PagoPA, ancora nuove funzionalità nel 2023

 Il rischio geopolitico è ormai una variabile strutturale nella gestione bancaria. Dopo una lunga fase in cui la stabilità delle relazioni internazionali aveva reso meno urgente misurarlo in modo sistematico, il nuovo scenario impone alle banche un salto di qualità: non basta più osservare gli eventi, occorre integrarli nei framework di rischio, nei modelli e nei processi decisionali.

Lo sottolinea Giovanni Pepe, Head of Regulatory and Risk Advisory di KPMG, nella videointervista rilasciata a Bancaforte in occasione di Supervision, Risks & Profitability 2026.

Un passaggio decisivo, ricorda Pepe, è arrivato con lo stress test geopolitico avviato dalla Banca Centrale Europea all’inizio del 2026. “È stato un game changer”, osserva, perché ha spinto le banche supervisionate direttamente dalla BCE a passare da una riflessione ancora in parte esplorativa a un processo più strutturato di misurazione e gestione. Il rischio geopolitico, pur con livelli diversi di sofisticazione a seconda delle dimensioni degli intermediari, sta entrando nei ragionamenti delle banche e nei loro presidi di governo.

La sfida non è azzerare quanto costruito finora sui rischi tradizionali. È, piuttosto, utilizzare modelli, logiche interpretative e strumenti già sviluppati per aggiungere una nuova dimensione di analisi. In questo percorso potranno avere un ruolo anche il machine learning e l’intelligenza artificiale generativa, soprattutto nella capacità di elaborare grandi quantità di informazioni, cogliere segnali deboli e supportare letture più dinamiche degli scenari. 

Il tema tecnologico si lega anche all’evoluzione dei modelli interni. Pepe richiama il ruolo dei modelli AIRB, definiti un “patrimonio dell’Europa”, perché il settore bancario europeo mantiene nei propri bilanci una quota di prestiti più elevata rispetto al mercato statunitense e ha quindi bisogno di strumenti più sofisticati per quantificare il rischio. Da vent’anni le banche europee di maggiori dimensioni utilizzano questi modelli per la misurazione dei requisiti patrimoniali. Una funzione che deve rimanere centrale, ma adeguandosi ai tempi.

L’apertura delle autorità di vigilanza all’innovazione rende oggi più concreta l’integrazione del machine learning nei modelli AIRB. Secondo Pepe, queste tecniche possono aumentare la capacità predittiva e consentire di sfruttare dati, segnali e informazioni che i modelli tradizionali non riuscivano a valorizzare pienamente. Resta il tema dell’interpretabilità, finora uno dei principali ostacoli all’utilizzo del machine learning in ambito regolamentare. Anche su questo fronte, però, stanno emergendo soluzioni capaci di tradurre gli output dei modelli in spiegazioni più accessibili, anche in linguaggio naturale.

La direzione, quindi, appare tracciata. Il rischio geopolitico entra nella gestione bancaria come fattore permanente, mentre AI e machine learning iniziano a incidere sui modelli interni. Non come sostituzione delle architetture esistenti, ma come evoluzione necessaria per rendere la misurazione dei rischi più aderente alla complessità del contesto.

Guarda lo Speciale Supervision, Risks & Profitability 2026