Chuyển đổi số đã mở rộng không gian cung ứng dịch vụ ngân hàng; trí tuệ nhân tạo đang tạo ra bước chuyển sâu hơn trong phân tích dữ liệu, hỗ trợ quyết định và quản trị rủi ro. Cơ hội không chỉ nằm ở tốc độ xử lý hay khả năng cá nhân hóa, mà còn ở việc nâng cao chất lượng phân bổ vốn, năng suất hoạt động và năng lực giám sát hệ thống. Tuy nhiên, AI chỉ trở thành nguồn lực phát triển khi được đặt trên nền dữ liệu tin cậy, nguồn nhân lực phù hợp và cơ chế quản trị bảo đảm an toàn, minh bạch, trách nhiệm.
I. TỪ NỀN TẢNG SỐ ĐẾN NĂNG LỰC NGÂN HÀNG THÔNG MINH
Trong nhiều năm qua, chuyển đổi số của ngành Ngân hàng được thể hiện rõ qua sự phát triển của thanh toán điện tử, ngân hàng di động, định danh khách hàng bằng phương thức điện tử và các dịch vụ được cung cấp không phụ thuộc nhiều vào thời gian, địa điểm. Những thay đổi này góp phần đưa hoạt động ngân hàng từ không gian giao dịch truyền thống lên môi trường số, đồng thời hình thành khối lượng dữ liệu ngày càng lớn về khách hàng, giao dịch và vận hành.
Ứng dụng trí tuệ nhân tạo đang mở rộng khả năng phân tích dữ liệu, nâng cao chất lượng dịch vụ và quản trị rủi ro trong hoạt động ngân hàng.
Đây là nền móng quan trọng nhưng chưa phải điểm kết thúc. Số hóa chủ yếu chuyển dữ liệu, quy trình và giao dịch sang định dạng điện tử; trong khi AI có khả năng nhận diện mẫu, phân tích mối liên hệ, dự báo xu hướng và hỗ trợ lựa chọn phương án. Nếu ngân hàng số giúp khách hàng thực hiện giao dịch thuận tiện hơn, ngân hàng thông minh hướng tới khả năng hiểu nhu cầu, nhận diện rủi ro và cung cấp dịch vụ phù hợp hơn với từng bối cảnh.
Sự khác biệt này cho thấy AI không đơn thuần là một công cụ bổ sung vào hệ thống công nghệ hiện có. Khi được tích hợp vào quy trình nghiệp vụ, AI có thể tác động đến cách ngân hàng phục vụ khách hàng, tổ chức lao động, thẩm định tín dụng, kiểm soát giao dịch và quản trị danh mục. Tuy nhiên, AI vẫn là phương tiện hỗ trợ thực hiện mục tiêu phát triển, không phải bản thân mục tiêu. Một ngân hàng không trở nên thông minh chỉ vì triển khai nhiều mô hình, mà bởi khả năng sử dụng dữ liệu và công nghệ để nâng cao chất lượng hoạt động.
Bài viết tiếp cận vấn đề từ phương pháp phân tích thể chế kết hợp với cách nhìn hệ thống công nghệ – con người và chuỗi giá trị ngân hàng. Theo đó, AI được xem xét trong quan hệ với thể chế, dữ liệu, quy trình, nhân lực và trách nhiệm nghề nghiệp. Cách tiếp cận này giúp tránh hai khuynh hướng: tuyệt đối hóa khả năng của công nghệ hoặc chỉ nhìn AI như một công cụ kỹ thuật tách rời khỏi tổ chức vận hành.
Về định hướng chính sách, Nghị quyết số 57-NQ/TW ngày 22/12/2024 của Bộ Chính trị xác định phát triển khoa học, công nghệ, đổi mới sáng tạo và chuyển đổi số quốc gia là “đột phá quan trọng hàng đầu”; đồng thời đặt thể chế, nhân lực, hạ tầng, dữ liệu và công nghệ chiến lược vào nhóm nội dung trọng tâm. Nghị quyết cũng nhấn mạnh yêu cầu bảo đảm an ninh mạng, an ninh dữ liệu và an toàn thông tin trong toàn bộ quá trình phát triển. Đây là cơ sở quan trọng để ngành Ngân hàng thúc đẩy ứng dụng AI nhưng vẫn đặt công nghệ trong khuôn khổ quản trị phù hợp.
Trước đó, Kế hoạch Chuyển đổi số ngành Ngân hàng đến năm 2025, định hướng đến năm 2030, ban hành kèm theo Quyết định số 810/QĐ-NHNN ngày 11/5/2021, đã xác định định hướng phát triển các mô hình ngân hàng số, gia tăng tiện ích, nâng cao trải nghiệm khách hàng và khai thác công nghệ số tiên tiến. Năm 2025, Ngân hàng Nhà nước tiếp tục ban hành kế hoạch triển khai Nghị quyết số 57-NQ/TW trong toàn ngành, tạo sự kết nối giữa chuyển đổi số ngân hàng với yêu cầu phát triển khoa học, công nghệ và đổi mới sáng tạo ở tầm quốc gia.
Từ góc độ lý luận, AI có thể được xem là một công nghệ mang tính nền tảng, nhưng năng suất không tự động xuất hiện cùng với việc đầu tư công nghệ. Giá trị chỉ được tạo ra khi AI đi cùng những năng lực bổ trợ như dữ liệu có chất lượng, quy trình được chuẩn hóa, nhân lực biết sử dụng kết quả phân tích, hệ thống kiểm soát nội bộ và cơ chế chịu trách nhiệm rõ ràng. Nếu dữ liệu phân tán, quy trình chưa hợp lý hoặc cán bộ không đủ khả năng kiểm tra kết quả, mô hình hiện đại vẫn có thể tạo ra rất ít giá trị thực tế.
Ngành Ngân hàng có nhiều điều kiện thuận lợi để ứng dụng AI sâu rộng. Đây là lĩnh vực sử dụng nhiều dữ liệu, có khối lượng giao dịch lớn, nhiều quy trình lặp lại và nhu cầu ra quyết định trong thời gian ngắn. Tuy nhiên, hoạt động ngân hàng cũng dựa trên niềm tin và liên quan trực tiếp đến quyền lợi tài chính của khách hàng. Một sai lệch trong chăm sóc khách hàng có thể ảnh hưởng đến chất lượng dịch vụ; sai lệch trong đánh giá tín dụng hoặc nhận diện gian lận có thể tác động đến khả năng tiếp cận vốn, chất lượng tài sản và an toàn hệ thống. Vì vậy, mức độ ứng dụng càng sâu thì yêu cầu kiểm soát càng phải chặt chẽ.
Chuyển từ ngân hàng số sang ngân hàng thông minh, do đó, không phải là bổ sung thêm một lớp công nghệ, mà là nâng cao khả năng sử dụng dữ liệu để phục vụ khách hàng, hỗ trợ quyết định và quản trị rủi ro tốt hơn.
II. CHUYỂN TIỀM NĂNG AI THÀNH CHẤT LƯỢNG DỊCH VỤ, NĂNG SUẤT VÀ HIỆU QUẢ QUẢN TRỊ
Cơ hội của AI đối với ngành Ngân hàng có thể được nhận diện qua ba kênh tạo giá trị chính: nâng cao chất lượng phục vụ khách hàng, cải thiện năng suất vận hành và mở rộng năng lực quản trị rủi ro. Ba kênh này có quan hệ chặt chẽ với nhau, bởi trải nghiệm khách hàng chỉ được cải thiện bền vững khi quy trình phía sau vận hành hiệu quả và rủi ro được kiểm soát.
Ở lớp dịch vụ, AI giúp ngân hàng tiến gần hơn đến khả năng nhận diện nhu cầu theo từng giai đoạn trong vòng đời tài chính của khách hàng. Thay vì cung cấp một nhóm sản phẩm tương đối giống nhau cho nhiều người, ngân hàng có thể dựa trên dữ liệu giao dịch, lịch sử tương tác và đặc điểm tài chính để gợi ý phương án thanh toán, tiết kiệm, tín dụng hoặc bảo vệ tài chính phù hợp hơn.
Trợ lý ảo, tổng đài thông minh và công nghệ xử lý ngôn ngữ tự nhiên có thể giải quyết những yêu cầu phổ biến, hướng dẫn giao dịch và phân loại vấn đề trước khi chuyển đến nhân sự chuyên môn. Cách tổ chức này giúp giảm thời gian chờ, mở rộng thời gian phục vụ và để nhân viên tập trung vào những trường hợp cần đánh giá nghiệp vụ hoặc trao đổi trực tiếp.
Giá trị của AI không nằm ở việc thay thế hoàn toàn các kênh phục vụ truyền thống. Một hệ thống hợp lý cần kết hợp khả năng xử lý nhanh của công nghệ với năng lực giải thích, đồng cảm và chịu trách nhiệm của con người. Khách hàng có thể nhận phản hồi tự động đối với yêu cầu thông thường, nhưng vẫn phải có khả năng tiếp cận nhân sự khi giao dịch phức tạp, thông tin chưa chính xác hoặc quyền lợi cần được xem xét lại.
AI còn mở ra khả năng bổ sung thông tin trong đánh giá khách hàng là doanh nghiệp nhỏ, hộ kinh doanh hoặc người có lịch sử tín dụng chưa đầy đủ. Dữ liệu dòng tiền, hành vi thanh toán và tình hình kinh doanh có thể cung cấp thêm tín hiệu cho quá trình thẩm định, qua đó hỗ trợ mở rộng tiếp cận tài chính. Tuy nhiên, dữ liệu bổ sung chỉ nên được sử dụng để nâng cao cơ sở đánh giá, không trở thành căn cứ loại trừ thiếu minh bạch. Nếu mô hình hình thành thiên lệch hoặc sử dụng những biến số không phù hợp, một số nhóm khách hàng có thể gặp bất lợi mà không biết rõ nguyên nhân.
Ở phía sau giao diện khách hàng, dư địa nâng cao năng suất còn lớn hơn. Ngân hàng phải xử lý khối lượng đáng kể hợp đồng, báo cáo, chứng từ, hồ sơ tín dụng, yêu cầu tuân thủ và văn bản nghiệp vụ. AI có thể hỗ trợ đọc, trích xuất, phân loại, đối chiếu thông tin và phát hiện sai lệch. Khi những tác vụ có tính lặp lại được tự động hóa một phần, thời gian xử lý có thể được rút ngắn và nhân sự có điều kiện tập trung vào các công việc cần phán đoán chuyên môn.
Việc ứng dụng trợ lý AI nội bộ tại VietinBank là một trường hợp tham khảo. Công cụ VietinBank Genie được xây dựng trên hệ thống văn bản, chính sách và quy trình nghiệp vụ để hỗ trợ cán bộ tra cứu, tư vấn và xử lý công việc. Theo số liệu được công bố tại một diễn đàn chuyên ngành năm 2026, công cụ này xử lý khoảng 12.000–15.000 câu hỏi mỗi ngày. Trong thẩm định tín dụng, AI hỗ trợ tự động hóa khoảng 70–85% dữ liệu trong tờ trình; sau bảy tháng triển khai đã có hơn 2.900 tờ trình được xử lý với sự hỗ trợ của công cụ.
Những con số trên không đủ để đại diện cho toàn ngành, nhưng cho thấy một con đường đưa AI từ thử nghiệm vào quy trình nghiệp vụ. Dữ liệu và tri thức nội bộ được chuẩn hóa trước; công cụ được sử dụng để hỗ trợ tra cứu; sau đó mới tích hợp vào một số tác vụ cụ thể. Quan trọng hơn, kết quả do AI tạo ra vẫn phải được cán bộ kiểm tra, đánh giá và chịu trách nhiệm.
Đây là mô hình AI hỗ trợ con người, thường được mô tả bằng nguyên tắc con người tham gia kiểm soát. Công nghệ xử lý những phần việc có thể chuẩn hóa và cung cấp thêm thông tin; cán bộ ngân hàng xem xét bối cảnh, nhận diện ngoại lệ và đưa ra quyết định. Cách tiếp cận này phù hợp hơn với đặc điểm của hoạt động ngân hàng, nơi nhiều quyết định không thể chỉ dựa trên tương quan dữ liệu mà còn phải tuân thủ pháp luật, quy định nội bộ và chuẩn mực nghề nghiệp.
Trong tín dụng, AI có thể phân tích đồng thời báo cáo tài chính, dòng tiền, lịch sử giao dịch, dữ liệu ngành và các tín hiệu bất thường. Việc mở rộng cơ sở phân tích giúp ngân hàng nhận diện rủi ro sớm hơn, theo dõi khoản vay liên tục hơn và quản lý danh mục chủ động hơn. Tuy nhiên, cần tránh khẳng định AI sẽ tạo ra quyết định hoàn toàn chính xác. Mô hình vẫn có thể sai lệch nếu dữ liệu không đại diện, điều kiện thị trường thay đổi hoặc những mối quan hệ từng có trong quá khứ không còn phù hợp.
Đối với phòng, chống gian lận và rửa tiền, AI có thể hỗ trợ phát hiện những chuỗi giao dịch bất thường mà hệ thống quy tắc cố định khó nhận biết. Các phân tích của Ngân hàng Thanh toán quốc tế cho thấy AI có khả năng hỗ trợ quá trình tìm hiểu khách hàng, thẩm định đối tác và nhận diện mẫu thanh toán bất thường. Giá trị của công nghệ trong trường hợp này là sàng lọc khối lượng giao dịch lớn, xếp hạng mức độ rủi ro và giúp bộ phận chuyên môn tập trung vào những dấu hiệu cần được kiểm tra sâu hơn.
Dù vậy, quyết định từ chối cấp tín dụng, khóa giao dịch hoặc xếp khách hàng vào nhóm rủi ro cao đều có thể ảnh hưởng trực tiếp đến quyền lợi của cá nhân, doanh nghiệp. Bởi vậy, ngân hàng phải có khả năng giải thích cơ sở của quyết định, kiểm tra kết quả và xử lý yêu cầu xem xét lại. AI có thể đưa ra cảnh báo hoặc khuyến nghị nhưng không thể trở thành chủ thể chịu trách nhiệm pháp lý.
Ở cấp độ quản lý, AI cũng tạo điều kiện đổi mới hoạt động thanh tra, giám sát ngân hàng. Công nghệ giám sát, thường được gọi là SupTech, có thể hỗ trợ tổng hợp dữ liệu, nhận diện xu hướng, lựa chọn đối tượng cần kiểm tra và phát hiện những tín hiệu rủi ro sớm. Thay vì xử lý lượng lớn báo cáo rời rạc, cơ quan quản lý có thể từng bước xây dựng khả năng theo dõi dựa trên dữ liệu và tập trung nguồn lực vào những khu vực có mức độ rủi ro cao hơn.
SupTech không thay thế thanh tra, giám sát chuyên môn và cũng không tự động ngăn ngừa rủi ro. Kết quả cuối cùng vẫn phụ thuộc vào chất lượng dữ liệu, năng lực phân tích, thẩm quyền xử lý và hành động được thực hiện sau cảnh báo. Ý nghĩa của AI nằm ở việc mở rộng khả năng quan sát hệ thống, hỗ trợ nhận diện sớm và nâng cao cơ sở thông tin cho quá trình điều hành.
Nhìn tổng thể, AI tạo ra giá trị cho ngành Ngân hàng khi giúp tương tác phù hợp hơn, quy trình hiệu quả hơn và quyết định có thêm cơ sở phân tích. Công nghệ càng tham gia sâu vào hoạt động cốt lõi, trách nhiệm của con người và tổ chức sử dụng càng phải được xác định rõ.
III. XÂY DỰNG NĂNG LỰC AI TIN CẬY, AN TOÀN VÀ CÓ TRÁCH NHIỆM
Tiềm năng của AI không tự động chuyển thành kết quả. Nếu quá trình triển khai chủ yếu chạy theo công cụ hoặc những ứng dụng dễ tạo hiệu ứng truyền thông, ngân hàng có thể hình thành nhiều dự án thử nghiệm nhưng chưa tạo ra thay đổi tương xứng về năng suất và chất lượng quản trị. Điều kiện đầu tiên để khắc phục khoảng cách này là xây dựng năng lực dữ liệu.
Dữ liệu là đầu vào của AI nhưng không phải dữ liệu nào cũng có thể đưa vào khai thác. Ngân hàng cần bảo đảm đồng thời chất lượng, tính hợp pháp, mục đích sử dụng, thời hạn lưu giữ và quyền truy cập. Dữ liệu sai hoặc thiếu có thể tạo ra kết quả sai; dữ liệu chính xác nhưng được sử dụng không đúng mục đích vẫn có thể ảnh hưởng đến quyền lợi và sự tin cậy của khách hàng.
Vì vậy, quản trị dữ liệu không chỉ là nhiệm vụ của bộ phận công nghệ. Mỗi nguồn dữ liệu cần có chủ thể chịu trách nhiệm; phạm vi sử dụng phải được xác định; chất lượng phải được kiểm tra; quyền truy cập phải phù hợp với chức năng; toàn bộ quá trình khai thác cần có khả năng truy vết. Khi ngân hàng sử dụng dữ liệu hoặc mô hình từ đối tác bên ngoài, trách nhiệm đối với kết quả cũng không thể được chuyển hoàn toàn cho nhà cung cấp.
Một nội dung quan trọng khác là quản trị AI theo toàn bộ vòng đời. Việc kiểm định trước khi đưa mô hình vào sử dụng mới chỉ là bước đầu. Hiệu quả của AI có thể thay đổi khi hành vi khách hàng, cơ cấu dữ liệu hoặc điều kiện thị trường biến động. Mô hình vì thế cần được theo dõi từ khi xác định mục tiêu, lựa chọn dữ liệu, huấn luyện, kiểm định, phê duyệt đến vận hành, cập nhật và chấm dứt sử dụng.
Có thể tham chiếu khung quản trị rủi ro AI gồm bốn nhóm hoạt động: xác lập cơ chế quản trị; nhận diện bối cảnh và đối tượng chịu tác động; đo lường hiệu quả, sai lệch; tổ chức quản lý và xử lý rủi ro. Giá trị của khung này không nằm ở việc áp dụng máy móc một bộ tiêu chuẩn, mà ở cách đưa trách nhiệm và kiểm soát vào toàn bộ quá trình phát triển công nghệ.
Mức độ quản trị cần tương ứng với mức độ ảnh hưởng của từng ứng dụng. Công cụ hỗ trợ tra cứu nội bộ có thể được kiểm soát khác với mô hình chấm điểm tín dụng, nhận diện gian lận hoặc đưa ra khuyến nghị tài chính. Mô hình càng ảnh hưởng trực tiếp đến quyền lợi khách hàng và an toàn hệ thống thì yêu cầu về kiểm định độc lập, khả năng giải thích, giám sát của con người và cơ chế xử lý sai lệch càng phải cao.
Khả năng giải thích không nhất thiết có nghĩa mọi chi tiết kỹ thuật đều phải được trình bày cho khách hàng. Điều quan trọng là ngân hàng phải nhận diện được những dữ liệu và yếu tố chính dẫn đến kết quả, đánh giá được mức độ tin cậy, phát hiện sai lệch và cung cấp lý do đủ rõ cho quyết định có ảnh hưởng đến quyền lợi khách hàng. Đây là cơ sở để công nghệ hỗ trợ quyết định mà không làm suy giảm trách nhiệm giải trình.
Bên cạnh dữ liệu và mô hình, nhân lực là yếu tố quyết định. AI không làm mất đi yêu cầu về chuyên môn ngân hàng mà làm cho yêu cầu đó trở nên đa chiều hơn. Cán bộ nghiệp vụ cần hiểu cách sử dụng công cụ, biết đặt câu hỏi, kiểm tra kết quả và nhận diện giới hạn của mô hình. Nhân sự công nghệ cũng cần hiểu quy trình, yêu cầu tuân thủ và tác động kinh tế – xã hội của quyết định tài chính.
Báo cáo của Viện Nghiên cứu Khoa học Ngân hàng, được xây dựng từ dữ liệu của 28 ngân hàng, 3.005 thông tin tuyển dụng và bằng chứng triển khai AI công khai tại 20 ngân hàng, cho thấy nhu cầu đối với các vị trí công nghệ, dữ liệu, an ninh mạng và kiểm định mô hình đang gia tăng. Báo cáo mới ghi nhận rõ bằng chứng công khai về khuôn khổ quản trị mô hình tại 5 trong số 20 ngân hàng được khảo sát. Kết quả này không có nghĩa những ngân hàng còn lại hoàn toàn chưa xây dựng cơ chế quản trị, nhưng cho thấy khoảng cách giữa tốc độ ứng dụng và mức độ thể hiện rõ năng lực kiểm soát vẫn là vấn đề cần quan tâm.
Nhu cầu đặt ra là phát triển đội ngũ nhân lực kết hợp được nghiệp vụ ngân hàng, dữ liệu, công nghệ và quản trị rủi ro. Đây không nhất thiết là yêu cầu mỗi cán bộ phải trở thành chuyên gia AI, mà là hình thành khả năng phối hợp giữa các nhóm chuyên môn và một ngôn ngữ chung để đánh giá mô hình, kiểm soát rủi ro, xử lý tình huống.
Hiệu quả ứng dụng cũng cần được đo bằng kết quả thực chất. Số lượng mô hình, chatbot hoặc dự án thử nghiệm chưa phản ánh đầy đủ giá trị của AI. Những chỉ tiêu phù hợp hơn gồm thời gian xử lý, tỷ lệ sai sót, chất lượng phục vụ, khả năng phát hiện giao dịch bất thường, hiệu quả cảnh báo tín dụng, mức độ mở rộng tiếp cận tài chính và số khiếu nại liên quan đến quyết định tự động.
Cùng với lợi ích, hệ thống đánh giá phải theo dõi độ chính xác, mức độ thiên lệch, sự suy giảm của mô hình và khả năng vận hành an toàn sau triển khai. Một công cụ rút ngắn thời gian xử lý nhưng làm tăng sai lệch hoặc khiếu nại chưa thể được xem là thành công. Ngược lại, một mô hình có hiệu quả kỹ thuật cao nhưng chi phí vận hành lớn, khó tích hợp hoặc thiếu khả năng giải thích cũng chưa chắc tạo ra giá trị bền vững.
Ở cấp độ ngành, cơ quan quản lý cần từng bước hoàn thiện nguyên tắc quản trị, tiêu chuẩn dữ liệu, yêu cầu kiểm định và cơ chế báo cáo sự cố đối với những ứng dụng có mức độ ảnh hưởng cao. Môi trường thử nghiệm có kiểm soát có thể giúp đánh giá công nghệ trong phạm vi phù hợp trước khi mở rộng, qua đó kết hợp khuyến khích đổi mới với bảo vệ khách hàng và an toàn hệ thống.
Quản trị AI vì thế không nhằm làm chậm đổi mới, mà tạo nền tảng để công nghệ được ứng dụng sâu hơn, an toàn hơn và duy trì được niềm tin – điều kiện cốt lõi của hoạt động ngân hàng.
IV. KẾT LUẬN
Chuyển đổi số đã tạo nền tảng để ngành Ngân hàng bước vào giai đoạn phát triển dựa nhiều hơn trên dữ liệu và trí tuệ nhân tạo. AI có thể nâng cao chất lượng phục vụ, hỗ trợ phân bổ vốn, gia tăng năng suất, cải thiện năng lực nhận diện rủi ro và cung cấp thêm công cụ cho hoạt động giám sát hệ thống.
Tuy nhiên, tiềm năng công nghệ chỉ chuyển thành năng lực phát triển khi đi cùng dữ liệu tin cậy, nhân lực phù hợp, quy trình kiểm định và trách nhiệm rõ ràng. Trọng tâm vì vậy không nên đặt vào cuộc chạy đua về số lượng ứng dụng, mà ở chất lượng những thay đổi AI tạo ra đối với khách hàng, tổ chức tín dụng và toàn hệ thống.
Khi đổi mới công nghệ được đặt trong khuôn khổ an toàn, minh bạch và lấy con người làm trung tâm, AI có thể trở thành một nguồn lực nâng cao năng lực cạnh tranh, hiệu quả phân bổ vốn và khả năng phát triển bền vững của ngành Ngân hàng. Đó cũng là cơ sở để quá trình chuyển đổi từ ngân hàng số sang ngân hàng thông minh gắn chặt hơn với nhu cầu của người dân, doanh nghiệp và nền kinh tế./.
ThS. Trần Mạnh Ninh
