ML in der Blockchain-Analyse: Was die Chainalysis-Position für die AML-Compliance bedeutet

Chainalysis hat eine präzise Grenze gezogen, wo maschinelles Lernen in der Blockchain-Intelligenz hingehört und wo nicht. In dem am 14. August 2026 veröffentlichten Positionspapier argumentiert das Unternehmen, dass die Anwendung von ML auf Address-Clustering rechtliche und operative Risiken schafft, die verantwortungsbewusste Anbieter nicht akzeptieren sollten. Für Wirtschaftsprüfungsgesellschaften, Abschlussprüfer und CFOs, die sich bei der Erfüllung ihrer AML-Verpflichtungen auf Blockchain-Analyse-Ergebnisse verlassen, hat das Argument unmittelbares praktisches Gewicht.

Die drei Ebenen innerhalb eines Wallet-Clusters

Der Begriff „Cluster“ wird routinemäßig verwendet, als ob er eine einzige, einheitliche Aussage beschreibt. Chainalysis stellt diese Annahme direkt in Frage. In seinem Rahmenwerk enthält ein Cluster, wie Praktiker es nennen, tatsächlich drei verschiedene analytische Ebenen, die jeweils eine unterschiedliche Beweislast tragen.

Strukturelle, Attributions- und Betreiberansprüche

Die erste Ebene ist strukturell: Welche Adressen werden vom selben kryptografischen Schlüssel kontrolliert? Die zweite ist die Attribution: Kann diese Gruppe von Adressen mit einer bestimmten, namentlich genannten Entität verknüpft werden? Die dritte ist der Betreiberanspruch: Welche genaue Beziehung besteht zwischen dieser Entität und diesen Adressen? Ein Compliance-Team, das sich auf einen clusterbasierten Alarm verlässt, verlässt sich in der Praxis auf alle drei Behauptungen, die übereinander gestapelt sind. Wenn eine Ebene unzuverlässig ist, ist der gesamte Alarm kompromittiert.

Chainalysis kategorisiert strukturelle Behauptungen als Tier-1-Intelligenz. Um diesen Standard zu erfüllen, muss eine Methodik deterministisch, reproduzierbar und prüfbar sein und dokumentierte Fehlermodi aufweisen. Das Unternehmen nennt dies den „Standard der strukturellen Solidität“. Analytische Behauptungen wie Lead-Generierung, Anomalieerkennung und Mustererkennung sind auf Tier 2 angesiedelt. Diese sind von Natur aus probabilistisch und werden ausdrücklich als solche gekennzeichnet.

Warum ML den Standard der strukturellen Solidität nicht erfüllen kann

Chainalysis erklärt klar, dass es kein maschinelles Lernen verwendet, um Wallet-Segmente zu identifizieren. Der Grund ist keine Frage der rohen Genauigkeit. Selbst ein hypothetisch perfektes Vorhersagemodell würde den Standard der strukturellen Solidität nicht erfüllen, weil seine Entscheidungslogik aus Trainingsdaten gelernt wird und nicht aus expliziten, prüfbaren Regeln abgeleitet ist. Ändern Sie die Trainingsdaten, können sich die Schlussfolgerungen des Modells verschieben, ohne dass sich die zugrunde liegende On-Chain-Realität entsprechend ändert.

Das Kaskadenrisiko eines falschen Clusters

Ein Vorhersagemodell kann fälschlicherweise mehrere nicht zusammenhängende Adressen als zu einer einzigen Entität gehörend behandeln. Diese eine Fehlzuordnung breitet sich dann auf alle nachgelagerten Systeme aus, die den Analyse-Feed konsumieren. Compliance-Plattformen markieren saubere Kunden. AML-Alerts häufen sich gegen das falsche Wallet. Ermittler folgen einer Spur, die ins Leere führt oder, schlimmer noch, zum völlig falschen Verdächtigen.

Die Konsequenzen sind nicht abstrakt. Für ein Compliance-Team kann ein Fehlalarm, der das Wallet eines Kunden mit einer sanktionierten Entität verknüpft, zur Kontosperrung, zur Einfrierung von Geldern und zur Meldung einer verdächtigen Aktivität an die Aufsichtsbehörden führen. Der Kunde verliert den Zugang zu Finanzdienstleistungen wegen einer Verbindung, die nie real war. Für Buchhaltungszwecke wirft eine fehlerhafte SAR oder ein eingefrorenes Konto eine wesentliche Offenlegungsfrage auf: Hat das Unternehmen eine Eventualverbindlichkeit oder eine Verpflichtung, den Abschlussprüfer zu benachrichtigen? Die Antwort hängt davon ab, ob der Fehler rechtzeitig entdeckt und korrigiert wird.

Der Daubert-Standard und was er für Blockchain-Beweise bedeutet

US-Gerichte wenden den Daubert-Standard an, der in Federal Rule of Evidence 702 kodifiziert ist, um zu bestimmen, ob Sachverständigenbeweise zuverlässig genug sind, um einer Jury vorgelegt zu werden. Der Test stellt vier Fragen: Ist die Methodik testbar? Wurde sie einem Peer-Review unterzogen? Hat sie eine bekannte Fehlerquote? Ist sie in ihrem relevanten Fachgebiet allgemein anerkannt?

United States v. Sterlingov und das Urteil von 2024

Chainalysis gibt an, der erste Blockchain-Analyseanbieter zu sein, dessen Methodik den Daubert-Standard erfüllt, nach dem Fall United States v. Sterlingov aus dem Jahr 2024. Die Verteidigung stellte den Clustering-Ansatz des Unternehmens als fehlerhaft und unzuverlässig in Frage. Der vorsitzende Richter wies diese Herausforderung zurück und befand, dass die Methodik transparent genug sei, um unabhängig verifiziert zu werden. Der Kern des Urteils stützte sich auf die deterministische und reproduzierbare Natur der Clustering-Heuristiken, nicht auf die Behauptung, dass Blockchain-Analyse als Kategorie automatisch zulässig sei.

Das Unternehmen stellt klar, dass das Urteil eine spezifische Methodik validierte, nicht eine Branche. Ein Ansatz, der stark auf ML für strukturelles Clustering setzt, stünde nach Rule 702 vor einem wesentlich schwierigeren Weg. Wenn ein Anbieter nicht in prüfbaren Begriffen erklären kann, wie ein Cluster konstruiert wurde oder warum ein Label angewendet wurde, könnte diese Methodik eine Daubert-Anhörung nicht überstehen. Fälle, die auf undurchsichtigen ML-Ergebnissen basieren, laufen Gefahr, abgewiesen zu werden. Schlimmer noch: Sie können einen negativen Präzedenzfall schaffen, der künftige Strafverfolgungen, die sich auf Blockchain-Beweise stützen, erschwert.

Wo Chainalysis maschinelles Lernen einsetzt

Das Positionspapier argumentiert nicht, dass ML keinen Platz in der Blockchain-Intelligenz hat. Es plädiert für eine disziplinierte, klar gekennzeichnete Anwendung auf der analytischen Tier-2-Ebene.

Betrugserkennung, Anomalie-Flagging und Lead-Generierung

Das Unternehmen beschreibt, dass es ML und KI zur Unterstützung von Alterya verwendet, seinem Tool zur Betrugserkennung und -unterbrechung. Alteryas Modelle trainieren kontinuierlich mit Webdaten, Chat-Nachrichten und On-Chain-Aktivitäten, um neue Betrugsmuster aufzudecken. Dies ist eine legitime und wertvolle Anwendung: Das Modell erzeugt ein probabilistisches Signal, das ein Analyst dann untersucht. Das Signal informiert den Prozess, ohne ihn zu ersetzen.

ML unterstützt auch die Lead-Generierung und Anomalieerkennung in umfassenderen Ermittlungen. Ein Modell kann ungewöhnliche Transaktionsmuster aufdecken, die ein menschlicher Analyst in einem großen Datensatz nicht rechtzeitig finden würde. Die entscheidende Sicherheitsvorkehrung besteht darin, dass diese Ausgaben als probabilistische Bewertungen gekennzeichnet sind, die einer weiteren Validierung bedürfen. Sie gelangen als Hypothesen in den analytischen Workflow, nicht als Schlussfolgerungen.

Für Wirtschaftsprüfungsgesellschaften, die Compliance-Funktionen betreiben oder Kunden beraten, die solche betreiben, hat die Unterscheidung eine unmittelbare Workflow-Implikation. Ein Alarm, der durch ein probabilistisches ML-Signal erzeugt wird, sollte für sich genommen nicht ausreichen, um einen Fall abzuschließen, eine SAR einzureichen oder eine Kundenbeziehung zu beenden. Er sollte eine Untersuchung eröffnen. Die Abschlussentscheidung muss auf prüfbaren, reproduzierbaren Beweisen beruhen.

Operative Auswirkungen für Compliance-Teams und CFOs

Das Chainalysis-Rahmenwerk hat konkrete Auswirkungen auf Unternehmen, die Blockchain-Analysen von Drittanbietern als Teil ihrer AML- oder Finanzkriminalitäts-Compliance-Programme nutzen. Zu verstehen, wie ein Anbieter seine Cluster konstruiert, ist keine technische Frage mehr, die Datenwissenschaftlern vorbehalten ist. Es ist eine Due-Diligence-Frage, die bei Compliance-Beauftragten, CFOs und externen Prüfern liegt.

Vendor Due Diligence: Fragen, die jetzt wichtig sind

Bei der Bewertung von Blockchain-Analyse-Tools oder bei der Prüfung der Abhängigkeit eines Kunden von ihnen gibt es mehrere Fragen, die das Chainalysis-Papier implizit aufwirft. Kann der Anbieter in verständlichen und prüfbaren Begriffen erklären, wie ein bestimmter Wallet-Cluster konstruiert wurde? Ist die strukturelle Clustering-Methodik deterministisch und reproduzierbar, oder stützt sie sich auf ein trainiertes Modell, dessen Logik nicht vollständig rekonstruiert werden kann? Sind probabilistische Ausgaben in der Benutzeroberfläche der Plattform und in Berichten für Aufsichtsbehörden ausdrücklich als solche gekennzeichnet? Hat die Methodik des Anbieters einen dokumentierten und verstandenen Fehlermodus?

Dies sind keine hypothetischen Bedenken. Jede Krypto-Buchhaltungssoftware oder digitale Vermögensbuchhaltungssoftware, die Blockchain-Analysedaten von Drittanbietern integriert, erbt die analytische Qualität dieser Daten. Wenn das vorgelagerte Clustering unzuverlässig ist, sind auch die nachgelagerten Buchhaltungsunterlagen, AML-Alerts und Compliance-Berichte unzuverlässig. Für einen CFO, der eine AML-Compliance-Bestätigung unterzeichnet, ist die Qualität des Analyse-Feeds ein wesentlicher Input.

Der breitere Due-Diligence-Punkt steht in direktem Zusammenhang mit den Auswirkungen, die in der Berichterstattung über das kettenübergreifende AML-Screening hervorgehoben wurden: siehe was kettenübergreifendes AML-Screening für Wirtschaftsprüfungsgesellschaften bedeutet. Da sich Blockchain-Aktivitäten über mehr Netzwerke und Protokolle erstrecken, wird der Druck auf Anbieter steigen, ML-Abkürzungen für das Clustering zu verwenden. Unternehmen müssen die erklärte Politik ihres Anbieters verstehen, nicht nur sein Marketing.

Rechtliche Verteidigungsfähigkeit und Audit-Trail-Anforderungen

Die Daubert-Diskussion ist nicht nur ein US-amerikanisches Gerichtsthema. In jeder Rechtsordnung, in der ein Unternehmen einer Aufsichtsbehörde nachweisen muss, dass seine AML-Alerts auf zuverlässigen Beweisen basierten, gilt dieselbe zugrunde liegende Frage: Kann die Methodik, die den Alert erzeugt hat, unabhängig verifiziert werden? Eine SAR, die auf der Grundlage eines undurchsichtigen ML-Outputs eingereicht wird, bei dem das Unternehmen nicht erklären kann, warum ein bestimmtes Wallet markiert wurde, ist eine schwächere regulatorische Einreichung als eine, die durch deterministische, dokumentierte Überlegungen gestützt wird.

Externe Prüfer, die das AML-Rahmenwerk eines Unternehmens überprüfen, sollten fragen, ob die Blockchain-Analyse-Tools, auf die sich das Unternehmen verlässt, für jeden wesentlichen Alarm eine prüfbare Erklärung liefern können. Dieser Audit-Trail ist Teil dessen, was Krypto-Buchhaltungssoftware und Software für die Buchhaltung digitaler Vermögenswerte wirklich für Compliance-Zwecke geeignet macht, nicht nur betrieblich bequem.

Die rechtliche Risikodimension hat sich seit dem breiteren Muster von Durchsetzungsmaßnahmen, die in wie KI die Krypto-Kriminalität und Compliance-Verpflichtungen neu gestaltet untersucht werden, verschärft. Da Staatsanwälte sich in Strafsachen zunehmend auf Blockchain-Analysen stützen, fließen die Qualitätsstandards, die vor Gericht gelten, zurück in die regulatorischen Erwartungen an Compliance-Programme.

Die buchhalterische und berichtspflichtige Bilanz

Aus rein buchhalterischer Sicht betrifft die Zuverlässigkeit von Blockchain-Analysedaten mehrere Finanzberichts- und Compliance-Verpflichtungen gleichzeitig. Wenn ein Unternehmen eine Transaktion als potenziell mit einer sanktionierten Entität verbunden markiert hat, sollte die Entscheidung, Gelder einzufrieren, eine SAR einzureichen oder eine Beziehung zu beenden, durch Beweise gestützt werden, die in den Arbeitspapieren des Unternehmens dokumentiert werden können. Wenn die zugrunde liegenden Analysen nicht erklärt oder reproduziert werden können, ist der Arbeitspapier-Trail unvollständig.

Für Unternehmen, die Kunden bei der Gestaltung von AML-Programmen beraten, bietet das Chainalysis-Rahmenwerk einen nützlichen Maßstab: Strukturelle Clustering-Behauptungen sollten einem deterministischen, prüfbaren Standard entsprechen, während probabilistische ML-Ergebnisse klar getrennt und als Ermittlungsansätze und nicht als Schlussfolgerungen behandelt werden sollten. Diese Unterscheidung in die AML-Policy-Dokumentation eines Kunden einzubetten, ist ein konkreter und umsetzbarer Schritt, den das Papier unterstützt.

CFOs von Krypto-nativen Unternehmen sollten auch berücksichtigen, wie ihre Wahl der Analysetools ihre Versicherungs- und Freistellungsposition beeinflusst. Ein Compliance-Versagen, das auf ein fehlerhaftes ML-Cluster zurückzuführen ist, das der Anbieter nicht erklären oder verteidigen kann, ist ein anderes Haftungsprofil als ein Versagen, das eine transparente und dokumentierte Methodik betrifft. Dieser Unterschied kann relevant sein, wenn Versicherer die AML-Kontrollen eines Unternehmens bei der Erneuerung bewerten.

Häufig gestellte Fragen

Was ist der Standard der strukturellen Solidität und warum ist er für Compliance-Programme wichtig?

Der Standard der strukturellen Solidität ist das Kriterium, das Chainalysis auf Tier-1-Intelligenzansprüche anwendet, insbesondere auf die Behauptung, dass mehrere Adressen von derselben Entität kontrolliert werden. Um ihn zu erfüllen, muss eine Clustering-Methodik deterministisch, reproduzierbar, prüfbar sein und dokumentierte Fehlermodi aufweisen. Er ist für Compliance-Programme wichtig, weil AML-Alerts, SAR-Einreichungen und Kontokündigungsentscheidungen, die auf strukturell solidem Clustering beruhen, gegenüber Aufsichtsbehörden, Gerichten und Abschlussprüfern erklärt und verteidigt werden können. Alerts, die auf undurchsichtigen ML-Ergebnissen beruhen, können nicht auf die gleiche Weise erklärt werden.

Bedeutet das Daubert-Urteil, dass alle Blockchain-Analysen vor US-Gerichten zulässig sind?

Nein. Chainalysis stellt klar, dass das Urteil von 2024 in United States v. Sterlingov eine spezifische deterministische Methodik validierte, nicht Blockchain-Analyse als Kategorie. Anbieter, die stark auf ML für strukturelles Clustering setzen, müssten separat nachweisen, dass ihre Methodik die Daubert-Kriterien erfüllt: Testbarkeit, Peer Review, bekannte Fehlerquote und allgemeine Akzeptanz. Ein undurchsichtiges Modell, das seine Argumentation nicht erklären kann, steht nach Federal Rule of Evidence 702 vor einem erheblich schwierigeren Weg.

Wie sollten Wirtschaftsprüfungsgesellschaften AML-Alerts behandeln, die durch probabilistische ML-Ergebnisse erzeugt werden?

Probabilistische ML-Ergebnisse sollten als Ermittlungsansätze und nicht als Schlussfolgerungen behandelt werden. Ein von einem Vorhersagemodell erzeugter Alarm sollte einen Fall zur Prüfung durch Analysten eröffnen; er sollte für sich genommen nicht ausreichen, um eine SAR einzureichen, Gelder einzufrieren oder eine Kundenbeziehung zu beenden. Die Abschlussentscheidung bei jedem wesentlichen Alarm sollte auf Beweisen beruhen, die prüfbar und reproduzierbar sind. Unternehmen sollten diese Unterscheidung in ihrer AML-Policy dokumentieren und das Personal entsprechend schulen.

Welche Due-Diligence-Fragen zu Anbietern sollte ein CFO oder Compliance-Beauftragter zu Blockchain-Analyse-Tools stellen?

Zu den wichtigsten Fragen gehören: Wie wird strukturelles Clustering konstruiert, und ist die Logik deterministisch und prüfbar? Werden probabilistische ML-Ergebnisse in der Benutzeroberfläche der Plattform und in exportierten Berichten getrennt von deterministischen gekennzeichnet? Was ist der dokumentierte Fehlermodus für die Clustering-Methodik? Wurde die Methodik in einem rechtlichen oder regulatorischen Verfahren validiert? Kann der Anbieter auf Anfrage eine prüfbare Erklärung für einen bestimmten Alarm liefern? Diese Fragen gelten gleichermaßen bei der Auswahl neuer Tools und bei der Überprüfung bestehender Anbieterbeziehungen.

Kann ein falsches Wallet-Cluster buchhalterische oder finanzielle Berichtspflichten für ein Unternehmen schaffen?

Ja, möglicherweise. Wenn ein falsches Cluster eine Kontosperrung oder eine fehlerhafte SAR-Einreichung auslöst, könnte das Unternehmen mit Fragen zu Eventualverbindlichkeiten, der Angemessenheit seiner internen Kontrollen und der Frage konfrontiert werden, ob der Fehler gegenüber Abschlussprüfern oder Aufsichtsbehörden offengelegt werden musste. Die Wesentlichkeitsschwelle hängt von der Größe des betroffenen Kontos und der Art des Geschäfts des Unternehmens ab. Externe Abschlussprüfer, die ein AML-Rahmenwerk prüfen, sollten fragen, ob die Analysemethodik, die wesentlichen Alerts zugrunde liegt, unabhängig verifiziert werden kann, und Unternehmen sollten darauf mit Dokumentation vorbereitet sein.

Quelle: Chainalysis