Như ông khẳng định thì trong quá trình chuyển đổi số, việc ứng dụng thêm công nghệ chưa chắc đã giúp ngân hàng cải thiện hiệu quả hoạt động. Ông có thể giải thích rõ hơn điều này và đâu là bước chuyển cần thiết để tạo ra giá trị thực chất cho ngân hàng?
Ở giai đoạn đầu của chuyển đổi số, nhiều ngân hàng đưa quy trình truyền thống lên môi trường số: khách hàng điền biểu mẫu trực tuyến, một số thủ tục vốn mất nhiều ngày được rút ngắn còn vài phút. Đây là tiến bộ quan trọng, nhưng số hóa từng quy trình chưa đồng nghĩa toàn bộ hành trình khách hàng đã được kết nối.
Thách thức nằm ở chỗ các hệ thống phục vụ từng nghiệp vụ thường được xây dựng riêng rẽ. Thông tin khách hàng có thể nằm trong hệ thống quản lý quan hệ khách hàng, dữ liệu tín dụng ở một hệ thống khác; còn giao dịch, thu hồi nợ và chăm sóc khách hàng lại nằm ở hệ thống dịch vụ. Khi dữ liệu không kết nối, ngân hàng khó có bức tranh đầy đủ về khách hàng để ra quyết định.
Bước tiếp theo là chuyển từ số hóa từng điểm chạm sang kết nối dữ liệu và tiến tới 'Ngân hàng Nhận thức' - Cognitive Banking. Mỗi câu hỏi đại diện cho một chức năng nhận thức của ngân hàng, tương ứng với một lĩnh vực trí tuệ chức năng trong một ngân hàng vận hành bằng trí tuệ nhân tạo (AI).
Khi kết hợp được thông tin định danh, lịch sử trả nợ, hành vi giao dịch và nhu cầu sử dụng sản phẩm, ngân hàng có thể hiểu khách hàng trong bối cảnh đầy đủ hơn. Nhân viên tư vấn tốt hơn, bộ phận quản trị rủi ro có thêm thông tin, còn đội ngũ kinh doanh nhận diện nhu cầu phù hợp hơn.
Hiện tại, các ngân hàng đang hướng tới giai đoạn ngân hàng tự động. AI có thể hỗ trợ ngay từ giai đoạn kết nối dữ liệu, nhưng nếu đưa các tác nhân AI vào những quy trình còn phân mảnh, kết quả có thể không như kỳ vọng.
Công nghệ AI, với rất nhiều tiến bộ, có thể không góp phần nâng cao hiệu quả kinh doanh cũng như mang lại giá trị rõ rệt cho ngân hàng nếu dữ liệu và 7 khía cạnh của "Ngân hàng Nhận thức" chưa sẵn sàng, mỗi trí tuệ có thể vẫn còn phân mảnh và chưa kết nối để giúp ngân hàng hiểu biết về từng khách hàng của mình. Ngân hàng có thể chỉ tạo thêm một lớp AI phức tạp trong vận hành, mà chưa trực tiếp đem lại hiệu quả.
Theo ông, ngân hàng cần nhìn vào những chỉ số nào để biết công nghệ đang thực sự cải thiện hiệu quả vận hành và tạo thêm giá trị kinh doanh?
Trước hết, cần bắt đầu từ bài toán kinh doanh mà ngân hàng muốn giải quyết. Công nghệ không nên được triển khai chỉ vì đó là xu hướng, mà phải trả lời được câu hỏi: Hệ thống mới giúp tăng doanh thu, giảm chi phí hay phục vụ khách hàng tốt hơn như thế nào?
Với bộ phận kinh doanh, có thể xem xét tỷ lệ chuyển đổi khách hàng tiềm năng thành khách hàng thực tế, cũng như khả năng bán chéo và bán thêm sản phẩm. Khách hàng có thể vay mua nhà tại một ngân hàng nhưng dùng tài khoản nhận lương, thẻ tín dụng hoặc tiết kiệm ở nơi khác. Hiểu rõ nhu cầu của khách hàng sẽ giúp ngân hàng đề xuất phù hợp và gia tăng giá trị quan hệ.
Ở bộ phận chăm sóc khách hàng, thời gian xử lý trung bình, số bước nhân viên phải thực hiện và tỷ lệ vấn đề được giải quyết ngay trong lần liên hệ đầu tiên là những chỉ số phản ánh hiệu quả rõ hơn. Trong vận hành, việc hợp nhất các ứng dụng có chức năng chồng lấn hoặc giảm thao tác thủ công cũng có thể tiết kiệm chi phí duy trì hệ thống.
Không có một con số hoàn vốn áp dụng cho mọi ngân hàng. Mức đầu tư phụ thuộc vào cấu phần triển khai, số lượng người dùng, phạm vi nghiệp vụ và yêu cầu tích hợp. Vì vậy, ngân hàng cần xây dựng bài toán hiệu quả cụ thể trước khi quyết định đầu tư, đồng thời theo dõi kết quả sau triển khai. Nếu không xác định được chỉ số cần cải thiện ngay từ đầu, sẽ khó đánh giá khoản đầu tư đã tạo ra giá trị đến đâu. Công nghệ chỉ có ý nghĩa khi giải quyết đúng nhu cầu và cải thiện kết quả thực tế.
Khi AI không chỉ hỗ trợ xử lý công việc mà còn có thể chủ động thực hiện nhiều nghiệp vụ, theo ông, ngân hàng nên trao quyền cho công nghệ đến đâu? Những quyết định nào vẫn cần có sự giám sát và phê duyệt của con người?
AI có thể phân tích dữ liệu để nhận diện khách hàng tiềm năng, hoặc gợi ý cơ hội bán chéo. Với hồ sơ vay vốn, hệ thống có thể kiểm tra giấy tờ, đọc tài liệu và tổng hợp thông tin để cán bộ tín dụng xem xét. AI cũng có thể tổng hợp sản phẩm khách hàng đang sử dụng, giúp nhân viên hiểu rõ hơn mối quan hệ trước khi tư vấn.
Tuy nhiên, cần phân biệt giữa việc AI hỗ trợ xử lý công việc và giao cho AI quyền tự đưa ra quyết định. Trong những nghiệp vụ có ảnh hưởng lớn đến khách hàng, chẳng hạn quyết định tín dụng, AI có thể thu thập, phân tích và trình bày thông tin, còn cán bộ có thẩm quyền vẫn phải xem xét, phê duyệt theo quy trình của ngân hàng. Mức độ tự động hóa tùy nghiệp vụ, rủi ro và khuôn khổ quản trị.
Khi số lượng tác nhân AI tăng lên, vấn đề không chỉ là từng tác nhân có thể làm gì, mà còn là ngân hàng có kiểm soát được toàn bộ hoạt động của chúng hay không. Ngân hàng cần biết tác nhân nào đã thực hiện hành động gì, vào thời điểm nào và dựa trên cơ sở nào. Hoạt động phải có khả năng truy vết, kiểm tra và đối chiếu khi phát sinh sai sót. Nếu thiếu cơ chế giám sát chung, trách nhiệm có thể bị phân tán và việc kiểm tra trở nên khó khăn.
Nhân viên cũng có thể hỏi hệ thống bằng ngôn ngữ tự nhiên, chẳng hạn về khách hàng tiềm năng tại một khu vực hoặc tình hình của một nhóm khách hàng. Hệ thống tổng hợp dữ liệu liên quan, nhưng câu trả lời vẫn phải tuân thủ quyền truy cập được cấp.
Vì vậy, không nên đo tiến bộ của AI chỉ bằng số lượng tác vụ đã tự động hóa. Khả năng kiểm soát, tính minh bạch và trách nhiệm đối với kết quả cần được tính đến ngay từ khi thiết kế hệ thống. AI càng được giao nhiều việc, yêu cầu về giám sát, quản trị và truy vết càng quan trọng.
Với các ngân hàng Việt Nam, làm thế nào để vừa khai thác được tiềm năng của AI, vừa đáp ứng yêu cầu bảo vệ dữ liệu và kiểm soát việc xử lý dữ liệu xuyên biên giới? Những lựa chọn về hạ tầng và mô hình triển khai nào có thể giúp ngân hàng giải quyết bài toán này?
Ngân hàng cần quan tâm đồng thời đến hai vấn đề: dữ liệu được lưu trữ ở đâu và được xử lý ở đâu. Việc dữ liệu được lưu trong nước không đồng nghĩa mọi hoạt động xử lý đều diễn ra trong nước, nhất là khi ngân hàng sử dụng các mô hình AI do bên ngoài cung cấp. Vì vậy, trước khi lựa chọn công nghệ, ngân hàng cần hiểu rõ luồng dữ liệu, cách hệ thống vận hành và các yêu cầu áp dụng đối với từng trường hợp sử dụng.
Không có một mô hình triển khai phù hợp với tất cả ngân hàng. Tùy thuộc vào yêu cầu nghiệp vụ, hạ tầng hiện có và điều kiện tuân thủ, ngân hàng có thể lựa chọn trung tâm dữ liệu riêng, đám mây riêng, đám mây công cộng hoặc mô hình lai. Điều quan trọng là ngân hàng phải đánh giá đầy đủ khả năng bảo vệ dữ liệu, kiểm soát truy cập, quản trị rủi ro và đáp ứng các yêu cầu pháp lý trước khi quyết định.
Một vấn đề khác là ngân hàng nên tự phát triển hay lựa chọn nền tảng có sẵn. Đây không đơn thuần là quyết định về công nghệ, mà còn liên quan đến nguồn lực, khả năng làm chủ hệ thống và mức độ linh hoạt khi quy trình nghiệp vụ hoặc yêu cầu quản lý thay đổi. Với các nền tảng cho phép tùy chỉnh quy trình, giao diện và luồng công việc mà không phải sửa đổi mã nguồn, ngân hàng có thể chủ động hơn trong việc điều chỉnh hệ thống theo nhu cầu thực tế. Dù lựa chọn phương án nào, ngân hàng cũng cần tính đến năng lực vận hành, bảo trì và khả năng kiểm soát lâu dài, thay vì chỉ nhìn vào thời gian triển khai ban đầu.
Từ kinh nghiệm hoạt động tại một số thị trường Đông Nam Á và quá trình trao đổi với các khách hàng tiềm năng tại Việt Nam, chúng tôi nhận thấy, điều kiện triển khai giữa các ngân hàng có thể rất khác nhau. Vì vậy, không nên bắt đầu bằng câu hỏi công nghệ nào tiên tiến nhất, mà nên xác định rõ bài toán nghiệp vụ cần giải quyết, mức độ nhạy cảm của dữ liệu và giới hạn rủi ro có thể chấp nhận.
Cuối cùng, hiệu quả của AI cần được đánh giá trong mối quan hệ giữa giá trị kinh doanh, khả năng vận hành và quản trị rủi ro. Một giải pháp chỉ thực sự hữu ích khi phù hợp với dữ liệu, quy trình, hạ tầng và yêu cầu quản lý của ngân hàng. Tốc độ ứng dụng là cần thiết, nhưng phải đi cùng khả năng kiểm soát và những kết quả có thể đánh giá trong thực tế.