Tóm tắt: Trong bối cảnh chuyển đổi số, FSC trong ngành Ngân hàng ngày càng được số hóa và kết nối chặt chẽ giữa các chủ thể, đồng thời làm gia tăng rủi ro an ninh mạng đối với các dữ liệu tài chính nhạy cảm. Trước thực tiễn này, AI đang được ứng dụng như một công cụ cốt lõi nhằm nâng cao khả năng bảo mật và quản trị rủi ro trong FSC. Thông qua việc phân tích dữ liệu theo thời gian thực, AI cho phép phát hiện bất thường, nhận diện gian lận và dự báo các mối đe dọa với độ chính xác cao hơn so với các phương pháp truyền thống. Đồng thời, AI hỗ trợ tự động hóa các quy trình kiểm soát và ra quyết định, giúp tăng cường khả năng thích ứng và giảm thiểu tổn thất trong môi trường tài chính số. Nhờ đó, AI không chỉ góp phần bảo vệ dữ liệu mà còn đóng vai trò quan trọng trong việc đảm bảo tính ổn định và hiệu quả vận hành của FSC trong hệ thống ngân hàng.
Từ khóa: Trí tuệ nhân tạo, chuỗi cung ứng tài chính, bảo mật dữ liệu, ngân hàng.
ARTIFICIAL INTELLIGENCE IN FINANCIAL SUPPLY CHAIN DATA SECURITY
Abstract: In the context of digital transformation, Financial Supply Chain (FSC) in the banking sector has become increasingly digitized and interconnected among stakeholders, thereby amplifying cybersecurity risks to sensitive financial data. In response, artificial intelligence (AI) is being adopted as a core enabler to enhance data security and risk management within FSC. By enabling real-time data analytics, AI facilitates anomaly detection, fraud identification, and the prediction of potential threats with greater accuracy compared to traditional approaches. Moreover, AI supports the automation of control processes and decision-making, improving adaptability and reducing operational losses in a digital financial environment. As such, AI not only strengthens data protection but also plays a critical role in ensuring the stability and efficiency of FSC operations within the banking system.
Keywords: AI, FSC, data security, banking sector.
 |
| Ảnh minh họa (Nguồn: https://baochinhphu.vn/) |
1. Giới thiệu
Trong những năm gần đây, quá trình chuyển đổi số mạnh mẽ của ngành Ngân hàng đã làm thay đổi căn bản cách thức dữ liệu tài chính được tạo ra, xử lý và trao đổi trong các hệ thống liên kết. Trong bối cảnh đó, khái niệm FSC ngày càng được chú ý như một khuôn khổ quan trọng nhằm mô tả dòng chảy xuyên suốt của thông tin tài chính, bao gồm thanh toán, tài trợ thương mại và quản lý thanh khoản giữa nhiều chủ thể tham gia. Khi các ngân hàng ngày càng phụ thuộc vào hạ tầng số để vận hành FSC, khối lượng, tốc độ và mức độ nhạy cảm của dữ liệu tài chính gia tăng đáng kể, từ đó làm nổi bật các vấn đề liên quan đến bảo mật và quyền riêng tư dữ liệu.
Sự phụ thuộc ngày càng lớn vào dữ liệu đã khiến các tổ chức tài chính trở thành mục tiêu hàng đầu của các cuộc tấn công mạng, bao gồm rò rỉ dữ liệu, mã độc tống tiền, tấn công nội gián và các hình thức tấn công đối nghịch ngày càng tinh vi. Theo IBM Security (2023), ngành tài chính, ngân hàng liên tục nằm trong nhóm bị tấn công nhiều nhất, với chi phí trung bình của một vụ rò rỉ dữ liệu cao hơn đáng kể so với các ngành khác. Tương tự, Diễn đàn Kinh tế Thế giới (2023) nhấn mạnh rằng, rủi ro an ninh mạng là một trong những mối đe dọa toàn cầu hàng đầu đối với sự ổn định tài chính, đặc biệt trong các hệ sinh thái số có tính liên kết cao như hệ thống ngân hàng. Những rủi ro này càng trở nên nghiêm trọng trong FSC, nơi dữ liệu được trao đổi xuyên tổ chức, làm gia tăng bề mặt tấn công và độ phức tạp trong quản trị bảo mật.
Trước những thách thức đó, AI như một công cụ mang tính đột phá nhằm nâng cao năng lực an ninh mạng trong hệ thống ngân hàng. Khác với các hệ thống truyền thống dựa trên các quy tắc tĩnh, nó có khả năng phân tích khối lượng dữ liệu khổng lồ, nhận diện các hành vi sai lệch và dự báo các lỗ hổng tiềm ẩn trước khi chúng bị khai thác. AI không chỉ giúp phát hiện các cuộc tấn công lừa đảo hay phần mềm độc hại mà còn đóng vai trò quan trọng trong việc tối ưu hóa vốn lưu động và quản lý rủi ro tín dụng thông qua các mô hình dự báo chính xác (Osunkanmibi và cộng sự, 2025). Do đó, AI ngày càng được xem là yếu tố then chốt trong việc chuyển đổi từ mô hình bảo mật phản ứng sang mô hình bảo mật chủ động và thích ứng.
Tuy nhiên, bên cạnh những lợi ích nổi bật, việc tích hợp AI vào bảo mật dữ liệu tài chính cũng làm phát sinh nhiều loại rủi ro mới. Các hệ thống AI có thể bị tấn công thông qua các kỹ thuật tấn công như đối nghịch, đầu độc dữ liệu hoặc suy diễn ngược mô hình, từ đó làm suy giảm tính toàn vẹn của mô hình và làm lộ thông tin nhạy cảm. Đồng thời, việc sử dụng các tập dữ liệu tài chính quy mô lớn cũng đặt ra những thách thức nghiêm trọng về quyền riêng tư, tuân thủ quy định và quản trị đạo đức, đặc biệt trong bối cảnh các khuôn khổ pháp lý như Quy định chung về bảo vệ dữ liệu của Liên minh châu Âu (GDPR) hoặc các chuẩn mực ngày càng được siết chặt.
Bài viết này tập trung phân tích vai trò của AI trong việc bảo vệ dữ liệu tài chính nhạy cảm và tăng cường khả năng chống chịu của FSC. Nghiên cứu cung cấp cái nhìn tổng thể về cách AI đang tái định hình các chiến lược an ninh mạng trong bối cảnh số hóa. Việc tích hợp AI vào các quy trình quản lý tài chính không chỉ góp phần nâng cao mức độ an toàn thông tin mà còn cải thiện hiệu quả vận hành và tính minh bạch trong hệ thống tài chính, ngân hàng.
2. Đặc thù dữ liệu và rủi ro an ninh mạng của FSC trong ngành Ngân hàng
2.1. Đặc thù và tính nhạy cảm của dữ liệu FSC trong ngành Ngân hàng
FSC trong ngành Ngân hàng được đặc trưng bởi dòng chảy liên tục của dữ liệu tài chính giữa nhiều chủ thể, bao gồm ngân hàng, doanh nghiệp, tổ chức tài chính trung gian và các hệ thống thanh toán. Khác với các hệ thống thông tin nội bộ truyền thống, dữ liệu trong FSC mang tính liên tổ chức, được trao đổi xuyên biên giới và phụ thuộc vào nhiều nền tảng công nghệ khác nhau. Điều này làm gia tăng đáng kể mức độ phức tạp trong việc quản lý và bảo vệ dữ liệu. Trong hệ sinh thái này, dữ liệu đóng vai trò là "nhiên liệu" cho mọi quyết định chiến lược và vận hành. Dữ liệu trong FSC có độ nhạy cảm cao, khối lượng lớn, có tính thời gian thực, dị thể và phân tán (Osunkanmibi và cộng sự, 2025), bao gồm các dữ liệu liên quan đến thông tin giao dịch, dữ liệu tài khoản, hợp đồng tài chính, chứng từ thương mại (như hóa đơn, thư tín dụng) và thông tin khách hàng. Việc rò rỉ hoặc bị thao túng các loại dữ liệu này không chỉ gây thiệt hại tài chính trực tiếp mà còn ảnh hưởng nghiêm trọng đến uy tín và niềm tin của các tổ chức tài chính.
Các giao dịch tài chính diễn ra liên tục với tần suất cao, đòi hỏi hệ thống phải xử lý và kiểm soát dữ liệu gần như tức thời. Điều này làm giảm khả năng áp dụng các cơ chế kiểm soát thủ công và gia tăng sự phụ thuộc vào các giải pháp tự động hóa, đặc biệt là các hệ thống dựa trên AI. Hơn nữa, dữ liệu trong FSC được lưu trữ và xử lý trên nhiều hệ thống khác nhau, từ hệ thống ngân hàng lõi (Core Banking), nền tảng thanh toán, đến các ứng dụng công nghệ tài chính (Fintech) và dịch vụ bên thứ ba. Sự không đồng nhất về định dạng, tiêu chuẩn và giao thức truyền dữ liệu làm gia tăng rủi ro sai lệch, mất mát hoặc bị khai thác. FSC đòi hỏi mức độ chia sẻ dữ liệu cao nhưng vẫn phải đảm bảo quyền riêng tư. Các bên tham gia cần trao đổi thông tin để tối ưu hóa dòng tiền và quản lý rủi ro, tuy nhiên điều này lại mâu thuẫn với yêu cầu bảo mật và tuân thủ các quy định pháp lý của GDPR hoặc các chuẩn mực ngân hàng quốc tế.
Những đặc thù trên cho thấy dữ liệu trong FSC không chỉ là tài sản chiến lược mà còn là một điểm yếu về bảo mật, đòi hỏi các cơ chế bảo mật tiên tiến và linh hoạt hơn so với các hệ thống tài chính truyền thống.
2.2. Các mối đe dọa an ninh mạng truyền thống FSC trong ngành Ngân hàng
Các mối đe dọa về an ninh mạng và mất an toàn dữ liệu là những thách thức quan trọng trong FSC hiện đại, đặc biệt khi quá trình chuyển đổi số tiếp tục tăng cường khả năng kết nối giữa các bên liên quan. Các dữ liệu tài chính nhạy cảm trong FSC ngày càng gia tăng khiến chúng dễ bị tổn thương trước các mối đe dọa mạng như vi phạm dữ liệu, tấn công mã độc tống tiền và các mối đe dọa nội bộ. Theo Osunkanmibi và cộng sự (2025), các rủi ro chính bao gồm:
Vi phạm dữ liệu: Tin tặc khai thác các điểm yếu trong hạ tầng kỹ thuật số hoặc hệ thống lỗi thời để truy cập trái phép vào hồ sơ tài chính. Dữ liệu bị đánh cắp thường bị rao bán trên "web đen" (dark web) hoặc phục vụ cho hoạt động gián điệp. Theo IBM Security (2023), chi phí trung bình của một vụ rò rỉ dữ liệu trong ngành tài chính, ngân hàng thuộc nhóm cao nhất trong các lĩnh vực, phản ánh mức độ nghiêm trọng của rủi ro này.
Tấn công mã độc tống tiền: Đây là mối đe dọa đặc biệt nghiêm trọng do FSC phụ thuộc vào dòng dữ liệu liên tục để duy trì hiệu quả vận hành. Khi xâm nhập thành công, mã độc tống tiền sẽ mã hóa các dữ liệu quan trọng, đặc biệt là dữ liệu tài chính và dữ liệu nghiệp vụ, làm gián đoạn hoạt động của hệ thống và gây tổn thất tài chính do chi phí khôi phục, thời gian ngừng hoạt động và nguy cơ phải trả tiền chuộc.
Rủi ro từ bên thứ ba: Do FSC liên quan đến nhiều tổ chức và cá nhân có quyền truy cập dữ liệu, nguy cơ từ nội gián là đáng kể. Nhân viên hoặc đối tác có thể lạm dụng quyền truy cập để đánh cắp hoặc thao túng dữ liệu vì mục đích cá nhân hoặc tài chính. Đây là loại rủi ro khó phát hiện vì thường diễn ra trong phạm vi quyền hạn hợp pháp. Hơn nữa, các hệ thống ngân hàng thường tích hợp với nhiều nhà cung cấp dịch vụ bên thứ ba như Fintech, cổng thanh toán hoặc nền tảng dữ liệu. Điều này tạo ra các điểm yếu trong chuỗi cung ứng số, nơi kẻ tấn công có thể xâm nhập thông qua các đối tác có mức độ bảo mật thấp hơn. Diễn đàn Kinh tế Thế giới (2023) nhấn mạnh rằng, các cuộc tấn công FSC đang gia tăng và trở thành một trong những rủi ro hệ thống nghiêm trọng nhất.
Các vụ vi phạm an ninh mạng trong FSC có thể gây ra những tổn thất tài chính đáng kể cho doanh nghiệp. Các tổn thất này bao gồm thiệt hại trực tiếp như mất tài sản, chi phí trả tiền chuộc, chi phí khôi phục hệ thống, cũng như thiệt hại gián tiếp như suy giảm giá trị thị trường, mất niềm tin từ khách hàng và đối tác. Bên cạnh đó, các tổ chức tài chính, ngân hàng còn có thể đối mặt với hậu quả pháp lý do không tuân thủ các quy định GDPR (Hjerppe, Ruohonen và Leppänen, 2019). Những yếu tố này không chỉ làm gia tăng thiệt hại tài chính và uy tín mà còn có thể gây gián đoạn hoạt động của FSC.
3. Vai trò của AI trong việc bảo mật dữ liệu và tối ưu hóa hiệu suất FSC trong ngân hàng
Sự chuyển đổi từ các hệ thống phòng thủ thụ động sang mô hình an ninh chủ động đòi hỏi một cách tiếp cận đa tầng, nơi AI đóng vai trò là "bộ não" điều phối các công nghệ đột phá khác nhằm bảo vệ dữ liệu tài chính và tối ưu hóa dòng vốn lưu động.
3.1. Các cơ chế cốt lõi của AI trong bảo vệ dữ liệu nhạy cảm
Trong kỷ nguyên số hóa FSC, việc bảo vệ dữ liệu tài chính, ngân hàng có độ nhạy cảm cao đòi hỏi những phương thức tiếp cận thông minh hơn các hệ thống an ninh truyền thống. AI đóng vai trò là một giải pháp mang tính chuyển đổi, chuyển dịch trọng tâm từ phòng vệ thụ động dựa trên quy tắc sang bảo mật chủ động và linh hoạt thông qua các cơ chế then chốt sau:
Phát hiện đe dọa và phân tích bất thường theo thời gian thực: Khác với các hệ thống an ninh cổ điển thường dựa trên các tập quy tắc tĩnh dễ bị “vượt mặt” bởi các kỹ thuật tấn công tinh vi, AI tận dụng các thuật toán học máy để phân tích khối lượng dữ liệu khổng lồ luân chuyển trong FSC theo thời gian thực (Osunkanmibi và cộng sự, 2025). Hệ thống AI có khả năng giám sát liên tục lưu lượng mạng, nhật ký hệ thống và hoạt động của người dùng để phát hiện các dấu hiệu bất thường như khối lượng giao dịch đột biến hoặc các nỗ lực truy cập trái phép. Các mô hình AI tiên tiến có thể tự nhận diện những phương thức tấn công mới mà chưa có trong cơ sở dữ liệu đe dọa trước đó, giúp tổ chức luôn đi trước một bước và khi phát hiện bất thường, AI có thể kích hoạt các cảnh báo, thực hiện các phản hồi tự động để cô lập mối đe dọa trước khi nó kịp leo thang.
Phân tích dự báo và quản lý lỗ hổng chủ động: AI không chỉ phản ứng với các sự cố đã xảy ra mà còn tập trung vào việc dự đoán các điểm yếu tiềm tàng trong hạ tầng an ninh mạng. AI dự báo dựa trên dữ liệu lịch sử bằng cách phân tích các xu hướng tấn công trước đây kết hợp với dữ liệu tình báo về mối đe dọa; AI xây dựng các mô hình dự báo để đánh giá khả năng xảy ra của các cuộc tấn công cụ thể nhắm vào hệ thống tài chính; tối ưu hóa vá lỗi, hỗ trợ quản lý lỗ hổng bằng cách phân tích cấu hình hệ thống và hành vi người dùng, từ đó đề xuất các bản vá hoặc cấu hình lại hệ thống để đóng các lỗ hổng an ninh một cách kịp thời (Dissanayake, Jayatilaka, Zahedi và Babar, 2022). Điều này cho phép các ngân hàng phân bổ nguồn lực bảo mật một cách chiến lược hơn.
Phân tích hành vi và phát hiện đe dọa nội bộ: Mối đe dọa từ bên trong, dù là cố ý hay vô tình do sai sót của con người cũng là một trong những rủi ro lớn nhất đối với dữ liệu trong FSC. AI sử dụng phân tích hành vi để thiết lập các mô hình hoạt động chuẩn của nhân viên hoặc đối tác có quyền truy cập hợp pháp vào hệ thống, để tránh việc vô tình hoặc cố ý làm lộ dữ liệu quan trọng. Gắn cờ cảnh báo với bất kỳ sự sai lệch nào so với hồ sơ chuẩn, chẳng hạn như tải xuống dữ liệu quá mức, chuyển tập tin trái phép hoặc đăng nhập từ các vị trí bất thường đều bị hệ thống AI nhận diện là nguy cơ tiềm ẩn. Cơ chế này cũng cực kỳ hiệu quả trong việc phát hiện các tài khoản bị chiếm đoạt khi kẻ tấn công sử dụng thông tin đăng nhập đánh cắp được.
Kỹ thuật mật mã nâng cao và che giấu dữ liệu: AI tăng cường khả năng bảo vệ dữ liệu cả trong quá trình truyền tải lẫn lưu trữ thông qua các kỹ thuật mật mã hiện đại. Mã hóa động có thể điều chỉnh các giao thức mã hóa dựa trên mức độ nhạy cảm của dữ liệu và tính chất của mối đe dọa hiện hữu, tạo ra một rào cản gần như không thể giải mã đối với kẻ tấn công nếu không có khóa truy cập hợp lệ (Le và Shetty, 2022). Che giấu dữ liệu bằng AI giúp đảm bảo an toàn khi chia sẻ thông tin với bên thứ ba hoặc trong môi trường kiểm thử phần mềm, AI có khả năng tạo ra các bản sao dữ liệu giả định nhưng vẫn giữ nguyên đặc tính logic và thống kê của dữ liệu thật (Osunkanmibi và cộng sự, 2025). Điều này cho phép phân tích dữ liệu mà không làm lộ các bản ghi tài chính thực tế, giảm thiểu tối đa rủi ro rò rỉ thông tin. AI xử lý tự động hóa quản lý khóa giúp giảm thiểu sai sót của con người trong việc tạo, phân phối và lưu trữ các khóa mã hóa, đảm bảo tính bền vững của toàn bộ khung bảo mật.
3.2. Tối ưu hóa hiệu suất tài chính và giá trị kinh tế
Việc tích hợp AI vào quy trình bảo mật dữ liệu trong FSC không chỉ dừng lại ở chức năng phòng vệ an ninh mà còn đóng vai trò là động cơ chính để tối ưu hóa dòng vốn lưu động và gia tăng giá trị doanh nghiệp (Fathollah và Zargar, 2019). Thông qua việc đảm bảo tính toàn vẹn và minh bạch của dữ liệu, AI cho phép các tổ chức chuyển đổi từ quản lý cục bộ sang một mô hình hợp tác toàn diện, giúp giảm thiểu chi phí giao dịch và cải thiện đáng kể các chỉ số tài chính cốt lõi.
AI giúp rút tối ưu hóa dòng tiền thông qua các mô hình dự báo chính xác nhu cầu thanh khoản trong ngắn hạn và dài hạn. Chu kỳ dòng tiền là một trong những chỉ số quan trọng nhất để đánh giá hiệu quả của FSC (Popa, 2013). AI tác động trực tiếp lên các thành phần của chu kỳ này bằng cách phân tích dữ liệu lịch sử giao dịch, hành vi khách hàng và các yếu tố thị trường, giúp các ngân hàng điều chỉnh dòng tiền một cách linh hoạt, giảm thiểu tình trạng thiếu hụt hoặc dư thừa vốn, đồng thời hỗ trợ giảm chi phí vận hành thông qua tự động hóa các quy trình tài chính. Các hệ thống AI có thể xử lý các tác vụ lặp lại như đối soát giao dịch, kiểm tra chứng từ và xử lý thanh toán với tốc độ cao và độ chính xác lớn, từ đó giảm thiểu chi phí nhân sự và sai sót vận hành.
Một trong những đổi mới quan trọng trong FSC là việc ứng dụng AI vào giải pháp Chiết khấu ngược (Reverse Factoring). Đây là hình thức tài trợ mà ngân hàng thanh toán sớm cho nhà cung cấp dựa trên uy tín tín dụng của người mua, giúp nhà cung cấp cải thiện dòng tiền trong khi người mua vẫn được hưởng thời hạn thanh toán theo thỏa thuận. Trong mô hình này, AI xác minh tính xác thực của hóa đơn điện tử, phát hiện gian lận, từ đó làm giảm rủi ro giao dịch, tạo điều kiện để các bên tiếp cận nguồn tài trợ với mức lãi suất ưu đãi hơn (Osunkanmibi và cộng sự, 2025).
Bên cạnh đó, AI giám sát liên tục các dòng dữ liệu tài chính nhằm phát hiện sớm nguy cơ suy giảm thanh khoản của các đối tác, giúp doanh nghiệp chủ động quản trị rủi ro và duy trì tính liên tục của FSC (Fathollah và Zargar, 2019). AI cũng hỗ trợ tối ưu hóa các quyết định tín dụng và tài trợ thương mại thông qua phân tích dữ liệu đa chiều, giúp đánh giá rủi ro tín dụng chính xác hơn, từ đó nâng cao hiệu quả ra quyết định, giảm tỷ lệ nợ xấu và cải thiện hiệu quả hoạt động của ngân hàng.
Ngoài ra, AI đóng vai trò quan trọng trong việc tạo ra giá trị kinh tế trong FSC thông qua khả năng khai thác dữ liệu và tối ưu hóa hoạt động. Cụ thể, AI giúp gia tăng giá trị thông tin bằng cách phân tích dữ liệu quy mô lớn để hỗ trợ ra quyết định tài chính hiệu quả hơn, từ đó tạo lợi thế cạnh tranh cho các ngân hàng (Brynjolfsson và McAfee, 2017). Đồng thời, AI thúc đẩy tăng trưởng doanh thu thông qua cá nhân hóa dịch vụ tài chính, nâng cao trải nghiệm khách hàng và hỗ trợ phát triển các mô hình kinh doanh mới như tài trợ chuỗi cung ứng dựa trên dữ liệu, giúp giảm bất cân xứng thông tin và cải thiện khả năng tiếp cận vốn (Davenport và Ronanki, 2018).
4. Thách thức và giải pháp của việc triển khai AI trong FSC
4.1. Thách thức
Mặc dù AI có hiệu quả trong việc bảo vệ dữ liệu và đem lại giá trị kinh tế, tuy nhiên, việc áp dụng công nghệ này trong FSC cũng không tránh khỏi các rào cản đáng kể về kỹ thuật, kinh tế và đạo đức.
Các hệ thống AI vẫn tồn tại những lỗ hổng nội tại trong mô hình và thuật toán, khiến chúng trở thành mục tiêu của nhiều hình thức tấn công mạng đặc thù. Trước hết, kỹ thuật tấn công đối nghịch (Adversarial Attack) cho phép kẻ tấn công thực hiện những thay đổi rất nhỏ đối với dữ liệu đầu vào nhằm đánh lừa mô hình, khiến hệ thống đưa ra các quyết định sai lệch (Osunkanmibi và cộng sự, 2025). Bên cạnh đó, đầu độc dữ liệu (Data Poisoning) trong giai đoạn huấn luyện là một hình thức tấn công vào hệ thống AI, có thể làm suy giảm độ tin cậy của mô hình, dẫn đến việc bỏ sót phần mềm độc hại hoặc chấp thuận các giao dịch gian lận (Kezron, 2024). Ngoài ra, hiện tượng suy giảm mô hình (Model Drift) xảy ra khi đặc điểm của dữ liệu thực tế thay đổi theo thời gian, khiến hiệu suất của hệ thống AI giảm dần và tạo cơ hội cho các hành vi khai thác (Kezron, 2024). Cuối cùng, quá khớp (Overfitting) là hiện tượng mô hình học quá chi tiết từ dữ liệu huấn luyện, bao gồm cả những đặc điểm ngẫu nhiên và nhiễu, thay vì các quy luật chung. Điều này khiến mô hình hoạt động tốt trên dữ liệu đã học nhưng giảm khả năng tổng quát hóa đối với dữ liệu mới, từ đó làm hạn chế hiệu quả trong việc phát hiện các mối đe dọa hoặc biến thể tấn công chưa từng xuất hiện (Wang, Tang, Leng và Yu, 2025).
Dữ liệu đóng vai trò nền tảng đối với hiệu quả của các hệ thống AI, đồng thời cũng đặt ra nhiều thách thức liên quan đến quản trị dữ liệu và quyền riêng tư. Trước hết, hiện tượng cô lập dữ liệu (data silo) giữa các tác nhân trong FSC làm hạn chế khả năng chia sẻ và tích hợp dữ liệu, từ đó ảnh hưởng đến quá trình huấn luyện và khả năng tổng quát hóa của các mô hình học máy. Bên cạnh đó, xung đột lợi ích thương mại khiến nhiều ngân hàng lớn không sẵn sàng chia sẻ các bộ dữ liệu chất lượng cao nhằm bảo vệ lợi thế cạnh tranh, qua đó tạo ra khoảng cách công nghệ giữa các ngân hàng lớn và nhỏ. Ngoài ra, tính thiếu minh bạch của các hệ thống AI hộp đen (Black-box AI) có thể dẫn đến việc duy trì các định kiến thuật toán, làm phát sinh các kết quả sai lệch hoặc những quyết định thiếu công bằng trong quá trình đánh giá rủi ro tài chính (Wang, Tang, Leng và Yu, 2025).
Việc triển khai các hệ thống AI trong FSC phải đối mặt với nhiều rào cản về kinh tế và nguồn nhân lực. Chi phí đầu tư cho cơ sở hạ tầng, phần mềm và hoạt động vận hành các hệ thống AI thường rất lớn, vượt quá khả năng của nhiều tổ chức. Ngoài ra, sự thiếu hụt nguồn nhân lực có chuyên môn kết hợp giữa phát triển AI và an ninh mạng cũng là một thách thức đáng kể, làm hạn chế khả năng triển khai, vận hành và bảo mật hiệu quả các giải pháp AI trong thực tiễn (Osunkanmibi và cộng sự, 2025).
Việc triển khai các giải pháp AI trong FSC vẫn đối mặt với nhiều hạn chế về vận hành và khung pháp lý. Trước hết, việc tích hợp các cơ chế bảo mật như mã hóa và công nghệ chuỗi khối (Blockchain) làm gia tăng chi phí tính toán, dẫn đến sự đánh đổi về hiệu suất, chẳng hạn như kéo dài thời gian huấn luyện mô hình và giảm tốc độ suy luận. Bên cạnh đó, khả năng mở rộng cũng là một thách thức khi các kiến trúc phân tán phải xử lý khối lượng lớn dữ liệu và giao dịch trong môi trường AI thời gian thực (Kezron, 2024). Ngoài ra, tại nhiều quốc gia, khung pháp lý vẫn chưa công nhận đầy đủ giá trị pháp lý của các giao dịch ngân hàng điện tử và tài liệu số, làm hạn chế khả năng tự động hóa toàn diện các quy trình trong FSC (Popa, 2013).
4.2. Giải pháp
Để tối ưu hóa lợi ích của AI và giảm thiểu các rủi ro tiềm ẩn, cần triển khai một khung giải pháp đa tầng kết hợp giữa công nghệ, cơ chế tài chính và quản trị nguồn nhân lực.
Thứ nhất, về giải pháp kỹ thuật, các ngân hàng cần áp dụng các công nghệ bảo mật tiên tiến nhằm bảo vệ tính toàn vẹn và quyền riêng tư của dữ liệu. Việc triển khai học liên kết (Federated Learning - FL) cho phép huấn luyện mô hình trên dữ liệu phân tán mà không cần chia sẻ dữ liệu thô, từ đó giảm nguy cơ rò rỉ thông tin nhạy cảm và giải quyết vấn đề cô lập dữ liệu. Đồng thời, các kỹ thuật như huấn luyện đối nghịch (Adversarial training) có thể được sử dụng để tăng cường khả năng chống chịu của mô hình trước các cuộc tấn công đối nghịch, trong khi Blockchain hỗ trợ đảm bảo tính minh bạch và bất biến của dữ liệu huấn luyện.
Thứ hai, để khắc phục các xung đột lợi ích và thiếu minh bạch trong hệ thống AI, các ngân hàng cần áp dụng cách tiếp cận tích hợp giữa công nghệ và quản trị dữ liệu. Việc kết hợp các cơ chế bảo mật nâng cao như tính toán đa bên an toàn hoặc các khuôn khổ chia sẻ dữ liệu có kiểm soát có thể giúp cân bằng giữa bảo vệ lợi thế cạnh tranh và khai thác giá trị dữ liệu chung trong FSC. Bên cạnh đó, để xử lý hạn chế của mô hình AI hộp đen, các ngân hàng cần tích hợp các kỹ thuật AI có khả năng giải thích (Explainable AI - XAI) nhằm nâng cao tính minh bạch, khả năng kiểm toán và tuân thủ quy định trong các quyết định tài chính (Černevičienė và Kabašinskas, 2024). Ngoài ra, các nghiên cứu gần đây cho thấy việc kết hợp FL với XAI không chỉ cải thiện khả năng bảo vệ dữ liệu mà còn tăng độ tin cậy và chất lượng dự báo trong các ứng dụng tài chính (Aljunaid, Almheiri, Dawood, và Khan, 2025).
Thứ ba, về quản trị và nguồn nhân lực, các tổ chức cần thiết lập hệ thống giám sát liên tục nhằm phát hiện hiện tượng sự suy giảm mô hình và cập nhật mô hình kịp thời để thích ứng với các mối đe dọa mới. Đồng thời, việc đào tạo nhân viên về kỹ năng sử dụng AI an toàn và nâng cao nhận thức về an ninh mạng là yếu tố quan trọng nhằm giảm thiểu rủi ro từ lỗi con người.
Thứ tư, về khung pháp lý và tiêu chuẩn hóa, cần xây dựng các tiêu chuẩn chung về quản trị và chia sẻ dữ liệu nhằm phá vỡ các “đảo dữ liệu” trong FSC. Bên cạnh đó, cơ quan quản lý cần hoàn thiện quy định về quản trị AI và thực thi nghiêm các luật bảo vệ dữ liệu như GDPR trong bối cảnh giao dịch số xuyên biên giới.
Tổng thể, việc khắc phục các thách thức trong triển khai AI đòi hỏi một chiến lược toàn diện, kết hợp giữa đổi mới công nghệ và hoàn thiện khung quản trị nhằm xây dựng một hệ sinh thái FSC an toàn, minh bạch và bền vững.
5. Kết luận
AI đã trở thành nền tảng chiến lược trong việc bảo mật dữ liệu và duy trì tính liên tục của FSC, cho phép chuyển từ mô hình phòng thủ thụ động sang phát hiện và dự báo mối đe dọa theo thời gian thực. Việc kết hợp AI với các công nghệ mới sẽ góp phần xây dựng khung bảo mật đa tầng, nâng cao khả năng phát hiện rủi ro và bảo vệ dữ liệu. Đồng thời, AI còn cải thiện hiệu quả tài chính thông qua dự báo và đánh giá tín dụng chính xác hơn, hỗ trợ các ngân hàng giảm chi phí và tối ưu quy trình. Trong tương lai, cùng với sự phát triển của các công nghệ bảo mật mới, AI được kỳ vọng sẽ đóng vai trò trung tâm trong việc xây dựng một hệ sinh thái FSC an toàn, minh bạch và bền vững.
Tài liệu tham khảo
1. Aljunaid, S. K., Almheiri, S. J., Dawood, H., & Khan, M. A. (2025), Secure and Transparent Banking: Explainable AI-Driven Federated Learning Model for Financial Fraud Detection. Journal of Risk and Financial.
2. Brynjolfsson, E., & McAfee, A. (2017), Machine, platform, crowd: Harnessing our digital future. W. W. Norton & Company.
3. Černevičienė, J., & Kabašinskas, A. (2024), Explainable artificial intelligence (XAI) in finance: a systematic literature review. Artificial Intelligence Review .
4. Davenport, T. H., & Ronanki, R. (2018), Artificial intelligence for the real world. Harvard Business Review, 108–116.
5. Dissanayake, N., Jayatilaka, A., Zahedi, M., & Babar, M. (2022), An empirical study of automation in software security patch management. Proceedings of the 37th IEEE/ACM International Conference on Automated Software Engineering, 1-13.
6. Fathollah, M., & zargar, H. (2019), Development of Financial Supply Chain Management and Supply Chain Finance Model. Research Journal of Finance and Accounting.
7. Hjerppe, K., Ruohonen, J., & Leppänen, V. (2019), The general data protection regulation: requirements, architectures, and constraints. International Requirements Engineering Conference (RE), 265-275.
8. IBM Security (2023), Cost of a Data Breach Report. IBM.
9. Kezron, I. E. (2024), Securing the AI supply chain: Mitigating vulnerabilities in AI model development and deployment. World Journal of Advanced Research and Reviews, 2336-2346.
10. Le, T., & Shetty, S. (2022), Artificial intelligence-aided privacy preserving trustworthy computation and communication. in 5G-based IoT networks.
11. Osunkanmibi, A. A., Adeoye, Y., Ogunyankinnu, T., Onotole, E. F., Salawudeen, M. D., Abubakar, M. A., & Bello, A. D. (2025), Cybersecurity and Data Protection in Supply Chains: AI's Role in Protecting Sensitive Financial Data across Supply Chains. International Journal of Multidisciplinary Research and Growth Evaluation, 266-276.
12. Popa, V. (2013), The Financial Supply Chain Management: a New Solution for Supply Chain Resilience. Amfiteatru Economic, 140-153.
13. Wang, H., Tang, H., Leng, N., & Yu, Z. (2025), A Machine Learning-Based Study on the Synergistic Optimization of Supply Chain Management and Financial Supply Chains from an Economic Perspective. DOI:10.48550/arXiv.2509.03673.
14. World Economic Forum (2023), Global Risks Report 2023.
15. Zimba, A., & Chishimba, M. (2019), On the economic impact of crypto-ransomware attacks: The state of the art on enterprise systems. European Journal for Security Research, 3-31.
