AI trong ngân hàng và vai trò nền tảng của dữ liệu
Trí tuệ nhân tạo — đặc biệt là AI tạo sinh (GenAI) — đang trở thành ưu tiên chiến lược của hầu hết ngân hàng. Từ giám sát giao dịch, thẩm định tín dụng, dịch vụ khách hàng tới nghiên cứu đầu tư, AI hứa hẹn thay đổi cả cách ngân hàng vận hành lẫn cách họ cạnh tranh. Nhưng có một sự thật ít được nói tới: AI chỉ mạnh bằng chất lượng dữ liệu nuôi nó. Bài viết này nhìn vào làn sóng AI trong ngân hàng và vì sao quản trị dữ liệu (data governance) mới là nền móng quyết định AI có đáng tin hay không.
AI đang thay đổi ngân hàng như thế nào
Phần tiêu đề “AI đang thay đổi ngân hàng như thế nào”Ngân hàng là ngành giàu dữ liệu — và dữ liệu chính là “nguyên liệu” của AI. Đó là lý do tài chính được xem là một trong những lĩnh vực mà AI có thể tạo tác động lớn nhất. Theo báo cáo Citi GPS AI in Finance (6/2024), AI có thể bổ sung khoảng 170 tỷ USD — tương đương +9% — vào lợi nhuận ngành ngân hàng toàn cầu tới năm 2028 (nguồn: Citi GPS, 6/2024). Dù con số ước tính còn nhiều giả định, xu hướng thì rõ: AI sẽ là một chương lớn của ngành.
Những ứng dụng AI đang được bàn tới nhiều nhất trong ngân hàng:
- Giám sát giao dịch & tuân thủ — AI sàng lọc khối lượng giao dịch khổng lồ để phát hiện dấu hiệu bất thường, hỗ trợ phòng chống rửa tiền và gian lận.
- Thẩm định & quản trị rủi ro tín dụng — mô hình học máy hỗ trợ chấm điểm tín dụng, dự báo rủi ro, phát hiện suy giảm chất lượng khoản vay.
- Dịch vụ khách hàng & trợ lý ảo — chatbot và trợ lý dựa trên GenAI trả lời khách hàng, tra cứu, hướng dẫn nghiệp vụ.
- Nghiên cứu đầu tư & phân tích — AI tóm tắt tài liệu, tổng hợp thị trường, hỗ trợ ra quyết định nhanh hơn.
- Xử lý tài liệu & dữ liệu — trích xuất, phân loại, đối chiếu hồ sơ (KYC, hợp đồng, báo cáo) mà trước đây làm thủ công.
Điểm chung của tất cả: chúng đều chạy trên dữ liệu của ngân hàng.
”Rác vào, rác ra” — AI chỉ tốt bằng dữ liệu của nó
Phần tiêu đề “”Rác vào, rác ra” — AI chỉ tốt bằng dữ liệu của nó”Một mô hình AI dù tinh vi đến đâu cũng chỉ học và quyết định dựa trên dữ liệu được cung cấp. Nếu dữ liệu bẩn, thiếu, không nhất quán hoặc không rõ nguồn gốc, kết quả AI sẽ sai — và trong ngân hàng, một quyết định sai có thể dẫn tới rủi ro tín dụng, vi phạm tuân thủ, hoặc mất niềm tin khách hàng. Nguyên tắc “rác vào, rác ra” (garbage in, garbage out) đúng với AI hơn bất kỳ công nghệ nào trước đó, vì AI khuếch đại cả cái đúng lẫn cái sai ở quy mô lớn.
Cụ thể trong ngân hàng:
- Mô hình rủi ro & tín dụng cần dữ liệu lịch sử khoản vay, tài sản đảm bảo sạch và đầy đủ — chính là yêu cầu của chất lượng dữ liệu tín dụng (IFRS 9).
- AI phòng chống rửa tiền & gian lận chỉ giảm được cảnh báo giả khi dữ liệu khách hàng và giao dịch được chuẩn hóa — xem AML & gian lận.
- Cá nhân hóa & trợ lý ảo cần một cái nhìn khách hàng duy nhất, đúng — tức khách hàng 360 & KYC.
- Báo cáo rủi ro do AI hỗ trợ vẫn phải tổng hợp chính xác, truy được nguồn — đúng tinh thần BCBS 239.
Nói cách khác, mọi tham vọng AI trong ngân hàng đều quy về một bài toán cũ: dữ liệu có đủ tốt không.
Quản trị dữ liệu — nền móng cho AI đáng tin
Phần tiêu đề “Quản trị dữ liệu — nền móng cho AI đáng tin”Đây là nơi data governance trở thành điều kiện tiên quyết, không phải tùy chọn. Một nền dữ liệu sẵn sàng cho AI trong ngân hàng cần:
- Chất lượng dữ liệu — đo và cải thiện các chiều (đầy đủ, chính xác, nhất quán, kịp thời) cho dữ liệu huấn luyện và vận hành mô hình. Mô hình tốt bắt đầu từ dữ liệu tốt.
- Dữ liệu chủ (MDM) — định danh khách hàng duy nhất làm nền cho KYC, cá nhân hóa và đánh giá rủi ro mà AI dựa vào.
- Nguồn gốc dữ liệu (lineage) — biết một con số hay một đặc trưng (feature) của mô hình đến từ hệ thống nào. Đây là chìa khóa để giải thích và kiểm toán quyết định của AI.
- Dữ liệu tham chiếu chuẩn — danh mục, mã, ngưỡng thống nhất để mô hình không “hiểu” sai dữ liệu.
- Chính sách & quyền dùng dữ liệu — ai được dùng dữ liệu gì để huấn luyện AI, dữ liệu cá nhân được bảo vệ ra sao (gắn với bảo vệ dữ liệu cá nhân theo Nghị định 13).
Khi nền tảng này vững, ngân hàng có thể triển khai AI nhanh hơn và an toàn hơn, thay vì mất hàng tháng “dọn dữ liệu” cho mỗi dự án hoặc phát hiện mô hình sai khi đã quá muộn.
Rủi ro AI và vì sao governance càng quan trọng
Phần tiêu đề “Rủi ro AI và vì sao governance càng quan trọng”Làn sóng AI cũng mang theo rủi ro mới mà cơ quan quản lý ngày càng quan tâm — bao gồm cả Đạo luật AI của EU (EU AI Act) và các nguyên tắc quản trị AI có trách nhiệm. Nhiều rủi ro trong số đó có gốc rễ ở dữ liệu:
- Thiên lệch (bias) & phân biệt đối xử — mô hình học từ dữ liệu lịch sử lệch sẽ tái tạo bất công, ví dụ trong chấm điểm tín dụng. Kiểm soát bắt đầu từ hiểu và quản trị dữ liệu đầu vào.
- Thiếu minh bạch & khó giải thích — khi không truy được nguồn dữ liệu của mô hình, ngân hàng không thể giải trình với thanh tra hay khách hàng. Lineage là công cụ trực tiếp cho yêu cầu “giải thích được”.
- Ảo giác (hallucination) & thông tin sai — GenAI có thể tạo nội dung nghe hợp lý nhưng sai; nền dữ liệu sạch, có kiểm soát giúp giảm thiểu và phát hiện.
Vì vậy, AI governance và data governance đi liền nhau: không thể quản trị AI nếu chưa quản trị được dữ liệu nuôi nó. Chủ đề này được bàn sâu hơn trong trang AI trong data governance.
Tiếp theo
Phần tiêu đề “Tiếp theo”AI sẽ là cuộc đua dài của ngành ngân hàng — nhưng ngân hàng nào có nền dữ liệu sạch, hợp nhất và truy vết được sẽ đi nhanh và an toàn hơn. Để hiểu các năng lực cụ thể, xem năng lực Ataccama cho ngân hàng và chất lượng dữ liệu.