KI und Finanzkriminalitätsprävention: Warum Banken einen ausgewogenen Ansatz benötigen

KI ist für Banken eine zweischneidige Klinge: Einerseits schafft sie viele Möglichkeiten für effizientere Betriebsabläufe, andererseits birgt sie externe und interne Risiken.

Finanzkriminelle nutzen die Technologie, um Deepfake-Videos, Stimmen und gefälschte Dokumente herzustellen, die an Computer- und menschliche Erkennung vorbeikommen können, oder um E-Mail-Betrugsaktivitäten zu verstärken. Allein in den USA wird erwartet, dass generative KI den Betrugsverlusten zu einem jährlichen Wachstum von 32% verhelfen wird, was bis 2027 40 Milliarden US-Dollar erreichen wird, laut einem aktuellen Bericht von Deloitte.

Vielleicht sollte die Reaktion der Banken darin bestehen, sich mit noch besseren Werkzeugen auszurüsten und KI in der Finanzkriminalitätsprävention einzusetzen. Finanzinstitute setzen tatsächlich bereits KI in der Anti-Finanzkriminalität (AFC) ein – um Transaktionen zu überwachen, verdächtige Aktivitätsberichte zu generieren, Betrugsbekämpfung zu automatisieren und mehr. Diese haben das Potenzial, Prozesse zu beschleunigen und gleichzeitig die Genauigkeit zu erhöhen.

Das Problem entsteht, wenn Banken die Einführung von KI nicht mit menschlichem Urteil ausbalancieren. Ohne einen Menschen im Entscheidungsprozess kann die Einführung von KI Auswirkungen auf die Einhaltung von Vorschriften, Vorurteile und die Anpassung an neue Bedrohungen haben.

Wir glauben an einen vorsichtigen, hybriden Ansatz bei der Einführung von KI im Finanzsektor, der weiterhin menschliche Eingaben erfordert.

Der Unterschied zwischen regelbasierten und KI-getriebenen AFC-Systemen

Traditionell haben AFC-Systeme, insbesondere Anti-Geldwäsche-Systeme (AML), mit festen Regeln gearbeitet, die von Compliance-Teams als Reaktion auf Vorschriften festgelegt wurden. Im Falle der Transaktionsüberwachung werden beispielsweise diese Regeln implementiert, um Transaktionen basierend auf bestimmten vordefinierten Kriterien wie Transaktionsbetragsschwellenwerten oder geografischen Risikofaktoren zu kennzeichnen.

KI bietet eine neue Möglichkeit, Finanzkriminalitätsrisiken zu überwachen. Machine-Learning-Modelle können verwendet werden, um verdächtige Muster basierend auf einer Reihe von Datenmengen zu erkennen, die ständig weiterentwickelt werden. Das System analysiert Transaktionen, historische Daten, Kundenverhalten und Kontextdaten, um verdächtiges Verhalten zu überwachen, und lernt über die Zeit hinweg, was zu adaptiver und möglicherweise effektiverer Kriminalitätsüberwachung führt.

Allerdings sind regelbasierte Systeme vorhersehbar und leicht überprüfbar, während KI-getriebene Systeme ein komplexes “Black-Box”-Element aufgrund von undurchsichtigen Entscheidungsprozessen einführen. Es ist schwieriger, die Begründung eines KI-Systems für die Kennzeichnung bestimmten Verhaltens als verdächtig nachzuvollziehen, da so viele Elemente beteiligt sind. Dies kann dazu führen, dass das KI-System zu einem bestimmten Schluss basierend auf veralteten Kriterien gelangt oder faktisch falsche Erkenntnisse liefert, ohne dass dies sofort erkennbar ist. Es kann auch Probleme für die Einhaltung von Vorschriften durch eine Finanzinstitution verursachen.

Mögliche regulatorische Herausforderungen

Finanzinstitute müssen strengen regulatorischen Standards entsprechen, wie der EU-Richtlinie AMLD und dem US-amerikanischen Bankgeheimnisgesetz, die klare, nachvollziehbare Entscheidungsfindung vorschreiben. KI-Systeme, insbesondere Deep-Learning-Modelle, können schwer zu interpretieren sein.

Um Verantwortlichkeit bei der Einführung von KI zu gewährleisten, benötigen Banken sorgfältige Planung, gründliche Tests, spezielle Compliance-Rahmenbedingungen und menschliche Überwachung. Menschen können automatisierte Entscheidungen validieren, indem sie beispielsweise die Begründung für eine gekennzeichnete Transaktion interpretieren, was sie für Regulierungsbehörden erklärbar und vertretbar macht.

Finanzinstitute stehen auch unter zunehmendem Druck, erklärbare KI (XAI)-Tools zu verwenden, um KI-getriebene Entscheidungen für Regulierungsbehörden und Prüfer verständlich zu machen. XAI ist ein Prozess, der es Menschen ermöglicht, die Ausgabe eines KI-Systems und dessen zugrunde liegende Entscheidungsfindung zu verstehen.

Menschliches Urteil für eine umfassende Sicht erforderlich

Die Einführung von KI darf nicht zu einer Nachlässigkeit bei automatisierten Systemen führen. Menschliche Analysten bringen Kontext und Urteilsvermögen mit, die KI fehlt, was eine nuancierte Entscheidungsfindung in komplexen oder mehrdeutigen Fällen ermöglicht, die in AFC-Untersuchungen unerlässlich bleibt.

Unter den Risiken einer Abhängigkeit von KI befinden sich die Möglichkeit von Fehlern (z. B. falsche Positivergebnisse, falsche Negativergebnisse) und Vorurteile. KI kann anfällig für falsche Positivergebnisse sein, wenn die Modelle nicht gut abgestimmt sind oder auf voreingenommenen Daten trainiert werden. Menschen sind ebenfalls anfällig für Vorurteile, aber das zusätzliche Risiko von KI besteht darin, dass es schwierig sein kann, Vorurteile innerhalb des Systems zu erkennen.

Darüber hinaus laufen KI-Modelle auf den Daten, die ihnen zur Verfügung gestellt werden – sie können möglicherweise nicht neue oder seltene verdächtige Muster außerhalb historischer Trends oder basierend auf realen Erkenntnissen erkennen. Eine vollständige Ersetzung von regelbasierten Systemen durch KI könnte zu blinden Flecken in der AFC-Überwachung führen.

In Fällen von Vorurteilen, Mehrdeutigkeit oder Neuheit benötigt die AFC ein differenziertes Urteil, das KI nicht liefern kann. Gleichzeitig könnte die Entfernung von Menschen aus dem Prozess die Fähigkeit der Teams beeinträchtigen, Muster in Finanzkriminalität zu verstehen, Muster zu erkennen und neue Trends zu identifizieren. Dies könnte es wiederum schwieriger machen, automatisierte Systeme auf dem neuesten Stand zu halten.

Ein hybrider Ansatz: Kombination von regelbasierten und KI-getriebenen AFC

Finanzinstitute können einen regelbasierten Ansatz mit KI-Tools kombinieren, um ein mehrschichtiges System zu erstellen, das die Stärken beider Ansätze nutzt. Ein hybrides System wird die Einführung von KI langfristig genauer und flexibler bei der Bekämpfung neuer Finanzkriminalitätsbedrohungen machen, ohne Transparenz zu opfern.

Um dies zu erreichen, können Institutionen KI-Modelle mit laufender menschlicher Rückmeldung integrieren. Das adaptive Lernen der Modelle würde dann nicht nur auf Datenmuster, sondern auch auf menschliche Eingaben basieren, die es verfeinern und neu ausbalancieren.

Nicht alle KI-Systeme sind gleich. KI-Modelle sollten kontinuierlich getestet werden, um Genauigkeit, Fairness und Einhaltung von Vorschriften zu bewerten, mit regelmäßigen Updates basierend auf Änderungen der Vorschriften und neuer Bedrohungsanalyse, wie sie von den AFC-Teams identifiziert werden.

Risiko- und Compliance-Experten müssen in KI geschult werden oder ein KI-Experte sollte zum Team gehören, um sicherzustellen, dass die Entwicklung und Bereitstellung von KI innerhalb bestimmter Grenzen erfolgt. Sie müssen auch Compliance-Rahmenbedingungen speziell für KI entwickeln, um einen Weg zur regulatorischen Einhaltung in einem aufstrebenden Sektor für Compliance-Experten zu schaffen.

Im Rahmen der Einführung von KI ist es wichtig, dass alle Teile der Organisation über die Fähigkeiten der neuen KI-Modelle informiert werden, mit denen sie arbeiten, aber auch über ihre Einschränkungen (wie potenzielle Vorurteile), um sie empfindlicher gegenüber möglichen Fehlern zu machen.

Die Organisation muss auch andere strategische Überlegungen anstellen, um Sicherheit und Datenqualität zu erhalten. Es ist entscheidend, in hochwertige, sichere Dateninfrastruktur zu investieren und sicherzustellen, dass diese auf genauen und vielfältigen Datenmengen trainiert werden.

KI ist und wird sowohl eine Bedrohung als auch ein Verteidigungsinstrument für Banken sein. Aber sie müssen diese neue, mächtige Technologie richtig handhaben, um Probleme zu vermeiden, anstatt sie zu lösen.