Adverse-Media-Screening ist die Kontrolle, von der die meisten Compliance-Teams wissen, dass sie sie durchführen müssen, ausgeführt auf die Weise, die am ehesten die Zeit ihrer Analysten verschwendet. Ein einziger gängiger Name, in offenen Quellen gesucht, kann Hunderte von Artikeln zurückliefern — die überwältigende Mehrheit über eine andere Person, einen zehn Jahre alten Streit oder ein Ereignis ohne Bezug zum Finanzkriminalitätsrisiko. Analysten lesen sie trotzdem, denn der eine Artikel, der zählt, liegt irgendwo im Stapel.
Die regulatorische Erwartung verschwindet nicht: Adverse Media sind heute ein Standardbestandteil der Sorgfaltspflichten und der verstärkten Sorgfaltspflichten, und der Wechsel 2026 hin zur nachweisbaren Wirksamkeit bedeutet, dass Aufseher sehen wollen, dass Ihr Screening echtes Risiko zutage fördert — nicht nur, dass Sie eine Suche durchgeführt haben. Die Frage für einen KYC-Leiter lautet, wie die Abdeckung erhalten und zugleich das Rauschen gesenkt werden kann.
Dieser Artikel ist ein praktischer Leitfaden für KYC-Leiter und Screening-Verantwortliche in Banken, unabhängigen Vermögensverwaltern (GFI) und Fintechs. Er erklärt, was Adverse-Media-Screening ist, warum Volumen und Relevanz so schwierig sind, wie KI und NLP die Ökonomie verändern und wie man von punktuellen Prüfungen zu kontinuierlicher Überwachung übergeht — und dabei jede Entscheidung erklärbar und verteidigbar hält.
1. Was Adverse-Media-Screening ist und warum Regulierungsbehörden es erwarten
Definition
Adverse-Media-Screening — auch Negativnachrichten-Screening genannt — ist die systematische Suche in offenen und lizenzierten Quellen nach Informationen, die darauf hindeuten, dass ein Kunde, Interessent oder eine verbundene Partei mit Finanzkriminalität oder einem anderen Reputationsrisiko in Verbindung steht: Betrug, Korruption, Geldwäsche, Sanktionsumgehung, Steuerdelikte, organisierte Kriminalität, Terrorismusfinanzierung oder schwere regulatorische Verstösse. Es ergänzt strukturierte Prüfungen gegen Sanktions- und PEP-Listen, indem es Risiken erfasst, die noch nicht — oder vielleicht nie — auf einer offiziellen Liste erscheinen.
Wo es in den Lebenszyklus passt
Adverse Media sind kein einmaliger Onboarding-Schritt. Sie gehören ins Onboarding als Teil der anfänglichen Sorgfaltsprüfung, zu jedem Auslöser verstärkter Sorgfaltspflichten und über den gesamten Kundenlebenszyklus, wann immer sich das Risiko wesentlich ändert. Ein Kunde kann eine saubere Sanktions- und PEP-Prüfung bestehen und dennoch Gegenstand eines glaubwürdigen Untersuchungsberichts sein — genau die Lücke, die Adverse Media schliessen sollen.
Die regulatorische Grundlage
Aufsichtliche Vorgaben behandeln Adverse Media als erwarteten Bestandteil eines risikobasierten Ansatzes. In der Schweiz drängt der GwG-Rahmen — das revidierte GwG und die GwV-FINMA, neben dem kommenden Bundesgesetz über die Transparenz juristischer Personen (TJPG), in Kraft ab 1. Oktober 2026 — Institute dazu, nachzuweisen, dass ihre Kontrollen Risiken tatsächlich erkennen. International weisen die FATF-Leitlinien und das EU-AML-Paket in dieselbe Richtung. Die Stossrichtung ist einheitlich: Es genügt nicht mehr nachzuweisen, dass eine Suche durchgeführt wurde. Sie müssen nachweisen, dass sie darauf kalibriert war, wesentliches Risiko zu finden, und dass Feststellungen bewertet und dokumentiert wurden. Das ist derselbe Wirksamkeitsmassstab, der das Sanktions- und PEP-Screening neu formt.
2. Das Kernproblem: Volumen und Rauschen
Adverse Media sind einzigartig verrauscht, weil sie aus unstrukturierten, offenen Quellen schöpfen statt aus einer endlichen, kuratierten Liste. Vier Schwierigkeiten summieren sich.
Volumen
Eine Stichwortsuche nach dem Namen eines Kunden in Nachrichten, Web und lizenzierten Datenbanken kann von einer Handvoll bis zu mehreren Hundert Ergebnissen zurückliefern. Bei einem gängigen Namen ist die Rohzahl nicht zu bewältigen, und sie wächst täglich, während neue Inhalte veröffentlicht und indexiert werden. Volumen ist kein Zeichen von Risiko; es ist ein Zeichen einer mehrdeutigen Abfrage.
Relevanz
Die meisten zurückgelieferten Artikel sind irrelevant. Sie betreffen eine andere Person mit demselben Namen, behandeln ein Thema ohne Bezug zur Finanzkriminalität (ein Sportergebnis, eine routinemässige Unternehmensmitteilung, einen Nachruf) oder erwähnen den Kunden nur beiläufig. Stichwortabgleich kann „wegen Betrugs verhaftet" nicht von „zitiert in einem Artikel über den Betrugsfall eines anderen" unterscheiden. Jede dieser Unterscheidungen bleibt dem Analysten überlassen.
Entitätsauflösung
Das schwierigste Problem ist zu entscheiden, ob die Person im Artikel überhaupt Ihr Kunde ist. Namen werden geteilt, Schreibweisen variieren, und Artikel enthalten selten die Identifikatoren — Geburtsdatum, Nationalität, Funktion —, die die Identität bestätigen würden. Ein naiver Prozess behandelt jeden Namensvetter als potenziellen Treffer, und der Analyst muss manuell, Artikel für Artikel, feststellen, ob es die richtige Person betrifft.
Aktualität und Duplizierung
Dasselbe Ereignis wird von Dutzenden Medien berichtet, syndiziert, aggregiert und über Jahre wiederveröffentlicht. Ohne Deduplizierung bläht sich ein einzelner Vorfall zu einer Wand nahezu identischer Treffer auf. Und ohne Gespür für Aktualität und Relevanz wird eine vor zehn Jahren beigelegte Angelegenheit mit demselben Gewicht präsentiert wie eine laufende Ermittlung.
Die Ökonomie folgt unmittelbar. Wenn ein Analyst 20 bis 40 Minuten damit verbringt, die Rohtreffer für einen einzigen Namen zu prüfen, und die überwiegende Mehrheit dieser Treffer Rauschen ist, werden die Kosten der Abdeckung zu den Kosten des Lesens irrelevanter Artikel.
| Portfolioprofil | Namen gescreent/Monat | Rohtreffer/Name | Analystenstunden/Monat (30 Min./Name) | Vollkosten/Jahr (CHF) |
|---|---|---|---|---|
| Kleiner GFI | 300 | 20–50 | ~150 | ~105'000 |
| Mittelgrosse Bank | 1'500 | 20–50 | ~750 | ~525'000 |
| Fintech im grossen Massstab | 6'000 | 20–50 | ~3'000 | ~2'100'000 |
Die Zahlen setzen 30 Minuten Prüfung pro Name und Vollkosten von CHF 95'000 pro Analyst voraus. Der Punkt ist strukturell: Die Abdeckung wächst mit dem Kundenstamm, nicht mit der Menge an echtem Risiko darin.
3. Wie KI und NLP das Adverse-Media-Screening verändern
KI ersetzt die Suche nicht — sie macht die Ergebnisse intelligent, sodass das, was einen Analysten erreicht, wesentlich ist und nicht bloss zurückgeliefert. Sechs Fähigkeiten zählen, und sie spiegeln die Präzisionslogik wider, die bereits bei der Reduktion von Sanktions- und PEP-Fehlalarmen bewährt ist.
Entitäts-Disambiguierung
Natural Language Processing liest jeden Artikel und bestimmt, ob er tatsächlich Ihren Kunden betrifft — indem es den Namen mit kontextuellen Identifikatoren wie Funktion, Arbeitgeber, Standort, Alter und bekannten Verbindungen abgleicht. Ein Namensvetter mit einem anderen Beruf in einem anderen Land wird automatisch herabgestuft, wodurch die Dutzenden falscher Übereinstimmungen, die ein gängiger Name erzeugt, auf die kleine Menge reduziert werden, die plausibel auf die richtige Person verweist.
Kategorieklassifizierung
Das Modell klassifiziert jede Feststellung nach Risikokategorie: Finanzkriminalität (Betrug, Geldwäsche, Korruption, Sanktionsumgehung) versus nicht verwandte Kategorien (Zivilstreitigkeiten, Sport, allgemeine Nachrichten). Feststellungen ausserhalb der Risikotaxonomie des Instituts werden unterdrückt oder herabgestuft, sodass Analysten die Kategorien sehen, die für eine KYC-Entscheidung relevant sind, statt alles, was die Suche zurücklieferte.
Sentiment und Schwere
Nicht jede Negativnachricht ist gleich schwerwiegend. NLP bewertet Sentiment und Schwere — eine Beschuldigung versus eine Verurteilung, eine periphere Erwähnung versus ein zentraler Gegenstand, ein geringfügiger Verstoss versus ein systemisches Vorgehen. Feststellungen werden geordnet, sodass die schwerwiegendsten, glaubwürdigsten Elemente an die Spitze der Warteschlange rücken.
Deduplizierung und Ereignis-Clustering
Das System clustert Artikel, die dasselbe zugrunde liegende Ereignis berichten, und präsentiert eine einzige konsolidierte Feststellung mit ihren Quellen statt fünfzig Kopien. Allein dies entfernt einen grossen Teil des Rohvolumens und lässt einen Analysten ein Ereignis einmal statt wiederholt bewerten.
Gewichtung der Quellenqualität
Nicht alle Quellen wiegen gleich. Eine durch ein Gerichtsurteil, eine Mitteilung einer Aufsichtsbehörde oder ein etabliertes Investigativmedium bestätigte Feststellung wird höher gewichtet als ein anonymer Blog oder ein ungeprüfter Aggregator. Die Quellenqualität fliesst in den Score ein, sodass Glaubwürdigkeit — nicht blosse Präsenz — die Eskalation treibt.
Berücksichtigung von Aktualität und Lebenszyklus
Das Modell wägt ab, wie aktuell und wie gegenwärtig eine Angelegenheit ist, unterscheidet eine laufende Ermittlung von einer abgeschlossenen historischen und markiert neu veröffentlichtes Material für die kontinuierliche Überwachung. Das ist es, was den Übergang von Batch zu perpetuellem Screening tragfähig macht.
4. Batch versus perpetuell: vom punktuellen zum kontinuierlichen
Die Grenzen des punktuellen Screenings
Traditionelles Adverse-Media-Screening ist eine Momentaufnahme: Sie screenen beim Onboarding und erneut bei jeder periodischen Überprüfung. Zwischen diesen Punkten ist das Risiko unsichtbar. Ein Kunde kann am Tag nach dem Onboarding angeklagt, untersucht oder verurteilt werden, und ein Batch-Modell wird es erst bei der nächsten geplanten Überprüfung zutage fördern — möglicherweise Monate oder Jahre später. Unter einem Wirksamkeitsregime ist diese Latenz selbst eine Schwäche.
Perpetuelle Überwachung
Perpetuelle — oder kontinuierliche — Überwachung kehrt das Modell um. Statt den gesamten Bestand nach einem Kalender neu zu screenen, überwacht das System kontinuierlich die Veröffentlichung neuer Adverse Media über den bestehenden Kundenstamm und löst nur dann einen Alarm aus, wenn wirklich neue, wesentliche Information erscheint. Das ist dieselbe Logik, die den breiteren Übergang zum perpetuellen KYC antreibt: ereignisgesteuert statt datumsgesteuert, sodass der Prüfaufwand dem Risiko folgt und nicht dem Kalender.
Die Präzisionsfähigkeiten aus Abschnitt 3 sind es, die perpetuelle Überwachung praktikabel machen. Ohne Disambiguierung, Deduplizierung und Klassifizierung würde kontinuierliches Screening eine kontinuierliche Flut von Rauschen erzeugen. Mit ihnen erzeugt es einen kleinen Strom wesentlicher Alarme.
| Dimension | Batch / punktuell | Perpetuelle KI-Überwachung |
|---|---|---|
| Auslöser | Onboarding + periodisches Überprüfungsdatum | Neue wesentliche Medien, jederzeit |
| Erkennungslatenz | Monate bis Jahre | Nahezu Echtzeit |
| Aufwandsprofil | Grosse periodische Spitzen | Klein, kontinuierlich, risikogesteuert |
| Abdeckung zwischen Überprüfungen | Keine | Vollständig |
| Rauschen pro Ereignis | Jeder Namensvetter, jede Überprüfung | Dedupliziert, disambiguiert |
| Regulatorische Haltung | „Wir screenen periodisch" | „Wir erkennen, wenn sich Risiko ändert" |
5. Governance und Prüfbarkeit
Rauschen zu senken ist nur verteidigbar, wenn die dahinterstehenden Entscheidungen transparent sind. Derselbe Wirksamkeitsmassstab, der das Adverse-Media-Screening motiviert, regelt auch, wie KI darin eingesetzt werden darf.
Erklärbarkeit ist nicht verhandelbar
Jede Unterdrückung und jede Eskalation muss eine menschenlesbare Begründung tragen: warum ein Artikel als eine andere Person betreffend beurteilt wurde, warum eine Feststellung als Nicht-Finanzkriminalität klassifiziert wurde, warum ein Ereignis als historisch eingestuft wurde. Eine still herausgefilterte Feststellung ist für einen Prüfer nicht von einer verpassten Feststellung zu unterscheiden. Erklärbarkeit ist das, was Filterung in eine dokumentierte Entscheidung verwandelt.
Übermässiges Vertrauen vermeiden
Das Modell schlägt vor; der Analyst entscheidet. KI ordnet, clustert und klassifiziert, aber folgenreiche Feststellungen — insbesondere Eskalationen und jede Entscheidung, eine schwere Beschuldigung abzutun — bleiben dokumentierte menschliche Entscheidungen, wobei die KI als Bestätigungs- und Priorisierungsebene dient, genau wie bei einem agentischen KI-Compliance-Copiloten. Übermässiges Vertrauen ist ein Governance-Versagen: eine unterdrückte echte Feststellung ist weit gefährlicher als eine überfüllte Warteschlange.
Dispositionen dokumentieren
Jedes Screening-Ereignis sollte mit seiner Abfrage, den durchsuchten Quellen, den zutage geförderten und unterdrückten Feststellungen mit ihren Gründen, der Disposition des Analysten und einem Zeitstempel protokolliert werden — eine vollständige, rekonstruierbare Aufzeichnung. Unter dem Wirksamkeitsmassstab von 2026 ist dieser Pfad kein Papierkram; er ist der Beweis, dass Ihre Adverse-Media-Kontrolle tatsächlich funktioniert, und er ist das, was ein Aufseher zu sehen verlangen wird.
Sich gegen Untererkennung absichern
Das Kardinalrisiko einer auf weniger Rauschen ausgerichteten Kalibrierung ist die Unterdrückung einer echten Feststellung. Drei Schutzmassnahmen sind wesentlich: Finanzkriminalitätskategorien mit hoher Schwere niemals ohne menschliche Prüfung automatisch unterdrücken; den Recall gegen bekannte Positiv-Testfälle überwachen; und unterdrückte Feststellungen periodisch backtesten, um zu bestätigen, dass sie wirklich irrelevant waren.
6. Vorher und nachher: die Zahlen
Der kombinierte Effekt ist ein Sprung im Verhältnis von wesentlichen Feststellungen zu Rohtreffern — Abdeckung erhalten, Rauschen entfernt.
| Kennzahl | Manuelles / Stichwort-Screening | KI-gestützt (Wecan) | Verbesserung |
|---|---|---|---|
| Rohtreffer geprüft pro Name | 20–50 | 2–5 wesentlich | −85 bis −90 % |
| Zeit pro geprüftem Namen | 20–40 Minuten | 3–6 Minuten | −80 bis −85 % |
| Treffer-Relevanzquote | 5–15 % | 70–85 % | ≈ +65 Pkt. |
| Duplizierte Ereignisse zusammengeführt | Keine | Zu einem geclustert | — |
| Abdeckung zwischen Überprüfungen | Punktuell | Kontinuierlich | Vollständig |
| Verpasste wesentliche Feststellungen | Ausgangswert | Kein Anstieg (Ziel) | Gehalten oder verbessert |
Die letzte Zeile bestimmt den Rest: Präzisionsgewinne sind nur akzeptabel, wenn echte Feststellungen ebenso gut oder besser erkannt werden als zuvor. Eine durch blosses Verengen der Suche erreichte Rauschreduktion wäre ein Compliance-Versagen, kein Gewinn. Der gesamte Wert der KI besteht hier darin, irrelevantes Volumen zu senken, ohne die Empfindlichkeit für echtes Risiko zu senken.
7. Wie Wecan Comply Adverse Media handhabt
Wecan Comply behandelt Adverse Media als Relevanzproblem, nicht als Volumenproblem. Seine Screening-Ebene disambiguiert jede Feststellung anhand des Kundenprofils, um Namensvettern herauszufiltern, klassifiziert Feststellungen nach Risikokategorie, ordnet sie nach Schwere und Quellenqualität und clustert duplizierte Berichte desselben Ereignisses zu einer einzigen konsolidierten Feststellung. Was einen Analysten erreicht, ist die wesentliche Minderheit — nicht die Wand von Rohtreffern, die eine Stichwortsuche zurückliefert.
Weil dieselbe Ebene kontinuierlich läuft, bewegt Wecan Adverse Media von punktuellen Prüfungen zu perpetueller Überwachung des bestehenden Kundenstamms und löst nur dann einen Alarm aus, wenn wirklich neue, wesentliche Information erscheint. Und weil jede Unterdrückung und Eskalation eine Erklärung und einen vollständigen Prüfpfad trägt, ist die Kontrolle Zeile für Zeile verteidigbar — zeitnah, nachvollziehbar und evidenzbasiert, genau der Massstab, den der Wirksamkeitswechsel von 2026 verlangt. Das Ergebnis ist ein Adverse-Media-Screening, das mit Ihrem Kundenstamm wächst, ohne eine proportionale Flut von Rauschen zu importieren, und das Sie vor jeder Regulierungsbehörde verteidigen können.