Das Wichtigste in Kürze
- Der Handlungsdruck steigt: Das EU-AML-Paket und die AMLA erhöhen die Anforderungen an Aktualität, Dokumentation und datenbasierte Risikosteuerung in der Geldwäscheprävention.
- Die Studie „PwC EMEA AML Survey 2026“ zeigt: 67 Prozent der befragten Institute nennen eine mangelhafte Datenqualität als größtes Hindernis für den Einsatz von KI. 60 Prozent planen, KI im KYC oder im Transaktionsmonitoring einzusetzen.
- KI unterstützt entlang der gesamten AFC-Wertschöpfungskette, etwa im KYC, in der Investigation und im Transaktionsmonitoring. Die finale Entscheidung bleibt beim Menschen.
- Drei Erfolgsfaktoren sind entscheidend: Datenqualität, klare Governance und Change-Management.
- Die AFC-Funktion der Zukunft wird hybrider: Regulatorisches Fachwissen verbindet sich mit Datenkompetenz und Technologieverständnis.
Warum der Handlungsdruck in der Anti-Financial-Crime Prävention steigt
Verdichtete Regulatorik trifft auf fragmentierte Prozesse
Die regulatorische Landschaft der Anti Financial Crime Prävention, kurz AFC Prävention, hat sich in den vergangenen Jahren deutlich verdichtet. Mit dem EU-AML-Paket und der neuen europäischen Geldwäschebehörde AMLA steigen die Anforderungen an Aktualität, Dokumentation, Nachvollziehbarkeit und risikobasierte Steuerung. Zugleich wird die Aufsichtspraxis zunehmend datenorientiert: Institute müssen Risiken künftig nicht mehr nur beschreiben, sondern mithilfe von Daten nachvollziehbar erläutern können.
In der Praxis ist die AFC-Governance vielerorts jedoch noch fragmentiert und von manuellen Prozessen geprägt. Zentrale Komponenten wie Risikoanalyse, KYC, Transaktionsmonitoring, Investigation und Reporting arbeiten weitgehend isoliert und ohne kontinuierlichen Austausch. Daten werden mehrfach erhoben, manuell angereichert und selten systematisch in nachgelagerte Prozesse zurückgeführt. Die Folge sind Informationsverluste, Doppelarbeiten und hohe False-Positive-Raten, also ein hoher Anteil fälschlich ausgelöster Treffer.
Der Einsatz von KI scheitert häufig nicht an den technischen Möglichkeiten, sondern am Reifegrad der Daten- und Prozesslandschaft. Das folgende Reifegradmodell zeigt eine typische Entwicklung entlang von Daten- und Prozessintegration. Die Stadien reichen von isolierten, manuellen Prozessen über fragmentierte und definierte Strukturen bis hin zu integrierten Echtzeit-Dashboards und prädiktiver, dynamischer Analytik:
Der Reifegrad der meisten Institute bewegt sich derzeit zwischen fragmentierten und definierten Strukturen. Für einen effizienten und belastbaren Einsatz von KI sollte mindestens das Level „Definiert" erreicht werden, da KI nur dann zuverlässige Ergebnisse liefert, wenn die zugrunde liegenden Daten konsistent, vollständig und verfügbar sind.
„In der Praxis scheitert der Einsatz von KI in der Geldwäscheprävention nicht an der Technik, sondern am Reifegrad von Daten und Prozessen.“
Einsatzmöglichkeiten von KI entlang der AFC-Wertschöpfungskette
Von KYC über Investigation bis zum dynamischen Monitoring
Um das Potenzial von KI in der AFC-Prävention einzuordnen, lohnt zunächst ein Blick auf die zugrunde liegenden Technologien. KI ist kein einheitliches Instrument. Klassische KI und Machine Learning erkennen Muster, berechnen Wahrscheinlichkeiten und unterstützen die Anomalieerkennung. Generative KI verdichtet Inhalte, strukturiert Fallinformationen und bereitet Berichte vor. Agentic AI geht noch einen Schritt weiter: Autonome, spezialisierte Agenten bearbeiten komplexe Aufgaben wie Dokumentenprüfung, Datenabgleich oder Validierung eigenständig. Diese Bandbreite eröffnet Einsatzmöglichkeiten entlang der gesamten AFC-Wertschöpfungskette.
Den größten unmittelbaren Nutzen entfaltet KI im KYC, wo viele daten- und dokumentenintensive Tätigkeiten zusammenlaufen. KI kann Dokumente automatisiert auslesen, wirtschaftlich Berechtigte identifizieren, dynamische Risikobewertungen erstellen und komplexe Beteiligungsstrukturen durch Entity Resolution und Netzwerkanalyse transparent machen. Auch in der Investigation kann KI unstrukturierte Daten aus heterogenen Quellen zusammenführen, Netzwerke visualisieren sowie Fallakten und Verdachtsmeldungen vorbereiten. Der Mehrwert liegt jedoch nicht darin, menschliche Entscheidungen zu ersetzen, sondern Analysen und die Entscheidungsvorbereitung schneller und risikoorientierter zu machen. Die finale Entscheidung verbleibt beim Menschen.
Während diese Anwendungen vor allem kurzfristig entlasten, liegt der strategisch größte Hebel langfristig im dynamischen Transaktionsmonitoring und in der datengetriebenen Risikoanalyse. Verhaltensbasierte Auswertungen, eine risikoorientierte Priorisierung von Alerts und prädiktive Analysen ermöglichen eine aktive, fortlaufende Risikosteuerung und senken zugleich die False-Positive-Raten.
„Der Mehrwert von KI in der Geldwäscheprävention liegt nicht im Ersetzen menschlicher Entscheidungen, sondern darin, Analysen und die Entscheidungsvorbereitung schneller und risikoorientierter zu machen.“
GenAI im Transaction Monitoring: Ein Praxisbeispiel
Wie KI-Agenten die Fallbearbeitung im Transaction Monitoring unterstützen
Wie der Einsatz von KI in der AFC-Praxis aussehen kann, zeigt das folgende Beispiel aus dem Transaction Monitoring:
Monitoring-Systeme generieren monatlich Tausende Alerts, die unter regulatorischem Zeitdruck und mit knappen Personalressourcen bearbeitet werden müssen. Die Herausforderung: Konsistenz und Nachvollziehbarkeit über zahlreiche Fälle hinweg sicherzustellen, während erfahrenes AML-Fachpersonal knapp ist und sein Einsatz hohe Kosten verursacht.
Die GenAI-Lösung „G-Rax“ setzt hier an. Spezialisierte KI-Agenten übernehmen repetitive, zeitintensive Tätigkeiten. Sie führen Hintergrundrecherchen durch, analysieren Gegenparteien, prüfen Transaktionen auf kritische Muster und bekannte Typologien und bereiten bei Bedarf Informationsschreiben oder Anfragen an Drittbanken vor. Sie prüfen zudem, ob weitere Informationen erforderlich sind, und gleichen Fälle mit historischen Best-Practice-Fällen aus einer Wissensdatenbank ab. Das Ergebnis ist ein qualitätsgeprüfter, nachvollziehbarer Berichtsentwurf mit einer ersten Einschätzung sowie einer SAR- oder NoSAR-Empfehlung, die sich an den institutsspezifisch festgelegten Risikoparametern orientiert. Bei Bedarf ergänzt das System den Entwurf um vorformulierte RFI-E-Mails zur Klärung von Mittelherkunft oder Mittelverwendung.
Entscheidend dabei: Die KI trifft keine Entscheidungen, sie bereitet sie vor. Nach dem Prinzip „Human-in-the-Loop" liefert das System ausschließlich Voranalysen und erste Einschätzungen – die finale Beurteilung eines potenziellen Geldwäscheverdachts liegt weiterhin beim Analysten. Das ist nicht nur regulatorisch geboten, sondern auch bewusst so gestaltet: Der Mensch muss die repetitiven Fleißarbeiten nicht mehr selbst erledigen, sondern kann sich auf die wertschöpfenden Tätigkeiten konzentrieren – auf das fundierte, qualifizierte Urteil, das nur der Mensch treffen kann und darf.
Während die klassische Fallbearbeitung 60 bis 120 Minuten pro Fall beansprucht, reduziert sich die Prüfzeit mit KI-Unterstützung auf 20 bis 30 Minuten. Die Analystenrolle wandelt sich von der Sachbearbeitung hin zur qualifizierten Entscheidungsfindung, unterstützt durch konsistente Empfehlungen und nachvollziehbare GenAI-Begründungen.
G-Rax ist bereits bei einer großen deutschen Bank produktiv im Einsatz und wurde der BaFin proaktiv vorgestellt.
„Die Integration von GenAI hebt das Transaction Monitoring auf eine neue Stufe der Effizienz und Präzision – ohne dabei die Verantwortung des Menschen für die finale Entscheidung aus der Hand zu geben.“
Video
G-Rax: GenAI im Transaction Monitoring
3:09
More tools
Transcript
Erfolgsfaktoren für die Transformation der AFC-Funktion
Datenqualität, Governance und Change-Management als Fundament
So groß das Potenzial von KI auch ist: Die Transformation der AFC-Prävention gelingt nicht durch Technologie allein. Entscheidend ist, ob Institute Daten, Prozesse, Governance und Kompetenzen so organisieren, dass KI sinnvoll, nachvollziehbar und risikoorientiert eingesetzt werden kann. Drei Erfolgsfaktoren sind dabei maßgeblich.
Den Ausgangspunkt bildet die Datenqualität. Viele Institute verfügen zwar über umfangreiche Kunden-, Transaktions- und Falldaten, können diese jedoch noch nicht konsistent und systematisch für automatisierte Analysen nutzen. Ohne saubere, harmonisierte und nachvollziehbare Daten wird KI nicht zum Effizienzhebel, sondern zum zusätzlichen Risikofaktor. Nicht das Modell steht daher am Anfang der Transformation, sondern die Datenbasis.
Damit diese Basis belastbar bleibt, braucht es einen verlässlichen Rahmen: eine robuste Governance mit klaren Verantwortlichkeiten, nachvollziehbarer Modellvalidierung und transparenter Dokumentation. Auch der EU AI Act setzt hier Leitplanken. Daten müssen geeignet und verlässlich sein, Kontrollen dokumentiert und Entscheidungen nachvollziehbar. Damit dieser Rahmen in der Praxis trägt, kommt dem Change-Management eine zentrale Rolle zu. Neue Technologien entfalten ihren Nutzen nur, wenn Prozesse, Rollen und Kompetenzen parallel weiterentwickelt werden.
Die AFC-Funktion der Zukunft wird hybrider: Regulatorisches Fachwissen verbindet sich mit Datenkompetenz, Technologieverständnis und Risikomanagement. Erfolgreiche Institute werden AFC nicht als isolierte Kontrollfunktion mit manuellen Einzelfallprozessen verstehen, sondern als Teil einer integrierten, datenbasierten Architektur. Verantwortung, Urteilsfähigkeit und Risikosensitivität bleiben beim Menschen. Technologie unterstützt bei der Skalierung. In dieser Verbindung liegt der Schlüssel für eine erfolgreiche Transformation.
Häufig gestellte Fragen
Die Autor:innen
Auch interessant
Follow us
