KI wird AML verändern.
Der Satz stimmt. Er ist nur zu bequem.
Er sagt nicht, ob KI Geldwäsche besser erkennt oder nur mehr Alerts produziert. Er sagt nicht, ob ein Modell den Analysten entlastet oder seine Fallakte mit plausibel klingender Unsicherheit füllt. Er sagt nicht, ob ein System Verdacht prüfbarer macht oder nur die Black Box hübscher verpackt.
Genau dort liegt die eigentliche Frage.
AML braucht nicht einfach mehr Automatisierung. AML braucht bessere Evidenz.
Eine Evidenzmaschine fragt nicht nur: Ist diese Transaktion auffällig? Sie fragt: Welche Signale sprechen wofür? Welche Beziehungen tragen den Befund? Welche Quelle belegt welche Aussage? Welche Unsicherheit bleibt? Welche Entscheidung wurde von wem, wann, mit welchem Modell und welcher Begründung getroffen?
Das ist keine kosmetische Verbesserung. Das ist ein Architekturwechsel.
Vom Alert zur Evidenzmaschine
Die Grafik trennt fünf Ebenen, die im KI-Hype oft zusammenfallen: Signal, Beziehung, Hypothese, Beleg und Entscheidung. Erst wenn jede Ebene prüfbar bleibt, verbessert KI AML tatsächlich.
Der Alert war nie genug
Das klassische Transaction Monitoring ist auf Ereignisse gebaut.
Eine Zahlung ist groß. Eine Zahlung ist rund. Eine Zahlung liegt knapp unter einem Schwellenwert. Eine Zahlung geht in eine Risikojurisdiktion. Ein Kunde weicht von seinem Profil ab. Das System erzeugt einen Alert, ein Analyst prüft ihn, ein Case entsteht oder wird geschlossen.
Dieses Modell ist verständlich, auditierbar und historisch gewachsen. Es hat aber eine strukturelle Schwäche: Geldwäsche ist selten ein isoliertes Ereignis. Sie ist ein Beziehungsproblem.
Moderne Geldwäsche verteilt sich über Konten, Plattformen, Zahlungsdienstleister, Firmen, Wallets, Händler, Geräte, Adressen, Intermediäre, Jurisdiktionen und Zeitfenster. Sie nutzt gerade die Tatsache, dass jedes Institut nur einen Ausschnitt sieht. Sie lebt von Fragmentierung.
Ein einzelner Alert sieht oft nur ein Symptom. Der relevante Befund entsteht erst, wenn viele schwache Signale in Beziehung gesetzt werden. Genau hier beginnt der eigentliche Nutzen von KI: nicht als magischer Verdachtsgenerator, sondern als Werkzeug, um Beziehung, Kontext, Priorität und Begründung schneller und konsistenter sichtbar zu machen.
Das klingt nüchtern. Es ist aber radikaler als die übliche KI-Erzählung.
Was KI tatsächlich gut kann
KI kann Muster finden, die regelbasierte Systeme übersehen. Sie kann Kundenverhalten in Cluster einordnen, Abweichungen erkennen, Ähnlichkeiten zwischen Fällen berechnen, Texte strukturieren, Registerinformationen extrahieren, Entitäten normalisieren, Netzwerke priorisieren und Analysten durch große Datenräume führen.
Im besten Fall reduziert KI nicht nur manuelle Arbeit, sondern auch kognitive Reibung. Sie kann aus einem unübersichtlichen Fallraum eine Arbeitsfrage machen: Welche Gegenparteien sind neu? Welche Beziehung ist stark belegt und welche nur eine schwache Heuristik? Welche Quelle stützt die These? Welche Transaktion ist der Knotenpunkt im Muster? Welche Information fehlt vor einer Eskalation?
Das ist nützlich, weil AML-Teams nicht an zu wenig Daten leiden. Sie leiden an zu vielen schlecht verbundenen Daten.
Der Fortschritt liegt also nicht darin, dass KI mehr Signale produziert. Davon gibt es schon genug. Der Fortschritt liegt darin, Signale in prüfbare Evidenz zu übersetzen.
Was KI nicht kann
KI kann keine Verdachtsverantwortung übernehmen.
Sie kann nicht wissen, ob ein Treffer rechtlich tragfähig ist, wenn die Datenbasis schwach ist. Sie kann nicht aus Namensähnlichkeit Identität machen. Sie kann nicht aus gemeinsamer IP-Adresse gemeinsame Kontrolle machen. Sie kann nicht aus On-chain-Nähe wirtschaftliche Berechtigung machen. Sie kann nicht aus schöner Sprache eine belegte Fallthese machen.
Gerade generative KI verschärft dieses Risiko. Sie ist gut darin, Lücken sprachlich zu schließen. In AML ist genau das gefährlich.
Ein schlechter Agent produziert eine plausible Fallzusammenfassung, bevor klar ist, ob die Fakten tragen. Ein gutes System macht das Gegenteil: Es zeigt die Lücken, markiert Unsicherheit, trennt Quelle von Schlussfolgerung und zwingt die Fallthese zurück an die Belege.
Die kritische Einordnung lautet deshalb: KI ist in AML nicht deshalb riskant, weil sie zu wenig kann. Sie ist riskant, weil sie oft zu überzeugend klingt, bevor genug bewiesen ist.
Method Box: Der Beweiswert liegt in der Kante
Graph Analytics ist keine Nebentechnologie. Wenn Geldwäsche ein Beziehungsproblem ist, ist der Graph eine Grundform des Denkens.
Ein Graph verbindet Personen, Firmen, Konten, Wallets, Geräte, Adressen, Händler, Intermediäre, Transaktionen und Ereignisse. Er kann zeigen, ob viele kleine Zahlungen ein gemeinsames Muster bilden. Er kann sichtbar machen, ob ein Dienstleister wiederholt in auffälligen Strukturen auftaucht. Er kann helfen, Fan-in/Fan-out-Muster, Kreisbewegungen, Ketten und gemeinsame Infrastruktur zu erkennen.
Aber auch der Graph ist kein Urteil.
Eine Kante ist zunächst nur eine Kante. Sie braucht Bedeutung. “Gleiche Adresse” kann ein Briefkasten, ein Hochhaus, ein Dienstleister oder ein echter Kontrollhinweis sein. “Gleiche IP” kann ein Haushalt, ein VPN, ein Händlerterminal, ein öffentliches WLAN oder ein Koordinationssignal sein. “Gleiche Wallet-Exposition” kann direkte Kontrolle, indirekte Nähe oder bloße Heuristik bedeuten.
Der gute FinCrime-Graph speichert deshalb nicht nur Verbindung, sondern auch Herkunft, Zeit, Stärke, Unsicherheit und Begründung. Er macht Beziehungen nicht nur sichtbar. Er macht sie prüfbar.
Hier beginnt die Evidenzmaschine.
Privacy-Tech ist keine Bremse
Die stärksten AML-Muster liegen oft zwischen Institutionen.
Eine Bank sieht ihre Kunden. Ein Zahlungsdienstleister sieht seine Plattform. Eine Krypto-Börse sieht Wallets. Eine Behörde sieht Meldungen. Kein einzelner Akteur sieht das ganze Netzwerk. Geldwäscher nutzen diese zersplitterte Sicht.
BIS Project Aurora ist deshalb wichtig, weil es nicht einfach “mehr KI” testete, sondern eine andere Kooperationslogik: Privacy Enhancing Technologies, Machine Learning und Network Analysis in kollaborativen Analyseansätzen. Die Kernfrage lautet: Wie kann man Netzwerkintelligenz gewinnen, ohne Datenschutz, Informationssicherheit und Zweckbindung plattzuwalzen?
Das ist vermutlich eine der wichtigsten AML-Technologiefragen der nächsten Jahre.
Denn der einfache Ruf nach mehr Daten ist zu grob. Mehr Rohdaten können auch mehr Risiko, mehr Missbrauchspotenzial und mehr falsche Sicherheit bedeuten. Die bessere Frage lautet: Welche Information muss geteilt, gelernt oder abgefragt werden, damit ein Muster erkennbar wird, ohne dass alle Beteiligten unnötig alles sehen?
Privacy-Tech wird damit zur Voraussetzung ernsthafter AML-Innovation. Nicht zur Bremse.
Echtzeit ist keine Erlösung
Echtzeit-Zahlungen erhöhen den Druck.
Wenn Geld in Sekunden final ist, wird ein reines Nachhinein-Monitoring schwächer. Systeme müssen früher erkennen, priorisieren oder zumindest Signale erzeugen. BIS Project Hertha hat untersucht, wie moderne KI-Techniken helfen können, Finanzkriminalitätsmuster in Echtzeit-Zahlungssystemen zu erkennen. Interessant ist dabei vor allem die Nüchternheit: Payment-System-Analytics kann ein wertvolles Zusatzwerkzeug sein, insbesondere für neue Muster. Gleichzeitig bleiben gelabelte Trainingsdaten, Feedback-Loops, Erklärbarkeit sowie rechtliche und praktische Fragen zentral.
Das ist die richtige Lehre.
Echtzeit-Scoring allein löst kein AML-Problem. Es verlagert nur Verantwortung nach vorne. Wenn ein System in Echtzeit ein Signal erzeugt, muss klar sein, was dieses Signal bedeutet. Blockiert es eine Zahlung? Priorisiert es einen Review? Wird es nur protokolliert? Wer darf es sehen? Wie wird ein False Positive korrigiert? Wie fließt menschliches Feedback zurück?
Ohne diese Governance entsteht kein intelligenteres AML-System. Es entsteht ein schnelleres Alert-System.
Agentic AI sitzt gefährlich nah an der Fallakte
Agentic AI ist im Moment der lauteste Begriff im Markt.
Die Versprechen sind attraktiv: Agenten suchen Quellen, lesen Register, extrahieren Namen, prüfen Gegenparteien, vergleichen frühere Fälle, bauen Timelines, schreiben SAR-Entwürfe und schlagen nächste Schritte vor. Für AML-Teams kann das realen Nutzen haben, weil viel Arbeitszeit in Recherche, Normalisierung und Dokumentation verschwindet.
Aber Agenten sitzen gefährlich nah an der Fallakte.
Wenn ein Agent einen Sachverhalt formuliert, klingt er schnell wie ein Befund. Wenn er eine Verbindung erwähnt, wirkt sie schnell wie ein Beleg. Wenn er einen SAR-Entwurf schreibt, kann die Sprache die Unsicherheit glätten. Genau dort muss das System streng sein.
Ein brauchbarer FinCrime-Agent sollte nicht autonom urteilen. Er sollte Quellen sammeln und verlinken, Entitäten normalisieren, ohne Identität zu behaupten, Hypothesen klar von Fakten trennen, fehlende Belege markieren, jeden Vorschlag protokollieren und menschliche Entscheidungen sichtbar lassen.
Der Agent ist nicht der Ermittler. Er ist ein Werkzeug im Beweisfluss.
Stablecoins zeigen den nächsten Prüfstand
Stablecoins zeigen, dass neue AML-Technologie nicht nur im Bankenkern entsteht.
Die FinCEN/OFAC-Initiative zum GENIUS Act macht Payment Stablecoin Issuers zu relevanten Trägern von AML/CFT- und Sanktionspflichten. Damit wächst zusammen, was lange getrennt diskutiert wurde: Zahlungsinfrastruktur, Tokenisierung, Sanktionen, On-chain-Analytics und klassische Compliance.
Blockchain-Analytics kann viel leisten: Wallet-Clustering, Exposure zu sanktionierten Adressen, Mixer-Risiken, Cross-Chain-Brücken, On-/Off-Ramp-Verhalten, Typologien über Zeit. Aber auch hier gilt die gleiche Regel: Ein Signal ist kein Kunde. Eine Wallet ist keine Person. Eine Heuristik ist kein Beweis.
Die Evidenzmaschine muss deshalb On-chain- und Off-chain-Welt sauber verbinden. Wallet, Entität, Kunde, Plattform, Gerät, Transaktion, Gegenpartei, Risikosignal und Zuordnungsgrad dürfen nicht in einem einzigen Risikoscore verschwinden. Sie müssen als unterscheidbare Bausteine erhalten bleiben.
Sonst wird aus Transparenz eine Black Box.
Die Aufsicht fragt nicht nach dem Tool, sondern nach Wirkung
Die regulatorische Richtung passt zu diesem Befund.
FATF beschreibt neue Technologien als Chance, AML/CFT schneller, genauer, zeitnäher und umfassender zu machen, betont aber zugleich Verantwortung, Datenschutz, risikobasierten Einsatz und Aufsicht. FinCENs 2026er Reformvorschlag verschiebt den Akzent ebenfalls: weg von bloßer Papiermenge, hin zu wirksamen, risikobasierten und vernünftig designten Programmen. Ressourcen sollen stärker auf höhere Risiken gelenkt werden.
Das ist keine pauschale Einladung, überall KI einzubauen.
Wichtig ist auch die rechtliche Präzision: Weder das EU-AML-Paket noch der AI Act machen KI im AML-Programm pauschal zur Pflicht. Gefordert ist ein wirksames, risikobasiertes und angemessen kontrolliertes Programm. Ebenso wenig ist jedes AML- oder Fraud-System unter dem AI Act automatisch ein Hochrisiko-KI-System; die Verordnung nimmt bestimmte Betrugs- und AML-nahe administrative Nutzungen ausdrücklich anders ein als etwa Kreditwürdigkeitsentscheidungen oder Strafverfolgungssysteme. Für Institute bleibt der Punkt trotzdem praktisch scharf: Governance, Dokumentation, Datenschutz, Modellkontrolle und menschliche Verantwortlichkeit verschwinden nicht, nur weil eine Anwendung nicht unter die engste Hochrisiko-Schublade fällt.
Es ist eine strengere Frage: Kann ein Institut zeigen, dass seine Technologie das Programm wirksamer macht? Kann es erklären, warum ein Modell eingesetzt wird? Kann es messen, ob Alerts besser werden? Kann es belegen, dass Analysten nicht nur schneller, sondern richtiger arbeiten? Kann es zeigen, welche Risiken reduziert und welche neuen Risiken erzeugt wurden?
Die Aufsicht der nächsten Jahre wird sich nicht mit dem Satz zufriedengeben: “Wir nutzen KI.”
Sie wird fragen: “Was beweist Ihre KI?”
Das Missverständnis des Marktes
Der Markt verkauft KI oft als Entlastung.
Weniger manuelle Arbeit. Weniger False Positives. Schnellere Reviews. Bessere SARs. Mehr Automatisierung. Das ist nicht falsch. Aber es ist nur der operative Teil.
Die wichtigere Frage ist epistemisch: Wie entsteht Wissen im AML-System?
Ein Alert ist noch kein Wissen. Ein Score ist noch kein Wissen. Eine Zusammenfassung ist noch kein Wissen. Wissen entsteht erst, wenn ein Signal mit Kontext, Quelle, Modellannahme, Gegenprüfung und Entscheidung verbunden wird.
Darum ist der Begriff Evidenzmaschine so wichtig. Er verschiebt die Aufmerksamkeit von der Automatisierung zur Begründbarkeit.
Die kritische These
KI wird AML verändern. Aber nicht so, wie es viele Präsentationen erzählen.
Sie wird AML nicht dadurch verändern, dass sie Analysten ersetzt. Sie wird AML auch nicht dadurch verändern, dass sie jeden Alert automatisch richtig bewertet. Sie wird AML verändern, wenn sie fünf Aufgaben erfüllt:
- Sie verbindet Einzelereignisse zu erklärbaren Beziehungen.
- Sie macht Quellen, Unsicherheit und Begründungen sichtbar.
- Sie unterstützt kollaborative Mustererkennung ohne naive Datensammelwut.
- Sie beschleunigt Fallarbeit, ohne menschliche Verantwortung zu verdecken.
- Sie erzeugt Observability: ein Protokoll darüber, wie ein Verdacht technisch und fachlich entstanden ist.
Das ist anspruchsvoller als ein Chatbot im Case-Management. Es ist aber auch nützlicher.
Der gefährlichste Weg wäre, KI in alte AML-Prozesse zu kippen. Dann bekommt man schnellere Alerts, schönere Falltexte und größere Black Boxes. Der bessere Weg ist, den Prozess neu zu bauen: vom Signal zur Beziehung, von der Beziehung zur Hypothese, von der Hypothese zum Beleg, vom Beleg zur Entscheidung.
Erst dann wird aus KI im AML-Kontext mehr als ein Effizienzversprechen.
Dann wird sie Teil einer Evidenzmaschine.
Und genau dort liegt die eigentliche Veränderung.
Redaktionskasten: Was belegt ist und was noch geprüft werden muss
Belegt durch Primär- und Institutionenquellen
- FATF beschreibt neue Technologien als Mittel, AML/CFT schneller, genauer, zeitnäher und umfassender zu machen, sofern sie verantwortungsvoll und risikobasiert eingesetzt werden.
- BIS Project Aurora testete Privacy Enhancing Technologies, Machine Learning und Network Analysis in kollaborativen AML-Analyseansätzen.
- BIS Project Hertha testete moderne KI-Techniken für Finanzkriminalitätsmuster in Echtzeit-Zahlungssystemen und betont zugleich Grenzen, Feedback-Loops und Erklärbarkeit.
- FinCENs 2026er Reformvorschlag stellt Wirksamkeit, risikobasiertes Design und Ressourcenfokus auf höhere Risiken in den Mittelpunkt.
- FinCEN/OFACs GENIUS-Act-Vorschlag behandelt Payment-Stablecoin-Issuer als relevante AML/CFT- und Sanktions-Compliance-Subjekte.
- Der EU AI Act macht AML-KI nicht pauschal zum Hochrisiko-System; je nach Einsatzkontext bleiben aber Transparenz, Governance, Datenschutz und menschliche Kontrolle entscheidend.
Nicht behauptet
- KI ersetzt keine Verdachtsverantwortung.
- KI ist keine pauschale regulatorische Pflicht.
- Ein Graph beweist keine Identität.
- Ein Agent ersetzt keine redaktionelle oder fachliche Prüfung.
- On-chain-Nähe ist nicht automatisch wirtschaftliche Kontrolle.
Quellen
- FATF: Opportunities and Challenges of New Technologies for AML/CFT: https://www.fatf-gafi.org/en/publications/Digitaltransformation/Opportunities-challenges-new-technologies-for-aml-cft.html
- BIS Innovation Hub: Project Aurora: https://www.bis.org/publ/othp66.htm
- BIS Innovation Hub: Project Hertha: https://www.bis.org/publ/othp96.htm
- FinCEN: Proposed Rule to Fundamentally Reform Financial Institution AML/CFT Programs: https://www.fincen.gov/news/news-releases/fincen-proposes-rule-fundamentally-reform-financial-institution-programs
- FinCEN/OFAC: GENIUS Act proposed rule for payment stablecoin issuers: https://www.fincen.gov/news/news-releases/treasury-proposes-rule-implement-genius-acts-requirements-counter-illicit
- European Commission AI Act Service Desk: Recital 58 and Recital 59: https://ai-act-service-desk.ec.europa.eu/en/ai-act/recital-58
