AI trong ngân hàng được ứng dụng vào những nghiệp vụ nào?

Điểm chung của các ứng dụng này là AI biến dữ liệu thành dự đoán, phân loại, cảnh báo, nội dung hoặc đề xuất hành động. Quyết định cuối cùng có thể được tự động hóa một phần hoặc vẫn cần con người phê duyệt tùy mức độ rủi ro của nghiệp vụ.

Một khác biệt quan trọng là AI không đồng nghĩa với tự động hóa. RPA phù hợp với quy trình có quy tắc cố định như chuyển dữ liệu giữa hai hệ thống. AI phù hợp hơn khi hệ thống phải suy luận từ dữ liệu không hoàn toàn đồng nhất, chẳng hạn xác định một giao dịch có bất thường hay không. Trong nhiều quy trình ngân hàng, hiệu quả cao nhất đến từ việc kết hợp quy tắc nghiệp vụ, tự động hóa truyền thống và AI thay vì thay thế toàn bộ hệ thống bằng một mô hình.

AI đi vào quy trình ngân hàng theo cơ chế nào?

Một hệ thống AI trong ngân hàng thường nằm giữa dữ liệu và quyết định nghiệp vụ. Nó không tự tạo ra giá trị chỉ vì ngân hàng sở hữu một mô hình tốt; giá trị xuất hiện khi đầu ra của mô hình được tích hợp đúng vào quy trình vận hành.

Quy trình điển hình có năm lớp. Trước hết, ngân hàng thu thập dữ liệu từ giao dịch, hồ sơ khách hàng, lịch sử thanh toán, cuộc gọi, email, tài liệu hoặc sự kiện trên kênh số. Dữ liệu sau đó được chuẩn hóa và chuyển thành đầu vào mà mô hình có thể xử lý. Mô hình tạo ra một kết quả như điểm rủi ro, xác suất, nhóm khách hàng, cảnh báo hoặc câu trả lời. Một lớp quy tắc nghiệp vụ tiếp tục quyết định kết quả đó sẽ được sử dụng thế nào. Cuối cùng, ngân hàng ghi nhận kết quả thực tế để theo dõi chất lượng và điều chỉnh hệ thống.

Các nhóm công nghệ thường đảm nhiệm những vai trò khác nhau:

·         Machine learning dự đoán phù hợp với scoring, dự báo và xếp hạng rủi ro

·         NLP xử lý email, hội thoại, hợp đồng và văn bản

·         Computer vision và OCR đọc giấy tờ, nhận dạng hình ảnh và hỗ trợ eKYC

·         Graph analytics và anomaly detection tìm mối liên hệ hoặc hành vi bất thường trong giao dịch

·         Generative AI tìm kiếm tri thức, tóm tắt, soạn thảo và hỗ trợ hội thoại

Sự phân biệt này rất quan trọng. Một mô hình GenAI có thể rất tốt trong việc giải thích chính sách tín dụng cho nhân viên nhưng không vì thế mà trở thành lựa chọn phù hợp nhất để tính xác suất khách hàng vỡ nợ. Ngược lại, mô hình scoring có thể xếp hạng rủi ro rất tốt nhưng không thể thay chatbot giải thích sản phẩm bằng ngôn ngữ tự nhiên.

Trong nghiệp vụ có ảnh hưởng lớn đến khách hàng, đầu ra AI thường nên được coi là một tín hiệu quyết định thay vì mặc nhiên là quyết định cuối cùng. Khả năng giải thích, quyền override, nhật ký xử lý và cơ chế giám sát sau triển khai trở thành một phần của chính quy trình AI.

AI trong chăm sóc khách hàng và cá nhân hóa

Chăm sóc khách hàng là một trong những khu vực dễ nhìn thấy nhất của AI trong ngân hàng vì có lượng tương tác lớn, dữ liệu hội thoại phong phú và nhiều yêu cầu lặp lại.

Chatbot và voicebot xử lý yêu cầu

Chatbot truyền thống thường dựa nhiều vào kịch bản. AI hiện đại có thể nhận diện ý định của khách hàng ngay cả khi câu hỏi không được viết đúng mẫu. Khi kết hợp với kho tri thức nội bộ, hệ thống có thể tìm thông tin về biểu phí, điều kiện sản phẩm, trạng thái dịch vụ hoặc quy trình xử lý rồi tạo câu trả lời phù hợp.

Ở tổng đài, mô hình nhận dạng giọng nói có thể chuyển cuộc gọi thành văn bản, xác định chủ đề, tóm tắt nội dung và tự động tạo ghi chú sau cuộc gọi. Nhân viên vì vậy dành ít thời gian hơn cho nhập liệu và nhiều thời gian hơn cho trường hợp cần phán đoán.

Tuy nhiên, tỷ lệ chatbot tự xử lý được nhiều cuộc hội thoại không đồng nghĩa dịch vụ đã tốt. Nếu tối ưu duy nhất cho tỷ lệ tự động hóa, hệ thống có thể giữ khách hàng quá lâu trong chatbot dù yêu cầu đã vượt khả năng xử lý. Các KPI như thời gian giải quyết, tỷ lệ giải quyết ngay lần đầu, mức hài lòng và tỷ lệ phải chuyển cho nhân viên cần được đánh giá cùng nhau.

Cá nhân hóa và next-best-action

AI cũng có thể phân tích hành vi sử dụng tài khoản, lịch sử tương tác và đặc điểm sản phẩm để dự đoán nhu cầu tiếp theo của khách hàng. Thay vì gửi cùng một thông điệp cho toàn bộ tập khách hàng, ngân hàng có thể xếp hạng sản phẩm hoặc hành động phù hợp với từng nhóm.

Cơ chế này thường dựa trên propensity model, segmentation hoặc recommendation model. AI có thể xác định khách hàng nào có khả năng quan tâm tới một sản phẩm, có nguy cơ rời bỏ dịch vụ hoặc cần được chăm sóc chủ động.

Giới hạn nằm ở chỗ khả năng dự đoán không tự động tạo ra quyền tiếp thị hoặc quyền sử dụng mọi loại dữ liệu. Chính sách dữ liệu, sự phù hợp của sản phẩm và quy tắc bảo vệ khách hàng vẫn phải kiểm soát cách đầu ra AI được sử dụng. Một mô hình có tỷ lệ phản hồi cao nhưng tạo ra đề xuất không phù hợp vẫn là mô hình có vấn đề về mặt nghiệp vụ.

AI trong tín dụng và quản lý khoản vay

Tín dụng là lĩnh vực AI có thể tác động vào nhiều bước liên tiếp: tiếp nhận hồ sơ, kiểm tra thông tin, chấm điểm khách hàng, hỗ trợ phê duyệt, giám sát khoản vay và thu hồi nợ.

Đọc hồ sơ và hỗ trợ thẩm định

Một hồ sơ tín dụng thường chứa cả dữ liệu có cấu trúc và tài liệu không có cấu trúc. OCR và NLP có thể trích xuất tên, số tiền, ngày tháng, thông tin thu nhập hoặc các trường dữ liệu khác từ chứng từ rồi đưa chúng vào luồng kiểm tra.

Giá trị của AI ở bước này chủ yếu đến từ việc giảm thao tác thủ công và phát hiện ngoại lệ. Hệ thống có thể so sánh thông tin giữa nhiều tài liệu, đánh dấu trường dữ liệu thiếu hoặc chuyển những hồ sơ bất thường cho nhân viên kiểm tra.

Điều này khác với việc giao quyền phê duyệt tín dụng cho AI. Đọc đúng một chứng từ và quyết định một khách hàng có đủ khả năng trả nợ là hai bài toán khác nhau, có mức rủi ro hoàn toàn khác nhau.

Chấm điểm tín dụng và dự báo rủi ro

Mô hình machine learning có thể học quan hệ giữa đặc điểm khách hàng và kết quả tín dụng trong dữ liệu lịch sử để ước tính xác suất hoặc xếp hạng rủi ro. So với một tập quy tắc đơn giản, mô hình có thể nhận diện các quan hệ phức tạp hơn giữa nhiều biến.

Tuy nhiên, độ chính xác phải được đánh giá bằng các chỉ số cụ thể. Với bài toán phân loại nhị phân, AUC quanh 0,5 cho thấy mô hình gần như không phân biệt tốt hơn cách xếp hạng ngẫu nhiên; AUC cao hơn thể hiện khả năng discrimination tốt hơn. Nhưng AUC không đủ để kết luận mô hình tín dụng tốt. Ngân hàng còn phải kiểm tra calibration, độ ổn định theo thời gian, hiệu quả trên từng phân khúc, dữ liệu đầu vào và tác động của các quyết định phát sinh từ mô hình.

Một mô hình có discrimination tốt nhưng liên tục đánh giá thấp xác suất vỡ nợ vẫn có thể dẫn đến định giá và giới hạn tín dụng sai.

Sau giải ngân, AI có thể tiếp tục phát hiện tín hiệu suy giảm chất lượng khoản vay như thay đổi dòng tiền, hành vi thanh toán hoặc các mẫu bất thường khác. Mục tiêu khi đó chuyển từ quyết định cấp tín dụng sang cảnh báo sớm và ưu tiên danh sách cần theo dõi.

Trong thu hồi nợ, mô hình cũng có thể giúp xác định thứ tự xử lý hoặc kênh liên hệ phù hợp. Tuy nhiên, chính sách xử lý khách hàng và giới hạn can thiệp vẫn phải do quy trình nghiệp vụ kiểm soát, không nên được suy ra tự do từ mô hình.

AI trong KYC, AML và phát hiện gian lận

Nếu tín dụng tập trung vào khả năng khách hàng thực hiện nghĩa vụ tài chính, nhóm KYC, AML và fraud tập trung vào câu hỏi khác: danh tính có đáng tin cậy không, hành vi có bất thường không và trường hợp nào cần điều tra trước?

eKYC và xác minh danh tính

Computer vision và OCR có thể đọc giấy tờ tùy thân, đối chiếu trường dữ liệu và hỗ trợ so khớp khuôn mặt. Một số quy trình còn bổ sung kiểm tra liveness nhằm giảm khả năng sử dụng ảnh hoặc video giả để vượt qua bước nhận diện.

AI ở đây chủ yếu tạo ra một mức độ tin cậy hoặc cảnh báo. Chất lượng cần được xem xét riêng với từng loại dữ liệu, thiết bị, điều kiện hình ảnh và nhóm khách hàng. Một model hoạt động tốt trên bộ dữ liệu thử nghiệm chưa chắc đạt cùng chất lượng khi môi trường ánh sáng, camera hoặc đặc điểm người dùng thay đổi.

Vì vậy, hệ thống KYC cần có ngưỡng chuyển sang kiểm tra thủ công thay vì cố tự động hóa mọi trường hợp.

Giám sát giao dịch và phát hiện gian lận

Gian lận tạo ra bài toán khó hơn quy tắc cố định vì hành vi của đối tượng tấn công thay đổi liên tục. Machine learning có thể chấm điểm giao dịch dựa trên nhiều tín hiệu đồng thời như thiết bị, thời gian, giá trị giao dịch, địa điểm, lịch sử hành vi và mối liên hệ giữa các tài khoản.

Anomaly detection tìm hành vi khác biệt so với mẫu thông thường. Graph analytics lại hữu ích khi rủi ro nằm trong mối quan hệ giữa nhiều tài khoản hoặc giao dịch mà việc xem từng giao dịch riêng lẻ khó phát hiện.

Trong AML, AI có thể hỗ trợ ưu tiên cảnh báo và tìm những cụm giao dịch đáng chú ý. Tuy nhiên, AI không làm mất đi quy trình điều tra. Cảnh báo phải được đặt trong bối cảnh khách hàng, lịch sử giao dịch và chính sách AML/CFT của ngân hàng trước khi nhân viên đưa ra kết luận nghiệp vụ.

Đây cũng là nơi trade-off giữa recall và precision trở nên đặc biệt quan trọng. Nếu tăng độ nhạy quá mức, hệ thống có thể bắt được nhiều trường hợp rủi ro hơn nhưng đồng thời tạo quá nhiều false positive. Đội điều tra bị quá tải, khiến thời gian dành cho các cảnh báo thực sự quan trọng giảm xuống.

Ngược lại, chỉ tối ưu precision có thể làm hệ thống bỏ sót các mẫu gian lận khó phát hiện. Vì thế không có một ngưỡng duy nhất phù hợp cho mọi ngân hàng; ngưỡng phải gắn với loại giao dịch, mức tổn thất, năng lực điều tra và khẩu vị rủi ro.

AI trong vận hành, chứng từ và hỗ trợ nhân viên

Một phần lớn giá trị của AI trong ngân hàng không nằm ở các quyết định tài chính trực tiếp mà ở hàng nghìn tác vụ trung gian của back office.

Các quy trình như mở tài khoản, xử lý yêu cầu dịch vụ, kiểm tra chứng từ, phân loại email, tra cứu chính sách, đối chiếu dữ liệu hoặc chuẩn bị báo cáo thường phải xử lý lượng lớn thông tin không có cấu trúc. Đây là khu vực mà OCR, NLP và GenAI có thể bổ sung đáng kể cho automation truyền thống.

Ví dụ, intelligent document processing có thể đọc một bộ hồ sơ, nhận diện loại tài liệu, trích xuất trường dữ liệu rồi chuyển kết quả sang hệ thống nghiệp vụ. Những trường có độ tin cậy thấp được đưa vào hàng đợi để con người xác nhận. Nhờ đó, ngân hàng không cần lựa chọn giữa hai cực “100% thủ công” và “100% tự động”.

KPI phù hợp cho dạng quy trình này là tỷ lệ straight-through processing, tỷ lệ ngoại lệ, thời gian xử lý một hồ sơ và chi phí trên mỗi case. Nếu tỷ lệ tự động hóa tăng nhưng số trường hợp phải sửa lại cũng tăng, lợi ích thực tế có thể thấp hơn con số automation thể hiện.

GenAI như một copilot nội bộ

GenAI mở thêm một lớp ứng dụng khác: hỗ trợ nhân viên làm việc với lượng tri thức lớn. Một trợ lý nội bộ có thể tìm quy trình, tóm tắt tài liệu, chuẩn bị nội dung phản hồi, tổng hợp một case hoặc tạo bản nháp báo cáo.

Cách sử dụng an toàn hơn thường là cho mô hình truy xuất từ nguồn tri thức được kiểm soát rồi tạo câu trả lời dựa trên nguồn đó, thay vì để mô hình trả lời hoàn toàn từ kiến thức đã học. Kiến trúc retrieval-augmented generation có thể giảm rủi ro trả lời thiếu căn cứ, nhưng không loại bỏ hoàn toàn hallucination.

Do đó, các trường hợp như thông tin pháp lý, quyết định tín dụng, hướng dẫn xử lý khiếu nại hoặc nội dung có thể tạo nghĩa vụ đối với khách hàng cần cơ chế kiểm tra rõ ràng trước khi đầu ra được sử dụng.

Một chỉ số như “số câu trả lời chatbot tạo ra” không đủ để đo giá trị của GenAI. Ngân hàng cần đánh giá độ chính xác với nguồn, tỷ lệ nhân viên chấp nhận kết quả, tỷ lệ phải sửa, thời gian tiết kiệm và mức độ xuất hiện thông tin sai hoặc không có căn cứ.

AI trong quản trị rủi ro, tuân thủ và kiểm soát mô hình

AI vừa là công cụ quản trị rủi ro, vừa tạo ra một lớp rủi ro mới cần quản trị.

Ở phía ứng dụng, mô hình có thể hỗ trợ dự báo dòng tiền, phát hiện biến động bất thường, ưu tiên case tuân thủ, sàng lọc khối lượng lớn giao dịch hoặc tài liệu và tìm tín hiệu mà phương pháp kiểm tra thủ công khó bao phủ hết. Trong kiểm toán và kiểm soát nội bộ, AI cũng có thể giúp xác định mẫu giao dịch cần xem xét sâu hơn thay vì lựa chọn mẫu hoàn toàn ngẫu nhiên.

Nhưng việc mô hình tạo ra một điểm rủi ro không làm trách nhiệm quản trị biến mất. Ngân hàng phải biết dữ liệu nào tạo ra kết quả, phiên bản mô hình nào đang chạy, ai phê duyệt thay đổi, hiệu suất có suy giảm không và khi nào phải chuyển quyết định sang con người.

Kiểm soát rủi ro của chính AI

Có năm nhóm kiểm soát đặc biệt quan trọng.

Thứ nhất là data governance. Dữ liệu sai, thiếu hoặc lệch có thể khiến mô hình tạo ra kết quả sai một cách có hệ thống. Data lineage, kiểm tra chất lượng và quản lý quyền truy cập vì thế phải đi cùng model development.

Thứ hai là model validation. Mô hình cần được kiểm tra trên dữ liệu ngoài tập huấn luyện, đánh giá độ ổn định và theo dõi hiệu suất sau khi đưa vào vận hành. Với mô hình tín dụng hoặc fraud, model drift có thể làm mối quan hệ học được từ dữ liệu cũ không còn phản ánh hành vi hiện tại.

Thứ ba là explainability và auditability. Mức giải thích cần thiết phụ thuộc vào tác động của quyết định. Một mô hình ưu tiên ticket nội bộ có thể chấp nhận độ phức tạp cao hơn một mô hình ảnh hưởng trực tiếp đến việc khách hàng có được tiếp cận tín dụng hay không.

Thứ tư là security và third-party risk. Khi sử dụng mô hình hoặc hạ tầng bên ngoài, ngân hàng còn phải kiểm soát dữ liệu được gửi ra ngoài, quyền truy cập, khả năng gián đoạn, thay đổi phiên bản mô hình và sự phụ thuộc vào nhà cung cấp. Với GenAI, prompt injection, data leakage và nội dung sinh sai là những rủi ro cần được kiểm thử riêng.

Thứ năm là human oversight. Không phải quy trình nào cũng cần cùng mức con người tham gia.

Nguyên tắc này giúp tránh một hiểu nhầm phổ biến: mức độ trưởng thành AI của ngân hàng không được đo bằng tỷ lệ quyết định được tự động hóa cao nhất. Một hệ thống tốt phải tự động hóa mạnh ở nơi sai sót có thể phát hiện và khắc phục, đồng thời giữ kiểm soát chặt ở những quyết định có hậu quả lớn.

Vì vậy, bài toán quan trọng nhất không phải “AI có thể làm nghiệp vụ này hay không” mà là AI nên đảm nhiệm phần nào của nghiệp vụ, KPI nào chứng minh nó tốt hơn quy trình hiện tại và điểm nào bắt buộc phải giữ cơ chế kiểm soát.

AI trong ngân hàng có thể được áp dụng xuyên suốt chuỗi giá trị: từ giao tiếp với khách hàng, cá nhân hóa, tín dụng, KYC/AML và chống gian lận đến xử lý chứng từ, back office, quản trị rủi ro và tuân thủ. Mỗi nhóm nghiệp vụ cần một loại AI, dữ liệu và thước đo khác nhau; không tồn tại một mô hình duy nhất phù hợp cho mọi bài toán.

Giá trị lớn nhất xuất hiện khi AI được đặt đúng vai trò: tự động hóa tác vụ lặp lại, phân tích dữ liệu vượt khả năng xử lý thủ công, xếp hạng trường hợp cần ưu tiên và hỗ trợ quyết định. Với những nghiệp vụ có rủi ro cao, AI nên hoạt động trong một hệ thống có dữ liệu được kiểm soát, validation độc lập, monitoring, khả năng giải thích, audit trail và cơ chế con người can thiệp. Khi đó, AI trở thành một lớp năng lực của ngân hàng thay vì một công cụ tự động hóa đứng riêng lẻ.