Englisch: AML transaction monitoring and sanctions screening
Banken durchsuchen Konten- und Zahlungsdaten nach Mustern der Geldwäsche und gleichen alle Beteiligten mit Sanktionslisten ab.
Den Anwendungsfall verstehen
Lernende Verfahren ergänzen feste Regeln: Sie bewerten Kundinnen, Kunden und Konten nach ihrem Verhalten und erkennen Namen auch bei abweichender Schreibweise. Banken und Zahlungsdienstleister müssen ungewöhnliche Geldflüsse erkennen, Verdachtsfälle melden und Zahlungen an sanktionierte Personen verhindern.
Die Seite beschreibt einen typischen Aufbau. Die tatsächlichen Datenwege und Befugnisse ergeben sich aus Ihrer Umsetzung.
Aufbau und Datenwege
Das System erhält Kundenstammdaten, Kontobewegungen, Angaben zu Auftraggebern und Empfängern sowie die aktuellen Sanktionslisten.
Zahlungen, Verwendungszwecke und Namen der Gegenparteien bestimmen Kundschaft und Dritte, auch solche, die Geld waschen wollen. Das System bewertet Kundinnen und Kunden, wirtschaftlich Berechtigte und Gegenparteien mit Namen und Kontoverbindung.
Das System bewertet Konten und Zahlungen nach Geldwäschemustern und vergleicht Namen mit den Listeneinträgen.
Die Verarbeitung verbindet je nach Aufbau Transaktionsmuster, Beziehungen zwischen Beteiligten und Abgleiche mit relevanten Listen. Daraus entstehen Treffer und priorisierte Auffälligkeiten für die Untersuchung. Ein technischer Treffer und die fachliche Bewertung eines Verdachts sind voneinander zu unterscheiden.
Das System meldet Alarme mit Risikowert und Begründung und hält bei einem Treffer auf der Sanktionsliste die Zahlung an.
Das Ergebnis beschreibt die definierte Modellaufgabe. Ein Treffer, eine Kategorie oder eine Prognose erhält seine fachliche Bedeutung erst zusammen mit den zugrunde liegenden Daten und dem vorgesehenen Verwendungszweck.
Fachkräfte prüfen die Alarme und entscheiden über Verdachtsmeldung, Freigabe der Zahlung oder Kündigung der Geschäftsbeziehung.
Die Einbindung bestimmt, ob das Ergebnis lediglich angezeigt, nach Freigabe übernommen oder direkt in ein Fachverfahren geschrieben wird. Diese Varianten unterscheiden sich in ihren Datenwegen und Befugnissen.
Aufbau aktiv erkunden: Wählen Sie einen Baustein, um seine Aufgabe, die ein- und ausgehenden Daten und die Einbindung im Anwendungsfall zu sehen. Der geführte Ablauf erläutert jede Phase. Mit Ja, Offen und Nein können Sie anschließend Ihre konkrete Systemvariante abbilden.
9 zuerst zu prüfen10 zu klären6 Grundlagen
Das Bild zeigt den Anwendungsfall, wie er typischerweise gebaut ist. Wählen Sie einen Baustein, um zu sehen, was dort geschieht, und stellen Sie seine Merkmale auf Ihr System um. Mit „Analysehinweise“ sehen Sie anschließend, welche Prüfkandidaten zu diesem Aufbau gehören. Die Prüfliste der Seite bleibt auf den typischen Fall bezogen.
Noch keine. Jede Umstellung erscheint hier.
Im gezeigten Aufbau: 9 zuerst zu prüfen, 10 zu klären, 6 Grundlagen.
Zugang von außen: Hängt von Ihrem System ab
Zu klären
Eingabe: Gehört zu jedem KI-System
Zuerst prüfen
Inhalte Dritter: Vorhanden
KI-Modell: Gehört zu jedem KI-System
Zuerst prüfen
Zu klären
Dienst eines Anbieters: Hängt von Ihrem System ab
Zu klären
Dokumentensammlung: Hängt von Ihrem System ab
Zu klären
Training und Rückmeldung: Vorhanden
Zuerst prüfen
Ergebnis: Gehört zu jedem KI-System
Grundlage für jedes KI-System
Fachanwendung oder Anlage: Hängt von Ihrem System ab
Zu klären
Mensch: Gehört zu jedem KI-System
Zuerst prüfen
Betroffene Person: Vorhanden
KI-Dienste ohne Freigabe: Hängt von Ihrem System ab
Zu klären
Lieferkette und technische Basis: 5 Grundlagen, die für jedes KI-System gelten
Grundlage für jedes KI-System
Betrugserkennung im Zahlungsverkehr
Prüft einzelne Zahlungen in Echtzeit darauf, ob jemand betrogen wird
Zahlungen, Verwendungszwecke und Namen der Gegenparteien bestimmen Kundschaft und Dritte, auch solche, die Geld waschen wollen. Das System bewertet Kundinnen und Kunden, wirtschaftlich Berechtigte und Gegenparteien mit Namen und Kontoverbindung.
Viele Institute setzen Produkte von Anbietern ein, andere entwickeln ihre Modelle selbst.
Beim Sanktionsscreening sucht das System Namen in Sanktions- und Embargolisten, je nach Produkt in einem eigenen Suchbestand. Die Modelle werden mit den Konten- und Zahlungsdaten des Instituts trainiert, auch wenn der Dienst von einem Anbieter stammt.
Ein Treffer beim Sanktionsscreening kann eine Zahlung selbst anhalten, bei der Überwachung von Zahlungen entsteht meist nur ein Alarm. Läuft das Screening bei einem Clouddienst, verlassen Kunden- und Zahlungsdaten das Institut.
Ein eingebundener Anbieter legt den Verarbeitungsort nicht automatisch fest. Speicherort, Unterauftragnehmer, Löschfristen und die Nutzung für Training sind im konkreten Betrieb zu prüfen.
Risiken einordnen und Maßnahmen festlegen
Daten, Beteiligte, Schnittstellen und Rechte erfassen. Offene Merkmale im Modell klären.
Prüfkandidaten auf die tatsächlichen Datenwege beziehen: Was könnte passieren und wer wäre betroffen?
Auswirkungen und Eintrittswahrscheinlichkeit im Einsatzkontext bewerten. Die Anzahl der Prüfkandidaten ist kein Risikowert.
Geeignete Kontrollen auswählen, Verantwortliche und Wirksamkeitsprüfungen festlegen. Restrisiken und Freigaben dokumentieren.
Insgesamt kommen bei diesem Anwendungsfall 25 Bedrohungen aus dem Bedrohungskatalog infrage.
Außerdem prüfen: ob das System Gruppen benachteiligt
Prüfen Sie, ob Auswahl, Rangfolge oder Bewertung Menschen mit geschützten Merkmalen benachteiligen, etwa nach Geschlecht, Alter oder Herkunft.
Wer Geld wäscht, verteilt Beträge auf viele Konten oder schreibt Namen leicht abweichend. Das System erkennt das Muster dann nicht mehr oder ordnet den Namen keinem Listeneintrag zu.
Übermäßiges Vertrauen in das KI-System
Bei vielen Fehlalarmen schließen Fachkräfte Alarme irgendwann im Eiltempo und halten Konten ohne Alarm für unauffällig. Bewertet das Modell einen Fall falsch, bemerkt das dann niemand.
Neue Methoden der Geldwäsche und neue Zahlungswege kommen in den Lerndaten nicht vor. Das Modell bewertet sie als gewöhnlich, bis es mit neuen Fällen nachtrainiert wird.
Gezielte Datenvergiftung / Label-Vergiftung
Das Modell lernt aus den Entscheidungen der Fallbearbeitung. Wurden Fälle falsch geschlossen, lernt es, genau solche Muster künftig nicht mehr zu melden.
Über eigenes Training oder Rückmeldungen aus dem Betrieb können manipulierte Daten in die Lerndaten gelangen.
Steht hier wegen dieser Eigenschaften
Über Trainingsdaten oder ein übernommenes Grundmodell kann das Modell versteckte Auslöser für Fehlverhalten enthalten.
Steht hier wegen dieser Eigenschaft
Mit gezielten Abfragen lassen sich personenbezogene und schutzbedürftige Trainingsdaten teilweise aus dem Modell zurückgewinnen.
Steht hier wegen dieser Eigenschaften
Offenlegung sensibler Informationen
Vertrauliche Inhalte können in Antworten, im mitgegebenen Kontext oder in Protokollen auftauchen.
Steht hier wegen dieser Eigenschaften
Exfiltration aus der ML-Anwendung
Schutzbedürftige Daten können über Werkzeuge, Netzverbindungen, Speicher oder Innentäter abfließen.
Steht hier wegen dieser Eigenschaft
Je nach Aufbau Ihres Systems kommen bis zu 10 weitere hinzu. Neun Bedrohungen prüfen Sie bei jedem KI-System. Drei davon sind hier besonders wichtig und stehen deshalb oben.
Jedes Ja setzt weitere Bedrohungen auf Ihre Prüfliste, insgesamt bis zu 10. Können Sie eine Frage noch nicht beantworten, prüfen Sie die Bedrohungen mit.
Wie Ihr System gebaut ist
Wie Sie das System betreiben
Beim Sanktionsscreening sucht das System Namen in Sanktions- und Embargolisten, je nach Produkt in einem eigenen Suchbestand.
Wenn ja, kommt hinzu
Manche Systeme bilden Kundschaft, Konten und Gegenparteien als Netz von Beziehungen ab, um verschleierte Geldflüsse zu erkennen.
Wenn ja, kommt hinzu
Ein Treffer beim Sanktionsscreening kann eine Zahlung selbst anhalten, bei der Überwachung von Zahlungen entsteht meist nur ein Alarm.
Wenn ja, kommt hinzu
Wenn ja, kommt hinzu
Diese Fragen stellen sich bei fast jedem KI-System.
Wenn ja, kommt hinzu
Wenn ja, kommt hinzu
Wenn ja, kommt hinzu
Wenn ja, kommt hinzu
Wenn ja, kommt hinzu
Maßnahmen zu den Prüfschwerpunkten sind direkt geöffnet. Die verlinkten Maßnahmen erläutern jeweils die Umsetzung.
Maßnahmen gegen die übrigen Bedrohungen finden Sie auf deren Seiten im Bedrohungskatalog.
Greift, wenn Beschäftigte oder Beauftragte KI-Systeme betreiben oder nutzen.
Gilt seit dem 2. Februar 2025.
Die Pflichten im Einzelnen
Die Geldwäscheerkennung bewertet keine Kreditwürdigkeit. Zudem nimmt Anhang III Nr. 5 Buchst. b Systeme zur Aufdeckung von Finanzbetrug ausdrücklich aus.
Die Pflichten im Einzelnen
Ihr System im Schnellprüfer einordnen Alle Pflichten im Pflichtenkompass
Diese Bedrohungen prüfen Sie bei jedem KI-System, egal wofür es eingesetzt wird.
Trifft eine dieser Fragen bei Ihrem System doch zu, kommen die genannten Bedrohungen hinzu.
Schreibt das System eigene Texte, etwa Antworten, Entwürfe oder Zusammenfassungen?
Das System meldet Alarme und Risikowerte, die Verdachtsmeldung schreibt ein Mensch.
Wenn ja, kommt hinzu
Erzeugt oder verändert das System Bilder, Töne, Stimmen oder Videos?
Wenn ja, kommt hinzu
Schreibt oder gestaltet das System auf freie Anfrage neue Inhalte, die Menschen direkt lesen, sehen oder hören? Übersetzen, Vorlesen und Abschreiben zählen nicht.
Wenn ja, kommt hinzu
Kann man dem System in normaler Sprache Aufträge geben, die es dann ausführt?
Das Modell bewertet Konten und Zahlungen und nimmt keine Aufträge in normaler Sprache entgegen.
Wenn ja, kommt hinzu
Formuliert das System seine Antwort aus gefundenen Dokumenten?
Wenn ja, kommt hinzu
Merkt sich das System Inhalte aus früheren Gesprächen oder Aufgaben und nutzt sie später wieder?
Wenn ja, kommt hinzu
Ruft das System selbst andere Programme, Schnittstellen oder Suchdienste auf, auch wenn es dort nur liest?
Wenn ja, kommt hinzu
Legt das System seine nächsten Arbeitsschritte selbst fest, je nachdem, was vorher herauskam?
Wenn ja, kommt hinzu
Gibt das System Aufgaben an andere KI-Agenten weiter oder übernimmt es deren Ergebnisse?
Wenn ja, kommt hinzu
Ist das System über das Model Context Protocol (MCP) an Werkzeuge oder Datenquellen angebunden?
Wenn ja, kommt hinzu
Liegen Dokumente mehrerer Kunden, Abteilungen oder Berechtigungsgruppen im selben Suchspeicher?
Wenn ja, kommt hinzu
Können Menschen außerhalb Ihrer Organisation das System nutzen, auch ohne Anmeldung?
Das System arbeitet im Hintergrund des Instituts und ist für Kundinnen und Kunden nicht erreichbar.
Wenn ja, kommt hinzu
Verarbeitet das System mehrere Arten von Eingaben zusammen, etwa Text mit Bild oder Sprache?
Wenn ja, kommt hinzu
Erzeugt das System Programmcode, Skripte oder Datenbankabfragen, die weiterverwendet werden?
Wenn ja, kommt hinzu
Führt das System selbst Programme, Skripte oder Befehle aus?
Wenn ja, kommt hinzu
Die BaFin nennt das Sanktionsscreening in ihren Prinzipien für Big Data und KI als Beispiel.
EBA, Follow-up report on machine learning for IRB models, 2023
Die Europäische Bankenaufsicht nennt den Kampf gegen Geldwäsche und Terrorismusfinanzierung als einen der wichtigsten Einsatzbereiche maschinellen Lernens.
Google Cloud, Google Cloud Launches AI-Powered Anti-Money Laundering Product for Financial Institutions, 21. Juni 2023 Nach Angabe des Herstellers
Der Hersteller nennt HSBC als Anwender seines Dienstes zur Geldwäscheerkennung.
Stand: 30. September 2026. Regelwerk der Prüfliste in Fassung 0.3.2, Bedrohungskatalog in Fassung 2026.10.24.2. Wie diese Seiten aufgebaut sind