KI in der Geldwäschereibekämpfung: Fortschritt mit Hindernissen
Der Einsatz von KI-Technologien in der Geldwäschereibekämpfung (AML) wird für Finanzinstitute immer wichtiger. Eine neue Studie von SAS und KPMG zeigt jedoch, dass das Interesse an KI zwar gross ist, die flächendeckende Umsetzung aber noch stockt.
Die globale Umfrage unter 850 Mitgliedern der Association of Certified Anti-Money Laundering Specialists (ACAMS) offenbart, dass nur 18 % der Befragten bereits KI-gestützte Lösungen nutzen. Weitere 18 % testen entsprechende Technologien, während 25 % eine Implementierung in den nächsten 12 bis 18 Monaten planen. Immerhin 40 % haben aktuell keine Pläne für den Einsatz von KI.
Auch generative KI-Technologien stossen auf Zurückhaltung: Zwar sind 10 % der Unternehmen in der Testphase und 35 % in der Entdeckungsphase, doch 55 % haben keine Pläne, GenAI einzusetzen.
Regulatorische Unsicherheiten beeinflussen die Integration
Die Studie zeigt, dass sich die Haltung der Regulierungsbehörden gegenüber KI über die letzten Jahre verändert hat. 51 % der Befragten sehen eine aktive Förderung oder Ermutigung von KI-Innovationen durch Regulierungsstellen – ein Rückgang von 15 Prozentpunkten seit 2021. Gleichzeitig hat sich die Einschätzung, dass Regulierungsstellen bei der Einführung von KI vorsichtig sind, von 28 % auf 36 % erhöht.
Herausforderungen und Chancen für KI in der AML
Unternehmen sehen weiterhin Vorteile in KI-gestützten Systemen, etwa zur Reduzierung von Fehlalarmen oder zur Verbesserung von Ermittlungsqualität. Dennoch gibt es Barrieren: Während 2021 Budgetbeschränkungen mit 39 % das grösste Hindernis waren, sind es nun fehlende regulatorische Vorgaben (37 %). Auch der Mangel an Fachkräften ist mit 11 % weniger problematisch als zuvor.
Besonders gefragt ist der Einsatz von KI zur Reduzierung von Fehlalarmen, die 38 % der Befragten als Priorität nannten. Automatisierung der Datenanreicherung (25 %) und fortgeschrittene Modellierung zur Risikobewertung (23 %) bleiben weitere zentrale Anwendungsfälle.
Maschinelles Lernen dominiert, NLP noch wenig genutzt
Maschinelles Lernen (ML) gilt weiterhin als wichtigste Technologie zur Betrugsprävention: 58 % der Befragten sehen darin die effektivste Methode, ein Anstieg um 6 % gegenüber 2021. Robotergestützte Prozessautomatisierung fiel auf 28 %, während die natürliche Sprachverarbeitung (NLP) mit 14 % noch wenig genutzt wird. Hier könnte eine unzureichende Expertise dazu führen, dass Frühwarnzeichen übersehen werden.
Integration als Wettbewerbsvorteil
Die Umfrage zeigt, dass eine umfassende Integration von Datenquellen, Teams und Technologien der nächste logische Schritt ist. Laut der Studie haben 86 % der befragten Unternehmen bereits Prozesse zur Geldwäschereibekämpfung, Betrugsbekämpfung und Informationssicherheit zumindest teilweise integriert. Fast ein Drittel nutzt dafür ein vollständig integriertes Case-Management.
Unternehmen, die jetzt proaktiv in ihre Dateninfrastruktur investieren und KI strategisch einsetzen, werden sich einen klaren Wettbewerbsvorteil sichern. Während einige Unternehmen auf regulatorische Klarheit warten, setzen andere bereits auf Innovationen – und könnten damit in Zukunft die Nase vorn haben.
Text: pd/red