1. Giới thiệu
1.1. Tổng quan về AI và ý nghĩa với ngành Ngân hàng
Về lý thuyết, AI đề cập đến việc mô phỏng trí thông minh của con người trong các máy móc được lập trình để suy nghĩ và bắt chước hành động của con người. Những hành động này có thể bao gồm việc học tập, lý luận, giải quyết vấn đề, nhận thức và thấu hiểu ngôn ngữ. Thực tế hiện nay, AI thường gắn với quá trình xây dựng, vận hành các cỗ máy thông minh từ khối lượng dữ liệu khổng lồ. Các hệ thống AI học hỏi từ quá trình học tập, kinh nghiệm trong quá khứ và thực hiện các nhiệm vụ giống như con người. AI giúp nâng cao tốc độ, sự chính xác và hiệu quả trong những nỗ lực hoạt động của con người. AI sử dụng các thuật toán và phương pháp phức tạp để tạo ra những cỗ máy có thể tự đưa ra quyết định. Học máy (Machine Learning - ML) và học sâu (Deep Learning - DL) là cốt lõi của AI (Simplilearn, 2024).
AI là một công nghệ ngày càng trở nên quan trọng đối với ngành Ngân hàng. Khi được sử dụng như một công cụ để hỗ trợ hoạt động nội bộ và các ứng dụng hướng tới khách hàng, nó có thể giúp các ngân hàng nâng cao hiệu quả vận hành, quản trị rủi ro, dự báo xu hướng thị trường, phát hiện gian lận tốt hơn cũng như gia tăng trải nghiệm khách hàng, giúp khách hàng quản trị tài chính và quản lý đầu tư tốt hơn. Để đón đầu các xu hướng công nghệ, gia tăng lợi thế cạnh tranh và cung cấp các dịch vụ có giá trị cũng như trải nghiệm khách hàng tốt hơn, thời gian qua, các ngân hàng đã chủ động áp dụng nhiều sáng kiến chuyển đổi số, đặc biệt là những công nghệ, ứng dụng dựa trên AI. Những công nghệ này có tiềm năng định hình lại ngành Ngân hàng, giúp cạnh tranh hiệu quả, thích ứng và phát triển bền vững trong kỷ nguyên số. Một số lợi ích của AI đối với lĩnh vực ngân hàng có thể kể đến như:
- Tự động hóa: AI có thể giúp tự động hóa các quy trình, luồng công việc, đồng thời hỗ trợ ra quyết định và cung cấp dịch vụ. Ví dụ, AI có thể giúp ngân hàng tự động hóa hoạt động theo dõi và phân tích lưu lượng mạng, góp phần bảo đảm an ninh mạng của tổ chức. AI có thể nâng cao phương pháp tiếp cận lấy khách hàng làm trọng tâm của ngân hàng với trải nghiệm ngân hàng số linh hoạt và cá nhân hóa hơn, đáp ứng nhu cầu của khách hàng nhanh hơn.
- Độ chính xác: AI có thể giúp ngân hàng giảm thiểu lỗi thủ công trong xử lý dữ liệu, phân tích, xử lý tài liệu, hỗ trợ trong thu hút khách hàng mới, tương tác với khách hàng và các nhiệm vụ khác thông qua tự động hóa và thuật toán tuân thủ đúng các quy trình đã thiết lập.
- Tăng cường hiệu quả hoạt động: Khi AI được sử dụng để thực hiện các nhiệm vụ lặp đi, lặp lại, nhân viên ngân hàng sẽ được giải phóng để tập trung vào các hoạt động chiến lược hơn. AI có thể được sử dụng để tự động hóa các quy trình như xác minh hoặc tóm tắt tài liệu, phiên âm cuộc gọi điện thoại hoặc trả lời các câu hỏi của khách hàng, ví dụ như “chi nhánh ngân hàng đóng cửa lúc mấy giờ?”…
- Tăng tốc độ: AI có thể đẩy nhanh cách thức xử lý thông tin, tìm ra mẫu và khám phá các mối quan hệ trong dữ liệu. Từ đó giúp các tổ chức có được thông tin sâu có giá trị nhanh hơn để thúc đẩy quá trình ra quyết định, hỗ trợ các hoạt động giao dịch, mô hình hóa rủi ro, quản lý tuân thủ...
- Tăng tính khả dụng: Với AI, ngân hàng có thể giúp khách hàng hoàn thành các nhiệm vụ tài chính, tìm kiếm giải pháp để đạt được mục tiêu và quản lý tài chính của khách hàng. AI và ML có thể liên tục thực hiện các hoạt động hỗ trợ khách hàng khi chạy trên điện toán đám mây (Cloud Computing).
- Thúc đẩy đổi mới sáng tạo: Khả năng phân tích khối lượng lớn dữ liệu một cách nhanh chóng có thể dẫn đến các sản phẩm, dịch vụ độc đáo và sáng tạo vượt trên đối thủ cạnh tranh. Ví dụ, AI đã được sử dụng để hiện đại hóa trải nghiệm đối với khách hàng mà không mất đi sự tiếp xúc của con người.
1.2. Các loại AI
Hiện nay, AI đã hiện diện ở hầu hết các lĩnh vực, ngành, nghề như vận tải, y tế, bán lẻ, giải trí, thương mại điện tử, ngân hàng...
Dựa theo cấp độ, AI có thể được phân thành ba loại: AI hẹp (Narrow AI), AI tổng quát (AGI) và siêu AI (Super AI). AI hẹp hay còn gọi là AI yếu, được thiết kế để thực hiện các nhiệm vụ cụ thể như nhận dạng khuôn mặt, tìm kiếm trên Internet hoặc các ứng dụng trên xe ô tô (hầu hết các ứng dụng AI ngày nay đều thuộc loại này). Trong khi đó, AGI hay AI mạnh đại diện cho một dạng AI tiên tiến hơn, có thể hiểu, học hỏi và áp dụng trí thông minh để giải quyết mọi vấn đề giống như con người. Tuy nhiên, AGI vẫn chỉ là một khái niệm mang tính lý thuyết và chưa xuất hiện. Mặc dù vậy, đã có nhiều dự đoán về sự xuất hiện của AGI trong tương lai gần (Financial Times, 2024). Super AI là dạng AI tiên tiến nhất, sẽ vượt qua trí thông minh và khả năng của con người trong mọi lĩnh vực. Đây cũng chỉ là một khái niệm lý thuyết, đang nằm trong lĩnh vực suy đoán và khoa học viễn tưởng.
Dựa theo mục tiêu sử dụng, AI có thể được phân thành hai loại là: AI dự đoán và Gen AI. AI dự đoán sử dụng dữ liệu lịch sử để dự đoán kết quả trong tương lai thông qua việc áp dụng các kỹ thuật thống kê, mô hình ML để dự báo xu hướng, hành vi và sự việc. Trong lĩnh vực ngân hàng, AI dự đoán được sử dụng rộng rãi để quản lý rủi ro, phát hiện gian lận, quản lý quan hệ khách hàng bằng cách phân tích các mẫu và đưa ra dự đoán sáng suốt. AI dự đoán chủ yếu sử dụng các kỹ thuật ML để “học” từ dữ liệu mà không được lập trình rõ ràng cho từng nhiệm vụ cụ thể. Gen AI là một tập hợp con của AI, tập trung vào việc sản sinh ra nội dung mới như văn bản, hình ảnh, âm thanh, đoạn phim, dòng lệnh (Code) dựa trên dữ liệu mà nó đã được đào tạo. Không giống như AI truyền thống chủ yếu phân tích và dự đoán, Gen AI tạo ra nội dung mới, vì thế loại AI này trở thành một công cụ mạnh mẽ cho các công việc có thiên hướng sáng tạo.
Gen AI được hỗ trợ bởi các mô hình nền tảng (mô hình AI lớn), có thể thực hiện nhiều tác vụ và thực hiện các tác vụ ngoài luồng, bao gồm tóm tắt, hỏi đáp, phân loại... AI loại này hoạt động bằng cách sử dụng mô hình ML với mạng lưới thần kinh nhiều lớp (Deep neural networks) để tìm hiểu các mẫu và mối quan hệ trong tập dữ liệu nội dung do con người tạo ra, sau đó, sử dụng các mẫu đã học để tạo ra nội dung mới.
Các mô hình Gen AI tạo văn bản (như GPT-4) được đào tạo trên các tập dữ liệu lớn chứa nhiều loại nội dung đa dạng. Những mô hình này sử dụng các kỹ thuật DL, đặc biệt là mạng lưới thần kinh (Neural network) để có thể hiểu và tạo ra văn bản giống con người bằng cách dự đoán từ tiếp theo trong câu. Bằng cách học các mẫu và tạo cấu trúc từ dữ liệu huấn luyện, các mô hình này có thể tạo ra nội dung mới sáng tạo, chặt chẽ, qua đó mở ra vô số khả năng ứng dụng trong nhiều lĩnh vực khác nhau, bao gồm cả ngân hàng.
Nhìn chung, AI dự đoán và Gen AI đóng vai trò bổ trợ mạnh mẽ cho nhau trong lĩnh vực ngân hàng. AI dự đoán giúp các ngân hàng dự đoán các xu hướng và hành vi trong tương lai, hỗ trợ quá trình ra quyết định; đồng thời cải thiện quản lý rủi ro bằng cách dự đoán các vấn đề tài chính tiềm ẩn hoặc các hoạt động gian lận. Mặt khác, Gen AI tăng cường sự tương tác của khách hàng bằng cách tạo ra nội dung và phản hồi được cá nhân hóa; đồng thời cũng tự động hóa việc xây dựng báo cáo, tài liệu tiếp thị và liên lạc với khách hàng (BCG, 2023). Việc kết hợp AI dự đoán và Gen AI cho phép các ngân hàng không chỉ thấy trước các xu hướng trong tương lai mà còn tạo ra các chiến lược và nội dung phù hợp với những dự đoán đó.
2. Tác động của AI
2.1. Tác động tích cực
- Đối với nền kinh tế: AI, đặc biệt là Gen AI, sẵn sàng thúc đẩy đáng kể nền kinh tế toàn cầu. Theo McKinsey, ước tính từ năm 2023 chỉ riêng Gen AI có thể đóng góp thêm từ 2,6 đến 4,4 nghìn tỉ USD hằng năm cho nền kinh tế toàn cầu, có khả năng tăng gấp đôi các dự đoán trước đây về tác động kinh tế của AI. Trong lĩnh vực ngân hàng, AI có thể tăng thêm từ 200 tỉ USD đến 340 tỉ USD hằng năm, tương ứng với mức tăng 3 - 5% trong tổng thu nhập hằng năm của các tổ chức tài chính - ngân hàng. Sự tăng trưởng kinh tế này được thúc đẩy bởi khả năng của AI trong việc nâng cao hiệu quả, thúc đẩy đổi mới và tạo ra các cơ hội kinh doanh (McKinsey, 2023a).
- Chuyển đổi thị trường việc làm: AI có tiềm năng tự động hóa 60 - 70% hoạt động của người lao động hiện nay, đặc biệt là những hoạt động liên quan đến công việc thường ngày chủ yếu dựa trên kiến thức. Điều này đặc biệt rõ ràng trong ngành tài chính - ngân hàng, nơi AI có thể thực hiện các nhiệm vụ mà theo cách truyền thống đòi hỏi nhiều thời gian của nhân viên như phân tích dữ liệu và xây dựng báo cáo9.
Mặc dù AI sẽ dẫn đến sự thay thế của một số công việc nhất định nhưng đồng thời cũng sẽ tạo ra những vai trò mới đòi hỏi kỹ năng phân tích và kỹ thuật tiên tiến. Người lao động sẽ phải học thích nghi bằng cách phát triển các năng lực mới để làm việc cùng các ứng dụng AI, dẫn đến nhu cầu ngày càng tăng về các vai trò như chuyên gia AI, khoa học gia dữ liệu… để quản lý và giám sát các hệ thống AI. Sự thay đổi này đòi hỏi phải tập trung vào việc đào tạo, đào tạo lại và nâng cao tay nghề cho lực lượng lao động để bảo đảm họ sẵn sàng đáp ứng được các công việc ứng dụng AI.
- Tăng tốc chuyển đổi số: AI đang đẩy nhanh tốc độ chuyển đổi số trong các ngành công nghiệp. McKinsey dự đoán đến năm 2045, một nửa hoạt động trong công việc ngày nay có thể được tự động hóa, sớm hơn một thập kỷ so với ước tính trước đó. Việc tích hợp AI vào quy trình làm việc kỹ thuật số giúp nâng cao năng suất, giảm lỗi, cho phép xử lý dữ liệu và ra quyết định theo thời gian thực. Sự chuyển đổi nhanh chóng này đang định hình lại các hoạt động kinh doanh, khiến chúng hiệu quả hơn và đáp ứng nhu cầu thị trường.
- Nâng cao năng lực của người lao động: AI giúp tăng cường sức lao động của con người bằng cách xử lý các nhiệm vụ lặp đi, lặp lại, cho phép người lao động tập trung vào các hoạt động phức tạp và sáng tạo hơn. Các công cụ Gen AI có thể hỗ trợ tạo nội dung, cung cấp hỗ trợ khách hàng và tiến hành phân tích dữ liệu, từ đó tăng năng suất và đổi mới tổng thể. AI có thể tăng năng suất của nhân viên thêm 0,1 - 0,6% hằng năm cho đến năm 2040, tạo điều kiện chuyển đổi người lao động sang các vai trò chiến lược hơn đòi hỏi khả năng phán đoán và ra quyết định.
2.2. Các rủi ro liên quan đến AI
Mặc dù AI mang lại nhiều lợi ích nhưng nó cũng đặt ra những rủi ro đáng kể cần được giải quyết để bảo đảm việc triển khai có trách nhiệm.
(i) Mối quan tâm về đạo đức và quyền riêng tư: Hệ thống AI có thể duy trì những thành kiến sẵn có trong dữ liệu đào tạo, dẫn đến kết quả không công bằng hoặc phân biệt đối xử. Ngoài ra, việc sử dụng AI còn đặt ra các vấn đề nghiêm trọng về quyền riêng tư, đặc biệt liên quan đến việc thu thập và sử dụng dữ liệu cá nhân mà không có sự đồng ý rõ ràng của chủ thể dữ liệu. Những mối lo ngại này đòi hỏi phải có sự quản lý dữ liệu mạnh mẽ và thực hành AI có đạo đức để ngăn chặn việc lạm dụng nhằm bảo vệ quyền của các cá nhân (E&Y, 2023).
(ii) Rủi ro bảo mật: Hệ thống AI dễ bị tấn công và các tác nhân độc hại có thể khai thác AI cho các hoạt động lừa đảo, ví dụ tạo các bản giả mạo như thật (Deepfake)... Bên cạnh đó, việc tận dụng AI để tạo các công cụ lừa đảo đang ngày càng trở nên tinh vi, phức tạp.
(iii) Những thách thức về pháp lý: Sự tiến bộ nhanh chóng của công nghệ AI thường vượt xa tốc độ phát triển của khung pháp lý, qua đó tạo ra sự không chắc chắn và thách thức về tính tuân thủ cho các tổ chức (McKinsey, 2023b). Do đó, cần có một khuôn khổ quản trị AI mạnh mẽ để bảo đảm tính minh bạch, trách nhiệm giải trình và việc sử dụng AI có trách nhiệm. Bên cạnh đó, nhà hoạch định chính sách và nhà lãnh đạo các ngành phải hợp tác để phát triển những quy định toàn diện nhằm theo kịp những tiến bộ công nghệ.
(iv) Dịch chuyển công việc: Việc tự động hóa các nhiệm vụ do con người thực hiện trước đây có thể dẫn đến tình trạng mất việc làm đáng kể, đặc biệt là trong các vai trò liên quan đến xử lý và phân tích dữ liệu thông thường. Theo báo cáo tháng 01/2024 của Quỹ Tiền tệ Quốc tế (IMF), AI có tiềm năng thay thế đến 40% công việc trên toàn thế giới. Do đó, các tổ chức phải đầu tư vào những chương trình đào tạo, đào tạo lại và nâng cao kỹ năng để giúp những người lao động bị thay thế chuyển sang các vai trò mới do AI tạo ra. Cách tiếp cận chủ động này sẽ giảm thiểu tác động của việc dịch chuyển việc làm và bảo đảm quá trình chuyển đổi suôn sẻ sang nền kinh tế sử dụng AI.
3. AI đối với ngành Ngân hàng
3.1. Khuôn khổ quy định chung về sử dụng AI nói chung và AI trong lĩnh vực ngân hàng
(i) Quy định AI toàn cầu: Các quốc gia và khu vực khác nhau đã áp dụng những cách tiếp cận khác nhau đối với quy định AI. Chẳng hạn, Liên minh châu Âu đã đề xuất các quy định toàn diện về AI thông qua Đạo luật AI. Đạo luật này nhằm bảo đảm các hệ thống AI được triển khai một cách an toàn và tôn trọng luật pháp hiện hành về các quyền và giá trị cơ bản. Ngược lại, các khu vực như Hoa Kỳ và Nhật Bản tập trung vào các hướng dẫn và tạo khuôn khổ đạo đức dành riêng cho từng ngành. Ví dụ, Hoa Kỳ có các hướng dẫn dành riêng cho từng ngành nhằm khuyến khích đổi mới đồng thời giải quyết rủi ro, trong khi Nhật Bản nhấn mạnh việc sử dụng AI có đạo đức trên nhiều lĩnh vực khác nhau.
Các quốc gia như Brazil, Canada, Trung Quốc và Hàn Quốc đang phát triển hoặc đã thiết lập các khuôn khổ quản trị AI cụ thể. Các khuôn khổ này thường bao gồm các hướng dẫn về quyền riêng tư dữ liệu, phát triển AI có trách nhiệm và triển khai hệ thống AI để bảo đảm chúng phù hợp với lợi ích quốc gia và bảo vệ quyền của công dân.
Tổ chức Hợp tác và Phát triển Kinh tế (OECD) cung cấp các nguyên tắc và hướng dẫn không ràng buộc về quản trị AI, được một số quốc gia thành viên bao gồm Nhật Bản, Singapore, Các Tiểu vương quốc Ả Rập Thống nhất (UAE) và Vương quốc Anh áp dụng. Những nguyên tắc này tập trung vào việc thúc đẩy AI đáng tin cậy, mạnh mẽ, an toàn và công bằng, bảo đảm rằng công nghệ AI mang lại lợi ích cho xã hội, đồng thời giảm thiểu những rủi ro.
(ii) Những thách thức pháp lý trong ngành Ngân hàng: Việc triển khai AI trong lĩnh vực ngân hàng đi kèm với những thách thức pháp lý đặc biệt. Một vấn đề lớn là bảo đảm rằng các hệ thống AI tôn trọng quyền tự chủ của con người và ngăn chặn những thành kiến tiềm ẩn trong dữ liệu. Việc phát triển và triển khai AI cần ưu tiên sự công bằng, minh bạch và trách nhiệm giải trình để tránh những kết quả phân biệt đối xử. Điều này đặc biệt quan trọng trong các lĩnh vực như chấm điểm tín dụng và phê duyệt khoản vay. Những mô hình AI thiên vị có thể dẫn đến đối xử không công bằng đối với một số nhóm khách hàng nhất định.
Bảo vệ dữ liệu tài chính nhạy cảm là một thách thức đáng kể khác. Các ngân hàng phải tuân thủ quy định bảo vệ dữ liệu như Quy định chung về bảo vệ dữ liệu (GDPR) ở châu Âu, trong đó áp đặt các quy định nghiêm ngặt về quyền riêng tư và bảo mật dữ liệu. Việc bảo đảm tuân thủ trong khi tận dụng AI để phân tích dữ liệu đòi hỏi các biện pháp quản lý dữ liệu mạnh mẽ.
Tính minh bạch và khả năng giải thích của các mô hình AI rất quan trọng, đặc biệt là những mô hình DL. Những mô hình này thường được coi là “hộp đen” vì quá trình ra quyết định của chúng không dễ hiểu hay dễ diễn giải. Các ngân hàng phải bảo đảm rằng những quyết định về AI có thể được giải thích và kiểm soát để duy trì niềm tin và trách nhiệm giải trình của mình với khách hàng.
Ngoài ra, việc tích hợp sự giám sát của con người vào quá trình ra quyết định sử dụng AI là điều cần thiết để giải quyết các hậu quả không lường trước được và bảo đảm trách nhiệm của tổ chức. Điều này bảo đảm rằng các quyết định quan trọng không chỉ được giao cho hệ thống tự động mà còn cung cấp mạng lưới an toàn chống lại các lỗi hoặc sai lệch trong kết quả đầu ra của ứng dụng AI.
3.2. Ứng dụng của AI trong hoạt động ngân hàng
(i) Dịch vụ khách hàng và cá nhân hóa: Theo khảo sát của Quorus (2024), 81% các lãnh đạo ngân hàng tham gia khảo sát dự kiến đầu tư ứng dụng AI/ML vào dịch vụ hỗ trợ khách hàng trong vòng 12 - 18 tháng tới. Các công nghệ AI như Chatbot và trợ lý ảo đang chuyển đổi nghiệp vụ chăm sóc, hỗ trợ khách hàng trong các ngân hàng bằng cách cho phép thực hiện phản hồi được cá nhân hóa và xử lý những câu hỏi thông thường một cách hiệu quả, nâng cao sự hài lòng của khách hàng và tăng cường hiệu quả hoạt động. Ví dụ, Ngân hàng Commonwealth (Úc) sử dụng Gen AI để phân tích các câu hỏi của khách hàng và đưa ra phản hồi chính xác, phù hợp với ngữ cảnh, qua đó giúp cải thiện sự tham gia và giảm thời gian chờ đợi của khách hàng để được hỗ trợ.
(ii) Quản lý rủi ro và phát hiện gian lận: Thuật toán AI hỗ trợ nâng cao hoạt động phân tích dữ liệu giao dịch theo thời gian thực để xác định và giảm thiểu các hoạt động gian lận. Citibank sử dụng hệ thống phát hiện gian lận dựa trên AI để giám sát các giao dịch và xác định kịp thời những hoạt động đáng ngờ. Cách tiếp cận chủ động này giúp phát hiện gian lận, giúp bảo vệ tài sản và duy trì niềm tin của khách hàng (The Financial Brand, 2024). Ngân hàng Wells Fargo (Mỹ) sử dụng AI để phân tích các tập dữ liệu lớn, phát hiện gian lận tiềm ẩn và tăng cường bảo mật hệ thống. Bằng cách tận dụng AI, ngân hàng này có thể xác định các mô hình và hành vi bất thường, có thể chỉ ra các hoạt động gian lận, từ đó ngăn ngừa tổn thất tài chính và bảo vệ thông tin khách hàng.
(iii) Hiệu quả hoạt động và tự động hóa: Các ngân hàng đang ngày càng sử dụng AI nhiều hơn trong tự động hóa các hoạt động tại bộ phận hỗ trợ tuyến sau (back-office), qua đó giúp giảm thời gian xử lý và giảm thiểu sai sót của con người. Tự động hóa dựa trên AI trong xử lý tài liệu và tuân thủ quy định giúp ngân hàng nâng cao hiệu quả hoạt động. Ví dụ, Ngân hàng Đầu tư Morgan Stanley (Mỹ) sử dụng Gen AI để hỗ trợ các cố vấn tài chính của ngân hàng bằng cách tổng hợp và phân tích lượng lớn dữ liệu tài chính, từ đó giúp cải thiện các dịch vụ tư vấn. Điều này cho phép các cố vấn cung cấp đề xuất chính xác và cá nhân hóa hơn cho khách hàng.
3.3. Ứng dụng AI tại các NHTW
(i) Thu thập và phân tích dữ liệu: Các NHTW sử dụng AI để làm sạch dữ liệu, phát hiện các dấu hiệu bất thường và phân tích dự đoán nhằm nâng cao chất lượng và độ tin cậy của dữ liệu kinh tế. AI giúp các NHTW hiểu rõ hơn về xu hướng kinh tế và đưa ra quyết định chính sách sáng suốt. Ngân hàng Thanh toán Quốc tế (BIS) và NHTW châu Âu (ECB) sử dụng AI để đánh giá rủi ro liên quan đến khí hậu bằng cách phân tích các bộ dữ liệu lớn để cung cấp thông tin cho khung chính sách, qua đó cho phép NHTW kết hợp rủi ro môi trường vào những mô hình kinh tế và quyết định chính sách của mình (BIS, 2024).
(iii) Phân tích kinh tế và tài chính: AI được sử dụng để phân tích xu hướng lạm phát, dự báo điều kiện kinh tế và có khả năng diễn giải được khối lượng lớn dữ liệu văn bản (như các bài báo và báo cáo kinh tế), qua đó cho phép các NHTW theo dõi và dự báo kinh tế theo thời gian thực. Bằng việc ứng dụng AI, các NHTW nâng cao tính chính xác của dự báo kinh tế, cho phép thực thi chính sách tiền tệ hiệu quả hơn. ECB đã hợp tác chặt chẽ với BIS để sử dụng dữ liệu lớn của AI để dự báo lạm phát thông qua việc thu thập dữ liệu giá cả trên các website và sử dụng mô hình ngôn ngữ lớn (LLM) để phân loại dữ liệu (ECB, 2024).
(iv) Ổn định và giám sát tài chính: AI hỗ trợ các NHTW giám sát hệ thống tài chính, xác định rủi ro hệ thống và bảo đảm tuân thủ các tiêu chuẩn quy định. Những công cụ do AI điều khiển cung cấp thông tin chuyên sâu về sự ổn định của các tổ chức và thị trường tài chính. Ví dụ, NHTW Ireland và Ngân hàng Dự trữ Ấn Độ sử dụng hệ thống AI để tuân thủ hoạt động chống rửa tiền (AML) và giám sát các mẫu giao dịch bất thường nhằm bảo đảm sự ổn định tài chính. Bằng cách tận dụng AI, các NHTW có thể phát hiện và giải quyết các rủi ro tiềm ẩn hiệu quả hơn, duy trì sự ổn định của hệ thống tài chính.
4. Những thách thức trong việc triển khai AI trong ngân hàng
4.1. Điều hướng các quy định phức tạp
(i) Môi trường pháp lý phức tạp: Ngân hàng là một trong những lĩnh vực được quản lý chặt chẽ nhất trên toàn cầu. Việc đưa AI vào hoạt động ngân hàng sẽ là một thách thức lớn đối với vấn đề pháp lý. Các ngân hàng phải tuân thủ nhiều quy định ở những cấp độ khác nhau như trên toàn cầu, khu vực và từng quốc gia, trong đó đáng lưu ý là quy định về quyền riêng tư dữ liệu, an ninh mạng và việc sử dụng AI. Ví dụ, GDPR và Đạo luật AI của Liên minh châu Âu được đề xuất đặt ra yêu cầu nghiêm ngặt mà các ngân hàng phải tuân thủ. Những khuôn khổ tương tự cũng tồn tại ở Mỹ, Canada và các quốc gia khác, mỗi quốc gia có bộ quy tắc và tiêu chuẩn riêng.
Việc thực hiện các quy định này đòi hỏi nguồn lực đáng kể và đội ngũ tuân thủ chuyên trách trong mỗi ngân hàng. Các ngân hàng phải liên tục theo dõi, cập nhật những quy định và điều chỉnh hệ thống AI của mình để bảo đảm tính tuân thủ, tránh những hình phạt pháp lý lớn và tổn hại đến danh tiếng của ngân hàng.
(ii) Các tiêu chuẩn, quy định đang phát triển: AI có tốc độ phát triển nhanh chóng, thường vượt xa sự phát triển của các khuôn khổ pháp lý. Độ trễ này tạo ra sự không chắc chắn và rủi ro cho các ngân hàng vì họ phải bảo đảm rằng hệ thống AI của mình tuân thủ cả quy định hiện tại và tương lai. Việc giám sát liên tục và thích ứng với những thay đổi về quy định là điều cần thiết để tránh các vấn đề pháp lý và bảo đảm thực hành AI có trách nhiệm.
Ngân hàng phải đầu tư vào các nguồn lực để theo kịp những tiêu chuẩn đang phát triển. Điều này bao gồm việc thành lập nhóm tuân thủ chuyên theo dõi các thay đổi về quy định, tiến hành kiểm tra thường xuyên và cập nhật hệ thống AI khi cần thiết. Bằng cách chủ động quản lý việc tuân thủ, các ngân hàng có thể giảm thiểu rủi ro, duy trì niềm tin của cơ quan quản lý và khách hàng.
4.2. Bảo đảm triển khai AI có trách nhiệm
(i) Triển khai AI có trách nhiệm: Triển khai AI có trách nhiệm bao gồm việc phát triển các hệ thống hoạt động có đạo đức, minh bạch và không thiên vị. Việc này có nghĩa là tạo ra các hệ thống AI tôn trọng nhân quyền, thúc đẩy sự công bằng và ngăn chặn sự phân biệt đối xử. Các ngân hàng cần thiết lập hướng dẫn và khuôn khổ đạo đức để phát triển và triển khai AI như: Thành lập các ủy ban đạo đức AI, tiến hành kiểm toán thường xuyên và thu hút sự tham gia của các nhóm người dùng khác nhau để xác định và giảm thiểu những thành kiến.
Việc triển khai AI có trách nhiệm cũng đòi hỏi sự minh bạch trong hoạt động của AI. Các ngân hàng phải bảo đảm rằng, quyết định của AI, đặc biệt là trong các vấn đề quan trọng như chấm điểm tín dụng và phê duyệt khoản vay đều có thể giải thích được và có sự tham gia của con người, qua đó giúp xây dựng niềm tin đối với khách hàng và cơ quan quản lý.
(ii) Trách nhiệm giải trình và quản trị: Trách nhiệm giải trình rất quan trọng đối với việc quản trị AI có trách nhiệm. Các ngân hàng phải xác định vai trò và trách nhiệm giám sát AI, trong đó có sự tham gia của cả bên liên quan về kỹ thuật và phi kỹ thuật. Các ngân hàng nên sử dụng mô hình AI có thể đưa ra lý do rõ ràng cho kết quả đầu ra và cho phép những bên liên quan hiểu và kiểm tra được. Việc triển khai, kiểm tra và đánh giá thường xuyên các khuôn khổ quản trị nhằm bảo đảm trách nhiệm giải trình, tính minh bạch giúp giảm thiểu rủi ro và bảo đảm rằng hệ thống AI hoạt động trong các ranh giới đạo đức.
4.3. Bảo vệ quyền riêng tư dữ liệu
(i) Tuân thủ các quy định về bảo vệ dữ liệu: Hệ thống AI trong ngân hàng chủ yếu được xây dựng dựa trên lượng dữ liệu khách hàng rất lớn, trong đó thường bao gồm thông tin cá nhân nhạy cảm. Do đó, việc tuân thủ các luật, quy định như GDPR, Đạo luật về quyền riêng tư của người tiêu dùng California (CCPA) và các quy định khác là rất quan trọng. Các ngân hàng phải thực hiện biện pháp quản lý dữ liệu mạnh mẽ để bảo đảm quyền riêng tư của dữ liệu. Điều này bao gồm ẩn danh dữ liệu, lưu trữ an toàn và kiểm soát truy cập nghiêm ngặt.
(ii) Cân bằng giữa tiện ích dữ liệu và quyền riêng tư: Các ngân hàng phải đối mặt với thách thức trong việc sử dụng dữ liệu hiệu quả cho các ứng dụng sử dụng AI, đồng thời bảo vệ quyền riêng tư của khách hàng. Các kỹ thuật như quyền riêng tư khác biệt (Differential Privacy)1 và học tập liên kết (Federated Learning)2 có thể giúp cân bằng những nhu cầu này bằng cách cho phép phân tích dữ liệu mà không ảnh hưởng đến quyền riêng tư của cá nhân.
4.4. Bảo đảm thông tin chính xác
(i) Bảo đảm độ chính xác của dữ liệu: Các mô hình AI, đặc biệt là mô hình Gen AI có thể tạo ra kết quả đầu ra dựa trên dữ liệu không chính xác hoặc không đầy đủ, dẫn đến “ảo giác” (hallucination). Bảo đảm tính chính xác và độ tin cậy của dữ liệu đầu vào là rất quan trọng để ngăn chặn những vấn đề như vậy. Các ngân hàng phải đầu tư vào quy trình xác thực, xác minh dữ liệu, bảo đảm chất lượng dữ liệu được sử dụng để đào tạo và vận hành hệ thống AI. Điều này bao gồm các nguồn dữ liệu tham chiếu chéo và sử dụng các công cụ giám sát dữ liệu theo thời gian thực.
(ii) Kiểm tra và cập nhật mô hình thường xuyên: Các mô hình AI cần được kiểm tra và cập nhật thường xuyên để bảo đảm hoạt động chính xác và thích ứng với dữ liệu mới. Điều này liên quan đến việc giám sát liên tục và đào tạo lại các mô hình để ngăn chặn sự sai lệch và duy trì độ chính xác. Do đó, các ngân hàng cần phải hợp tác với những chuyên gia AI, nhà khoa học dữ liệu và chuyên gia ngân hàng để thường xuyên xem xét, xác thực hiệu suất và kết quả đầu ra của mô hình AI. Cách tiếp cận chủ động này giúp duy trì độ tin cậy của hệ thống AI và giảm thiểu nguy cơ xảy ra lỗi.
5. Một số khuyến nghị
5.1. Đối với các ngân hàng thương mại
5.1.1. Phát triển khả năng quản trị dữ liệu
- Thúc đẩy văn hóa ra quyết định dựa trên dữ liệu: Để tận dụng tối đa AI, các ngân hàng phải nuôi dưỡng một nền văn hóa coi trọng việc ra quyết định dựa trên dữ liệu. Điều này liên quan đến việc khuyến khích nghiên cứu, chia sẻ dữ liệu và thảo luận tập trung vào các ứng dụng và hiểu biết về dữ liệu. Tăng cường sử dụng dữ liệu để thúc đẩy việc ra quyết định và đổi mới trong tổ chức, bảo đảm rằng tất cả các cấp trong ngân hàng đều nhất quán cách tiếp cận, sử dụng AI một cách hiệu quả.
- Thiết lập các phương pháp quản lý dữ liệu mạnh mẽ: Khung quản trị dữ liệu toàn diện là điều cần thiết để bảo đảm chất lượng, tính bảo mật và tuân thủ các tiêu chuẩn, quy định về dữ liệu. Các ngân hàng cần triển khai những công cụ quản lý dữ liệu tiên tiến để duy trì tính toàn vẹn và độ tin cậy của dữ liệu được sử dụng trong hệ thống AI. Những biện pháp thực hành này không chỉ nâng cao hiệu quả của các ứng dụng AI mà còn bảo đảm tuân thủ các quy định như GDPR và CCPA.
5.1.2. Đầu tư vào kỹ năng và đào tạo nhân viên
- Nâng cao kỹ năng, khả năng công nghệ: Các chương trình học tập và phát triển rất quan trọng để trang bị cho nhân viên những kỹ năng phân tích dữ liệu và AI cần thiết. Các ngân hàng nên đầu tư đào tạo chuyên môn để nhân viên hiểu, đánh giá và giám sát hệ thống AI một cách hiệu quả. Điều này bảo đảm rằng nhân viên có thể làm việc cùng với công nghệ AI, giúp tối đa hóa tiềm năng của họ và giảm thiểu rủi ro.
- Xây dựng các nhóm đa chức năng: Việc tạo ra nhóm đa chức năng bao gồm các nhà khoa học dữ liệu, chuyên gia về AI và nhân viên tuân thủ sẽ thúc đẩy sự hợp tác trong những dự án ứng dụng AI. Khuyến khích hợp tác liên ngành bảo đảm rằng hệ thống AI được tích hợp tốt và phù hợp với các mục tiêu kinh doanh. Cách tiếp cận toàn diện này trong triển khai AI giúp giải quyết các thách thức khác nhau và tối ưu hóa lợi ích của AI.
5.1.3. Ưu tiên thử nghiệm và vận hành AI có trách nhiệm
- Bảo đảm thực hành AI có trách nhiệm: Phát triển và tuân thủ các nguyên tắc đạo đức ưu tiên sự công bằng, minh bạch và trách nhiệm giải trình trong các hệ thống AI là rất quan trọng. Các ngân hàng nên thành lập Ủy ban đạo đức AI để giám sát việc triển khai và vận hành các hệ thống AI, bảo đảm chúng tuân thủ các tiêu chuẩn đạo đức. Các ủy ban này có thể giúp xác định và giảm thiểu những thành kiến, bảo đảm rằng các hệ thống AI hoạt động có trách nhiệm.
- Thử nghiệm và thí điểm: Tiến hành thử nghiệm thí điểm các ứng dụng AI ở những khu vực có rủi ro thấp cho phép các ngân hàng đánh giá tác động và hiệu quả của chúng trước khi triển khai rộng rãi hơn. Việc sử dụng môi trường thử nghiệm có kiểm soát (Sandbox) về ứng dụng công nghệ AI sẽ thúc đẩy sự đổi mới, đồng thời quản lý được các rủi ro. Cách tiếp cận này cũng giúp tinh chỉnh các hệ thống AI và bảo đảm chúng sẵn sàng triển khai trên quy mô lớn.
5.1.4. Nghiên cứu ban đầu và lập kế hoạch chiến lược
- Phù hợp với chiến lược quốc gia về AI: Phát triển AI toàn diện phù hợp Chiến lược quốc gia về nghiên cứu, phát triển và ứng dụng AI đến năm 2030 (Quyết định số 127/QĐ-TTg ngày 26/01/2021 của Thủ tướng Chính phủ) là điều cần thiết để phát triển AI có trách nhiệm. Việc cộng tác giữa cơ quan quản lý và các cơ quan trong ngành Ngân hàng bảo đảm rằng chiến lược này hỗ trợ việc triển khai các hệ thống AI một cách có trách nhiệm, thúc đẩy phát triển các tiêu chuẩn AI trong toàn ngành Ngân hàng.
- Xây dựng chiến lược AI: Phân bổ nguồn lực cho nghiên cứu và phát triển AI giúp ngân hàng đón đầu các tiến bộ công nghệ. Mở rộng đầu tư vào cơ sở hạ tầng AI sẽ hỗ trợ sự đổi mới và tăng trưởng lâu dài. Cách tiếp cận chủ động này bảo đảm rằng ngân hàng sẵn sàng tận dụng các khả năng mới của AI.
5.1.5. Hướng dẫn ứng dụng AI trong hoạt động ngân hàng
- Tích hợp AI và Gen AI: Việc tích hợp AI và Gen AI vào hoạt động ngân hàng có thể nâng cao đáng kể hiệu quả, độ chính xác trong các hoạt động cũng như cung cấp dịch vụ cho khách hàng. Các ngân hàng cần xác định các lĩnh vực chính mà AI có thể gia tăng giá trị, chẳng hạn như phát hiện gian lận, hỗ trợ khách hàng và quản lý rủi ro. Sự tích hợp chiến lược của công nghệ AI giúp tối ưu hóa hoạt động và cung cấp dịch vụ tốt hơn cho khách hàng.
- Quản lý rủi ro và tối ưu hóa cơ hội: Việc triển khai các khung quản trị rủi ro mạnh mẽ là rất quan trọng để giảm thiểu rủi ro tiềm ẩn liên quan đến việc áp dụng AI. Các ngân hàng nên tận dụng AI để xác định và tận dụng các cơ hội kinh doanh mới, bảo đảm cách tiếp cận cân bằng giữa rủi ro và lợi ích. Điều này liên quan đến việc giám sát và cập nhật liên tục các hệ thống AI để thích ứng với điều kiện thị trường và những yêu cầu pháp lý liên tục thay đổi.
5.2. Đối với Ngân hàng Nhà nước Việt Nam (NHNN)
5.2.1. Thúc đẩy việc ra quyết định dựa trên dữ liệu
Để tăng cường quá trình xây dựng chính sách và ra quyết định, NHNN cần khuyến khích thúc đẩy văn hóa dựa trên dữ liệu, qua đó các quyết định đều được đưa ra dựa trên bằng chứng và phân tích dữ liệu chắc chắn. Đồng thời, NHNN cũng cần tạo điều kiện thuận lợi cho việc chia sẻ kinh nghiệm tốt nhất giữa các tổ chức tín dụng để cải thiện hiểu biết và nâng cao năng lực chung của Ngành.
5.2.2. Nâng cao kỹ năng và chuyên môn của cán bộ, nhân viên
- Đầu tư vào đào tạo nguồn nhân lực: Triển khai các chương trình đào tạo toàn diện để nâng cao kỹ năng của cán bộ NHNN về AI, tăng cường khả năng phân tích dữ liệu và bảo đảm an ninh mạng. Việc phát triển các mô-đun đào tạo chuyên biệt tập trung vào việc tìm hiểu và giám sát các hệ thống AI trong lĩnh vực ngân hàng có thể giúp nâng cao trình độ chuyên môn của cán bộ, nhân viên có liên quan, qua đó giúp bảo đảm rằng đội ngũ này được trang bị kiến thức, kỹ năng phù hợp để quản lý và tận dụng công nghệ AI một cách hiệu quả.
- Thúc đẩy hợp tác về AI: Thiết lập các nhóm chuyên trách có chuyên môn về AI để theo dõi và đánh giá việc sử dụng AI trong lĩnh vực ngân hàng thông qua hợp tác với các trường đại học, viện nghiên cứu và chuyên gia trong Ngành để giúp các cán bộ NHNN cập nhật những phát triển mới nhất trong công nghệ AI.
5.2.3. Thúc đẩy nghiên cứu và triển khai AI có trách nhiệm
- Khuyến khích thực hành AI có trách nhiệm: Phát triển và ban hành các hướng dẫn, nguyên tắc đạo đức sử dụng AI có trách nhiệm trong lĩnh vực ngân hàng để bảo đảm sự công bằng, minh bạch và có trách nhiệm giải trình. Đồng thời, cần thúc đẩy nghiên cứu về ý nghĩa đạo đức của AI và hỗ trợ các sáng kiến nhằm giảm thiểu thành kiến và bảo đảm việc sử dụng AI có trách nhiệm.
- Hỗ trợ thử nghiệm AI an toàn: Tạo điều kiện thuận lợi cho xây dựng, triển khai cơ chế thử nghiệm có kiểm soát nơi các ngân hàng có thể thử nghiệm các ứng dụng AI dưới sự giám sát của NHNN; các cơ quan liên quan sẽ khuyến khích sự đổi mới và quản lý được những rủi ro phát sinh. NHNN nên khuyến khích thử nghiệm AI ở các khu vực có rủi ro thấp để thu thập thông tin
chi tiết, nhằm hiểu được tác động tiềm ẩn của AI và tinh chỉnh các ứng dụng trước khi triển khai rộng rãi hơn.
1 Quyền riêng tư khác biệt là một phương pháp được sử dụng để bảo đảm rằng các phân tích thống kê hoặc truy vấn dữ liệu không tiết lộ thông tin nhạy cảm về các cá nhân trong một tập dữ liệu. Kỹ thuật này hoạt động bằng cách thêm nhiễu ngẫu nhiên vào dữ liệu hoặc kết quả phân tích dữ liệu, bảo đảm rằng không có dữ liệu của cá nhân cụ thể nào có thể bị cô lập hoặc xác định, ngay cả khi tập dữ liệu được truy cập nhiều lần.
2 Học liên kết là một kỹ thuật ML, trong đó một mô hình được đào tạo trên nhiều thiết bị phi tập trung (hoặc máy chủ) lưu trữ các mẫu dữ liệu cục bộ mà không cần trao đổi hoặc chuyển dữ liệu đến máy chủ trung tâm. Nói cách khác, thay vì gửi dữ liệu đến một vị trí trung tâm để xử lý, bản thân mô hình được gửi đến nơi dữ liệu lưu trú và chỉ các bản cập nhật đã học của mô hình được chia sẻ lại.
TÀI LIỆU THAM KHẢO:
1. BCG (2023), A Generative AI Roadmap for Financial Institutions, https://www.bcg.com/publications/2023/a-genai-roadmap-for-fis
2. BIS (2024), Project Gaia: enabling climate risk analysis, https://www.bis.org/about/bisih/topics/suptech_regtech/gaia.htm
3. E&Y (2023), How to mitigate AI discrimination and bias in financial services, https://www.ey.com/en_us/insights/forensic-integrity-services/ai-discrimination-and-bias-in-financial-services
4. ECB (2024), Artificial intelligence: a central bank’s view, https://www.ecb.europa.eu/press/key/date/2024/html/ecb.sp240704_1~e348c05894.en.html
5. Financial Times (2024), Elon Musk predicts AI will overtake human intelligence next year, https://www.ft.com/content/027b133f-f7e3-459d-95bf-8afd815ae23d
6. Google Cloud, What is artificial intelligence (AI) in banking?, https://cloud.google.com/discover/ai-in-banking
7. Grant Thornton (2024), Unveiling the financial crime/Anti-Money Laundering (AML) dynamics of Ireland’s payments sector, https://www.grantthornton.ie/globalassets/1.-member-firms/ireland/insights/2024/publications/grant-thornton-financial-crime-dynamics-report.pdf
8. HKMA (2019), High-level Principles on Artificial Intelligence, https://www.hkma.gov.hk/media/eng/doc/key-information/guidelines-and-circular/2019/20191101e1.pdf
9. IBM, What is AI in banking?, https://www.ibm.com/topics/ai-in-banking
10. IMF (2024), AI Will Transform the Global Economy. Let’s Make Sure It Benefits Humanity, https://www.imf.org/en/Blogs/Articles/2024/01/14/ai-will-transform-the-global-economy-lets-make-sure-it-benefits-humanity
11. INDIAai (2022), RBI to use AI and ML for regulatory supervision, https://indiaai.gov.in/news/rbi-to-use-ai-and-ml-for-regulatory-supervision
12. Malwarebytes, AI in Cyber Security: Risks of AI, https://www.malwarebytes.com/cybersecurity/basics/risks-of-ai-in-cyber-security
13. McKinsey (2023a), The economic potential of generative AI: The next productivity frontier, https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/the-economic-potential-of-generative-ai-the-next-productivity-frontier#introduction
14. Mckinsey (2023b), As gen AI advances, regulators - and risk functions- rush to keep pace, https://www.mckinsey.com/capabilities/risk-and-resilience/our-insights/as-gen-ai-advances-regulators-and-risk-functions-rush-to-keep-pace
15. Quorus (2024), The AI imperative: The future of frictionless banking, https://aws.amazon.com/financial-services/aws-and-qorus-banking-aiml-and-generative-ai-report-2024/
16. Simplilearn, Types of Artificial Intelligence That You Should Know in 2024, https://www.simplilearn.com/tutorials/artificial-intelligence-tutorial/types-of-artificial-intelligence
17. The Financial Brand (2024), Nine Takeaways from Citi’s Deep Dive into Gen AI and Banking, https://thefinancialbrand.com/news/data-analytics-banking/artificial-intelligence-banking/catching-up-and-moving-forward-with-genai-in-banking-179666
ThS. Lê Anh Dũng, ThS. Nguyễn Trung Anh
Vụ Thanh toán, NHNN