English
日本語
한국어
简体中文
Quay trở lại năm 2011, IBM Watson đã mê hoặc giới kinh doanh khi đánh bại các đối thủ hàng đầu là con người trong chương trình truyền hình Jeopardy. Các lãnh đạo tài chính lập tức hình dung về một kỷ nguyên mới của thẩm định rủi ro tự động, phòng chống gian lận và dịch vụ khách hàng liền mạch. Tuy nhiên, sau làn sóng hào hứng ban đầu đó, các cuộc thảo luận về AI trong phòng họp hội đồng quản trị ngân hàng phần lớn đã lắng xuống cho đến khi ChatGPT xuất hiện hơn một thập kỷ sau đó.
Để tận dụng tối đa sức mạnh của trí tuệ nhân tạo hiện đại, các tổ chức tài chính phải hiểu tại sao nỗ lực thúc đẩy AI sớm đó lại bị đình trệ—và tại sao việc lặp lại những định kiến cũ đó trong ngày nay lại đe dọa đến lợi thế cạnh tranh của họ.
Tại sao làn sóng AI ngân hàng đầu tiên bị đình trệ
Vấn đề cốt lõi đằng sau tác động dài hạn hạn chế của Watson đối với ngành ngân hàng không phải là thất bại về mặt công nghệ, mà là sự không tương thích về mặt cấu trúc. Các mô hình AI thời kỳ đầu đòi hỏi dữ liệu phải được cấu trúc tỉ mỉ, làm sạch trước và hệ thống quy tắc do con người lập trình chuyên sâu để đưa ra kết quả.
Hãy tưởng tượng một thủ thư bậc thầy có thể trả lời bất kỳ câu hỏi nào, nhưng chỉ sau khi mọi cuốn sách trong tòa nhà đã được đánh chỉ mục, phân loại và tham chiếu chéo lại từ đầu. Hầu hết các tổ chức tài chính đơn giản là không có một môi trường chuẩn chỉnh như vậy. Thay vào đó, các ngân hàng vận hành trên hạ tầng lõi cũ kỹ được xây dựng qua nhiều thập kỷ, nơi các hồ dữ liệu (data lakes) rời rạc, hệ thống di sản và thuật ngữ sản phẩm mâu thuẫn tạo ra rào cản vận hành vô cùng lớn.
Nghiên cứu từ PYMNTS Intelligence đã làm nổi bật rào cản này khi chỉ ra rằng 75% các tổ chức tài chính gặp khó khăn trong việc triển khai các đổi mới sáng tạo số do hạ tầng cũ kỹ. Do chi phí làm sạch thủ công hàng thập kỷ bản ghi tài chính rời rạc là quá đắt đỏ, nhiều tổ chức đã lặng lẽ từ bỏ các sáng kiến AI ban đầu của mình.
AI tạo sinh làm thay đổi cục diện như thế nào
AI tạo sinh (GenAI) hiện đại vận hành theo một mô hình hoàn toàn khác. Không giống như các hệ thống thời kỳ đầu, GenAI hiểu ngữ cảnh và cấu trúc ngôn ngữ một cách tự nhiên. Nó có thể xử lý thông tin thô, phi cấu trúc mà không đòi hỏi phải tái thiết lập dữ liệu quy mô lớn ngay từ đầu.
Hãy xem xét các tác vụ ngân hàng phức tạp như xử lý khoản vay dựa trên tài sản đảm bảo. Theo cách truyền thống, các quy trình này phụ thuộc vào giấy tờ vật lý, tệp PDF quét, nhiều định dạng khác nhau và hàng loạt ngoại lệ cần xử lý thủ công qua nhiều năm. Theo khuôn khổ AI cũ, việc tự động hóa quá trình này đòi hỏi hàng tháng hoặc hàng năm chuẩn hóa dữ liệu.
Với các quy trình công việc tự chủ (agentic workflows) dựa trên GenAI, công nghệ này có thể nạp trực tiếp các tệp phi cấu trúc:
- Trích xuất tài liệu: Các mô hình thông minh tự động trích xuất các chỉ số tài chính quan trọng từ các mẫu không chuẩn hóa chỉ trong vài phần nghìn giây.
- Xác minh chéo: Các tác tử phụ (sub-agents) chuyên biệt sẽ đối soát thông tin nhập vào với dữ liệu nguồn gốc theo thời gian thực.
- Xử lý ngoại lệ: Các điểm bất thường sẽ tự động được đánh dấu để con người kiểm tra có trọng tâm, thay vì làm gián đoạn toàn bộ quy trình.
Thay vì yêu cầu các ngân hàng phải giải quyết sự hỗn loạn của dữ liệu trước khi mang lại giá trị, GenAI cung cấp sự hỗ trợ ngay cả khi sự hỗn loạn đó vẫn còn tồn tại.
Sự dịch chuyển từ rào cản kỹ thuật sang rào cản quản trị
Mặc dù các hạn chế kỹ thuật của thời kỳ Watson đã bị xóa bỏ, một trở ngại mới lại xuất hiện: niềm tin tổ chức và tâm lý e ngại rủi ro. Điểm nghẽn chính hiện nay không còn là năng lực kỹ thuật, mà là sự thiếu chắc chắn trong quản trị.
Theo một báo cáo ngành của Grant Thornton, 50% các lãnh đạo ngân hàng cho biết những lo ngại về tuân thủ và quản trị hiện đang kìm hãm hiệu suất AI của họ, trong khi chỉ có 18% cảm thấy hoàn toàn tự tin rằng khung giám sát AI của họ có thể vượt qua một đợt kiểm toán độc lập.
Khi các tổ chức rút lui vào sự thụ động vì sợ hãi, họ đánh mất những bước tiến vượt bậc về hiệu suất. Chẳng hạn, việc thay thế bước nhập và phân tích dữ liệu thủ công (data spreading)—vốn có thể mất nhiều giờ cho mỗi hồ sơ—bằng việc trích xuất tự động kết hợp với kiểm tra xác suất định kỳ của con người có thể rút ngắn thời gian xử lý từ vài tuần xuống còn vài ngày, mang lại hiệu quả chi phí đáng kể mà không làm giảm khả năng kiểm soát chất lượng.
Thiết lập quản trị thực chất thay vì né tránh
Nghiên cứu từ Đại học Columbia và FS-ISAC chỉ ra rằng các tổ chức tài chính hàng đầu đang áp dụng mô hình vận hành “tin tưởng, nhưng phải kiểm tra” (“trust, but verify”). Việc triển khai AI thành công dựa vào sự giám sát rõ ràng, có cấu trúc chứ không phải là sự né tránh rủi ro một cách triệt để:
- Thử nghiệm có kiểm soát: Thử nghiệm các hệ thống trên các tác vụ vận hành chuyên biệt, được xác định rõ ràng trước khi triển khai trên diện rộng.
- Quyết định có thể giải thích được: Duy trì lịch sử quyết định rõ ràng, có thể truy xuất nguồn gốc cho từng kết quả tự động để đáp ứng yêu cầu kiểm toán nội bộ và cơ quan quản lý.
- Xác thực có sự tham gia của con người (Human-in-the-Loop): Sử dụng phương pháp lấy mẫu thống kê và giám sát liên tục sự sai lệch đầu ra (output drift), giải phóng nhân viên khỏi việc phải xử lý thủ công từng tài liệu thường nhật.
Vượt qua quản trị rủi ro dựa trên sự sợ hãi
Việc không phân biệt được giữa quản trị rủi ro và né tránh rủi ro sẽ khiến các tổ chức tài chính phải trả giá bằng cả tốc độ vận hành lẫn thị phần. Ngăn cản việc triển khai AI đổi mới sáng tạo mà không thiết lập các khung kiểm thử rõ ràng, có thể kiểm chứng sẽ chỉ mang lại một cảm giác an toàn giả tạo.
Kỷ nguyên Watson đòi hỏi dữ liệu phải hoàn toàn sạch sẽ mới có thể mang lại giá trị. AI tạo sinh hiện đại mang lại giá trị trực tiếp ngay trong các môi trường phức tạp, chưa chuẩn hóa hiện có—với điều kiện các lãnh đạo ngân hàng phải thay đổi tư duy và xây dựng các cấu trúc quản trị cần thiết để đặt niềm tin vào kết quả.
Nguồn: thefinancialbrand.com