Viele Treffer, wenig Risiko: warum die Sanktionsprüfung KI braucht

Viele Treffer, wenig Erkenntnis

Eine Sanktionsprüfung, die vor allem Namen abgleicht, erzeugt eine Flut an Fehltreffern, von denen die meisten harmlos sind. Jeder einzelne muss trotzdem geprüft werden, und genau dort bindet die Compliance ihre Kapazität. Ein reiner Namensabgleich erzeugt Trefferflut statt Sicherheit: Wirksames Screening bewertet Kontext statt Zeichenketten, hebt die wenigen echten Risiken aus der Masse heraus und lässt die Letztentscheidung beim Menschen, nachvollziehbar begründet.

Hinzu kommt, dass sich die Risikolage verschiebt. Die Aufsicht beobachtet zunehmend Versuche, Sanktionen über Umwege zu umgehen, und solche Konstruktionen fallen in einem reinen Namensabgleich gar nicht auf.

Warum erstickt klassisches Screening an seiner Trefferflut?

Weil Ähnlichkeit noch kein Risiko ist. Sanktionslisten etwa der EU, der Vereinten Nationen oder der USA ändern sich laufend, und Namen tauchen in zahllosen Schreibweisen und Transliterationen auf. Ein reiner Abgleich schlägt deshalb bei jeder Ähnlichkeit an, vom Allerweltsnamen bis zur zufälligen Übereinstimmung. Das Ergebnis sind Fehltreffer in großer Zahl, die manuell abgearbeitet werden, während relevante Fälle im Rauschen untergehen.

Mehr Treffer bedeuten hier nicht mehr Sicherheit. Je höher die Last an Fehltreffern, desto größer die Gefahr, dass Prüferinnen und Prüfer unter Zeitdruck auch einen echten Treffer zu schnell schließen. Die Qualität der Prüfung sinkt mit der Menge.

Welche Risiken sieht die BaFin bei Sanktionen?

Vor allem Umgehungsgeschäfte. Im Bericht „Risiken im Fokus 2026“ beschreibt die BaFin, dass Verschleierungsstrukturen den wirtschaftlichen Hintergrund, länderspezifische Risiken oder die Identität des wirtschaftlich Berechtigten verbergen. Handelsströme verlagern sich in Länder, die geografisch nahe an sanktionierten Staaten liegen; wer Handel mit solchen Anrainerstaaten finanziert, muss besonders darauf achten, dass keine Sanktionen umgangen werden. Mit dem erneuten Inkrafttreten der Iran-Sanktionen im September 2025 hat sich laut BaFin das Risiko von Umgehungsgeschäften bei Transaktionen mit Iran-Bezug deutlich erhöht.

Als bekannte Methoden nennt die BaFin Phantomhandel, also die Abrechnung nie gelieferter Waren, Preismanipulation durch Über- oder Unterfakturierung und die Zwischenschaltung von Gesellschaften ohne plausiblen Grund. Die Empfehlung der Aufsicht: interne Sicherungsmaßnahmen und Monitoring-Systeme überprüfen, an aktuelle Risikoszenarien anpassen und die wirtschaftlichen Hintergründe von Geschäften plausibilisieren. Bei der Prüfung vor Aufnahme einer Kundenbeziehung nennt sie zudem ein sogenanntes Adverse Media Screening, also die Auswertung negativer Medienberichte. Für 2026 kündigt die BaFin mindestens 75 Sonderprüfungen im Banken- und Nichtbankenbereich an, bei Banken mit Schwerpunkt auf der Kunden-Risikoklassifizierung.

Was macht KI im Screening besser?

KI bewertet Kontext statt Zeichen. Ein KI-gestütztes System bezieht neben dem Namen weitere Merkmale ein, etwa Geburtsdatum, Land, Rolle und bekannte Verbindungen, und löst auf, ob zwei Einträge dieselbe Person oder Gesellschaft meinen. Aus einem binären Treffer wird ein Risikowert, der die Bearbeitung priorisiert. Die Prüfenden wenden ihre Zeit dort auf, wo tatsächlich ein Risiko liegt.

Darüber hinaus kann KI Muster erkennen, die ein Listenabgleich nicht sieht: ungewöhnliche Lieferwege, Preise, die nicht zur Ware passen, oder Gesellschaften, die ohne erkennbaren Zweck zwischengeschaltet sind. Genau diese Muster beschreibt die BaFin bei Umgehungsgeschäften. Dieselbe Logik trägt in der Geldwäscheprävention, in der dieselbe Trefferflut auftritt, wie der Beitrag zur EU-AML-Verordnung 2027 zeigt.

Wo verläuft die Grenze für die Maschine?

Bei der Entscheidung über einen Treffer. Sanktionsverstöße dulden keine Maschine, die unbeaufsichtigt durchwinkt. Was zählt, ist die Nachvollziehbarkeit: Warum wurde ein Treffer verworfen, und auf welcher Grundlage? Ein System, das Treffer ohne Begründung aussortiert, schafft kein Vertrauen, sondern ein neues Risiko.

Die BaFin erwartet, dass Ergebnisse von KI-Systemen je nach Einsatzzweck und Risikogehalt erklärbar und überprüfbar sind. Für Modelle in Prozessen des Risikomanagements gilt zudem das MaRisk-Modul AT 4.3.5, das ausdrücklich auch künstliche Intelligenz erfasst und Validierung, Regeln für Überschreibungen und hinreichende Erklärbarkeit verlangt. Wie generative KI in der Compliance sauber eingebettet wird, beschreibt der Beitrag zur GenAI-Governance; wie sich Betrugsmuster durch KI verändern, der Beitrag zu KI-gestütztem Betrug.

Warum entscheidet die Datenbasis über den Erfolg?

Weil ein Screening nur so gut ist wie die Kundendaten, auf denen es beruht. In der Umfrage „Finanzdienstleistungen und Versicherungen 2025“ von Dun & Bradstreet geben in Deutschland 34 Prozent der Banken und Finanzunternehmen und 48 Prozent der Versicherer an, bereits KI-Projekte erlebt zu haben, die an schlechter Datenqualität gescheitert sind. Unvollständige Stammdaten, fehlende Geburtsdaten oder uneinheitliche Schreibweisen machen jede Kontextbewertung schwächer.

Dazu kommen klare Regeln, dokumentierte Entscheidungen und laufendes Monitoring der Trefferqualität. Mit der neuen europäischen Geldwäschebehörde wächst der Druck auf saubere, nachweisbare Prozesse weiter, wie der Beitrag zur AMLA beschreibt. Welche Schwerpunkte die BaFin in der Geldwäscheaufsicht 2026 setzt, zeigt der Beitrag zur Geldwäscheaufsicht der BaFin 2026.

Wie lässt sich der Nutzen belegen?

Mit wenigen Kennzahlen und einer Ausgangsmessung. Vor der Einführung einer KI-Komponente wird festgehalten, wie hoch der Anteil der Fehltreffer ist, wie lange die Bearbeitung eines Treffers dauert und wie oft Zahlungen wegen offener Treffer verzögert werden. Dieselben Werte werden nach der Einführung erneut erhoben.

Bewährt hat sich ein Parallelbetrieb: Alte und neue Logik laufen eine Zeit lang nebeneinander, und Abweichungen werden fachlich geprüft, bevor die neue Logik führend wird. So lässt sich belegen, dass kein echter Treffer verloren geht, und die Validierung des Modells erhält eine belastbare Grundlage für Revision und Aufsicht.

Was das Management jetzt veranlassen sollte

Fünf Schritte machen die Sanktionsprüfung präziser und prüffest:

1. Trefferqualität messen: Anteil der Fehltreffer, Bearbeitungszeit und Zahl echter Treffer regelmäßig erheben.

2. Stammdaten bereinigen: fehlende Merkmale wie Geburtsdatum, Land und wirtschaftlich Berechtigte gezielt ergänzen.

3. Kontext einbeziehen: Screening um Merkmalsabgleich, Risikowerte und Muster für Umgehungsgeschäfte erweitern.

4. Entscheidung beim Menschen halten: jede Schließung eines Treffers begründen und dokumentieren lassen.

5. Modell validieren: KI-Komponenten wie andere Modelle prüfen, überwachen und nachvollziehbar halten.

Häufige Fragen

Warum erzeugt die Sanktionsprüfung so viele Fehltreffer?
Weil reine Namensabgleiche bei jeder Ähnlichkeit anschlagen, etwa bei häufigen Namen oder unterschiedlichen Transliterationen, ohne weitere Merkmale wie Geburtsdatum oder Land zu berücksichtigen.

Darf KI über Sanktionstreffer entscheiden?
KI sollte priorisieren und begründen, die Entscheidung über einen Treffer bleibt beim Menschen. Erklärbarkeit und Dokumentation sind dabei zentrale Erwartungen der Aufsicht.

Worauf achtet die BaFin bei Sanktionen derzeit besonders?
Auf Umgehungsgeschäfte, etwa über Anrainerstaaten sanktionierter Länder, Phantomhandel oder Preismanipulation, und auf angepasste Monitoring-Systeme.

Weitere Beiträge zu Geldwäscheprävention, Aufsicht und digitaler Resilienz bündelt das Dossier Regulierung & Resilienz.

Wie viel Kapazität die eigene Sanktionsprüfung bindet, zeigt oft schon eine Zahl: der Anteil der Treffer, die nach Prüfung als harmlos geschlossen werden. Wir freuen uns auf ein erstes Gespräch darüber.