Start / Methoden & Systeme / FinCrime OS 2026: Open-Source-Tools für ein föderatives Compliance-System

FinCrime OS 2026: Open-Source-Tools für ein föderatives Compliance-System

Titelbild zur beitrag: FinCrime OS 2026: Open-Source-Tools für ein föderatives Compliance-System

FinCrime OS 2026: Open-Source-Tools für ein föderatives Compliance-System

Beyond AI/FinCrime OS · Das föderative Manifest · Fortschreibung
Dieser Artikel setzt auf dem Manifest vom 28. März 2026 auf. Er konkretisiert die dort skizzierte Referenzarchitektur mit evaluierten Open-Source-Projekten und ordnet sie den sieben Marktsegmenten zu. Korrekturen, Erweiterungen und Einschränkungen gegenüber dem Manifest werden durchgehend markiert.
Textsorte & Lesehinweis
Dieser Artikel ist ein strategischer Architekturvorschlag mit Marktüberblick — kein unabhängiges Produktgutachten und keine regulatorische Empfehlung. Aussagen werden durchgehend mit Evidenzklassen markiert: Fakt verifizierbar, Eigenbewertung redaktionelle Einschätzung, Projektangabe aus Repo/README, Hypothese unbelegt, Arch. Architekturentscheidung. Leser werden gebeten, die Evidenzklasse bei jeder Behauptung mitzulesen.
Technologie ist kopierbar. Netzwerke nicht.

Im ersten Teil dieser Serie haben wir sieben Marktsegmente kartiert, 28 Anbieter benannt und eine Referenzarchitektur skizziert. Die These: Nicht die KI differenziert, sondern das föderative Mindset. Das war ein Manifest. Dieser Artikel liefert die nächste Schicht: 22 evaluierte Open-Source-Projekte, eingeordnet in eine systematische Taxonomie, mit expliziten Reifegraden und Einschränkungen.

Kontext: Was Compliance kostet

Als Orientierungsgröße für die operative Dimension des Problems: Eine Modellrechnung für das 7frogs-Regulierungskonzept ergab geschätzte jährliche Kosten von rund 4,2 Mio. Euro für UBO-Recherchen bei einem Institut mit ~800.000 Kunden — basierend auf durchschnittlich 8,4 Minuten pro manuellem UBO-Lookup, einem internen Stundensatz von 37,50 € und einer angenommenen Durchdringungsrate von 85 %. Eigenbewertung

Einschränkung
Diese Modellrechnung ist eine parametrische Schätzung, kein Audit-Ergebnis. Die Annahmen (Prozesszeit, Stundensatz, Kundenbasis) sind plausibel, aber nicht extern validiert. Die Zahl dient als Dimensionierung, nicht als Benchmark. Die vollständige Herleitung mit allen Parametern ist im 7frogs-Kostenmodell dokumentiert.

Status quo: Was existiert

Sprint 1 des beyond-ai-Repository ist unter sanction.endvater.de erreichbar. Fakt Es handelt sich um eine persönliche Entwicklungsumgebung — nicht um eine produktionsreife Referenzimplementierung. Eigenbewertung Konkret bedeutet das:

Der Stack (OpenSanctions/yente + ElasticSearch + FastAPI + Neo4j 5.16 + Ollama) läuft auf einem selbst gehosteten VPS, ist öffentlich erreichbar und unter Apache 2.0 lizenziert. Fakt Er ist nicht lastgetestet, nicht penetrationsgetestet, hat kein RBAC, kein Audit-Logging und keinen definierten SLA. Er demonstriert Machbarkeit, nicht Betriebsreife. Eigenbewertung

Das Repository gliedert sich in vier Module: sanctions/, horizon/, osint/, shared/. Diese Struktur bildet die fünf Architektur-Layer des Manifests ab. Arch.


Taxonomie: Acht Klassen statt einer Liste

Die 22 evaluierten Projekte werden nachfolgend nicht als flache Liste, sondern in acht funktionale Klassen geordnet. Arch. Diese Trennung folgt der Kritik, dass Datenmodelle, Frameworks, Plattformen und Benchmarks nicht in einer Ebene vergleichbar sind.

Klasse 1 — Datenquellen & Feeds

Manifest-Segmente: 01 (Regulatory Intelligence), 02 (Sanctions Screening)

ProjektFunktionLizenzReifeStatusEvidenz
OpenSanctions / yente Sanctions-Screening API, 320+ Quellen, Bulk-Matching MIT Hoch ✓ live Fakt
OpenSanctions Crawler FtM-Scraper für 200+ Listen, eigene Quellen erweiterbar MIT Hoch evaluiert Fakt
ICIJ Offshore Leaks 1,6 Mio. Records (Panama/Paradise/Pandora Papers) ICIJ ToS Hoch ✓ live Fakt
AMLGentex Synthetische AML-Transaktionsdaten, konfigurierbare Topologie Apache 2.0 Mittel evaluiert Projektangabe

Klasse 2 — Datenmodell & Standardisierung

Querschnitt über alle Segmente

ProjektFunktionLizenzReifeStatusEvidenz
FollowTheMoney Entitätsschema (Person, Company, Sanction, Ownership) — OCCRP-Standard MIT Hoch evaluiert Fakt
nomenklatura FtM-Deduplication, Statement-basierte Datenverwaltung MIT Mittel evaluiert Projektangabe
AMLTRIX MITRE ATT&CK-Analogie für FinCrime: adversarische Techniken + defensive Mappings Community Früh geplant Projektangabe
Einordnung
FtM und AMLTRIX sind keine Software im engeren Sinne, sondern Schema- bzw. Methodenrahmen. Sie werden hier als eigene Klasse geführt, weil sie die Interoperabilitätsschicht zwischen allen anderen Klassen bilden. Arch.

Klasse 3 — Matching & Entity Resolution

Manifest-Segmente: 02 (Sanctions), 05 (OSINT)

ProjektFunktionLizenzReifeModulEvidenz
moov-io/watchman OFAC/EU/UN-Screener (Go), Cross-Validation zu yente Apache 2.0 Hoch sanctions/ Fakt
Splink Fellegi-Sunter Record Linkage, DuckDB-Backend MIT Hoch osint/ Fakt
↻ Manifest-Referenz
Splink war im Manifest korrekt als UK-Gov-Tool im Angriffsstack für Segment 05 identifiziert. Fakt Die Cross-Validation-Idee (watchman ∥ yente) ist eine Erweiterung, die im Manifest fehlte. Arch.

Klasse 4 — Rules & Decisioning

Manifest-Segment: 03 (Transaction Monitoring)

ProjektFunktionLizenzReifeModulEvidenz
gorules/zen Embeddbare Rules Engine, Rust-Kern, Python-Bindings, Git-Versionierung MIT Hoch shared/ Fakt
Ununseptium Python-Library für KYC/AML-Scoring und Risikoanalyse MIT Unklar sanctions/ Projektangabe
Einschränkung zu Ununseptium
Das Projekt wird im README als RegTech-Engine beschrieben. Unabhängige Validierung der Praxisreife, Nutzer-Community oder Produktionseinsätze konnten nicht identifiziert werden. Die Einordnung als „Core-Scoring-Engine“ aus dem früheren Entwurf wird hier zurückgenommen; Ununseptium bleibt als Evaluierungskandidat mit unklarem Reifegrad. Eigenbewertung
⚡ Korrektur zum Manifest
Das Manifest nannte Drools als Rules Engine im TxM-Angriffsstack. gorules/zen erweist sich als besser geeignet für den Python/FastAPI-Stack: kein JVM-Overhead, native Bindings, Microsekunden-Latenz. Arch. Drools bleibt valide für Java-basierte Umgebungen.

Klasse 5 — Transaction Monitoring & Case Management

Manifest-Segment: 03 — „die 95-Prozent-False-Positive-Maschinen“

Korrektur zum Manifest
Das Manifest verwendete die Formulierung „95 bis 99 Prozent False Positives“. Hohe False-Positive-Raten im regelbasierten TxM sind ein in der Branche breit diskutiertes Problem — konkrete Größenordnungen variieren jedoch erheblich nach Institut, Regelwerk und Kalibrierung und lassen sich nicht seriös als einzelne Zahl angeben. Wir verwenden die Angabe hier nicht mehr als Zahl, sondern verweisen auf das branchenweit anerkannte Grundproblem. Eigenbewertung
ProjektFunktionLizenzReifeBanktauglich?Evidenz
Jube Echtzeit-TxM + ML + regelbasierte Erkennung + Case-Management-Workflow AGPLv3 Mittel Docker ✓, RBAC unklar, Audit-Log unklar Projektangabe
Marble API-first AML-Engine, Screening + TxM + Case Investigation AGPL Mittel Docker ✓, API ✓, RBAC im Enterprise-Tier Projektangabe
Tazama Echtzeit-Fraud-Prävention für digitale Zahlungen (Linux Foundation) Apache 2.0 Mittel Fraud-Fokus, AML-Brücke ist Interpretation Projektangabe
Einschränkungen
Jube: Die Formulierung „ausgereifteste Open-Source-AML-Plattform“ aus dem früheren Entwurf war eine Eigenbewertung ohne externen Beleg. Korrekte Einordnung: eine der funktional vollständigsten offenen Plattformen im evaluierten Sample. Eigenbewertung
Marble: Die Angabe „100+ Organisationen“ stammt aus dem GitHub-Auftritt des Projekts und ist eine Herstellerangabe, kein unabhängiger Nachweis. Projektangabe
Tazama: Das Projekt ist primär auf Fraud-Detection in digitalen Zahlungen ausgerichtet. Die Brücke zu bankaufsichtlicher AML-Compliance ist unsere Interpretation, nicht die offizielle Projektbeschreibung. Eigenbewertung
AGPL-Lizenz: Sowohl Jube als auch Marble verwenden AGPL, was für Institute mit proprietären Integrationen Lizenzrisiken birgt. Die Lizenzimplikation muss vor produktivem Einsatz rechtlich geprüft werden.

Klasse 6 — Graph-Analyse & Visualisierung

Manifest-Segment: 05 (OSINT)

ProjektFunktionLizenzReifeEvidenz
Neo4j 5.16 + GDS Graph-Datenbank + WCC, PageRank, Louvain für Netzwerkerkennung Community: GPLv3 Hoch Fakt
NetworkX Graph-Algorithmen in Python: Zentralität, Community-Detection, PageRank BSD Hoch Fakt
GAMLNet GIN + GraphSAGE für AML-Mustererkennung in Transaktionsgraphen Akademisch Forschung Projektangabe
Cytoscape.js Browser-native Netzwerk-Visualisierung für Ermittler-Dashboards MIT Hoch Fakt

Klasse 7 — RAG & Dokumentenverarbeitung

Manifest-Segment: 01 (Regulatory Intelligence)

ProjektFunktionLizenzReifeEvidenz
Aleph (OCCRP) Document Indexing + Entity Extraction, spricht FtM-Schema MIT Hoch Fakt
RAGFlow RAG-Engine mit Deep Document Understanding, Docker/MinIO Apache 2.0 Mittel Projektangabe
RegNLP Benchmarks ObliQA, Obligation Classifier — Benchmarks, kein Produktivsystem Akademisch Akademisch Fakt
OpenAML (FINOS) On-Chain-AML-Scoring, Multiclass, 30.000+ Wallets Trainingsdaten Apache 2.0 Früh Projektangabe

Klasse 8 — Orchestrierung & Betrieb

Architektur-Layer: KI-Pipeline + API & Integration

ProjektFunktionLizenzReifeEvidenz
LiteLLM Unified LLM Gateway: Routing, Fallback, Cost-Tracking, Logging MIT Hoch Fakt
Prefect Workflow-Scheduler für yente-Feeds, SPARQL, RSS-Polling Apache 2.0 Hoch Fakt
⚡ Korrektur zum Manifest
Das Manifest nannte n8n als Workflow-Tool. Bei näherer Evaluation: n8n erfordert eine eigene UI-Infrastruktur, die für den VPS-Stack überdimensioniert ist. Prefect ist schlanker und Python-nativ. Arch. n8n bleibt eine Option für Low-Code-Szenarien in Stufe 2 des föderativen Modells.

Aktualisierte Referenzarchitektur

Die fünf Architektur-Layer des Manifests bleiben strukturell erhalten. Änderungen betreffen die konkreten Tool-Zuordnungen und einen neuen Querschnittslayer (FtM + AMLTRIX). Arch.

LayerManifest (28.03.)Aktualisiert (31.03.)Änderungstyp
DatenquellenEUR-Lex, BaFin, OFAC, OpenSanctions, ICIJ+ nomenklatura, watchman, AMLGentexErweiterung
KI-PipelineClaude + Ollama, FinRegAgents→ LiteLLM als Gateway, + RegNLP, + RAGFlowKorrektur + Erweiterung
Knowledge GraphNeo4j, Splink+ GAMLNet, + Aleph (Doc→FtM), + NetworkXErweiterung
API / IntegrationFastAPI, WordPress, Telegram, n8n, Flinkn8n → Prefect, + zen, + Jube/Marble APIsKorrektur + Erweiterung
FrontendReact Dashboard+ Cytoscape.jsErweiterung
Querschnitt (neu)—FtM (Datenmodell) + AMLTRIX (Methodik)Neu

Was dieser Artikel nicht abdeckt

Ein Tool-Stack ist kein Betriebsmodell. Eigenbewertung Die folgenden Themen sind für eine banktaugliche Umsetzung essentiell, werden in diesem Artikel aber bewusst nicht behandelt — sie erfordern jeweils eigenständige Analysen:

Regulatorisch: DSGVO-/Bankgeheimnis-Implikationen bei Multi-Source-Ingestion. Unterschiede zwischen Sanktions-, AML- und Fraud-Kontrolllogiken. AMLA-Zeitplan im Detail (die Formulierung „bis Juli 2027″ im Manifest war zu grob — tatsächlich gelten unterschiedliche Fristen: AMLR ab 10. Juli 2027, direkte AMLA-Aufsicht ab Januar 2028, 6. AMLD-Umsetzung durch Mitgliedstaaten bis Juli 2027, einzelne Transparenzregister-Fristen bereits ab Juli 2025/2026). Fakt

Operativ: Alert Governance und Eskalationslogik. Modellrisiko bei ML-basierten Scoring-Systemen. Explainability-Anforderungen (MaRisk AT 4.3.4). IAM/Rollenmodell. SIEM/SOC-Integration. Change-Governance für Regelwerke. Evidenzführung für Revision und Aufsicht.

Architektonisch: Entitätenauflösung bei Multisource-Ingestion (Name-Kollisionen zwischen ICIJ, OpenSanctions und Handelsregistern). Datenqualität in KYC-/TxM-Feeds. Versionierung und Reproduzierbarkeit von Screening-Ergebnissen.

Diese Lücken sind keine Nebensache — sie sind der Grund, warum der Schritt von „Tool-Stack“ zu „Betriebsmodell“ die eigentliche Herausforderung darstellt. Eigenbewertung


Roadmap: Drei Phasen

Die drei Stufen des föderativen Modells aus dem Manifest — (1) Open Source mit Community-Governance, (2) föderativer Betrieb mit geteilter Infrastruktur, (3) Verbandslösung mit regulatorischer Anerkennung — werden hier mit konkreten Zeitachsen unterlegt. Arch.

Phase 1 — Core & Screening (Manifest-Stufe 1)
April – Juni 2026 · Sprint 2 · 8 Issues
FtM als kanonisches Datenmodell. LiteLLM als Gateway. Splink für Entity Resolution. Aleph für Doc-Indexing. Jube/Marble-Evaluation. → Realisiert Serie-Teile 02, 03, 04.
Phase 2 — Vertical Integration (Stufe 1→2)
Juli – September 2026
GAMLNet + Cytoscape.js. OpenAML für DeFi/MiCA. gorules/zen als Rules Engine. AMLTRIX als Detection-Vokabular. Erste operative Themen (Alert Governance, Audit-Logging). → Serie-Teile 05, 06.
Phase 3 — Föderatives Netzwerk (Stufe 2→3)
Oktober – Dezember 2026
Cross-Institute Pattern Sharing. Governance-Struktur. DSGVO-/Bankgeheimnis-Konzept. Pilot mit erstem Partnerinstitut. → Serie-Teil 07.

Entscheidermatrix: Banktauglichkeit auf einen Blick

Die folgende Matrix bewertet die zehn Kernprojekte des Stacks nach Kriterien, die für einen CIO, Revisor oder Einkauf entscheidungsrelevant sind. Alle Bewertungen basieren auf öffentlicher Dokumentation und README-Analyse — nicht auf Produktionserfahrung. Eigenbewertung

Projekt Lizenz Self-Host RBAC Audit-Log API Reifegrad Regulat. Anschluss
yente MIT ✓ — — ✓ Hoch Sanctions Screening
watchman Apache 2.0 ✓ — — ✓ Hoch OFAC/EU/UN Listen
Splink MIT ✓ n/a n/a Lib Hoch Entity Resolution
Jube AGPLv3 ⚠ ✓ ? ? ✓ Mittel TxM, Case Mgmt
Marble AGPL ⚠ ✓ Enterprise Enterprise ✓ Mittel TxM, Screening
gorules/zen MIT ✓ BRMS ✓ ✓ Hoch Rules Engine
Aleph MIT ✓ ✓ ✓ ✓ Hoch Doc-Indexing, FtM
LiteLLM MIT ✓ ✓ ✓ ✓ Hoch LLM-Gateway
Prefect Apache 2.0 ✓ ✓ ✓ ✓ Hoch Orchestrierung
FtM MIT n/a n/a n/a Lib Hoch Datenmodell

Legende: ✓ = dokumentiert vorhanden · ? = aus Dokumentation nicht eindeutig ermittelbar · — = nicht vorhanden · Enterprise = nur in kostenpflichtiger Variante · Lib = Bibliothek ohne eigenen Server · n/a = Kategorie nicht anwendbar · ⚠ AGPL = Copyleft-Lizenz, Rechtsklärung vor Integration erforderlich

Lesehinweis zur Matrix
Diese Bewertung ersetzt keine Due Diligence. Die Spalten RBAC und Audit-Log wurden auf Basis öffentlicher Dokumentation bewertet — bei einem „?“ konnte die Eigenschaft weder bestätigt noch ausgeschlossen werden. Für jeden produktiven Einsatz in einem regulierten Institut ist eine eigenständige technische und lizenzrechtliche Prüfung erforderlich. Eigenbewertung

Fazit

Im Manifest haben wir geschrieben: „Die Frage, die über Erfolg oder Scheitern entscheidet, ist nicht ‚Funktioniert die KI?‘ — sondern: Schaffen es die Institute, gemeinsam zu handeln?“

Dieser Artikel hat die technische Seite dieser Frage konkretisiert: 22 evaluierte Projekte in acht Klassen, mit expliziten Reifegraden, Evidenzklassen und Einschränkungen. Die Grundstruktur der Manifest-Architektur erweist sich als tragfähig — mit Korrekturen im Detail (Drools→zen, n8n→Prefect), Erweiterungen (Querschnittslayer, Cross-Validation, GNN) und offenen Fragen, die der erste Entwurf nicht adressiert hatte (DSGVO, Alert Governance, Modellrisiko). Eigenbewertung

Was nach wie vor fehlt, ist kein Tool. Es ist der erste Anruf.

Compliance sollte kein Luxusgut sein. Wenn die Daten öffentlich sind, die Algorithmen Open Source und die KI für jeden zugänglich — dann differenziert nicht die Technologie, sondern der Mut, sie gemeinsam zu betreiben.

→ github.com/endvater/beyond-ai

Methodik: Die 22 Projekte wurden durch systematische GitHub-Recherche identifiziert (Topics: financial-crime, aml, kyc, sanctions-screening, rules-engine, case-management) und gegen die Manifest-Architektur abgeglichen. Für jedes Projekt wurden Lizenz, letzte Commit-Aktivität (≤90 Tage), Docker-Verfügbarkeit und README-Dokumentation geprüft. Reifegradeinschätzungen basieren auf: Commit-Frequenz, Issue-Aktivität, Dokumentationstiefe und Lizenzklarheit — nicht auf Produktionserfahrung oder unabhängigen Audits. Herstellerangaben (z.B. Nutzerzahlen) werden als solche gekennzeichnet (Projektangabe). Die Modellrechnung (4,2 Mio. €) verwendet institutsspezifische Annahmen und ist nicht extern validiert.

Transparenzhinweis: Der Autor ist beruflich als IT-Manager bei einem deutschen Kreditinstitut tätig und nutzt beruflich einige der in der Manifest-Serie genannten kommerziellen Produkte. Die Bewertungen basieren auf öffentlich verfügbaren Informationen und persönlicher Expertise, nicht auf vertraulichen Informationen.

Dieses KI-Experiment wird redaktionell betreut von Jürgen Schiller García.

KI-EXPERIMENT · REDAKTIONELLE PRÜFUNG · KEINE ANLAGEBERATUNG · CC BY-NC-SA 4.0
Markiert: