KI wird die Krypto-Compliance revolutionieren, nur nicht so, wie die meisten Leute denken

Von Pierre Gérard, CEO und Mitbegründer von Scorechain

Als wir Scorechain 2015 in Luxemburg gründeten, war „Blockchain-Analytics“ noch kein etablierter Begriff. Die ersten Jahre verbrachten wir damit, Banken und Aufsichtsbehörden zu erklären, warum die Transparenz eines öffentlichen Registers eine Chance und keine Bedrohung darstellte. Zehn Jahre später beobachte ich, wie sich dasselbe Missverständnis im Bereich der künstlichen Intelligenz (KI) ausbreitet und der Branche wertvolle Zeit kostet.

Zwei Narrative dominieren die Diskussion. Das erste besagt, KI werde Compliance-Teams bald vollständig ersetzen. Das zweite hält KI für zu unberechenbar, um sie auch nur in die Nähe regulierter Finanzaktivitäten zu lassen. Ich teile keine dieser Ansichten. Und das sage ich als jemand, dessen Unternehmen seit 2015 über 2.800 Anbieter von Dienstleistungen im Bereich virtueller Vermögenswerte (VASPs) einer Risikobewertung unterzogen hat und in den letzten zwei Jahren KI dort implementiert hat, wo sie wirklich hilfreich ist – als separate Ebene und nicht als fester Bestandteil der Compliance-Tools, auf die sich unsere Kunden verlassen.

Beginnen wir mit dem Problem, das jeder Compliance-Beauftragte, mit dem ich spreche, innerhalb der ersten fünf Minuten anspricht: Fehlalarme. Ein Sanktionsprüfungssystem, das so eingestellt ist wie das einer nervösen Bank, kann Fehlalarme in bis zu 95 % der Fälle auslösen. Die Transaktionsüberwachung steht dem kaum nach. Ein geschulter Analyst, der Typologien versteht und Geldflüsse analysieren kann, verbringt daher den Großteil seines Arbeitstages damit, Warnmeldungen zu bearbeiten, die nie ein Risiko darstellten: Namensübereinstimmungen aufgrund eines häufigen Nachnamens werden verworfen, fünf negative Medienberichte werden gelesen, die sich als Beschreibung einer völlig anderen Person herausstellen. Jede dieser Recherchen in den Medien kostet einen Analysten 10 bis 20 Minuten. Das ist die Realität der Compliance-Arbeit heutzutage, und deshalb brennen gute Leute in diesem Beruf aus.

Hier spielt die Automatisierung ihre Stärken aus, und zwar in einem engeren Rahmen, als der Hype vermuten lässt. Ich bin diesbezüglich nicht neutral. Scorechain AI liefert Analysten einen einzigen Bericht: die Risikobewertung einer Wallet, die Arten von Entitäten, mit denen sie interagiert hat, sowie die genannten Dienste und Kontrahenten, denen sie ausgesetzt war. Früher bedeutete diese Arbeit stundenlanges manuelles tracin einem Ledger. Doch beachten Sie, was der Bericht leistet und was nicht. Er trifft keine Entscheidungen. Er komprimiert die Informationen, sodass der Compliance-Beauftragte – derjenige, der die Entscheidung später gegenüber der Aufsichtsbehörde bestätigen und verteidigen muss – sie innerhalb von Minuten lesen und dann entscheiden kann. Das ist der Kern der Sache. Gute Automatisierung verkleinert die Compliance-Funktion nicht; sie befreit sie von der endlosen Triage und führt sie zurück zur fundierten Beurteilung.

Diese Unterscheidung ist wichtig, denn die Alternative ist gefährlich. In einem regulierten Umfeld kann ein Modell keiner Aufsichtsbehörde Rechenschaft ablegen. Sowohl die Sechste Geldwäscherichtlinie (AMLD6) als auch die Verordnung über Märkte für Krypto-Assets (MiCA) verpflichten Institutionen, ihre Entscheidungen zu erläutern und zu begründen. „Der Algorithmus hat es gemeldet“ ist bei einer Prüfung keine zulässige Verteidigung, und „Der Algorithmus hat es freigegeben“ ist noch schlimmer. Daher ist die einzig verantwortungsvolle Lösung KI als unterstützende Schicht auf Basis vertrauenswürdiger Daten, wobei ein benannter Compliance-Beauftragter die Entscheidung und die damit verbundene Verantwortung trägt. Menschliche Aufsicht ist kein Hilfsmittel, das wir nach der Marktreife des Modells entfernen. Sie ist integraler Bestandteil der Architektur.

Ein Modell ist immer nur so gut wie die zugrundeliegenden Daten. Genau diesen Aspekt übersehen Außenstehende. Eine KI, die eine Blockchain analysiert, sieht lediglich anonyme Zeichenketten, die Werte an andere anonyme Zeichenketten übertragen. Sie kann nicht erkennen, dass die Wallet drei Schritte vor der Blockchain zu einer sanktionierten Börse gehört oder dass der Empfänger der Gelder ein Mixer und kein Gehaltsabrechnungsdienstleister ist. Die Bereitstellung dieses fehlenden Kontextes ist die zentrale Aufgabe der Blockchain-Analyse:dentund Risiko den reinen On-Chain-Aktivitäten zuzuordnen, tracindirekte Risiken über mehrere Schritte hinweg zu verfolgen anstatt nur die Adresse direkt zu prüfen, und diese mit den über einer Milliarde Datenpunkten und über einer Million Krypto-Entitäten abzugleichen, die wir seit 2015 identifiziert haben. Ein konkretes Beispiel: Eine Wallet wirkt auf den ersten Blick unauffällig, doch tracihrer Geldflüsse zeigt, dass der Großteil des Guthabens zwei Schritte zurück von einer Adresse stammt, die mit einem Ransomware-Betreiber in Verbindung steht. Diese Erkenntnis würde ein Modell allein anhand der Rohdaten der Blockchain niemals gewinnen, und genau darauf muss ein Compliance-Beauftragter reagieren. Füttert man ein Modell mit diesem Kontext, kann es auf solider Grundlage argumentieren. Füttert man es mit dürftigen Daten, produziert es selbstsicherendent , der im Nachhinein gefährlicher ist als eine ehrliche Lücke, weil er Dinge ausblendet, die er nicht ausblenden sollte.

Das ist meiner Meinung nach wirklich neu: KI ist nicht länger nur ein Werkzeug für Compliance-Teams, sondern wird zu einem aktiven Teilnehmer im überwachten Markt. Autonome Agenten, die Zahlungen innerhalb vordefinierter Limits initiieren, haben den Sprung von der Demo- zur Einsatzphase geschafft, angetrieben von realer Infrastruktur: Coinbases x402-Standard für maschinelle Zahlungen, Visas Trusted Agent Protocol und die Checkout-Integration von PayPal und OpenAI. Software wickelt Transaktionen mit anderer Software ab und verarbeitet Krypto-Assets in einem Volumen, das kein Treasury-Team manuell bewältigen könnte.

Dies wirft eine Frage auf, die die Branche noch nicht abschließend beantwortet hat: Wie lassen sich der Transaktionsidentifizierung (KYT) auf eine Software als Gegenpartei anwenden? Die Richtung ist zumindest klar. Wenn Agenten selbstständig Transaktionen durchführen, dürfen die Kontrollen nicht nur beim Onboarding greifen. Sie verlagern sich auf die Transaktionsebene selbst: Echtzeitüberwachung, Geschwindigkeitsbegrenzungen, Herkunftsnachweis und die Möglichkeit zum Eingreifen, solange das Geld noch unterwegs ist. Die Transparenz, die wir jahrelang gegenüber Skeptikern verteidigt haben, erweist sich als das Einzige, was autonome On-Chain-Aktivitäten überhaupt erst auditierbar macht.

Das ist die Zukunft, für die wir uns entschieden haben, anstatt abzuwarten. Wir haben kürzlich Scorechain MCP. Dieses System stellt unsere Risikobewertung und Entitätsinformationen über das Model Context Protocol (MCP) bereit, den neuen Standard, der es KI-Agenten ermöglicht, direkt auf externe Tools zuzugreifen. Die Intelligenz ist in unserer Plattform integriert, die KI hingegen agiert außerhalb und ruft die Informationen ab, anstatt in das Compliance-Tool selbst eingebettet zu sein. Der Grundgedanke ist einfach: Ein Agent sollte niemals blind handeln. Bevor er Gelder transferiert oder einen Geschäftspartner freigibt, kann er Scorechain direkt fragen, ob es sich bei der betreffenden Adresse um eine sanktionierte Entität, einen Mixer, einen bekannten Betrug oder eine saubere private Wallet handelt, und erhält im Gegenzug eine Risikobewertung. Dies ist keine theoretische Leistung. Wir führen bereits täglich über 1,5 Millionen AML-Prüfungen durch, und eine Screening-Abfrage liefert Ergebnisse in etwa 235 Millisekunden – schnell genug, um in eine laufende Transaktion integriert zu werden, anstatt sie zu verlangsamen. Wir haben Scorechain MCP dort platziert, wo diese Agenten und Workflows tatsächlich arbeiten: als App in ChatGPT und Claude sowie als Integration in Automatisierungsplattformen wie n8n und Zapier. Eine Compliance-Prüfung, die direkt in den Entscheidungsprozess integriert ist, ist weitaus wertvoller als eine nachträglich hinzugefügte Prüfung, nachdem das Geld bereits transferiert wurde. Die grundlegendste Prüfung überhaupt – ob eine Adresse auf einer Sanktionsliste steht – sollte für niemanden kostenpflichtig sein. Deshalb bieten wir sie als kostenlose API zur Sanktionsprüfung , die jeder Entwickler, Agent oder Workflow nutzen kann. Die Prüfung auf Sanktionsrisiken ist nicht nur ein Bereich, in dem Compliance-Anbieter ihrentrac; sie ist die Basis für den gesamten Markt.

Hier vollzieht sich ein grundlegender Wandel, mit dem sich Token-Emittenten und Vermögensverwalter erst allmählich auseinandersetzen. Wenn Werte in rasantem Tempo in Stablecoins und tokenisierte Vermögenswerte fließen, ist nicht mehr nur das Risiko der einzelnen Transaktion entscheidend, sondern der Vermögenswert selbst: Wer hält ihn, wie konzentriert ist der Besitz und wie hoch ist der Anteil sanktionierter oder anderweitig risikoreicher Emittenten? Dies ist eine andere Frage als die Transaktionsüberwachung, und genau diese Frage soll unsere Digital Asset Intelligence beantworten. Sie bietet Emittenten und Vermögensverwaltern einen Überblick über die Inhaber und das Risiko auf Vermögenswertebene, bevor sie Token prägen, listen oder zuteilen.

Europa ist besser darauf vorbereitet, als allgemein angenommen wird. MiCA und AMLD6 setzen bereits auf kontinuierliche Überwachung und klare Verantwortlichkeit statt auf einmalige Kontrollen. Ein System, das die Nachvollziehbarkeit von Aktivitäten voraussetzt, ist genau das, was man braucht, wenn Software Geldtransfers durchführt. KI hält also Einzug in die Krypto-Compliance. Sie wird viel mühsame Arbeit eliminieren, was ich begrüße. Was sie jedoch nicht ersetzen wird, ist die Notwendigkeit von Urteilsvermögen, Verantwortlichkeit und verifizierbaren Daten. Sie erhöht die Anforderungen in allen drei Bereichen. Die Teams, die KI als schnellere Analysten einsetzen, basierend auf zuverlässiger On-Chain-Intelligenz und unter strenger menschlicher Kontrolle, werden auch dann noch bestehen, wenn die Maschinen Transaktionen durchführen. Das ist näher, als die meisten denken.