Từ AI-enabled đến AI-native banking: bước tiến tiếp theo của ngành ngân hàng

AI-native banking, mô hình chuyển đổi trong tư duy thiết kế và vận hành ngân hàng, có thể là câu trả lời.

Trí tuệ nhân tạo (AI) không phải là khái niệm mới trong ngành ngân hàng. Trong nhiều năm qua, các mô hình học máy đã được sử dụng trong hỗ trợ chấm điểm tín dụng, phát hiện gian lận, tự động hóa một số khâu vận hành và hỗ trợ quản lý rủi ro.

Điểm khác biệt của giai đoạn này là AI tạo sinh (GenAI), nền tảng dữ liệu lớn, cùng các mô hình ngôn ngữ lớn đã có thể không chỉ phân tích số liệu thô mà còn có thể tổng hợp thông tin, tương tác bằng ngôn ngữ tự nhiên, hỗ trợ ra khuyến nghị và phối hợp trong các quy trình phức tạp hơn.

Trên thế giới, nhiều ngân hàng đang đưa AI trở thành một trụ cột quan trọng trong chiến lược phát triển. Theo Khảo sát EY-Parthenon về Generative AI trong ngành ngân hàng năm 2025, 77% ngân hàng đã triển khai hoặc triển khai bước đầu các ứng dụng GenAI, tăng từ mức 61% trong năm 2023.

Tuy nhiên, giá trị chiến lược của AI không nằm ở việc ngân hàng có bao nhiêu ứng dụng hay công cụ AI, mà ở việc AI có được gắn với các bài toán kinh doanh với các giá trị đo lường được, có vận hành trên nền tảng dữ liệu đáng tin cậy và có được quản trị theo các tiêu chuẩn rủi ro phù hợp với ngành ngân hàng hay không.

Hai mô hình – hai tư duy chiến lược

Có thể nhìn nhận hành trình ứng dụng AI trong ngân hàng qua hai cấp độ tiếp cận: AI-enabled banking (ngân hàng ứng dụng AI) và AI-native banking (ngân hàng lấy AI làm năng lực lõi).

Trong mô hình AI-enabled, AI thường được triển khai như các lớp bổ trợ cho một số điểm chạm khách hàng hoặc quy trình riêng lẻ như chatbot trên mobile banking và website, nhận diện ký tự quang học (OCR) để bóc tách giấy tờ tại quầy, tích hợp trên hệ thống khởi tạo khoản vay (LOS), hay thuật toán tầm soát rửa tiền, v.v. Việc ứng dụng AI trên nền tảng hệ thống hiện hữu với các dữ liệu và quy trình phân mảnh có thể tạo hiệu quả cục bộ nhưng khó có thể liên thông để trở thành một quy trình nghiệp vụ khép kín.

Trong khi đó, AI-native đòi hỏi cách tiếp cận từ trung tâm kiến trúc của ngân hàng. Trong mô hình này, AI được thiết kế như một năng lực vận hành cốt lõi, được kết nối với luồng dữ liệu đã được chuẩn hóa và hợp nhất theo thời gian thực/gần thực, kết hợp với quy trình xuyên suốt và khung quản trị rủi ro rõ ràng. Khi đó, AI không chỉ tự động hóa một tác vụ đơn lẻ, mà còn có thể hỗ trợ phân tích và đưa ra khuyến nghị nhanh hơn, cá nhân hóa dịch vụ tốt hơn và quản trị rủi ro chủ động hơn.

Sự khác biệt cốt lõi của mô hình AI-native so với AI-enabled được thể hiện qua hai điểm chính. Thứ nhất, AI không đóng vai trò công cụ phụ trợ mà chính thức trở thành lớp năng lực vận hành lõi hỗ trợ ngân hàng phân tích dữ liệu, tự động hóa quy trình, đưa ra khuyến nghị và cải thiện chất lượng ra quyết định trong phạm vi kiểm soát rõ ràng. Thứ hai, phải có lớp trí tuệ hợp nhất (unified intelligence layer) với các dữ liệu đã được chuẩn hóa, quản trị và kết nối, để AI có thể hỗ trợ xử lý liên thông giữa các quy trình nghiệp vụ.

Tuy nhiên, cần nhấn mạnh là mô hình AI-native không có nghĩa là AI sẽ thay thế hoàn toàn con người. Với các quyết định trọng yếu, đặc biệt là trong tín dụng, tuân thủ và quản trị rủi ro, AI vẫn cần được triển khai trong phạm vi kiểm soát rõ ràng, có cơ chế giám sát, kiểm thử và phê duyệt của con người.

Năm nền tảng – năm thách thức trên hành trình AI-native

Chuyển đổi từ mô hình AI-enabled sang AI-native là một hành trình chuyển đổi về kiến trúc lõi, dữ liệu, hạ tầng công nghệ, mô hình vận hành và năng lực con người. Thách thức lớn nhất của AI-native banking không phải là thiếu công nghệ mà nằm ở việc ngân hàng có thể xây dựng đồng thời năm điều kiện nền tảng dưới đây hay không.

Dữ liệu hợp nhất và đáng tin cậy. Sẽ không có AI-native banking nếu không có nền tảng dữ liệu đủ chất lượng, được chuẩn hóa, phân quyền và quản trị xuyên suốt. Là "nguồn nhiên liệu" đầu vào cho toàn bộ quyết định của AI, dữ liệu còn là cơ sở để đảm bảo tính chính xác, khả năng giải thích và trách nhiệm trong các quyết định được AI hỗ trợ. Tuy nhiên, dữ liệu của ngân hàng hiện bị phân mảnh ở các hệ thống tách biệt như core banking, hệ thống thẻ, CRM hay LOS, chưa kể đến lượng lớn dữ liệu phi cấu trúc có giá trị rất lớn như ghi âm cuộc gọi, email khiếu nại, v.v. vẫn chưa được làm sạch và tổng hợp đầy đủ để có thể khai thác triệt để.

Kiến trúc công nghệ linh hoạt. Các hệ thống core banking dạng khối liền cứng nhắc (monolithic) thường chiếm tỉ trọng lớn trong ngân sách bảo trì hàng năm của ngân hàng, do đó thu hẹp dư địa đầu tư cho các năng lực AI mới đồng thời gây ra độ trễ lớn khi tích hợp các mô hình ngôn ngữ lớn hiện đại. Việc từng bước chuyển sang kiến trúc mở dựa trên giao diện lập trình ứng dụng (API), dữ liệu dùng chung và mô hình vi dịch vụ (microservices) ở những cấu phần phù hợp có thể giúp ngân hàng tăng khả năng nâng cấp, phát triển, mở rộng và triển khai nhanh các ứng dụng AI. Tuy nhiên quá trình này cần được thực hiện theo lộ trình bài bản, gắn với ưu tiên kinh doanh, khẩu vị rủi ro và năng lực đầu tư của ngân hàng.

Chiến lược cloud-first có kiểm soát. Hiện nay, các mô hình ngôn ngữ lớn thường đòi hỏi năng lực tính toán lớn, trong khi nhiều hạ tầng triển khai AI hiện đại được tối ưu trên môi trường cloud hoặc hybrid-cloud. Với ngân hàng, câu hỏi không chỉ là có dùng cloud hay không, mà là dùng theo mô hình nào, với dữ liệu nào, trong phạm vi kiểm soát nào và theo tiêu chuẩn bảo mật nào. Với các ngân hàng còn thận trọng trước bài toán chi phí và bảo mật dữ liệu, cách tiếp cận "cloud-first" có kiểm soát hoặc mô hình hybrid-cloud phù hợp có thể giúp cân bằng giữa nhu cầu mở rộng năng lực tính toán và yêu cầu về an toàn thông tin, bảo vệ dữ liệu và tuân thủ.

Năng lực nhân sự liên ngành. Đây vẫn là một thách thức lớn, khi ngân hàng cần những đội ngũ vừa có năng lực khoa học dữ liệu, học máy và công nghệ lõi, vừa am hiểu nghiệp vụ tài chính ngân hàng, rủi ro và tuân thủ để chuyển hóa các bài toán kinh doanh thành các giải pháp AI có thể triển khai trong môi trường thực tế.

Quản trị AI có trách nhiệm. AI chỉ có thể mở rộng khi đi kèm cơ chế kiểm soát đủ chặt: quản trị dữ liệu, bảo vệ dữ liệu cá nhân, kiểm soát hiện tượng AI tạo ra thông tin sai lệch hoặc không có căn cứ hay thiên lệch trong dữ liệu và mô hình, thiết lập ngưỡng tin cậy và duy trì vai trò phê duyệt của con người trong các quyết định trọng yếu. Đây là điều kiện tiên quyết để triển khai AI ở quy mô tổ chức, đặc biệt là trong một môi trường mà mỗi quyết định tài chính đều có tác động thực tế đến khách hàng.

Lộ trình nào cho các ngân hàng tại Việt Nam?

Mặc dù còn nhiều thách thức trên hành trình hướng tới mô hình AI-native, đây vẫn xem là một bước chuyển đổi khó có thể trì hoãn đối với ngành ngân hàng.

Tại Việt Nam, các ngân hàng cũng đang tăng tốc đầu tư để khai phá sức mạnh của AI. Tuy vậy, thực tế quan sát cho thấy nhiều ứng dụng AI trong ngành ngân hàng Việt Nam vẫn tập trung vào nhóm AI dự báo, tự động hóa quy trình trong các tác vụ lặp đi lặp lại, nhận diện quang học phục vụ xác thực eKYC, trích xuất dữ liệu từ văn bản trên hệ thống, khởi tạo khoản vay, v.v. Việc tích hợp sâu các mô hình ngôn ngữ lớn và AI tạo sinh vào trung tâm các chuỗi nghiệp vụ phức tạp vẫn đang chỉ dừng ở mức cá nhân hoặc vẫn đang là bài toán thử nghiệm.

Mô hình AI-native không phải là một dự án công nghệ đơn lẻ và càng không phải là một cuộc chạy đua triển khai càng nhiều ứng dụng càng tốt. Để vượt qua những rào cản trên và tạo nên nền tảng cần thiết cho mô hình, các ngân hàng nên bắt đầu bằng một lộ trình có thứ tự ưu tiên rõ ràng.

Thứ nhất, xác định tham vọng AI gắn với giá trị kinh doanh. Ngân hàng cần trả lời AI sẽ giúp cải thiện năng suất, giảm chi phí, tăng trưởng doanh thu, nâng trải nghiệm khách hàng hay giảm rủi ro ở đâu. Mỗi ứng dụng cần có chỉ tiêu giá trị, chủ sở hữu nghiệp vụ và tiêu chí kiểm soát rõ ràng.

Thứ hai, xây dựng lộ trình triển khai đồng bộ và dài hạn. Ngân hàng cần có một thiết kế tổng thể giải quyết triệt để bài toán hiện đại hóa kiến trúc hệ thống, xác định mô hình cloud/hybrid-cloud phù hợp với khẩu vị rủi ro.

Thứ ba, xây nền dữ liệu đi kèm với quy trình sử dụng AI có trách nhiệm. Ưu tiên chuẩn hóa dữ liệu, thiết lập các quy định quản trị dữ liệu, từ quyền truy cập, tiêu chuẩn kiểm thử, giám sát mô hình, kiểm soát thông tin AI sai lệch, thiếu căn cứ và sự thiên lệch trong mô hình/dữ liệu AI, bảo vệ dữ liệu cá nhân đến trách nhiệm phê duyệt của con người.

Thứ tư, áp dụng chiến lược "cloud-first". Chuyển đổi dần hệ thống và dữ liệu lên cloud với lộ trình ưu tiên những dữ liệu ít nhạy cảm, kết hợp với các giải pháp bảo mật mạnh mẽ để vừa tận dụng sức mạnh tính toán của đám mây, vừa đảm bảo an toàn thông tin theo quy định.

Thứ năm, đầu tư mạnh mẽ vào nguồn nhân lực. Không chỉ tuyển dụng chuyên gia mới, ngân hàng cần liên tục nâng cao năng lực cho đội ngũ hiện tại. Các nhân sự nghiệp vụ cần hiểu cách làm việc cùng AI, trong khi đội ngũ IT cần nắm bắt công nghệ AI mới nhất để triển khai một cách linh hoạt.

Thứ sáu, thử nghiệm có kiểm soát và mở rộng có chọn lọc. Thay vì áp dụng ồ ạt, các ngân hàng nên ưu tiên các sandbox nội bộ để thử nghiệm nhanh các ứng dụng GenAI có rủi ro được kiểm soát. Từ đó, đánh giá chính xác tính hiệu quả, mức độ rủi ro và tiềm năng thực sự trước khi quyết định nhân rộng trên toàn hệ thống.

Với các ngân hàng Việt Nam, hành trình tới mô hình AI-native chắc chắn không dễ dàng, bởi đây là quá trình chuyển đổi nhiều lớp, đòi hỏi sự đồng bộ giữa dữ liệu, công nghệ, quản trị rủi ro, năng lực con người và định hướng chiến lược của lãnh đạo. Bên cạnh việc bắt đầu sớm, điều quan trọng là phải xác định được hướng đi đúng, triển khai đúng trọng tâm, có kiểm soát và gắn với giá trị kinh doanh cụ thể. Lợi thế sẽ không thuộc về ngân hàng thử nghiệm AI nhiều nhất, mà thuộc về ngân hàng chứng minh được giá trị kinh doanh rõ ràng, mở rộng có kiểm soát và xây dựng được năng lực dữ liệu, công nghệ, quản trị bền vững./.

-----

Tác giả bài viết là Bà Nguyễn Phương Thanh, Phó Tổng Giám đốc, Tư vấn, Dịch vụ Tài chính Ngân hàng, Công ty Cổ phần Tư vấn EY Việt Nam

*Ghi chú: Các quan điểm trong bài viết này là của tác giả và không nhất thiết phản ánh quan điểm của tổ chức EY toàn cầu hoặc các công ty thành viên.

Ngọc Thảo (ghi)