Come il Machine Learning Riduce i Falsi Positivi nello Screening AML: Una Soluzione Fintech

Introduzione: La Crisi da Affaticamento degli Alert che Paralizza il Vostro Team di Conformità

Gli analisti della conformità nelle fintech in rapida crescita dedicano una quota sproporzionata della loro giornata alla valutazione di alert che si rivelano poi legittimi. Le analisi di settore condotte da studi di consulenza, mondo accademico e autorità di vigilanza citano ripetutamente tassi di falsi positivi compresi tra il 90 e il 95 per cento nei programmi tradizionali di monitoraggio transazionale.[1][2] Ogni mattina le dashboard si riempiono di alert di bassa qualità, trasformando lo screening in una triage ripetitiva mentre i rischi reali di riciclaggio si nascondono nel rumore.

L'architettura normativa europea rende il problema ancora più acuto. La prossima Autorità Antiriciclaggio unificherà le aspettative di vigilanza, il regolamento MiCA estende gli obblighi di monitoraggio ai fornitori di servizi su cripto-attività, e il GDPR impone una disciplina rigorosa nella gestione dei dati anche durante le indagini.[10][11][12] Le fintech che ignorano i falsi positivi affrontano quindi non solo inefficienze operative, ma anche il rischio di non soddisfare obblighi multi-regime.

Le autorità di regolamentazione e i revisori hanno notato questa tensione. L'indagine Deloitte del 2020 sulla preparazione AML ha identificato i falsi positivi come il principale ostacolo operativo per le imprese regolamentate che accelerano l'onboarding digitale.[3] Recenti casi di studio europei confermano la portata del fenomeno: grandi banche retail e universali documentano decine di migliaia di alert mensili con quote di falsi positivi ben oltre il novanta per cento, lasciando team di conformità snelli a setacciare il rumore.[4][5]

Gli organismi di vigilanza hanno intensificato l'applicazione quando le istituzioni non riescono a dare priorità al rischio materiale. L'azione della FCA contro Starling Bank e la sanzione della BaFin contro N26 hanno esplicitamente citato arretrati di alert e debolezze nelle escalation, sottolineando che le autorità considerano i falsi positivi non gestiti come una debolezza sistemica piuttosto che un inconveniente.[14][15] Per i founder di fintech che operano con risorse limitate, la combinazione di spreco operativo ed esposizione regolatoria può bloccare i lanci o far deragliare le raccolte fondi.

Il machine learning offre una risposta pratica. Le implementazioni documentate mostrano riduzioni misurabili dal 31 al 33 per cento dei falsi positivi nei primi cicli di rilascio, con revisioni di settore più ampie che descrivono miglioramenti dal 30 al 60 per cento quando l'analisi comportamentale, il rilevamento delle anomalie e i cicli di feedback degli analisti vengono eseguiti con una governance appropriata.[4][5][7] Questo articolo illustra perché i sistemi basati su regole creano affaticamento da alert, come il machine learning cambia l'equazione, quale sia il business case e come Veridaq allinei la tecnologia alle aspettative normative europee in evoluzione.

Perché i Sistemi AML Tradizionali Generano Falsi Positivi Eccessivi

Lo screening AML legacy basato su regole applica soglie statiche ed euristiche che non riescono a tenere il passo con le basi clienti dinamiche delle fintech.[6] Regole come "segnala ogni trasferimento superiore a 5.000 EUR" o "attiva un alert dopo dieci transazioni al giorno" ignorano i segnali contestuali, quindi attività perfettamente legittime vengono escalate semplicemente perché superano una soglia grossolana.

Perché le regole falliscono su larga scala:[6][7]

• Logica statica in un business dinamico. Le soglie codificate per un prodotto o una geografia divergono dalla realtà man mano che il mix di clienti evolve.
• Cecità al contesto. Le regole trattano un pagamento da 10.000 EUR allo stesso modo indipendentemente dalla storia del cliente, dal dispositivo o dalla relazione con la controparte.
• Disallineamento dei segmenti. Freelancer, gig worker, piccole imprese e consumatori retail si comportano in modo diverso, eppure le librerie di regole applicano spesso logiche valide per tutti.
• Rallentamento della manutenzione manuale. I team di conformità spendono decine di ore al mese per rifinire le regole, creando solo nuovi punti ciechi altrove.

Ricadute operative:[3][6][7]

• Le code di alert si gonfiano. Gli analisti eliminano centinaia di alert a basso rischio prima di raggiungere un caso genuinamente sospetto, gonfiando gli arretrati.
• La qualità delle indagini ne risente. L'affaticamento da alert erode la concentrazione, aumentando la probabilità di trascurare tipologie critiche.
• Emergono lacune nella documentazione. I team sotto pressione faticano a produrre giustificazioni pronte per l'audit per il rigetto degli alert.
• Le autorità intensificano il controllo. Le autorità europee ora si aspettano prove che le imprese possano dare priorità agli alert significativi ed evitare di perdere le scadenze per le Segnalazioni di Operazioni Sospette (SOS).[14][15]

Come appare nella pratica. Una startup di pagamenti in fase seed che si espande in Germania può ereditare un pacchetto di regole del fornitore che segnala ogni pagamento superiore a 2.000 EUR. Man mano che i freelancer fatturano ai clienti aziendali, le transazioni legittime attivano alert che gli analisti devono eliminare manualmente, spesso con poco contesto oltre all'importo della transazione. Gli analisti passano da core banking, onboarding e schermate di sanzioni per assemblare prove, impiegando 20-30 minuti per alert semplicemente per confermare flussi di cassa di routine. Il lavoro sul campo Deloitte del 2024 conferma che i team di fronte a tali arretrati ridefiniscono le priorità delle indagini su "il più vecchio prima", ritardando le escalation di rischio genuino ed erodendo la tempestività delle SOS.[7] Quando questo schema persiste, le autorità trattano l'arretrato come un indicatore di fallimento del controllo sistemico.[14][15]

Costo umano della sintonizzazione manuale. Gli ingegneri della conformità incaricati di aggiornare le librerie di regole raramente hanno il lusso di etichette storiche pulite. Il GAFI osserva che le organizzazioni spesso aggiungono nuove soglie dopo ogni revisione normativa, creando logiche conflittuali tra giurisdizioni.[6] La conseguente proliferazione di regole è fragile: nuove regole producono interazioni impreviste, le regole più vecchie rimangono per paura di perdere casi limite, e gli analisti ricevono messaggi contrastanti su cosa costituisce rischio. Nel tempo, il ciclo di "soluzione rapida" genera più alert di quanti ne risolva, spingendo all'abbandono del personale esperto e lasciando analisti junior a gestire carichi di lavoro investigativo senza una robusta conoscenza istituzionale.[3][7]

Il risultato netto è prevedibile: i sistemi basati su regole segnalano eccessivamente comportamenti benigni, sottostimano il riciclaggio sottile e spingono il personale di conformità verso il burnout proprio quando le aspettative di vigilanza stanno aumentando.

Come il Machine Learning Trasforma i Tassi di Falsi Positivi AML

Il machine learning affronta l'affaticamento da alert costruendo modelli di rischio adattivi che apprendono dal comportamento reale dei clienti invece di affidarsi a euristiche statiche.[6] Piuttosto che trattare ogni deviazione come sospetta, i motori ML confrontano ogni transazione con baseline comportamentali ricche e contesto cross-signal, consentendo variazioni legittime mentre segnalano attività genuinamente anomale.

Capacità ML fondamentali che riducono i falsi positivi:[6][7][8][9]

• Profilazione comportamentale. Le baseline sono costruite per cliente o segmento di clienti, quindi freelancer, PMI, lavoratori dipendenti e utenti crypto sono valutati rispetto ai pari con pattern simili.
• Rilevamento delle anomalie. Le tecniche non supervisionate segnalano deviazioni da quelle baseline, catturando tipologie mai viste prima senza affidarsi a regole predefinite.
• Scoring di rischio contestuale. I modelli ingeriscono dati temporali, geografici, di dispositivo, controparte e velocità, producendo punteggi di rischio compositi radicati nella narrazione transazionale completa.
• Apprendimento human-in-the-loop. Le disposizioni degli analisti alimentano i modelli, migliorando la precisione nel tempo pur soddisfacendo gli standard di governance per supervisione e documentazione.
• Spiegabilità by design. Codici di ragione a livello di feature e log di lineage consentono ai team di dimostrare come è stata presa ogni decisione, allineandosi con le aspettative UE per l'IA trasparente nei servizi finanziari.

Come appare il successo nella pratica:[4][5][7]

• Una banca universale europea ha documentato una riduzione del 31 per cento dei falsi positivi dopo aver implementato la triage basata su ML, liberando gli investigatori a concentrarsi su alert ad alto rischio.[4]
• Una grande banca retail ha ottenuto una riduzione del 33 per cento e accorciato i cicli di indagine una volta accoppiato il machine learning con i cicli di feedback degli analisti.[5]
• Il benchmarking Deloitte del 2024 mostra che le istituzioni che utilizzano l'analisi comportamentale riportano una prioritizzazione più nitida e percorsi di escalation più rapidi rispetto ai pari che si affidano puramente alle soglie.[7]

Questi miglioramenti non eliminano l'expertise umana; la amplificano. Gli analisti spendono tempo sugli alert che contano, i team di governance ottengono prove migliori per le autorità e i team di ingegneria evitano di riscrivere infinite librerie di regole fragili.

Prerequisiti di implementazione:[6][8][9]

• Dati etichettati di alta qualità. Le esecuzioni parallele con revisione umana forniscono i cicli di feedback richiesti dai modelli per distinguere tra rischio genuino e comportamento benigno.
• Governance del rischio del modello. Le istituzioni devono mantenere inventari, cadenze di convalida e modelli challenger per soddisfare le aspettative EBA e BIS per i sistemi AI nei processi critici.
• Privacy e controlli di accesso. I principi GDPR dell'Articolo 25 richiedono di minimizzare i dati utilizzati per la modellazione e di applicare accessi granulari, anche quando si opera all'interno dei data center UE.[10]
• Collaborazione interfunzionale. Team di prodotto, ingegneria e conformità necessitano di tassonomie condivise per categorie di alert e ragioni di disposizione in modo che il feedback sia interpretabile dal modello.
• Monitoraggio continuo delle prestazioni. Stabilire dashboard per il rilevamento della deriva, anomalie della qualità dei dati e risultati di back-testing in modo che i problemi vengano catturati prima che lo facciano i supervisori.

Il GAFI sottolinea che le nuove tecnologie forniscono valore solo quando bilanciate con una governance solida.[6] Artefatti di spiegabilità come grafici di contribuzione delle feature e codici di ragione consentono ai responsabili della conformità di interrogare perché un modello ha segnalato una transazione, mentre i modelli challenger e la convalida periodica proteggono contro la deriva. Le linee guida BIS ed EBA raccomandano test formali in scenari di stress (ad esempio, picchi improvvisi di pagamenti transfrontalieri) per garantire che i modelli mantengano le prestazioni durante i lanci di prodotti o shock di mercato.[8][9]

In parallelo, il GDPR richiede che le imprese mantengano tracce di audit di chi ha avuto accesso a quali dati dei clienti e perché.[10] Veridaq fornisce report di lineage che mostrano input del modello, trasformazioni e output—prove critiche quando si dimostra che i dati personali sono stati trattati legalmente e proporzionalmente durante le indagini.

La preparazione dei dati è spesso l'ostacolo pratico più grande. I modelli di dati fintech possono estendersi su core banking, gateway di pagamento, processori di carte e ledger crypto, ciascuno con identificatori leggermente diversi. La ricerca Deloitte del 2024 evidenzia che i programmi ML di successo investono nella gestione dei master data in modo che le transazioni possano essere riconciliate tra i sistemi, mentre il GAFI avverte che una scarsa igiene dei dati mina qualsiasi vantaggio tecnologico.[6][7] Veridaq fornisce acceleratori di integrazione e template di schema in modo che i team possano allineare fonti di dati disparate senza mesi di sforzo ingegneristico.

Impatto Reale: Dati ROI per i Team di Conformità Fintech

Il business case per il monitoraggio AML basato su ML poggia su tre pilastri: guadagni di efficienza, resilienza normativa ed esperienza del cliente. Ognuno ha supporto empirico da casi di studio, azioni di vigilanza e benchmarking di settore.

1. Guadagni di efficienza da indagini mirate

• Evidenza. Implementazioni europee documentate riportano riduzioni dal 31 al 33 per cento dei falsi positivi, traducendosi in un numero materialmente inferiore di alert che entrano nelle code manuali.[4][5] L'analisi Deloitte del 2024 nota che le istituzioni che integrano l'analisi comportamentale riallocano le ore degli analisti dalla triage al lavoro investigativo di maggior valore.[7]
• Implicazione. I team di conformità fintech snelli possono assorbire la crescita transazionale senza aumentare linearmente l'organico. Il tempo recuperato dall'eliminazione di alert benigni viene reinvestito in due diligence rafforzata, sviluppo di tipologie e coordinamento con i team di prodotto.
• Nella pratica. Una fintech in Serie A che elabora decine di migliaia di transazioni mensili può ridistribuire gli analisti dall'eliminazione di alert ripetitivi di piccolo valore alla costruzione di logica di entity-resolution, collaborazione con controparti di frode e automazione delle narrazioni SOS. Queste attività di ordine superiore erano precedentemente eliminate dalla gestione manuale delle code.

2. Resilienza normativa e preparazione all'audit

• Evidenza. L'avviso finale della FCA del 2024 per Starling Bank e la sanzione della BaFin del 2024 su N26 hanno ciascuno citato debolezze nella governance degli alert e nella tempestività delle SOS.[14][15] Le linee guida GAFI incoraggiano esplicitamente le entità regolamentate ad adottare nuove tecnologie con salvaguardie appropriate per migliorare la qualità del rilevamento.[6]
• Implicazione. Dimostrare prioritizzazione degli alert basata sul rischio, governance documentata del modello e presentazioni SOS tempestive posiziona favorevolmente le fintech durante le revisioni di vigilanza. I sistemi ML che forniscono decisioni tracciabili aiutano a soddisfare le aspettative di trasparenza ora integrate nei dialoghi di vigilanza UE.[8][9]
• Nella pratica. Durante le revisioni tematiche, i supervisori richiedono sempre più prove di come gli alert vengano selezionati e come i modelli vengano supervisionati. Le imprese in grado di produrre inventari di modelli, risultati di convalida e note degli investigatori legate a ciascun alert semplificano questi impegni ed evitano direttive di rimedio che possono bloccare l'espansione del mercato.

3. Esperienza del cliente e protezione dei ricavi

• Evidenza. L'indagine Deloitte del 2024 collega onboarding più rapido e meno blocchi non necessari a programmi che digitalizzano la valutazione del rischio e incorporano l'analisi comportamentale.[7]
• Implicazione. Riducendo i falsi allarmi sui clienti legittimi, le fintech minimizzano l'attrito nell'onboarding e riducono l'abbandono. Il tempo più rapido per l'attivazione supporta gli obiettivi di crescita mantenendo la conformità allineata con gli obblighi GDPR e PSD2.
• Nella pratica. Quando i clienti a basso rischio vengono autorizzati automaticamente, i team di prodotto possono abilitare l'emissione istantanea di account o il provisioning di carte. Il supporto clienti vede meno escalation relative a "revisione di conformità in sospeso" e il marketing può promuovere con fiducia l'attivazione rapida senza rischiare eccezioni normative.

Presi insieme, questi pilastri forniscono una narrazione ROI pragmatica: meno indagini sprecate, posizione normativa più forte e un percorso cliente più fluido.

Metriche da monitorare lungo il percorso:[7]

• Precisione e recall degli alert. Tracciare quanti alert si convertono in SOS o indagini di due diligence rafforzata per evidenziare miglioramenti di qualità.
• Ore analista per alert. Quantificare il tempo risparmiato per la pianificazione della forza lavoro e per giustificare richieste di budget per strumenti.
• Invecchiamento e punteggi di qualità SOS. Dimostrare alle autorità che le escalation accelerano e la qualità narrativa migliora man mano che gli analisti si concentrano su casi sostanziali.
• Tempi di attivazione del cliente. Correlare la velocità di onboarding con le riduzioni dei falsi positivi per mostrare l'impatto sui ricavi insieme ai benefici di conformità.

Inquadrare queste metriche all'interno di un business case aiuta a garantire l'allineamento degli stakeholder. I team finanziari apprezzano i modelli che traducono le riduzioni degli alert in evitamento dei costi, mentre i consigli e gli investitori rispondono a narrazioni che collegano la forza della conformità con l'accesso al mercato. Incorporare gli esempi di enforcement FCA e BaFin nei pacchetti del consiglio illustra il lato negativo dell'inazione, rendendo il lato positivo dell'investimento ML più tangibile.[14][15]

Veridaq: ML-Driven AML Costruito Appositamente per le Fintech Europee

Veridaq è stato progettato per le traiettorie di crescita delle fintech europee, accoppiando il machine learning con scelte di design normativo che anticipano il regime dell'Autorità Antiriciclaggio UE (AMLA) e le normative adiacenti.

• Supervisione pronta per AMLA. Con la supervisione diretta AMLA che inizia il 1° gennaio 2028, Veridaq mantiene artefatti di governance del modello, log delle modifiche e pipeline SOS strutturate per adattarsi al progetto di vigilanza dell'autorità.[11] I template mappano gli alert alle tassonomie di reporting AMLA in modo che i team di conformità possano soddisfare sia i requisiti delle FIU nazionali che il coordinamento a livello UE.
• Allineamento MiCA e pagamenti. Il supporto nativo per modelli di dati di cripto-attività e tipologie di pagamenti riflette l'applicazione graduale del regolamento Markets in Crypto-Assets e degli standard tecnici correlati.[12][13] Veridaq cattura la provenienza del wallet, gli hash delle transazioni e gli attributi della travel rule insieme ai metadati di pagamento tradizionali, consentendo un monitoraggio unificato attraverso i binari fiat e digital-asset.
• GDPR e residenza dei dati. Tutta l'elaborazione avviene all'interno dei data center UE (Francoforte e Amsterdam) e i controlli della piattaforma seguono le aspettative di privacy-by-design stabilite nelle Linee Guida EDPB 4/2019 sull'Articolo 25.[10]
• Spiegabilità e supervisione. Attribuzione delle feature, modelli challenger e flussi di lavoro di convalida periodica seguono le linee guida dell'Autorità Bancaria Europea sulla governance del machine learning e le raccomandazioni del BIS Financial Stability Institute per la gestione del rischio AI.[8][9]
• Flessibilità commerciale. I prezzi per transazione e l'integrazione API-first consentono ai team in fase seed di lanciare rapidamente il monitoraggio, mentre la stessa architettura scala ai volumi di Serie B senza migrazioni di piattaforma.

Ogni scelta di design deriva dalla realtà che le fintech europee affrontano inevitabilmente una supervisione multi-giurisdizionale. AMLA coordinerà i supervisori nazionali, MiCA introduce nuovi reporting per le cripto-attività e il GDPR applica obblighi stringenti nella gestione dei dati. L'architettura di Veridaq accorcia la distanza tra aspettativa normativa ed esecuzione operativa: la documentazione è esportabile per i collegi di vigilanza, la residenza dei dati è dimostrabile attraverso attestazioni infrastrutturali e i prezzi scalano con il volume delle transazioni piuttosto che costringere le imprese in fase iniziale a impegni enterprise.

Il risultato è una piattaforma che affronta i falsi positivi incorporando la documentazione, la trasparenza e la localizzazione che i supervisori europei ora si aspettano.

FAQ: Machine Learning AML per Founder di Fintech

Abbiamo bisogno di AML basato su ML in fase seed, o può aspettare fino alla Serie A? Le autorità si aspettano che le fintech regolamentate monitorino le transazioni dal primo giorno, indipendentemente dall'organico.[6][14][15] Implementare il ML presto mantiene i volumi di alert gestibili per team piccoli e dimostra una gestione proattiva del rischio durante le revisioni degli investitori e dei supervisori. I founder che possono evidenziare governance del modello e metriche degli alert durante le conversazioni di due diligence forniscono agli investitori fiducia che il rischio di conformità è sotto controllo, il che a sua volta accelera le approvazioni di prodotto con banche partner e schemi di pagamento.[3][7]

Quanto tempo prima di vedere una riduzione significativa dei falsi positivi? I casi di studio europei hanno registrato riduzioni dal 31 al 33 per cento nelle fasi di implementazione iniziale una volta che i modelli comportamentali e i cicli di feedback degli analisti erano operativi.[4][5] I primi successi appaiono tipicamente dopo una corsa parallela che consente ai team di calibrare le soglie prima del cutover completo. Il GAFI raccomanda di combinare corse pilota con convalida strutturata per garantire che i guadagni persistano attraverso i segmenti di clientela, quindi i team dovrebbero allocare tempo per revisioni interfunzionali prima di spegnere le regole legacy.[6]

Cosa succede agli analisti della conformità quando i volumi di alert diminuiscono? Il benchmarking Deloitte del 2024 mostra che i team riassegnano il personale a indagini, design di tipologie e liaison normativa man mano che l'analisi comportamentale riduce il lavoro di triage ripetitivo.[7] Il ML eleva il lavoro degli analisti piuttosto che sostituirlo. Gli analisti diventano esperti di dominio che spiegano le tipologie ai product manager, contribuiscono alle riunioni di convalida del modello e collaborano con i team antifrode su strategie di rilevamento congiunte—attività che erano precedentemente eliminate dalla costante triage degli alert.

Come fanno i modelli a rimanere avanti rispetto alle nuove tecniche di riciclaggio? Le linee guida GAFI raccomandano di accoppiare modelli supervisionati (per tipologie note) con rilevamento delle anomalie non supervisionato per far emergere pattern emergenti, supportati da convalida umana e governance.[6] Veridaq segue questo approccio, combinando apprendimento continuo con supervisione allineata alle aspettative EBA.[9]

Il machine learning è più costoso dei set di regole tradizionali? Mentre le piattaforme ML possono avere costi software più elevati, la ricerca Deloitte del 2024 indica che i risparmi derivanti dalla riduzione delle indagini manuali superano tipicamente i costi di licenza entro il primo anno operativo.[7] Il costo totale di proprietà migliora man mano che le code di alert si riducono. Le organizzazioni che tracciano metriche come alert per mille transazioni, ore analista per alert e invecchiamento SOS vedranno l'impatto finanziario nelle loro dashboard, fornendo prove concrete per le discussioni di budget.

Quale fondazione dati ci serve prima di attivare il ML? I programmi di successo riconciliano i dati attraverso core banking, gateway di pagamento, processori di carte e ledger crypto in modo che i modelli vedano la storia completa del cliente.[6][7] L'EBA incoraggia le imprese a documentare la lineage dei dati e i controlli di qualità come parte della governance del modello, garantendo che valori mancanti o identificatori incoerenti non erodano le prestazioni.[9] I template di schema di Veridaq accelerano questo allineamento, ma i team dovrebbero comunque condurre profilazione e pulizia dei dati prima del rollout in produzione.

Come garantisce Veridaq la spiegabilità e la conformità GDPR? La piattaforma mantiene codici di ragione a livello di feature, documentazione del modello pronta per l'audit e controlli privacy-by-design coerenti con le linee guida BIS, EBA ed EDPB.[8][9][10] Questi artefatti supportano simultaneamente gli esami di vigilanza e gli obblighi di protezione dei dati. Durante gli audit, i team di conformità possono esportare tracce decisionali che mostrano chi ha revisionato ciascun alert, quali prove sono state considerate e come la raccomandazione del modello si è confrontata con il giudizio umano—un requisito critico sia sotto i regimi AMLA che GDPR.

[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