Nếu AI không được kiểm soát, “sẩy một ly có thể đi một dặm”
Một mắt xích chậm, hàng nghìn giao dịch đình trệ
01 giờ 30 phút, một quy trình đối soát bắt đầu theo lịch, nhưng tệp dữ liệu thanh toán vẫn chưa đến. Đến 01 giờ 40 phút, tệp dữ liệu xuất hiện, song các công đoạn tiếp theo không tự động chạy lại. Hai giờ sáng, bộ phận công nghệ thông tin nhận được cuộc gọi báo hàng nghìn giao dịch chưa khớp.
Đây là kịch bản minh họa được ông Jovan Tan, Giám đốc quốc gia BMC Software tại Việt Nam đưa ra tại Smart Banking 2026, không phải sự cố được xác nhận tại một ngân hàng cụ thể. Tình huống này cho thấy một nghịch lý của tự động hóa: từng công đoạn có thể hoàn thành đúng nhiệm vụ, nhưng toàn bộ quy trình vẫn đình trệ nếu các hệ thống không phối hợp được với nhau.
Trong ngân hàng, dữ liệu thường đi qua nhiều hệ thống, kết quả ở bước trước trở thành đầu vào cho bước sau. Một mắt xích bị gián đoạn có thể ảnh hưởng đến cả chuỗi công việc nếu hệ thống không nhận diện được sự cố hoặc thiếu cơ chế xử lý phù hợp.
AI không nằm ngoài logic đó. Một mô hình AI có thể cho kết quả tốt trong môi trường thử nghiệm, nơi dữ liệu và điều kiện đã được chuẩn bị, nhưng khi triển khai trên diện rộng, công nghệ phải làm việc với các hệ thống nghiệp vụ hiện hữu, dữ liệu đa dạng và những tình huống không phải lúc nào cũng nằm trong kịch bản dự kiến chưa chắc đã phát huy được hiệu quả. Khi được giao thực hiện nhiều tác vụ liên tiếp, sai lệch ở một khâu còn có thể lan sang các bước tiếp theo.
Theo ông Đoàn Thanh Hải, Phó Cục trưởng Cục Công nghệ thông tin, Ngân hàng Nhà nước, để khai thác hiệu quả AI, đòi hỏi ngành ngân hàng phát triển đồng bộ các năng lực về pháp lý, dữ liệu, hạ tầng công nghệ, nguồn nhân lực và quản trị. Đây không phải những yếu tố có thể đầu tư riêng rẽ rồi kỳ vọng tự động bổ trợ cho nhau. Dữ liệu có chất lượng nhưng không kết nối được với hệ thống nghiệp vụ sẽ hạn chế khả năng khai thác, hạ tầng hiện đại cũng khó phát huy hết giá trị nếu quy trình chưa phù hợp.
“Một hệ thống AI xử lý tốt nhưng thiếu cơ chế giám sát cũng có thể tạo thêm rủi ro khi tham gia vào các hoạt động quan trọng”, ông Hải nói.
AI buộc ngân hàng tổ chức lại công việc
Khi AI chỉ hỗ trợ một tác vụ riêng lẻ, ngân hàng có thể ghi nhận lợi ích về thời gian hoặc năng suất, mà chưa phải thay đổi đáng kể cách thức tổ chức công việc. Nhưng khi công nghệ có thể tham gia nhiều bước liên tiếp, bài toán đặt ra với các ngân hàng không còn là trang bị thêm công cụ. Ngân hàng phải thiết kế lại cách giao việc, phối hợp giữa các bộ phận và đo lường hiệu quả trên toàn bộ quy trình.
Ông Nguyễn Anh Tuấn, Phó tổng giám đốc Techcombank cho biết, Ngân hàng đang chuyển từ chuyển đổi số sang chuyển đổi AI, hướng tới đưa AI trở thành năng lực cốt lõi. Chiến lược đầu tư cho AI của Techcombank là xuất phát từ bài toán kinh doanh cụ thể, với sự phối hợp giữa bộ phận nghiệp vụ và đội ngũ công nghệ.
Việc ứng dụng AI trong một số hoạt động phát triển công nghệ đã giúp năng suất của Techcombank tăng khoảng 20 - 30%. Con số này cho thấy tiềm năng cải thiện hiệu quả ở những công việc phù hợp, nhưng không thể suy rộng thành mức tăng năng suất của toàn Ngân hàng. Giá trị của một ứng dụng chỉ có thể đánh giá đúng khi đặt trong phạm vi công việc cụ thể và gắn với kết quả mà ngân hàng muốn đạt được.
AI cũng đang làm thay đổi ranh giới giữa công nghệ và nghiệp vụ. Ông Trần Công Quỳnh Lân, Phó tổng giám đốc VietinBank nhận định, khi các đơn vị nghiệp vụ có thể tự cấu hình AI Agent hoặc sử dụng công cụ AI hỗ trợ lập trình, ranh giới giữa nhân sự công nghệ và kinh doanh sẽ ngày càng thu hẹp. Đội ngũ công nghệ vì thế cần chuyển trọng tâm từ lập trình sang giải quyết bài toán kinh doanh; mô hình tổ chức cũng có thể linh hoạt hơn, với những nhóm nhân sự nhỏ kết hợp cùng AI Agent.
Sự dịch chuyển này đòi hỏi cả nhân sự nghiệp vụ và nhân sự công nghệ phải thay đổi cách thức làm việc: nhân sự nghiệp vụ cần hiểu khả năng và giới hạn của AI để xác định đúng bài toán; đội ngũ công nghệ phải bảo đảm các giải pháp được xây dựng hoặc cấu hình tại từng đơn vị đáp ứng yêu cầu tích hợp, an toàn và vận hành chung. Nếu mỗi bộ phận phát triển ứng dụng theo nhu cầu riêng mà thiếu phối hợp, ngân hàng có thể có thêm nhiều công cụ nhưng lại khó kiểm soát sự kết nối giữa chúng.
Điều đó cũng không có nghĩa mọi ngân hàng đều phải tự phát triển công nghệ hoặc đầu tư vào những mô hình lớn nhất. Ông Nguyễn Hữu Hùng, Quản lý tư vấn cấp cao GreenNode cho rằng, Việt Nam nên ưu tiên các ứng dụng AI chuyên biệt phục vụ từng nghiệp vụ, thay vì đầu tư dàn trải vào những mô hình nền tảng đòi hỏi nguồn lực lớn. Đồng thời, cần lưu ý những thách thức về chi phí hạ tầng, khả năng tiếp cận thiết bị công nghệ tiên tiến và nguồn nhân lực vận hành hệ thống AI quy mô lớn.
Với ngân hàng, việc lựa chọn giữa tự phát triển và sử dụng giải pháp có sẵn cần dựa trên bài toán nghiệp vụ, năng lực nội tại và yêu cầu vận hành lâu dài. Một giải pháp chuyên biệt có thể phù hợp nếu xử lý tốt nhu cầu cụ thể và dễ tích hợp với hệ thống hiện hữu. Ngược lại, công cụ triển khai nhanh nhưng khó kết nối, thiếu khả năng mở rộng hoặc phụ thuộc quá lớn vào nhà cung cấp có thể làm phát sinh chi phí về sau. Vì vậy, câu hỏi đầu tiên khi ứng dụng AI với các ngân hàng không nên là công nghệ nào đang nổi bật, mà là vấn đề nào cần giải quyết và giải pháp nào phù hợp nhất với điều kiện của ngân hàng.
Trao quyền cho AI, không thể buông lỏng kiểm soát
Khi AI chuyển từ hỗ trợ nhân viên sang trực tiếp thực hiện nhiều tác vụ, việc trao quyền phải đi cùng với giám sát. Một hệ thống AI đưa ra khuyến nghị sai, nếu vẫn được phép hành động, sai sót sẽ ảnh hưởng đến các bước tiếp theo trong quá trình thực hiện các tác vụ. Ngân hàng vì thế không thể mở rộng quyền hạn cho AI, mà thiếu những cơ chế giám sát tương xứng.
Ông Đoàn Thanh Hải nhấn mạnh: “AI càng được trao nhiều quyền tự chủ thì yêu cầu quản lý, giám sát càng phải chặt chẽ. Các ngân hàng cần xây dựng mô hình quản trị tương xứng, xác định rõ phạm vi hoạt động, quyền hạn và trách nhiệm kiểm soát đối với AI Agent”.
Tất nhiên, không phải tác vụ nào AI cũng có thể được trao cùng một mức độ tự chủ. Có những công việc AI có thể tự thực hiện trong phạm vi xác định; có những việc chỉ nên dừng ở mức đề xuất để nhân viên xem xét; còn các quyết định có mức độ rủi ro cao cần được kiểm soát theo thẩm quyền phù hợp. Khi dữ liệu không đầy đủ, xuất hiện dấu hiệu bất thường hoặc kết quả vượt ngoài giới hạn cho phép, hệ thống cần cảnh báo, dừng hoặc chuyển cấp xử lý, thay vì tiếp tục thực hiện một cách máy móc.
Trở lại tình huống đối soát ở đầu bài viết, phát hiện tệp dữ liệu đến muộn mới chỉ là bước đầu, hệ thống còn phải nhận diện những công đoạn bị ảnh hưởng, thông báo cho bộ phận liên quan và kích hoạt phương án xử lý phù hợp. Với AI, yêu cầu cũng không dừng ở việc hoàn thành một tác vụ riêng lẻ, mà là hoạt động đúng trong mối liên hệ với toàn bộ quy trình và nhận biết khi nào cần dừng để con người can thiệp.
Muốn bảo đảm điều đó, ngân hàng cần theo dõi được dữ liệu AI sử dụng, hành động hệ thống đã thực hiện và kết quả tạo ra, đồng thời xác định rõ người có thẩm quyền can thiệp. Khi xảy ra sai sót, khả năng truy vết giúp xác định nguyên nhân, khoanh vùng ảnh hưởng và điều chỉnh giải pháp. Trách nhiệm phải được phân định xuyên suốt từ thiết kế, triển khai đến giám sát và phê duyệt, thay vì xem mọi vấn đề phát sinh đơn thuần là lỗi công nghệ.
Quản trị vì thế không thể là lớp kiểm soát được bổ sung sau khi ứng dụng đã đi vào hoạt động. Phạm vi quyền hạn, cơ chế giám sát và phương án xử lý sự cố cần được tính đến ngay từ khâu thiết kế. AI càng được trao nhiều quyền tự chủ, ngân hàng càng phải bảo đảm khả năng kiểm soát tương xứng. Nếu không, lợi ích về tốc độ có thể đi kèm rủi ro lớn hơn khi hệ thống thực hiện sai hoặc không xử lý được tình huống ngoài dự kiến.
