitute ihre Maßnahmen an ihrem individuellen Risikoprofil ausrichten, laufend anpassen und dokumentieren müssen. Statische Checklisten bedeuten daher einen erheblichen Aktualisierungsaufwand.
Darüber hinaus verschärft die AMLR die Sorgfaltspflichten gegenüber der Kundschaft (Customer Due Dilligence), was vor allem Hochrisikokunden und komplexe Unternehmensstrukturen betrifft. Und auch in Bezug auf SARs (Suspicious Activity Reports) wird die Meldung von Verdachtsfällen strikter geregelt.
Insgesamt verlangt die AMLR also nicht nur verstärkte Nachweisbarkeit, sondern dabei auch mehr Genauigkeit, Geschwindigkeit und Anpassungsfähigkeit. Das bislang bewährte regelbasierte Monitoring stößt hier an seine Grenzen.
Wie Finanzkriminelle Vorhersehbarkeit ausnutzen
Das regelbasierte Transaktionsmonitoring funktioniert über Schwellenwerte und logische Bedingungen (wie Zeiträume und geografische Parameter). Bisher war das ein geeignetes Maßnahmenpaket: transparent, nachvollziehbar und auditierbar.
Die zugrunde liegenden Regeln werden auf drei Ebenen angewendet: Die universellen Regeln gelten für alle Transaktionen, beispielsweise auffällig hohe Bareinzahlungen. Segmentierte Regeln beziehen sich auf definierte Risikogruppen, etwa auf Kunden aus Hochrisikoländern oder -branchen. Individuelle Regeln basieren auf dem Know-Your-Customer-Prozess (KYC).
Doch Kriminelle reagieren längst auf die statische, regelbasierte Logik und nutzen Schlupflöcher sowie neue technologische Möglichkeiten mit KI für Geldwäsche und Betrug.
Eine weitere Herausforderung sind die hohen False-Positive-Raten. Wenn eine Vielzahl an Alarmmeldungen sich bei näherer Prüfung als harmlos erweisen, werden erhebliche manuelle Ressourcen gebunden, die nicht nur die Effizienz ausbremsen, sondern bei echten Risiken dann möglicherweise fehlen.
KI-basiertes Monitoring als flexible Antwort auf neue Betrugsmaschen
Künstliche Intelligenz bietet neue Möglichkeiten, um Anomalien in Transaktionsströmen und verdächtige Muster zu erkennen. Regelbasiertes Monitoring bleibt zwar die Grundlage, wird aber durch KI entscheidend erweitert.
KI-gestützte Monitoringsysteme lernen aus den Daten zu erfolgten Transaktionen und Geldwäschefällen. Auf dieser Grundlage erstellen sie ein erwartetes Transaktionsprofil, das über konfigurierbare Parameter gesteuert wird. Das anschließende Clustering identifiziert Abweichungen davon. Weicht eine Transaktion ab, entsteht ein Alarm, den Mitarbeitende bewerten und klassifizieren.
Der entscheidende Vorteil ist hier neben der Mustererkennung das kontinuierliche Lernen: Das System wird einmal im Monat mit den neuen Daten und vor allem mit dem Feedback der Nutzer neu trainiert. Wird ein Alarm als falsch markiert, lernt die KI, dieses spezifische Verhalten in Zukunft als erwartbar einzustufen. So sinkt die Zahl der wiederkehrenden Fehlalarme kontinuierlich und das System wird mit der Zeit präziser.
Der Synergieeffekt von Hybridmodellen
Für eine vollumfängliche Compliance können Hybridlösungen, die regelbasiertes und KI-basiertes Monitoring kombinieren, als ganzheitliches System die Risikoerkennung und Effizienz deutlich steigern. Denn KI-basierte Modelle erkennen Muster, bevor sie zur Bedrohung werden. Hybridlösungen kombinieren die regulatorische Stabilität von Regeln mit der adaptiven Lernfähigkeit von KI – und schaffen so ein Monitoring, das nicht nur reagiert, sondern antizipiert.
„Für eine vollumfängliche Compliance können Hybridlösungen, die regelbasiertes und KI-basiertes Monitoring kombinieren, als ganzheitliches System die Risikoerkennung und Effizienz deutlich steigern.“
Lisa van Bussel, cleversoft Forensics
Hybride Modelle lassen sich als zweistufiges Verfahren gestalten: Regeln erzeugen Alarme, die die KI nach Relevanz und Risiko von Fehlalarmen bewertet. Die selbstlernende Optimierung der KI-Modelle und der Human-in-the-Loop gewährleisten hier die Kontrolle über das Modell. So entsteht ein ganzheitliches System, das Compliance, Effizienz und Risikoerkennung in Einklang bringt.
Damit hybride Ansätze ihr volles Potenzial entfalten, brauchen Unternehmen interdisziplinäre Teams: Data Scientists, Compliance-Verantwortliche und IT-Spezialisten müssen Daten und Ergebnisse gemeinsam interpretieren. Ebenso wichtig sind klar definierte Governance-Prozesse zur laufenden Modellüberwachung.
Technische Expertise und regulatorische Verantwortung Hand in Hand
Die AMLR unterstreicht die Erwartungshaltung und den Anspruch europäischer Aufsichtsbehörden weg von der formalen Regelerfüllung, hin zu echter Risikoerkennung. Die Komplexität der Transaktionslandschaft, die Flexibilität finanzkrimineller Akteure und die Dynamik globaler Geldflüsse zeigen statischen Regelwerken deutlich ihre Grenzen auf.
Hybride Lösungen erhöhen Präzision, Effizienz und Zukunftssicherheit. Sie erkennen Muster in ihrer hochdynamischen Umgebung, bevor sie zur Bedrohung werden. Die Kombination aus nachvollziehbaren Regeln und der Lernfähigkeit der KI schafft ein Monitoring, das nicht reaktiv bleibt, sondern antizipiert.
Die Stoßrichtung der AMLR deutet darauf hin, dass KI-gestütztes Transaktionsscreening- und monitoring sich als Zukunftsstandard der Kriminalitätsbekämpfung durchsetzen wird.
Über die Autorin:
Lisa van Bussel ist verantwortlich für den Bereich Finanzkriminalitätsprävention bei cleversoft Forensics. Nach ihrem Geschichtsstudium an der Universität Leiden begann sie ihre Karriere im Bereich der finanzforensischen Ermittlung. Durch verschiedene Beratungsfunktionen bei Initiativen zur Aufdeckung und Prävention von Finanzkriminalität innerhalb der größten niederländischen Finanzinstitute hat sie ihr Wissen erweitert. Im Jahr 2021 wurde sie Geschäftsführerin von BusinessForensics, heute cleversoft Forensics, und ist seitdem für das Business Development fortschrittlicher KYC-, AML- und Betrugserkennungslösungen verantwortlich.
Die Autoren sind für den Inhalt und die Richtigkeit ihrer Beiträge selbst verantwortlich. Die dargelegten Meinungen geben die Ansichten der Autoren wieder.
