ML in Blockchain-analyse: wat de Chainalysis-positie betekent voor AML-compliance

Chainalysis heeft een precieze grens getrokken rond waar machine learning thuishoort in blockchain-intelligentie, en waar niet. Gepubliceerd op 14 augustus 2026, stelt het position paper van het bedrijf dat het toepassen van ML op adresclustering juridische en operationele risico's creëert die verantwoordelijke aanbieders niet zouden moeten accepteren. Voor accountantskantoren, auditors en CFO's die vertrouwen op blockchain-analyse-outputs om aan AML-verplichtingen te voldoen, heeft het argument direct praktisch gewicht.

De drie lagen binnen een walletcluster

De term "cluster" wordt routinematig gebruikt alsof het een enkele, uniforme claim beschrijft. Chainalysis gaat rechtstreeks in tegen die aanname. In haar raamwerk bevat wat praktijkmensen een cluster noemen eigenlijk drie verschillende analytische lagen, elk met een andere bewijslast.

Structurele, attributie- en operatorclaims

De eerste laag is structureel: welke adressen worden gecontroleerd door dezelfde cryptografische sleutel? De tweede is attributie: kan die set adressen worden gekoppeld aan een specifieke, genoemde entiteit? De derde is de operatorclaim: wat is de precieze relatie tussen die entiteit en die adressen? Een compliance-team dat vertrouwt op een op cluster gebaseerde alert vertrouwt in de praktijk op alle drie de claims gestapeld. Als een van de lagen onbetrouwbaar is, is de hele alert aangetast.

Chainalysis categoriseert structurele claims als Tier 1-intelligentie. Om aan die norm te voldoen, moet een methodologie deterministisch, reproduceerbaar en controleerbaar zijn, met gedocumenteerde faalwijzen. Het bedrijf noemt dit de "structurele degelijkheidsnorm". Analytische claims, zoals leadgeneratie, anomaliedetectie en patroonherkenning, zitten op Tier 2. Deze zijn van nature probabilistisch en worden expliciet als zodanig gelabeld.

Waarom ML niet kan voldoen aan de structurele degelijkheidsnorm

Chainalysis stelt duidelijk dat het geen machine learning gebruikt om walletsegmenten te identificeren. De reden is geen kwestie van ruwe nauwkeurigheid. Zelfs een hypothetisch perfect predictief model zou falen op de structurele degelijkheidsnorm omdat de beslissingslogica is geleerd uit trainingsdata in plaats van afgeleid van expliciete, controleerbare regels. Verander de trainingsdata en de conclusies van het model kunnen veranderen, zonder dat er een overeenkomstige verandering is in de onderliggende on-chain-realiteit.

Het cascaderisico van een vals cluster

Een predictief model kan ten onrechte meerdere niet-gerelateerde adressen behandelen als behorend tot één entiteit. Die ene verkeerde attributie plant zich vervolgens voort door elk downstream-systeem dat de analytics-feed consumeert. Complianceplatforms markeren schone klanten. AML-alerts stapelen zich op tegen de verkeerde wallet. Onderzoekers volgen een spoor dat nergens heen leidt of, erger, naar de verkeerde verdachte leidt.

De gevolgen zijn niet abstract. Voor een compliance-team kan een fout-positieve koppeling van de wallet van een klant aan een gesanctioneerde entiteit leiden tot beëindiging van de rekening, bevriezing van fondsen en een melding van verdachte activiteiten bij toezichthouders. De klant verliest toegang tot financiële diensten vanwege een verbinding die nooit echt was. Voor boekhoudkundige doeleinden creëert een onjuiste SAR of bevroren rekening een materiële openbaarmakingsvraag: heeft het bedrijf een voorwaardelijke verplichting of een plicht om auditors te informeren? Het antwoord hangt af van of de fout op tijd wordt ontdekt en gecorrigeerd.

De Daubert-norm en wat die betekent voor blockchain-bewijs

Amerikaanse rechtbanken passen de Daubert-norm toe, gecodificeerd onder Federal Rule of Evidence 702, om te bepalen of deskundigenbewijs betrouwbaar genoeg is om aan een jury voor te leggen. De test stelt vier vragen: Is de methodologie testbaar? Is deze peer-reviewed? Heeft het een bekend foutpercentage? Wordt het algemeen aanvaard in het relevante vakgebied?

United States v. Sterlingov en de uitspraak van 2024

Chainalysis stelt dat het de eerste blockchain-analyticsprovider is wiens methodologie voldoet aan de Daubert-norm, na de zaak United States v. Sterlingov uit 2024. De verdediging betwistte de clusteringaanpak van het bedrijf als gebrekkig en onbetrouwbaar. De presiderende rechter verwierp die uitdaging en oordeelde dat de methodologie transparant genoeg was om onafhankelijk te worden geverifieerd. De kern van de uitspraak rustte op de deterministische en reproduceerbare aard van de clusteringheuristieken, niet op een bewering dat blockchain-analytics als categorie automatisch toelaatbaar is.

Het bedrijf is expliciet dat de uitspraak een specifieke methodologie valideerde, niet een industrie. Een aanpak die sterk afhankelijk is van ML voor structurele clustering zou een aanzienlijk moeilijker pad onder Rule 702 tegemoet zien. Als een provider niet in controleerbare termen kan uitleggen hoe een cluster is geconstrueerd of waarom een label is toegepast, kan die methodologie een Daubert-hoorzitting mogelijk niet overleven. Zaken die zijn gebaseerd op ondoorzichtige ML-outputs lopen risico op afwijzing. Erger nog, ze kunnen nadelig precedent scheppen dat toekomstige vervolgingen op basis van blockchain-bewijs bemoeilijkt.

Waar Chainalysis machine learning wel gebruikt

Het position paper stelt niet dat ML geen plaats heeft in blockchain-intelligentie. Het pleit voor een gedisciplineerde, duidelijk gelabelde toepassing op het Tier 2-analytische niveau.

Oplichtingsdetectie, anomalie-markering en leadgeneratie

Het bedrijf beschrijft het gebruik van ML en AI om Alterya te ondersteunen, haar tool voor oplichtingsdetectie en -verstoring. De modellen van Alterya trainen continu op webdata, chatberichten en on-chain-activiteit om opkomende oplichtingspatronen aan het licht te brengen. Dit is een legitieme en waardevolle toepassing: het model genereert een probabilistisch signaal dat een analist vervolgens onderzoekt. Het signaal informeert het proces zonder het te vervangen.

ML ondersteunt ook leadgeneratie en anomaliedetectie binnen bredere onderzoeken. Een model kan ongebruikelijke transactiepatronen naar boven halen die een menselijke analist niet op tijd zou vinden in een grote dataset. De kritieke waarborg is dat deze outputs worden gelabeld als probabilistische beoordelingen die verdere validatie vereisen. Ze komen de analytische workflow binnen als hypothesen, niet als conclusies.

Voor accountantskantoren die compliancefuncties exploiteren, of die klanten adviseren die deze exploiteren, heeft het onderscheid een directe workflow-implicatie. Een alert gegenereerd door een probabilistisch ML-signaal zou op zichzelf niet voldoende moeten zijn om een zaak te sluiten, een SAR in te dienen of een klantrelatie te beëindigen. Het zou een onderzoek moeten openen. De beslissing tot afsluiting moet rusten op controleerbaar, reproduceerbaar bewijs.

Operationele implicaties voor compliance-teams en CFO's

Het Chainalysis-raamwerk heeft concrete doorwerkingen voor bedrijven die blockchain-analytics van derden gebruiken als onderdeel van hun AML- of financiële criminaliteitsprogramma's. Begrijpen hoe een leverancier zijn clusters construeert, is geen technische vraag meer die alleen aan datawetenschappers is voorbehouden. Het is een due diligence-vraag die bij compliance officers, CFO's en externe auditors ligt.

Due diligence bij leveranciers: vragen die er nu toe doen

Bij het evalueren van blockchain-analytics-tools, of bij het auditen van de afhankelijkheid van een klant ervan, zijn er verschillende vragen die het Chainalysis-paper impliciet oproept. Kan de leverancier in duidelijke en controleerbare termen uitleggen hoe een bepaald walletcluster is geconstrueerd? Is de structurele clusteringmethodologie deterministisch en reproduceerbaar, of vertrouwt deze op een getraind model waarvan de logica niet volledig kan worden gereconstrueerd? Worden probabilistische outputs expliciet als zodanig gelabeld in de interface van het platform en in rapporten die voor toezichthouders worden gegenereerd? Heeft de methodologie van de leverancier een gedocumenteerde en begrepen faalwijze?

Dit zijn geen hypothetische zorgen. Elke crypto-boekhoudsoftware of software voor digitale activa-boekhouding die blockchain-analytics van derden integreert, erft de analytische kwaliteit van die gegevens. Als de upstream-clustering onbetrouwbaar is, zijn de downstream-boekhoudkundige gegevens, AML-alerts en compliancerapporten ook onbetrouwbaar. Voor een CFO die een AML-compliance-attestatie ondertekent, is de kwaliteit van de analytics-feed een materiële input.

Het bredere due diligence-punt sluit direct aan bij de implicaties die zijn gesignaleerd in berichtgeving over cross-chain AML-screening: zie wat cross-chain AML-screening betekent voor accountantskantoren. Naarmate blockchain-activiteit zich uitstrekt over meer netwerken en protocollen, zal de druk op leveranciers om ML-snelkoppelingen voor clustering te gebruiken toenemen. Bedrijven moeten het verklaarde beleid van hun leverancier begrijpen, niet alleen de marketing.

Juridische verdedigbaarheid en audit trail-vereisten

De Daubert-discussie is niet alleen een Amerikaanse rechtszaalzaak. In elke jurisdictie waar een bedrijf aan een toezichthouder moet aantonen dat zijn AML-alerts waren gebaseerd op betrouwbaar bewijs, geldt dezelfde onderliggende vraag: kan de methodologie die de alert genereerde onafhankelijk worden geverifieerd? Een SAR die is ingediend op basis van een ondoorzichtige ML-output, een waarvan het bedrijf niet kan uitleggen waarom een bepaalde wallet werd gemarkeerd, is een zwakkere regulatoire indiening dan een die wordt ondersteund door deterministische, gedocumenteerde redenering.

Externe auditors die het AML-raamwerk van een bedrijf beoordelen, zouden moeten vragen of de blockchain-analytics-tools waarop het bedrijf vertrouwt een controleerbare uitleg kunnen produceren voor elke materiële alert. Die audit trail is onderdeel van wat crypto-bookkeepingsoftware en software voor digitale activa-boekhouding echt geschikt maakt voor compliance-doeleinden, niet alleen operationeel handig.

De juridische risicodimensie is scherper geworden sinds het bredere patroon van handhavingsacties dat wordt onderzocht in hoe AI crypto-criminaliteit en compliance-verplichtingen hervormt. Nu aanklagers in strafzaken steeds vaker vertrouwen op blockchain-analytics, filteren de kwaliteitsnormen die in de rechtbank gelden terug naar regulatoire verwachtingen voor compliance-programma's.

De boekhoudkundige en rapportage-bodemlijn

Vanuit puur boekhoudkundig oogpunt beïnvloedt de betrouwbaarheid van blockchain-analytics-data tegelijkertijd verschillende financiële rapportage- en compliance-verplichtingen. Waar een bedrijf een transactie heeft gemarkeerd als mogelijk gekoppeld aan een gesanctioneerde entiteit, moet de beslissing om fondsen te bevriezen, een SAR in te dienen of een relatie te beëindigen worden ondersteund door bewijs dat kan worden gedocumenteerd in de werkpapieren van het bedrijf. Als de onderliggende analyses niet kunnen worden uitgelegd of gereproduceerd, is het werkpapierenpad onvolledig.

Voor bedrijven die klanten adviseren over AML-programmaontwerp, biedt het Chainalysis-raamwerk een nuttige benchmark: structurele clusteringclaims moeten voldoen aan een deterministische, controleerbare norm, terwijl probabilistische ML-outputs duidelijk moeten worden gescheiden en behandeld als onderzoeksleads in plaats van conclusies. Het inbedden van dat onderscheid in de AML-beleidsdocumentatie van een klant is een concrete en uitvoerbare stap die het paper ondersteunt.

CFO's van crypto-native bedrijven moeten ook overwegen hoe hun keuze van analytische tools hun verzekerings- en vrijwaringspositie beïnvloedt. Een compliance-falen dat is terug te voeren op een onjuist ML-cluster, een dat de leverancier niet kan uitleggen of verdedigen, is een ander aansprakelijkheidsprofiel dan een falen met een methodologie die transparant en gedocumenteerd was. Dat verschil kan relevant zijn wanneer verzekeraars bij vernieuwing de AML-controles van een bedrijf beoordelen.

Veelgestelde vragen

Wat is de structurele degelijkheidsnorm en waarom is die belangrijk voor compliance-programma's?

De structurele degelijkheidsnorm is het criterium dat Chainalysis toepast op Tier 1-intelligentieclaims, specifiek de bewering dat meerdere adressen worden gecontroleerd door dezelfde entiteit. Om eraan te voldoen, moet een clusteringmethodologie deterministisch, reproduceerbaar en controleerbaar zijn, en moet deze gedocumenteerde faalwijzen hebben. Het is belangrijk voor compliance-programma's omdat AML-alerts, SAR-indieningen en beslissingen tot beëindiging van rekeningen die rusten op structureel degelijke clustering kunnen worden uitgelegd en verdedigd tegenover toezichthouders, rechtbanken en auditors. Alerts die rusten op ondoorzichtige ML-outputs kunnen niet op dezelfde manier worden uitgelegd.

Betekent de Daubert-uitspraak dat alle blockchain-analyses toelaatbaar zijn in Amerikaanse rechtbanken?

Nee. Chainalysis is expliciet dat de uitspraak van 2024 in United States v. Sterlingov een specifieke deterministische methodologie valideerde, niet blockchain-analyses als categorie. Providers die ML-zware benaderingen gebruiken voor structurele clustering zouden afzonderlijk moeten aantonen dat hun methodologie voldoet aan de Daubert-criteria: testbaarheid, peer review, bekend foutpercentage en algemene aanvaarding. Een ondoorzichtig model dat zijn redenering niet kan uitleggen, staat voor een aanzienlijk moeilijker pad onder Federal Rule of Evidence 702.

Hoe moeten accountantskantoren AML-alerts behandelen die zijn gegenereerd door probabilistische ML-outputs?

Probabilistische ML-outputs moeten worden behandeld als onderzoeksleads, niet als conclusies. Een alert die is gegenereerd door een predictief model zou een zaak moeten openen voor beoordeling door een analist; het zou op zichzelf niet voldoende moeten zijn om een SAR in te dienen, fondsen te bevriezen of een klantrelatie te beëindigen. De afsluitende beslissing over een materiële alert moet rusten op bewijs dat controleerbaar en reproduceerbaar is. Bedrijven moeten dit onderscheid documenteren in hun AML-beleid en personeel dienovereenkomstig trainen.

Welke due diligence-vragen over leveranciers moet een CFO of compliance officer stellen over blockchain-analytics-tools?

Belangrijke vragen zijn: Hoe wordt structurele clustering geconstrueerd en is de logica deterministisch en controleerbaar? Worden probabilistische ML-outputs afzonderlijk gelabeld van deterministische in de platforminterface en in geëxporteerde rapporten? Wat is de gedocumenteerde faalwijze voor de clusteringmethodologie? Is de methodologie gevalideerd in een juridische of regulatoire procedure? Kan de leverancier op verzoek een controleerbare uitleg produceren voor een specifieke alert? Deze vragen gelden zowel bij het selecteren van nieuwe tools als bij het beoordelen van bestaande leveranciersrelaties.

Kan een onjuist walletcluster boekhoudkundige of financiële rapportageverplichtingen voor een bedrijf creëren?

Ja, mogelijk. Als een onjuist cluster een bevriezing van fondsen of een onjuiste SAR-indiening veroorzaakt, kan het bedrijf worden geconfronteerd met vragen over voorwaardelijke verplichtingen, de toereikendheid van zijn interne controles en of de fout openbaarmaking aan auditors of toezichthouders vereiste. De materialiteitsdrempel hangt af van de grootte van de getroffen rekening en de aard van het bedrijf. Externe auditors die een AML-raamwerk beoordelen, moeten vragen of de analysemethodologie achter materiële alerts onafhankelijk kan worden geverifieerd, en bedrijven moeten voorbereid zijn om die vraag met documentatie te beantwoorden.

Bron: Chainalysis