Tác động của AI đến hoạt động của các ngân hàng trung ương

Tóm tắt: Sự phát triển mạnh mẽ của trí tuệ nhân tạo (AI) có tác động lớn đến các ngân hàng trung ương (NHTW) trong những năm gần đây. Theo đó, các NHTW có thể tận dụng AI để đạt được các mục tiêu chính sách, tăng cường thu thập thông tin, phân tích kinh tế và giám sát sự ổn định tài chính. Việc sử dụng AI tại các NHTW mang lại nhiều lợi ích đáng kể, nhưng cũng đòi hỏi phải giải quyết các vấn đề về tính bảo mật dữ liệu để khai thác tối đa tiềm năng của AI. Bài viết này tập trung phân tích tác động của AI đến các NHTW và việc áp dụng AI nhằm thực hiện hiệu quả các mục tiêu chính sách của NHTW.

Từ khóa: AI, ngân hàng trung ương, chính sách.

THE IMPACT OF AI ON CENTRAL BANKS ’OPERATION

Abstract: The rapid development of artificial intelligence (AI) has had a significant impact on central banks in recent years. Accordingly, central banks can leverage AI to achieve policy objectives, enhance information collection, economic analysis and financial stability monitoring. Although the AI application in central banks has substantial benefits, it requires addressing data and security to fully make use of AI's potential in policy implementation. This article focuses on analyzing the impact of AI on central banks and the AI application in achieving central banks' policy objectives for optimal effectiveness.

Keywords: AI, central banks, policy.

1. Giới thiệu

Sự hình thành các mô hình ngôn ngữ lớn (LLMs) đã đưa AI tạo sinh (GenAI) vào nhiều cuộc tranh luận. Trong đó, LLMs đang tạo ra sự di chuyển trong cách thức tác động giữa con người và máy tính khỏi các giao diện lõi và lập trình sang ngôn ngữ thông thường. Khả năng này chuyển đổi thông qua các ngôn ngữ thường nhật, cũng như khả năng giống con người của AI tạo sinh trong việc tạo ra nội dung vốn đang thâu tóm trí tưởng tượng của con người.

Dưới nền tảng này, thuật toán cơ bản của các mô hình AI mới nhất dựa trên các nguyên tắc cơ bản tương tự với các thế hệ máy tính trước đây. Khi các từ ngữ hay thuật ngữ được chuyển đổi sang các dãy số, buộc nó phải tuân thủ các thuật toán với khả năng tính toán vượt trội.

Sự phát triển mạnh mẽ của AI có nhiều tác động lên hoạt động của các NHTW (Nguồn: Internet)

Cái mới ở đây là khả năng đưa trật tự thuật toán quy mô lớn sang dữ liệu không cấu trúc hàng ngày, bất kể dữ liệu là các bài khóa, hình ảnh, nhạc hay video. Xu hướng AI gần đây được thúc đẩy bởi hai yếu tố. Thứ nhất, truyền thông cả kho dữ liệu rộng lớn, theo đó, LLMs hiện đại có khả năng phác họa trên Internet toàn bộ tập dữ liệu. Thứ hai, với sức mạnh khổng lồ của máy tính và phần cứng thế hệ mới, nó cũng chuyển dịch các mô hình AI sang các máy dự báo với khả năng tinh chế rất cao, có khả năng rõ rệt trong việc phát hiện các mẫu và bù đắp hỗ hổng dữ liệu.

Tranh luận hiện tại tập trung vào việc liệu sự thừa nhận các mẫu cải tiến có đủ để đạt đến "AI tổng hợp" (AGI) hay không? Cho dù có thể đạt được AGI, khả năng áp đặt các dữ liệu cấu trúc sang dữ liệu phi cấu trúc cũng đã tạo ra khả năng mới trong nhiều nhiệm vụ được cho là vượt quá khả năng của các công cụ AI thế hệ trước. Các mô hình AI thế hệ mới có thể thay đổi nhiều hoạt động và có tác động sâu rộng đến hệ thống tài chính cũng như toàn bộ nền kinh tế. Những khả năng tương tự cũng có thể được NHTW khai thác vì các mục tiêu chính sách hay chuyển đổi các lĩnh vực hoạt động chủ chốt.

Tiềm năng kinh tế của AI đang bùng nổ trong nền kinh tế là vô cùng to lớn. Sự chấp nhận LLMs và các công cụ GenAI được xử lí với tốc độ chớp nhoáng, dễ dàng vượt qua những làn sóng chấp nhận công nghệ trước đây. Ví dụ, chỉ riêng ChatGPT đã thu hút được 1 triệu người dùng trong thời gian chưa đầy một tuần lễ, gần 50% số hộ gia đình tại Mỹ đã sử dụng các công cụ GenAI trong 12 tháng qua. Việc theo dõi tốc độ chấp nhận nhanh chóng của người dùng, doanh nghiệp đang kết nối AI trong hoạt động hằng ngày, các doanh nghiệp tại tất cả các ngành cũng đã sử dụng các công cụ GenAI làm phương tiện chính. Để tiến hành công việc này, họ phải đầu tư rất nhiều vào công nghệ AI để phù hợp với nhu cầu đặc thù và sử dụng lao động có kĩ năng liên quan đến AI.

2. Tác động của AI đối với các NHTW

Đối với các NHTW, tác động của AI thể hiện qua hai kênh cơ bản: Thứ nhất, AI sẽ tác động đến các hoạt động lõi của NHTW với vai trò quản lí nền kinh tế. AI sẽ tác động đến các hệ thống tài chính cũng như năng suất, tiêu dùng, đầu tư và thị trường lao động, đây là những yếu tố có tác động trực tiếp đến giá cả và ổn định tài chính. Việc chấp nhận rộng rãi AI cũng có thể nâng cao năng lực của doanh nghiệp với những thay đổi nhanh chóng của giá cả nhằm đối phó với những thay đổi về kinh tế vĩ mô. Thứ hai, việc sử dụng AI sẽ gắn kết trực tiếp với hoạt động của NHTW thông qua tác động đến hệ thống tài chính. Trước hết, khi các định chế tài chính sử dụng các công cụ AI sẽ làm thay đổi cách thức tương tác với NHTW và những công cụ này sẽ chịu sự giám sát của NHTW. Ngoài ra, NHTW và những cơ quan khác đang tăng cường sử dụng AI để thực hiện nhiệm vụ về chính sách tiền tệ, giám sát và ổn định tài chính.

Về tổng thể, sự chấp nhận AI một cách nhanh chóng và rộng khắp đặt ra sự cần thiết của việc các NHTW phải ứng dụng AI vào điều hành chính sách tiền tệ. Trong quá trình này, khi đối mặt với nhiều thách thức mới, đòi hỏi các NHTW phải nâng cao năng lực theo dõi, quan sát tác động của AI nói riêng và công nghệ nói chung đến hiệu quả điều hành chính sách tiền tệ. Với vai trò quan sát, các NHTW cần dự báo trước những tác động của AI đối với nền kinh tế thông qua tác động của nó đến tổng cung và tổng cầu, đồng thời cần xây dựng kiến thức trong việc kết hợp chặt chẽ AI với các dữ liệu phi truyền thống trong các công cụ phân tích chính sách tiền tệ. Các NHTW sẽ đối mặt với sự đánh đổi lớn giữa việc cung cấp thông tin dữ liệu nội bộ với các nhà cung cấp bên ngoài. Sự nổi lên của AI cũng đòi hỏi phải xem xét lại vai trò truyền thống của NHTW trong việc tạo lập, sử dụng và cung cấp dữ liệu. Để khai thác tối đa các lợi ích của AI, việc phối hợp và chia sẻ kinh nghiệm với các NHTW đi trước cũng là mấu chốt để các NHTW giảm bớt những yêu cầu lớn về hạ tầng công nghệ thông tin và tăng cường chất lượng nguồn nhân lực trong việc ứng dụng AI vào các nghiệp vụ của mình.

3. Tác động của AI đến hệ thống tài chính

Hệ thống tài chính với những yêu cầu cao về nhận thức và dữ liệu phải đối mặt với cả cơ hội và rủi ro từ AI. Tác động của AI thể hiện trong bốn lĩnh vực chủ chốt, bao gồm: Thanh toán, cho vay, bảo hiểm và quản lí tài sản. Trong những lĩnh vực này, AI có thể nâng cao hiệu quả đáng kể và giảm chi phí trong quy trình xử lí dữ liệu, tuân thủ các quy định quản lí, phát hiện gian lận và nâng cao dịch vụ khách hàng. Những hoạt động này phát huy đầy đủ năng lực của các mô hình AI để xác định các mô hình lợi ích cụ thể trong các dữ liệu phi cấu trúc. Ví dụ nổi bật là AI đã cải tiến quy trình KYC thông qua việc xử lí nhanh chóng các dữ liệu và tăng cường khả năng phát hiện gian lận, cho phép các định chế tài chính tuân thủ nghiêm túc các quy định trong khi vẫn giảm chi phí. Tương tự, LLMs cũng ngày càng được khai thác cho các hoạt động cung cấp dịch vụ khách hàng thông qua Chatbots (chương trình kết hợp với AI để tương tác với con người) và giúp hiểu rõ hơn về thông tin được cung cấp bởi khách hàng và ngân hàng.

Đối với lĩnh vực thanh toán, tình trạng dư thừa các dữ liệu giao dịch giúp các mô hình AI khắc phục các sự cố kéo dài triền miên trong hệ thống thanh toán hiện hành. Đây là lĩnh vực liên quan trực tiếp đến các ngân hàng đại lí. Sự xuất hiện của các mô hình AI sẽ giúp các định chế tài chính xử lí phần lớn những thách thức hiện nay như phát hiện gian lận và xác định những tổn thương về an ninh, bảo mật. Kết quả khảo sát toàn cầu cho thấy, khoảng 70% số công ty tài chính đang sử dụng AI để cải tiến các dự báo về dòng tiền và quản lí thanh khoản, chấm điểm tín dụng và nâng cao khả năng phát hiện gian lận.

Đối với hoạt động cho vay và chấm điểm tín dụng, các ngân hàng đã sử dụng học máy từ nhiều năm nay và AI có thể tiếp tục nâng cao năng lực liên quan. AI sẽ cải tiến quy trình chấm điểm tín dụng bằng cách tạo ra khả năng sử dụng các dữ liệu phi cấu trúc. Các công cụ dựa trên AI sẽ giúp các ngân hàng đánh giá mức độ tin cậy của khách hàng cá nhân và doanh nghiệp dựa trên những dữ liệu khác nhau, làm cơ sở để đưa ra quyết định cho vay. Các công cụ AI cũng có thể được sử dụng trong phân tích các hành vi khác của khách hàng như nắm bắt thói quen mua hàng trực tuyến hay giúp tăng cường phổ cập tài chính đến khách hàng.

Các mô hình AI cũng được ứng dụng rộng rãi trong lĩnh vực bảo hiểm, đặc biệt là về đánh giá rủi ro từ nhiều sự cố khác nhau, cả chủ quan và khách quan. Về quản lí rủi ro, các mô hình AI được sử dụng để dự báo doanh thu, đánh giá rủi ro cân bằng thu nhập và tối ưu hóa việc phân bổ danh mục đầu tư.

Tuy nhiên, xu thế mở rộng các ứng dụng AI trong lĩnh vực tài chính cũng dẫn đến những thách thức mới trong lĩnh vực an ninh mạng hay việc duy trì tính bền vững và ổn định tài chính. Các nhóm tội phạm có xu hướng lợi dụng tiến bộ công nghệ và AI để tiến hành các hoạt động tấn công mạng, lừa đảo, chiếm đoạt tài sản. Các GenAI giúp tin tặc bắt chước giọng nói và cách hành văn, thậm chí nhập vai giả, có thể tiến hành những đợt tấn công mạng nguy hiểm. Ngoài ra, tin tặc cũng thực hiện các cuộc tấn công “prompt injection” (tận dụng những lỗ hổng của mô hình LLMs để đưa ra những hướng dẫn bổ sung cho AI hoặc biến đổi mô hình thói quen mà không có sự đồng ý của người dùng). Ví dụ, tin tặc có thể điều chỉnh các dữ liệu đầu vào đến mức mô hình AI không thể phát hiện ra các cuộc tấn công rất nguy hiểm vào các hòm thư điện tử (emails).

Sự phụ thuộc vào một số ít nhà cung cấp AI làm tăng rủi ro bên thứ ba và rủi ro tập trung thị trường. Việc tập trung dữ liệu và chi phí triển khai ban đầu cao dẫn đến sự thu hút dữ liệu với một vài doanh nghiệp có lợi thế trong việc cung cấp các công cụ AI sẵn có. Điều này tạo ra rủi ro nếu xảy ra sai sót hoặc tấn công mạng. Mọi sai sót hay tấn công mạng liên quan đến các doanh nghiệp (hay mô hình) cung cấp AI đều gây ra rủi ro cho những định chế tài chính lệ thuộc vào doanh nghiệp này.

Sự lệ thuộc của các định chế tài chính vào một vài thuật toán cũng dẫn đến bất ổn tài chính. Rủi ro này nổi lên từ sự chấp nhận AI một cách rộng khắp thông qua hệ thống tài chính và sự gia tăng khả năng đưa ra các quyết định độc lập và không cần sự can thiệp của con người với tốc độ vượt xa khả năng của con người. Thói quen của các định chế tài chính trong việc sử dụng những thuật toán giống nhau cũng có thể gây tác động tiêu cực đến thị trường bằng cách làm giảm dự trữ thanh khoản và gây xáo trộn đến việc thanh lí tài sản.

4. Áp dụng AI vào việc thực hiện các mục tiêu chính sách của NHTW

Các NHTW không chỉ quan sát, phân tích tác động của AI đối với hệ thống tài chính và nền kinh tế mà còn có thể sử dụng các công cụ AI để thực hiện các mục tiêu chính sách tiền tệ. Cụ thể là, việc sử dụng LLMs và AI có thể hỗ trợ các nhiệm vụ chủ chốt của NHTW trong việc thu thập thông tin, thống kê, phân tích tài chính và kinh tế vĩ mô, làm cơ sở để hỗ trợ thực thi chính sách tiền tệ, giám sát hệ thống thanh toán và duy trì ổn định tài chính.

Đối với các NHTW, việc sử dụng GenAI để tăng cường an ninh mạng cũng mang lại lợi ích rất lớn, nhất là trong các lĩnh vực như tự động hóa công việc hằng ngày, với tốc độ xử lí nhanh hơn nhiều so với lao động thủ công truyền thống. Ngoài ra, AI cũng mang lại nhiều lợi ích về an ninh mạng, bao gồm khả năng phát hiện rủi ro, nhanh chóng phản ứng và xử lí các cuộc tấn công mạng, nắm bắt được chiều hướng phát triển mới.

Đối với các NHTW, thách thức trong việc sử dụng các công cụ AI bắt nguồn từ hai vấn đề. Thứ nhất, sự sẵn sàng của các dữ liệu hợp thời - điều kiện cần thiết cho mọi ứng dụng học máy. Thứ hai, khả năng của LLMs trong việc chuyển hóa các dữ liệu phi cấu trúc có nguồn gốc khác nhau thành dữ liệu cấu trúc trong thời gian thực. Ngoài ra, bằng cách chuyển đổi các dữ liệu chuỗi thời gian vào tin nhắn mã hóa liên tục, có thể áp dụng LLMs cho hàng loạt mô hình dự báo dãy thời gian. Năng lực này có nhiều hứa hẹn đối với dự báo tức thời - kĩ thuật sử dụng các dữ liệu thời gian thực để dự báo, xác định đối tượng khách hàng một cách kịp thời. Phương pháp này có thể cải thiện đáng kể mức độ chính xác và kịp thời của các dự báo kinh tế, nhất là vào thời điểm bất ổn thị trường tăng cao. Tuy nhiên, phương pháp này đang đối mặt với hai thách thức lớn, đó là tính khả dụng hạn chế của các dữ liệu hợp thời và sự cần thiết phải cụ thể hóa các mô hình cho những nhiệm vụ cụ thể. LLMs và GenAI được đánh giá là sẽ có nhiều hứa hẹn trong việc xử lí cả hai thách thức trên. Ví dụ, một LLM điều chỉnh vi cấp (tinh chỉnh) các bản tin tài chính có thể chiết xuất thông tin từ các trạm truyền thông xã hội hay các báo cáo thu được và tạo lập chỉ số cảm nhận xã hội. Sau đó, chỉ số này có thể được sử dụng để dự báo tức thời các điều kiện tài chính, theo dõi sự hình thành rủi ro hay dự báo khả năng suy thoái kinh tế.

Bên cạnh các ứng dụng tài chính, dự báo tức thì dựa trên AI cũng đóng vai trò quan trọng trong việc xác định các diễn biến trong nền kinh tế thực. Ví dụ, dựa trên các dữ liệu về giao dịch giữa các hộ gia đình và doanh nghiệp và các mô hình học máy có thể cải tiến dự báo tức thì về tiêu dùng và đầu tư.

Khả năng tiếp cận các dữ liệu chi tiết của AI cũng có thể giúp nâng cao khả năng của NHTW trong việc theo dõi diễn biến giữa các ngành, nghề và khu vực kinh tế khác nhau. Ví dụ, với sự hỗ trợ của AI, từ việc phân tích các dữ liệu về việc làm hay bán lẻ trực tuyến, NHTW có thể theo dõi diễn biến lương và động lực lao động giữa các công việc, ngành, nghề hay khu vực kinh tế khác nhau.

Ngoài ra, các NHTW cũng có thể sử dụng AI để xác định tốt hơn những yếu tố gây lạm phát. So với các mô hình kinh tế lượng truyền thống, các mạng trung tính có thể vận dụng nhiều đầu vào khác nhau để xử lí các bộ dữ liệu chi tiết hơn là chỉ lệ thuộc đơn thuần vào dữ liệu tổng thể. Các mạng trung tính có thể tiếp tục phản ánh các mối quan hệ phi tuyến tính phức tạp, đưa ra những thông tin có giá trị nổi bật trong giai đoạn lạm phát thay đổi nhanh chóng. Nếu AI gây tác động khác nhau đến các ngành, những lợi thế này có ý nghĩa đặc biệt cho việc đánh giá các động lực lạm phát.

Liên quan đến dự báo lạm phát, xu hướng gần đây đang được tiến hành là tách tổng lạm phát thành những cấu phần khác nhau. Theo phương pháp này, học thuyết kinh tế được sử dụng để cụ thể hóa bốn yếu tố gây ra tổng lạm phát: Mô hình lạm phát trong quá khứ, kì vọng lạm phát, chênh lệch sản lượng và giá cả quốc tế. Sau đó, một mạng trung tính sẽ sử dụng các dãy dữ liệu tổng thể (về thất nghiệp hay lạm phát dịch vụ) và các dãy dữ liệu chia tách để ước lượng mức độ đóng góp của bốn cấu phần trên đây trong lạm phát tổng thể.

Việc sử dụng AI sẽ đóng vai trò quan trọng trong việc hỗ trợ các phân tích về ổn định tài chính như xác định rủi ro trong mẫu quan sát quy mô lớn, góp phần phát hiện rủi ro giữa các khu vực tài chính và phi tài chính. Bên cạnh đó, các mô hình AI có thể được sử dụng để giám sát và điều chỉnh kinh tế vĩ mô. Cụ thể là, các công cụ GenAI kết hợp với các bộ dữ liệu phong phú có thể giúp xây dựng các chỉ số cảnh báo sớm có thể gây áp lực liên quan đến rủi ro toàn hệ thống.

5. Kết luận

Công cụ AI đang tạo cơ hội cho các NHTW trong việc xác định những diễn biến của nền kinh tế. Nhờ các bộ dữ liệu cấu trúc và phi cấu trúc phong phú và dữ liệu bổ sung, NHTW có thể nhanh chóng thu thập và phân tích dữ liệu. Theo phương pháp này, AI giúp phân tích các hoạt động kinh tế một cách cụ thể theo thời gian thực. So với sức mạnh quản lí của máy tính, các mô hình học máy có tính năng vượt trội về khả năng áp dụng các dữ liệu cấu trúc sang dữ liệu phi cấu trúc, nhờ sự gia tăng các ứng dụng AI với tốc độ chưa từng có và được chấp nhận trong nhiều lĩnh vực khác nhau. Sự phát triển của AI cũng gây ra những hệ lụy đối với hệ thống tài chính cũng như đối với nền kinh tế thông qua những thay đổi về tổng cung và tổng cầu. Sự gia tăng ứng dụng AI đang có tác động lớn đến hệ thống tài chính và nền kinh tế, đòi hỏi NHTW phải có các biện pháp phù hợp nhằm khai thác và sử dụng AI một cách hiệu quả nhất.

Tài liệu tham khảo:
Báo cáo thường niên của Ngân hàng Thanh toán Quốc tế (BIS) năm 2024.