Cómo el Machine Learning Reduce los Falsos Positivos en el Monitoreo AML: Una Solución Fintech

Introducción: La Crisis de Fatiga de Alertas que está Agotando a tu Equipo de Cumplimiento

Los analistas de cumplimiento en fintechs de rápido crecimiento dedican una parte desproporcionada de su jornada a evaluar alertas que, en última instancia, resultan ser legítimas. Los análisis del sector realizados por consultoras, comunidades académicas y organismos supervisores citan repetidamente ratios de falsos positivos del 90 al 95 por ciento en los programas tradicionales de monitoreo de transacciones.[1][2] Los paneles de control se llenan cada mañana con alertas de baja calidad, convirtiendo el monitoreo en un triaje repetitivo mientras que los verdaderos riesgos de blanqueo se ocultan entre el ruido.

La arquitectura regulatoria europea agrava el problema. La próxima Autoridad Europea de Lucha contra el Blanqueo de Capitales (AMLA) unificará las expectativas de supervisión, MiCA extiende las obligaciones de monitoreo a los proveedores de servicios de criptoactivos, y el RGPD impone una disciplina estricta en el tratamiento de datos incluso durante las investigaciones.[10][11][12] Por lo tanto, las fintechs que ignoran los falsos positivos no solo sufren una carga operativa, sino también el riesgo de no cumplir con obligaciones de múltiples regímenes.

Los reguladores y auditores han notado la tensión. La encuesta de preparación AML 2020 de Deloitte identificó los falsos positivos como el principal obstáculo operativo para las entidades reguladas que aceleran el onboarding digital.[3] Los estudios de caso europeos recientes refuerzan la magnitud: los grandes bancos minoristas y universales documentan decenas de miles de alertas mensuales con tasas de falsos positivos muy superiores al noventa por ciento, dejando a equipos de cumplimiento reducidos la tarea de filtrar el ruido.[4][5]

Los organismos supervisores han intensificado las acciones de cumplimiento cuando las instituciones no priorizan el riesgo material. La acción de la FCA contra Starling Bank y la sanción de BaFin a N26 citaron explícitamente atrasos en alertas y debilidades en las escalaciones, subrayando que los reguladores ven los falsos positivos no gestionados como una debilidad sistémica y no como un mero inconveniente.[14][15] Para los fundadores de fintech que operan con recursos limitados, la combinación de desperdicio operativo y exposición regulatoria puede frenar lanzamientos o descarrilar rondas de financiación.

El machine learning ofrece una respuesta práctica. Las implementaciones documentadas muestran reducciones medibles del 31 al 33 por ciento en falsos positivos en los primeros ciclos de lanzamiento, con revisiones más amplias del sector que describen mejoras del 30 al 60 por ciento cuando se ejecutan análisis comportamentales, detección de anomalías y bucles de retroalimentación de analistas con una gobernanza adecuada.[4][5][7] Este artículo detalla por qué los sistemas basados en reglas crean fatiga de alertas, cómo el machine learning cambia la ecuación, cómo se ve el caso de negocio, y cómo Veridaq alinea la tecnología con las expectativas regulatorias europeas en evolución.

Por Qué los Sistemas AML Tradicionales Generan Excesivos Falsos Positivos

El monitoreo AML tradicional basado en reglas aplica umbrales estáticos y heurísticas que no pueden seguir el ritmo de las bases de clientes dinámicas de las fintech.[6] Reglas como "marcar toda transferencia superior a 5.000 EUR" o "activar una alerta después de diez transacciones al día" ignoran señales contextuales, por lo que la actividad perfectamente legítima se escala simplemente porque cruza un umbral arbitrario.

Por qué las reglas fallan a escala:[6][7]

• Lógica estática en un negocio dinámico. Los umbrales codificados para un producto o geografía se desvían de la realidad a medida que evoluciona la mezcla de clientes.
• Ceguera contextual. Las reglas tratan un pago de 10.000 EUR de la misma manera independientemente del historial del cliente, dispositivo o relación con la contraparte.
• Desajuste de segmentos. Los autónomos, trabajadores de la economía gig, pequeñas empresas y consumidores minoristas se comportan de manera diferente, pero las bibliotecas de reglas a menudo aplican una lógica única para todos.
• Carga de mantenimiento manual. Los equipos de cumplimiento dedican docenas de horas al mes a reajustar reglas, solo para crear nuevos puntos ciegos en otro lugar.

Consecuencias operativas:[3][6][7]

• Las colas de alertas se inflan. Los analistas deben revisar cientos de alertas de bajo riesgo antes de llegar a un caso genuinamente sospechoso, inflando los atrasos.
• La calidad de la investigación sufre. La fatiga de alertas erosiona la concentración, aumentando la probabilidad de pasar por alto tipologías críticas.
• Aparecen brechas de documentación. Los equipos bajo presión luchan por producir justificaciones listas para auditoría al descartar alertas.
• Los reguladores intensifican el escrutinio. Las autoridades europeas ahora esperan evidencia de que las empresas pueden priorizar alertas significativas y evitar incumplir los plazos de Informes de Actividad Sospechosa (SAR).[14][15]

Cómo se ve esto en la práctica. Una startup de pagos en etapa seed que se expande a Alemania puede heredar un paquete de reglas de proveedor que marca todo pago superior a 2.000 EUR. A medida que los autónomos facturan a clientes corporativos, las transacciones legítimas activan alertas que los analistas deben revisar manualmente, a menudo con poco contexto más allá del monto de la transacción. Los analistas alternan entre pantallas de banca core, onboarding y sanciones para reunir evidencia, dedicando 20 a 30 minutos por alerta simplemente para confirmar flujo de caja rutinario. El trabajo de campo de Deloitte 2024 confirma que los equipos enfrentados a tales atrasos repriorizan las investigaciones al criterio "más antiguo primero", retrasando las escalaciones de riesgo genuino y erosionando la puntualidad de los SAR.[7] Cuando este patrón persiste, los reguladores tratan el atraso como un indicador de fallo sistémico de control.[14][15]

Coste humano del ajuste manual. Los ingenieros de cumplimiento encargados de actualizar las bibliotecas de reglas raramente tienen el lujo de etiquetas históricas limpias. FATF señala que las organizaciones a menudo agregan nuevos umbrales después de cada revisión regulatoria, creando lógica conflictiva entre jurisdicciones.[6] La proliferación de reglas resultante es frágil: nuevas reglas producen interacciones imprevistas, las reglas más antiguas permanecen por temor a perder casos extremos, y los analistas reciben mensajes mixtos sobre qué constituye riesgo. Con el tiempo, el ciclo de "soluciones rápidas" genera más alertas de las que resuelve, impulsando la deserción entre el personal experimentado y dejando a analistas junior con cargas de investigación sin un conocimiento institucional robusto.[3][7]

El resultado neto es predecible: los sistemas basados en reglas sobrerreportan comportamiento benigno, subreportan blanqueo sutil, y empujan al personal de cumplimiento hacia el agotamiento precisamente cuando las expectativas de supervisión están aumentando.

Cómo el Machine Learning Transforma las Tasas de Falsos Positivos en AML

El machine learning aborda la fatiga de alertas construyendo modelos de riesgo adaptativos que aprenden del comportamiento real del cliente en lugar de confiar en heurísticas estáticas.[6] En lugar de tratar cada desviación como sospechosa, los motores de ML comparan cada transacción con líneas base comportamentales ricas y contexto entre señales, permitiendo variación legítima mientras marcan actividad genuinamente anómala.

Capacidades core de ML que reducen falsos positivos:[6][7][8][9]

• Perfilado comportamental. Las líneas base se construyen por cliente o segmento de cliente, por lo que autónomos, PYMEs, trabajadores asalariados y usuarios de criptomonedas se evalúan frente a pares con patrones similares.
• Detección de anomalías. Técnicas no supervisadas marcan desviaciones de esas líneas base, capturando tipologías previamente no vistas sin depender de reglas predefinidas.
• Puntuación de riesgo contextual. Los modelos ingieren datos temporales, geográficos, de dispositivo, contraparte y velocidad, produciendo puntuaciones de riesgo compuestas basadas en la narrativa completa de la transacción.
• Aprendizaje con humano en el bucle. Las disposiciones de los analistas retroalimentan los modelos, mejorando la precisión con el tiempo mientras satisfacen estándares de gobernanza para supervisión y documentación.
• Explicabilidad por diseño. Códigos de razón a nivel de característica y registros de linaje permiten a los equipos demostrar cómo se tomó cada decisión, alineándose con las expectativas de la UE para IA transparente en servicios financieros.

Cómo se ve el éxito en la práctica:[4][5][7]

• Un banco universal europeo documentó una reducción del 31 por ciento en falsos positivos después de implementar triaje basado en ML, liberando investigadores para enfocarse en alertas de alto riesgo.[4]
• Un gran banco minorista logró una reducción del 33 por ciento y acortó los ciclos de investigación una vez que emparejó el machine learning con bucles de retroalimentación de analistas.[5]
• El benchmarking 2024 de Deloitte muestra que instituciones que usan análisis comportamental reportan una priorización más nítida y rutas de escalación más rápidas que sus pares que confían puramente en umbrales.[7]

Estas mejoras no eliminan la experiencia humana; la amplifican. Los analistas dedican tiempo a las alertas que importan, los equipos de gobernanza obtienen mejor evidencia para los reguladores, y los equipos de ingeniería evitan reescribir interminablemente bibliotecas de reglas frágiles.

Prerrequisitos de implementación:[6][8][9]

• Datos etiquetados de alta calidad. Las ejecuciones paralelas con revisión humana proporcionan los bucles de retroalimentación que los modelos requieren para distinguir entre riesgo genuino y comportamiento benigno.
• Gobernanza de riesgo del modelo. Las instituciones deben mantener inventarios, cadencias de validación y modelos desafiantes para satisfacer las expectativas de EBA y BIS para sistemas de IA en procesos críticos.
• Controles de privacidad y acceso. Los principios del Artículo 25 del RGPD requieren minimizar los datos utilizados para el modelado y hacer cumplir el acceso granular, incluso cuando se opera dentro de centros de datos de la UE.[10]
• Colaboración interfuncional. Los equipos de producto, ingeniería y cumplimiento necesitan taxonomías compartidas para categorías de alertas y razones de disposición para que la retroalimentación sea interpretable por el modelo.
• Monitoreo continuo del rendimiento. Establezca paneles de control para detección de desviaciones, anomalías de calidad de datos y resultados de back-testing para que los problemas se detecten antes de que lo hagan los supervisores.

FATF enfatiza que las nuevas tecnologías entregan valor solo cuando se equilibran con una gobernanza sólida.[6] Los artefactos de explicabilidad como gráficos de contribución de características y códigos de razón permiten a los responsables de cumplimiento interrogar por qué un modelo marcó una transacción, mientras que los modelos desafiantes y la validación periódica protegen contra la deriva. La guía de BIS y EBA recomienda pruebas formales bajo escenarios de estrés (por ejemplo, picos repentinos en pagos transfronterizos) para asegurar que los modelos mantengan el rendimiento durante lanzamientos de productos o shocks de mercado.[8][9]

En paralelo, el RGPD exige que las empresas mantengan pistas de auditoría de quién accedió a qué datos de clientes y por qué.[10] Veridaq proporciona informes de linaje que muestran entradas, transformaciones y salidas del modelo—evidencia crítica al demostrar que los datos personales se procesaron legalmente y proporcionalmente durante las investigaciones.

La preparación de datos es a menudo el mayor obstáculo práctico. Los modelos de datos de fintech pueden abarcar banca core, pasarelas de pago, procesadores de tarjetas y libros de criptomonedas, cada uno con identificadores ligeramente diferentes. La investigación de Deloitte 2024 destaca que los programas de ML exitosos invierten en gestión de datos maestros para que las transacciones puedan conciliarse entre sistemas, mientras que FATF advierte que la mala higiene de datos socava cualquier ventaja tecnológica.[6][7] Veridaq incluye aceleradores de integración y plantillas de esquema para que los equipos puedan alinear fuentes de datos dispares sin meses de esfuerzo de ingeniería.

Impacto Real: Datos de ROI para Equipos de Cumplimiento Fintech

El caso de negocio para el monitoreo AML impulsado por ML se basa en tres pilares: ganancias de eficiencia, resiliencia regulatoria y experiencia del cliente. Cada uno tiene respaldo empírico de estudios de caso, acciones de supervisión y benchmarking del sector.

1. Ganancias de eficiencia de investigaciones dirigidas

• Evidencia. Las implementaciones europeas documentadas reportan reducciones del 31 al 33 por ciento en falsos positivos, traduciéndose en materialmente menos alertas que entran en colas manuales.[4][5] El análisis 2024 de Deloitte señala que las instituciones que incorporan análisis comportamental reasignan horas de analistas del triaje a trabajo de investigación de mayor valor.[7]
• Implicación. Los equipos de cumplimiento fintech reducidos pueden absorber el crecimiento de transacciones sin aumentar linealmente la plantilla. El tiempo recuperado de limpiar alertas benignas se reinvierte en diligencia debida mejorada, desarrollo de tipologías y coordinación con equipos de producto.
• En la práctica. Una fintech Serie A que procesa decenas de miles de transacciones mensuales puede redistribuir analistas de limpiar alertas repetitivas de pequeño valor a construir lógica de resolución de entidades, colaborar con contrapartes de fraude y automatizar narrativas SAR. Estas tareas de orden superior fueron previamente excluidas por la gestión manual de colas.

2. Resiliencia regulatoria y preparación para auditorías

• Evidencia. El aviso final de la FCA de 2024 para Starling Bank y la sanción de BaFin de 2024 a N26 citaron cada uno debilidades en la gobernanza de alertas y puntualidad de SAR.[14][15] La guía FATF alienta explícitamente a las entidades reguladas a adoptar nuevas tecnologías con salvaguardas apropiadas para mejorar la calidad de detección.[6]
• Implicación. Demostrar priorización de alertas basada en riesgo, gobernanza documentada del modelo y presentaciones puntuales de SAR posiciona a las fintechs favorablemente durante revisiones de supervisión. Los sistemas de ML que proporcionan decisiones rastreables ayudan a satisfacer las expectativas de transparencia ahora incorporadas en los diálogos de supervisión de la UE.[8][9]
• En la práctica. Durante revisiones temáticas, los supervisores solicitan cada vez más evidencia de cómo se trían las alertas y cómo se supervisan los modelos. Las empresas capaces de producir inventarios de modelos, resultados de validación y notas de investigadores vinculadas a cada alerta agilizan estos compromisos y evitan directivas de remediación que pueden frenar la expansión del mercado.

3. Experiencia del cliente y protección de ingresos

• Evidencia. La encuesta 2024 de Deloitte vincula un onboarding más rápido y menos retenciones innecesarias a programas que digitalizan la evaluación de riesgos e incorporan análisis comportamental.[7]
• Implicación. Al reducir las falsas alarmas en clientes legítimos, las fintechs minimizan la fricción del onboarding y reducen el abandono. Un tiempo de activación más rápido respalda los objetivos de crecimiento mientras mantiene el cumplimiento alineado con las obligaciones de RGPD y PSD2.
• En la práctica. Cuando los clientes de bajo riesgo se aprueban automáticamente, los equipos de producto pueden habilitar emisión instantánea de cuentas o aprovisionamiento de tarjetas. El soporte al cliente ve menos escalaciones relacionadas con "revisión de cumplimiento pendiente", y marketing puede promover con confianza la activación rápida sin arriesgar excepciones regulatorias.

En conjunto, estos pilares entregan una narrativa de ROI pragmática: menos investigaciones desperdiciadas, postura regulatoria más fuerte y un recorrido del cliente más fluido.

Métricas para monitorear a lo largo del recorrido:[7]

• Precisión y exhaustividad de alertas. Rastree cuántas alertas se convierten en SARs o investigaciones de diligencia debida mejorada para evidenciar mejoras de calidad.
• Horas de analista por alerta. Cuantifique el tiempo ahorrado para planificación de fuerza laboral y para sustentar solicitudes de presupuesto para herramientas.
• Antigüedad de SAR y puntuaciones de calidad. Demuestre a los reguladores que las escalaciones se aceleran y la calidad narrativa mejora a medida que los analistas se enfocan en casos sustantivos.
• Tiempos de activación de clientes. Correlacione la velocidad de onboarding con las reducciones de falsos positivos para mostrar impacto en ingresos junto con beneficios de cumplimiento.

Enmarcar estas métricas dentro de un caso de negocio ayuda a asegurar la alineación de las partes interesadas. Los equipos de finanzas aprecian modelos que traducen reducciones de alertas en evitación de costos, mientras que los consejos y los inversores responden a narrativas que vinculan la fortaleza del cumplimiento con el acceso al mercado. Incorporar los ejemplos de aplicación de la FCA y BaFin en presentaciones al consejo ilustra el riesgo de la inacción, haciendo más tangible el beneficio de la inversión en ML.[14][15]

Veridaq: AML Impulsado por ML Diseñado Específicamente para Fintechs Europeas

Veridaq fue diseñado para las trayectorias de crecimiento de fintechs europeas, acoplando machine learning con elecciones de diseño regulatorio que anticipan el régimen de la Autoridad Europea de Lucha contra el Blanqueo de Capitales (AMLA) y regulaciones adyacentes.

• Preparado para supervisión AMLA. Con la supervisión directa de AMLA comenzando el 1 de enero de 2028, Veridaq mantiene artefactos de gobernanza del modelo, registros de cambios y pipelines de SAR estructurados para ajustarse al plan de supervisión de la autoridad.[11] Las plantillas mapean alertas a taxonomías de reporte AMLA para que los equipos de cumplimiento puedan satisfacer tanto los requisitos de UIF nacionales como la coordinación a nivel de la UE.
• Alineación con MiCA y pagos. El soporte nativo para modelos de datos de criptoactivos y tipologías de pagos refleja la aplicación por fases del Reglamento de Mercados de Criptoactivos y estándares técnicos relacionados.[12][13] Veridaq captura proveniencia de billeteras, hashes de transacciones y atributos de travel-rule junto con metadatos de pagos tradicionales, habilitando monitoreo unificado a través de rieles fiat y de activos digitales.
• RGPD y residencia de datos. Todo el procesamiento ocurre dentro de centros de datos de la UE (Frankfurt y Amsterdam), y los controles de la plataforma siguen las expectativas de privacidad por diseño establecidas en las Directrices 4/2019 del EDPB sobre el Artículo 25.[10]
• Explicabilidad y supervisión. La atribución de características, modelos desafiantes y flujos de trabajo de validación periódica siguen la guía de la Autoridad Bancaria Europea sobre gobernanza de machine learning y las recomendaciones del Instituto de Estabilidad Financiera del BIS para la gestión de riesgos de IA.[8][9]
• Flexibilidad comercial. El precio por transacción y la integración API-first permiten a equipos en etapa seed lanzar el monitoreo rápidamente, mientras que la misma arquitectura escala a volúmenes de Serie B sin migraciones de plataforma.

Cada elección de diseño proviene de la realidad de que las fintechs europeas inevitablemente enfrentan supervisión multijurisdiccional. AMLA coordinará supervisores nacionales, MiCA introduce nuevo reporte para criptoactivos, y el RGPD impone obligaciones estrictas de tratamiento de datos. La arquitectura de Veridaq acorta la distancia entre expectativa regulatoria y ejecución operativa: la documentación es exportable para colegios de supervisores, la residencia de datos es demostrable a través de atestaciones de infraestructura, y el precio escala con el volumen de transacciones en lugar de forzar a empresas en etapa temprana a compromisos empresariales.

El resultado es una plataforma que aborda los falsos positivos mientras incorpora la documentación, transparencia y localización que los supervisores europeos ahora esperan.

Preguntas Frecuentes: Machine Learning AML para Fundadores de Fintech

¿Necesitamos AML impulsado por ML en etapa seed, o puede esperar hasta la Serie A? Los reguladores esperan que las fintechs reguladas monitoreen transacciones desde el día uno, independientemente de la plantilla.[6][14][15] Implementar ML temprano mantiene los volúmenes de alertas manejables para equipos pequeños y demuestra gestión proactiva del riesgo durante revisiones de inversores y supervisión. Los fundadores que pueden evidenciar gobernanza del modelo y métricas de alertas durante conversaciones de diligencia debida proporcionan a los inversores confianza de que el riesgo de cumplimiento está bajo control, lo que a su vez acelera las aprobaciones de productos con bancos socios y esquemas de pago.[3][7]

¿Cuánto tiempo hasta que veamos una reducción significativa de falsos positivos? Los estudios de caso europeos registraron reducciones del 31 al 33 por ciento dentro de las fases iniciales de implementación una vez que los modelos comportamentales y los bucles de retroalimentación de analistas estaban operativos.[4][5] Las victorias tempranas típicamente aparecen después de una ejecución paralela que permite a los equipos calibrar umbrales antes del corte completo. FATF recomienda combinar ejecuciones piloto con validación estructurada para asegurar que las ganancias persistan entre segmentos de clientes, por lo que los equipos deben asignar tiempo para revisiones interfuncionales antes de apagar las reglas heredadas.[6]

¿Qué sucede con los analistas de cumplimiento cuando los volúmenes de alertas caen? El benchmarking 2024 de Deloitte muestra que los equipos reasignan personal a investigaciones, diseño de tipologías y enlace regulatorio a medida que el análisis comportamental reduce el trabajo de triaje repetitivo.[7] El ML eleva el trabajo de analistas en lugar de reemplazarlo. Los analistas se convierten en expertos de dominio que explican tipologías a gerentes de producto, contribuyen a reuniones de validación de modelos y colaboran con equipos de fraude en estrategias de detección conjunta—actividades que previamente fueron excluidas por el triaje constante de alertas.

¿Cómo se mantienen los modelos adelante de las nuevas técnicas de blanqueo? La guía FATF recomienda emparejar modelos supervisados (para tipologías conocidas) con detección de anomalías no supervisada para revelar patrones emergentes, respaldados por validación humana y gobernanza.[6] Veridaq sigue este enfoque, combinando aprendizaje continuo con supervisión alineada a las expectativas de EBA.[9]

¿Es el machine learning más costoso que los conjuntos de reglas tradicionales? Aunque las plataformas de ML pueden tener tarifas de software más altas, la investigación 2024 de Deloitte indica que los ahorros de investigación manual reducida típicamente superan los costos de licencia dentro del primer año operativo.[7] El costo total de propiedad mejora a medida que las colas de alertas se reducen. Las organizaciones que rastrean métricas como alertas por mil transacciones, horas de analista por alerta y antigüedad de SAR verán el impacto financiero en sus paneles de control, proporcionando evidencia concreta para discusiones de presupuesto.

¿Qué base de datos necesitamos antes de activar el ML? Los programas exitosos concilian datos a través de banca core, pasarelas de pago, procesadores de tarjetas y libros de criptomonedas para que los modelos vean la historia completa del cliente.[6][7] La EBA alienta a las empresas a documentar el linaje de datos y las verificaciones de calidad como parte de la gobernanza del modelo, asegurando que los valores faltantes o identificadores inconsistentes no erosionen el rendimiento.[9] Las plantillas de esquema de Veridaq aceleran esta alineación, pero los equipos aún deben realizar perfilado de datos y limpieza antes del despliegue en producción.

¿Cómo asegura Veridaq la explicabilidad y el cumplimiento del RGPD? La plataforma mantiene códigos de razón a nivel de característica, documentación del modelo lista para auditoría y controles de privacidad por diseño consistentes con la guía de BIS, EBA y EDPB.[8][9][10] Estos artefactos respaldan exámenes de supervisión y obligaciones de protección de datos simultáneamente. Durante auditorías, los equipos de cumplimiento pueden exportar rastros de decisión que muestran quién revisó cada alerta, qué evidencia se consideró y cómo la recomendación del modelo se comparó con el juicio humano—un requisito crítico bajo los regímenes tanto de AMLA como de RGPD.

[1]: McKinsey & Company (2017). The neglected art of risk detection. https://www.mckinsey.de/~/media/McKinsey/Business Functions/Risk/Our Insights/The neglected art of risk detection/The-neglected-art-of-risk-detection.pdf

[2]: Öztas, B. (2024). False positives in anti-money-laundering systems: A survey. Future Generation Computer Systems. https://www.sciencedirect.com/science/article/pii/S0167739X24002607

[3]: Deloitte (2020). AML Preparedness Survey. https://www.deloitte.com/in/en/services/consulting-financial/research/aml-preparedness-survey-report.html

[4]: NICE Actimize (2024). Large full-service bank reduces AML false positives by 31%. https://www.niceactimize.com/Lists/CustomerSuccesses/Attachments/52/aml_case_study_bank_reduces_false_positives_31_percent.pdf

[5]: NICE Actimize (2023). Large retail bank reduces AML false positives by 33%. https://www.niceactimize.com/Lists/CustomerSuccesses/Attachments/53/aml_case_study_bank_reduces_false_positives_33_percent.pdf

[6]: Financial Action Task Force (2021). Opportunities and Challenges of New Technologies for AML/CFT. https://www.fatf-gafi.org/content/dam/fatf-gafi/guidance/Opportunities-Challenges-of-New-Technologies-for-AML-CFT.pdf

[7]: Deloitte (2024). AML Transaction Monitoring: Challenges and opportunities. https://www.deloitte.com/ch/en/Industries/financial-services/blogs/aml-transaction-monitoring.html

[8]: BIS Financial Stability Institute (2024). Regulating AI in the financial sector: recent developments and main challenges (FSI Insights No.63). https://www.bis.org/fsi/publ/insights63.pdf

[9]: European Banking Authority (2023). Follow-up report on machine learning for IRB models. https://www.eba.europa.eu/sites/default/files/document_library/Publications/Reports/2023/1061483/Follow-up report on machine learning for IRB models.pdf

[10]: European Data Protection Board (2020). Guidelines 4/2019 on Article 25 Data Protection by Design and by Default. https://www.edpb.europa.eu/our-work-tools/our-documents/guidelines/guidelines-42019-article-25-data-protection-design-and_en

[11]: European Union Anti-Money Laundering Authority (2024). About AMLA. https://www.amla.europa.eu/about-amla_en

[12]: European Securities and Markets Authority (2025). Markets in Crypto-Assets Regulation overview. https://www.esma.europa.eu/esmas-activities/digital-finance-and-innovation/markets-crypto-assets-regulation-mica

[13]: European Securities and Markets Authority (2025). MiCA Level 2 and 3 measures timeline. https://www.esma.europa.eu/sites/default/files/2025-07/ESMA75-113276571-1510_MiCA_Level_2_and_3_table.pdf

[14]: Financial Conduct Authority (2024). Final Notice: Starling Bank Limited. https://www.fca.org.uk/publication/final-notices/starling-bank-limited-2024.pdf

[15]: N26 (2024). Statement on BaFin fine related to SAR reporting. https://n26.com/en-eu/press/press-release/statement-on-the-fine-issued-to-n26-bank-ag-by-the-federal-financial-supervisory-authority