Peter Plochan, SAS의 EMEA 수석 위험 관리 고문 – 인터뷰 시리즈

Peter Plochan은 SAS의 EMEA 수석 위험 관리 고문으로, 금융 기관이 재무 및 위험 규제, 기업 위험 관리, 위험 거버넌스, 선제적 위험 분석, 스트레스 테스트, 모델 위험 관리, 위험 모델링 및 기후 변화 위험 관리를 포함한 과제를 해결하도록 돕습니다.

Peter는 금융 배경(은행학 석사)을 가지고 있으며, 19년 이상의 금융 부문 위험 관리 경험을 가진 공인 금융 위험 관리자(FRM)입니다. 그는 내부와 외부(컨설팅 회사 PwC) 모두에서 위험 관리 고문으로서 대규모 위험 관리 구현을 다양한 은행 및 보험 기관에 지원했습니다. 2014년 SAS에 합류한 이후, Peter는 글로벌 도메인 전문가로 활동하며 최신 위험 분석 및 기술 트렌드를 그의 깊은 위험 관리 및 금융 전문 지식과 결합하고 있습니다.

당신은 PwC, ABN AMRO, Atradius, 그리고 현재 SAS 등 주요 금융 기관 및 자문 회사에서 근무했으며, 은행 규제, 기업 위험 관리 및 금융 스트레스 테스트에 대한 광범위한 경험을 가지고 있습니다. 당신의 경력을 되돌아볼 때, 은행이 지정학적 위험에 접근하는 방식에서 놀라울 정도로 해결되지 않은 구조적 약점은 무엇입니까?

최근 지정학적 위험 전문가와 함께 웨비나를 진행했습니다. 한 은행의 최고 위험 책임자는 “느린 위험 관리는 나쁜 위험 관리다”라고 말하며 현재의 과제를 잘 요약했습니다. 지정학적 충격에 직면했을 때, 은행은 종종 급격하고 신속한 대응이 필요합니다.

세계 경제는 점점 더 상호 연결되고 있습니다. 이는 지정학적 충격으로 인한 전염 속도도 함께 빨라지고 있음을 의미합니다.

물론, 지정학적 충격은 다양합니다. 석유 가격 변동, 무역 전쟁 및 관세, 총격전 등 다양한 형태가 있습니다.

은행 및 금융 서비스 기관은 이러한 충격이 대차대조표에 미치는 영향을 평가하기 위해 오래 기다릴 여유가 없습니다. 속도가 여전히 가장 중요합니다.

지난 10년 동안 금융 서비스 산업은 위험 계산을 그 어느 때보다 빠르게 수행하는 능력을 향상시켰습니다. 그러나 스트레스 테스트는 여전히 금융 기관에서 가장 컴퓨팅 집약적이고 프로세스가 무거운 활동 중 하나입니다.

은행은 대출 및 자산에 대한 인벤토리를 작성하고, 대차대조표 중 어떤 부분이 특정 충격에 취약한지 평가해야 합니다. 이 작업의 성공을 좌우하는 핵심 요소는 은행이 이러한 인벤토리를 얼마나 상세하고 완전하게 구축하느냐와 위험 분석 및 평가가 얼마나 철저한가에 달려 있습니다.

예를 들어, 은행은 지정학적 충격 자체뿐만 아니라 그 간접적인 영향도 살펴야 합니다. 이러한 간접 효과는 때때로 충격 자체보다 덜 명확하고 더 천천히 나타납니다. 석유 가격 급등이 주유소에서만 아니라 전체 공급망에 어떤 영향을 미칠까요? 또한 석유 가격 상승이 휘발유, 디젤 및 기타 운송 비용뿐만 아니라 특정 국가나 지역에서 생산되는 비료, 플라스틱, 심지어 의약품의 비용과 가격에도 어떤 영향을 미칠 수 있을까요?

많은 경우에 은행은 지정학적 충격이 고객 및 고객의 공급망에 미칠 잠재적 영향을 깊이 이해하지 못하고 있어, 지정학적 위험 관리가 더욱 어려워집니다.

지정학적 위험 관리를 통해 은행은 충격이 고객과 고객의 대출에 미치는 영향을 더 잘 이해하고 평가하려고 합니다. 이는 은행 대차대조표의 대부분을 차지합니다. 은행의 지정학적 위험 관리는 겉으로는 단순하지만 실제로는 복잡한 질문에 답하려 합니다: 이 충격이 각 은행 고객과 그들의 대출 상환 능력에 어떤 의미가 있을까요?

기후 위험 관리와 마찬가지로(지정학적 위험 관리와 많은 유사점을 가짐), 각 은행은 평소보다 훨씬 더 깊이 파고들어야 합니다. 올바른 데이터를 수집·분석하고 스트레스 테스트와 같은 방법론을 적용함으로써 은행은 고객이 충격에 노출되는 정도와 자체 대차대조표 위험을 더 잘 이해할 수 있습니다.

지정학적 위험, 기후 위험, 신용 위험, 유동성 위험 등 모든 위험 관리를 단순한 규제 준수 활동 이상의 것으로 다루면, 은행은 핵심 비즈니스 계획을 안내할 수 있는 통찰을 발견할 수 있습니다.

강력한 위험 관리 프로그램(스트레스 테스트 포함)에서 얻은 분석적 통찰을 활용함으로써, 은행은 지정학적 및 기타 위험을 완화하고 운영 회복력을 강화하는 더 나은 비즈니스 결정을 내릴 수 있습니다.

용어에 익숙하지 않은 독자를 위해, 은행에서 “스트레스 테스트”란 정확히 무엇이며, 오늘날의 지정학적·경제적 환경에서 왜 점점 더 중요해졌는가?

스트레스 테스트는 시나리오 분석의 한 형태입니다. 선제적 시뮬레이션을 사용하여 은행이나 기타 금융 서비스 기업은 경제 상황(예: 인플레이션 감소, 세금 또는 전기 비용 상승)이나 변화를 검토하고, 그 영향이 은행의 재무 및 위험 지표와 성과에 어떤 영향을 미치는지 평가할 수 있습니다.

스트레스 테스트는 금융 기관에서 가장 복잡하고 컴퓨팅 집약적인 활동 중 하나이며, 다수의 복잡한 계산을 필요로 합니다. 핵심 “what‑if” 질문에 답하고 지정학적, 기후 및 기타 위험의 영향을 더 잘 이해하기 위해, 은행은 고객, 경제 동향(공공 및 민간 출처) 및 평가하려는 특정 위험에 대한 민감도에 관한 데이터를 수집해야 합니다. 그런 다음 이 데이터를 분석하여 대출 포트폴리오와 대차대조표 전반에 걸친 잠재적 영향을 발견해야 합니다.

지정학적 스트레스 테스트는 전쟁, 무역 제한, 관세 및 제재와 같은 충격의 영향을 기반으로 은행의 미래 성과를 판단하는 데 초점을 맞춥니다. 지정학적 스트레스 테스트는 기후 스트레스 테스트와 많은 특성을 공유하는데, 기후 스트레스 테스트는 홍수나 지속적인 온도 상승과 같은 기후 충격의 영향을 중심으로 합니다.

스트레스 테스트는 핵심 위험 관리 도구이자 의사결정 엔진입니다. 어느 은행도 미래를 정확히 알 수 없기 때문에 어떤 시나리오나 충격이 다음에 일어날지 모릅니다. 그러나 은행은 가능한 시나리오를 기반으로 what‑if 분석을 수행하여 고객과 자체 운영에 대한 미래 위험과 가능성(심지어 기회까지) 을 파악하고, 그 결과를 활용해 적절히 준비할 수 있습니다.

지정학적 위험이 증가하고 있으며, 충격이 그 어느 때보다 빠르고 종종 겹쳐 나타납니다. 지정학적 사건이 시장, 무역 및 공급망에 동시에 영향을 미치기 때문에, 스트레스 테스트는 은행이 미래 시나리오를 조기에 시뮬레이션하고 잠재적 대응을 준비하도록 돕습니다.

최근 패널에서 다른 CRO가 제게 말했듯이, “통찰 without 행동은 가치가 없습니다.” 분석적 통찰을 적용함으로써 스트레스 테스트는 더 나은 비즈니스 결정을 지원합니다. 결과는? 은행은 지정학적 충격을 헤쳐 나가면서 비즈니스 전략을 미세 조정하는 정보에 기반한 행동을 취할 수 있습니다.

오늘날 지정학적 충격은 무역, 에너지, 원자재, 사이버 위협 및 공급망 전반에 동시에 발생합니다. 전통적인 은행 위험 모델이 이러한 상호 연결된 시스템 위험을 여전히 처리할 수 있습니까?

부분적으로.

전통적인 은행 위험 모델링과 그가 상호 연결되고 시스템적인 위험을 처리하는 능력을 생각할 때, 은행이 지정학적 충격이 포트폴리오에 미치는 영향을 평가하는 두 가지 층이 있습니다.

첫 번째 층은 거시경제 수준입니다. 예를 들어 석유 가격 충격이 발생하면, 은행은 고객이 위치한 지역 또는 현지 경제에 미치는 고수준 영향을 이해하려고 합니다.

따라서 은행 고객이 텍사스에 기반을 둔 대형 제조업체라면, 석유 충격 동안 해당 주의 경제는 오히려 개선될 수 있습니다. 왜냐하면 텍사스는 석유를 생산하기 때문입니다. 은행의 거시경제 위험 모델링은 예를 들어 실업률이 낮아지고 현지 비즈니스 규모가 증가함에 따라 텍사스 기업들이 번창할 가능성이 높다고 나타낼 수 있습니다. 반면, 다른 대부분의 경제는 부정적인 영향을 받아 텍사스 기업들의 비즈니스 활동에도 악영향을 미칠 것입니다.

오늘날 거시경제 수준에서 대부분의 은행은 모델링 측면에서 탄탄한 기반을 가지고 있습니다. 스트레스 테스트에서 그들은 지정학적 충격을 거시경제 지표(주, 국가 또는 지역 수준)로 전환할 수 있습니다.

예를 들어, 은행은 해당 주의 GDP가 특정 비율만큼 증가할 경우 텍사스 제조 부문의 부도 확률이 어떻게 변할지를 예측하는 모델을 보유하게 됩니다.

따라서 은행 위험 모델은 이미 지정학적 충격이 은행 고객(및 차입자)에게 미치는 거시경제적 영향을 분석할 준비가 되어 있습니다.

하지만 두 번째 층은 여전히 도전 과제입니다.

마이크로 수준에서 은행은 특정 고객이 특정 지정학적 충격에 얼마나 민감한지와 그 결과로 인한 부도 위험을 평가하기 위해 세밀하게 살펴야 합니다.

비료 생산량이 50% 감소하면 자동차 제조업체에 어떤 영향을 미칠까요? 직접적인 영향은 크지 않을 것입니다(하지만 이 제조업체는 결과적인 고인플레이션의 영향을 거의 확실히 느낄 것입니다). 그러나 고객이 농업 생산자라면 매출이 크게 감소할 수 있습니다.

마이크로 수준에서 은행은 스트레스 테스트와 위험 모델링에 데이터 세분화와 구체성이 필요합니다. 포트폴리오 내 비즈니스 부문, 지역 및 개별 거래 상대방을 세밀하게 살펴보고, 어떤 고객이 어떤 유형의 지정학적 위험에 민감한지 이해해야 합니다. 궁극적으로 은행은 특정 충격이 각 고객과 그들의 대출 상환 능력에 어떻게 영향을 미치는지에 대한 통찰을 필요로 하며, 대출 연장, 조건 변경 또는 신용 연장을 포기할지 여부에 대한 결정을 지원합니다.

마이크로 모델링이 특히 어려운 이유는 산업이나 지역 전체에 일반화하기 어려운 경우가 많기 때문입니다. 은행의 농업 고객 중 하나는 비료를 전혀 사용하지 않는 친환경 생산자일 수 있습니다. 따라서 고객의 산업이나 부문을 기반으로 가정을 하면 잘못된 정보와 결정으로 이어질 수 있습니다.

은행은 일반적으로 고객 운영에 대한 세분화된 데이터를 보유하고 있지 않기 때문에, 설문조사와 설문지 등을 통해 이러한 상세 데이터를 수집하는 비용과 노력 사이에서 모델의 세분화에서 얻는 이점을 균형 있게 고려해야 합니다.

때때로 이러한 데이터를 얻기 어렵습니다. 예를 들어, 은행 고객이 자신들의 비료가 호르무즈 해협을 통과하는지 모를 수도 있습니다.

은행이 수집하는 데이터가 더 세분화될수록 얻을 수 있는 잠재적 통찰도 많아집니다. 그러나 더 깊이 파고들수록 정보를 수집하는 데 시간과 비용이 더 많이 듭니다.

이러한 도전을 극복하기 위해 은행은 종종 파레토 접근법, 즉 오래된 80/20 규칙을 적용합니다. 은행은 포트폴리오 또는 고객 중 20%에 80%의 노출 또는 위험이 집중되어 있는 경우가 많습니다. 따라서 주요 노출에 집중하고 나머지는 단순화하려 합니다. 단순화는 개별 고객 수준이 아니라 (하위)지역 및 (하위)부문 수준에서 분석을 수행하는 것을 포함합니다.

기후 스트레스 테스트와 마찬가지로, 제한된 데이터 혹은 데이터가 없다는 이유는 이러한 위험 평가를 소홀히 할 변명이 될 수 없습니다.

유럽중앙은행(ECB)의 기후 위험에 대한 지침에서 핵심 메시지는 지정학적 위험에도 적용됩니다. ECB는 은행들이 기후 스트레스 테스트에 필요한 모든 데이터를 보유하고 있지 않다는 점을 인정했습니다. 제한된 데이터를 기반으로 조치를 취하면 도전과 오류가 발생할 수 있습니다. 그러나 ECB는 조치를 취하지 않는 것이 더 큰 위험이라고 지적했습니다. 따라서 은행은 제한된 데이터라도 행동해야 합니다. 동일한 논리가 지정학적 위험 분석에도 적용됩니다.

은행은 인공지능 및 대형 언어 모델을 어떻게 활용하여 실시간 지정학적 동향을 모니터링하고 이를 실행 가능한 위험 평가로 전환하고 있습니까?

은행은 비정형 데이터를 분석하기 위해 AI 에이전트를 활용하기 시작했으며, 이는 AI의 전형적인 사용 사례입니다.

예를 들어, 은행은 AI 에이전트를 뉴스 포털에 적용하여 지정학적 충격이 다가올 수 있음을 나타내는 사전 정의된 텍스트를 탐색하고, 기관 내에 경보를 울릴 수 있습니다.

또한 앞서 논의한 바와 같이, 은행은 핵심 고객과 그들의 운영 및 공급망이 지리적으로 어디에 분포하는지 더 잘 이해하고자 합니다. 일부 은행은 AI 에이전트를 배치하여 고객 공시 및 기타 공개 정보를 크롤링함으로써 기업의 주요 공장과 공급업체가 어디에 위치하는지 파악합니다. 특정 지역에서 충격이 발생하면, 은행은 해당 고객에 대한 영향을 더 잘 이해할 수 있습니다.

수백 개의 기업을 포트폴리오에 보유한 은행은 이러한 분석을 대규모로 수행해야 합니다. AI 에이전트는 스트레스 테스트 계산의 일부를 자동화하는 데 도움을 줄 수 있습니다. 따라서 특정 지정학적 사건이 은행이 설정한 사전 정의된 임계값을 초과하면, 에이전트가 거시경제 시나리오를 준비하고 스트레스 테스트 계산을 자동으로 실행합니다.

또 다른 예로, AI와 대형 언어 모델(LLM)은 스트레스 테스트 결과를 비즈니스 사용자와 고위 경영진에게 설명하는 데 도움을 줄 수 있습니다. 사전 정의된 플레이북을 기반으로 AI 에이전트는 특정 시정 조치를 제안하기도 합니다.

따라서 AI는 스트레스 테스트 프로세스의 다양한 부분에 이미 활용되고 있지만, 아직 초기 단계에 있습니다.

많은 금융 기관이 이미 위험 및 컴플라이언스 팀 내에서 인력 및 자원 제약에 직면하고 있습니다. AI가 현재 제공하는 가장 큰 운영상의 이점은 어디에 있습니까?

은행 위험 및 컴플라이언스 팀에게 AI는 데이터 수집, 시나리오 생성, 계산 실행 및 해석을 자동화하는 데 도움을 줍니다. 이를 통해 팀은 모델 분석 결과를 해석하고 리더십에게 위험 전략을 조언하는 데 더 많은 시간을 할애할 수 있습니다.

전통적인, 생성형 및 에이전트형 AI도 지정학적 스트레스 테스트의 많은 활동을 지원합니다. 여기에는 고객(및 그들의 운영, 공급망 등)과 은행 포트폴리오가 지정학적 충격에 얼마나 민감한지에 대한 데이터 수집 및 분석이 포함됩니다. 앞서 언급했듯이, LLM 및 AI 에이전트는 스트레스 테스트 결과를 리더십에게 설명하여 더 나은 결정을 지원할 수 있습니다.

AI와 분석 모델을 의사결정에 활용하면 모델이 잘못되었거나 충분히 정확하지 않을 수 있기 때문에 추가 위험이 발생한다는 점을 언급할 가치가 있습니다.

은행은 10년 이상 모델 위험 관리를 수행해 왔습니다. 그리고 많은 모델 위험 관리자들이 말하듯이, “모든 모델은 틀리지만, 일부는 유용합니다.”

모델은 미래 상태를 단순화한 것이므로, 정의상 완전히 정확하지 않습니다. 은행 및 금융 서비스 조직은 스트레스 테스트와 위험 관리에 AI 기반 모델을 도입할 때 모델 위험을 인식하고 관리해야 합니다.

AI 거버넌스는 은행 및 금융 서비스 기업에 매우 중요합니다. 이는 민감한 데이터를 보호·관리하고 규정을 준수하도록 돕는 동시에 투명성을 보장하고 위험을 관리합니다.

거버넌스는 AI 및 머신러닝(ML) 모델에 특히 중요합니다. 이러한 모델은 정확한 예측을 할 수 있지만, 예상치 못한 상황에 부적절하게 대응하여 잘못된 결정을 초래할 수도 있습니다. AI 및 ML 모델은 빈번한 성능 모니터링과 데이터 검토가 필요합니다. AI 거버넌스와 모델 위험 관리를 통한 감독은 투명성을 보장하며, 은행은 규제 기관 및 고위 경영진에게 AI 모델이 어떻게 작동하는지와 그 결과로 도출된 결정을 명확히 설명할 수 있습니다.

당신은 수년간 기후 위험 및 지속 가능성 프레임워크를 금융 기관을 위해 작업해 왔습니다. 지정학적 위험 스트레스 테스트가 기후 위험 분석만큼 전략적으로 중요해질 것이라고 보십니까?

네. 지정학적 위험 관리는 점점 더 은행 및 금융 서비스 기업에게 일상적인 업무가 될 것입니다. 이러한 위험은 전통적인 신용 및 시장 위험 모델에 점점 더 통합되어, 은행 및 금융 서비스 부문의 전반적인 위험 관리 노력의 표준적인 부분이 될 것입니다.

기후 위험은 그 복잡성과 재무 성과에 미칠 수 있는 막대한 영향 때문에 은행이 스트레스 테스트 프레임워크를 현대화하도록 촉진했습니다.

마찬가지로, 지정학적 위험과 사건·충격의 속도와 빈도는 은행의 재무 결과에 크게 영향을 미칠 수 있습니다. 이는 은행이 이를 평가(스트레스 테스트를 통해), 완화 및 회계 처리하도록 압박합니다.

두 위험 모두 현재와 앞으로도 전략적으로 중요할 것이며, 은행은 이란 분쟁 및 그 파급 효과와 같은 지정학적 충격과, 올해 예측되는 “슈퍼” 혹은 “고질라” 엘니뇨와 같은 지속적인 기후 관련 영향을 다루게 될 것입니다.

많은 조직이 여전히 스트레스 테스트를 전략적 도구라기보다 규제 요구사항으로만 보고 있습니다. 이러한 접근 방식으로 인해 은행이 놓치고 있는 기회는 무엇입니까?

은행이 스트레스 테스트를 주로 규제 준수 달성에만 집중하는 것은 근시안적입니다. 규제 준수는 중요하지만, 스트레스 테스트는 금융 서비스 조직이 단순한 규제 준수를 넘어 더 많은 것을 할 수 있도록 돕습니다.

스트레스 테스트에 보다 전략적인 접근을 취함으로써, 은행은 지정학적 충격 및 기후 변화에 대한 다양한 시나리오와 대안적 대응의 영향을 평가하는 what‑if 분석을 수행할 수 있습니다.

이러한 what‑if 분석 결과는 은행이 최적의 향후 경로를 선택하고, 새로운 비즈니스 기회를 인식하며, 대출 전략을 조정하고, 위험 관리 노력을 통해 경쟁 우위를 찾는 데 도움을 줍니다.

데이터와 모델은 이미 존재합니다. 이를 충분히 활용하지 않는 것은 놓친 기회입니다.

물론, 은행의 기본 스트레스 테스트 프로세스와 시스템의 효율성, 유연성 및 성숙도가 은행이 달성할 수 있는 범위를 결정합니다. 그리고 스트레스 테스트가 규제 준수에 대한 단순한 답변인지, 보다 포괄적인 의사결정 지원 엔진인지도 마찬가지입니다.

그 CRO가 말했듯이, “통찰 without 행동은 가치가 없습니다.”

최근 보고서인 Climate Stress Testing Methodologies: Current Practices, Challenges, and the Road Ahead는 현재 관행을 벤치마크하고, 모델링·거버넌스·인프라의 격차를 식별하며, 기후 스트레스 테스트를 핵심 위험 프레임워크에 통합하기 위한 실용적인 조언을 제공합니다. 이 보고서는 유엔 환경 프로그램 금융 이니셔티브(UNEP FI)와 SAS가 공동으로 발표했으며, 21개 글로벌 은행의 의견을 기반으로 합니다.

금융 기관이 AI 기반 시스템 및 자동화 모델링에 점점 더 의존함에 따라, 은행 인프라 자체에서 새로운 형태의 모델 위험이 발생할 것을 우려하십니까?

앞서 언급했듯이, 모델 위험 관리는 10년 이상 은행의 핵심 프로세스였습니다. 그리고 AI와 분석 모델의 가속화된 도입은 추가 위험을 초래하는데, 이는 모델이 부정확할 수 있기 때문입니다.

최근 저는 virtual panel discussion을 진행했으며, 여기에는 모델 위험 관리(MRM) 책임자들이 참여했습니다. 전문가와 전 세계 청중 모두가 확인한 주요 결론 중 하나는 AI 위험이 전통적인 모델 위험보다 현저히 높다는 것이었습니다.

은행 및 금융 서비스 기업은 민감한 데이터를 보호·관리하고 규정을 준수하며 투명성과 효과적인 위험 관리를 보장하기 위해 포괄적인 AI 거버넌스를 수용하고 도입해야 합니다.

금융 부문이 현재 가장 과소평가하고 있다고 생각하는 지정학적 위험 요인은 무엇입니까: 사이버 갈등, 무역 파편화, 주권 부채 압력, 에너지 차단, 공급망 불안정, 혹은 다른 요인?

이 모든 요소는 지정학적 사건에서 발생할 수 있는 위험 요인입니다. 그리고 은행에게 가장 큰 골칫거리를 주는 것은 공급망 차단이라고 말하고 싶습니다.

이는 앞서 논의한 거시·미시 경제 요인과 연결됩니다.

예를 들어 석유 가격 충격이 있다면, 은행은 거시적 수치를 분석하여 그에 따른 시장 변동성 및 신용·유동성 압력을 확인할 수 있습니다.

하지만 대부분의 은행은 이러한 충격이 각 고객 및 그들의 운영에 어떻게 영향을 미치는지에 대한 세분화된 마이크로 고객 수준 정보를 보유하고 있지 않기 때문에 포트폴리오에 미치는 영향을 평가하기가 더 어렵습니다.

은행에게는 스트레스 테스트를 활용하여 지정학적 사건 및 기후 변화가 대출 포트폴리오와 각 고객의 상환 능력에 어떻게 영향을 미치는지를 보다 정확히 파악하는 것이 핵심입니다.

물론, 이러한 위험 요인들은 대부분 단독으로 발생하지 않고 복합적으로 나타납니다. 따라서 은행이 특정 요인을 과소평가한다기보다는, 스트레스 테스트라는 강력한 도구를 통해 여러 요인과 요소가 운영 및 전반적인 위험 노출에 미치는 영향을 보다 잘 평가할 수 있습니다.

앞으로 5년을 내다볼 때, AI 강화 스트레스 테스트가 은행의 자본 배분, 위험 평가 및 미래 위기에 대비하는 방식을 어떻게 변화시킬 것이라고 보십니까?

앞으로 5년 동안 AI는 은행이 미래 시나리오를 훨씬 더 잘 파악하도록 도울 것입니다. AI 기반 스트레스 테스트는 주기적인 연습이 아니라 지속적인 역량이 될 것입니다.

은행은 더 많은 시나리오를 더 자주 실행하고 이를 비즈니스 의사결정에 활용할 것입니다.

AI 기반 통찰에 신속히 대응할 수 있는 금융 서비스 기업은 특히 빠르게 전개되는 지정학적 위기 상황에서 명확한 경쟁 우위를 갖게 될 것입니다.

은행과 그들의 기술 팀 및 파트너는 AI 기반 계산에 대한 신뢰를 구축하는 프로세스를 지속적으로 마련해야 합니다.

예를 들어, 은행이 자산·부채 관리(ALM) 시스템과 함께 생성형 AI 도구를 사용할 때, 결과를 신뢰하고 환각 현상에 과도하게 걱정할 필요가 없습니다.

또는 지정학적 또는 기후 위험 스트레스 테스트를 실행할 때, 은행은 분석 결과와 그에 따른 비즈니스 결정에 대해 더욱 확신을 가질 수 있습니다.

훌륭한 인터뷰에 감사드립니다. Peter Plochan의 작업과 사상 리더십에 대해 더 알고 싶으신 독자들은 PeterPlochan.com을 방문하거나 SAS가 제공하는 위험 관리, 분석 및 AI 솔루션을 살펴볼 수 있습니다.