Ứng dụng AI tạo sinh tại các ngân hàng thương mại Việt Nam - Thực trạng và giải pháp

Tóm tắt: AI nói chung và GenAI nói riêng đang trở thành công nghệ mang tính đột phá, góp phần định hình lại hoạt động của ngành Ngân hàng. Với khả năng tạo lập nội dung, tổng hợp thông tin và mô phỏng hành vi ra quyết định, GenAI hứa hẹn sẽ giúp các ngân hàng thương mại (NHTM) nâng cao hiệu quả vận hành, tối ưu hóa chi phí, cải thiện trải nghiệm khách hàng và quản trị rủi ro tốt hơn. Bài viết sử dụng phương pháp phân tích để đánh giá việc ứng dụng GenAI tại các NHTM ở Việt Nam. Từ đó, đề xuất một số giải pháp nhằm thúc đẩy ứng dụng GenAI hiệu quả trong hoạt động ngân hàng.

Từ khóa: AI, GenAI, ngân hàng thương mại.

GENERATIVE AI APPLICATIONS AT VIETNAMESE COMMERCIAL BANKS - CURRENT SITUATION AND SOLUTIONS

Abstract: Artificial intelligence (AI) in general and generative artificial intelligence (GenAI) in particular are becoming breakthrough technologies, contributing to reshaping the operations of the banking industry. With the ability to create content, synthesize information and simulate decision-making behavior, GenAI promises to help commercial banks improve operational efficiency, optimize costs, improve customer experience and better manage risks. The article uses an analytical method to evaluate the application of GenAI at commercial banks in Vietnam. Thereby, the author proposes a number of solutions to promote effective GenAI application in the Vietnamese commercial banking system.

Keywords: AI, GenAI, commercial banks.

Ảnh minh họa (Nguồn: Internet)

1. Đặt vấn đề

Trong bối cảnh chuyển đổi số diễn ra sâu rộng trên toàn cầu, cá nhân hóa dịch vụ khách hàng đang nổi lên như một yếu tố cạnh tranh then chốt trong ngành Ngân hàng. Việc cung cấp sản phẩm tài chính đại trà, thiếu tính linh hoạt và phù hợp với từng đối tượng khách hàng, đang dần trở nên lỗi thời. Các ngân hàng hiện đại, đặc biệt là những tổ chức đi đầu trong chuyển đổi số, đang tập trung vào việc hiểu sâu sắc hành vi, nhu cầu và mục tiêu tài chính của từng cá nhân nhằm cung cấp các giải pháp, sản phẩm và dịch vụ tối ưu nhất. Tại Việt Nam, xu hướng này cũng đang được đẩy mạnh trong hệ thống NHTM - nơi đang chứng kiến sự cạnh tranh ngày càng gay gắt giữa các ngân hàng nội địa và ngân hàng nước ngoài, cùng sự thay đổi mạnh mẽ trong hành vi tiêu dùng tài chính của khách hàng.

Theo báo cáo của Forrester (2024), có tới 72% khách hàng tin rằng giá trị của sản phẩm hoặc dịch vụ tăng lên đáng kể khi được điều chỉnh phù hợp với nhu cầu cá nhân. Điều này cho thấy rằng trong kỷ nguyên số, khách hàng không chỉ quan tâm đến yếu tố chất lượng dịch vụ hay mức lãi suất, mà còn đề cao trải nghiệm cá nhân hóa và sự thấu hiểu từ phía ngân hàng. Việc ngân hàng có thể cung cấp các khuyến nghị tài chính, gói sản phẩm tiết kiệm hoặc tín dụng dựa trên hồ sơ tài chính và hành vi tiêu dùng riêng biệt đã trở thành yếu tố quyết định lòng trung thành của khách hàng. Ngược lại, thiếu sự cá nhân hóa có thể khiến khách hàng dễ dàng chuyển đổi sang ngân hàng khác có trải nghiệm số tốt hơn - điều đang diễn ra phổ biến trong các NHTM hiện nay.

Trong bối cảnh đó, GenAI đang mở ra một kỷ nguyên mới cho cá nhân hóa trong lĩnh vực tài chính - ngân hàng. Không chỉ dừng lại ở khả năng tự động hóa hay phân tích dữ liệu như các công nghệ AI truyền thống, GenAI mang đến năng lực sáng tạo, mô phỏng và tương tác tự nhiên với con người, cho phép ngân hàng hiểu khách hàng sâu hơn và phục vụ hiệu quả hơn. GenAI có thể tổng hợp thông tin từ nhiều nguồn dữ liệu, học hỏi từ các tương tác trong quá khứ, từ đó tạo ra các khuyến nghị, nội dung và dịch vụ tài chính được thiết kế riêng biệt cho từng cá nhân. Đặc biệt, sự phát triển của các mô hình ngôn ngữ lớn (LLMs), mô hình khuếch tán (Diffusion Models) và công nghệ xử lý ngôn ngữ tự nhiên (NLP) đã giúp GenAI đạt đến trình độ có thể hỗ trợ con người trong quá trình ra quyết định tài chính phức tạp.

Sự phát triển nhanh chóng của công nghệ chuyển đổi văn bản thành hình ảnh, video hay nội dung có độ phân giải cao cũng đang góp phần thúc đẩy nhu cầu ứng dụng GenAI trong lĩnh vực ngân hàng. Những công nghệ này cho phép ngân hàng tạo ra các chiến dịch truyền thông, tài liệu hướng dẫn, hoặc các công cụ mô phỏng tài chính được cá nhân hóa theo hồ sơ khách hàng. Song song với đó, quá trình hiện đại hóa quy trình làm việc thông qua tự động hóa và giám sát từ xa đang diễn ra mạnh mẽ ở nhiều ngân hàng, giúp tối ưu hóa chi phí vận hành và giảm thiểu sai sót con người.

Tại Việt Nam, một số ngân hàng tiên phong như NHTM cổ phần Kỹ thương (Techcombank), NHTM cổ phần Quân đội (MB), NHTM cổ phần Tiên Phong (TPBank), NHTM cổ phần Ngoại thương Việt Nam (Vietcombank) và NHTM cổ phần Đầu tư và Phát triển Việt Nam (BIDV) đã bắt đầu thử nghiệm các mô hình AI và GenAI trong một số hoạt động cụ thể như tư vấn tài chính, chăm sóc khách hàng tự động, phân tích dữ liệu giao dịch và tối ưu hóa quy trình nội bộ. Đây là những tiền đề quan trọng để các NHTM có thể tận dụng sức mạnh của GenAI trong việc đổi mới mô hình kinh doanh, nâng cao năng lực cạnh tranh và hướng tới phát triển bền vững.

2. Khái quát về GenAI

2.1. Khái niệm và đặc điểm GenAI

GenAI là một nhánh tiên tiến của AI, được thiết kế nhằm tạo ra nội dung mới có tính sáng tạo và chân thực dựa trên dữ liệu đầu vào đã được huấn luyện. Khác với các hệ thống AI truyền thống chỉ có khả năng phân tích và dự đoán trên cơ sở dữ liệu sẵn có, GenAI có năng lực tạo ra các sản phẩm đầu ra hoàn toàn mới như văn bản, hình ảnh, video, âm thanh, mã nguồn, mô hình 3D hay thiết kế sáng tạo. Bản chất của GenAI nằm ở khả năng học sâu (Deep Learning) thông qua các mạng nơ-ron nhân tạo, đặc biệt là các mô hình ngôn ngữ lớn hoặc các mô hình khuếch tán, giúp máy tính có thể hiểu và mô phỏng tư duy sáng tạo của con người.

Trong lĩnh vực ngân hàng, GenAI được xem là bước tiến mang tính cách mạng, mở rộng phạm vi ứng dụng của AI từ các tác vụ phân tích dữ liệu truyền thống sang các hoạt động sáng tạo, tương tác và ra quyết định tự động. Nếu trước đây AI chủ yếu được sử dụng để dự báo rủi ro tín dụng, phát hiện gian lận, hoặc tự động hóa quy trình nghiệp vụ, thì nay với GenAI, ngân hàng có thể tạo lập các báo cáo tự động, xây dựng chiến lược tiếp thị cá nhân hóa, thiết kế sản phẩm tài chính mới, và phát triển giao diện tương tác thông minh với khách hàng. Nhờ khả năng tạo nội dung có ngữ cảnh và linh hoạt, GenAI đang trở thành một công cụ chiến lược trong chuyển đổi số của NHTM.

Về mặt kỹ thuật, các mô hình GenAI hoạt động dựa trên cơ chế học không giám sát hoặc học bán giám sát từ các tập dữ liệu khổng lồ chưa được gán nhãn. Quá trình huấn luyện này giúp mô hình học được cấu trúc, ngữ nghĩa và mối quan hệ tiềm ẩn trong dữ liệu, từ đó tạo ra các đầu ra mới bằng cách mô phỏng xác suất phân phối của dữ liệu gốc. Cụ thể, khi người dùng nhập yêu cầu, GenAI sẽ phân tích ngữ cảnh, truy xuất thông tin đã học và tạo ra phản hồi mới dựa trên các mô hình xác suất. Chính nhờ khả năng “hiểu ngữ cảnh” và “sáng tạo” này, GenAI có thể được xem như một hệ thống cộng tác trí tuệ giữa con người và máy tính, nơi AI không chỉ hỗ trợ mà còn đồng sáng tạo với con người trong quá trình ra quyết định.

Một đặc điểm nổi bật của GenAI là tính đa phương thức (multimodal) - khả năng xử lý và tạo ra nhiều loại dữ liệu khác nhau như văn bản, hình ảnh, âm thanh, và video trong cùng một hệ thống. Điều này mở ra những tiềm năng lớn cho ngành Ngân hàng, đặc biệt trong trải nghiệm khách hàng và phát triển sản phẩm tài chính số. Ví dụ, một hệ thống GenAI có thể tự động phân tích nhu cầu của khách hàng dựa trên các cuộc trò chuyện, hành vi giao dịch hoặc dữ liệu mạng xã hội, từ đó gợi ý sản phẩm phù hợp, đồng thời tạo ra nội dung quảng cáo và thiết kế hình ảnh mang tính cá nhân hóa cao. Bên cạnh đó, khả năng tạo mã tự động của GenAI cũng hỗ trợ đáng kể cho các nhóm công nghệ trong việc phát triển, kiểm thử và bảo trì hệ thống ngân hàng lõi, giúp rút ngắn chu kỳ triển khai sản phẩm và giảm thiểu rủi ro kỹ thuật.

Một trong những ưu điểm cốt lõi của GenAI trong lĩnh vực ngân hàng là khả năng học hỏi liên tục và tự thích ứng với các thay đổi của thị trường. Do được huấn luyện trên các tập dữ liệu mở và thường xuyên được cập nhật, GenAI có thể nhanh chóng phản ánh các xu hướng kinh tế - tài chính, hành vi tiêu dùng và rủi ro mới xuất hiện. Điều này đặc biệt quan trọng trong bối cảnh ngân hàng số đang cạnh tranh gay gắt, đòi hỏi các tổ chức tài chính phải đổi mới sản phẩm, tối ưu dịch vụ và cá nhân hóa trải nghiệm khách hàng trong thời gian ngắn nhất. Ngoài ra, GenAI còn giúp hợp lý hóa quá trình ra quyết định nội bộ, thông qua việc tổng hợp, phân tích và trình bày thông tin dưới dạng các báo cáo tóm tắt hoặc mô phỏng tình huống, hỗ trợ ban lãnh đạo trong công tác hoạch định chiến lược.

2.2. Phân biệt GenAI và AI truyền thống

GenAI đại diện cho một bước tiến vượt bậc trong sự phát triển của AI, đánh dấu sự chuyển đổi từ mô hình phân tích và dự đoán sang mô hình sáng tạo và tự sinh dữ liệu mới. Nếu như AI truyền thống chủ yếu hoạt động dựa trên việc nhận diện mẫu, phân tích dữ liệu quá khứ và đưa ra dự đoán cho tương lai, thì GenAI có khả năng tạo ra nội dung mới, độc đáo và phù hợp với từng ngữ cảnh cụ thể. Điểm khác biệt then chốt nằm ở khả năng của GenAI trong việc tái cấu trúc thông tin và sáng tạo đầu ra mới dựa trên dữ liệu đã được huấn luyện, thay vì chỉ phản hồi theo các quy tắc hoặc mô hình được định sẵn (AWS, 2024). Điều này giúp GenAI trở thành một công cụ có tính sáng tạo và thích ứng cao, mở ra nhiều hướng ứng dụng mới trong lĩnh vực tài chính - ngân hàng, đặc biệt trong bối cảnh chuyển đổi số toàn diện hiện nay.

Trong khi các hệ thống AI truyền thống thường hoạt động theo nguyên tắc xử lý dữ liệu đầu vào sau đó phân tích và đưa ra kết quả dự đoán hoặc phân loại, thì GenAI lại dựa trên cơ chế học sâu không giám sát để hiểu và mô phỏng cấu trúc dữ liệu, từ đó tạo sinh đầu ra mới. Về mặt kỹ thuật, các mô hình AI truyền thống thường sử dụng mạng nơ-ron tích chập (CNN) và mạng nơ-ron hồi quy (RNN) để nhận diện hình ảnh, xử lý chuỗi dữ liệu và dự báo các biến số trong tương lai. Ngược lại, GenAI được phát triển dựa trên các kiến trúc mạng tiên tiến hơn như Transformers, Generative Adversarial Networks (GANs) và Variational Autoencoders (VAEs), cho phép nó học sâu hơn về ngữ cảnh, mối quan hệ giữa các phần tử dữ liệu và khả năng sáng tạo nội dung mới mẻ. Chính sự khác biệt này đã làm thay đổi căn bản cách thức AI được ứng dụng trong hoạt động của NHTM.

Trong lĩnh vực ngân hàng, AI truyền thống chủ yếu được ứng dụng vào phân tích dữ liệu và dự đoán hành vi, ví dụ như đánh giá tín dụng, phát hiện gian lận giao dịch, hoặc tự động hóa quy trình nội bộ (RPA). Các mô hình này thường tuân thủ một bộ quy tắc được xác định rõ ràng, đảm bảo tính chính xác và ổn định trong các quyết định mang tính định lượng. Trong khi đó, GenAI lại thể hiện ưu thế vượt trội trong các hoạt động đòi hỏi sự tương tác và sáng tạo, chẳng hạn như cá nhân hóa dịch vụ khách hàng, thiết kế sản phẩm tài chính, hoặc tạo lập nội dung tiếp thị tự động. Theo Hekate (2024), GenAI trong ngân hàng đang được xem như “một đối tác hỗ trợ thông minh”, có khả năng kết hợp dữ liệu hành vi khách hàng, xu hướng thị trường và mục tiêu kinh doanh để đưa ra các gợi ý và giải pháp tài chính mang tính cá nhân hóa cao. Chẳng hạn, thay vì chỉ cung cấp các báo cáo định dạng sẵn, GenAI có thể tự động tạo báo cáo tài chính cá nhân, gợi ý chiến lược đầu tư hoặc tối ưu hóa danh mục chi tiêu dựa trên dữ liệu thực tế của từng khách hàng.

Một điểm khác biệt quan trọng nữa giữa GenAI và AI truyền thống nằm ở mức độ tương tác với người dùng. Trong khi AI truyền thống phản hồi các yêu cầu dựa trên dữ liệu được nhập vào và tuân theo quy tắc cứng nhắc, GenAI lại hoạt động dựa trên lời nhắc (prompt) - tức yêu cầu mang tính mở của người dùng, và có thể lặp lại quá trình tạo sinh nhiều lần để tìm ra kết quả phù hợp nhất. Điều này tạo ra sự linh hoạt, thích ứng và “con người hóa” trong tương tác, giúp khách hàng cảm nhận được tính cá nhân và tự nhiên khi làm việc với hệ thống ngân hàng số.

Tuy nhiên, cả hai loại AI đều có điểm mạnh và giới hạn riêng, tùy thuộc vào mục tiêu ứng dụng. AI truyền thống vẫn giữ vai trò quan trọng trong các quy trình có tính chuẩn hóa cao và yêu cầu độ chính xác tuyệt đối, chẳng hạn như kiểm soát rủi ro, kế toán, hoặc định lượng tài chính. Trong khi đó, GenAI phù hợp hơn với các lĩnh vực yêu cầu sáng tạo, ngữ cảnh và sự thích ứng linh hoạt, như marketing, truyền thông, tư vấn đầu tư, hoặc phát triển sản phẩm mới. Khi được kết hợp hợp lý, hai hướng tiếp cận này có thể bổ trợ lẫn nhau, tạo ra hệ sinh thái AI toàn diện giúp ngân hàng nâng cao hiệu quả vận hành, đổi mới sản phẩm và tối ưu hóa trải nghiệm khách hàng.

2.3. Ứng dụng của GenAI trong ngân hàng

Chatbot và trợ lý ảo thông minh: Một trong những ứng dụng nổi bật nhất của GenAI trong ngân hàng là phát triển Chatbot và trợ lý ảo thông minh. Nếu như Chatbot truyền thống chủ yếu hoạt động theo kịch bản định sẵn, chỉ có thể phản hồi các câu hỏi thường gặp, thì Chatbot được tích hợp GenAI có khả năng hiểu ngữ cảnh hội thoại, ghi nhớ lịch sử tương tác và tạo phản hồi tự nhiên, mang tính cá nhân hóa cao. GenAI giúp Chatbot không chỉ trả lời câu hỏi, mà còn tư vấn, đề xuất sản phẩm và hỗ trợ tài chính dựa trên hành vi, sở thích, lịch sử giao dịch của từng khách hàng. Ở mức độ nâng cao hơn, GenAI còn cho phép khách hàng trải nghiệm hội thoại liền mạch đa kênh, từ trò chuyện trực tuyến, email cho tới giọng nói, với khả năng phản hồi theo thời gian thực và mang tính “người hóa” cao. Điều này giúp ngân hàng xây dựng mối quan hệ sâu sắc hơn với khách hàng, đồng thời giảm tải khối lượng công việc cho nhân viên chăm sóc khách hàng, tối ưu hóa chi phí vận hành và nâng cao năng lực cạnh tranh (Hekate, 2024).

Ứng dụng trong thiết kế tạo sinh: Sự phát triển của Avatar AI - các mô hình nhân vật 2D hoặc 3D được tạo bởi công nghệ học sâu, đánh dấu bước tiến mới trong việc con người hóa tương tác giữa khách hàng và ngân hàng. Thông qua các mô hình AI tạo sinh, các Avatar này có thể mô phỏng ngữ điệu, cảm xúc và hành vi của con người, giúp quá trình giao tiếp trở nên tự nhiên và thân thiện hơn. Avatar AI có thể thay thế vai trò của nhân viên tư vấn truyền thống trong một số hoạt động như hướng dẫn sử dụng dịch vụ, tư vấn sản phẩm tài chính hoặc giải đáp thắc mắc của khách hàng. Với khả năng hoạt động 24/7 và tương tác đa ngôn ngữ, Avatar AI giúp ngân hàng vượt qua giới hạn về thời gian và không gian, mang lại sự tiện lợi tối đa cho khách hàng ở mọi khu vực. Đồng thời, việc ứng dụng Avatar AI còn góp phần xây dựng hình ảnh ngân hàng hiện đại, sáng tạo và lấy khách hàng làm trung tâm.

Ứng dụng trong bán hàng số (Digital Sales): GenAI đang thay đổi cách thức các ngân hàng tiếp cận khách hàng thông qua bán hàng số và marketing siêu cá nhân hóa. Dựa trên khả năng phân tích hành vi và dữ liệu giao dịch, GenAI có thể tự động tạo nội dung tiếp thị, thiết kế chiến dịch quảng bá hoặc gợi ý sản phẩm phù hợp với từng khách hàng riêng lẻ. Thay vì áp dụng một chiến lược tiếp thị chung cho toàn bộ nhóm khách hàng, GenAI cho phép ngân hàng cá nhân hóa trải nghiệm khách hàng theo thời gian thực, giúp nâng cao tỷ lệ chuyển đổi và mức độ hài lòng. Bên cạnh đó, GenAI có thể kết hợp dữ liệu từ nhiều nguồn khác nhau (như mạng xã hội, email, ứng dụng di động) để dự đoán hành vi tiêu dùng và đề xuất các chương trình khuyến mãi hoặc sản phẩm đầu tư tối ưu. Điều này giúp ngân hàng chuyển đổi từ vai trò là nhà cung cấp dịch vụ giao dịch sang đối tác tài chính đáng tin cậy, tạo dựng lòng trung thành và gắn bó dài hạn của khách hàng.

Tiếp thị và tạo nội dung tự động: Một ứng dụng quan trọng khác của GenAI trong ngân hàng là tự động hóa hoạt động tiếp thị và tạo nội dung truyền thông. Các mô hình GenAI có thể tự động viết bài đăng blog, mô tả sản phẩm, soạn thảo nội dung mạng xã hội hoặc tạo hình ảnh, video và đồ họa cho chiến dịch tiếp thị. Việc này không chỉ giúp giảm chi phí thuê nhân sự marketing mà còn rút ngắn đáng kể thời gian triển khai chiến dịch. GenAI có thể tạo ra các nội dung phù hợp với từng nhóm khách hàng khác nhau, đảm bảo tính nhất quán thương hiệu và khả năng tương tác cao. Ở cấp độ cao hơn, ngân hàng có thể sử dụng GenAI để phân tích hiệu quả chiến dịch quảng cáo, dự báo phản ứng của khách hàng và tối ưu hóa chiến lược marketing trong tương lai.

Phát triển sản phẩm và dịch vụ tài chính mới: Trong giai đoạn thiết kế và phát triển sản phẩm, GenAI đóng vai trò như công cụ hỗ trợ sáng tạo và thử nghiệm ý tưởng. Thông qua việc học hỏi từ dữ liệu thị trường, phản hồi của khách hàng và xu hướng tài chính, GenAI có thể đề xuất các mẫu sản phẩm mới hoặc mô phỏng kết quả kinh doanh dự kiến. Các ngân hàng có thể sử dụng GenAI để tạo nguyên mẫu nhanh chóng, mô phỏng các kịch bản sử dụng sản phẩm và đánh giá phản hồi người dùng. Ngoài ra, GenAI còn hỗ trợ tự động hóa quá trình lập trình và kiểm thử phần mềm ngân hàng số, giúp rút ngắn chu kỳ phát triển và nâng cao chất lượng dịch vụ.

Quản lý dữ liệu và hoạt động công nghệ thông tin: GenAI cũng đang được ứng dụng mạnh mẽ trong quản trị dữ liệu và hoạt động công nghệ thông tin của ngân hàng. Với khả năng tạo dữ liệu tổng hợp, GenAI giúp huấn luyện các mô hình học máy khi dữ liệu thực tế bị hạn chế hoặc nhạy cảm. Bên cạnh đó, GenAI hỗ trợ làm sạch dữ liệu, phát hiện bất thường và cải thiện chất lượng phân tích. Trong quản lý hệ thống, GenAI có thể tự động hóa quy trình giám sát, phát hiện lỗi và đề xuất biện pháp khắc phục nhanh chóng, góp phần nâng cao tính ổn định và an toàn của hạ tầng công nghệ ngân hàng.

Quản trị nguồn nhân lực: Trong lĩnh vực nhân sự, GenAI được sử dụng để tự động sàng lọc hồ sơ, phân tích năng lực ứng viên và lên lịch phỏng vấn, giúp tiết kiệm thời gian và giảm sai lệch trong tuyển dụng. Ngoài ra, GenAI có thể tạo ra các mô phỏng tình huống đào tạo cá nhân hóa, phù hợp với từng nhân viên, từ đó nâng cao hiệu quả đào tạo nội bộ. Những mô hình này cho phép ngân hàng xây dựng đội ngũ nhân sự linh hoạt, thích ứng nhanh với thay đổi của công nghệ và môi trường kinh doanh.

Quản trị tài chính, tuân thủ và rủi ro: GenAI còn được ứng dụng trong xây dựng báo cáo tài chính, phân tích thị trường, phát hiện gian lận và đảm bảo tuân thủ quy định. Nhờ khả năng xử lý ngôn ngữ tự nhiên và tạo văn bản tự động, GenAI có thể tổng hợp dữ liệu tài chính phức tạp thành báo cáo chi tiết, giúp nhà quản trị đưa ra quyết định chính xác và kịp thời. Trong lĩnh vực tuân thủ pháp lý, GenAI hỗ trợ tự động đọc, phân loại và soạn thảo hợp đồng, đảm bảo sự thống nhất với các quy định quốc tế và nội địa. Đặc biệt, trong quản lý rủi ro, GenAI có thể mô phỏng các kịch bản gian lận, đánh giá xác suất xảy ra rủi ro và đề xuất biện pháp kiểm soát phù hợp, góp phần tăng cường an ninh tài chính và minh bạch hoạt động của ngân hàng.

3. Thực trạng triển khai GenAI tại các NHTM Việt Nam

3.1. Kết quả đạt được

Trong bối cảnh chuyển đổi số đang diễn ra mạnh mẽ trên toàn cầu, việc ứng dụng GenAI tại các ngân hàng Việt Nam đã mang lại những kết quả ấn tượng, góp phần thay đổi căn bản cách thức vận hành, phát triển sản phẩm và cung ứng dịch vụ tài chính. Trong đó, một số ngân hàng đã tiên phong trong triển khai GenAI với những kết quả rất tích cực.

Nâng cao trải nghiệm khách hàng: Ở lĩnh vực trải nghiệm khách hàng siêu cá nhân hóa, các ngân hàng Việt Nam đã tận dụng sức mạnh của GenAI để thay đổi căn bản cách thức tương tác với khách hàng. NHTM cổ phần Á Châu (ACB) là ví dụ tiêu biểu cho xu hướng này khi đã và đang ứng dụng AI trong việc định danh khách hàng thông qua công nghệ Video Call Face Identity và triển khai Trợ lý ảo AI BOT có khả năng nhận diện cảm xúc của người dùng. Đây là bước tiến quan trọng hướng tới cá nhân hóa trải nghiệm khách hàng ở mức độ sâu, khi hệ thống có thể nhận biết cảm xúc, điều chỉnh tông giọng và ngôn ngữ phản hồi phù hợp, thay vì chỉ phản hồi theo kịch bản có sẵn. Trong tương lai gần, khi tích hợp thêm GenAI, Trợ lý ảo của ACB có thể tự động tạo ra phản hồi mang tính đồng cảm và chi tiết, chẳng hạn tự soạn thảo lời giải thích rõ ràng và thân thiện khi khách hàng thắc mắc về phí dịch vụ, thay vì đưa ra câu trả lời rập khuôn. Điều này không chỉ nâng cao trải nghiệm khách hàng mà còn thể hiện khả năng của GenAI trong việc “nhân bản hóa” dịch vụ ngân hàng, đưa ACB tiến gần hơn tới mô hình dịch vụ tài chính giàu tính nhân văn.

Tương tự, Techcombank đã hợp tác với công ty Personetics - một doanh nghiệp hàng đầu thế giới trong lĩnh vực tài chính cá nhân hóa dựa trên dữ liệu - để phát triển khả năng quản lý dòng tiền thông minh dựa trên nền tảng GenAI. Hệ thống này cho phép gần 11 triệu khách hàng của Techcombank được cung cấp trải nghiệm siêu cá nhân hóa trên ứng dụng di động, giúp họ quản lý tài chính một cách chủ động và khoa học hơn. GenAI không chỉ phân tích hành vi chi tiêu và lịch sử giao dịch của từng khách hàng mà còn đưa ra các khuyến nghị phù hợp nhằm cải thiện “sức khỏe tài chính” cá nhân, ví dụ như cảnh báo chi tiêu vượt mức, đề xuất kế hoạch tiết kiệm hoặc gợi ý đầu tư tối ưu. Kết quả triển khai thử nghiệm trong ba tuần với 10.000 khách hàng mang lại kết quả đáng chú ý: số dư tiền gửi tiết kiệm tăng 9%, tỉ lệ đăng nhập trung bình hàng tháng tăng từ 14,2 lên 77,3 lần, đồng thời số lượng và giá trị các giao dịch trả góp lần lượt tăng 43,7% và 32%. Những con số này không chỉ minh chứng cho hiệu quả của GenAI trong việc nâng cao tương tác khách hàng mà còn khẳng định khả năng thúc đẩy tăng trưởng doanh thu và lòng trung thành của người dùng đối với ngân hàng.

Song song với đó, VIB cũng đạt được những thành quả ấn tượng khi ra mắt ViePro - Trợ lý ảo tích hợp công nghệ GenAI trên nền tảng ngân hàng số MyVIB. Với ViePro, VIB trở thành ngân hàng đầu tiên tại Việt Nam cung cấp cho hàng triệu khách hàng một trợ lý ảo hoạt động 24/7 có khả năng phản hồi tức thì và chính xác bằng tiếng Việt. Hệ thống được phát triển trên nền tảng điện toán đám mây của Amazon Web Services (AWS), có khả năng truy xuất thông tin nhanh chóng về mọi sản phẩm, dịch vụ của ngân hàng. Việc triển khai ViePro giúp VIB hướng tới mục tiêu tăng 40% hiệu suất dịch vụ, mở rộng 20% cơ sở khách hàng và giảm tới 80% nhu cầu về nguồn lực công nghệ thông tin. Điều đáng chú ý là ViePro không chỉ giúp khách hàng tiết kiệm thời gian tra cứu và giao dịch mà còn đóng vai trò là nền tảng cho việc phát triển các tính năng tài chính cá nhân trong tương lai như quản lý chi tiêu, tư vấn đầu tư hay tính toán khả năng vay. Như vậy, việc tích hợp GenAI đã mang lại cho VIB lợi thế cạnh tranh rõ rệt cả về hiệu quả vận hành lẫn trải nghiệm người dùng.

Sáng tạo và phát triển sản phẩm: NHTM cổ phần Việt Nam Thịnh Vượng (VPBank) là một trong những ngân hàng tiên phong tại Việt Nam tích hợp mô hình Claude 3.0 của Amazon Bedrock - một nền tảng GenAI tiên tiến - nhằm nâng cao năng lực phục vụ khách hàng và tối ưu quy trình vận hành. Việc sử dụng Claude 3.0 cho phép VPBank triển khai hệ thống tìm kiếm và phản hồi thông minh, giúp nhân viên có thể tra cứu thông tin sản phẩm, chính sách và quy trình một cách tức thì, từ đó đưa ra phản hồi chính xác và nhanh chóng cho khách hàng. Kết quả là thời gian xử lý yêu cầu của khách hàng được rút ngắn đáng kể, chất lượng tương tác được nâng cao, hạn chế tình trạng gọi lại nhiều lần và cải thiện đáng kể mức độ hài lòng của khách hàng. Ngoài ra, VPBank cũng đang thử nghiệm ứng dụng GenAI trong lĩnh vực thu hồi nợ, nơi các mô hình ngôn ngữ lớn được sử dụng để tự động tạo ra các kịch bản giao tiếp và thương lượng phù hợp với từng nhóm khách hàng nợ quá hạn. Bằng cách này, GenAI không chỉ giúp ngân hàng duy trì mối quan hệ tích cực với khách hàng mà còn góp phần nâng cao hiệu quả thu hồi công nợ, giảm rủi ro tín dụng và chi phí quản lý.

Tối ưu hóa vận hành nội bộ: Với định hướng trở thành “ngân hàng trí tuệ”, TPBank đã đạt được mức độ tự động hóa vượt trội khi hơn 98% giao dịch được thực hiện qua kênh số. Việc tích hợp GenAI vào các quy trình vận hành đã giúp TPBank tiết kiệm đáng kể chi phí nhân sự và thời gian xử lý công việc. Cụ thể, thay vì để các chuyên viên mất hàng giờ đồng hồ tổng hợp báo cáo rủi ro hàng ngày, GenAI có thể hoàn thành công việc này chỉ trong vài phút với độ chính xác cao. Bên cạnh đó, GenAI còn hỗ trợ lập trình viên trong việc viết và gỡ lỗi mã nguồn, tự động tạo tài liệu đào tạo, kịch bản huấn luyện nhân sự và mô phỏng các tình huống giả định giúp nhân viên nâng cao kỹ năng thực tế. Điều này giúp TPBank không chỉ nâng cao năng suất lao động mà còn cải thiện chất lượng nguồn nhân lực nội bộ. Đáng chú ý, TPBank cũng đã triển khai nhiều ứng dụng AI phục vụ khách hàng như LiveBank - hệ thống ngân hàng tự động sử dụng nhận diện khuôn mặt, Chatbot T’Aio - trợ lý ảo hỗ trợ 24/7, và VoicePay - dịch vụ giao dịch bằng giọng nói hợp tác cùng FPT.AI. VoicePay cho phép khách hàng thực hiện các giao dịch như chuyển khoản, nạp tiền hay khóa/mở thẻ chỉ bằng khẩu lệnh, nhờ công nghệ xử lý ngôn ngữ tự nhiên giúp hiểu chính xác ý định của người dùng. Việc triển khai đồng bộ các ứng dụng này đã giúp TPBank giảm đáng kể áp lực cho đội ngũ nhân viên chăm sóc khách hàng, đồng thời nâng cao đáng kể mức độ hài lòng và sự gắn bó của khách hàng.

3.2. Khó khăn và thách thức

Mặc dù tiềm năng của GenAI trong lĩnh vực ngân hàng là rất lớn, song việc triển khai công nghệ này tại các NHTM vẫn đang đối mặt với nhiều khó khăn và thách thức cả về kỹ thuật, tổ chức lẫn chính sách.

Cơ sở hạ tầng và hệ sinh thái AI: Trước hết, Việt Nam hiện vẫn đang trong giai đoạn sơ khai của quá trình phát triển hệ sinh thái AI nói chung và GenAI nói riêng. Việc thiếu hụt một nền tảng công nghệ vững chắc, cùng với sự chậm trễ trong việc xây dựng khung chính sách và tiêu chuẩn kỹ thuật quốc gia về AI, khiến cho việc triển khai GenAI gặp nhiều trở ngại. Trong khi các quốc gia tiên tiến ở châu Á như Singapore, Hàn Quốc hay Nhật Bản đã có những trung tâm nghiên cứu và hạ tầng dữ liệu quốc gia phục vụ cho AI, thì tại Việt Nam, đầu tư cho nghiên cứu và phát triển (R&D) trong lĩnh vực này còn hạn chế. Cơ sở hạ tầng số của một số ngân hàng chưa đáp ứng được yêu cầu xử lý dữ liệu lớn và tính toán phức tạp của các mô hình GenAI, dẫn đến chi phí đầu tư ban đầu rất cao và hiệu suất khai thác công nghệ còn thấp.

Vấn đề bảo mật và quyền riêng tư: Một trong những rủi ro nghiêm trọng nhất khi triển khai GenAI trong lĩnh vực ngân hàng là vấn đề bảo mật thông tin và tuân thủ pháp lý. Đặc thù của GenAI đòi hỏi truy cập và xử lý khối lượng lớn dữ liệu khách hàng để tạo ra các phản hồi và gợi ý mang tính cá nhân hóa. Tuy nhiên, các NHTM phải tuân thủ nghiêm ngặt các quy định về bảo vệ dữ liệu cá nhân theo Nghị định số 13/2023/NĐ-CP ngày 17/4/2023 của Chính phủ, khiến việc chia sẻ và khai thác dữ liệu gặp nhiều hạn chế. Nguy cơ rò rỉ thông tin, đặc biệt trong quá trình huấn luyện và vận hành mô hình AI, là vấn đề nhạy cảm và có thể dẫn đến hậu quả pháp lý nghiêm trọng. Ngoài ra, các cuộc tấn công mạng và xâm nhập trái phép vào hệ thống GenAI cũng là nguy cơ tiềm ẩn, khi các công cụ này có thể truy cập vào dữ liệu tài chính và thông tin cá nhân quan trọng của khách hàng.

Chất lượng dữ liệu được tiếp cận: Hiệu quả của GenAI phụ thuộc lớn vào dữ liệu mà nó được đào tạo. Tuy nhiên, một trong những khó khăn nổi bật của các ngân hàng Việt Nam là việc thiếu dữ liệu chất lượng cao, đầy đủ và đồng nhất. Một số ngân hàng vẫn đang vận hành trên nền tảng công nghệ cũ, dữ liệu bị phân tán ở nhiều hệ thống khác nhau và chưa được tích hợp tập trung. Điều này dẫn đến tình trạng “nợ dữ liệu”, khi dữ liệu nội bộ không đủ để đào tạo các mô hình GenAI chính xác và đáng tin cậy. Thêm vào đó, việc chia sẻ dữ liệu giữa các ngân hàng và tổ chức tài chính vẫn bị hạn chế do lo ngại rủi ro bảo mật, làm giảm khả năng xây dựng các mô hình AI tổng hợp, toàn diện.

Chi phí đầu tư và hiệu quả kinh tế: GenAI đòi hỏi một nguồn vốn đầu tư lớn để triển khai hạ tầng tính toán, lưu trữ dữ liệu, mua bản quyền phần mềm và duy trì hoạt động của mô hình. Đối với các ngân hàng nhỏ và vừa, việc đầu tư hàng chục tỉ đồng cho một hệ thống GenAI là điều khó khả thi, đặc biệt trong bối cảnh cạnh tranh gay gắt và áp lực lợi nhuận giảm. Ngoài chi phí phần cứng và phần mềm, các ngân hàng còn phải đầu tư cho đào tạo nhân sự, quản lý rủi ro và bảo trì hệ thống. Bên cạnh đó, lợi ích kinh tế từ GenAI chưa thể hiện rõ ràng trong ngắn hạn, khiến nhiều ngân hàng còn dè dặt trong việc triển khai ở quy mô lớn.

Độ tin cậy và khả năng kiểm soát của mô hình GenAI: Khác với các mô hình AI truyền thống có khả năng dự đoán dựa trên quy tắc logic, GenAI hoạt động theo cơ chế “tạo sinh” - nghĩa là có thể tạo ra nội dung mới mang tính ngẫu nhiên. Do đó, trong một số trường hợp, mô hình có thể đưa ra kết quả không chính xác, thậm chí sai lệch. Đây là vấn đề đặc biệt nghiêm trọng trong lĩnh vực ngân hàng, nơi mà các quyết định tài chính đòi hỏi độ chính xác, minh bạch và có thể kiểm chứng. Hơn nữa, cùng một yêu cầu đầu vào, GenAI có thể cho ra các kết quả khác nhau trong những lần chạy khác nhau, làm giảm tính nhất quán của hệ thống và gây khó khăn trong kiểm soát quy trình vận hành.

Nguồn nhân lực và năng lực triển khai: Một trở ngại lớn khác trong quá trình ứng dụng GenAI tại các NHTM là sự thiếu hụt nhân lực có trình độ chuyên môn cao về trí tuệ nhân tạo, khoa học dữ liệu và học máy. Các kỹ sư, nhà phân tích dữ liệu, chuyên gia xử lý ngôn ngữ tự nhiên và chuyên viên an ninh mạng có kinh nghiệm trong vận hành hệ thống AI vẫn còn rất khan hiếm. Bên cạnh đó, việc đào tạo nội bộ để nâng cao năng lực sử dụng công cụ GenAI trong các bộ phận nghiệp vụ ngân hàng còn chưa được chú trọng. Điều này dẫn đến tình trạng “lệch pha” giữa năng lực công nghệ và năng lực vận hành, khiến cho việc ứng dụng GenAI chủ yếu dừng ở mức thử nghiệm hoặc áp dụng ở quy mô nhỏ.

Cấu trúc tổ chức và khả năng tích hợp công nghệ: Nhiều ngân hàng Việt Nam vẫn đang phải đối mặt với “khoản nợ công nghệ”, hạ tầng công nghệ thông tin lạc hậu, dữ liệu phân tán và quy trình nội bộ chưa sẵn sàng cho chuyển đổi số toàn diện. Sự cồng kềnh trong mô hình tổ chức, cùng với các rào cản hành chính, khiến việc tích hợp GenAI vào các quy trình nghiệp vụ hiện có trở nên phức tạp. Các ngân hàng cũng phải cân nhắc giữa việc đổi mới sáng tạo và tuân thủ quy định pháp lý, vì bất kỳ sai sót nào trong việc ứng dụng công nghệ AI đều có thể ảnh hưởng trực tiếp đến niềm tin của khách hàng và uy tín của tổ chức.

4. Giải pháp và khuyến nghị

4.1. Đối với Ngân hàng Nhà nước Việt Nam (NHNN)

NHNN cần xây dựng và hoàn thiện khung pháp lý, môi trường kỹ thuật phù hợp nhằm tạo nền tảng vững chắc cho việc triển khai GenAI trong hoạt động ngân hàng. Việc ban hành các văn bản quy phạm pháp luật chuyên biệt về ứng dụng AI trong lĩnh vực tài chính - ngân hàng là hết sức cần thiết để xác định rõ phạm vi, nguyên tắc sử dụng và cơ chế giám sát công nghệ này. Cụ thể, NHNN cần phối hợp với Bộ Khoa học và Công nghệ để xây dựng bộ tiêu chuẩn kỹ thuật về quản lý, lưu trữ, xử lý và chia sẻ dữ liệu sử dụng AI, đặc biệt trong các lĩnh vực nhạy cảm như thẩm định tín dụng, phát hiện gian lận và bảo mật thông tin khách hàng. Khung pháp lý này không chỉ đảm bảo sự minh bạch, công bằng trong ứng dụng công nghệ mà còn giúp phòng ngừa các rủi ro liên quan đến đạo đức AI, sai lệch thuật toán và xâm phạm quyền riêng tư dữ liệu cá nhân.

Bên cạnh đó, NHNN cần tăng cường hỗ trợ các NHTM trong việc đầu tư nâng cấp hạ tầng công nghệ thông tin và bảo đảm an toàn bảo mật dữ liệu. Đồng thời, NHNN có thể đóng vai trò trung gian trong việc kêu gọi hợp tác quốc tế, tận dụng nguồn lực tài chính, kỹ thuật và tri thức từ các tổ chức tài chính toàn cầu như Ngân hàng Thế giới (WB), Quỹ Tiền tệ Quốc tế (IMF) hay Ngân hàng Phát triển châu Á (ADB) để hỗ trợ Việt Nam trong nghiên cứu, thử nghiệm và triển khai các mô hình GenAI tiên tiến. Việc tiếp cận các dự án hỗ trợ kỹ thuật quốc tế không chỉ giúp giảm chi phí đầu tư mà còn mang lại cơ hội học hỏi kinh nghiệm quản trị rủi ro và tiêu chuẩn an toàn công nghệ từ các quốc gia phát triển.

NHNN cũng cần thường xuyên tổ chức các hội thảo, tọa đàm chuyên đề và khóa đào tạo chuyên sâu về ứng dụng AI và GenAI trong lĩnh vực tài chính - ngân hàng, mời các chuyên gia trong và ngoài nước chia sẻ kinh nghiệm thực tiễn; tích cực tham gia vào các diễn đàn, sáng kiến công - tư về GenAI ở cả cấp quốc gia và khu vực nhằm tăng cường hợp tác, trao đổi chính sách và xây dựng cơ chế quản trị phù hợp.

4.2. Đối với NHTM

Thứ nhất, các ngân hàng cần xây dựng chiến lược dữ liệu toàn diện làm nền tảng cho việc ứng dụng GenAI. Dữ liệu là yếu tố cốt lõi trong mọi mô hình AI, đặc biệt là GenAI, bởi chất lượng, mức độ đầy đủ và khả năng tích hợp của dữ liệu quyết định trực tiếp đến độ chính xác và tính hiệu quả của các mô hình. Các NHTM cần thiết lập hệ thống quản trị dữ liệu hiện đại, đảm bảo tính thống nhất, minh bạch và có khả năng phân tích chuyên sâu. Việc xây dựng lộ trình triển khai GenAI từng bước phù hợp cũng là yêu cầu cấp thiết, nhằm tránh tình trạng đầu tư dàn trải hoặc chạy theo xu hướng mà thiếu nền tảng công nghệ và năng lực nội tại.

Thứ hai, bảo mật thông tin và quyền riêng tư của khách hàng phải được xem là ưu tiên hàng đầu trong quá trình ứng dụng GenAI. Do đặc thù hoạt động trong lĩnh vực tài chính - ngân hàng, dữ liệu khách hàng mang tính nhạy cảm cao, do đó các ngân hàng cần áp dụng đồng bộ các giải pháp kỹ thuật như mã hóa dữ liệu, xác thực đa lớp, và kiểm soát truy cập thông minh. Đồng thời, cần ban hành và thực thi các chính sách quản trị rủi ro liên quan đến việc sử dụng mô hình tạo sinh, bao gồm kiểm soát thiên vị dữ liệu, hạn chế nguy cơ rò rỉ thông tin, và đảm bảo tuân thủ các quy định pháp lý về bảo vệ dữ liệu cá nhân theo chuẩn quốc tế.

Thứ ba, tăng cường hợp tác với các công ty công nghệ, viện nghiên cứu và các start-up AI nhằm tận dụng thế mạnh về kỹ thuật, nền tảng dữ liệu và kinh nghiệm triển khai. Hình thức hợp tác có thể linh hoạt như đồng phát triển sản phẩm, thuê ngoài dịch vụ AI chuyên sâu hoặc cùng đầu tư các phòng thí nghiệm đổi mới sáng tạo. Việc hợp tác này không chỉ giúp các NHTM rút ngắn thời gian triển khai mà còn tạo cơ hội tiếp cận với các công nghệ tiên tiến và các mô hình ứng dụng thành công trên thế giới.

Cuối cùng, đào tạo và phát triển nguồn nhân lực chất lượng cao là yếu tố mang tính quyết định trong việc làm chủ công nghệ GenAI. Các ngân hàng cần xây dựng chương trình đào tạo nội bộ về khoa học dữ liệu, học máy, và an ninh mạng, đồng thời khuyến khích nhân viên học hỏi, cập nhật kiến thức mới. Việc hình thành đội ngũ chuyên gia AI nội bộ sẽ giúp ngân hàng chủ động hơn trong thiết kế, quản lý và vận hành các hệ thống GenAI, đồng thời tạo ra lợi thế cạnh tranh bền vững trong dài hạn.

5. Kết luận

GenAI đang mở ra một kỷ nguyên mới cho hệ thống ngân hàng Việt Nam, nơi công nghệ không chỉ đóng vai trò hỗ trợ mà còn trở thành nhân tố trung tâm trong đổi mới mô hình hoạt động. Việc ứng dụng GenAI tại NHTM đã góp phần nâng cao chất lượng dịch vụ, tối ưu hóa quy trình nghiệp vụ và cá nhân hóa trải nghiệm khách hàng, qua đó giúp ngân hàng cải thiện hiệu quả vận hành, giảm chi phí và gia tăng năng lực cạnh tranh. Tuy nhiên, quá trình triển khai GenAI vẫn đang đối mặt với nhiều thách thức đòi hỏi sự phối hợp đồng bộ giữa NHNN, các NHTM, công ty công nghệ và các bên liên quan. GenAI, nếu được ứng dụng một cách chiến lược, sẽ trở thành động lực quan trọng thúc đẩy quá trình chuyển đổi số toàn diện và phát triển bền vững của hệ thống ngân hàng Việt Nam trong tương lai.

Tài liệu tham khảo:

1. Amazon Web Services (2024), AI tạo sinh là gì? AWS Vietnam, https://aws.amazon.com/vi/what-is/generative-ai/

2. Chính phủ (2023), Nghị định số 13/2023/NĐ-CP về bảo vệ dữ liệu cá nhân, Cổng Thông tin điện tử Chính phủ.

3. Forrester (2016), 72% of businesses name improving customer experience their top priority, Forrester Press Newsroom, https://www.forrester.com/press-newsroom/72-of-businesses-name-improving-customer-experience-their-top-priority/

4. FPT Digital (2025), Generative AI là gì? Một số khái niệm cơ bản về GenAI. FPT Digital Transformation Portal, https://www.forrester.com/press-newsroom/72-of-businesses-name-improving-customer-experience-their-top-priority/

5. FPT Digital (2025), Sự bùng nổ của GenAI & một số ứng dụng của Generative AI trong doanh nghiệp, FPT Digital Transformation Portal, https://digital.fpt.com/chuyen-doi-so/tri-tue-nhan-tao-ai-vi/su-bung-no-cua-gen-ai-1-so-ung-dung-cua-generative-ai-trong-doanh-nghiep.html

6. Hekate (2024), Generative AI nâng cao dịch vụ khách hàng ngành ngân hàng. Hekate AI Blog, https://hekate.ai/generative-ai-nang-cao-dich-vu-khach-hang-nganh-ngan-hang/

7. Kido, T., & Takadama, K. (2024), The challenges for GenAI in social and individual well-being. In AAAI Symposium Series (Vol. 3, No. 1, pages 365–367).

8. Quỳnh Anh (2025), Ứng dụng GenAI trong ngành ngân hàng, Ngân hàng Nhà nước Việt Nam, https://sbv.gov.vn/vi/w/sbv625685

9. Shkurdoda, A., & Dobosz, M. (2025), GenAI in banking: 7 transformative use cases. Neontri Blog, https://neontri.com/blog/genai-applications-banking/