Einsatz von Artificial Intelligence zur Bekämpfung der Geldwäsche in Kreditinstituten

Inhaltsverzeichnis

1 EINFÜHRUNG

1.1 PROBLEMSTELLUNG UND MOTIVATION

1.2 ZIELSETZUNG UND ABGRENZUNG

1.3 AUFBAU DER ARBEIT

2 BEKÄMPFUNG DER GELDWÄSCHE IN KREDITINSTITUTEN

2.1 THEORETISCHE GRUNDLAGEN

2.1.1 DEFINITION, HINTERGRUND UND ZIELE

2.1.2 DREI-PHASEN-MODELL DER GELDWÄSCHE

2.1.3 RECHTLICHE BESTIMMUNGEN

2.2 RISIKOMANAGEMENT

2.2.1 RISIKOANALYSE

2.2.2 INTERNE SICHERUNGSMAßNAHMEN

2.3 PRÄVENTIONSMETHODEN

2.3.1 KYC-PRINZIP

2.3.2 KONTO- UND TRANSAKTIONSÜBERWACHUNG

2.3.3 VERDACHTSMELDUNG

2.4 IT-BASIERTE AML-LÖSUNGEN

2.5 GRENZEN GEGENWÄRTIGER AML-VERFAHREN

3 KÜNSTLICHE INTELLIGENZ IM KONTEXT VON AML

3.1 VERSUCH EINER DEFINITION

3.2 MEILENSTEINE DER ENTWICKLUNG KÜNSTLICHER INTELLIGENZ

3.3 ZENTRALE CHARAKTERISTIKA

3.4 ANWENDUNGSFELDER DER KI-SYSTEME BEI DER GELDWÄSCHEBEKÄMPFUNG

3.5 GRENZEN DER KI-TECHNOLOGIE

4 EMPIRISCHE FORSCHUNGSMETHODE

4.1 UNTERSUCHUNGSFRAGESTELLUNG

4.2 AUSWAHL UND BESCHREIBUNG DER ERHEBUNGSMETHODE

4.2.1 QUALITATIVE EXPERTENINTERVIEWS ALS INSTRUMENT ZUR DATENERHEBUNG

4.2.2 EXPERTENAUSWAHL UND INHALTLICHE REPRÄSENTATIVITÄT

4.2.3 AUFBAU DES INTERVIEWLEITFADENS

4.2.4 DURCHFÜHRUNG DER EXPERTENINTERVIEWS

4.2.5 TRANSKRIPTION IN DER QUALITATIVEN FORSCHUNG

4.3 AUSWERTUNGSMETHODE NACH DER QUALITATIVEN INHALTSANALYSE

4.3.1 BESTIMMUNG DES AUSGANGSMATERIALS

4.3.2 FRAGESTELLUNG DER QUALITATIVEN ANALYSE

4.3.3 ABLAUFMODELL DER QUALITATIVEN ANALYSE

4.3.4 GÜTEKRITERIEN QUALITATIVER SOZIALFORSCHUNG

4.3.5 AUSWERTUNG DER ERHOBENEN DATEN

4.3.5.1 EINSATZBEREICHE DER KI-TECHNOLOGIE

4.3.5.2 KOSTENERSPARNISSE DURCH DIE KI-TECHNOLOGIE

4.3.5.3 RISIKEN DER KI-TECHNOLOGIE

4.3.5.4 CHANCEN DER KI-TECHNOLOGIE

5 INTERPRETATION DER ERGEBNISSE

5.1 ZUSAMMENFASSENDE BETRACHTUNG

5.2 BEANTWORTUNG DER WISSENSCHAFTLICHEN FRAGESTELLUNG

5.3 HANDLUNGSEMPFEHLUNGEN

6 FAZIT UND AUSBLICK

Zielsetzung & Themen der Arbeit

Die vorliegende Masterarbeit untersucht die Wirksamkeit und Machbarkeit des Einsatzes von Technologien der künstlichen Intelligenz (KI) in der Geldwäschebekämpfung (Anti-Money-Laundering, kurz AML) innerhalb von Kreditinstituten, um bestehende Defizite traditioneller regelbasierter IT-Systeme zu adressieren und die Effizienz bei der Identifizierung verdächtiger Transaktionsmuster zu steigern.

• Kritische Analyse der Limitationen konventioneller, regelbasierter AML-IT-Systeme.
• Untersuchung der Potenziale verschiedener KI-Methoden zur Optimierung von Detektionsprozessen.
• Qualitative empirische Untersuchung durch Experteninterviews mit Branchenvertretern aus den Bereichen Informationstechnologie, Beratung und Compliance.
• Erarbeitung von Handlungsempfehlungen für das Management von Kreditinstituten zur Implementierung KI-gestützter AML-Strategien.

Auszug aus dem Buch

Zusammenfassung der Kapitel

1 EINFÜHRUNG: Dieses Kapitel motiviert die Themenstellung, führt in die Problematik der Geldwäsche ein und definiert das Forschungsziel sowie die wissenschaftliche Fragestellung.

2 BEKÄMPFUNG DER GELDWÄSCHE IN KREDITINSTITUTEN: Hier werden die theoretischen Grundlagen der Geldwäscheprävention, regulatorische Anforderungen sowie die Funktionsweise aktueller AML-Systeme und deren systemimmanente Schwächen erörtert.

3 KÜNSTLICHE INTELLIGENZ IM KONTEXT VON AML: Das Kapitel erläutert die Grundlagen der künstlichen Intelligenz, ihre Meilensteine und diskutiert das Potenzial zur Beseitigung von Defiziten in der Geldwäschebekämpfung.

4 EMPIRISCHE FORSCHUNGSMETHODE: Hier wird das methodische Forschungsdesign, insbesondere die Durchführung und Auswertung qualitativer Experteninterviews, detailliert dargelegt.

5 INTERPRETATION DER ERGEBNISSE: Dieses Kapitel reflektiert kritisch die Methodik, beantwortet die Forschungsfragen auf Basis der gewonnenen Expertenmeinungen und spricht Handlungsempfehlungen aus.

6 FAZIT UND AUSBLICK: Den Abschluss bildet eine zusammenfassende Betrachtung der Untersuchungsergebnisse sowie ein Ausblick auf zukünftige Entwicklungen im Bereich der KI-gestützten Geldwäschebekämpfung.

Schlüsselwörter

Geldwäsche, Geldwäschebekämpfung, Kreditinstitute, Künstliche Intelligenz, KI, Machine Learning, AML, Anti-Money-Laundering, Compliance, False Positives, Risikoanalyse, Experteninterviews, Qualitätssicherung, Transaktionsüberwachung, Regulatorik.

Häufig gestellte Fragen

Worum geht es in dieser Arbeit grundsätzlich?

Die Arbeit befasst sich mit dem Einsatz von Künstlicher Intelligenz als ergänzende oder optimierende Technologie bei der Bekämpfung von Geldwäsche in Banken.

Welche zentralen Themenfelder werden bearbeitet?

Zentrale Felder sind die Schwächen aktueller regelbasierter AML-Systeme, die technischen Grundlagen der KI (insbesondere Machine Learning) und die regulatorischen Rahmenbedingungen im Finanzsektor.

Was ist das primäre Ziel der Arbeit?

Das primäre Ziel ist es, zu untersuchen, ob KI-Technologien helfen können, Geldwäschemuster effizienter zu erkennen als bisherige IT-Systeme und dabei die Fehlerquoten (Fehlalarme) zu reduzieren.

Welche wissenschaftliche Methode wurde verwendet?

Es wurde ein qualitativer Forschungsansatz gewählt, der eine Literaturanalyse mit leitfadengestützten Experteninterviews aus der IT-, Beratungs- und Compliance-Branche kombiniert.

Was wird im Hauptteil der Arbeit behandelt?

Der Hauptteil gliedert sich in theoretische Grundlagen zu Geldwäsche und KI, die Beschreibung des Forschungsdesigns sowie die ausführliche Auswertung der Experteninterviews.

Welche Schlüsselbegriffe charakterisieren die Arbeit?

Wichtige Begriffe sind AML (Anti-Money-Laundering), Künstliche Intelligenz, Machine Learning, False Positives, Risikoanalyse und regulatorische Compliance.

Warum stoßen derzeitige IT-Systeme in Banken an ihre Grenzen?

Aktuelle Systeme basieren auf starren, vordefinierten Regeln, die oft zu einer hohen Anzahl von „Fehlalarmen“ führen und nicht dynamisch auf neue, komplexe Geldwäschemethoden reagieren können.

Welche Rolle spielt die "Nachvollziehbarkeit" (Explainability) von KI-Entscheidungen?

Da Banken streng reguliert sind, fordern Aufsichtsbehörden wie die BaFin, dass KI-Modelle keine "Black Box" bleiben, sondern dass deren Entscheidungswege nachvollziehbar und erklärbar sind.