SAS-Studie: KI-Umsetzung schwierig
Banken wollen Geldwäsche mit KI bekämpfen
Eine SAS-Studie zum Einsatz von AML-Technik zeigt, wie eine zu langsame KI-Adaption die Bekämpfung von Finanzverbrechen behindern kann.
Finanzinstitute erkennen offenbar grundsätzlich eine Notwendigkeit, KI im Zusammenhang mit Anti-Money-Laundering- Prozessen einzusetzen (AML). Eine Implementierung lässt jedoch oft noch auf sich warten. Dies hat eine aktuelle globale Studie ergeben, die SAS, Anbieter von Lösungen für Daten und künstliche Intelligenz (KI), in Zusammenarbeit mit KPMG durchgeführt hat.
Die Umfrage kommt konkret zu folgenden Ergebnissen: Es gibt derzeit nur eine geringe Adaption von KI und Machine Learning (ML). Lediglich 18 Prozent der Befragten nutzen bereits Lösungen dafür. 40 Prozent haben bisher noch gar keine Pläne, KI und ML einzuführen.
Das Interesse an Generative AI ist zwar anhaltend, aber die Unternehmen agieren vorsichtig: Fast die Hälfte der Umfrageteilnehmer gibt an, ChatGPT und Co. in Pilotprojekten einzusetzen oder sie zu testen, 55 Prozent befassen sich noch nicht näher damit.
„The road to integration: The state of AI and machine learning adoption in anti-money laundering compliance“ ist die Fortsetzung einer Studie von 2021 zum gleichen Thema. An der aktuellen Befragung zum Status der Nutzung von KI und ML für die Geldwäschebekämpfung haben 850 Mitglieder der Association of Certified Anti-Money Laundering Specialists (ACAMS) teilgenommen.
Laut den AML-Experten ist ein wesentlicher Hinderungsgrund, dass sich die Unterstützung durch die Aufsichtsbehörden sehr in Grenzen hält. Gerade einmal 51 Prozent sehen den Einsatz der Technik gefördert – und damit 15 Prozentpunkte weniger als vor vier Jahren.
„KI und Machine Learning sind kein Wundermittel gegen Betrug und Geldwäsche. Insbesondere, wenn es um große Datenmengen geht, sind sie aber sehr effektiv“, erklärte Timo Purkott, Global Fraud and Financial Crime Transformation Lead bei KPMG International und Partner bei KPMG in Deutschland. „Das umfasst zum Beispiel automatisierte Benachrichtigungen aus dem Transaction Monitoring, unternehmensweite Risikobewertungen, Berichte zu auffälligen Aktivitäten, AML-Überprüfungen oder die Reduzierung von False-Positives. All dies basiert auf Daten. Unternehmen müssen daher in ihre Daten-Management-Infrastruktur investieren, um maximalen Wert aus KI und ML zu generieren – und Kriminellen eine Nasenlänge voraus zu sein.“
Unternehmen identifizieren der Stude zufolge mehr Use Cases für den KI/ML-Einsatz. Die bessere Qualität von Untersuchungen und regulatorischen Prüfungen sowie die Verringerung von False-Positives stehen weiterhin oben auf der Prioritätenliste (insgesamt 67 Prozent; 2021: 78 Prozent). Das Erkennen komplexer Probleme ist in der Nennung als Grund für die Einführung von KI und ML von 17 auf 21 Prozent gestiegen.
„Die Integration von Datenquellen, Teams und Technologie ist der Schlüssel, um das volle Potenzial von KI und Machine Learning zu erschließen – und das erfordert den Aufbau eines Ökosystems, das Daten aus sämtlichen Quellen zusammenführt“, sagte Thomas Schwalbe, Senior Advisor Fraud & AML bei SAS.
Lesen Sie mehr zum Thema
