Eine Build-Buy-Partner-Entscheidung für eine zentrale KI-Fähigkeit treffen

# Eine Build-Buy-Partner-Entscheidung für eine zentrale KI-Fähigkeit treffen

Eine mittelgroße US-Bank (rund 30 Milliarden Dollar Bilanzsumme) steht vor einer Deadline. Ihr System zur AML-Transaktionsüberwachung (AML, Anti-Money Laundering, das Regulierungsregime, das Banken verpflichtet, verdächtige Finanzaktivitäten zu erkennen und zu melden) ist neun Jahre alt, produziert False Positives in einem Ausmaß, das die Compliance-Mitarbeiter als „nicht mehr beherrschbar" beschreiben, und eine kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →ürzliche Aufsichtsprüfung hat Lücken in der Modelldokumentation festgestellt. Der CIO hat drei Optionen auf dem Tisch: ein neues System intern mit dem Data-Science-Team der Bank aufbauen, eine Anbieterplattform einkaufen oder gemeinsam mit einem Fintech-Partner entwickeln. Der Vorstand will in sechs Wochen eine Empfehlung. Genau diese Entscheidung kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen Sie nach dieser Lektion führen.

Warum diese Entscheidung schwieriger ist, als sie aussieht

Die AML-Transaktionsüberwachung nutzt KI/ML (Machine Learning), um Transaktionen auf verdächtige Aktivitäten zu scoren, und ersetzt oder ergänzt statische Regeln („jede Überweisung über 10.000 Dollar markieren") durch Pattern Detection, die sich an neue Methoden der Geldwäsche anpasst.

Das Risiko geht in beide Richtungen. Erkennen Sie zu wenig, drohen aufsichtsrechtliche Sanktionen unter dem Bank Secrecy Act (BSA, das zentrale US-AML-Gesetz) und MaMaUsing software to automate repetitive marketing tasks and campaigns, enabling personalisation at scale across channels like email, web, and social.Vollständige Definition ansehen →ßnahmen von FinCEN (Financial Crimes Enforcement Network) oder, in Europa, von nationalen Aufsichtsbehörden, die die EU-Geldwäscherichtlinien anwenden. Erkennen Sie zu viel, ertrinken Ihre Ermittler in False Positives; Branchenschätzungen nennen häufig False-Positive-Raten über 90 % für regelbasierte Legacy-Systeme, eine Annäherung, die man als Richtungsangabe und nicht als exakten Wert behandeln sollte.

Das ist keine generische Entscheidung über „KI-Adoption". Es geht um ein System, das innerhalb einer stark geprüften Compliance-Funktion mit hoher Haftung sitzt. Das verändert die Rechnung gegenüber etwa der Einführung eines KI-Tools für Marketingtexte.

Die drei Wege, ehrlich bewertet

Intern aufbauen

Sie behalten die volle Kontrolle über das Modell, die Data PipelineData PipelineETL (Extract, Transform, Load) is a data integration process that pulls data from sources, reshapes it into a consistent format, and writes it into a target system.Vollständige Definition ansehen → und die Logik, was zählt, wenn die Aufsicht fragt: „Warum hat das Modell diese Transaktion markiert?" (eine Anforderung, die häufig als Model Explainability bezeichnet wird).

Die Kosten sind real und laufend: Data Scientists, ML Engineers, MLOpsMLOpsMachine Learning Operations: combining ML and DevOps practices to industrialise, deploy, monitor, and retrain models reliably in production.Vollständige Definition ansehen →-Infrastruktur und, entscheidend, das Compliance- und Validierungspersonal, das nötig ist, um das Modell nach aufsichtlichen Vorgaben wie SR 11-7 der Federal Reserve zum Model Risk Management zu dokumentieren. Die meisten mittelgroßen Banken unterschätzen diesen zweiten Kostenblock.

Build ist sinnvoll, wenn Sie über ein differenzierendes Datenasset verfügen (eine wirklich ungewöhnliche Kundenbasis oder Transaktionsstruktur) oder wenn Standardmodelle bei Ihrem Segment schlecht abschneiden. Als erster Schritt für eine mittelgroße Bank mit schmalem Data-Science-Team ist es selten die richtige Wahl.

Eine Plattform einkaufen

Anbieter wie NICE Actimize, Oracle Financial Services, SAS und Feedzai verkaufen AML-Plattformen mit vortrainierten Detektionsmodellen, Case-Management-Workflows und, besonders wichtig, vorgefertigtem regulatorischem Reporting.

Der Vorteil ist die Geschwindigkeit bis zur Compliance und die geteilte Last der Modellvalidierung, da diese Anbieter bereits mehrere Bankenprüfungen durchlaufen haben. Der Nachteil ist der Fit: Ein Anbietermodell, das über hunderte Institute hinweg trainiert wurde, erkennt möglicherweise keine Muster, die für Ihre Kundenbasis spezifisch sind (eine Bank mit Schwerpunkt Trade Finance oder Korrespondenzbankgeschäft hat andere Risikomuster als eine retaillastige Bank).

Buy bedeutet außerdem Vendor-Lock-in-Risiko und weniger Transparenz über die Modellinterna, was das Erklären von Entscheidungen gegenüber Prüfern erschweren kann. Sie sind compliant, aber abhängig.

Partnerschaft oder Co-Development mit einem Fintech

Dieser hybride Weg (die Bank liefert Daten und Compliance-Expertise, ein Fintech liefert ML Engineering und eine leichtgewichtigere Plattform) wird für Fähigkeiten wie Alert Triage und Transaction Scoring immer häufiger, wo Firmen wie Hawk AI oder ThetaRay tätig sind.

Eine Partnerschaft kann fachlichen Fit mit schnellerer Iteration als beim Build und mehr Customizing als beim Buy verbinden. Der Haken: Governance. Wem gehört die Modelldokumentation, wenn die Aufsicht fragt? Wer haftet, wenn das Modell einen Sanktionstreffer übersieht? Das muss vertraglich geregelt sein, nicht unterstellt.

Ein wiederholbares Scoring-Framework

Bewerten Sie jede Option von 1 bis 5 auf diesen Dimensionen, gewichtet nach dem, was für Ihr Institut am wichtigsten ist:

| Dimension | Was zu fragen ist |

|---|---|

| Regulatorische Belastbarkeit | KKThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen Sie eine Modelldokumentation vorlegen, die ein Prüfer akzeptiert? |

| Data Fit | Funktioniert das Modell bei Ihrem tatsächlichen Kunden-/Transaktionsmix, nicht am Benchmark eines Anbieters? |

| Zeit bis zur Compliance | Lässt sich das vor dem nächsten Prüfungszyklus validieren und live bringen? |

| Total Cost of Ownership | Lizenz-/Build-Kosten plus der Schwanz aus Compliance, Validierung und Wartung |

| Talentabhängigkeit | Haben Sie (oder kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen Sie halten) das Personal, um das zu betreiben, welchen Weg Sie auch wählen? |

| Explainability | KKThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen Sie einen konkreten Alert auf die Features zurückverfolgen, die ihn ausgelöst haben? |

Für den AML-Fall: Wenn sich der Prüfungsbefund auf Dokumentationslücken bezog, sollten regulatorische Belastbarkeit und Explainability das größte Gewicht tragen, was oft auf Buy oder Partner hindeutet, wo Anbieter prüfungserprobte Dokumentation mitbringen, und nicht auf Build, wo die Bank diese Last von Null an übernimmt.

Eine kleine Beispielrechnung

Angenommen, das aktuelle System der Bank erzeugt 100.000 Alerts pro Jahr, bei einer False-Positive-Rate von 90 % (eine branchenübliche Schätzung, als Näherung zu behandeln), und jeder Alert kostet einen Analysten 20 Minuten Prüfzeit.

• Aktuelle Analystenstunden: 100.000 × 20 Minuten = 33.333 Stunden/Jahr
• Bei vollbelasteten Kosten eines Compliance-Analysten von rund 60 Dollar/Stunde (eine plausible US-Schätzung für 2026, nicht anbieterspezifisch) sind das etwa 2 Millionen Dollar/Jahr allein für die Prüfarbeit.

Wenn ein neues KI-gestütztes System (Build, Buy oder Partner) die False Positives auf 70 % senkt und dabei dieselben True Positives erfasst, sinkt das zu prüfende Alert-Volumen proportional: von rund 100.000 auf etwa 70.000 relevante Alerts, was knapp 10.000 Analystenstunden oder rund 600.000 Dollar/Jahr spart.

Stellen Sie diese Ersparnis den Kosten jedes Wegs über einen Horizont von 3 Jahren gegenüber (Anbieterlizenzen liegen für mittelgroße Banken typischerweise im hohen sechs- bis niedrigen siebenstelligen Bereich pro Jahr, Build-Kosten konzentrieren sich vorne auf Talent und Infrastruktur, Partnerkosten sind üblicherweise eine Mischung). Der ROIROIReturn on Investment: the ratio of net profit to the cost of an investment. A 300% ROI means each dollar invested returns $3.Vollständige Definition ansehen →-Case (Return on InvestmentReturn on InvestmentReturn on Investment: the ratio of net profit to the cost of an investment. A 300% ROI means each dollar invested returns $3.Vollständige Definition ansehen →) trägt nur, wenn Sie den Compliance- und Validierungsschwanz mitmodellieren, nicht nur die Lizenz- oder Entwicklungskosten, ein Fehler, den viele Banken machen, wenn der Business Case auf dem Foliensatz eines Anbieters gut aussieht, den internen Umsetzungsaufwand aber ignoriert.

Was Prüfer tatsächlich interessiert

Welchen Weg Sie auch wählen: US- und EU-Aufsichtsbehörden konvergieren auf ähnliche Erwartungen: nachweisbare Model Governance, nicht zwingend eine bestimmte Anbieter- oder Build-Entscheidung.

Das SR 11-7-Framework der Fed (auch 2026 noch der Referenzstandard) verlangt unabhängige Validierung, laufendes Monitoring und klare Dokumentation der Modellgrenzen. Der sich entwickelnde AI Act der EU bringt zusätzliche Pflichten für „hochriskante" KI-Systeme, und AML-Transaktionsüberwachung dürfte angesichts ihrer Auswirkungen auf den Zugang von Einzelpersonen zu Finanzdienstleistungen in den Fokus geraten, wobei Banken die endgültigen Leitlinien der European Banking Authority verfolgen sollten, statt eine Einordnung zu unterstellen.

Praktisch: Eine „Buy"-Entscheidung lagert die regulatorische Verantwortung nicht aus. Die Bank bleibt verantwortlich, auch wenn der Anbieter das Modell gebaut hat. Das ist das häufigste Missverständnis bei Build-Buy-Partner-Entscheidungen im Banking-KI-Bereich, nicht nur bei AML.

🎬 [VIDEO: "How Banks Use AI to Fight Money Laundering" - youtube.com/results?search_query=how+banks+use+ai+to+fight+money+laundering - search for recent explainer content from banking technology channels covering AML transaction monitoring and AI, useful for a visual walkthrough of alert scoring and case management workflows]

Anwendung auf die Entscheidung der Bank

Da der Prüfungsbefund die Dokumentation betraf und nicht die Erkennungsgenauigkeit, ist der stärkste erste Schritt wahrscheinlich Buy oder Partner, nicht Build. Eine Anbieterplattform bringt prüfungserprobte Dokumentation von Anfang an mit; eine Fintech-Partnerschaft kann später für segmentspezifisches Tuning aufgesetzt werden, sobald die grundlegende Compliance-Lücke geschlossen ist.

Build bleibt die langfristige Option, wenn die Bank nach zwei oder drei Jahren Betrieb einer Anbieter- oder Partnerlösung einen wirklich differenzierten Erkennungsbedarf identifiziert, den der Markt nicht deckt. Dann hat sie sowohl die Daten als auch die interne Erfahrung, um glaubwürdig zu bauen.

Key Takeaways

• Build-Buy-Partner-Entscheidungen bei Banking-KI müssen regulatorische Belastbarkeit und Explainability genauso stark gewichten wie Kosten oder Geschwindigkeit, besonders bei compliance-kritischen Systemen wie der AML-Überwachung.
• Der Einkauf einer Anbieterplattform überträgt die regulatorische Verantwortung nicht; die Bank haftet weiterhin für die Ergebnisse unter Frameworks wie SR 11-7.
• Modellieren Sie bei der ROIROIReturn on Investment: the ratio of net profit to the cost of an investment. A 300% ROI means each dollar invested returns $3.Vollständige Definition ansehen →-Rechnung immer den vollen Kostenschwanz (Validierung, Dokumentation, Wartung), nicht nur Lizenz- oder Build-Preis.
• Partnerschaft funktioniert am besten, wenn Governance und Haftung vorab vertraglich definiert sind und nicht unterstellt werden.
• Nutzen Sie ein gewichtetes Scoring-Framework (regulatorischer Fit, Data Fit, Zeit bis zur Compliance, TCO, Talent, Explainability), um die Entscheidung strukturiert zu halten, statt sie von Anbieterpitches treiben zu lassen.