Tóm tắt: Bài viết phân tích các thách thức trọng yếu mà hệ thống ngân hàng lõi kế thừa (Legacy core banking systems) đặt ra đối với quá trình chuyển đổi số và ứng dụng AI trong ngành Ngân hàng, đồng thời chỉ ra rằng, các hệ thống cũ, vận hành trên nền tảng kiến trúc nguyên khối và ngôn ngữ COBOL không chỉ tạo gánh nặng tài chính khổng lồ do chi phí bảo trì và thiếu hụt nhân sự, mà còn làm hạn chế đến khả năng xử lý dữ liệu thời gian thực và tính minh bạch thuật toán cần thiết cho AI. Bên cạnh đó, các rủi ro về an ninh mạng và tuân thủ pháp lý cũng gia tăng đáng kể đối với các hạ tầng công nghệ cũ. Để giải quyết vấn đề này, bài viết đề xuất các chiến lược hiện đại hóa khả thi như kiến trúc ngân hàng lắp ghép (Composable banking), mô hình song song (Symbiosis) và ứng dụng trí tuệ nhân tạo tạo sinh (GenAI) để chuyển đổi mã nguồn, nhằm giúp các ngân hàng xây dựng nền tảng linh hoạt, an toàn và sẵn sàng cho kỷ nguyên số.
Từ khóa: Chuyển đổi số; hệ thống ngân hàng lõi kế thừa; hiện đại hóa ngân hàng; ngân hàng lắp ghép; AI.
BARRIERS FROM CORE BANKING SYSTEMS TO DIGITAL TRANSFORMATION
AND AI INTEGRATION IN THE BANKING INDUSTRY
Abstract: This study examines the significant obstacles presented by legacy core banking systems to digital transformation and the integration of AI in the banking industry, it also points out that, outdated systems, utilising monolithic architectures and COBOL, impose significant financial burdens from maintenance expenses and skill deficiencies, while also significantly limiting real-time data processing and the algorithmic transparency essential for AI. Moreover, cybersecurity threats and compliance expenses are markedly increased for outdated technical infrastructures. The article suggests feasible modernisation solutions, including composable banking architecture, symbiotic models, and the utilisation of GenAI for code migration, allowing banks to develop agile, secure systems suited for the digital age.
Keywords: Digital transformation; legacy core banking systems; banking modernization; composable banking; AI.
 |
| Ảnh minh họa (Nguồn: Internet) |
1. Giới thiệu
Trong kỷ nguyên của tốc độ và dữ liệu, ngành Ngân hàng toàn cầu đang ở trong tình thế phải chuyển mình để duy trì khả năng cạnh tranh và ổn định. Sự trỗi dậy của các công ty công nghệ tài chính (Fintech) và ngân hàng số (Neobanks) đã thiết lập các tiêu chuẩn mới về trải nghiệm khách hàng, đòi hỏi các dịch vụ phải nhanh chóng, liền mạch, cá nhân hóa và có thể truy cập 24/7 (Sutherland, 2025; Wau Marketing, 2025). Các tổ chức với mạng lưới chi nhánh vật lý truyền thống và hạ tầng công nghệ cũ đang gặp khó khăn trong việc đáp ứng những kỳ vọng này, vì thế vẫn còn khoảng cách đáng kể đối với việc đáp ứng nhu cầu của khách hàng (David Evans, 2025).
Nhu cầu tích hợp AI và học máy vào các quy trình cốt lõi đang trở thành yếu tố quyết định sự tồn tại của các tổ chức tài chính. AI hứa hẹn không chỉ tăng cường hiệu quả vận hành, tự động hóa các tác vụ lặp đi lặp lại mà còn nâng cao khả năng quản lý rủi ro và phát hiện gian lận theo thời gian thực. Tuy nhiên, nỗ lực chuyển đổi này lại bị kìm hãm bởi chính các hệ thống ngân hàng lõi kế thừa (Ahmed, 2025; IBM, 2025a; Crassula, 2025).
Các hệ thống ngân hàng lõi, vốn được xây dựng trên ngôn ngữ lập trình COBOL và kiến trúc nguyên khối từ những năm 1960 - 1970 đang trở thành những “gánh nặng kỹ thuật” khổng lồ. Chúng không được thiết kế cho môi trường của giao diện lập trình ứng dụng (API), điện toán đám mây hay phân tích dữ liệu lớn (Netguru, 2025; Oliver Wyman, 2025). Do đó, hiện đại hóa hệ thống ngân hàng lõi không chỉ là một dự án công nghệ thông tin mà còn là chiến lược để các ngân hàng có thể xây dựng nền tảng dữ liệu cần thiết cho kỷ nguyên AI.
2. Các rào cản từ hệ thống ngân hàng lõi kế thừa
Chi phí duy trì và vận hành các hệ thống ngân hàng lõi kế thừa đang tiêu tốn rất nhiều chi phí của các tổ chức tài chính toàn cầu, tạo ra một “gánh nặng tài chính” và làm tê liệt khả năng đổi mới.
Thứ nhất là tổng chi phí sở hữu hệ thống ngân hàng lõi bị đánh giá thấp, kèm theo đó là sự leo thang của chi phí bảo trì. Các ngân hàng thường đánh giá sai tổng chi phí sở hữu thực tế của các hệ thống ngân hàng lõi kế thừa từ 70% đến 80%, với chi phí công nghệ thông tin thực tế thường cao hơn 3,4 lần so với ngân sách ban đầu (Digital Bank Expert, 2025). Chi phí duy trì các hệ thống thanh toán lỗi thời trên toàn cầu dự kiến sẽ tăng từ 36,7 tỉ USD vào năm 2022 lên mức đáng báo động là 57,1 tỉ USD vào năm 2028, với tốc độ tăng trưởng kép hằng năm là 7,8% (Fintech Consultant, 2025; MobileLIVE, 2025).
Thứ hai là khủng hoảng nhân sự và chi phí vận hành tăng cao. Nhiều hệ thống lõi vẫn chạy trên ngôn ngữ lập trình cũ như COBOL khiến việc bảo trì trở nên khó khăn do sự thiếu hụt các chuyên gia có kinh nghiệm (Netguru, 2025). Chi phí thuê lập trình viên chuyên biệt về COBOL có thể cao gấp 2 - 3 lần so với kỹ sư sử dụng công nghệ hiện đại, với mức giá lên tới 250 USD/giờ so với 90 USD/giờ (Netguru, 2025).
Thứ ba là rủi ro pháp lý và an ninh mạng ngày càng tăng. Các hệ thống cũ thiếu tính năng bảo mật hiện đại như mã hóa tiên tiến và kiểm soát truy cập mạnh mẽ, khiến chúng dễ bị tấn công mạng (Wau Marketing, 2025). Các tổ chức tài chính sử dụng hệ thống kế thừa có nguy cơ bị tấn công mạng cao hơn 300% và chi phí xử lý một vụ vi phạm dữ liệu trung bình là 5,9 triệu USD, cao hơn 28% so với mức trung bình ngành (Fintech Consultant, 2025). Hơn nữa, việc đáp ứng các quy định bảo vệ dữ liệu như Quy định chung về Bảo vệ dữ liệu (GDPR) đòi hỏi chi phí tuân thủ cho hệ thống cũ cao gấp 4,7 lần so với hệ thống hiện đại (Digital Bank Expert, 2025).
3. Rào cản kỹ thuật từ hệ thống ngân hàng lõi kế thừa trong quá trình chuyển đổi số và tích hợp AI của ngành Ngân hàng
Hệ thống ngân hàng lõi kế thừa đặt ra những rào cản kiến trúc nghiêm trọng đối với việc triển khai các khả năng kỹ thuật số mới, đặc biệt là các giải pháp dựa trên AI và học máy.
Thứ nhất là vấn đề cô lập dữ liệu và thiếu chất lượng dữ liệu. Nền tảng của AI là dữ liệu chất lượng cao và đồng nhất (Ahmed, 2025). Tuy nhiên, các hệ thống lõi cũ thường lưu trữ dữ liệu khách hàng và giao dịch trong các kho dữ liệu bị cô lập, ngăn cản việc tạo ra một cái nhìn toàn diện về khách hàng (Crassula, 2025). Việc hợp nhất và chuẩn hóa dữ liệu từ các hệ thống phân mảnh này là một thách thức lớn, đến mức 62,5% các chuyên gia ngân hàng coi việc củng cố dữ liệu là rào cản chính đối với chuyển đổi số (Talkdesk, 2024).
Thứ hai là hạn chế về xử lý thời gian thực. Các mô hình AI tiên tiến, đặc biệt trong phát hiện gian lận, chấm điểm tín dụng và quản lý rủi ro hệ thống, đòi hỏi dữ liệu phải được phân tích tức thời (Ahmed, 2025; IBM, 2025a). Các hệ thống ngân hàng lõi cũ được thiết kế cho xử lý theo lô vào cuối ngày (Oliver Wyman, 2025). Sự không tương thích này làm giảm hiệu quả của các hệ thống cảnh báo sớm do AI hỗ trợ, vốn có khả năng phát hiện các rủi ro hệ thống (như căng thẳng thanh khoản hoặc cụm vỡ nợ tín dụng) sớm hơn tới 6 tháng so với các mô hình truyền thống (Ahmed, 2025).
Thứ ba là tính không giải thích được của thuật toán. Trong khi AI cung cấp khả năng dự đoán mạnh mẽ, nhiều mô hình học sâu hoạt động như các “hộp đen”. Điều này gây ra thách thức nghiêm trọng về mặt pháp lý và đạo đức, đặc biệt là trong lĩnh vực tài chính, nơi các quyết định tự động như phê duyệt khoản vay hoặc phân loại rủi ro tín dụng phải được minh bạch. Ví dụ, Luật AI của Liên minh châu Âu (EU AI Act) đã phân loại rõ ràng việc đánh giá khả năng thanh toán tín dụng là một ứng dụng “rủi ro cao”, yêu cầu tính minh bạch và sự giám sát của con người (Truby và cộng sự, 2020; Verint, 2025).
4. Các phương pháp và chiến lược hiện đại hóa hệ thống ngân hàng lõi toàn cầu
Việc hiện đại hóa hệ thống ngân hàng lõi là một quá trình phức tạp, đòi hỏi sự cân bằng giữa rủi ro gián đoạn và tốc độ đổi mới (MobileLIVE, 2025). Các tổ chức tài chính toàn cầu đang áp dụng các chiến lược tiếp cận khác nhau để chuyển đổi sang kiến trúc sẵn sàng cho AI.
Thứ nhất là kiến trúc ngân hàng lắp ghép (Composable banking). Phương pháp này thay thế kiến trúc nguyên khối bằng các thành phần mô-đun, độc lập (vi dịch vụ) được kết nối lỏng lẻo thông qua API (JurisTech, 2025; Sutherland, 2025). Kiến trúc lắp ghép, còn được gọi là MACH, gồm: Vi dịch vụ, ưu tiên API, nền tảng đám mây, Headless (ứng dụng tách rời phần giao diện người dùng khỏi phần xử lý logic và dữ liệu) cho phép các ngân hàng linh hoạt lắp ráp các giải pháp “tốt nhất trong từng lĩnh vực” từ nhiều nhà cung cấp (Google Cloud, 2025; JurisTech, 2025). Lợi ích chính là khả năng giảm tới 80% thời gian đưa sản phẩm ra thị trường (JurisTech, 2025).
Thứ hai là chiến lược tồn tại song song (Symbiosis/Sidecar Core). So với chiến lược thay thế toàn bộ cùng lúc có rủi ro cao, nhiều ngân hàng lớn chọn chiến lược lai này. Ngân hàng triển khai một hệ thống lõi thế hệ mới song song với hệ thống cũ để phục vụ các dòng sản phẩm mới, các phân khúc khách hàng số, hoặc thị trường mới. Ví dụ, JPMorgan Chase đã triển khai ngân hàng số Chase UK trên nền tảng đám mây như một sân thử nghiệm mới trước khi có kế hoạch mở rộng sang thị trường Mỹ (Finastra, 2025; mobileLIVE, 2025).
Thứ ba là sử dụng GenAI để hiện đại hóa mã nguồn COBOL. Để giải quyết gánh nặng nợ kỹ thuật và khủng hoảng nhân sự, GenAI đang được ứng dụng để tự động hóa quá trình chuyển đổi mã nguồn. Các công cụ này có thể phân tích mã nguồn COBOL cũ, trích xuất các quy tắc nghiệp vụ và tự động chuyển đổi chúng sang các ngôn ngữ hiện đại như Java (IBM, 2025b). Một nghiên cứu đã đạt được độ chính xác 93% trong việc chuyển đổi mã COBOL sang Java bằng công cụ điều khiển bởi AI (Bandarupalli, 2025). "IBM Watsonx Code Assistant for Z" là một ví dụ về nền tảng hỗ trợ chuyển đổi này, giúp biến các ứng dụng nguyên khối thành các dịch vụ nghiệp vụ mô-đun (IBM, 2025c).
Thứ tư là tái cấu trúc dữ liệu và bao bọc bằng API. Đối với các hệ thống không thể thay thế ngay, giải pháp phổ biến là xây dựng một lớp API bên ngoài để cho phép tích hợp với các ứng dụng hiện đại và Fintech (Fintech Consultant, 2025). Đồng thời, việc chuyển đổi hệ thống lõi luôn cần đi kèm với một dự án song song nhằm hiện đại hóa dữ liệu, chuyển đổi dữ liệu từ các định dạng tệp phẳng cũ sang hồ dữ liệu hỗ trợ phân tích thời gian thực và AI (Fintech Consultant, 2025; The Wealth Mosaic, 2025).
Bảng 1: So sánh hệ thống ngân hàng lõi kế thừa và yêu cầu tích hợp AI
 |
| Nguồn: Tác giả tổng hợp |
5. Kết luận và hàm ý chính sách
Quá trình chuyển đổi số và ứng dụng AI trong ngành Ngân hàng bị cản trở bởi hệ thống ngân hàng lõi kế thừa. Các hệ thống cũ này không chỉ gây lãng phí nguồn lực tài chính lớn (tiêu tốn tới 40% ngân sách công nghệ thông tin cho việc duy trì) mà còn ngăn cản khả năng truy cập dữ liệu theo thời gian thực, một yếu tố thiết yếu cho AI và quản lý rủi ro hiện đại (Byteiota, 2025; Fintech Consultant, 2025).
Để vượt qua rào cản này, các tổ chức tài chính toàn cầu cần áp dụng các chiến lược hiện đại hóa có hệ thống, bao gồm:
Thứ nhất, chuyển đổi kiến trúc sang mô hình lắp ghép và nền tảng đám mây. Việc áp dụng kiến trúc vi dịch vụ, được xây dựng trên nền tảng đám mây là điều kiện tiên quyết để chuyển đổi nhanh chóng, giảm thời gian đưa sản phẩm ra thị trường và giảm tổng chi phí sở hữu dài hạn.
Thứ hai, ưu tiên chiến lược lai và ưu tiên API. Các ngân hàng nên áp dụng mô hình tồn tại song song để thử nghiệm các dịch vụ lõi thế hệ mới và sử dụng giải pháp bao bọc API để kéo dài vòng đời của các hệ thống cũ không thể thay thế ngay.
Thứ ba, đặt dữ liệu và quản trị làm trọng tâm. Mọi dự án hiện đại hóa phải bắt đầu bằng việc giải quyết các vấn đề cô lập dữ liệu và bảo đảm chất lượng dữ liệu, vốn là nguyên nhân chính gây thất bại cho nhiều dự án chuyển đổi số.
Thứ tư, bắt buộc triển khai XAI cho các ứng dụng rủi ro cao. Với sự gia tăng các quy định như EU AI Act, các mô hình AI được sử dụng trong chấm điểm tín dụng và phát hiện gian lận phải được thiết kế với khả năng giải thích và khả năng kiểm toán để bảo đảm tuân thủ, chống thiên kiến và xây dựng niềm tin của khách hàng.
Thứ năm, các ngân hàng cần chuyển từ tư duy phản ứng sang chủ động trong quản lý rủi ro. Việc tích hợp các hệ thống cảnh báo sớm dựa trên AI với dữ liệu thời gian thực là yếu tố then chốt để củng cố khả năng phục hồi tài chính hệ thống trong kỷ nguyên số.
Tài liệu tham khảo
1. Ahmed, W. (2025). AI and big data for systemic financial stability: How predictive analytics can detect systemic risks in banking systems. Research Journal in Business and Economics, 3(2), pages 56-67. https://doi.org/10.61424/rjbe.v3i2.455
2. Bandarupalli, G. (2025). Code reborn AI-driven legacy systems modernization from COBOL to Java. arXiv. https://arxiv.org/abs/2504.11335
3. Byteiota (2025). Technical debt costs 40% of IT budgets in 2025: The $3M crisis. https://byteiota.com/technical-debt-costs-40-of-it-budgets-in-2025-the-3m-crisis/
4. Crassula (2025). Legacy core banking systems: Definition & key challenges. https://crassula.io/blog/legacy-core-banking-systems/
5. Deloitte (2025). 2026 banking and capital markets outlook. Deloitte Insights. https://www2.deloitte.com/us/en/insights/industry/financial-services/financial-services-industry-outlooks/banking-industry-outlook.html
6. Digital Bank Expert (2025). Banking IT modernisation: The true cost of legacy systems. https://digitalbankexpert.com/2025/08/the-true-cost-of-legacy-systems-a-deeper-dive-into-banking-it-modernisation/
7. Finastra (2025). Europe: Embracing symbiosis to accelerate digital transformation in banking. https://www.finastra.com/viewpoints/articles/europe-embracing-symbiosis-accelerate-digital-transformation-banking
8. Fintech Consultant (2025). Legacy banking costs: The hidden financial and strategic burden on financial institutions. https://www.fintech-consultant.com/post/hidden-costs-of-legacy-banking-infrastructure-on-financial-institutions
9. Google Cloud (2025). AI in banking: Applications, benefits and examples. https://cloud.google.com/discover/ai-in-banking
10. IBM (2025a). AI fraud detection in banking. https://www.ibm.com/topics/ai-fraud-detection-in-banking
11. IBM (2025b). What is COBOL modernization? https://www.ibm.com/think/topics/cobol-modernization
12. IBM (2025c). IBM Watsonx Code Assistant for Z. https://www.ibm.com/products/watsonx-code-assistant-z
13. ITSS (2025). Challenges in adopting AI in legacy banking systems. https://www.linkedin.com/pulse/challenges-adopting-ai-legacy-banking-systems-itss-pueac/
14. JurisTech (2025). Composable architecture in banking. https://juristech.net/composable-architecture-in-banking/
15. Lumenova AI (2025). Why explainable AI in banking. https://www.lumenova.ai/blog/ai-banking-finance-compliance/
16. mobileLIVE (2025). The core banking modernization dilemma: Incremental vs. full system upgrade. https://mobilelive.ai/blog/the-core-banking-modernization-dilemma-incremental-vs-full-system-upgrade
17. Netguru (2025). Why your legacy banking system is holding you back (And how to fix it). https://www.netguru.com/blog/why-your-legacy-banking-system-is-holding-you-back-and-how-to-fix-it
18. Oliver Wyman (2025). 10 key areas for a successful core banking modernization. https://www.oliverwyman.com/our-expertise/insights/2025/may/next-gen-core-banking-modernization.html
19. Sutherland (2025). Composable banking vs. traditional: The blueprint for future-ready financial institutions. https://www.sutherlandglobal.com/insights/blog/composable-banking-vs-traditional-core
20. Talkdesk (2024). 5 key barriers to digital transformation in banking. https://www.talkdesk.com/blog/5-key-barriers-to-digital-transformation-in-banking/
21. David Evans (2025). To win customers, traditional institutions need to meet neobanks head on. The Financial Brand. https://thefinancialbrand.com/news/fintech-banking/to-win-new-customers-traditional-institutions-must-meet-head-on-the-appeal-of-the-neobanks-194300
22. The Wealth Mosaic (2025). Core bank migration: Why 80 percent of all projects fail and how banks can avoid millions in losses. https://www.thewealthmosaic.com/vendors/objectway/blogs/core-bank-migration-why-80-percent-of-all-projects/
23. Truby, J., Brown, R., & Dahdal, A. (2020). Banking on AI: Mandating a proactive approach to AI regulation in the financial sector. Law and Financial Markets Review, 14(2), pages 110-120. https://doi.org/10.1080/17521440.2020.1760454
24. Uptech (2025). How to modernize legacy systems in banking: Essential guide. https://www.uptech.team/blog/legacy-systems-in-banking
25. Verint (2025). Why explainable AI in banking and finance is key for compliance. https://www.verint.com/blog/why-are-explainable-ai-and-responsible-ai-important-in-the-financial-compliance-industry/
26. Wau Marketing (2025). The complete guide to core banking system modernization in 2025. https://www.wau.com/post/the-complete-guide-to-core-banking-system-modernization-in-2025
