Sanktions-, PEP- und Negativmedien-Screening mit KI-gestützter Bewertung von Treffern

Banken, Versicherer, Zahlungsdienstleister und Exporteure dürfen keine Geschäfte mit sanktionierten Parteien machen und müssen bei politisch exponierten Personen (PEPs) verstärkte Sorgfaltspflichten anwenden. Das Namens-Screening ist bekanntermaßen störanfällig: Unscharfer Abgleich mit transliterierten Namen erzeugt überwiegend Fehlalarme, die Analysten von Hand bereinigen. KI verbessert den Namensabgleich, reichert Treffer mit Kontext an (Geburtsdaten, Eigentumsverhältnisse, Nachrichten) und entwirft eine dokumentierte Empfehlung zum Schließen oder Eskalieren. Die rechtliche Entscheidung bleibt bei einer namentlich benannten Person.

Problem & Nutzen

• Heute: Listenbasierte Screening-Engines (Regeln, Editierdistanz, phonetische Codes) erzeugen Treffer bei jedem Kunden-Onboarding, jeder periodischen Überprüfung, jeder Listenaktualisierung und jeder Zahlung. Analysten öffnen jeden Treffer, vergleichen Kennungen, suchen im Web nach Negativmedien und schreiben eine Begründung. Versäumnisse bergen rechtliche und Reputationsrisiken; Fehlalarme kosten Kapazität und verzögern Zahlungen und Onboarding.
• KI-Nutzen: besserer mehrsprachiger Abgleich mit Transliteration, risikobasierte Priorisierung der Treffer, Auflösung von Eigentumsketten (Unternehmen, die zu 50 % oder mehr von gelisteten Parteien gehalten werden), automatische Beweissammlung und strukturierte Begründungsentwürfe. Anbieter berichten von hohen Automatisierungsanteilen, z. B. bewirbt ComplyAdvantage agentische Abläufe, die „bis zu 85 % der Routinetreffer autonom lösen“ [4] — eine Herstellerangabe, kein unabhängiger Vergleichstest; validieren Sie sie an Ihrer eigenen Trefferhistorie.
• Regulatorischer Sog: EU-Finanzsanktionen werden in der von der Kommission geführten Konsolidierten Liste der Finanzsanktionen veröffentlicht [1]; in Deutschland bearbeitet die Bundesbank Finanzsanktionen und das BAFA Embargos für Güter und wirtschaftliche Ressourcen [5]. Die EU-Geldwäscheverordnung (EU) 2024/1624 vereinheitlicht die Sorgfaltspflichten gegenüber Kunden, einschließlich PEP- und Screening auf gezielte Finanzsanktionen, und gilt ab dem 10. Juli 2027, wobei die neue AMLA die Aufsicht koordiniert [6][7].

Varianten

• Kunden-Onboarding & periodische Überprüfung (KYC/KYB): Personen, Unternehmen und wirtschaftlich Berechtigte (UBOs) prüfen; bei jeder Listenänderung erneut prüfen (Delta-Screening). Überschneidet sich mit AGENT-015.
• Zahlungs- und Transaktions-Screening: Echtzeit-Screening von SWIFT-/ISO-20022-Nachrichten einschließlich Schiffen, Häfen und Freitextfeldern; sehr geringes Latenzbudget.
• Lieferanten-, Handels- und Exportprüfung (außerhalb des Bankwesens): Hersteller und Händler prüfen Geschäftspartner, Endverwender und Logistikparteien gegen EU-/UN-/US-Listen und Dual-Use-Regeln; Verbindungen zu ANOM-011 und DOC-006.
• PEP- und RCA-Screening: inländische/ausländische PEPs, Familienmitglieder und enge Mitarbeiter, mit gestuftem Risiko und Verfallsregeln.
• Negativmedien-Screening: LLM-basierte Nachrichtensuche und Klassifikation (Betrug, Korruption, Terrorismusfinanzierung) mit Disambiguierung von Entitäten.
• Analyse von Eigentumsverhältnissen & 50-%-Regel: Graphauflösung von Unternehmensstrukturen aus Registern, um indirekte Kontrolle zu erkennen.
• Varianten für Fonds / Versicherung / Krypto: Onboarding bei Wertpapieren und Versicherungen; Screening von Wallets und Gegenparteien, siehe ANOM-023.
• Private Nutzung: nicht anwendbar; Einzelpersonen haben keine Prüfpflicht (Vermieter, gemeinnützige Organisationen und kleine Läden verlassen sich meist auf ihre Bank oder eine Plattform).

So funktioniert es

1. Dateneingang (Kunden, wirtschaftlich Berechtigte, Lieferanten, Zahlungen)
2. Normalisierung (Transliteration, Namenszerlegung, Schriftsystem-Behandlung, Alias-Erweiterung)
3. Listeneinspeisung (EU FSF, UN, OFAC SDN, OFSI, PEP/RCA-Daten, Delta-Updates)
4. Kandidatenabruf (Blocking über Suchindex + phonetischer/Embedding-Recall)
5. Paarbewertung (Name, Geburtsdatum, Land, Ausweis; gelerntes Abgleichmodell)
6. Alert-Triage-Modell (Rangfolge nach Wahrscheinlichkeit eines echten Treffers, segmentspezifische Schwellenwerte)
7. KI-Beurteilungsassistent (LLM-Agent sammelt Register-/Nachrichtenbelege, entwirft Begründung)
8. menschlicher Analyst (Vier-Augen-Prinzip bei echten Treffern, Entscheidung der Sanktionsbeauftragten, Einfrieren/Meldung)
9. Auditprotokoll + Rückkopplung in Schwellenwerte und Modelle

• Abgleich: klassische Algorithmen (Jaro-Winkler, Levenshtein, Double Metaphone) plus gelernte Paarmodelle und mehrsprachige Embeddings für transliterierte und umgestellte Namen. Die Open-Source-API yente von OpenSanctions bietet Suche und Massenabgleich über FollowTheMoney-Entitäten auf einem Elasticsearch-/OpenSearch-Index [2][3].
• Priorisierung der Treffer: Ein Gradient-Boosting- oder Encoder-Klassifikator, trainiert auf früheren Analystenentscheidungen, sagt die Wahrscheinlichkeit eines „Fehlalarms“ voraus; Cluster mit geringem Risiko dürfen nur nach einer validierten Richtlinie automatisch geschlossen werden.
• LLM-Bewertung: Ein Reasoning-LLM mit Retrieval über Registerdaten und Nachrichten vergleicht Kennungen (Geburtsdatum, Staatsangehörigkeit, Funktion), meldet Widersprüche und erstellt eine strukturierte Empfehlung mit Quellenangaben. Bei möglichen echten Treffern entscheidet es nie allein.
• Mensch-in-der-Schleife (Human-in-the-Loop): Analysten schließen oder eskalieren; eine Sanktionsbeauftragte bzw. ein Sanktionsbeauftragter entscheidet über Einfrieren und Meldung; Modelländerungen folgen der Modellrisiko-Steuerung mit regelmäßigen Below-the-Line-Tests.

Datenaufbereitung

Das Screening braucht saubere Stammdaten zu Kunden und Geschäftspartnern (Namen, Aliasnamen, Geburtsdaten, Staatsangehörigkeit, Handelsregister und wirtschaftlich Berechtigte) sowie die externen Quellen zu Sanktionen, PEPs und Medien. In einem KMU liegen diese im ERP oder CRM, im Buchhaltungssystem, in Lieferantenlisten in Excel, in Onboarding-Formularen und in E-Mails. Typische Lücken: Dubletten und Schreibvarianten, fehlende Geburtsdaten oder Kennungen, Transliterationsprobleme, unstrukturierte Angaben zu wirtschaftlich Berechtigten, nicht dokumentierte frühere Trefferentscheidungen und unklare Zugriffsrechte auf Compliance-Akten.

Schritte der Aufbereitung: (1) Stammdaten aus ERP und CRM extrahieren (PREP-005); (2) Namen und Kennungen deduplizieren und vereinheitlichen (PREP-011); (3) die Trefferkategorien und Entscheidungscodes festlegen (PREP-019); (4) frühere Trefferentscheidungen als Beispiele mit Labels sammeln und gemeinsam mit den Compliance-Beschäftigten einen Testdatensatz aufbauen (PREP-020, PREP-018); (5) Berechtigungen und den DSGVO-Zweck für die Weiterverwendung der Daten prüfen (PREP-023, PREP-025). Die Qualität der Stammdaten bestimmt direkt die Fehlalarmquote. Planen Sie etwa 30-40 Prozent des Aufwands für die Datenbereinigung ein; Werkzeuge wie OpenRefine oder die Importprüfungen des Anbieters helfen.

Umsetzungswege

Welcher Weg für wen

• KMU: Weg A - Etablierte, in der EU hostbare Screening-Dienste mit gepflegten Sanktions-, PEP- und Medienlisten sind erschwinglich, und der Prozess ist standardisiert.
• Großunternehmen: Weg B - Volumen und zentrale Compliance-Prozesse rechtfertigen API-basierte Bewertungsschichten, die in das eigene KYC, das Fallmanagement und die Listenanbieter integriert sind.
• Entwickler: Weg B - Listen- und Medien-APIs mit LLM-basierter Trefferbewertung in Ihrem eigenen Compliance-Produkt kombinieren.
• Öffentlicher Sektor: Weg A - Behörden und öffentliche Stellen sollten zertifizierte, nachvollziehbare Produkte mit klarem Prüfpfad nutzen.

Weg A — Kaufen (Standardsoftware) (für die meisten Unternehmen empfohlen)

• Globale Anbieter von Screening- und Risikodaten: LSEG World-Check und FircoSoft (LexisNexis Risk Solutions), Dow Jones Risk & Compliance, Moody's, ComplyAdvantage [4] (Sanctions & Watchlists, PEPs & RCAs, Adverse Media, agentische Trefferbearbeitung), Napier AI, Quantexa, SymphonyAI, Silent Eight.
• EU-/deutsche Anbieter (Kennzeichen: EU): Hawk (München, KI-gestütztes AML/Screening), ACTICO (Deutschland), Lucinity (Island/EWR), Salv (Estland), sanctions.io (Niederlande), Dilisense (Schweiz, nicht EU). Prüfen Sie den aktuellen Produktumfang beim Anbieter.
• Für KMU außerhalb des Bankwesens: Screening als Dienst oder API (gehostete API von OpenSanctions, Preis je Abfrage [3]) oder Module in ERP-/KYC-Suiten. Viele Kernbanking-Anbieter und deutsche IT-Dienstleister für Banken bündeln das Screening.
• Wählen Sie A, wenn: Sie reguliert sind, aber kein eigenes Data-Science-Team haben; die Anbieter übernehmen Listenpflege, SLA und Nachweise für die Aufsicht.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Listen: EU FSF [1], die konsolidierte UN-Liste und den OFAC Sanctions List Service (SDN, konsolidierte Nicht-SDN-Liste, Delta-Dateien, Advanced Sanctions Data Model) herunterladen [8]; kommerzielle Datensätze für PEP/Negativmedien.
• Abgleich: verwaltete Suche (OpenSearch / Azure AI Search, EU-Region) mit einem eigenen Scorer; Embeddings aus in der EU gehosteten Modellen.
• LLM-Bewertung: Spitzenmodelle oder EU-Modelle (z. B. Claude, Gemini, GPT über EU-Regionen; Mistral als EU-Anbieter) mit strukturierten Ausgaben, Werkzeugnutzung für Register-/Nachrichtenabfragen und einer strikten Regel „belegen oder verzichten“; halten Sie personenbezogene Daten minimal und protokollieren Sie alle Prompts.
• Orchestrierung: n8n / Temporal / Fallmanagementsystem (z. B. Camunda); Ergebnisse werden ins Compliance-Fallsystem geschrieben.
• Wählen Sie B, wenn: Sie einen maßgeschneiderten Ablauf haben (z. B. Lieferanten-Screening im ERP) und Daten unter einem AVV in die EU-Cloud gehen dürfen.

Weg C — Selbst betreiben (Open Source)

• Screening-Engine: yente (MIT) mit OpenSearch; die Daten von OpenSanctions stehen für den offenen Download unter CC BY-NC, daher braucht die kommerzielle Nutzung eine kostenpflichtige Lizenz (Screening- oder Reseller-Lizenz) [2][3]. Alternative: auf öffentlichen Listen (EU/UN/OFAC) aufbauen, die frei nutzbar sind.
• Modelle: LLMs mit offenen Gewichten (Qwen3, Llama, Mistral-Familien — prüfen Sie jeweils die Lizenz) zum Entwerfen der Bewertung auf HW2–HW3; mehrsprachige Embedding-Modelle (z. B. BGE-M3, multilingual-e5) für den Namens-Recall; kleiner Encoder-Klassifikator für die Priorisierung.
• Stack: PostgreSQL/OpenSearch, Neo4j oder Memgraph für Eigentumsgraphen, vLLM oder Ollama, Langfuse für Traces.
• Hardware: HW1 genügt für den Abgleich; HW2 für einen quantisierten LLM-Bewerter mit ca. 30B; HW3, wenn Sie längere Nachweisdokumente oder ein hohes Volumen verarbeiten.
• Wählen Sie C, wenn: Daten die eigenen Räume nicht verlassen dürfen (Banken mit strengen Auslagerungsregeln, öffentliche Stellen) und Sie Entwickler haben, die Listenaktualisierung und Tests verantworten.

Weg D — Eigenes Training

Lohnt sich für große Institute mit jahrelang gelabelten Analystenentscheidungen: ein Paarmodell zum Namensabgleich (Siamese-Encoder / Cross-Encoder) und ein Modell zur Treffer-Priorisierung auf der Trefferhistorie trainieren, mit gezielten Störungen von Namen (Transliterationsvarianten). Erfordert tausende bis hunderttausende gelabelte Trefferentscheidungen und einen belastbaren Prozess zur Modellvalidierung. Für kleine Firmen genügen Anbietermodelle oder die Feinabstimmung von Schwellenwerten.

Stand der Technik (2026)

• Agentische Trefferbearbeitung ist der Haupttrend 2025–2026: Anbieter zeigen KI-Agenten, die Nachweise sammeln und Routinetreffer autonom schließen [4]. Aufsichten erwarten Erklärbarkeit, Tests und menschliche Verantwortung, daher setzen die meisten Einsätze KI zur Priorisierung und für Entwürfe ein, nicht für endgültige Entscheidungen.
• Methoden der Entitätsauflösung und Graphen (Entitätsschemata im Stil von FollowTheMoney, Eigentumsgraphen) lösen die reine Zeichenkettenähnlichkeit ab; offene Datenprojekte machen solche Werkzeuge zugänglich [2].
• LLM-gestützte Negativmedien: Retrieval plus LLM-Klassifikation bewältigt mehrsprachige Nachrichten und die Disambiguierung von Entitäten besser als Stichwortregeln, doch die Qualität hängt von der Abdeckung der Quellen und von Recall-Tests ab.
• Delta-Screening und Listengeschwindigkeit: Sanktionslisten ändern sich mehrmals pro Woche; das laufende erneute Screening des Kundenbestands ist Standard.
• Grenzen und Fehlerbilder: Transliteration und häufige Namen; fehlende Kennungen; von LLMs halluzinierte „Nachweise“; Prompt-Injection über Nachrichtenseiten; veraltete Daten; Verzerrung gegenüber Namen aus bestimmten Regionen (staatsangehörigkeitsbedingte Fehlalarme); zu stark abgestimmte Schwellenwerte, die echte Treffer übersehen. Es gibt keinen öffentlichen Standard-Vergleichstest für die Genauigkeit des Namens-Screenings; messen Sie an Ihren eigenen gelabelten Daten und mit synthetisch gestörten Listen.

Gemeinsame Bausteine & Kombinationen

• Gemeinsame Bausteine: search-engine (OpenSearch), embedding-text, text-classifier, knowledge-graph, llm-reasoning, agent-framework sowie eine Schicht für Fallmanagement und Auditprotokoll. Derselbe HW2-/HW3-LLM-Server kann weitere Compliance-Agenten bedienen.
• Kombinierbar mit: ANOM-002 (AML-Transaktionsüberwachung; gemeinsame Kundenrisikoeinstufung und Fallmanagement), AGENT-015 (Onboarding- und KYC-Ablauf), ANOM-014 (Fälschungserkennung bei Ausweisdokumenten und Liveness-Prüfung vor dem Screening), ANOM-017 (Betrug mit synthetischen Dokumenten), ANOM-023 (Überwachung von Krypto-Assets), ANOM-011 (Lieferketten- und Lieferantenrisiko), DOC-001 und DOC-006 (Parteien, Schiffe und Häfen aus Rechnungen und Logistikdokumenten für das Handels-Screening extrahieren).
• Datenpipelines: ein Dienst zur Listenaufnahme (EU/UN/OFAC) speist Onboarding-, Zahlungs- und Lieferanten-Screening.

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen bis wenige Monate (Datenzuordnung, Feinabstimmung der Schwellenwerte, Parallelbetrieb); Lizenzen je Volumen oder je geprüfter Entität.
• Weg B: 3–6 Monate inkl. Validierung; Kosten durch Suche/LLM-Tokens, Datenlizenzen und Compliance-Tests.
• Weg C: 4–9 Monate und laufender Betrieb von Listen/Modellen; Daten zu PEP/Negativmedien brauchen weiterhin eine Lizenz.
• Kennzahlen: Fehlalarmquote, Verhältnis von Treffern zu echten Übereinstimmungen, Analystenminuten je Treffer, Zeit bis zum Schließen, Alter des Rückstands, Recall echter Treffer bei eingestreuten Testfällen (Below-the-Line-Tests), Latenz des Delta-Screenings, Feststellungen der Prüfer, Anteil der von Analysten überstimmten KI-Empfehlungen.

Menschen & Veränderung

Beziehen Sie zuerst die Geschäftsführung und die oder den Compliance- bzw. Geldwäschebeauftragten ein: Sie tragen die rechtliche Verantwortung und legen die Risikobereitschaft fest. Die Leitung von Onboarding oder Einkauf und die Analysten, die Treffer bereinigen, sind die Anwender; holen Sie sie früh in den Pilot, denn sie kennen die typischen Fehlalarme. IT und IT-Sicherheit übernehmen Integration und Zugriffsrechte; die Rechtsabteilung prüft Anbietervertrag und Prüfpflichten (GUIDE-010). Die oder der Datenschutzbeauftragte ist erforderlich: Das Screening verarbeitet personenbezogene Daten, und Negativmedien können Daten über Straftaten berühren; prüfen Sie daher Rechtsgrundlage, Auftragsverarbeitungsvertrag (AVV) und eine Datenschutz-Folgenabschätzung (DSFA) (Art. 35 DSGVO; GUIDE-005).

Betriebsrat: kommt darauf an. Das Kunden-Screening allein ist keine Überwachung von Beschäftigten, aber Fallmanagement-Werkzeuge erfassen Bearbeitungszeit und Entscheidungen einzelner Analysten, was sich zur Leistungsüberwachung eignen kann und § 87 Abs. 1 Nr. 6 BetrVG auslöst. Informieren Sie den Betriebsrat über geänderte Arbeitsabläufe nach § 90 Abs. 1 Nr. 3 (GUIDE-004).

KI-Kompetenz: Unterstützen Sie die Analysten mit Schulungen dazu, wie die LLM-Zusammenfassung entstanden ist, welche Fehler möglich sind und wann zu eskalieren ist (KI-Verordnung Art. 4, GUIDE-006). Typische Sorge: die Angst, einen echten Treffer zu übersehen. Begegnen Sie ihr, indem die KI Priorisierungs- und Entwurfshilfe bleibt und eine Person jede endgültige Entscheidung trifft und dokumentiert. Führen Sie den Pilot parallel zum bestehenden Prozess durch (GUIDE-009).

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): in der Regel minimales Risiko. Anhang III nennt die Bonitätsbewertung (5 Buchst. b) und die Preisgestaltung bei Versicherungen, nicht das Sanktions-Screening; ein reines Sanktions-/PEP-Screening-Werkzeug ist daher im Allgemeinen kein Hochrisiko-System. Die Einstufung hängt vom Kontext ab, und ein Screening-Ergebnis, das in automatische Kredit- oder Zugangsentscheidungen über natürliche Personen einfließt, muss gesondert geprüft werden. Es gilt die KI-Kompetenz (Art. 4). Keine Rechtsberatung [9].
• Sanktionsrecht: EU-Verordnungen über restriktive Maßnahmen, deutsches AWG/AWV, Zuständigkeiten von Bundesbank/BAFA [5]; in der Praxis strenge Haftung, daher ist der Recall wichtiger als die Präzision. US-OFAC-Regeln gelten für USD-Zahlungsströme und US-Personen [8].
• Geldwäscherecht: derzeit das nationale GwG, ab dem 10. Juli 2027 die EU-AMLR 2024/1624 und die Aufsicht durch die AMLA [6][7]; verstärkte Sorgfaltspflichten bei PEPs.
• DSGVO: Das Screening verarbeitet personenbezogene Daten und teils Daten über Straftatvorwürfe (Art. 10) aus Negativmedien; nötig sind eine Rechtsgrundlage (rechtliche Verpflichtung), Datenminimierung, Aufbewahrungsfristen, eine DSFA und Sorgfalt nach Art. 22, wo eine Entscheidung mit Rechtswirkung automatisiert wird.
• Gegenmaßnahmen: menschliche Entscheidung bei jedem möglichen Treffer, Modellvalidierung und Below-the-Line-Tests, Positivlisten für Quellen bei LLM-Werkzeugen, Injection-Filter, vollständiger Prüfpfad, regelmäßige Fairnessprüfungen nach Namensherkunft, Sorgfaltsprüfung des Anbieters zur Herkunft der Daten.

Erste Schritte

1. Erfassen, was geprüft werden muss (Kunden, wirtschaftlich Berechtigte, Lieferanten, Zahlungen) und welche Listen gelten (EU, UN, OFAC, UK).
2. 6–12 Monate Treffer mit den Ergebnissen der Analysten exportieren; Fehlalarmquote und Zeit je Treffer berechnen.
3. Zwei Anbieter oder yente parallel zur aktuellen Engine auf Ihren Daten laufen lassen; bekannte echte Treffer und gestörte Namen einstreuen, um den Recall zu messen.
4. Eine KI-Schicht für Priorisierung/Entwürfe im Schattenbetrieb ergänzen; die Empfehlungen vor jedem automatischen Schließen mit den Entscheidungen der Analysten vergleichen.
5. Die Richtlinie schreiben (Schwellenwerte, Vier-Augen-Prinzip, Aufbewahrung, Eskalation an Bundesbank/FIU nach Bedarf) und eine regelmäßige Modellvalidierung einrichten.

Quellen

1. European Commission — EU Consolidated Financial Sanctions List / Financial Sanctions Files — https://finance.ec.europa.eu/eu-and-world/sanctions-restrictive-measures/overview-sanctions-and-related-resources_en
2. OpenSanctions — yente (GitHub, MIT) — https://github.com/opensanctions/yente
3. OpenSanctions — Licensing and API pricing model — https://www.opensanctions.org/licensing/
4. ComplyAdvantage — Sanctions, PEP, adverse media and agentic workflows (vendor claim) — https://www.complyadvantage.com/
5. BAFA — Embargoes / sanctions responsibilities (BAFA, Bundesbank) — https://www.bafa.de/EN/Foreign_Trade/Export_Control/export_control_node.html
6. Regulation (EU) 2024/1624 (AML Regulation) — https://eur-lex.europa.eu/eli/reg/2024/1624/oj
7. AMLA — EU Anti-Money Laundering Authority — https://www.amla.europa.eu/index_en
8. U.S. Treasury OFAC — Sanctions List Service — https://ofac.treasury.gov/sanctions-list-service
9. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj