AML-Compliance: Geldwäscheprävention mit KI

Mit der schrittweisen Umsetzung der 6. EU-Geldwäscherichtlinie (6. AMLD) und den verschärften Anforderungen des Geldwäschegesetzes (GwG) stehen Finanzinstitute vor der Herausforderung, immer komplexere Anforderungen an die AML-Compliance kosteneffizient zu erfüllen. Zugleich eröffnen moderne KI-Technologien, insbesondere im Bereich der automatisierten Dokumentenanalyse, neue Möglichkeiten der Risikobewertung und Prüfung. Diese vielschichtige Wechselwirkung aus fortschreitender Technologie und europäischer Regulatorik ist längst dabei, in die globale Finanzwirtschaft auszustrahlen, wie mehrere Expertenstimmen belegen.

Das regulatorische Fundament: Von der 5. zur 6. AMLD

Die jüngsten EU-Geldwäscherichtlinien haben die Anforderungen an die Sorgfaltspflichten erheblich erhöht. Insbesondere die Bestimmungen zu den wirtschaftlich Berechtigten nach § 10 Abs. 1 Nr. 2 des deutschen GwG und § 11 GwG erfordern nun eine kontinuierliche, risikobasierte Überprüfung komplexer Eigentümerstrukturen. Die Schwelle für die Identifikation wirtschaftlich Berechtigter bei Gesellschaften liegt unverändert bei 25% der Kapital- oder Stimmrechte, jedoch sind die Dokumentations- und Verifizierungspflichten deutlich verschärft worden.

Parallel dazu haben die verstärkten Sorgfaltspflichten nach §§ 15 ff. GwG bei politisch exponierten Personen (PEPs) und Geschäftsbeziehungen zu Hochrisikoländern eine neue Qualität erreicht. Die kontinuierliche Überwachung gemäß § 10 Abs. 1 Nr. 5 GwG erfordert nicht mehr nur anlassbezogene, sondern permanente, risikobasierte Kontrollen des Kundenstamms. Diese Dynamik wird auch im außereuropäischen Ausland beobachtet.

„Die Verschärfung von Regulierungen hat dazu geführt, dass Finanzinstitute in ihrem Compliance-Modell proaktiver geworden sind. Was früher durch manuelle Dokumentenprüfung erreicht wurde, beinhaltet jetzt eine kontinuierliche Überwachung des Transaktionsverhaltens. Das Ziel ist es, nicht nur offensichtliche Risiken zu bestimmen, sondern auch die subtilen Unstimmigkeiten zu erkennen, die möglicherweise zuvor vernachlässigt wurden“, erklärt Paul Ferrara, Senior Wealth Counsellor bei Avenue Investment Management.

Kosteneffizienz versus Regulatorische AML-Compliance

Die fundamentale Frage der Kosteneffizienz spiegelt sich auch in Branchendaten wider: McKinsey ermittelte in ihrer 2024 KYC/AML Benchmark-Studie, dass Banken normalerweise 10 bis 15 Prozent ihrer Vollzeitäquivalente allein für KYC/AML-Prozesse einsetzen – ein enormer Kostenfaktor, der bei manuellen Verfahren exponentiell steigt. Diese Personalkosten werden durch die intensivierten Dokumentations- und Überwachungspflichten der 6. AMLD weiter verstärkt.

Besonders kleinere Institute geraten unter Kostendruck: Während Großbanken ihre Compliance-Kosten auf ein hohes Transaktionsvolumen verteilen können, führen die fixen regulatorischen Anforderungen bei kleineren Akteuren zu hohen Stückkosten. Die BaFin-Mindestanforderungen an das Risikomanagement (MaRisk) fordern eine angemessene Ausstattung mit personellen und technischen Ressourcen. In der Praxis bedeutet dies, dass Institute nachweisen müssen, dass ihre Compliance-Prozesse dem Stand der Technik entsprechen – ein Kriterium, das ohne KI-Unterstützung zunehmend schwerer erfüllbar wird. Im Zentrum der technischen Möglichkeiten etablieren sich Technologien, die sich auf die Analyse und Verarbeitung komplexer Dokumente spezialisieren.

KI-gestützte Dokumentenanalyse

Die Dokumentenanalyse bildet das Rückgrat moderner Geldwäscheprävention und ermöglicht es Finanzinstituten, die umfangreichen Sorgfaltspflichten nach GwG effizient und präzise zu erfüllen. Dabei kommen zwei Schlüsseltechnologien zum Einsatz: Optical Character Recognition (OCR) für die Texterkennung und Natural Language Processing (NLP) für das semantische Verständnis der Inhalte.

Die Herausforderung liegt in der Vielfalt der zu analysierenden Unterlagen – von handschriftlichen Gesellschafterverträgen über amtliche Registerauszüge bis hin zu internationalen Ausweisdokumenten. Dies erfordert hochentwickelte KI-Systeme, die sowohl strukturierte als auch unstrukturierte Informationen zuverlässig erfassen können.

Optical Character Recognition (OCR)

Moderne OCR-Systeme nutzen Convolutional Neural Networks und erreichen eine Texterkennungsgenauigkeit von über 99,5%. Sie bilden die erste Stufe eines intelligenten Dokumentenverarbeitungs-Workflows, der speziell auf die Anforderungen der Geldwäscheprävention ausgerichtet ist.

Kernfunktionen für die Geldwäscheprävention:

• Multi-Format-Erkennung – Automatische Identifikation von Ausweis-, Handelsregister- und Gesellschaftsvertragsdokumenten gemäß §§ 10-12 GwG
• Sicherheitsmerkmal-Erkennung – Algorithmen zur Erkennung von Wasserzeichen, Hologrammen und Mikroschrift in offiziellen Dokumenten
• Mehrsprachige Verarbeitung – Unterstützung für über 100 Sprachen, essentiell für internationale Kundschaft
• Qualitätsbewertung – Automatische Prüfung der Dokumentenvollständigkeit für die Sorgfaltspflichten
• Batch-Verarbeitung – Gleichzeitige Verarbeitung mehrerer Dokumente zur effizienten Onboarding-Abwicklung

Die präzise Textextraktion ermöglicht vollständig automatisierte Dokumentationspflichten nach § 8 GwG. Jeder Schritt wird mit Zeitstempel dokumentiert, was bei Aufsichtsprüfungen als Nachweis ordnungsgemäßer Verfahren dient.

Natural Language Processing (NLP)

Moderne NLP-Systeme zur Erkennung von Geldwäsche basieren auf Large Language Models, die auf Finanz- und Rechtsdokumente trainiert wurden. Sie extrahieren aus unstrukturierten Texten strukturierte Daten und ordnen diese automatisch den entsprechenden Compliance-Kategorien zu.

Erweiterte NLP-Funktionen für die AML-Compliance:

• Named Entity Recognition – Automatische Identifikation von Personen, Unternehmen und PEP-relevanten Titeln
• Beziehungsextraktion – Erkennung von Eigentümer- und Kontrollbeziehungen für die Bestimmung des wirtschaftlich Berechtigten nach § 3 GwG
• Risikoanalyse – Bewertung von Medienberichten zur automatischen Risikoeinstufung
• Konsistenzprüfung – Automatischer Abgleich zwischen verschiedenen Dokumenten zur Identifikation von Widersprüchen
• Regulatory Mapping – Zuordnung extrahierter Informationen zu spezifischen GwG-Anforderungen

Praktische Anwendung: NLP-Systeme können aus einem Gesellschaftsvertrag automatisch extrahieren, dass „Herr Max Mustermann mit 30% Beteiligung“ wirtschaftlich berechtigt ist, diese Information ins Compliance-System übertragen und gleichzeitig PEP-Listen-Abgleiche durchführen.

Die Kombination aus OCR und NLP reduziert die manuelle Dokumentenprüfung von Stunden auf Minuten, während die Qualität der Compliance-Prüfung erhöht wird – entscheidend für die gestiegenen Anforderungen der 6. AMLD.

KYC und Feststellung des wirtschaftlich Berechtigten

Ein typischer Anwendungsfall: Die Feststellung des wirtschaftlich Berechtigten nach §§ 10, 11 GwG ist in einem mehrstufigen, KI-gestützten Prozess möglich:

1. Automatisierte Datenerhebung und Vollständigkeitsprüfung

Das KI-System prüft zunächst gemäß der fachlichen Spezifikation, ob alle erforderlichen Dokumente vorliegen. Dabei werden automatisiert folgende Quellen abgefragt:

• Handelsregister (elektronischer Registerauszug)
• Transparenzregister gemäß § 18 ff. GwG
• Unternehmensdatenbanken (Creditreform, Schufa Unternehmensauskunft)
• BaFin-Unternehmensdatenbank für lizenzierte Finanzdienstleister

2. KI-gestützte Strukturanalyse und Beteiligungsverfolgung

Machine Learning-Algorithmen analysieren komplexe Beteiligungsstrukturen und erstellen automatisiert:

• Grafische Organigramme mit Anteilsverteilungen
• Beteiligungsketten-Analysen bis zur natürlichen Person
• Risikoscores basierend auf Strukturkomplexität und geografischen Faktoren
• Cross-Reference-Checks zwischen verschiedenen Datenquellen

3. Kontinuierliches Monitoring und Anomalieerkennung

Das System überwacht kontinuierlich:

• Änderungen in Handels- und Transparenzregister
• Medienscreening auf Negativmeldungen
• PEP-Listen und Sanktionslisten-Updates
• Unternehmensstruktur-Veränderungen

Austin Rulfs, Gründer von Zanda Wealth, berichtet aus der Praxis: „Unsere KYC- und wirtschaftlich Berechtigten-Prüfungen werden mit Modellen zur Dokumentenanalyse, Netzwerk-Abgleich und Selfie-Lebendprüfung durchgeführt. Die Umstellung reduzierte falsche Positive um 41 Prozent auf 17 Prozent, verkürzte die durchschnittliche Onboarding-Zeit um 48 Stunden auf 6 Stunden und reduzierte die Stückkosten um 37 auf 14 bei 10.000 Dokumenten.“

Grenzüberschreitende Herausforderungen

Das Correspondent Banking steht im besonderen Fokus der internationalen Geldwäscheprävention, da es traditionell für komplexe, grenzüberschreitende Geldwäscheschemata missbraucht wird. Die FATF-Empfehlungen 13 und 16 fordern verstärkte Sorgfaltspflichten bei Korrespondentbankbeziehungen, insbesondere die Bewertung der AML-Kontrollen des Korrespondenten und kontinuierliches Monitoring der Geschäftsbeziehungen zu Kunden.

Matt Woodley, Gründer von InternationalMoneyTransfer, erklärt: „Strengere Vorschriften und Anforderungen zwingen Unternehmen dazu, Transaktionen noch genauer zu überwachen und Kunden noch sorgfältiger zu überprüfen. Da grenzüberschreitende Transaktionen den Kern des Problems bilden, sind die Vorschriften ein bewegliches Ziel.“

KI-Systeme können dabei insbesondere unterstützen durch:

• Real-time Sanctions Screening – Sofortiger Abgleich gegen alle relevanten Sanktionslisten (EU, OFAC, UN, nationale Listen)
• Network Analysis – Erkennung verdächtiger Transaktionsmuster in Correspondent-Banking-Netzwerken
• Country Risk Assessment – Dynamische Bewertung von Länderrisiken basierend auf aktuellen FATF-Bewertungen und politischen Entwicklungen

Predictive Analytics und Advanced Pattern Recognition

Um den zunehmend proaktiv geforderten Maßnahmen zur Bekämpfung von Geldwäsche gerecht zu werden, kommen Analyseverfahren zum Einsatz, die Transaktionsdaten und Risiken in Echtzeit begutachten. Moderne KI-Systeme verwenden verschiedene Techniken des maschinellen Lernens zur Einhaltung der Compliance:

• Unsupervised Learning – Clustering-Algorithmen zur Erkennung anomaler Transaktionsmuster ohne vorherige Labelung
• Supervised Learning – Random Forest und Gradient Boosting für die Klassifikation verdächtiger Aktivitäten
• Deep Learning – Neuronale Netze für die Analyse komplexer, multidimensionaler Datenstrukturen
• Time Series Analysis – LSTM-Netzwerke zur Erkennung temporaler Anomalien im Transaktionsverhalten

Diese Technologien erlauben die Erstellung dynamischer Risikoprofile basierend auf:

• Historischem Transaktionsverhalten
• Geografischen Risikofaktoren
• Branchenbezogenen Risikoindikatoren
• Netzwerk-Effekten (Verbindungen zu anderen Risikokunden)
• Externe Datenquellen (Medienberichte, Sanktionslisten-Updates)

Aufsichtsrechtliche Perspektive und BaFin-Erwartungen

Die BaFin betont in ihren Auslegungshinweisen zum Geldwäschegesetz (GwG) sowie in den bankaufsichtlichen Anforderungen (z. B. MaRisk und BAIT), dass Institute einen risikobasierten und wirksamen Einsatz von IT-Systemen sicherstellen müssen. Dies umfasst insbesondere:

• MaRisk-Novelle 2021: Stärkere Anforderungen an Auslagerungen, IT-Risikomanagement und Datenqualität, die unmittelbar auch für Systeme zur Geldwäscheprävention relevant sind.
• BAIT (Bankaufsichtliche Anforderungen an die IT): Vorgaben zur Governance, Datenqualität und Integrität von IT-Systemen, die auch Transaktionsmonitoring und Sanktionslisten-Screening betreffen können.
• FIU-Vorgaben zur Verdachtsmeldungen (§ 45 GwG und GwGMeldV): Technische Standards für die elektronische Übermittlung von Meldungen an die Financial Intelligence Unit.
  

Die Aufsicht bewertet nicht allein die formale AML-Compliance, sondern auch die Angemessenheit, Wirksamkeit und Effizienz der eingesetzten Systeme. Damit wächst der Druck auf Unternehmen und Institute, ihre Prozesse technologisch weiterzuentwickeln. Obwohl die BaFin den Einsatz von Künstlicher Intelligenz nicht explizit vorschreibt, wird KI in der Praxis ein entscheidender Hebel sein, um den steigenden regulatorischen Anforderungen an Datenqualität, Monitoring-Effizienz und Risikoorientierung gerecht zu werden.

Austin Rulfs prognostiziert: „Die Zukunft liegt in einem hybriden Modell. Durch direkt automatisierte Prüfungen lassen sich etwa 90 Prozent der maschinell unterstützten, eindeutigen Fälle klären. Die traditionelle Überprüfung bleibt bei den letzten 10 Prozent, bei denen die Unterlagen nicht übereinstimmen, das Eigentum auf drei oder mehr Akteure verteilt ist oder menschliches Eingreifen erforderlich ist, um eine Entscheidung zu treffen.“

Fazit

Die zunehmenden regulatorischen Anforderungen, insbesondere durch die 6. EU-Geldwäscherichtlinie (6. AMLD) und das deutsche Geldwäschegesetz (GwG), stellen Finanzinstitute vor die Herausforderung, ihre AML-Compliance effizient und präzise zu gestalten. Der Einsatz moderner Technologien wie Künstlicher Intelligenz (KI), Optical Character Recognition (OCR) und Natural Language Processing (NLP) bietet hierbei eine transformative Lösung.

Durch den Einsatz solcher Technologien können komplexe Beteiligungsstrukturen analysiert, wirtschaftlich Berechtigte identifiziert und umfangreiche Dokumentationspflichten nach GwG automatisiert erfüllt werden. Auch wenn der Einsatz von KI nicht explizit vorgeschrieben ist, stellt er heute bereits in vielen Fällen eine wirtschaftliche Notwendigkeit dar, um kosteneffizient compliant zu bleiben.

Suchen Sie nach technologischen Möglichkeiten für effizientere Prüfprozesse und AML-Compliance? Schreiben Sie uns gern eine Nachricht, um sich unverbindlich beraten zu lassen.