Les banques misent sur l’IA pour renforcer l’analyse de scénarios de risques opérationnels
NEW YORK – Face à une complexité croissante des risques, les banques se tournent de plus en plus vers l’analyse de scénarios pour évaluer leur résilience et planifier leurs besoins en capital. Cependant, défendre les hypothèses sous-jacentes aux événements de pertes extrêmes reste un défi majeur. Des experts estiment que l’intelligence artificielle (IA) pourrait bien être la clé pour industrialiser ce processus crucial.
L’analyse de scénarios de risques opérationnels existe depuis longtemps, mais elle est aujourd’hui soumise à un examen plus approfondi. Patrick Naim, PDG d’Elseware, explique que l’évolution est due à des objectifs plus ambitieux. Autrefois principalement utilisée pour la modélisation du capital réglementaire, l’analyse de scénarios est désormais au cœur de la gestion des risques prospective, incluant l’évaluation de la capacité d’adaptation opérationnelle et la planification de la reprise d’activité.
"Ce changement modifie la nature de l’exercice", souligne Naim. "Les scénarios ne peuvent plus se limiter à des descriptions narratives d’événements plausibles. Ils doivent se comporter comme des mécanismes paramétrés qui génèrent des pertes. En pratique, cela signifie que les hypothèses à l’intérieur d’un scénario doivent être explicites et sensibles aux changements."
Nedim Baruh, directeur général et responsable de la mesure et de l’analyse des risques opérationnels chez JPMorgan Chase, partage ce point de vue. Il observe une tension entre l’ambition des praticiens et le niveau de confiance que les organisations sont prêtes à accorder aux résultats. "Il y a un intérêt de la part de la direction et des responsables des risques, mais aussi un certain scepticisme quant à la robustesse des résultats pour prendre des décisions critiques", explique Baruh.
Une approche structurée pour combler le fossé
Pour relever ces défis, Naim et Baruh ont été parmi les premiers à plaider pour une approche structurée de l’analyse de scénarios. Leur objectif était de résoudre un paradoxe : les institutions étaient tenues d’identifier et de quantifier les combinaisons d’événements avec des probabilités supérieures à 0,1 %, mais l’approche de modélisation dominante, l’approche de la distribution des pertes, était entièrement rétrospective.
"Si vous essayiez de modéliser le risque de crédit en ajustant simplement une distribution aux pertes passées, cela n’aurait pas de sens", illustre Naim. "En matière de risque de crédit et de risque de marché, nous modélisons les mécanismes qui génèrent les pertes : les probabilités de défaut, les expositions et les sensibilités aux mouvements du marché."
Pour combler ce manque de structure dans le risque opérationnel, ils ont développé l’approche XOI (Exposition, Occurrence, Impact). L’exposition représente les ressources susceptibles d’être affectées (personnel, systèmes, transactions, produits), l’occurrence est la probabilité de l’événement indésirable et l’impact est le coût généré lorsque cet événement affecte la ressource.
Baruh souligne que cette approche structurée a amélioré l’exécution de l’analyse de scénarios, en particulier la capacité de remettre en question les hypothèses. "Les discussions avec les équipes de validation sont beaucoup plus solides qu’avec les approches moins structurées", affirme-t-il.
Les limites persistent, l’IA offre de nouvelles perspectives
Malgré ces améliorations, des limites subsistent, notamment en ce qui concerne la justification des hypothèses sous-jacentes aux facteurs de risque. Souvent, ces hypothèses reposent sur l’expertise des acteurs, ce qui rend difficile la démonstration de leur robustesse.
C’est là que l’IA entre en jeu. Naim met en garde contre les attentes démesurées, soulignant que les grands modèles de langage (LLM) ont tendance à interpoler plutôt qu’à extrapoler, et que leurs sorties non déterministes peuvent créer de la confusion.
Cependant, Baruh estime que l’IA a le potentiel d’automatiser des tâches actuellement effectuées manuellement, notamment en matière de structuration du processus de remise en question et de validation.
Elseware explore actuellement cette voie avec TrustAgent, un outil qui vise à automatiser le type de remise en question qu’un panel d’experts fournirait normalement. L’outil ne vise pas à construire ou à quantifier directement un scénario, mais plutôt à renforcer le processus de remise en question et à rendre les hypothèses plus robustes en recherchant des preuves susceptibles de les contredire.
Industrialiser le processus de remise en question : un enjeu crucial
Pour Naim et Baruh, "industrialiser le processus de remise en question" est essentiel pour améliorer la qualité de l’analyse de scénarios. Cela implique de structurer le processus, de rechercher des sources d’information pertinentes, de comparer ces sources aux hypothèses initiales et de documenter le raisonnement.
"Le but n’est pas d’automatiser la remise en question, mais de structurer ce processus et de le rendre plus discipliné et mieux documenté", conclut Baruh. "L’IA peut nous aider à créer une méthode plus robuste et reproductible pour étayer les remises en question, plutôt que de les laisser se produire de manière ad hoc lors de la validation."
En fin de compte, l’objectif est de déplacer l’attention des banques de la défense des chiffres vers la documentation et la remise en question du raisonnement qui les sous-tend, ouvrant ainsi la voie à une gestion des risques opérationnels plus efficace et plus transparente.