Comment construire une gouvernance de l'IA qui inspire confiance, respecte les exigences r glementaires et cr e un avantage concurrentiel durable. Une salle des march s qui ne dort jamais Il y a dix ans, un incident op rationnel majeur mettait plusieurs heures à être d tect . Aujourd'hui, dans certaines banques, un modèle d'IA identifie une anomalie de flux de paiement en quelques secondes, la corrèle avec des dizaines de signaux faibles, et alerte l' quipe de contrôle permanent avant même qu'un client ne s'en aperçoive. Ce basculement n'est pas anecdotique : il red finit la nature même du m tier de gestionnaire des risques. Mais cette même technologie qui d tecte la fraude en temps r el peut aussi se tromper en toute confiance, halluciner un chiffre inexistant dans un rapport r glementaire, ou reproduire un biais discriminatoire à grande chelle. L'IA n'est donc ni un simple outil d'efficacit , ni une menace à carter par principe. C'est un nouveau territoire de risque op rationnel à part entière, qui doit être gouvern avec la même rigueur que le risque de cr dit ou le risque de march . C'est pr cis ment cette double lecture — acc l rateur de r silience et risque mergent — qui doit structurer la r flexion des dirigeants bancaires en 2026. Pourquoi l'IA devient incontournable dans les banques Plusieurs pressions convergentes expliquent l'acc l ration actuelle. La pression r glementaire s'intensifie. DORA impose depuis janvier 2025 un cadre strict de gestion du risque ICT, de reporting d'incidents et de tests de r silience op rationnelle num rique pour l'ensemble des entit s financières europ ennes. En parallèle, le règlement europ en sur l'IA (AI Act) est entr en vigueur en août 2024, avec des obligations de plus en plus contraignantes pour les systèmes d'IA à haut risque — dont plusieurs cas d'usage bancaires (scoring de cr dit, valuation de risque) relèvent directement. Les banques doivent d sormais d montrer, preuves à l'appui, qu'elles maîtrisent leurs modèles. La cybercriminalit et la fraude se sophistiquent. Selon les donn es cit es par Deloitte, les pertes li es à la fraude d'identit dans les services financiers ont atteint 12,5 milliards de dollars en 2024, en hausse de 25 % par rapport à 2023, port es notamment par les identit s synth tiques. L'activit frauduleuse aurait progress d'environ 21 % entre 2024 et 2025, avec d sormais une tentative de v rification sur vingt signal e comme potentiellement frauduleuse. Plus pr occupant encore : plus de la moiti des fraudes impliqueraient aujourd'hui une composante IA (deepfakes, identit s synth tiques, hameçonnage automatis ), un ph nomène qui pourrait porter les pertes li es à la fraude g n r e par IA à 40 milliards de dollars d'ici 2027. Les coûts op rationnels restent sous tension. McKinsey estime que les fonctions op rationnelles mobilisent entre 50 % et 60 % des quivalents temps plein d'une banque type, ce qui en fait un terrain naturel de transformation par l'IA, juste après la technologie et l'ing nierie. Les donn es explosent, et avec elles la capacit — ou l'incapacit — des banques à les exploiter en temps r el pour d tecter les signaux de risque. Les attentes des clients voluent vers une exp rience instantan e, personnalis e et sans friction, y compris dans la gestion des r clamations, des alertes de fraude ou des interactions avec les quipes de conformit . Les principaux cas d'usage dans le risque op rationnel D tection de fraude. Les moteurs de machine learning analysent des millions de points de donn es par transaction pour rep rer des sch mas anormaux, remplaçant progressivement les règles statiques historiques. D'après une enquête Mastercard men e avec Financial Times Longitude, 42 % des metteurs et 26 % des acqu reurs d clarent avoir vit plus de 5 millions de dollars de pertes de fraude sur deux ans grâce à l'IA, et 80 % des organisations estiment que l'IA a permis de r duire les contrôles manuels inutiles. Lutte contre le blanchiment (AML). Les modèles d'IA croisent des volumes massifs de transactions avec des bases de sanctions, des donn es de b n ficiaires effectifs et des sch mas comportementaux. Un exemple souvent cit dans l'industrie est celui d'un grand groupe bancaire international ayant d ploy une solution d'IA capable de surveiller plusieurs centaines de millions de transactions mensuelles sur des dizaines de millions de comptes, pour d tecter des r seaux de blanchiment que les approches traditionnelles peinaient à identifier. Surveillance des transactions et scoring des risques. Des modèles pr dictifs attribuent en continu un score de risque dynamique à chaque client, chaque transaction ou chaque contrepartie, permettant un pilotage proactif plutôt que r actif. Gestion des incidents op rationnels. Des systèmes d'IA classifient automatiquement les incidents, en valuent la s v rit , et orientent les quipes vers la bonne proc dure de rem diation — r duisant les d lais de d tection et de r solution. Analyse pr dictive et contrôles permanents. L'IA identifie des tendances de d rive avant qu'elles ne deviennent des incidents av r s, renforçant la première ligne de d fense. OCR intelligent et analyse documentaire. Les banques automatisent la lecture, la classification et l'extraction d'informations à partir de contrats, de dossiers KYC ou de justificatifs, r duisant drastiquement les d lais de traitement manuel. G n ration automatique de rapports r glementaires. Des outils d'IA g n rative assistent d sormais la r daction des rapports COREP, FINREP ou des dossiers de contrôle interne, en s'appuyant sur des donn es structur es et une supervision humaine. IA g n rative pour les quipes Risk et Compliance. Des « experts virtuels » internes permettent aux quipes de poser des questions en langage naturel sur les politiques internes, la r glementation ou l'historique des incidents, acc l rant la prise de d cision sans remplacer le jugement humain. Les opportunit s : une transformation mesurable Les gains ne sont plus th oriques. McKinsey value à environ 2 000 milliards de dollars la valeur annuelle totale que l'IA g n rative et l'analytique avanc e pourraient cr er dans le secteur bancaire mondial, en combinant productivit , r duction des risques et nouveaux revenus. Autre donn e significative : 70 % des banques commerciales auraient d jà adopt l'IA dans au moins une fonction cœur de m tier, et 78 % des tablissements ayant investi dans l'IA constateraient un retour sur investissement positif en moins de dix-huit mois. Concrètement, les opportunit s se d ploient sur plusieurs axes : Anticipation renforc e des risques, grâce à une surveillance continue plutôt que ponctuelle. R duction des pertes op rationnelles, par une d tection plus rapide et plus pr cise des anomalies. Qualit accrue des contrôles, avec une couverture exhaustive plutôt qu'un chantillonnage. Acc l ration des investigations, l'IA pr qualifiant les dossiers avant intervention humaine. Optimisation des coûts, notamment sur les tâches à faible valeur ajout e. R silience op rationnelle am lior e, condition d sormais explicitement attendue par les r gulateurs europ ens. Selon le rapport Deloitte sur l'adoption de l'IA dans les institutions financières europ ennes, 94 % des grandes banques et 62 % des petites banques utilisaient d jà l'IA g n rative en 2025, avec la d tection de fraude — AML et KYC compris — comme cas d'usage le plus r pandu, cit par 58 % des banques interrog es. Les dangers et les limites : l'envers du d cor Ces b n fices ne doivent pas occulter une r alit plus inconfortable : l'IA introduit une nouvelle classe de risques, à la fois techniques, thiques et juridiques. Les hallucinations restent un enjeu central pour l'IA g n rative : un modèle peut produire une r ponse plausible mais factuellement fausse, avec un niveau de confiance trompeur — un risque majeur lorsqu'il s'agit de rapports r glementaires. Les biais algorithmiques peuvent reproduire, voire amplifier, des discriminations historiques pr sentes dans les donn es d'entraînement, exposant la banque à un risque de non-conformit et r putationnel. Le manque d'explicabilit de certains modèles complexes complique la justification des d cisions auprès des r gulateurs, des clients et des auditeurs. La d pendance technologique et le risque fournisseur s'accroissent à mesure que les banques externalisent une partie de leurs capacit s d'IA à des tiers, cr ant une nouvelle forme de concentration du risque op rationnel. La cybers curit et la confidentialit des donn es deviennent des enjeux critiques : les modèles d'IA constituent eux-mêmes une nouvelle surface d'attaque. L'obsolescence des modèles, la d rive des performances dans le temps, et les erreurs de d cision qui en d coulent, exigent une surveillance continue plutôt qu'une validation ponctuelle. La responsabilit juridique reste souvent floue lorsqu'une d cision automatis e cause un pr judice. Une gouvernance insuffisante demeure, selon McKinsey, l'un des principaux freins à une adoption responsable : le niveau moyen de maturit en IA responsable a certes progress (de 2,0 à 2,3 sur une chelle de maturit entre 2025 et 2026), mais seul un tiers environ des organisations atteint un niveau de maturit lev en matière de strat gie et de gouvernance. Enfin, l'IA est d sormais aussi une arme entre les mains des fraudeurs — deepfakes, voix synth tiques, documents falsifi s — ce qui transforme la lutte antifraude en course technologique permanente. Ce qu'attendent les r gulateurs Le paysage r glementaire se densifie rapidement autour de l'IA bancaire : AI Act europ en : entr en vigueur en août 2024, il impose aux systèmes d'IA à haut risque — dont plusieurs usages bancaires comme le scoring de cr dit — des obligations de gestion des risques, de gouvernance des donn es, de documentation technique, de supervision humaine et de surveillance post-d ploiement. Le calendrier pr cis de mise en application de ces obligations pour le secteur financier continue d' voluer dans le cadre des discussions sur le « Digital Omnibus » europ en, ce qui impose une veille r glementaire active. DORA : en vigueur depuis janvier 2025, il impose un cadre de gestion du risque ICT, un registre des prestataires tiers, un reporting d'incidents et des tests de r silience — et couvre explicitement les systèmes d'IA en tant qu'actifs ICT. Bâle III/IV, ECB, EBA : ces cadres prudentiels intègrent progressivement des attentes sur la gouvernance des modèles, y compris ceux fond s sur l'IA, dans la continuit du risk management model existant (SR 11-7 et quivalents). ISO/IEC 42001 et NIST AI RMF : ces r f rentiels internationaux, bien que non contraignants juridiquement en Europe, deviennent des standards de facto pour structurer un système de management de l'IA et d montrer une gouvernance robuste face aux superviseurs. Le message commun de ces cadres est sans ambiguït : l'autonomie croissante des systèmes d'IA doit s'accompagner d'une supervision humaine renforc e, pas all g e. Bonnes pratiques : bâtir une gouvernance de l'IA qui inspire confiance Une gouvernance responsable de l'IA dans le risque op rationnel repose sur des piliers d sormais bien identifi s par l'industrie : Un comit IA transverse, associant Risk, Compliance, IT et m tiers, avec un mandat clair de validation des cas d'usage. Une politique IA formalis e, d finissant les usages autoris s, interdits et soumis à validation renforc e. Un registre des modèles, recensant chaque système d'IA, sa finalit , son niveau de risque, ses donn es d'entr e et son propri taire responsable. Une validation ind pendante des modèles, r alis e par une quipe distincte de celle qui les a d velopp s, incluant tests de robustesse et analyse d' quit . Une supervision humaine effective, en particulier sur les d cisions à fort impact (cr dit, fraude, conformit ). Une gestion active des biais, avec des tests r guliers sur des donn es repr sentatives. Des indicateurs de performance et de d rive, suivis dans la dur e et non uniquement lors de la mise en production. Un audit r gulier des modèles, int gr au plan d'audit interne global. Une documentation exhaustive, condition sine qua non pour satisfaire simultan ment les exigences de l'AI Act et de DORA. Un plan de formation des quipes Risk, Compliance et m tiers à la compr hension — non à l'ing nierie — des systèmes d'IA qu'elles supervisent. Le rôle du Risk Manager de demain La fonction risque op rationnel est en train de se transformer en profondeur. Le Risk Manager de demain devra conjuguer plusieurs identit s : AI Risk Manager, capable d' valuer le risque sp cifique d'un système d'IA, au-delà des cat gories traditionnelles. Data-driven Risk Manager, à l'aise avec l'exploitation de donn es massives et h t rogènes. Sp cialiste du Continuous Risk Monitoring, pilotant des dispositifs de surveillance en temps r el plutôt que des contrôles p riodiques. Acteur du Model Risk Management, appliquant aux modèles d'IA la même rigueur m thodologique que celle historiquement r serv e aux modèles de cr dit ou de march . Contributeur actif de l'AI Governance, aux côt s des fonctions juridiques, techniques et m tiers. Les comp tences attendues voluent en cons quence : compr hension des principes du machine learning, culture r glementaire IA, capacit à dialoguer avec les quipes data science, et surtout un sens critique renforc face aux r sultats produits par les systèmes automatis s. Tableau synth tique : opportunit s et risques de l'IA dans le risque op rationnel bancaire Dimension Opportunit s Risques D tection de fraude Identification en temps r el, r duction des faux positifs Fraude assist e par IA, deepfakes Conformit r glementaire Automatisation des rapports, gain de temps Hallucinations, erreurs non d tect es Prise de d cision Aide à la d cision, scoring dynamique Biais algorithmiques, manque d'explicabilit Coûts R duction des tâches manuelles à faible valeur Coûts d'impl mentation et de gouvernance lev s R silience op rationnelle Surveillance continue, d tection pr coce D pendance technologique, risque fournisseur R glementation Cadres structurants (AI Act, DORA) Complexit de mise en conformit multi-r gimes Capital humain Mont e en comp tences, nouveaux rôles R sistance au changement, dilution des responsabilit s Conclusion : une transformation à piloter, pas à subir L'Intelligence Artificielle ne constitue ni une baguette magique ni une menace existentielle pour la gestion du risque op rationnel bancaire. Elle est un acc l rateur puissant, à condition d'être encadr e par une gouvernance à la hauteur de sa capacit de transformation. L'IA ne remplacera probablement pas les gestionnaires des risques. En revanche, les gestionnaires des risques qui maîtrisent l'IA remplaceront ceux qui l'ignorent. Les tablissements qui sauront conjuguer ambition technologique, rigueur de gouvernance et conformit r glementaire ne se contenteront pas de r duire leurs pertes op rationnelles : ils construiront un avantage concurrentiel durable, fond sur la confiance. Cinq enseignements cl s L'adoption de l'IA dans le risque op rationnel bancaire n'est plus une option diff renciante : elle devient un standard de march . Les gains les plus tangibles se concentrent aujourd'hui sur la fraude, l'AML et l'automatisation des contrôles. Les risques introduits par l'IA — biais, hallucinations, d pendance fournisseur — appartiennent pleinement au p rimètre du risque op rationnel et doivent être trait s comme tels. AI Act et DORA imposent d sormais un double cadre de conformit qui exige une documentation et une gouvernance int gr es, et non juxtapos es. Le Risk Manager de demain sera autant un expert en gouvernance qu'un interlocuteur cr dible des quipes data et technologie. Et vous, où en est votre organisation dans la structuration de sa gouvernance IA appliqu e au risque op rationnel ? Quels cas d'usage avez-vous d jà d ploy s, et quels obstacles rencontrez-vous ? Partagez votre retour d'exp rience en commentaire — cet change nourrit une r flexion collective dont notre secteur a besoin. Sources cit es : McKinsey & Company (State of AI Trust 2026 ; Global Banking Annual Review 2026 ; Banking’s AI angst) ; Deloitte (AI Adoption in Financial Institutions — EMEA MRM Survey 2025 ; 2026 Banking & Capital Markets Outlook) ; Mastercard / Financial Times Longitude (2025 Payment Fraud Prevention Report) ; Commission europ enne (AI Act) ; r glementation DORA (UE 2022/2554).

La gestion du risque op rationnel dans les banques marocaines : vers une standardisation des approches de gestion Le risque op rationnel est d fini par le Comit de Bâle comme « le risque de pertes r sultant de processus internes inad quats ou d faillants, de personnes et systèmes, ou d’ v nements externes» https://www.ir-bankofafrica.ma/sites/default/files/2020-08/Organisation%20de%20la%20gestion%20des%20risques%20-%202019.pdf. Il englobe ainsi les risques li s à la fraude, aux erreurs humaines, aux d faillances techniques, aux catastrophes naturelles, aux changements r glementaires, etc. Le risque op rationnel est consid r comme l'un des principaux risques auxquels sont expos es les banques, et sa gestion est devenue un enjeu strat gique pour la stabilit financière et la rentabilit des tablissements bancaires. Au Maroc, le secteur bancaire a connu ces dernières ann es une volution importante, marqu e par la diversification des activit s, l'innovation technologique, l'internationalisation et la concurrence accrue. Ces facteurs ont augment la complexit et la vuln rabilit des banques face au risque op rationnel. Ainsi, les banques marocaines ont dû renforcer leur dispositif de gestion des risques op rationnels, en se conformant aux normes internationales et aux exigences du r gulateur national, Bank Al-Maghrib. Selon une tude men e par Chemlal et al. (2020) http://revue-rimms.org/wp-content/uploads/2020/06/ARTICLE-7-ASMAE-MRABET-2.pdf, les banques marocaines cot es en bourse ont adopt une approche globale et int gr e de la gestion des risques op rationnels, bas e sur les tapes suivantes : L'identification des risques op rationnels à travers l'analyse des processus m tiers, des incidents pass s et des sc narios potentiels. L' valuation des risques op rationnels à l'aide d'indicateurs quantitatifs (pertes effectives, pertes attendues, capital conomique) et qualitatifs (cartographie des risques, auto- valuation des risques). La maîtrise des risques op rationnels par la mise en place de mesures pr ventives (contrôles internes, proc dures, formation) et correctives (plans d'action, assurance, transfert). Le suivi des risques op rationnels par le reporting r gulier des indicateurs de risque, l'audit interne et externe, et le contrôle permanent. La gouvernance des risques op rationnels par l'implication du conseil d'administration, du comit de direction g n rale, du comit de pilotage et gestion des risques, et de la direction g n rale en charge des risques groupe. L' tude a galement montr que la gestion des risques op rationnels a un impact positif sur la performance financière des banques marocaines cot es en bourse. En effet, les auteurs ont trouv une corr lation significative entre les indicateurs de performance financière (produit net bancaire, r sultat net d'exploitation, coefficient d'exploitation, rentabilit des capitaux propres et rentabilit des actifs) et les variables li es à la gestion des risques op rationnels (capital r glementaire allou au risque op rationnel, nombre d'incidents d clar s, nombre de contrôles effectu s). Par ailleurs, une autre tude r alis e par El Khattabi (2018) https://www.researchgate.net/publication/371304923_La_gestion_du_risque_operationnel_au_sein_des_banques_marocaines_vers_une_standardisation_des_approches_de_gestion a analys les pratiques de gestion du risque op rationnel au sein de six banques marocaines (Attijariwafa Bank, BMCE Bank of Africa, Banque Centrale Populaire, Cr dit Agricole du Maroc, Cr dit du Maroc et Soci t G n rale Maroc). L'auteur a constat que les banques marocaines ont adopt des approches de gestion du risque op rationnel similaires, bas es sur les recommandations du Comit de Bâle et les directives de Bank Al-Maghrib. Il a galement relev que les banques marocaines utilisent principalement l'approche standardis e pour calculer le capital r glementaire requis pour couvrir le risque op rationnel. Cette approche consiste à appliquer un coefficient fixe aux produits nets bancaires par ligne d'activit . L'auteur a soulign que cette approche pr sente des limites, car elle ne reflète pas la r alit du risque op rationnel et ne tient pas compte de la diversit des profils de risque des banques. Il a donc sugg r que les banques marocaines voluent vers des approches plus avanc es, bas es sur des modèles internes qui prennent en compte les sp cificit s de chaque banque. En conclusion, on peut dire que la gestion du risque op rationnel dans les banques marocaines a connu une am lioration significative, grâce à la mise en place d'un dispositif de gestion global et int gr , conforme aux normes internationales et aux exigences du r gulateur national. Cette gestion a permis aux banques marocaines de renforcer leur r silience face aux v nements impr vus, et d'am liorer leur performance financière. Toutefois, il reste encore des marges de progression, notamment en matière de calcul du capital r glementaire, qui pourrait être affin par l'utilisation d'approches plus avanc es et adapt es à chaque banque. Quel est le niveau d'exposition aux de Risques Op rationnels des Banques Marocaine Il n'existe pas de classement officiel des banques marocaines selon leur niveau de risque op rationnel. Toutefois, on peut essayer d'appr cier ce risque à partir de certains indicateurs financiers, tels que le capital r glementaire allou au risque op rationnel, le nombre d'incidents d clar s, le nombre de contrôles effectu s, ou encore le ratio de couverture du risque op rationnel. Selon les donn es publi es par Bank Al-Maghrib https://www.bkam.ma/A-propos/Gouvernance/Gestion-des-risques-et-continuite-d-activites, le capital r glementaire allou au risque op rationnel par les banques marocaines s' levait à 13,9 milliards de dirhams à fin 2020, soit 11,6% du capital r glementaire total. Ce montant varie selon les banques, en fonction de leur taille, de leur activit et de la m thode de calcul utilis e. Les banques marocaines utilisent principalement l'approche standardis e, qui consiste à appliquer un coefficient fixe aux produits nets bancaires par ligne d'activit . Selon les rapports annuels des banques marocaines cot es en bourse https://www.bkam.ma/Stabilite-financiere/Cadre-analytique/Cartographie-des-risques-systemiques, le capital r glementaire allou au risque op rationnel se r partissait comme suit en 2020 : Attijariwafa Bank : 4,3 milliards de dirhams, soit 12,5% du capital r glementaire total. BMCE Bank of Africa : 2,8 milliards de dirhams, soit 10,9% du capital r glementaire total. Banque Centrale Populaire : 2,6 milliards de dirhams, soit 10,7% du capital r glementaire total. Cr dit du Maroc : 1 milliard de dirhams, soit 14% du capital r glementaire total. Soci t G n rale Marocaine de Banques : 0,9 milliard de dirhams, soit 9% du capital r glementaire total. Cr dit Agricole du Maroc : 0,8 milliard de dirhams, soit 9,4% du capital r glementaire total. Ces chiffres ne reflètent pas n cessairement le niveau r el du risque op rationnel dans chaque banque, car ils d pendent aussi des produits nets bancaires et des coefficients appliqu s. Il faudrait donc les compl ter par d'autres indicateurs qualitatifs, tels que le nombre et la nature des incidents d clar s, le nombre et la fr quence des contrôles effectu s, ou encore le ratio de couverture du risque op rationnel. Ce ratio mesure la capacit d'une banque à absorber les pertes li es au risque op rationnel à partir de ses fonds propres. Il se calcule en divisant les fonds propres par le capital r glementaire allou au risque op rationnel. Malheureusement, ces indicateurs ne sont pas toujours disponibles ou comparables entre les banques. Il faudrait donc se r f rer aux rapports d'audit interne et externe, aux rapports du r gulateur ou aux tudes sp cialis es pour avoir une vision plus pr cise du risque op rationnel dans les banques marocaines. R f rences : https://www.ir-bankofafrica.ma/sites/default/files/2020-08/Organisation%20de%20la%20gestion%20des%20risques%20-%202019.pdf: Comit de Bâle sur le contrôle bancaire (2006). Principes fondamentaux pour un contrôle bancaire efficace. [1] http://revue-rimms.org/wp-content/uploads/2020/06/ARTICLE-7-ASMAE-MRABET-2.pdf: Chemlal, M., Benazzou, L., Mrabet, A., & Gharib, B. (2020). L’impact de la gestion des risques op rationnels sur la performance financière des banques marocaines cot es en bourse. Revue Internationale du Marketing et Management Strat gique (RIMMS), 1(2), 101-120. [2] https://www.researchgate.net/publication/371304923_La_gestion_du_risque_operationnel_au_sein_des_banques_marocaines_vers_une_standardisation_des_approches_de_gestion: El Khattabi, A. (2018). La gestion du risque op rationnel au sein des banques marocaines : vers une standardisation des approches de gestion. Thèse de doctorat, Universit Mohammed V de Rabat. [3]

Operational Risk Governance:Sound Practices for the Management and Supervision of Operational Risk BIS June 2011 The Board of Directors Principle 3: The board of directors should establish, approve and periodically review the Framework. The board of directors should oversee senior management to ensure that the policies, processes and systems are implemented effectively at all decision levels. Principle 4: The board of directors should approve and review a risk appetite and tolerance statement for operational risk that articulates the nature, types, and levels of operational risk that the bank is willing to assume. Senior Management Principle 5: Senior management should develop for approval by the board of directors a clear, effective and robust governance structure with well defined, transparent and consistent lines of responsibility. Senior management is responsible for consistently implementing and maintaining throughout the organisation policies, processes and systems for managing operational risk in all of the bank’s material products, services and activities, consistent with the risk appetite and tolerance. Risk Management Environment Identification and Assessment Principle 6: Senior management should ensure the identification and assessment of the operational risk inherent in all material products, activities, processes and systems to ensure the inherent risks and incentives are well understood. Principle 7: Senior management should ensure that there is an approval process for all new products, activities, processes and systems that fully assesses operational risk. Monitoring and Reporting Principle 8: Senior management should implement a process to regularly monitor operational risk profiles and material exposures to losses. Appropriate reporting mechanisms should be in place at the board, senior management, and business line levels that support proactive management of operational risk. Control and Mitigation Principle 9: Banks should have a strong control environment that utilises: policies, processes and systems; appropriate internal controls; and appropriate risk mitigation and/or transfer strategies. Business Resiliency and Continuity Principle 10: Banks should have business resiliency and continuity plans in place to ensure an ability to operate on an ongoing basis and limit losses in the event of severe business disruption. Role of Disclosure Principle 11: A bank’s public disclosures should allow market participants to assess its approach to operational risk management.