AI poate identifica mai devreme semnele de deteriorare ale unui client. Întrebarea mai grea începe după aceea: cum se schimbă riscul atunci când banca acționează pe baza acelei predicții? Răspunsul îl oferă Iuliu Mureșan, Director General Adjunct (Aria Risc) Garanti BBVA Romania.
În banking, risk-based pricing înseamnă că prețul finanțării reflectă riscul clientului. Ce se schimbă atunci când AI vede deteriorarea mai devreme?
Să luăm o companie ale cărei vânzări încetinesc, marjele scad, iar gradul de îndatorare crește. Ratingul se deteriorează, ceea ce indică o probabilitate mai mare de nerambursare. Pentru bancă, această schimbare are un cost concret: expunerea cere provizioane mai mari și consumă mai mult capital, iar condițiile de finanțare trebuie revizuite. Într-un sistem de risk-based pricing, asta se traduce de regulă printr-o dobândă mai mare sau prin alte măsuri care limitează expunerea. Până aici, logica este simplă și prudentă. Lucrurile devin mai complexe după ce măsura intră în vigoare. Dacă dobânda crește exact când compania are deja rezultate mai slabe, costul datoriei apasă și mai mult asupra fluxului de numerar. Capacitatea de rambursare se reduce, iar următoarea evaluare poate arăta un risc mai ridicat decât înainte, deci un cost mai mare pentru bancă.
Modelul poate să fi descris corect deteriorarea inițială, iar decizia băncii poate fi justificată. Numai că, după aplicarea ei, situația clientului se schimbă. Din acel moment, decizia băncii devine și ea una dintre variabilele care influențează evoluția riscului.
Înseamnă că o măsură prudentă poate ajunge să agraveze riscul pe care banca încearcă să îl gestioneze?
În anumite situații, da. Firește, banca nu poate ignora deteriorarea și nici nu poate menține artificial un preț care nu mai reflectă riscul, pentru că ar fi o greșeală la fel de mare ca o reacție mecanică.
Mai util este să distingem între evaluarea riscului și decizia propriu-zisă. Un rating mai slab arată că situația clientului s-a deteriorat, dar nu stabilește automat ce măsură trebuie luată. Uneori, majorarea dobânzii este răspunsul potrivit. Alteori, o maturitate diferită, un grafic de rambursare adaptat încasărilor, garanții suplimentare sau o reducere treptată a expunerii pot proteja banca mai bine. Dacă afacerea nu mai este viabilă, analiza trebuie să spună și acest lucru.
Mecanismul seamănă cu o profeție care se autoîmplinește: reacția la un risc ajunge, în anumite condiții, să contribuie la materializarea lui. În creditare, ideea importantă este mai simplă: după ce banca intervine, riscul trebuie privit din nou prin efectele acelei intervenții.
„Predicția estimează riscul, dar decizia băncii îl poate schimba. De aceea trebuie să-i vedem efectul înainte să o luăm.”
Fenomenul acesta exista și înainte de AI. Ce aduce nou tehnologia?
Aduce, în primul rând, viteză, iar viteza schimbă natura problemei. Într-un proces tradițional, situația unei companii era reevaluată la revizuirea periodică a creditului, iar până la revizuirea următoare, banca putea observa cum a reacționat firma la măsurile luate.
Sistemele de avertizare timpurie bazate pe AI combină mult mai repede informații despre tranzacții, comportamentul de plată, situația financiară și alte semnale relevante. Deteriorarea este detectată mai devreme, ratingul se poate actualiza mai repede, iar condițiile de finanțare pot fi revizuite într-un interval mult mai scurt. Dacă și clientul folosește un agent AI, acesta poate analiza imediat noile condiții și căuta alternative.
În felul acesta se scurtează întregul circuit dintre semnal, decizie și efect. O măsură luată astăzi poate schimba rapid comportamentul clientului, iar schimbarea revine apoi în datele pe care banca le analizează. Viteza rămâne un avantaj, însă face mai importantă înțelegerea consecințelor înainte ca decizia să fie aplicată.
Dacă predicția nu mai este suficientă, ce ar trebui să analizăm în plus?
Astăzi, un model de risc răspunde în esență la o întrebare: cât de probabil este ca acest client să nu își mai poată rambursa obligațiile? Pentru decizie avem nevoie și de o altă perspectivă: cum se schimbă situația clientului în funcție de măsura pe care o alegem?
Dacă majorăm costul finanțării, cum arată serviciul datoriei peste șase luni? Dacă reducem limita, ce presiune apare asupra lichidității? Dacă schimbăm maturitatea sau graficul de rambursare, cum evoluează capacitatea de plată? AI permite construirea rapidă a unor scenarii care pun aceste variante una lângă alta și arată efectele probabile ale fiecăreia.
Aici apare diferența dintre o predicție bună și o decizie bună. Predicția estimează riscul, dar decizia băncii îl poate schimba. De aceea trebuie să-i vedem efectul înainte să o luăm. Cu astfel de scenarii, banca poate alege măsura care îi protejează expunerea fără să împingă clientul într-o situație și mai grea.

Câtă încredere putem avea în astfel de scenarii? Cum evităm să tratăm estimările drept certitudini?
Riscul există, așa că scenariile trebuie folosite cu discernământ. Orice scenariu pornește de la ipoteze despre veniturile firmei, evoluția pieței, reacția clientului și celelalte surse de finanțare pe care le are, motiv pentru care trebuie citit ca o estimare, nu ca o fotografie a viitorului. AI poate analiza mult mai multe combinații decât am putea face manual, însă rezultatul depinde de calitatea datelor și a ipotezelor.
De aceea, informația cea mai utilă nu este întotdeauna o singură cifră. Uneori, este mai valoros să vedem cât de sensibilă este decizia la schimbarea unei ipoteze. De exemplu, o dobândă mai mare poate fi suportată de firmă doar dacă vânzările își revin repede, în timp ce un grafic de rambursare adaptat încasărilor rămâne sustenabil chiar dacă redresarea întârzie. A doua variantă este mai robustă, pentru că nu depinde de un singur scenariu favorabil.
Asta schimbă și rolul AI în proces. În loc să producă un răspuns care pare definitiv, inteligența artificială poate fi folosită pentru a face vizibile consecințele, incertitudinile și punctele în care o decizie devine fragilă. Aceeași analiză se poate extinde la nivel de portofoliu, pentru a vedea dacă măsuri rezonabile aplicate simultan mai multor clienți concentrează presiunea într-un sector.
Cum se schimbă, în acest caz, ideea de model de risc bun?
Criteriile clasice rămân valabile: cât de fidel estimează modelul riscul, cât de stabil este în timp și cât de bine diferențiază între clienți cu profiluri diferite. Pentru anumite decizii însă, aceste criterii nu arată întreaga imagine, pentru că modelul evaluează o realitate pe care banca o poate modifica prin propriile măsuri.
De aici începe, cred, următoarea etapă. Pe lângă estimarea probabilității de nerambursare, banca poate folosi AI pentru a compara scenarii și pentru a vedea cum se modifică riscul în funcție de decizia aleasă. Mai util decât să căutăm o predicție aparent exactă este să obținem o imagine mai bună asupra consecințelor probabile și a incertitudinii din jurul lor.
Până acum, întrebarea centrală a fost „Ce se poate întâmpla cu acest client?” Pe măsură ce folosim AI în decizii, devine la fel de importantă întrebarea „Ce se poate întâmpla după ce noi intervenim?” Aici, mi se pare că trecem cu adevărat dincolo de predicție.
______
* conținut sponsorizat