Le risque moderne exige un socle en temps réel : le mandat du CRO

Dans un environnement macroéconomique volatil, la gestion des risques d'entreprise est aujourd'hui moins limitée par la sophistication de la modélisation que par la latence des données. Bien que la modélisation financière ait considérablement évolué au cours des deux dernières décennies, l'architecture de données sous-jacente qui soutient ces modèles reste souvent ancrée dans des architectures patrimoniales orientées batch.

Pour de nombreuses institutions financières de premier plan (Tier-1), l'agrégation des risques continue de reposer sur des patrimoines de données fragmentés, des traitements batch nocturnes, un rapprochement manuel des données entre les unités opérationnelles et des cadres de reporting rétrospectifs. Cependant, les récents événements de marché démontrent que lorsque le risque se matérialise sur des marchés modernes et interconnectés, l'architecture existante crée de graves lacunes de visibilité qui empêchent une intervention rapide.

Cet écart est important car le rôle du CRO évolue. L'enquête de Deloitte sur la gestion des risques a révélé que plus de 90 % des personnes interrogées estiment que la gestion des risques devient plus importante pour atteindre les objectifs stratégiques, et que les organisations dotées de programmes de risques plus intégrés ont tendance à surpasser celles dont les approches sont moins intégrées. L'implication est claire : les conseils d'administration attendent de plus en plus de la fonction risques qu'elle contribue à la croissance, à la résilience et à la qualité des décisions, et non qu'elle agisse simplement comme un point de contrôle rétrospectif.

Ce changement stratégique nécessite une base opérationnelle différente.

Les angles morts architecturaux sont désormais des passifs stratégiques

Les récents chocs du marché ont mis en évidence une tendance indéniable : les institutions disposent souvent d'informations abondantes, mais manquent d'une vision opportune, intégrée et prête à la décision.

Des épisodes tels que la Silicon Valley Bank, Archegos et la perturbation du LDI au Royaume-Uni ont mis en évidence des faiblesses récurrentes dans l'architecture moderne des risques.

1. Silicon Valley Bank (2023) : l'impact de la vitesse de la fuite des liquidités numérisée

La Silicon Valley Bank (SVB) maintenait un bilan fortement exposé aux obligations du Trésor américain à long terme et à taux fixe, financé par des dépôts concentrés de capital-risque. Lorsque les taux d'intérêt ont augmenté rapidement, la banque a accumulé d'importantes pertes non réalisées. Pour répondre aux demandes de retrait de dépôts, la SVB a liquidé une partie de ses titres disponibles à la vente, réalisant une perte de 1,8 milliard de dollars.

• La lacune de l'architecture de données : Les modèles traditionnels d'Asset Liability Management (ALM) et les cadres de reporting réglementaire (tels que le FR 2052a) étaient historiquement conçus autour de cycles batch hebdomadaires ou mensuels, en supposant que les sorties de dépôts se produiraient sur des horizons prolongés. Alimentés par les canaux bancaires numériques et la diffusion rapide des informations via les réseaux sociaux et numériques, les clients de la SVB ont initié des demandes de retrait totalisant 42 milliards de dollars en une seule journée. L'infrastructure de gestion des risques de la banque manquait de pipelines de données en streaming et en temps réel nécessaires pour suivre de manière dynamique l'évolution des positions de liquidité intrajournalières lors d'une fuite ultra-rapide.

2. Archegos Capital Management (2021) : le coût élevé de la fragmentation des données de contrepartie

Archegos Capital Management, un family office, a utilisé un effet de levier extrême pour constituer des positions concentrées sur un petit nombre d'actions via des Total Return Swaps (TRS). Comme ces positions synthétiques étaient réparties entre plusieurs courtiers principaux (prime brokers), notamment Credit Suisse, Nomura, Morgan Stanley et Goldman Sachs, la taille réelle de l'exposition totale du fonds restait masquée pour les acteurs du marché individuels. Lorsque la valeur des actions sous-jacentes a chuté, Archegos a fait défaut sur ses appels de marge, générant plus de 10 milliards de dollars de pertes collectives pour ses institutions prêteuses.

• La lacune de l'architecture de données : Le Credit Suisse a subi à lui seul une perte de 5,5 milliards de dollars, ce qui a contribué à une perte de confiance plus large du marché. Les enquêtes internes ont révélé que les systèmes de gestion des risques de la banque ne souffraient pas d'un manque de données, mais d'une grave fragmentation systémique. Les indicateurs d'exposition étaient cloisonnés au sein d'unités opérationnelles et de systèmes géographiques indépendants. Parce que l'architecture manquait d'une plateforme de données unifiée capable d'agréger en temps réel le risque de crédit de contrepartie sur des pupitres de négociation disparates, les gestionnaires de risques ne pouvaient pas voir l'exposition totale agrégée de l'institution à un seul client.

3. La crise du Liability-Driven Investment (LDI) au Royaume-Uni (2022) : tests de résistance statiques vs dynamiques

En septembre 2022, des annonces soudaines de politique budgétaire au Royaume-Uni ont provoqué une hausse des rendements des obligations d'État britanniques (Gilts) à un rythme sans précédent. Cette volatilité a gravement touché les fonds de pension britanniques qui utilisaient des stratégies de Liability-Driven Investment (LDI), lesquelles s'appuient sur des produits dérivés pour couvrir les passifs à long terme. Alors que les prix des obligations s'effondraient, ces fonds ont fait face à des appels de marge de garantie immédiats et massifs de la part de leurs contreparties. Pour mobiliser des liquidités, les fonds de pension ont été contraints de liquider leurs gilts sous-jacents, entraînant les prix des obligations encore plus bas et créant une boucle de rétroaction négative qui a nécessité une intervention d'urgence de la Banque d'Angleterre.

• La lacune de l'architecture de données : Les modèles de risque historiques statiques et standard indiquaient que ces portefeuilles étaient convenablement couverts contre les mouvements de marché conventionnels. L'architecture technologique sous-jacente n'a pas pris en compte les boucles de rétroaction corrélées et multivariables, en particulier la manière dont une baisse rapide de la valeur des actifs imposait des liquidations systémiques de ces mêmes actifs. La gestion de ce risque nécessite des simulations de scénarios simultanées et hautement performantes, capables de traiter simultanément des changements macroéconomiques complexes sur des classes d'actifs interdépendantes.

Le coût de la friction : contraintes opérationnelles et stratégiques

L'analyse des défaillances opérationnelles modernes révèle que les vulnérabilités structurelles découlent en grande partie d'une architecture de données fragmentée et de la prolifération des fournisseurs (« vendor sprawl »), plutôt que d'une modélisation défectueuse. Cela crée une friction structurelle qui affecte trois domaines clés :

1. La charge de rapprochement (impact sur les indicateurs : alpha opérationnel et efficacité des FTE) : Les modèles de données cloisonnés et les contrôles incohérents obligent les équipes chargées des risques, de la finance et des opérations à effectuer des exercices de validation répétés sur des feuilles de calcul, des systèmes de fournisseurs et des extractions sur mesure. De manière cruciale, cela dégrade un indicateur clé du CRO : le Time-to-Insight. Au lieu de se concentrer sur une gestion proactive de l'exposition, les équipes chargées des risques consacrent leur bande passante opérationnelle à valider des chiffres ligne par ligne dans des feuilles de calcul et des bases de données déconnectées.
2. Latence du reporting (impact sur les indicateurs : précision de la Value-at-Risk (VaR) et demi-vie du Liquidity Coverage Ratio (LCR)) : Des données obsolètes dégradent les décisions. S'appuyer sur des traitements batch nocturnes pour des calculs complexes (comme l'Expected Shortfall ou les tests de résistance macroéconomiques) oblige les comités des risques à travailler avec des données obsolètes. Dans des environnements ultra-rapides et des marchés volatils, cette latence crée un angle mort dans le suivi de la liquidité intrajournalière (Intraday Liquidity Tracking) et dégrade la précision des limites de VaR, obligeant les institutions soit à prendre des risques non couverts, soit à conserver des réserves de liquidités sous-optimales et non productives d'intérêts.

3. Angles morts de la traçabilité des données (Data Lineage) (impact sur les indicateurs : coût de la conformité et gestion des risques de modèle - SR 11-7) :

   Une faible traçabilité augmente la charge opérationnelle et réglementaire. Cela expose l'entreprise à des pénalités d'audit (telles que le CCAR ou le FR 2052a) dans le cadre de BCBS 239 et SR 11-7 (cadres de gestion des risques de modèle). Sans traçabilité automatisée, remonter à la source d'un résultat de modèle inattendu pour distinguer les changements structurels du marché des données corrompues en amont devient un goulot d'étranglement long et coûteux.

Le virage architectural : opérationnaliser le CRO stratégique

Si l'on attend du CRO moderne qu'il agisse en tant que leader stratégique, la pile de gestion des risques doit évoluer d'une infrastructure de reporting fragmentée vers une couche d'intelligence unifiée.

C'est là que la plateforme Databricks Data and AI entre en jeu. La valeur de la plateforme pour les organisations de gestion des risques ne réside pas simplement dans la vitesse isolée. C'est la combinaison de l'unification, de la gouvernance et de l'IA sur une base unique :

• Agrégation des positions en temps réel et optimisation du capital : En rassemblant les positions, les limites, les résultats des stress tests et les données de marché sur une base unifiée et gouvernée dans Unity Catalog, Databricks élimine la charge de rapprochement. Les équipes chargées des risques travaillent avec un modèle d'autorisation unique et cohérent et une traçabilité des données vérifiée. Cette visibilité centralisée réduit le Time-to-Aggregation de quelques jours à quelques minutes, ce qui permet au CRO d'optimiser les Risk-Weighted Assets (RWA) et de réallouer dynamiquement le capital des secteurs à forte exposition vers des actifs à plus haut rendement.
• Simulations « What-If » en moins d'une seconde et défense des marges : Passer des grilles de traitement par lots nocturnes héritées à un traitement simultané et hautement performant permet aux équipes de passer de l'aveuglement du mode batch à une vigilance en temps réel. Les gestionnaires de risques peuvent exécuter des analyses de transactions « What-If » complexes et multivariables et visualiser les deltas de VaR ou d'Expected Shortfall en quelques secondes avant qu'une position ne soit enregistrée. Cette capacité en temps réel protège les marges d'intérêt nettes (NIM) et garantit que les variations soudaines des variables macroéconomiques ne déclenchent pas d'appels de marge non couverts.

• Workflows AI auditables et gouvernance simplifiée : À mesure que l'AI s'intègre dans les décisions de crédit de première ligne et les signaux de risque de marché, l'Unity AI Gateway ajoute une couche de gouvernance de niveau entreprise pour le trafic LLM et ML. Elle offre une gestion automatisée des accès, une limitation du débit, un suivi de l'utilisation, un enregistrement des charges utiles (payloads) et des garde-fous. Combinée à Databricks Genie, qui permet aux analystes de risques d'accéder aux données gouvernées et de les interroger en langage naturel tout en conservant des pistes d'audit SQL complètes et un traçage MLflow, la plateforme réduit considérablement le coût de la conformité et accélère les délais de validation des modèles (SR 11-7). Le résultat est un cockpit de pilotage des risques unifié qui soutient une transition vérifiable de vues sur les risques différées et assemblées manuellement vers une agrégation plus proche du temps réel, une investigation plus rapide et une reproductibilité absolue des modèles dans tous les domaines de risque.

Databricks propulse le CRO moderne dans l'ensemble des services financiers

Dans le secteur bancaire

La banque moderne ne peut plus gérer les risques comme un ensemble de fonctions de contrôle déconnectées. Le CRO a besoin d'un plan de contrôle unique et gouverné pour les risques et les capitaux : les signaux de liquidité, de capital, de taux d'intérêt, opérationnels et de conformité doivent être agrégés à partir d'un socle unique et gouverné sous Unity Catalog, plutôt que d'être assemblés à partir d'une multitude de solutions ponctuelles après le dénouement des traitements par lots nocturnes. Sur cette base, quatre capacités permettent à la banque de passer d'un reporting rétrospectif à une défense proactive des capitaux :

• Liquidité et ALM (LCR, NSFR, HQLA). La trésorerie passe de l'aveuglement du mode batch à une visibilité intrajournalière : un suivi minute par minute des positions de liquidité au lieu d'un chiffre qui a toujours un jour de retard sur le bilan. Comme le montre le cockpit des risques, les équipes peuvent suivre le LCR, le NSFR et le HQLA en temps réel, réduire les réserves de liquidités non productives d'intérêts et remonter jusqu'à la source de tout ratio publié sans quitter l'écran – précisément la visibilité qui faisait défaut lorsqu'une fuite des dépôts à hyper-vitesse dépassait un cadre ALM basé sur des traitements par lots hebdomadaires.

• Risque de taux d'intérêt dans le portefeuille bancaire (IRRBB). Tous les scénarios de choc de taux de supervision résident dans des tables gouvernées que le trésorier peut lire, modifier et réexécuter en quelques minutes plutôt que de soumettre une demande de modification à un fournisseur. Le ΔEVE de chaque scénario en proportion du CET1 – et tout dépassement du test des valeurs aberrantes de Bâle – peut être interrogé par rapport à la structure du capital, de sorte que le trésorier, le CFO et le CRO voient le même chiffre au même moment.
• Planification et adéquation du capital (CCAR). La projection du capital passe d'un projet basé sur des notebooks et des feuilles de calcul à un workflow gouverné et reproductible. Les réexécutions de CCAR suivies par MLflow capturent chaque hypothèse, entrée et sortie, transformant une discussion de validation de modèle SR 11-7 qui prenait une semaine en une simple requête – et faisant passer la planification du capital d'un exercice annuel à une posture continue.
• Reporting réglementaire adapté à l'usage. Le même socle gouverné qui alimente la vue sur la liquidité génère les rapports destinés aux régulateurs. La génération simplifiée du rapport FR 2052a remplace la chaîne complexe d'Excel vers les fournisseurs par une soumission gouvernée par le même lignage et les mêmes contrôles d'accès que le tableau de bord, éliminant ainsi les piles de reporting réglementaire en double et la dette d'audit qui les accompagne.

Le résultat est une organisation des risques qui optimise les RWA et réalloue le capital de manière proactive, plutôt que de consacrer sa bande passante à valider des lignes de données dans des systèmes déconnectés.

Dans les marchés de capitaux

Dans les marchés de capitaux, la contrainte est encore plus forte, car le coût de la latence se mesure en minutes. Les équipes chargées des risques travaillent toujours sur plusieurs systèmes, plusieurs versions de la vérité et des données d'âges différents : plateformes OMS, moteurs de risques, outils d'analyse, feuilles de calcul et e-mails fonctionnant en parallèle. Databricks restructure le workflow autour d'un socle unique et gouverné pour les risques de marché : positions propriétaires, données de contrepartie, données de marché, limites et flux de partenaires sur une seule plateforme sous Unity Catalog, accessibles via le cockpit des risques et un Risk Genie en langage naturel. Quatre capacités définissent ce nouveau modèle opérationnel :

• Agrégation des expositions en temps réel. VaR, Expected Shortfall, DV01, CS01, dépassements de limites actifs et expositions multi-fonds sur un seul écran, avec un accès gouverné et un lignage complet derrière chaque indicateur – remplaçant la grille de traitement par lots nocturne où la VaR arrive comme le chiffre de la veille.
• Visibilité sur les contreparties et multi-fonds. L'exposition totale agrégée à une seule contrepartie, à travers les pupitres de négociation et les courtiers principaux (prime brokers), devient une réponse en libre-service plutôt qu'un projet de rapprochement trimestriel, comblant ainsi le fossé de fragmentation qui masquait le véritable effet de levier d'un family office jusqu'à ce que les pertes soient déjà survenues.
• Tests de résistance et simulations « What-If » en moins d'une seconde. Les gestionnaires de risques exécutent des tests de résistance en direct et simultanés sur des scénarios corrélés et multivariables – la dynamique de boucle de rétroaction que les modèles historiques statiques ne capturent pas – et visualisent un delta de VaR ou d'Expected Shortfall en quelques secondes, avant qu'une transaction ne soit enregistrée, protégeant ainsi les marges contre les variations macroéconomiques soudaines plutôt que de découvrir des dépassements le lendemain matin.
• Investigation augmentée par l'AI avec provenance auditable. Un Risk Genie en langage naturel permet au pupitre d'interroger les données gouvernées en langage simple tout en conservant une piste d'audit SQL complète, et la provenance des modèles basée sur MLflow offre aux validateurs et aux régulateurs une chaîne reproductible depuis les entrées de scénarios jusqu'aux indicateurs de sortie – répondant ainsi aux nouvelles questions de risque à la vitesse du marché au lieu d'orienter chacune d'elles vers une file d'attente d'analystes quantitatifs.

Voici à quoi ressemble la gestion moderne des risques de marché sur Databricks : non pas un énième tableau de bord superposé à des silos existants, mais une surface de contrôle en direct, gouvernée et augmentée par l'AI pour la gestion des expositions, la transparence des modèles et des décisions plus rapides dans l'ensemble du front, middle et back office.

Preuve en production

Il ne s'agit pas d'une simple aspiration. Des institutions de premier plan (Tier-1) exécutent déjà des fonctions clés de risque et de capital sur la plateforme Data et AI de Databricks.

Dans le secteur bancaire, l'exemple de Raiffeisen Bank International montre comment une organisation bancaire peut consolider un environnement analytique fragmenté en un socle plus standardisé et gouverné, tout en améliorant la rapidité, l'efficacité des coûts et l'auditabilité. Pour la banque moderne, cela signifie que les discussions sur la liquidité et le capital peuvent se rapprocher du temps réel, avec moins de rapprochements manuels et une plus grande confiance dans les chiffres présentés.

Dans les marchés de capitaux, Morgan Stanley a mis à l'échelle l'un de ses calculateurs réglementaires les plus importants, le risque de crédit de contrepartie SACCR sur Databricks, améliorant ainsi les performances, la précision des calculs et la conformité réglementaire, tout en se consolidant sur une plateforme Data et AI entièrement gérée pour répondre à ses obligations réglementaires avec un effort nettement moindre. State Street ouvre la voie à une nouvelle norme en matière d'AI d'entreprise dans le secteur financier, en unifiant les données structurées et non structurées sous Unity Catalog afin de concilier l'adoption rapide de l'AI avec des exigences réglementaires et de sécurité strictes. Dans ces deux mondes, le schéma est le même : un socle unique gouverné, une agrégation en temps réel et une AI auditable – le mandat du CRO moderne, en production.

La prochaine crise n'attendra pas le traitement par lots nocturne

SVB, Archegos et le dénouement du LDI n'étaient pas des échecs mathématiques. Les modèles étaient solides. Ce qui a échoué, c'est l'architecture sous-jacente : des données agrégées trop lentement, des expositions fragmentées entre les systèmes et des tests de résistance incapables de détecter les boucles de rétroaction se formant en temps réel. Dans chaque cas, le risque était prévisible. Il n'était tout simplement pas visible à temps pour agir.

C'est cet écart qui définit la gestion moderne des risques. Les marchés évoluent désormais à la vitesse numérique d'une publication virale et d'un retrait numérique le jour même ; les infrastructures de risque construites autour de cycles de traitement par lots hebdomadaires et de rapprochements manuels ne peuvent pas suivre le rythme, et le coût de cette inadéquation se mesure en milliards et, de plus en plus, en survie institutionnelle.

Combler l'écart n'est plus une simple mise à niveau technologique ; c'est la condition préalable à l'évolution du mandat du CRO. L'agrégation en temps réel, l'analyse de scénarios en moins d'une seconde et l'AI auditable sont ce qui transforme la fonction de gestion des risques d'un point de contrôle rétrospectif en un moteur prospectif pour l'allocation de capital et la croissance.

La plateforme de données et d'AI Databricks rend cette transition possible dès aujourd'hui. En unifiant les risques de marché, de liquidité, de capital, opérationnels et de conformité sur une base gouvernée unique, avec une traçabilité sur chaque métrique et une transparence sur chaque modèle, elle offre au CRO une vision unique, en temps réel et justifiable de l'entreprise. Les institutions qui l'utilisent déjà ne se contentent pas de signaler les risques plus rapidement. Elles les détectent plus tôt et agissent avant qu'ils ne s'aggravent.

La question pour chaque responsable des risques n'est plus de savoir si le modèle est correct. Il s'agit plutôt de savoir si l'architecture leur permettra d'y voir clair et d'agir de manière décisive lors du prochain choc. La gestion moderne des risques exige une base moderne. L'architecture existante nous a déjà montré ses limites.

(Cet article de blog a été traduit à l'aide d'outils basés sur l'intelligence artificielle) Article original