Ngân hàng của bạn có đủ tin cậy vào dữ liệu để sử dụng AI không? Năm câu hỏi cần đặt ra trước tiên

Tác giả: Sam Palmer, Đồng sáng lập và Tổng Giám đốc điều hành Libero Labs

Các tổ chức tài chính thuộc mọi quy mô đều đang đặt ra cùng một câu hỏi hóc búa: Dữ liệu của chúng ta có đủ đáng tin cậy để hỗ trợ trí tuệ nhân tạo hay không?

Mối lo ngại này hiện diện ở cả những hợp tác xã tín dụng nhỏ vẫn phụ thuộc vào bảng tính và các ngân hàng lớn có ngân sách đáng kể dành cho dữ liệu trên nền tảng đám mây. Bất kể quy mô hay mức đầu tư công nghệ của tổ chức, thách thức vẫn giống nhau: AI chỉ đáng tin cậy ở mức độ tương ứng với thông tin mà nó tiếp nhận.

Con người thường có thể nhận ra khi một con số có vẻ đã lỗi thời hoặc không nhất quán. Một chuyên viên tín dụng giàu kinh nghiệm có thể đặt câu hỏi về một con số bất thường hoặc tìm hiểu nguồn gốc của nó. Tuy nhiên, một hệ thống AI có thể sử dụng thông tin không chính xác mà không hề do dự và đưa ra câu trả lời có vẻ trau chuốt chẳng kém gì một câu trả lời đúng.

Bài toán dây chuyền lắp ráp chất lượng dữ liệu

Nhiều tổ chức tài chính vẫn quản lý chất lượng dữ liệu sau khi thông tin đã đi qua hệ thống. Một báo cáo được kiểm tra, một lỗi được phát hiện, rồi nhân viên phải lần ngược để xác định vấn đề bắt đầu từ đâu.

Cách tiếp cận này giống như một nhà máy chỉ kiểm tra sản phẩm sau khi chúng rời khỏi dây chuyền sản xuất. Đến khi vấn đề được phát hiện, thông tin đó có thể đã được đưa vào bảng điều khiển, báo cáo, dự báo hoặc các quyết định kinh doanh.

Toyota đã giải quyết một thách thức tương tự trong lĩnh vực sản xuất bằng cách trao cho công nhân quyền dừng dây chuyền lắp ráp ngay khi phát hiện lỗi. Giá trị không nằm ở sợi dây được sử dụng để dừng sản xuất, mà ở việc trao trách nhiệm cho người ở gần vấn đề nhất.

Các quy trình dữ liệu tài chính cũng cần một năng lực tương tự. Lỗi phải được xác định và khoanh vùng ngay tại nơi chúng phát sinh, thay vì chỉ được phát hiện rất lâu sau đó bởi người đang kiểm tra một báo cáo.

Điểm cốt lõi: Cải thiện chất lượng dữ liệu không chỉ đơn giản là thực hiện thêm nhiều bước kiểm tra. Các tổ chức cần những cơ chế kiểm soát có khả năng phát hiện vấn đề tại nguồn và ngăn thông tin sai lệch lan rộng trong toàn tổ chức.

Vì sao trí tuệ nhân tạo làm gia tăng rủi ro

AI khiến việc quản trị dữ liệu trở nên quan trọng hơn do cách các hệ thống này diễn giải và truy vấn thông tin.

Khi một công cụ AI nhận được câu hỏi về dữ liệu của tổ chức, công cụ đó có thể tạo truy vấn trên các bảng dữ liệu thô và cố gắng diễn giải những trường dữ liệu hiện có. Một lựa chọn khác là sử dụng lớp ngữ nghĩa được quản trị, trong đó các thuật ngữ quan trọng được định nghĩa nhất quán trên toàn tổ chức.

Ví dụ, một lớp ngữ nghĩa có thể xác lập chính xác ý nghĩa của các khái niệm như “thành viên đang hoạt động”, “khoản vay quá hạn” hoặc “khách hàng có nguy cơ rủi ro”. Nếu không có những định nghĩa này, hệ thống AI có thể tự suy đoán ý nghĩa dựa trên tên cột hoặc dữ liệu xung quanh, rồi tạo ra một câu trả lời nghe có vẻ đáng tin nhưng lại không chính xác.

Một nghiên cứu đánh giá năm 2026 do dbt Labs thực hiện cho thấy các câu hỏi nằm trong phạm vi dữ liệu đã được mô hình hóa đạt độ chính xác khoảng 84% đến 90% khi được trả lời thông qua dữ liệu thô, chưa được mô hình hóa. Cũng những câu hỏi đó đạt độ chính xác khoảng 98% đến 100% khi được xử lý thông qua một lớp ngữ nghĩa được quản trị đúng cách.

Sự khác biệt càng trở nên quan trọng khi câu hỏi nằm ngoài phạm vi dữ liệu đã được mô hình hóa. Một truy vấn trên dữ liệu thô vẫn có thể tạo ra câu trả lời ngay cả khi hệ thống không có đủ thông tin để trả lời chính xác. Trong khi đó, một lớp ngữ nghĩa có nhiều khả năng nhận diện giới hạn này và từ chối đưa ra câu trả lời.

Điểm cốt lõi: Một hệ thống AI thừa nhận những gì mình không biết sẽ an toàn hơn một hệ thống tự tin đoán bừa. Trong lĩnh vực dịch vụ tài chính, một câu trả lời thận trọng thường có giá trị hơn một câu trả lời nhanh nhưng không đáng tin cậy.

Các nhà phát triển AI cũng đối mặt với những thách thức dữ liệu tương tự

Vấn đề này không chỉ giới hạn ở các ngân hàng và hợp tác xã tín dụng. Các công ty AI cũng đang nhận ra rằng để có được câu trả lời đáng tin cậy, họ cần những môi trường dữ liệu được quản trị chặt chẽ.

Anthropic, công ty phát triển Claude, đã mô tả những thách thức mà họ gặp phải với hệ thống phân tích nội bộ. Công ty cho biết độ chính xác của truy vấn từng giảm xuống mức thấp nhất là 21% trước khi họ xây dựng một lớp dữ liệu được kiểm soát chặt chẽ hơn. Ngay cả sau khi thực hiện các cải tiến, Anthropic vẫn thừa nhận rằng những lỗi ngầm tiếp tục là một mối lo ngại. Đây là những trường hợp câu trả lời có vẻ đúng nhưng lại dựa trên thông tin không chính xác hoặc chưa đầy đủ.

Trải nghiệm này mang đến một bài học quan trọng cho các tổ chức tài chính. Nếu ngay cả những công ty đang xây dựng các hệ thống AI tiên tiến vẫn cần đầu tư đáng kể để khiến dữ liệu của chính họ trở nên đáng tin cậy, thì các ngân hàng và hợp tác xã tín dụng không nên kỳ vọng có được kết quả chính xác chỉ bằng cách kết nối một công cụ AI với kho dữ liệu.

Các cơ quan quản lý ngày càng tập trung vào quản trị AI

Các yêu cầu quản lý cũng đang hướng tới việc tăng cường kiểm soát đối với các mô hình và dữ liệu được sử dụng để hỗ trợ chúng.

Vào tháng 4 năm 2026, Cục Dự trữ Liên bang, Văn phòng Kiểm soát Tiền tệ và Tổng công ty Bảo hiểm Tiền gửi Liên bang đã ban hành hướng dẫn sửa đổi về quản lý rủi ro mô hình, được gọi là SR 26-2. Hướng dẫn này thay thế một khuôn khổ đã được áp dụng từ năm 2011 và chủ yếu áp dụng cho các tổ chức ngân hàng có tổng tài sản trên 30 tỷ đô la Mỹ.

Khuôn khổ cập nhật xác định AI tạo sinh và AI tác tử là những công nghệ mới và phát triển nhanh, hiện chưa được hướng dẫn bao quát đầy đủ. Tuy nhiên, nguyên tắc cốt lõi của khuôn khổ này có phạm vi áp dụng rộng: các tổ chức tài chính phải có khả năng chứng minh cách thức hoạt động của mô hình, dữ liệu, cơ chế kiểm soát và quy trình xác thực.

Các tổ chức nhỏ hơn và các hợp tác xã tín dụng cũng đang nhận được hướng dẫn khi đánh giá việc áp dụng AI. Cơ quan Quản lý Hợp tác xã Tín dụng Quốc gia duy trì các tài nguyên về quản trị AI nhằm hỗ trợ các hợp tác xã tín dụng quản lý rủi ro liên quan đến những công nghệ này.

Năm câu hỏi cần đặt ra trước khi triển khai AI

Các tổ chức không cần lựa chọn ngay một nhà cung cấp hoặc nền tảng công nghệ cụ thể trước khi giải quyết những vấn đề nền tảng. Trước tiên, họ nên trả lời năm câu hỏi thực tế về môi trường dữ liệu của mình.

1. Bạn có thể truy xuất mọi con số quan trọng về nguồn dữ liệu ban đầu không? Nếu một thành viên hội đồng quản trị hỏi vì sao một con số thay đổi, đội ngũ của bạn có thể cho thấy toàn bộ hành trình của dữ liệu hay nhân viên sẽ phải tự tái dựng thủ công?
2. Các thuật ngữ kinh doanh quan trọng có được định nghĩa nhất quán không? Những thuật ngữ như “thành viên đang hoạt động”, “quá hạn” và “có nguy cơ rủi ro” cần có một ý nghĩa được phê duyệt và áp dụng thống nhất trong mọi báo cáo, phòng ban và hệ thống.
3. Các vấn đề về dữ liệu được phát hiện ở đâu? Nếu thông tin không chính xác đi vào một quy trình dữ liệu, liệu một cơ chế kiểm soát tự động có ngăn chặn thông tin đó trước khi đến bảng điều khiển hay nhân viên phải là người đầu tiên nhận ra vấn đề?
4. Bạn có thể dự đoán tác động của một thay đổi dữ liệu không? Trước khi di chuyển hệ thống lõi, cập nhật hệ thống hoặc kết nối nguồn dữ liệu mới, bạn có thể xác định những báo cáo, mô hình và quy trình nào có thể bị ảnh hưởng không?
5. Thông tin nhạy cảm có được bảo vệ trong quá trình di chuyển không? Bảo mật cần bao phủ dữ liệu trong suốt quá trình sao chép, kết hợp, chuyển đổi hoặc xuất dữ liệu, chứ không chỉ khi dữ liệu vẫn nằm trong hệ thống ban đầu.

AI đáng tin cậy bắt đầu từ dữ liệu được quản trị tốt

Năm câu hỏi trên có mối liên hệ với nhau. Mỗi câu hỏi đều chỉ ra cùng một điểm yếu nền tảng: khoảng cách giữa nơi dữ liệu được lưu trữ và nơi dữ liệu được sử dụng để đưa ra quyết định.

Khi không có cơ chế quản trị rõ ràng giữa hai điểm này, lỗi có thể đi qua nhiều hệ thống trước khi bất kỳ ai nhận ra. Các định nghĩa có thể thay đổi từ báo cáo này sang báo cáo khác. Thông tin nhạy cảm có thể bị sao chép mà không có biện pháp kiểm soát đầy đủ. Khi đó, các công cụ AI có thể sử dụng dữ liệu không nhất quán để tạo ra những câu trả lời có vẻ đầy thẩm quyền.

Thu hẹp khoảng cách này đòi hỏi nhiều hơn là sự tin tưởng vào một kho dữ liệu hoặc nền tảng AI. Các tổ chức tài chính cần có khả năng chứng minh thông tin đến từ đâu, đã được chuyển đổi như thế nào, ai kiểm soát thông tin và những biện pháp bảo vệ nào được áp dụng khi có thay đổi.

AI có thể cải thiện việc ra quyết định, hiệu quả hoạt động và dịch vụ khách hàng, nhưng chỉ khi thông tin đứng phía sau nó là chính xác, được quản trị tốt và có thể truy xuất nguồn gốc. Trước khi triển khai các công cụ AI tiên tiến, các ngân hàng và hợp tác xã tín dụng nên bảo đảm rằng dữ liệu của mình đã sẵn sàng hỗ trợ trách nhiệm đi kèm với những câu trả lời được tự động hóa.

Sam Palmer là Đồng sáng lập và Tổng Giám đốc điều hành của Libero Labs. Ông có hơn 20 năm kinh nghiệm trong lĩnh vực vốn, chiến lược và triển khai, đồng thời từng đồng sáng lập và lãnh đạo Appomattox, một nền tảng giám đốc đầu tư thuê ngoài dành cho các gia đình có giá trị tài sản ròng cực cao và các quỹ tài trợ, với tổng tài sản được quản lý trị giá 2 tỷ đô la Mỹ.

Nguồn: thefinancialbrand.com