Neue Graph-native Plattform nutzt KI auf Basis eines Knowledge Layers zur End-to-End Aufdeckung, Untersuchung und Prävention von Finanzdelikten…
Hintergrund
Finanzinstitute stehen zunehmend unter Druck, Betrug, Geldwäsche (AML) und Terrorismusfinanzierung (CTF) wirksam zu bekämpfen und entsprechende Maßnahmen zur Prävention und Überwachung umzusetzen. Mit dem neuen EU-Geldwäschepaket und der ab Juli 2027 anwendbaren AML-Verordnung steigen die regulatorischen Anforderungen weiter. Parallel dazu erhöht der Einsatz von KI den Umfang, Geschwindigkeit und Variantenreichtum betrügerischer Aktivitäten.
Wie hoch die Anforderungen an die Analyse verdächtiger Finanzströme sind, zeigt auch der Jahresbericht 2025 der deutschen Financial Intelligence Unit (FIU): Danach stieg die Zahl der Verdachtsmeldungen zu Finanztransaktionen, die im Zusammenhang mit Geldwäsche, entsprechenden Vortaten oder Terrorismusfinanzierung stehen könnten, 2025 auf knapp 375.000 (+ 41 Prozent). Betroffen waren insgesamt rund 3,2 Millionen einzelne Finanztransaktionen (1).
(1) Quelle / externer link > https://www.zoll.de/DE/FIU/Aktuelles-FIU-Meldungen/2026/fiu_jahresbericht_2025.html
Die am 16. Sept. 2026 jetzt neu vorgestellte graph-native Lösung zur Aufdeckung und Untersuchung von Finanzdelikten basiert auf einem zentralen Knowledge Layer für KI-Anwendungen im Unternehmen. Die Produkteinführung ist laut Anbieter der erste Meilenstein nach der Übernahme von GraphAware durch Neo4j im August 2026. GraphAware Financial Crime Intelligence ist ab sofort verfügbar. (2)
Ankündigungsdetails (Quelle: Neo4j)
„GraphAware Financial Crime Intelligence von Neo4j wurde speziell für Anti-Financial-Crime(AFC)-Prozesse in Banken und Versicherungen entwickelt. Die Lösung soll es Analysten und Ermittlern ermöglichen, Datensilos zu verknüpfen und Zusammenhänge in ihrem vollständigen Kontext zu erfassen. Dabei nutzt sie eine zentrale Stärke von Graphdatenbanken: Mittels Multi-Hop Reasoning** lassen sich Muster und Beziehungen über mehrere Ebenen hinweg erkennen. Anwender erhalten damit leistungsfähige Werkzeuge für Aufdeckung, Untersuchung und Prävention als Grundlage für schnelle und fundierte Entscheidungen.“
**Anmerkung: Multi-Hop Reasoning repräsentiert die Fähigkeit eines KI-Systems, mehrere logische Schritte bzw. Informationsquellen miteinander zu verknüpfen, um eine komplexe Frage beantworten zu können.
Mit der neuen Plattform adressiert Neo4j laut Entwickler den gesamten Prozess von der Erkennung verdächtiger Aktivitäten bis zur Analyse und Bearbeitung von Verdachtsfällen auf einem einheitlichen graph-nativen Stack. Die integrierte Umgebung lässt sich laut Entwickler an unterschiedliche Anforderungen anpassen und kontinuierlich um neue Daten und Erkenntnisse erweitern. Ein zentraler Knowledge Layer bildet dabei die Grundlage für vertrauenswürdige KI.
Die Lösung umfasst vier Bereiche:
- "Erkennung: Eine schnell einsatzbereite, graphbasierte Umgebung, um verdächtige Aktivitäten in verknüpften Daten zu erkennen und ein ganzheitliches Risikobild zu erstellen. Muster und Zusammenhänge werden sichtbar – unabhängig davon, ob sie sich in Entitäten, Transaktionen, Systemen oder Beziehungen verbergen.
- Alerts: Qualifizierte, direkt für die Untersuchung nutzbare Meldungen einschließlich des vollständigen Kontexts zu den beteiligten Elementen, zum Ursprung des Vorgangs und zur Risikoeinstufung. Redundante Mehrfachmeldungen werden entfernt.
- Analyse: Handlungsrelevante Erkenntnisse aus Graphanalysen für die schnellere und effizientere Nachverfolgung von Zusammenhängen zwischen Konten, Transaktionen und Geräten. Bei Bedarf lassen sich fallspezifische Daten aus Drittquellen einbinden, um Informationslücken zu schließen, False Positives zu bereinigen und Risiken zu priorisieren.
- Entscheidungsfindung: Unterstützung bei der Entscheidung über Blockierung, Ablehnung, Eskalation, Meldung oder Abschluss eines Falls. Sämtliche Entscheidungswege sind nachvollziehbar und begründbar. Die gewonnenen Erkenntnisse fließen in das laufende Monitoring sowie künftige Entscheidungen ein und tragen zur kontinuierlichen Optimierung der Systeme bei. Beziehungen und Datenherkunft bleiben dabei als langfristig nutzbare Nachweise erhalten."
Abb.: Screenshot Neo4j GraphAware Financial Crime Intelligence (Quelle: Neo4j).
Kommentarauszug Michael Down, Global Head of Financial Solutions bei Neo4j: „Finanzkriminalität ist hochgradig vernetzt. Genau deshalb braucht es eine Plattform, die Beziehungen nicht nur analysiert, sondern die Beziehungen zwischen Daten von vornherein mitdenkt – und so verdächtige Muster über Konten, Transaktionen und weitere Datenpunkte hinweg erkennt.“
Neo4j unterstützt nach eigener Angabe bereits Finanzdienstleister weltweit mit Lösungen für Betrugserkennung und Compliance – darunter BNP Paribas, UBS und Zurich Insurance Group. Darüber hinaus arbeitet der Graphexperte mit digitalen Finanzanbietern wie Klarna an weiteren KI-gestützten Anwendungen.
(2) Quelle: Neo4j Blogpost unter diesem externen Link > https://neo4j.com/blog/fraud-detection/graphaware-financial-crime-intelligence/
Querverweis:
Unser Beitrag > KI-unterstützte kontextbezogene Datenabfragen: MongoDB erweitert Voyage AI
Unser Beitrag > Sichere IT-Systeme für Industrie und kritische Infrastruktur: Fraunhofer AISEC tritt seL4 Foundation bei
Unser Beitrag > Warum Backups auf Grund von Frontier AI Modellen und steigenden Cyberrisiken allein nicht ausreichen