Wie kann KI-gesteuertes KYC das asymmetrische Risiko für Banken reduzieren?

John Flowers ist der globale Leiter der Finanzmärkte bei eClerx. Mit über 30 Jahren Erfahrung im Bereich der Finanztechnologiedienstleistungen hat er verschiedene Führungspositionen sowohl im Technologiebereich als auch im Kundenkontakt innegehabt.

Entdecken Sie Top-Fintech-Nachrichten und -Veranstaltungen!

Abonnieren Sie den Newsletter von FinTech Weekly

Gelesen von Führungskräften bei JP Morgan, Coinbase, Blackrock, Klarna und mehr

Asymmetrisches Risiko stellt für Banken, Fintechs und andere stark regulierte Unternehmen eine ständige Bedrohung dar. Eine unvollständige Due-Diligence-Prüfung eines einzelnen Kunden, die seine Beteiligung an Geldwäsche oder anderen Verbrechen übersieht, kann zu Mehrmillionenstrafen, Reputationsschäden und behördlichen Maßnahmen auf höchster Führungsebene führen. Selbst kleine Fehler können diese erheblichen Konsequenzen nach sich ziehen, weshalb es unerlässlich ist, kleine Lücken im Know-your-Customer (KYC)-Prozess zu schließen, um sowohl Institutionen als auch ihre Stakeholder zu schützen.

Traditionell erfordert eine effektive KYC- und Anti-Geldwäsche (AML)-Compliance eine umfassende Bewertung des Kundenrisikos bei der Aufnahme, gefolgt von geplanten Überwachungen auf Änderungen im Risikoprofil oder Verhalten, oft durch äußerst manuelle Prozesse, die anfällig für Verzögerungen sind. Heute ermöglichen KI und Automatisierung die Stärkung der KYC und die Verbesserung der AML-Überwachung durch den Einsatz von Echtzeitdaten und eine proaktivere Herangehensweise an die Verhinderung von Finanzkriminalität.

Welche Rollen spielen KI bei der Risikominderung in KYC/AML?

Betriebsfehler und Strafen treten trotz der erheblichen Investitionen der Banken in AML/KYC-Prozesse und -Lösungen auf. Juniper Research schätzte die weltweiten KYC-Ausgaben im Jahr 2024 auf 30,8 Milliarden US-Dollar. Dennoch verlassen sich viele Institute weiterhin auf manuelle Verarbeitung und Aktualisierung von Kundendaten, was die Aufnahme verzögert und Änderungen im Risikoprofil verzögert erkennt.

Die Automatisierung einiger dieser Prozesse mittels regelbasierter Robotic Process Automation (RPA) kann beschleunigen, führt jedoch möglicherweise zu hohen Raten an Fehlalarmen, die mehr Zeit für manuelle Überprüfungen erfordern. Gleichzeitig nutzen Kriminelle fortschrittliche Technologien, um KYC- und AML-Prozesse zu umgehen. Mit KI und gestohlenen oder gefälschten Identitätsdaten können sie Dokumente und Historien erstellen, die echt genug aussehen, um Analysten und einfache automatisierte Systeme zu täuschen.

Die Integration von KI-gestützter Automatisierung und GenAI in RPA kann Banken auf vielfältige Weise bei der Bewältigung dieser Herausforderungen unterstützen.

1. Kundeneinbindungserlebnis

Im Rahmen des KYC-Prozesses erhalten neue Kunden eine Liste der erforderlichen Dokumente und Daten, die sie nicht unabhängig verifizieren können. Wenn diese Anforderungen nicht effektiv kommuniziert werden, kann dies zu Verwirrung bei den Kunden und Verzögerungen bei der Genehmigung führen. Besonders dann, wenn die angeforderten Informationen nicht klar mit den spezifischen regulatorischen Anforderungen der jeweiligen Gerichtsbarkeit übereinstimmen, entsteht zusätzlicher Arbeitsaufwand für Analysten, die die Diskrepanzen klären müssen.

Mit einem in den Onboarding-Prozess integrierten KI-NLP-Modell können Banken effektiv kommunizieren und die entsprechenden Informationen basierend auf den spezifischen Vorschriften der jeweiligen Jurisdiktion anfordern. Das Ergebnis ist ein schnelleren Onboarding-Prozess, der weniger anfällig für Fehler ist, die durch das falsche Ankreuzen von Kästchen oder das Einreichen von Dokumenten entstehen, die nicht den lokalen und internen Anforderungen entsprechen. So können Datenlücken und Fehler bereits vor der Systemeingabe vermieden werden.

2. Erkennung von Identitätsbetrug

KI-gestützte Computer-Vision- und synthetische Identitätserkennungsmodelle können Kundenkennungen markieren, deren Dokumente oder Finanzhistorien gefälscht oder gestohlen erscheinen, selbst wenn sie für menschliche Analysten legitim wirken. Diese Tools synthetisieren Daten aus mehreren Quellen im Laufe der Zeit, erkennen Zusammenhänge, die Menschen übersehen würden, und können Verbindungen zwischen Daten herstellen, die traditionelle Regelwerke nicht entschlüsseln können. Sie korrelieren schnell eine Kundenidentität mit realen Aktivitäten und schlagen Alarm, wenn Diskrepanzen auftreten, sodass Analysten Nachforschungen anstellen können.

3. Echtzeit-KYC- und AML-Überwachung

Die Pflege von Kundendaten nach der Aufnahme ist ein fortlaufender Prozess. Die Überwachung der Aktivitäten des Kunden bei der Institution, das Scannen nach negativen Nachrichten und das Verstehen von Änderungen im Geschäftsnetzwerk sind entscheidend, um Anzeichen für eine Veränderung im Risikoprofil des Kunden nicht zu übersehen. GenAI-Modelle können diese Art der Überwachung in Echtzeit orchestrieren, indem sie Daten aus mehreren Plattformen und Quellen aufnehmen, ein Risikoprofil für jeden Kunden erstellen und Warnmeldungen auslösen, wenn neue Daten eine Risikoänderung anzeigen.

4. Compliance und Berichterstattung

Umfassende Onboarding- und Überwachungslösungen liefern Banken auch die Daten, die sie benötigen, um die AML-Compliance zu bewerten, Verbesserungsbereiche zu identifizieren und Berichte für interne Stakeholder und Regulierungsbehörden zu erstellen. GenAI-Berichtslösungen sind nicht nur darauf ausgelegt, große Datenmengen zu verarbeiten und Fragen zu beantworten. Sie können auch so trainiert werden, dass sie die verarbeiteten Informationen in anschaulichen Grafiken, Diagrammen, Dashboards und Berichten darstellen. Diese Transparenz ermöglicht es der Führungsebene, aufkommende Probleme frühzeitig zu erkennen und zu verhindern, dass sie zu größeren Problemen werden.

5. Anpassung an technologische und regulatorische Veränderungen

GenAI- und KI-gestützte Automatisierungssysteme lernen aus ihren Eingaben. Das bedeutet, sie können trainiert werden, sich anzupassen, wenn Banken neue Datenquellen und Technologieplattformen integrieren, ohne dass eine umfangreiche Neugestaltung oder langwierige Integrationsprozesse erforderlich sind. Dadurch können Institute den Wert ihrer KI-Investitionen im Laufe der Zeit steigern.

Die Lernfähigkeit von KI erleichtert es auch Banken, ihre Anforderungen bei Änderungen der Vorschriften zu aktualisieren. Das Training und Testen von KI-KYC-Modellen anhand neuer Richtlinien dauert in der Regel weniger Zeit als die manuelle Aktualisierung nicht-KI-basierter Plattformen. Es ist auch schneller als das Schulung von Analysten zu neuen Vorgaben. KI kann auch bei dieser Schulung helfen, indem sie einfache Fragen beantwortet oder Änderungen in leicht verständlichen Formaten zusammenfasst. Analysten haben so schnell die aktuellen Informationen, die sie benötigen, um neue Richtlinien konsequent umzusetzen und durchzusetzen.

Reduzierung asymmetrischer Risiken bei KYC/AML mit KI

KI-gestützte KYC- und AML-Tools stellen die Zukunft des Finanzrisikomanagements dar. Sie können die Exponierung der Banken gegenüber asymmetrischen Risiken deutlich begrenzen und sich gleichzeitig an die sich entwickelnden technologischen und regulatorischen Rahmenbedingungen anpassen, um zukünftigen Bedrohungen vorzubeugen. Da Regulierungsbehörden zunehmend die Rolle der Finanzinstitute im internationalen Verbrechen überprüfen und Kriminelle immer geschickter darin werden, herkömmliche KYC- und AML-Kontrollen zu umgehen, ist die Integration von KI in KYC- und AML-Workflows der effektivste Weg für Institute, den Schutz jetzt und in Zukunft zu stärken.