{"id":873205,"date":"2025-02-04T08:00:00","date_gmt":"2025-02-04T08:00:00","guid":{"rendered":"https:\/\/www.capgemini.com\/de-de\/?p=873205"},"modified":"2026-01-22T07:44:51","modified_gmt":"2026-01-22T07:44:51","slug":"kuenstliche-intelligenz-finanzkriminalitaet-2","status":"publish","type":"post","link":"https:\/\/www.capgemini.com\/de-de\/insights\/blog\/kuenstliche-intelligenz-finanzkriminalitaet-2\/","title":{"rendered":"K\u00fcnstliche Intelligenz und Finanzkriminalit\u00e4t \u2013 Teil 2"},"content":{"rendered":"\n

K\u00fcnstliche Intelligenz und Finanzkriminalit\u00e4t \u2013 Teil 2<\/h1><\/div><\/div><\/div><\/div>
\"\"<\/div>
Crispijn Groeneveld<\/h5>
04. Feb. 2025<\/h5><\/div><\/div>
<\/div><\/div><\/div><\/div><\/header>\n\n\n\n

KI bek\u00e4mpft Finanzkriminalit\u00e4t: Wirksame Geldw\u00e4schepr\u00e4vention durch gezielte Schutzmechanismen<\/h2><\/div><\/div><\/div><\/div><\/section>\n\n\n\n
\n

K\u00fcnstliche Intelligenz (KI oder AI f\u00fcr Artificial Intelligence) hat das Potenzial, Programme zur Bek\u00e4mpfung von Finanzkriminalit\u00e4t (Anti-Financial Crime\/ AFC) zu revolutionieren, doch ergeben sich aus der Nutzung von KI auch neue Risiken und Sicherheitsbedrohungen. Im ersten Teil<\/strong><\/a> unserer Blogserie haben wir einen \u00dcberblick \u00fcber den regulatorischen Rahmen f\u00fcr den Einsatz von KI sowie die Chancen und Herausforderungen gegeben. Im zweiten Teil gehen wir tiefer auf die Herausforderungen auf Basis von Anwendungsbeispielen und die technischen Voraussetzungen f\u00fcr die Implementierung ein.<\/p>\n\n\n\n

Welche Risiken lassen sich durch KI bei Banken und Versicherungen mitigieren? <\/h2>\n\n\n\n

Die Bew\u00e4ltigung der Herausforderungen bei der Bek\u00e4mpfung von Finanzkriminalit\u00e4t ist eine wesentliche Voraussetzung f\u00fcr den erfolgreichen Einsatz von KI. Werden die identifizierten Herausforderungen nicht angemessen ber\u00fccksichtigt und entsprechende Ma\u00dfnahmen eingeleitet, kann dies zu operationellen Risiken f\u00fchren, n\u00e4mlich zu regulatorischen-, prozessualen- oder Compliance-Risiken. Die folgende Abbildung veranschaulicht die Risikoeinordnung der identifizierten Herausforderungen und macht deutlich, dass einzelne Herausforderungen mehrere operationelle Risiken aufweisen: <\/p>\n\n\n\n

\"\"
Abbildung 1: Risikoeinordnung der identifizierten Herausforderungen bei der Nutzung von KI1<\/a><\/sup><\/figcaption><\/figure>\n\n\n\n

Wie k\u00f6nnen die Herausforderungen im Finanzwesen durch KI strukturiert angegangen werden?  <\/h2>\n\n\n\n

Die identifizierten Herausforderungen resultieren in der Regel aus mehreren Ursachen: Wurden sie im Rahmen einer Ist-Analyse identifiziert, kann eine ad\u00e4quate Ma\u00dfnahmenableitung, individuell zugeschnitten auf die einzelnen Herausforderungen, Abhilfe schaffen. Die Ergebnisse schaffen zudem Transparenz, ob der Einsatz von KI sinnvoll ist. Abbildung 2 gibt einen \u00dcberblick \u00fcber die identifizierten Herausforderungen, m\u00f6glichen Ursachen sowie daraus abzuleitenden Ma\u00dfnahmen zur Bew\u00e4ltigung.<\/p>\n\n\n\n

\"\"
Abbildung 2: Ansatz zur Bew\u00e4ltigung der Herausforderungen bei der Nutzung von KI in AFC-Programmen2<\/a><\/sup>,<\/sup>3<\/a><\/sup>,<\/sup>4<\/a><\/sup>,<\/sup>5<\/a><\/sup>,<\/sup>6<\/a><\/sup><\/figcaption><\/figure>\n\n\n\n

Eine wesentliche Herausforderung bei der Nutzung von KI ist die Fehlinterpretation der analysierten Daten, auf deren Grundlage falsche Schlussfolgerungen gezogen werden k\u00f6nnen. Ursachen daf\u00fcr k\u00f6nnen unter anderem die unzureichende Qualit\u00e4t der Rohdaten und die fehlende Robustheit der Ergebnisse aufgrund der Architektur des KI-Modells sein.4<\/sup> Ein Anwendungsbeispiel im AFC-Kontext ist die Identifizierung potenzieller Verd\u00e4chtiger oder ungew\u00f6hnlicher Transaktionen. Werden Trainingsdaten verwendet, welche sich in Umfang und Qualit\u00e4t von Live-Daten unterscheiden, steigt das Risiko von falsch positiven bzw. falsch negativen Meldungen von Transaktionen. Dies kann die Effizienz des KI-Modells verringern und das AFC-System schw\u00e4chen. Um beispielweise das Problem der Rohdatenqualit\u00e4t zu beseitigen, sind Datenqualit\u00e4tskontrollen und -pr\u00e4prozessierung unabdingbar.5<\/sup> Menschliche \u00dcberwachung ist daher w\u00e4hrend der Implementierung von KI und zu Beginn der Nutzung noch immer erforderlich. <\/p>\n\n\n\n

Als zweites Anwendungsbeispiel ist die Sicherstellung von Datenschutz und Datensicherheit neben der Identifizierung verd\u00e4chtiger Transaktionen eine zentrale Herausforderung bei KI-basierter Geldw\u00e4schepr\u00e4vention. Unzureichende Sicherheitskonfigurationen k\u00f6nnen bei Datenangriffen genutzt werden, w\u00e4hrend mangelnde Anonymisierung zu Identit\u00e4tsenth\u00fcllungen f\u00fchren kann. Solche Schwachstellen bergen erhebliche Compliance-Risiken und k\u00f6nnen zu rechtlichen Konsequenzen und Reputationsverlust f\u00fchren, insbesondere wenn sensible Finanzdaten oder personenbezogene Daten betroffen sind.6<\/sup><\/p>\n\n\n\n

Gibt es Praxiserfolge, die das Potenzial von KI in der Geldw\u00e4schepr\u00e4vention verdeutlichen? <\/h2>\n\n\n\n

Erste Praxisbeispiele bei der Anwendung von KI in der Geldw\u00e4schepr\u00e4vention existieren bereits: Ein global agierendes Finanzinstitut war mit der Herausforderung konfrontiert, dass die Anzahl der falsch positiven Meldungen stetig zunahm. Dadurch stieg der manuelle Aufwand in den operativen Einheiten bei der Transaktionsverarbeitung deutlich.  Durch die Einf\u00fchrung der KI-L\u00f6sung auf Basis von historischen Transaktions- und Kundendaten konnte das Transaktionsmodell pr\u00e4ziser auf die Kundengruppen und deren Transaktionsverhalten abgestimmt werden.  <\/p>\n\n\n\n

Im Ergebnis konnte das KI-Modell deutlich mehr verd\u00e4chtige Transaktionen identifizieren und gleichzeitig die Zahl der falsch positiven Meldungen reduzieren. Dadurch konnten die Operationseinheiten den Fokus auf die Bearbeitung von echten Verdachtsmeldungen legen und die KI selbst komplexe Geldw\u00e4schemuster und kriminelle Netzwerke pr\u00e4zise identifizieren und melden.7<\/a><\/sup> <\/p>\n\n\n\n

Welche IT-Rahmenbedingungen m\u00fcssen f\u00fcr eine erfolgreiche Implementierung von KI in AFC-Programmen erf\u00fcllt werden?<\/h2>\n\n\n\n

Entscheidend f\u00fcr eine erfolgreiche, KI-basierte Geldw\u00e4schepr\u00e4vention sind die richtigen Rahmenbedingungen innerhalb der bestehenden IT-Strukturen im Unternehmen. Abbildung 3 zeigt eine Kategorisierung nach Voraussetzungen, welche die IT-Strukturen f\u00fcr eine KI-Implementierung erf\u00fcllen sollten: <\/p>\n\n\n\n

\"\"
Abbildung 3: Rahmenbedingungen der IT-Architektur bei der Implementierung von KI in AFC-Programmen8<\/a><\/sup><\/figcaption><\/figure>\n\n\n\n

Um KI in AFC-Programmen zu etablieren, gibt es keine einheitliche L\u00f6sung. Sie h\u00e4ngt von der unternehmensspezifischen IT-Architektur und den konkreten Zielen des Unternehmens ab. Grunds\u00e4tzlich erfordert die Entwicklung von KI-Systemen einen ganzheitlichen Ansatz, der technische, ethische und menschliche Faktoren ber\u00fccksichtigt. Um vor potenziell gef\u00e4hrlichen Angriffen gesch\u00fctzt zu sein und eine reibungslose Implementierung von KI zu erm\u00f6glichen, sind wirksame und robuste Sicherheitsma\u00dfnahmen erforderlich. <\/p>\n\n\n\n

Vielen Dank an meine Co-Autor*innen\u202fAnna Zerback<\/a><\/strong> & Florian Simon<\/strong><\/a>. <\/p>\n\n\n\n

 <\/p>\n<\/div><\/div><\/div><\/div><\/div><\/section>\n\n\n\n

<\/p>\n\n\n\n

Blog-Updates per Mail?<\/h3>

Abonnieren Sie unseren Newsletter und erhalten Sie alle zwei Monate eine Auswahl der besten Blogartikel.<\/p><\/div>

Zur Anmeldung <\/a><\/div>