Peter Plochan, EMEA Pangunahing Tagapayo sa Pamamahala ng Panganib sa SAS – Serye ng Panayam

Peter Plochan ay ang EMEA Principal Risk Management Advisor sa SAS na tumutulong sa mga institusyong pinansyal na harapin ang kanilang mga hamon kaugnay ng regulasyon sa pananalapi at panganib, pamamahala ng panganib sa buong kumpanya, pamamahala ng pamahalaan ng panganib, pagsusuri ng panganib na nakatuon sa hinaharap, stress testing, pamamahala ng panganib ng modelo, pagmomodelo ng panganib, at pamamahala ng panganib sa pagbabago ng klima.

Si Peter ay may background sa pananalapi (Master’s degree in Banking) at sertipikadong Financial Risk Manager (FRM) na may higit sa 19 na taon ng karanasan sa pamamahala ng panganib sa sektor ng pananalapi. Tinulungan niya ang iba’t ibang bangko at institusyong seguro sa malawakang pagpapatupad ng pamamahala ng panganib habang nagtatrabaho parehong internal at external bilang tagapayo sa pamamahala ng panganib (PwC). Mula nang sumali siya sa SAS noong 2014, nagsisilbi si Peter bilang isang pandaigdigang kumikilos na dalubhasa sa larangan – ginagamit ang pinakabagong mga trend sa risk analytics at teknolohiya kasama ang kanyang malalim na karanasan sa pamamahala ng panganib at pananalapi.

Nakapagtrabaho ka sa mga pangunahing institusyong pinansyal at mga firmang pangkonsulta kabilang ang PwC, ABN AMRO, Atradius, at ngayon sa SAS, na may malawak na karanasan sa regulasyon sa pagbabangko, pamamahala ng panganib sa buong kumpanya, at financial stress testing. Sa pagtanaw mo sa iyong karera, anong mga estruktural na kahinaan sa paraan ng paglapit ng mga bangko sa geopolitical risk ang nanatiling nakakagulat na hindi pa nalulutas?

Ako ay nag-host ng kamakailang webinar kasama ang mga espesyalista sa geopolitical risk. Isang chief risk officer ng bangko ang nagbubuod nang maayos sa patuloy na hamon nang sinabi, “Ang mabagal na pamamahala ng panganib ay masamang pamamahala ng panganib.” Kapag humaharap sa mga geopolitical shock, madalas na kailangan ng mga bangko ng biglaan at mabilis na tugon.

Ang pandaigdigang ekonomiya ay lalong nagiging magkakaugnay. At nangangahulugan ito na ang bilis ng anumang pagkalat mula sa isang geopolitical shock ay tumataas din.

Siyempre, ang mga geopolitical shock ay iba-iba, mula sa pagbabago ng presyo ng langis hanggang sa mga digmaang pangkalakalan at taripa hanggang sa mga digmaang may putukan, at iba pa.

Ang mga bangko at institusyong pangserbisyong pinansyal ay hindi kayang maghintay nang matagal upang tasahin ang epekto ng mga shock na ito sa kanilang balance sheet. Ang bilis pa rin ang namamayani.

Sa nakalipas na 10 taon, pinabuti ng industriya ng serbisyong pinansyal ang kakayahan nitong magsagawa ng mga kalkulasyon sa panganib nang mas mabilis kaysa dati. Gayunpaman, ang stress testing ay nananatiling isa sa mga pinaka-matinding gawain sa pag-compute at proseso sa mga institusyong pinansyal.

Kailangan ng mga bangko na gumawa ng imbentaryo ng kanilang mga pautang at asset, pagkatapos ay tasahin kung aling bahagi ng kanilang balance sheet ang madaling maapektuhan ng mga tiyak na shock. Isang mahalagang salik sa tagumpay ng pagsisikap na ito ay kung gaano detalyado at kumpleto ang pag-setup ng mga imbentaryong ito ng mga bangko, at kung gaano masusi ang kanilang mga pagsusuri at pagtatasa ng panganib.

Halimbawa, kailangang tingnan ng mga bangko hindi lamang ang mga geopolitical shock mismo, kundi pati na rin ang kanilang mga hindi direktang epekto, na kung minsan ay hindi halata at mas mabagal umunlad kaysa sa mismong mga shock. Ano ang nagagawa ng biglaang pagtaas ng presyo ng langis hindi lamang sa bomba ng gasolina kundi sa buong supply chain? At paano maaaring maapektuhan ng pagtaas ng presyo ng langis hindi lamang ang gasolina, diesel at iba pang gastusin sa transportasyon, kundi pati na rin ang mga gastos at presyo para sa pataba, plastik, at kahit mga gamot na ginawa sa isang tiyak na bansa o rehiyon?

Sa maraming kaso, wala pang malalim na pag-unawa ang mga bangko sa posibleng epekto ng mga geopolitical shock sa kanilang mga kliyente at sa supply chain ng mga kliyente, na nagpapahirap sa pamamahala ng geopolitical risk.

Sa pamamagitan ng pamamahala ng geopolitical risk, sinusubukan ng mga bangko na mas maunawaan at tasahin ang epekto ng mga shock sa kanilang mga kliyente at sa mga pautang ng mga kliyente, na bumubuo ng malaking bahagi ng balance sheet ng mga bangko. Ang pamamahala ng geopolitical risk para sa mga bangko ay sinusubukang sagutin ang tanong na simple sa ibabaw ngunit kumplikado sa ilalim: Ano ang magiging kahulugan ng shock na ito para sa bawat kliyente ng bangko at sa kanilang kakayahang magbayad ng mga pautang?

Tulad ng pamamahala ng climate risk (na may maraming pagkakapareho sa pamamahala ng geopolitical risk), kailangan ng bawat bangko na sumisid nang mas malalim kaysa sa karaniwan. Sa pamamagitan ng pangangalap at pagsusuri ng tamang datos at pag-aaplay ng mga metodolohiya tulad ng stress testing, mas mauunawaan ng isang bangko ang pagkalantad ng kanilang mga kliyente sa isang shock at ang kanilang sariling panganib sa balance sheet.

Sa pagtrato sa lahat ng pamamahala ng panganib – para sa geopolitical risk, climate risk, credit risk, liquidity risk at iba pa – bilang higit pa sa isang pagsasanay sa pagsunod, maaaring matuklasan ng mga bangko ang mga insight na makakatulong sa pagpaplano ng pangunahing negosyo.

Sa paggamit ng mga analytical insight mula sa isang matatag na programa sa pamamahala ng panganib (kasama ang stress testing), maaaring gumawa ang bangko ng mas mahusay na desisyon sa negosyo upang mapagaan ang geopolitical at iba pang panganib at palakasin ang operational resilience nito.

Para sa mga mambabasa na hindi pamilyar sa terminong ito, ano eksaktong ibig sabihin ng “stress testing” sa pagbabangko, at bakit ito nagiging lalong mahalaga sa kasalukuyang geopolitical at ekonomikong kapaligiran?

Ang stress testing ay isang anyo ng pagsusuri ng senaryo. Sa paggamit ng mga simulation na nakatuon sa hinaharap, maaaring suriin ng isang bangko o iba pang kumpanya ng serbisyong pinansyal ang isang sitwasyong pang-ekonomiya (hal., pagbaba ng implasyon, pagtaas ng buwis o gastos sa kuryente) o pagbabago at tasahin ang epekto nito sa mga pinansyal at risk indicator ng bangko pati na rin sa pagganap nito.

Ang stress testing ay isa sa pinaka-komplikado at matinding pag-compute na gawain sa isang institusyong pinansyal, na nangangailangan ng maraming komplikadong kalkulasyon. Upang masagot ang mga pangunahing tanong na “what-if” at mas maunawaan ang mga epekto ng geopolitical, climate at iba pang panganib, kailangang mangalap ng datos ang mga bangko tungkol sa kanilang mga kliyente, mga trend pang-ekonomiya (mula sa pampubliko at pribadong mapagkukunan) at ang kanilang sensitivity sa mga tiyak na panganib na nais tasahin. Pagkatapos ay kailangang suriin ang datos na ito upang matuklasan ang mga posibleng epekto sa kanilang mga portfolio ng pautang at balance sheet.

Ang geopolitical stress testing ay nakatuon sa pagtukoy ng hinaharap na pagganap ng isang bangko batay sa mga epekto ng mga shock tulad ng digmaan, restriksyon sa kalakalan, taripa at sanction, at iba pa. Ang geopolitical stress testing ay may maraming katulad na katangian sa climate stress testing, na nakatuon sa mga epekto ng mga climate shock (hal., pagbaha o patuloy na pagtaas ng temperatura).

Ang stress testing ay isang pangunahing kasangkapan sa pamamahala ng panganib at isang decisioning engine. Dahil walang bangko na may kristal na bola, hindi nila alam kung aling senaryo o shock ang susunod na mangyayari. Ngunit maaaring magsagawa ang mga bangko ng what-if analysis batay sa mga posibleng senaryo upang matukoy ang mga hinaharap na panganib at posibilidad – kahit mga oportunidad – para sa kanilang mga kliyente at sa kanilang sariling operasyon at gamitin ang mga resulta upang magsimulang maghanda nang naaayon.

Ang geopolitical risk ay tumataas, na may mga shock na dumarating nang mas mabilis kaysa dati at madalas na magkasabay. Dahil ang mga geopolitical na pangyayari ay sabay-sabay na nakakaapekto sa mga pamilihan, kalakalan at supply chain, tumutulong ang stress testing sa mga bangko na magsimula ng mga senaryo sa hinaharap nang mas maaga at maghanda ng mga posibleng tugon.

Ayon sa isa pang CRO na binanggit sa akin sa isang kamakailang panel, “Ang insight na walang aksyon ay walang halaga.” Sa pamamagitan ng pag-aaplay ng mga analytical insight, sinusuportahan ng stress testing ang mas mahusay na mga desisyon sa negosyo. Ang resulta? Maaaring gumawa ng mga may kaalamang hakbang ang mga bangko upang harapin ang mga geopolitical shock habang pinapino ang kanilang estratehiya sa negosyo.

Ang mga geopolitical shock ngayon ay madalas na nangyayari nang sabay-sabay sa kalakalan, enerhiya, kalakal, banta sa cyber, at supply chain. Ang mga tradisyunal na modelo ng panganib sa pagbabangko ay kaya pa bang hawakan ang ganitong uri ng magkakaugnay na sistemikong panganib?

Bahagya.

Kapag iniisip natin ang tradisyunal na pagmomodelo ng panganib sa pagbabangko at ang kakayahan nitong hawakan ang magkakaugnay at sistemikong panganib, may dalawang antas kung saan sinusuri ng mga bangko ang epekto ng mga geopolitical shock sa kanilang mga portfolio.

Ang unang antas ay sa antas ng macroeconomic. Halimbawa, kung may oil-price shock, susubukan ng isang bangko na maunawaan ang pangkalahatang epekto sa rehiyonal o lokal na ekonomiya kung saan nakapuwesto ang isang kliyente.

Kaya kung ang kliyente ng isang bangko ay isang malaking tagagawa na nakabase sa Texas, maaaring bumuti ang ekonomiya ng estadong iyon sa panahon ng oil shock, dahil ito ay nagpoprodyus ng langis. Maaaring ipakita ng macroeconomic risk modeling ng bangko na ang mga kumpanya sa Texas ay mas malamang na umunlad habang bumababa ang unemployment at tumataas ang volume ng negosyo sa lokal, halimbawa. Sa kabilang banda, karamihan sa ibang ekonomiya ay maaapektuhan nang negatibo, na magdudulot ng masamang epekto sa mga gawain ng negosyo ng lahat ng kumpanya sa Texas.

Sa kasalukuyan, sa antas ng macroeconomic, karamihan sa mga bangko ay may matibay na pundasyon pagdating sa pagmomodelo. Sa kanilang stress testing, maaari nilang isalin ang mga geopolitical shock sa mga macroeconomic indicator (sa antas ng estado, bansa o rehiyon).

Gamit ang ating halimbawa, magkakaroon ang isang bangko ng modelong nagtatantiya kung ano ang mangyayari sa sektor ng pagmamanupaktura sa Texas kaugnay ng probability of default kung tataas ang GDP ng estado ng isang tiyak na porsyento.

Kaya ang mga modelo ng panganib sa pagbabangko ay handa nang suriin ang macroeconomic na epekto ng mga geopolitical shock sa mga kliyente (at nangungutang) ng bangko.

Ngunit ang ikalawang antas ay nananatiling hamon.

Sa antas ng micro, kailangan ng isang bangko na mag-zoom in upang tasahin ang sensitivity ng isang tiyak na kliyente sa isang partikular na geopolitical shock at ang panganib ng default ng kliyenteng iyon bilang resulta.

Ano ang magiging epekto ng pagbaba ng 50% sa produksyon ng pataba sa isang tagagawa ng kotse? Hindi gaano, kahit man lang nang direkta (bagaman ang tagagawa ay tiyak na mararamdaman ang epekto ng nagreresultang mataas na implasyon). Ngunit kung ang kliyente ay isang prodyuser ng agrikultura, maaaring magdulot ito ng malaking pagbaba ng kita.

Sa antas ng micro, kailangan ng mga bangko ng granularity at espesipikong datos sa kanilang stress testing at risk modeling. Kailangan nilang mag-zoom in sa mga sektor ng negosyo, rehiyon, at indibidwal na counterparties sa kanilang mga portfolio, at maunawaan kung aling mga kliyente ang sensitibo sa anong uri ng geopolitical risk. Sa huli, kailangan ng mga bangko ng mga insight kung paano maaapektuhan ng isang tiyak na shock ang bawat kliyente at ang kakayahan nitong magbayad ng pautang, pati na rin upang suportahan ang mga desisyon kung dapat magpahaba ng pautang, baguhin ang mga termino o kahit hindi magpahaba ng kredito.

Ang nagpapahirap sa micro modeling ay madalas na hindi mo maaaring mag-generalize sa buong industriya o rehiyon. Maaaring ang isa sa mga agrikultural na kliyente ng bangko ay isang green producer na hindi gumagamit ng anumang pataba. Kaya ang paggawa ng mga palagay batay sa industriya o sektor ng isang kliyente ay maaaring magdulot ng maling impormasyon at desisyon.

Dahil kadalasan ay wala pang granular na datos ang mga bangko tungkol sa operasyon ng isang kliyente, kailangan nilang timbangin ang gastos at pagsisikap sa pangangalap ng detalyadong datos – sa pamamagitan ng mga survey at questionnaire, halimbawa – laban sa mga benepisyong natatanggap nila mula sa pagkakaroon ng mas maraming granularity sa kanilang mga modelo.

Minsan mahirap kunin ang datos na ito. Halimbawa, maaaring hindi alam ng isang kliyente ng bangko kung ang kanilang pataba ay dumadaan sa Strait of Hormuz.

Kapag mas granular ang datos na kinokolekta ng isang bangko, mas maraming potensyal na insight ang maaaring makuha nito. Ngunit habang lumalalim ito, mas nagiging magastos ito sa oras at pagsisikap upang makuha ang impormasyong ito.

Upang malampasan ang hamong ito, madalas na gumagamit ang mga bangko ng Pareto approach – ang lumang 80/20 rule ay patuloy na naaangkop. Kadalasang 80% ng kanilang exposure o panganib ay nasa loob ng 20% ng kanilang portfolio o mga kliyente. Kaya maaari nilang ituon ang pansin sa kanilang mga pangunahing exposure at subukang pasimplehin ang natitira. Ang pagsasimple ay maaaring magsama ng pagsusuri sa (sub)rehiyon at/o (sub)sektor kaysa sa antas ng indibidwal na kliyente.

Tulad ng climate stress testing, ang pagkakaroon ng limitadong o walang datos ay hindi dahilan upang magtipid sa mga risk assessment na ito.

Ang pangunahing mensahe mula sa patnubay ng European Central Bank tungkol sa climate risk ay naaangkop din sa geopolitical risk. Kinilala ng ECB na madalas na wala pang lahat ng datos na kailangan ng mga bangko para sa climate stress testing. At na ang mga aksyon ng mga bangko batay sa limitadong datos ay magdudulot ng mga hamon at pagkakamali. Ngunit binigyang-diin ng ECB na ang hindi paggawa ng anumang aksyon ay mas mataas pang panganib. Kaya kailangang kumilos ang mga bangko, kahit na may limitadong datos. Ang parehong lohika ay naaangkop sa pagsusuri ng geopolitical risk.

Paano nagsisimula ang mga bangko na gamitin ang artificial intelligence at malalaking language model upang subaybayan ang real-time na mga pag-unlad sa geopolitical at gawing mga actionable risk assessment?

Nagsisimula nang gamitin ng mga bangko ang mga AI agent upang suriin ang unstructured data, isang tipikal na paggamit ng AI.

Halimbawa, maaaring mag-apply ang mga bangko ng AI agent sa mga news portal, naghahanap ng pre-defined na teksto na maaaring magpahiwatig na may paparating na geopolitical shock, at mag-raise ng alarm bells sa loob ng institusyon.

At tulad ng napag-usapan kanina, nais ng mga bangko na mas maunawaan ang kanilang mga pangunahing kliyente at kung saan nakakalat ang kanilang mga operasyon at supply chain sa heograpiya. Ang ilang mga bangko ay nagde-deploy ng AI agents upang mag-crawl sa mga customer disclosures at iba pang pampublikong impormasyon upang maunawaan kung saan matatagpuan ang mga pangunahing pabrika at supplier ng isang kumpanya. Kapag naganap ang isang shock sa isang tiyak na rehiyon, mas mauunawaan ng bangko ang epekto nito sa kliyenteng iyon.

Ang mga bangko na may daan-daang kumpanya sa kanilang portfolio ay kailangang patakbuhin ang mga pagsusuring ito sa malakihang sukat. Makakatulong ang AI agents na i-automate ang ilang bahagi ng mga kalkulasyon ng stress testing. Kaya kung ang ilang geopolitical na pangyayari ay lumagpas sa pre-defined na threshold na itinakda ng bangko, maaaring ihanda ng agent ang mga macroeconomic scenario at awtomatikong isagawa ang kalkulasyon ng stress testing.

At sa isa pang halimbawa, maaaring makatulong ang AI at malalaking language model (LLM) na ipaliwanag ang mga resulta ng stress test sa mga business user at senior manager. Batay sa pre-defined na playbooks, maaaring magmungkahi ang AI agents ng ilang corrective actions.

Kaya ang AI ay ginagamit na para sa iba’t ibang bahagi ng proseso ng stress testing, bagaman nasa maagang yugto pa lamang tayo.

Maraming institusyong pinansyal ang nahaharap na sa kakulangan sa staff at resources sa loob ng mga risk at compliance team. Saan ngayon nagbibigay ang AI ng pinakamalaking operational advantage?

Para sa mga risk at compliance team ng bangko, tumutulong ang AI na i-automate ang pangangalap ng datos, pagbuo ng senaryo, pagsasagawa ng kalkulasyon at interpretasyon. Nagbibigay ito sa mga team ng mas maraming oras upang mag-interpret ng mga resulta ng model analysis at magbigay ng payo sa pamunuan hinggil sa risk strategy.

Ang tradisyonal, generative at agentic AI ay sumusuporta rin sa maraming aktibidad sa geopolitical stress testing. Kabilang dito ang pangangalap ng datos at pagsusuri ng sensitivity ng mga kliyente (at ng kanilang mga operasyon, supply chain, atbp.) at mga portfolio ng bangko sa mga geopolitical shock. Tulad ng nabanggit kanina, maaaring makatulong ang LLM at AI agents na ipaliwanag ang mga resulta ng stress test sa pamunuan upang suportahan ang mas mahusay na desisyon.

Mahalagang banggitin na ang paggamit ng AI at analytical model para sa mga desisyon ay nagdadala ng karagdagang panganib, dahil maaaring mali o hindi sapat ang katumpakan ng modelo.

Ang mga bangko ay nagsasagawa ng model risk management nang higit sa isang dekada. At tulad ng madalas sabihin ng maraming model risk manager, “Lahat ng modelo ay mali, pero may ilan na kapaki-pakinabang.”

Dahil ang mga modelo ay isang pagsasimple ng isang hinaharap na kalagayan, sa kahulugan ay hindi ito ganap na tumpak. Kailangan ng mga bangko at organisasyon ng serbisyong pinansyal na maging maingat at pamahalaan ang model risk habang nagde-deploy sila ng AI‑powered na mga modelo para sa stress testing at pamamahala ng panganib.

AI governance ay mahalaga sa mga bangko at kumpanya ng serbisyong pinansyal. Tinutulungan nito silang protektahan at pamahalaan ang sensitibong datos at sumunod sa mga regulasyon habang tinitiyak ang transparency at pamamahala ng panganib.

Ang governance ay partikular na mahalaga para sa AI at machine learning (ML) na mga modelo, na maaaring gumawa ng tumpak na prediksyon ngunit maaari ring tumugon nang hindi angkop sa mga hindi inaasahang sitwasyon, na nagdudulot ng maling desisyon. Kailangan ng AI at ML model ang madalas na pag-monitor ng performance at pagsusuri ng datos. Ang oversight sa pamamagitan ng AI governance at model risk management ay nagsisiguro ng transparency, kung saan ang bangko ay maaaring malinaw na ipaliwanag – sa mga regulator at senior management – kung paano gumagana ang mga AI model nito at ang mga desisyon na nagmumula rito.

Gumugol ka ng maraming taon sa pagtatrabaho sa climate risk at sustainability framework para sa mga institusyong pinansyal. Nakikita mo ba na ang geopolitical risk stress testing ay magiging kasing estratehikong mahalaga tulad ng climate risk analysis?

Oo. Ang pamamahala ng geopolitical risk ay unti-unting magiging business as usual para sa mga bangko at kumpanya ng serbisyong pinansyal. Lalong-lalo na, ang mga panganib na ito ay isasama sa tradisyunal na credit at market‑risk na mga modelo habang nagiging standard na bahagi ng pangkalahatang pagsisikap sa pamamahala ng panganib sa sektor ng pagbabangko at serbisyong pinansyal.

Ang climate risk ay nagtulak sa mga bangko na i-modernisa ang kanilang mga stress testing framework, dahil sa kahirapan nito at posibleng napakalaking epekto sa pinansyal na performance.

Gayundin, ang geopolitical risk – at ang bilis at dalas ng mga pangyayari at shock – ay maaaring malaki ang epekto sa pinansyal na resulta ng mga bangko. Nagbibigay ito ng pressure sa mga bangko na tasahin (sa pamamagitan ng stress testing), bawasan at isaalang-alang ito.

Pareho silang mahalaga at patuloy na magiging mahalaga, habang hinaharap ng mga bangko ang mga geopolitical shock tulad ng kaguluhan sa Iran at ang mga epekto nito, pati na rin ang patuloy na mga epekto ng klima tulad ng “Super” o “Godzilla” na forecast ng El Niño para sa taong ito.

Maraming organisasyon ang patuloy na tinitingnan ang stress testing bilang pangunahing regulasyon kaysa sa isang estratehikong kasangkapan. Anong mga oportunidad ang nalalampasan ng mga bangko sa ganitong paglapit?

Mali ang pananaw ng isang bangko na ituon ang stress testing nito pangunahing sa pag-abot ng regulatory compliance. Bagaman mahalaga ang pagsunod sa mga regulasyon, makakatulong ang stress testing sa mga organisasyong pangserbisyong pinansyal na gawin ang higit pa kaysa sa simpleng pagsunod.

Sa pamamagitan ng mas estratehikong paglapit sa stress testing, maaaring magsagawa ang mga bangko ng what‑if analysis na sumusuri sa mga posibleng senaryo at ang epekto ng mga alternatibong tugon sa parehong geopolitical shock at pagbabago ng klima.

Ang mga resulta ng mga what‑if analysis na ito ay makakatulong sa isang bangko na piliin ang pinakamainam na landas, kilalanin ang mga bagong oportunidad sa negosyo, iayos ang estratehiya sa pagpapautang at makahanap ng kompetitibong kalamangan sa pamamagitan ng mga pagsisikap sa pamamahala ng panganib.

Nandiyan na ang datos at mga modelo. Isang nasayang na oportunidad ang hindi ito ganap na gamitin.

Siyempre, ang kahusayan, flexibility at maturity ng mga pangunahing proseso at sistema ng stress testing ng isang bangko ay tutukoy kung ano ang kayang makamit ng bangko. At kung ang stress testing ay simpleng sagot lamang sa regulatory compliance o isang mas komprehensibong decision‑support engine.

Ayon sa CRO na iyon, “Ang insight na walang aksyon ay walang halaga.”

Ang kamakailang ulat, Climate Stress Testing Methodologies: Current Practices, Challenges, and the Road Ahead, ay nagbabasa ng kasalukuyang mga praktis; tinutukoy ang mga puwang sa pagmomodelo, governance at imprastruktura; at nag-aalok ng praktikal na payo para sa pagsasama ng climate stress testing sa pangunahing risk framework. Ang ulat, mula sa United Nations Environment Programme Finance Initiative (UNEP FI) at SAS, ay batay sa input mula sa 21 global na bangko.

Habang patuloy na umaasa ang mga institusyong pinansyal sa mga AI‑driven na sistema at awtomatikong modelo …

Tulad ng nabanggit kanina, ang model risk management ay naging pangunahing proseso sa mga bangko nang higit sa 10 taon. At ang mabilis na pag-aampon ng AI at mga analytical model ay nagdadala ng karagdagang panganib, dahil maaaring hindi ito tumpak.

Kamakailan ay nag-moderate ako ng isang virtual panel discussion na tampok ang mga pinuno ng model risk management (MRM). Isa sa mga pangunahing konklusyon, na kinumpirma ng parehong mga eksperto at ng pandaigdigang audience, ay ang AI risk ay mas mataas nang malaki kaysa sa tradisyonal na model risk.

Kailangan ng mga bangko at kumpanya ng serbisyong pinansyal na yakapin at ipatupad ang komprehensibong AI governance upang protektahan at pamahalaan ang sensitibong datos, sumunod sa mga regulasyon, at tiyakin ang transparency at epektibong pamamahala ng panganib.

Alin sa mga geopolitical risk factor ang sa tingin mo ay kasalukuyang hindi gaanong nabibigyang-pansin ng sektor ng pananalapi: cyber conflict, trade fragmentation, sovereign debt pressure, energy disruption, supply chain instability, o iba pa?

Lahat ng ito ay mga risk driver na maaaring lumitaw mula sa mga geopolitical na pangyayari. At masasabi ko na ang pinaka-nagdudulot ng sakit ng ulo sa mga bangko ay ang pagkagambala ng supply chain.

Ito ay konektado sa ating naunang talakayan tungkol sa macro at micro‑economic na mga salik.

Halimbawa, kung may oil price shock, maaaring suriin ng isang bangko ang mga macro na numero at makita ang nagreresultang volatility ng merkado at pressure sa credit at liquidity.

Ngunit mas mahirap para sa mga bangko na tasahin ang epekto sa kanilang portfolio dahil karamihan sa mga bangko ay walang granular na micro level na impormasyon tungkol sa kung paano naaapektuhan ng ganitong shock ang bawat kliyente at ang kanilang mga operasyon.

Para sa mga bangko, ito ay nagbubuo sa paggamit ng stress testing upang mas mahusay na matukoy kung paano naaapektuhan ng mga geopolitical na pangyayari at pagbabago ng klima ang kanilang portfolio ng mga pautang at ang kakayahan ng bawat kliyente na bayaran ang mga ito.

Siyempre, mas madalas kaysa hindi, ang mga risk driver na ito ay hindi nangyayari nang mag-isa, kundi magkakasama. Kaya hindi ito na ang mga bangko ay hindi binibigyang-pansin ang alinman sa mga ito. Sa pamamagitan ng makapangyarihang kasangkapan ng stress testing, mas mahusay na matasa ng mga bangko ang epekto ng maraming driver at salik sa kanilang operasyon at pangkalahatang exposure sa panganib.

Sa pagtingin sa susunod na limang taon, paano mo nakikita na ang AI‑enhanced stress testing ay magbabago sa paraan ng paglalaan ng kapital ng mga bangko, pagsusuri ng panganib, at paghahanda para sa mga hinaharap na krisis?

Sa susunod na limang taon, tutulong ang AI sa mga bangko na magkaroon ng mas malinaw na pananaw sa mga hinaharap na senaryo. At ang AI‑driven stress testing ay magiging hindi na isang pana-panahong gawain kundi isang patuloy na kakayahan.

Magpapatakbo ang mga bangko ng mas maraming senaryo, mas madalas, at gagamitin ang mga ito upang gabayan ang mga desisyon sa negosyo.

Dahil ang mga kumpanya ng serbisyong pinansyal na makakilos nang mabilis sa AI‑powered na mga insight ay magkakaroon ng malinaw na kompetitibong kalamangan, lalo na sa mabilis na pag-usbong ng mga geopolitical crisis.

Ang mga bangko at ang kanilang mga technology team at mga kasosyo ay dapat manatiling nakatuon sa paglikha ng mga proseso na magpapatibay ng tiwala sa AI‑driven na mga kalkulasyon.

Kaya kapag gumamit ang isang bangko ng generative AI tool kasama ang kanyang Asset & Liability Management (ALM) system, halimbawa, maaari nitong pagkatiwalaan ang mga resulta at hindi labis na mag-alala tungkol sa mga hallucination.

O kapag nagpapatakbo ito ng geopolitical o climate risk stress test, mas magkakaroon ng kumpiyansa ang bangko sa mga resulta ng pagsusuri at sa mga desisyon sa negosyo na ginagawa nito bilang resulta.

Salamat sa mahusay na panayam. Ang mga mambabasa na nais pang malaman ang higit pa tungkol sa trabaho at thought leadership ni Peter Plochan ay maaaring bisitahin ang PeterPlochan.com o tuklasin ang mga solusyon sa risk management, analytics, at AI na inaalok ng SAS.