Die digitale Transformation hebt Grenzen im Zahlungsverkehr zunehmend auf und schafft damit neue Angriffsflächen für die Finanzkriminalität. Borderless Transactions, digitale Währungen und Echtzeit-Zahlungen machen die Anti-Financial-Crime-Prozesse erheblich komplexer. Traditionelle Screening-Methoden werden zunehmend nicht mehr gerecht.

Künstliche Intelligenz kann die AFC-Prozesse gezielt unterstützen – insbesondere bei der Reduktion von Fehlalarmen und der besseren Priorisierung von Risiken. Sie hilft dabei, Muster früher zu erkennen und Entscheidungen konsistenter zu treffen.

Die Verringerung von False Positives ist dabei ein wichtiger Anwendungsfall, steht jedoch immer im Kontext einer ausgewogenen Gesamtsteuerung von Risiken und Compliance-Anforderungen.

Für viele Institute stehen dabei ähnliche Themen im Fokus wie fehlerhafte Klassifizierungen und deren Auswirkungen auf Kundinnen und Kunden. Gleichzeitig stellt sich die Frage, wie sich False Positives reduzieren lassen, ohne zusätzliche Risiken zu schaffen – unter Berücksichtigung unterschiedlicher Faktoren und Kostentreiber. Ebenso relevant ist der regulatorisch konforme und nachvollziehbare Betrieb von KI-Modellen.

Die versteckten Kosten fehlerhafter Klassifizierungen

Ein typisches Beispiel dafür sind False Positives: legitime Transaktionen oder unbescholtene Kundinnen und Kunden, die fälschlicherweise als verdächtig eingestuft werden. Im Ergebnis kann es hier dazu kommen, dass vonseiten der Banken Dienstleistungen verweigert werden, was zu Frustration und einem Vertrauensverlust führt. False Positives können also genauso schädlich sein wie False Negatives, also tatsächlich verdächtige Transaktionen, die nicht als solche erkannt werden.

Das Problem der falschen Klassifizierungen ist dabei keineswegs auf klassische Banken beschränkt. Auch Digitalbanken, Kreditgenossenschaften, Zahlungsdienstleister und Fintechs kennen dies.

Warum False Positives erhebliche Folgekosten verursachen

Ungerechtfertigte Transaktionssperrungen untergraben das Kundenvertrauen – und treiben die Kundinnen und Kunden zur Konkurrenz. Die Folgen sind direkt spürbar: mehr Kundenservice-Anfragen, zusätzliche Transaktionsprüfungen und Haftungsrisiken.

Dazu kommt der regulatorische Aspekt. Anhaltend hohe False-Positive-Raten können erhebliche operative und reputationsbezogene Konsequenzen nach sich ziehen. Wo DSGVO-Anforderungen greifen – etwa bei fehlerhafter Datenverarbeitung oder ungerechtfertigten Maßnahmen gegenüber Kundinnen und Kunden – kann es zu bußgeldbehafteten Datenschutzverletzungen kommen. Aufsichtsbehördliche Prüfungen, verschärfte interne Kontrollpflichten, erhöhte Meldepflichten – die kumulativen Kosten können erheblich sein.

Die Reduzierung von False Positives ist daher kein operatives Optimierungsthema, sie hat strategische Priorität.

KI als Antwort: kontinuierliches Lernen statt statischer Regeln

KI ermöglicht es AML-Überwachungssystemen, sich dynamisch an ihr Betriebsumfeld und sich verändernde Risiken anzupassen. Statt in klassischen, regelbasierten Screening-Ansätzen statische Schwellenwerte zu justieren, wird kontinuierlich gelernt – entlang realer Entscheidungsverläufe. Wandelnde Datenmuster werden dabei genutzt, um präzisere Ergebnisse zu liefern. Dies führt zu mehr relevanten Treffern und weniger Fehlalarmen.

Drei KI-Konzepte können die Ergebnisse deutlich verbessern – besonders dann, wenn sie in einem integrierten Framework zusammenwirken.

1. Reinforcement Learning

Verstärkendes Lernen ist eine etablierte Methode zum Trainieren von Agenten. Die KI lernt dabei in einem dynamischen Umfeld mit vielen unterschiedlichen Einflussfaktoren. Sie kann auch dann sinnvolle Entscheidungen treffen, wenn Informationen unvollständig oder nicht eindeutig sind. Durch positive und negative Rückmeldungen lernt sie, welche Entscheidungen zielführend waren. So verbessert sie sich kontinuierlich und kann Fehlalarme mit der Zeit deutlich reduzieren. Allerdings ist Reinforcement Learning im AFC-Kontext aufgrund der hohen regulatorischen Anforderungen nur eingeschränkt praktikabel.

2. Sequenzmodelle (Transformer) zur Kontext- und Verlaufserkennung

Moderne KI-Modelle betrachten nicht nur isolierte Transaktionen. Sie analysieren auch Zusammenhänge, zeitliche Abläufe und Muster über mehrere Schritte hinweg. Dadurch erkennen sie besser, welche Aktivitäten unauffällig sind und welche tatsächlich auf Risiken hinweisen. Dies reduziert unnötige Warnmeldungen und macht komplexe, verteilte Auffälligkeiten sichtbar, die klassische Systeme oft übersehen.

3. Feedback-gesteuertes Lernen

Auch bei der AML-Erkennung können Menschen die KI gezielt unterstützen und verbessern: Die Einschätzungen von Analystinnen und Analysten fließen direkt in das Lernen der Systeme ein. Die KI lernt dadurch aus realen Entscheidungen und entwickelt sich kontinuierlich weiter – nicht nur technisch, sondern auch fachlich im Sinne der Compliance-Anforderungen.

In Kombination ermöglichen diese Ansätze eine AML-Erkennung, die sich kontinuierlich verbessert, regulatorisch stabil bleibt und False Positives messbar reduziert – ohne neue Risiken zu schaffen.

Innovation und Partnerschaft: gemeinsam gegen Finanzkriminalität

Mit den steigenden Anforderungen an AML-Compliance Schritt zu halten, erfordert beides: technologische Innovation und tiefes Fachwissen. KI liefert die Innovation, ein erfahrener Partner das Know-how und die maßgeschneiderten Lösungen dazu.

Wir unterstützen Banken dabei, KI in ihre AFC-Prozesse zu integrieren – durch unsere adaptive, KI-gestützte Lösung CGI HotScan360 und die Beratungsexpertise unserer AML- und Fraud-Detection-Spezialisten.

Wenn Sie mehr darüber erfahren möchten, wie KI Fraud- und AML-Erkennung transformieren kann, sprechen Sie uns gerne an.