Die für die Bekämpfung der Finanzkriminalität zuständigen Teams von Finanzinstituten haben es nicht leicht. Sie müssen nicht nur Milliarden von Transaktionen genau prüfen und überprüfen, sondern auch ein hervorragendes Kundenerlebnis bieten und sich ständig ändernden Gesetzen und Vorschriften entsprechen. Doch es gibt Hoffnung: Künstliche Intelligenz kann eine Lösung bieten.

Ruben Velstra und Michel Witte arbeiten beide für das Finanzdienstleistungs-Beratungsunternehmen Delta Capita. Sie befürworten den Einsatz von künstlicher Intelligenz (KI) oder künstlicher Intelligenz im Kampf gegen Finanzkriminalität.

Laut den beiden Experten kann die KI-Technologie – und insbesondere das maschinelle Lernen – eine Lösung für die verschiedenen Herausforderungen bieten, mit denen diese Finanzteams konfrontiert sind. Denken Sie an viele betriebliche Herausforderungen wie Personalmangel, ineffiziente Prozesse und Arbeitsabläufe oder fehlende Technologie. „Die Automatisierung bietet verschiedene Möglichkeiten für Finanzkriminalität“, sagt Velstra.

Er erklärt: „Nehmen wir das Beispiel Geldwäschebekämpfung. KI-Lösungen können die Produktivität verbessern, indem sie riskante Situationen identifizieren, die eine menschliche Interaktion erfordern. Sie können beispielsweise auch versteckte Risiken zwischen Silos erkennen.

Witte nennt ein weiteres Beispiel: „KI-Lösungen sind in der Lage, Kundentransaktionen während ihres gesamten Lebenszyklus zu verfolgen und sie in Verhaltensinformationen umzuwandeln. Dies ermöglicht Teams der Finanzkriminalität, blitzschnell auf Kundenprofile zuzugreifen, im Gegensatz zu einem manuellen Prozess.“

Das ist jedoch leichter gesagt als getan. Denn in der Praxis steckt die Anwendung künstlicher Intelligenz noch in den Kinderschuhen. „Es ist wirklich immer noch eine Nische, die hauptsächlich von den echten Technikbegeisterten vorangetrieben wird“, sagt Witte. „Das liegt vor allem an den verschiedenen Herausforderungen, denen sich die Teams auf ihrem Weg stellen müssen.“

Die größten Herausforderungen lassen sich laut dem Duo in drei Gruppen einteilen: „Fähigkeiten“; „Datenqualität und -verfügbarkeit“; und „Transparenz und Verständnis“.

Fähigkeiten

„Für die Einführung von KI verlassen sich Finanzinstitute in der Regel auf externe Spezialisten – Experten für Data Science oder Spezialisten für Modelle, die auf internen Ratings basieren, die nicht immer erfahren im Einsatz von KI sind“, bemerkt Witte.

Ihm zufolge sind KI-Fähigkeiten nicht mehr ausschließlich sogenannten „Ziffernrechnern“ und „Datenassistenten“ vorbehalten. Witte erklärt: „Immer mehr Menschen können Analysen eigenständig anwenden, ohne auf komplexe Techniken zurückgreifen zu müssen. Algorithmen werden zunehmend automatisch generiert, wodurch sich das erforderliche Fachwissen verändert.

Voraussetzung dafür, dies selbst anzugehen, ist laut Witte, dass Unternehmen diese Fähigkeiten bei ihren eigenen Mitarbeitern schulen müssen, damit diese „die Ergebnisse verstehen und richtig interpretieren“ können. Die Rekrutierung und Suche der richtigen Mitarbeiter für den effektiven Einsatz von KI-Technologie kann jedoch eine echte Herausforderung darstellen. Nichtsdestotrotz müssen Unternehmen nach dem richtigen zusätzlichen Fachwissen suchen, damit sie in ihren Teams über die richtige Mischung aus technischem und finanziellem Fachwissen verfügen.

Velstra fügt hinzu: „Der Umgang mit Warnungen oder Signalen von KI-Systemen erfordert auch andere Perspektiven für Business-Analysten. Regelbasierte Systeme haben oft Schwarz-Weiß-Entscheidungsprozesse. KI zur Analyse des Kundenverhaltens erfordert eine proaktivere, risikobasiertere, und kundenorientierten Ansatz sowie ein größeres professionelles Urteilsvermögen.

Datenqualität und Verfügbarkeit

Wie bei so vielen Computersystemen gilt „Garbage in = Garbage out“ (GIGO). Mit anderen Worten: Fehlerhafte oder unsinnige Eingabedaten führen zu minderwertiger (sprich: bedeutungsloser) Ausgabe. Es obliegt daher den Finanzinstituten, wenn sie über fortschrittliche KI-Systeme verfügen, einen konstanten Fluss zuverlässiger Daten sicherzustellen. Ein solcher qualitativer Datenstandard fehle jedoch oft noch, so Witte.

„Finanzinstitute haben Mühe, alle Kundendaten auf dem neuesten Stand zu halten“, fährt er fort. „Und Kundendaten werden oft in internen Systemen dupliziert oder in Silos gespeichert. Wenn Informationen beispielsweise auf der Grundlage isolierter Produktlinien konfiguriert werden, kann dies die automatische und ganzheitliche Datenanalyse erschweren. »

Dateninterpretation = Schlüssel

Laut Velstra ist es für Institutionen wichtig, „auf ihren Fähigkeiten aufzubauen“, wenn es darum geht, „Daten richtig interpretieren zu können“ und mit Blick auf „Datentransparenz“. Denn dass Maschinen zuverlässige Dateneingaben richtig verarbeiten können, ist nur eine Seite der Medaille. „Wenn diese qualitativen Daten von den Mitarbeitern nicht richtig verstanden oder interpretiert werden, sind sie immer wertlos“, sagt Velstra.

Und dieser Mangel an Interpretation kann Unternehmen daran hindern, sich ändernde Gesetze und Vorschriften ordnungsgemäß einzuhalten, mit allen Konsequenzen, die dies mit sich bringt.

Velstra fährt fort: „Der Einsatz von KI in der Finanzkriminalität ist immer umstritten, insbesondere unter Aufsichtsbehörden. Vor allem, wenn es als Alternative und nicht als Ergänzung zu traditionellen Methoden verwendet wird.

Der jüngste Rechtsstreit zwischen Bunq und DNB zeigt dieses Spannungsfeld deutlich. Aus diesem Grund ist es wichtig zu betonen, dass die Daten und Analysemodelle auf ethische Weise verwendet werden. „Institutionen sollten sich darüber im Klaren sein, dass die Daten „voreingenommen“ sein können“, sagt Velstra. „In diesem Fall müssten sie die automatische Entscheidungsfindung neu konfigurieren, damit die Zuhörer es sehen könnten. Manuelle Garantien oder strenge Tests sind ebenfalls erforderlich.

Velstra nennt ein aktuelles Beispiel einer deutschen Bank, die versehentlich die Konten von Hunderten von Kunden gesperrt hat, nachdem die Bank ihre automatischen Kontrollen verschärft hatte. Der daraus resultierende Reputationsschaden verdeutlicht die potenziellen Risiken, wenn die oben genannten Punkte nicht richtig berücksichtigt werden.

Wie Daten und Technologie helfen können

Laut Velstra und Witte besteht der erste Schritt zur Bewältigung all dieser Herausforderungen darin, Daten sowohl als Herausforderung als auch als Chance zu sehen. Die zugrunde liegenden Probleme sollten nicht nur aus der Perspektive der Finanzkriminalität angegangen werden, sondern aus einer viel breiteren Perspektive.

„Unternehmensinitiativen können zum Beispiel von kundenorientierten Datenstrukturen profitieren“, so Witte weiter. „Institutionen sollten Informationen transparent aktualisieren, indem sie sie mit offiziellen öffentlichen Quellen wie Handelskammern verknüpfen; und fordert Kunden regelmäßig auf, ihre Daten zu validieren.

Darüber hinaus warnt Velstra, dass Institutionen immer noch „sorgfältig über die Herstellung oder den Kauf von KI-Technologie nachdenken müssen“. Auch wenn es verlockend sein mag, ein eigenes KI-System zu entwickeln, um Mittelsmänner zu eliminieren, sind nicht alle Institutionen in der Lage, spezialisierte Teams zusammenzustellen, um ein solches Projekt zu verwalten. In diesem Fall stünden „effiziente und engagierte Dritte zur Verfügung“, die dann ebenfalls genutzt werden müssten.

„Finanzinstitute, die sich auf ihre internen Fähigkeiten verlassen, müssen die richtige Balance finden zwischen kontinuierlichem Experimentieren und der regelmäßigen Produktion relevanter KI-Anwendungen.“

„Wie bereits erwähnt, ist künstliche Intelligenz nicht einfach zu implementieren“, schließt Witte. „Aber wenn wir uns der Herausforderungen bewusst sind und eine solide Strategie entwickeln, können wir viele Chancen schaffen. Jetzt ist es an der Zeit, die Vorteile zu nutzen.