Peter Plochan, EMEA Principal Risk Management Advisor bei SAS – Interviewreihe

Peter Plochan ist der EMEA Principal Risk Management Advisor bei SAS, der Finanzinstitute dabei unterstützt, ihre Herausforderungen im Bereich Finanz- und Risikoregulierungen, Enterprise Risk Management, Risikogovernance, vorausschauende Risikoanalyse, Stresstests, Modellrisikomanagement, Risikomodellierung und Klimarisikomanagement zu bewältigen.

Peter hat einen finanziellen Hintergrund (Masterabschluss in Banking) und ist zertifizierter Financial Risk Manager (FRM) mit über 19 Jahren Erfahrung im Risikomanagement im Finanzsektor. Er hat verschiedene Banken- und Versicherungsinstitute bei groß angelegten Risikomanagement‑Implementierungen unterstützt, sowohl intern als auch extern als Risikomanagementberater (PwC). Seit seinem Eintritt bei SAS im Jahr 2014 fungiert Peter als globaler Fachbereichsexperte – nutzt die neuesten Trends in Risikoanalytik & Technologie zusammen mit seiner tiefen Expertise im Risikomanagement & Finanzwesen.

Sie haben bei großen Finanzinstituten und Beratungsfirmen wie PwC, ABN AMRO, Atradius und jetzt SAS gearbeitet und verfügen über umfangreiche Erfahrung in Bankenregulierung, Enterprise Risk Management und finanziellen Stresstests. Rückblickend auf Ihre Karriere, welche strukturellen Schwächen im Ansatz der Banken zum geopolitischen Risiko bleiben überraschend ungelöst?

Ich habe kürzlich ein Webinar mit Spezialisten für geopolitische Risiken moderiert. Ein Chief Risk Officer einer Bank fasste die anhaltende Herausforderung treffend zusammen, als er bemerkte: „Langsames Risikomanagement ist schlechtes Risikomanagement.“ Angesichts geopolitischer Schocks benötigen Banken oft eine sofortige und schnelle Reaktion.

Die Weltwirtschaft ist zunehmend vernetzt. Und das bedeutet, dass die Geschwindigkeit jeder Ansteckung durch einen geopolitischen Schock ebenfalls zunimmt.

Natürlich sind geopolitische Schocks vielfältig, von Änderungen der Ölpreise über Handelskriege und Zölle bis hin zu Schusskriegen, unter anderem.

Banken und Finanzdienstleistungsinstitute können es sich nicht leisten, zu lange zu warten, um die Auswirkungen solcher Schocks auf ihre Bilanzen zu bewerten. Geschwindigkeit bleibt König.

In den letzten zehn Jahren hat die Finanzdienstleistungsbranche ihre Fähigkeit, Risikoberechnungen schneller als je zuvor durchzuführen, verbessert. Dennoch bleibt das Stresstestverfahren eine der rechenintensivsten und prozessaufwendigsten Aktivitäten in Finanzinstituten.

Banken müssen ein Inventar ihrer Kredite und Vermögenswerte erstellen und dann beurteilen, welche Teile ihrer Bilanz anfällig für bestimmte Schocks sind. Ein entscheidender Erfolgsfaktor dabei ist, wie detailliert und vollständig die Banken diese Inventare aufbauen und wie gründlich ihre Analysen und Risikobewertungen sind.

Zum Beispiel müssen Banken nicht nur die geopolitischen Schocks selbst betrachten, sondern auch deren indirekte Auswirkungen, die manchmal weniger offensichtlich und langsamer entwickelnd sind als die Schocks selbst. Was bewirkt ein plötzlicher Anstieg der Ölpreise nicht nur an der Tankstelle, sondern über die gesamte Lieferkette hinweg? Und wie könnte ein Anstieg der Ölpreise nicht nur Benzin, Diesel und andere Transportkosten, sondern auch die Kosten und Preise für Düngemittel, Kunststoffe und sogar pharmazeutische Medikamente, die in einem bestimmten Land oder einer Region hergestellt werden, beeinflussen?

In vielen Fällen haben Banken kein tiefes Verständnis für die potenziellen Auswirkungen geopolitischer Schocks auf ihre Kunden und deren Lieferketten, was das Management geopolitischer Risiken erschwert.

Durch das Management geopolitischer Risiken versuchen Banken, die Auswirkungen von Schocks auf ihre Kunden und die Kredite der Kunden, die den Großteil der Bankbilanzen ausmachen, besser zu verstehen und zu bewerten. Das geopolitische Risikomanagement für Banken versucht, eine auf den ersten Blick einfache, aber darunter komplexe Frage zu beantworten: Was wird dieser Schock für jeden Bankkunden und dessen Fähigkeit zur Rückzahlung von Krediten bedeuten?

Wie beim Klimarisikomanagement (das viele Parallelen zum geopolitischen Risikomanagement aufweist), muss jede Bank tiefer gehen als üblich. Durch das Sammeln und Analysieren der richtigen Daten und die Anwendung von Methoden wie Stresstests kann eine Bank das Exposure ihrer Kunden gegenüber einem Schock und das eigene Bilanzrisiko besser verstehen.

Indem alle Risikomanagement‑Aktivitäten – für geopolitische Risiken, Klimarisiken, Kreditrisiken, Liquiditätsrisiken usw. – als weit mehr als nur eine Compliance‑Übung behandelt werden, können Banken Erkenntnisse gewinnen, die die Kerngeschäftsplanung leiten.

Durch die Nutzung analytischer Erkenntnisse aus einem robusten Risikomanagement‑Programm (einschließlich Stresstests) kann die Bank bessere Geschäftsentscheidungen treffen, um geopolitische und andere Risiken zu mindern und ihre operative Resilienz zu stärken.

Für Leser, die mit dem Begriff nicht vertraut sind: Was genau ist „Stresstest“ im Bankwesen, und warum ist er in der heutigen geopolitischen und wirtschaftlichen Umgebung immer wichtiger geworden?

Stresstests sind eine Form der Szenarioanalyse. Durch vorausschauende Simulationen kann eine Bank oder ein anderes Finanzdienstleistungsunternehmen eine wirtschaftliche Situation (z. B. sinkende Inflation, steigende Steuern oder Stromkosten) oder Veränderung untersuchen und deren Auswirkungen auf die finanziellen und Risiko‑Kennzahlen sowie die Performance der Bank bewerten.

Stresstests gehören zu den kompliziertesten und rechenintensivsten Aktivitäten in einem Finanzinstitut und erfordern zahlreiche komplexe Berechnungen. Um zentrale „Was‑wenn“-Fragen zu beantworten und die Auswirkungen geopolitischer, klimatischer und anderer Risiken besser zu verstehen, müssen Banken Daten zu ihren Kunden, wirtschaftlichen Trends (aus öffentlichen und privaten Quellen) und deren Sensitivität gegenüber den spezifischen Risiken, die sie bewerten wollen, sammeln. Anschließend müssen sie diese Daten analysieren, um potenzielle Auswirkungen auf ihre Kreditportfolios und Bilanzen zu entdecken.

Geopolitische Stresstests konzentrieren sich darauf, die zukünftige Performance einer Bank basierend auf den Auswirkungen von Schocks wie Krieg, Handelsbeschränkungen, Zöllen und Sanktionen usw. zu bestimmen. Geopolitische Stresstests teilen viele Merkmale mit Klimastresstests, die sich auf die Auswirkungen von Klimaschocks (z. B. Überschwemmungen oder ständig steigende Temperaturen) fokussieren.

Stresstests sind ein zentrales Risikomanagement‑Werkzeug und ein Entscheidungs‑Engine. Da keine Bank eine Kristallkugel besitzt, weiß sie nicht, welches Szenario oder welcher Schock als Nächstes eintritt. Banken können jedoch Was‑wenn‑Analysen basierend auf möglichen Szenarien durchführen, um zukünftige Risiken und Möglichkeiten – sogar Chancen – für ihre Kunden und ihre eigenen Operationen zu bestimmen und die Ergebnisse zu nutzen, um entsprechende Vorbereitungen zu treffen.

Geopolitische Risiken nehmen zu, Schocks kommen schneller als je zuvor und überschneiden sich häufig. Da geopolitische Ereignisse gleichzeitig Märkte, Handel und Lieferketten beeinflussen, helfen Stresstests Banken, zukünftige Szenarien früher zu simulieren und potenzielle Reaktionen vorzubereiten.

Wie ein anderer CRO mir kürzlich in einer Podiumsdiskussion sagte: „Einblick ohne Handlung hat keinen Wert.“ Durch die Anwendung analytischer Erkenntnisse unterstützt der Stresstest bessere Geschäftsentscheidungen. Das Ergebnis? Banken können informierte Maßnahmen ergreifen, um geopolitische Schocks zu bewältigen und gleichzeitig ihre Geschäftsstrategie feinzujustieren.

Geopolitische Schocks heute entfalten sich oft gleichzeitig über Handel, Energie, Rohstoffe, Cyber‑Bedrohungen und Lieferketten. Sind traditionelle Bankrisikomodelle noch in der Lage, diese Art von vernetzten systemischen Risiken zu bewältigen?

Teilweise.

Wenn wir über traditionelle Bankrisikomodellierung und deren Fähigkeit nachdenken, vernetzte und systemische Risiken zu bewältigen, gibt es zwei Ebenen, auf denen Banken die Auswirkungen geopolitischer Schocks auf ihre Portfolios beurteilen.

Die erste Ebene liegt auf makroökonomischer Ebene. Gibt es beispielsweise einen Ölpreisschock, versucht eine Bank, die übergeordneten Auswirkungen auf die regionale oder lokale Wirtschaft, in der ein Kunde sitzt, zu verstehen.

Wenn also der Kunde einer Bank ein großer Hersteller aus Texas ist, könnte die Wirtschaft dieses Bundesstaates während eines Ölschocks tatsächlich profitieren, da er Öl produziert. Das makroökonomische Risikomodell der Bank könnte anzeigen, dass Unternehmen in Texas eher gedeihen, da die Arbeitslosigkeit sinkt und das lokale Geschäftsvolumen steigt. Andererseits werden die meisten anderen Volkswirtschaften negativ betroffen sein, was die Geschäftstätigkeit aller texanischen Unternehmen beeinträchtigen würde.

Heute haben die meisten Banken auf makroökonomischer Ebene ein solides Fundament in Bezug auf Modellierung. In ihren Stresstests können sie geopolitische Schocks in makroökonomische Indikatoren (auf Bundesstaaten-, Länder- oder regionaler Ebene) übersetzen.

Mit unserem Beispiel wird eine Bank ein Modell besitzen, das vorhersagt, was mit dem Fertigungssektor in Texas hinsichtlich der Ausfallwahrscheinlichkeit geschehen wird, wenn das BIP des Staates um einen bestimmten Prozentsatz steigt.

Bankrisikomodelle sind also bereits in der Lage, die makroökonomischen Auswirkungen geopolitischer Schocks auf die Kunden (und Kreditnehmer) der Bank zu analysieren.

Aber die zweite Ebene bleibt eine Herausforderung.

Auf der mikro Ebene muss eine Bank genauer prüfen, wie empfindlich ein bestimmter Kunde gegenüber einem konkreten geopolitischen Schock ist und welches Ausfallrisiko daraus resultiert.

Was bewirkt ein Rückgang der Düngemittelproduktion um 50 % für einen Automobilhersteller? Nicht viel, zumindest nicht direkt (obwohl dieser Hersteller fast sicher die Folgen einer daraus resultierenden hohen Inflation spüren würde). Aber wenn der Kunde ein landwirtschaftlicher Produzent ist, könnte das einen großen Umsatzrückgang bedeuten.

Auf Mikroebene benötigen Banken Datengranularität und Spezifität in ihren Stresstests und Risikomodellen. Sie müssen bis hin zu Geschäftssektoren, Regionen und einzelnen Gegenparteien in ihren Portfolios zoomen und verstehen, welche Kunden gegenüber welchen Arten geopolitischer Risiken empfindlich sind. Letztlich benötigen die Banken Einblicke, wie ein konkreter Schock jeden Kunden und dessen Fähigkeit zur Rückzahlung von Krediten beeinflusst, sowie Unterstützung bei Entscheidungen, ob Kredite gewährt, Bedingungen geändert oder sogar auf Kreditvergabe verzichtet werden soll.

Was die Mikro‑Modellierung besonders herausfordernd macht, ist, dass man nicht einfach über eine Branche oder Region verallgemeinern kann. Einer der landwirtschaftlichen Kunden einer Bank könnte ein grüner Produzent sein, der keinerlei Düngemittel verwendet. Annahmen basierend auf Branche oder Sektor könnten daher zu falschen Informationen und Entscheidungen führen.

Da Banken typischerweise keine granularen Daten zu den Operationen eines Kunden haben, müssen sie den Aufwand und die Kosten für die Erhebung dieser detaillierten Daten – etwa über Umfragen und Fragebögen – gegen den Nutzen abwägen, den sie durch mehr Granularität in ihren Modellen erhalten.

Manchmal ist es schwierig, diese Daten zu erhalten. Ein Kunde einer Bank könnte beispielsweise nicht wissen, ob sein Düngemittel durch die Straße von Hormus transportiert wird.

Je granularer die Daten, die eine Bank sammelt, desto mehr potenzielle Erkenntnisse kann sie daraus ableiten. Aber je tiefer sie geht, desto teurer wird es in Bezug auf Zeit und Aufwand, diese Informationen zu beschaffen.

Um diese Herausforderung zu umgehen, wenden Banken häufig den Pareto‑Ansatz an – die alte 80/20‑Regel gilt weiterhin. Banken haben oft 80 % ihres Exposures oder Risikos innerhalb von 20 % ihres Portfolios oder ihrer Kunden. Sie können also ihre wichtigsten Exposures fokussieren und den Rest vereinfachen. Die Vereinfachung würde beinhalten, Analysen auf (Teil‑)Regionen‑ und/oder (Teil‑)Sektorebene statt auf individueller Kundenebene durchzuführen.

Wie beim Klimastresstest ist das Fehlen von Daten keine Entschuldigung, auf diese Risikobewertungen zu verzichten.

Die zentrale Botschaft aus den Leitlinien der Europäischen Zentralbank zum Klimarisiko gilt ebenso für geopolitische Risiken. Die EZB hat anerkannt, dass Banken häufig nicht über alle Daten verfügen, die für Klimastresstests nötig sind. Und dass Banken, die auf Basis begrenzter Daten handeln, Herausforderungen und Fehler einführen. Aber die EZB stellte fest, dass Nicht‑Handeln ein noch höheres Risiko darstellt. Banken müssen also handeln, selbst mit begrenzten Daten. Die gleiche Logik gilt für die Analyse geopolitischer Risiken.

Wie beginnen Banken, künstliche Intelligenz und große Sprachmodelle zu nutzen, um geopolitische Entwicklungen in Echtzeit zu überwachen und in umsetzbare Risikobewertungen zu verwandeln?

Banken beginnen, KI‑Agenten einzusetzen, um unstrukturierte Daten zu analysieren – ein typischer Anwendungsfall für KI.

Zum Beispiel können Banken KI‑Agenten auf Nachrichtenportale anwenden, um nach vordefiniertem Text zu suchen, der auf einen bevorstehenden geopolitischen Schock hinweisen könnte, und innerhalb des Instituts Alarm schlagen.

Und wie bereits besprochen, möchten Banken ihre wichtigsten Kunden und die geografische Verteilung ihrer Operationen und Lieferketten besser verstehen. Einige Banken setzen KI‑Agenten ein, um Kundenoffenlegungen und andere öffentliche Informationen zu durchsuchen, um zu verstehen, wo die wichtigsten Fabriken und Lieferanten eines Unternehmens liegen. Wenn ein Schock in einer bestimmten Region eintritt, kann die Bank die Auswirkungen auf diesen Kunden besser einschätzen.

Banken mit Hunderten von Unternehmen in ihrem Portfolio müssen diese Analysen in großem Umfang durchführen. KI‑Agenten können dabei helfen, Teile der Stresstest‑Berechnungen zu automatisieren. Wenn bestimmte geopolitische Ereignisse vordefinierte Schwellenwerte überschreiten, die die Bank festgelegt hat, kann der Agent makroökonomische Szenarien vorbereiten und eine Stresstest‑Berechnung automatisch ausführen.

Und in einem weiteren Beispiel können KI und große Sprachmodelle (LLMs) die Ergebnisse des Stresstests für Geschäftsbenutzer und Führungskräfte erklären. Basierend auf vordefinierten Playbooks können die KI‑Agenten sogar bestimmte Korrekturmaßnahmen vorschlagen.

KI wird also bereits für verschiedene Teile des Stresstest‑Prozesses eingesetzt, obwohl wir noch in den Anfängen stehen.

Viele Finanzinstitute stehen bereits vor Personal- und Ressourcenengpässen in Risiko‑ und Compliance‑Teams. Wo bietet KI derzeit den größten betrieblichen Vorteil?

Für Risiko‑ und Compliance‑Teams von Banken hilft KI, die Datenerhebung, Szenario‑Generierung, Berechnungs‑Ausführung und Interpretation zu automatisieren. Das gibt diesen Teams mehr Zeit, die Ergebnisse der Modellanalyse zu interpretieren und die Führung zu Risiko‑Strategien zu beraten.

Traditionelle, generative und agentische KI unterstützen zudem viele Aktivitäten im geopolitischen Stresstest. Dazu gehört das Sammeln von Daten und die Analyse der Sensitivität von Kunden (und deren Operationen, Lieferketten usw.) und Bankportfolios gegenüber geopolitischen Schocks. Wie bereits erwähnt, können LLMs und KI‑Agenten auch die Ergebnisse von Stresstests der Führungsebene erklären, um bessere Entscheidungen zu unterstützen.

Es ist erwähnenswert, dass die Nutzung von KI und analytischen Modellen für Entscheidungen zusätzliche Risiken mit sich bringt, weil das Modell fehlerhaft oder nicht genau genug sein könnte.

Banken führen seit über einem Jahrzehnt Modellrisikomanagement durch. Und wie viele Modellrisikomanager gerne sagen: „Alle Modelle sind falsch, aber einige sind nützlich.“

Da Modelle eine Vereinfachung eines zukünftigen Zustands darstellen, sind sie per Definition nicht vollständig exakt. Banken und Finanzdienstleistungsorganisationen müssen sich dieser Tatsache bewusst sein und das Modellrisiko managen, wenn sie KI‑gestützte Modelle für Stresstests und Risikomanagement einsetzen.

AI‑Governance ist für Banken und Finanzdienstleistungsunternehmen von entscheidender Bedeutung. Sie hilft ihnen, sensible Daten zu schützen und zu verwalten und regulatorische Vorgaben einzuhalten, während Transparenz und Risikomanagement gewährleistet werden.

Governance ist besonders wichtig für KI‑ und Machine‑Learning‑Modelle (ML), die zwar genaue Vorhersagen treffen können, aber auch unangemessen auf unerwartete Situationen reagieren können, was zu schlechten Entscheidungen führt. KI‑ und ML‑Modelle benötigen häufige Leistungs‑ und Datenüberprüfungen. Aufsicht durch KI‑Governance und Modellrisikomanagement sorgt für Transparenz, sodass eine Bank klar erklären kann – gegenüber Aufsichtsbehörden und dem Management – sowohl wie ihre KI‑Modelle funktionieren als auch die daraus resultierenden Entscheidungen.

Sie haben jahrelang an Klimarisiken und Nachhaltigkeitsrahmen für Finanzinstitute gearbeitet. Sehen Sie, dass geopolitische Risikostresstests genauso strategisch wichtig werden wie die Analyse von Klimarisiken?

Ja. Das Management geopolitischer Risiken wird zunehmend zum normalen Geschäftsbetrieb für Banken und Finanzdienstleistungsunternehmen. Immer mehr werden diese Risiken in traditionelle Kredit‑ und Markt‑Risikomodelle eingebettet, da sie zu einem Standardteil der gesamten Risikomanagement‑Bemühungen im Banken‑ und Finanzsektor werden.

Klimarisiken haben Banken dazu veranlasst, ihre Stresstest‑Frameworks zu modernisieren, aufgrund ihrer Komplexität und des potenziell massiven Einflusses auf die finanzielle Performance.

Ähnlich kann geopolitisches Risiko – und die Geschwindigkeit sowie Häufigkeit von Ereignissen und Schocks – die finanziellen Ergebnisse von Banken erheblich beeinflussen. Es zwingt Banken, (durch Stresstests) zu bewerten, zu mindern und zu berücksichtigen.

Beide sind und werden weiterhin strategisch wichtig sein, da Banken mit geopolitischen Schocks wie dem Konflikt im Iran und dessen Folgen sowie anhaltenden klimabedingten Effekten wie der „Super‑“ oder „Godzilla‑“ El Niño‑Prognose für dieses Jahr umgehen.

Viele Organisationen sehen Stresstests immer noch hauptsächlich als regulatorische Anforderung und nicht als strategisches Werkzeug. Welche Chancen verpassen Banken, wenn sie diesen Ansatz verfolgen?

Es ist kurzsichtig für eine Bank, sich beim Stresstest hauptsächlich auf die Erfüllung regulatorischer Vorgaben zu konzentrieren. Während die Einhaltung von Vorschriften entscheidend ist, kann Stresstest Finanzdienstleistungsorganisationen viel mehr als nur Compliance ermöglichen.

Durch einen strategischeren Ansatz beim Stresstest können Banken Was‑wenn‑Analysen durchführen, die mögliche Szenarien und die Auswirkungen alternativer Reaktionen sowohl auf geopolitische Schocks als auch auf den Klimawandel bewerten.

Die Ergebnisse dieser Was‑wenn‑Analysen können einer Bank helfen, den optimalen Weg nach vorn zu wählen, neue Geschäftsmöglichkeiten zu erkennen, ihre Kreditstrategie anzupassen und durch ihre Risikomanagement‑Bemühungen einen Wettbewerbsvorteil zu erlangen.

Die Daten und Modelle sind bereits vorhanden. Es ist eine verpasste Chance, sie nicht vollständig zu nutzen.

Natürlich bestimmen die Effizienz, Flexibilität und Reife der zugrunde liegenden Stresstest‑Prozesse und -Systeme einer Bank, was sie erreichen kann. Und ob Stresstest lediglich eine Antwort auf regulatorische Compliance oder eine umfassendere Entscheidungs‑Support‑Engine ist.

Wie jener CRO mir sagte: „Einblick ohne Handlung hat keinen Wert.“

Der aktuelle Bericht, Climate Stress Testing Methodologies: Current Practices, Challenges, and the Road Ahead, benchmarkt aktuelle Praktiken; identifiziert Lücken in Modellierung, Governance und Infrastruktur; und bietet praktische Ratschläge zur Integration von Klimastresstests in zentrale Risikorahmen. Der Bericht, von der United Nations Environment Programme Finance Initiative (UNEP FI) und SAS, basiert auf Beiträgen von 21 globalen Banken.

Da Finanzinstitute zunehmend auf KI‑gesteuerte Systeme und automatisierte Modellierung setzen, befürchten Sie neue Formen von Modellrisiken, die in der Banken‑Infrastruktur selbst entstehen?

Wie bereits erwähnt, ist das Modellrisikomanagement seit mehr als zehn Jahren ein Kernprozess in Banken. Die beschleunigte Einführung von KI und analytischen Modellen bringt zusätzliche Risiken mit sich, weil sie ungenau sein könnten.

Kürzlich moderierte ich eine virtuelle Podiumsdiskussion mit Leitern des Modellrisikomanagements (MRM). Eine der wichtigsten Schlussfolgerungen, bestätigt sowohl von den Experten als auch vom globalen Publikum, war, dass KI‑Risiken deutlich höher sind als klassische Modellrisiken.

Banken und Finanzdienstleistungsunternehmen müssen umfassende KI‑Governance übernehmen, um sensible Daten zu schützen und zu verwalten, regulatorische Vorgaben einzuhalten und Transparenz sowie ein effektives Risikomanagement sicherzustellen.

Welche geopolitischen Risikofaktoren werden Ihrer Meinung nach vom Finanzsektor derzeit am meisten unterschätzt: Cyber‑Konflikt, Handelsfragmentierung, Druck durch Staatsverschuldung, Energieunterbrechungen, Instabilität von Lieferketten oder etwas anderes?

All diese sind Risikotreiber, die aus geopolitischen Ereignissen entstehen können. Und ich würde sagen, der größte Kopfschmerz für Banken ist die Störung von Lieferketten.

Dies knüpft an unsere frühere Diskussion über makro‑ und mikroökonomische Faktoren an.

Wenn es beispielsweise einen Ölpreisschock gibt, kann eine Bank die makroökonomischen Zahlen analysieren und die daraus resultierende Marktvolatilität sowie den Druck auf Kredit und Liquidität sehen.

Aber es ist für Banken schwieriger, die Auswirkungen auf ihr Portfolio zu beurteilen, da die meisten Banken keine granularen mikro‑Kunden‑Informationen darüber haben, wie ein solcher Schock jeden Kunden und dessen Operationen beeinflusst.

Für Banken bedeutet das, Stresstests zu nutzen, um besser zu bestimmen, wie geopolitische Ereignisse und der Klimawandel ihr Kreditportfolio und die Rückzahlungsfähigkeit jedes Kunden beeinflussen.

Natürlich treten diese Risikotreiber meist nicht isoliert, sondern in Kombination auf. Es ist also nicht so, dass Banken einen von ihnen unterschätzen. Durch das leistungsstarke Werkzeug des Stresstests können Banken die Auswirkungen mehrerer Treiber und Faktoren auf ihre Operationen und das gesamte Risiko‑Exposure besser bewerten.

Wie sehen Sie in den nächsten fünf Jahren, dass KI‑unterstützte Stresstests die Art und Weise verändern, wie Banken Kapital zuweisen, Risiken bewerten und sich auf zukünftige Krisen vorbereiten?

In den nächsten fünf Jahren wird KI Banken dabei helfen, ein viel besseres Bild zukünftiger Szenarien zu erhalten. KI‑gestützte Stresstests werden weniger eine periodische Übung und mehr eine kontinuierliche Fähigkeit sein.

Banken werden mehr Szenarien, häufiger, durchlaufen und sie zur Information von Geschäftsentscheidungen nutzen.

Da Finanzdienstleistungsunternehmen, die schnell auf KI‑gestützte Erkenntnisse reagieren können, einen klaren Wettbewerbsvorteil haben, insbesondere in schnelllebigen geopolitischen Krisen.

Banken sowie ihre Technologie‑Teams und Partner müssen sich weiterhin dafür einsetzen, Prozesse zu schaffen, die mehr Vertrauen in KI‑gestützte Berechnungen aufbauen.

Wenn also eine Bank ein generatives KI‑Tool mit ihrem Asset‑&‑Liability‑Management‑System (ALM) verwendet, kann sie den Ergebnissen vertrauen und muss sich nicht über Halluzinationen zu sehr sorgen.

Oder wenn sie einen geopolitischen oder klimatischen Risikostresstest durchführt, kann die Bank noch mehr Vertrauen in die Ergebnisse der Analyse und die daraus resultierenden Geschäftsentscheidungen haben.

Vielen Dank für das großartige Interview. Leser, die mehr über Peter Plochans Arbeit und Thought Leadership erfahren möchten, können PeterPlochan.com besuchen oder die von SAS angebotenen Lösungen für Risikomanagement, Analytik und KI erkunden.