Ba rào cản khiến AI tại ngân hàng ASEAN mắc kẹt trong giai đoạn thử nghiệm

Nếu hỏi một lãnh đạo ngân hàng tại Đông Nam Á liệu trí tuệ nhân tạo (AI) có nằm trong chiến lược phát triển của tổ chức hay không, câu trả lời gần như chắc chắn là có. Nhưng nếu hỏi AI hiện đang ở đâu trong quá trình triển khai, câu trả lời có thể hoàn toàn khác.

Nhiều ngân hàng đã thử nghiệm AI trong chăm sóc khách hàng, phát hiện gian lận, phân tích tín dụng, tự động hóa quy trình hoặc hỗ trợ nhân viên. Một số dự án đạt kết quả tích cực ở từng bộ phận. Tuy nhiên, việc biến những thử nghiệm đó thành hệ thống AI hoạt động đồng bộ trên toàn doanh nghiệp vẫn là một bài toán khó.

Một nghiên cứu do Sabio World thực hiện với 14 tổ chức ngân hàng tại Malaysia hồi đầu năm đã cho thấy khá rõ khoảng cách này.

Khoảng 76% người được khảo sát cho biết tổ chức của họ vẫn đang ở giai đoạn thử nghiệm hoặc mở rộng AI không đồng đều giữa các bộ phận. Nói cách khác, một số đơn vị có thể đã tiến xa, nhưng phần lớn tổ chức vẫn chưa triển khai AI trên diện rộng.

Chỉ khoảng 24% cho biết họ đang tích cực mở rộng AI thông qua một chương trình liên bộ phận thực sự.

Điều đáng chú ý là vấn đề không nằm chủ yếu ở việc ngân hàng thiếu tham vọng về AI. Ba rào cản được các tổ chức chỉ ra lại nằm sâu hơn trong nền tảng vận hành: cơ sở hạ tầng cũ, dữ liệu phân tán và quyền sở hữu không rõ ràng.

Ba rào cản lớn đang giữ chân AI trong ngân hàng

Nghiên cứu đã xác định ba hạn chế chính đối với việc mở rộng AI trong tổ chức ngân hàng.

1. Cơ sở hạ tầng cũ chiếm 43%

Đây là rào cản lớn nhất được những người tham gia khảo sát đề cập.

Khoảng 43% cho rằng hệ thống cũ là trở ngại chính bởi AI chỉ có thể tiếp cận các hệ thống lõi thông qua những giải pháp tạm thời hoặc các lớp kết nối trung gian.

Vấn đề này không mới đối với ngành ngân hàng. Các tổ chức tài chính lớn thường phải duy trì những hệ thống được xây dựng và phát triển qua nhiều thế hệ công nghệ.

Ở phía trước, khách hàng có thể nhìn thấy ứng dụng ngân hàng hiện đại, giao diện số hóa và các dịch vụ gần như tức thời. Nhưng phía sau có thể vẫn tồn tại những hệ thống cũ chịu trách nhiệm xử lý tài khoản, giao dịch, dữ liệu khách hàng hoặc các quy trình nghiệp vụ quan trọng.

AI có thể hoạt động khá tốt khi được thử nghiệm trong một môi trường được kiểm soát. Nhưng khi cần kết nối với hàng loạt hệ thống cũ, các giải pháp tạm thời bắt đầu trở thành điểm yếu.

Đây là lý do một mô hình AI có thể hoạt động tốt trong một phòng ban nhưng gặp khó khăn khi triển khai trên toàn ngân hàng.

2. Dữ liệu phân tán chiếm 36%

Khoảng 36% người được khảo sát xác định dữ liệu là rào cản lớn.

AI phụ thuộc rất lớn vào dữ liệu. Nhưng trong một ngân hàng lớn, dữ liệu thường không nằm ở một nơi duy nhất.

Dữ liệu khách hàng có thể nằm trong hệ thống ngân hàng lõi. Dữ liệu giao dịch nằm ở các nền tảng khác. Thông tin tín dụng, dữ liệu marketing, dữ liệu chống gian lận và dữ liệu vận hành lại có thể được quản lý bởi những bộ phận riêng biệt.

Nếu các hệ thống không có tiêu chuẩn quản trị thống nhất, việc đưa dữ liệu vào mô hình AI có thể trở nên phức tạp.

Vấn đề không chỉ là dữ liệu có “sạch” hay không. Câu hỏi quan trọng hơn là ai sở hữu dữ liệu, ai chịu trách nhiệm xác nhận dữ liệu và ai được quyền quyết định cách sử dụng nó.

Khi trách nhiệm không rõ ràng, các dự án AI có thể phải chờ đợi trong khi các bộ phận tranh luận về quyền truy cập hoặc chất lượng dữ liệu.

3. Quyền sở hữu chiếm 21%

Khoảng 21% số người tham gia xác định quyền sở hữu là hạn chế chính.

Một ngân hàng có thể có ngân sách cho AI, có sự ủng hộ của ban lãnh đạo và có nhiều nhóm công nghệ đang triển khai các dự án. Nhưng điều đó không đồng nghĩa có một cá nhân chịu trách nhiệm cuối cùng về việc đưa AI từ thử nghiệm đến quy mô toàn doanh nghiệp.

Đây là một khoảng trống quan trọng.

Nếu AI thuộc về bộ phận công nghệ, các đơn vị kinh doanh có thể cho rằng họ không chịu trách nhiệm. Nếu AI thuộc về từng phòng ban, tổ chức lại có nguy cơ xuất hiện hàng loạt dự án riêng lẻ.

Kết quả là ngân hàng có thể có rất nhiều sáng kiến AI nhưng thiếu một chương trình AI thống nhất.

Không mở rộng AI cũng tạo ra chi phí

Điều đáng chú ý là những người được khảo sát không chỉ nói về chi phí của việc đầu tư AI. Họ cũng chỉ ra chi phí phát sinh khi không thể mở rộng AI.

Khoảng 43% cho rằng tổ chức phải chịu tổn thất do các phòng ban khác nhau cùng giải quyết một vấn đề tương tự một cách riêng lẻ.

Thay vì xây dựng một nền tảng hoặc mô hình có thể sử dụng chung, mỗi bộ phận lại phát triển giải pháp riêng.

Khoảng 36% cho rằng chi phí đến từ những cơ hội doanh thu mà ngân hàng có thể nhận diện nhưng chưa thể tận dụng.

Một mô hình AI có thể phát hiện cơ hội bán chéo, đánh giá khách hàng hoặc tối ưu sản phẩm, nhưng nếu không thể kết nối với toàn bộ hệ thống, lợi ích đó chỉ tồn tại ở quy mô nhỏ.

21% còn lại liên quan đến rủi ro tích lũy khi các quyết định được đưa ra mà không có sự hỗ trợ phù hợp từ mô hình.

Điều này tạo ra một nghịch lý: không mở rộng AI cũng có chi phí.

Ngân hàng không chỉ mất cơ hội từ công nghệ mà còn phải tiếp tục duy trì nhiều quy trình thủ công và những hệ thống riêng biệt.

Cuộc thảo luận kín tại Kuala Lumpur cho thấy vấn đề sâu hơn

Những kết quả trên đã trở thành nền tảng cho một cuộc thảo luận bàn tròn kín tại Kuala Lumpur do Sabio World tổ chức và Cognizant tài trợ, với sự tham gia của các lãnh đạo cấp cao trong ngành ngân hàng và dịch vụ tài chính Malaysia.

Vấn đề hạ tầng được thảo luận khá thẳng thắn.

Hầu hết tổ chức tham dự đều thừa nhận rằng ở đâu đó trong hệ thống của họ vẫn tồn tại các giải pháp tạm thời hoặc kiến trúc cũ chưa được giải quyết triệt để.

Theo các ý kiến tại cuộc thảo luận, trở ngại không đơn giản là tiền.

Một phần khó khăn nằm ở sự can đảm để can thiệp vào hệ thống lõi đang vận hành, đồng thời chấp nhận nguy cơ gián đoạn.

Phần khác nằm ở trình tự thực hiện.

Ngân hàng phải quyết định hệ thống nào cần được hiện đại hóa trước, hệ thống nào có thể chờ, thành phần nào phụ thuộc vào thành phần khác và đâu là điểm có thể gây gián đoạn lớn nhất.

Đối với một ngân hàng đang vận hành hàng ngày, đây là những quyết định có mức độ rủi ro cao.

Vì sao giải pháp tạm thời hoạt động tốt khi thử nghiệm nhưng thất bại khi mở rộng?

Đây là một trong những vấn đề quan trọng nhất của quá trình triển khai AI.

Trong giai đoạn thử nghiệm, một giải pháp có thể chỉ cần kết nối với một hệ thống hoặc một nguồn dữ liệu.

Nhưng khi mở rộng, AI có thể phải tương tác với hàng chục hệ thống, nhiều loại dữ liệu và các quy trình nghiệp vụ khác nhau.

Một “cầu nối” được xây dựng nhanh cho dự án thử nghiệm có thể không đủ khả năng phục vụ toàn doanh nghiệp.

Đó là lý do một số ngân hàng rơi vào tình trạng có rất nhiều dự án AI thành công ở cấp độ phòng ban nhưng không thể tạo ra một nền tảng thống nhất.

Thành công ở quy mô nhỏ đôi khi lại che giấu sự thiếu hụt về kiến trúc tổng thể.

Dữ liệu và hạ tầng thực chất là cùng một bài toán

Một phát hiện đáng chú ý từ cuộc thảo luận là hai vấn đề hạ tầng và dữ liệu không tách biệt hoàn toàn.

Các ngân hàng chưa hiện đại hóa hệ thống kết nối lõi thường cũng gặp nhiều khó khăn hơn trong việc tập trung và quản trị dữ liệu.

Khi dữ liệu nằm rải rác trên nhiều hệ thống, việc đưa AI vào vận hành trở nên phức tạp.

Ngược lại, khi kiến trúc dữ liệu được chuẩn hóa và các hệ thống có khả năng giao tiếp tốt hơn, việc triển khai AI cũng thuận lợi hơn.

Vì vậy, đây không hẳn là hai dự án độc lập cạnh tranh cùng một khoản ngân sách.

Chúng có thể là hai biểu hiện của cùng một vấn đề nền tảng.

Hai hướng giải quyết: hiện đại hóa và quản trị AI

Cuộc thảo luận tại Kuala Lumpur không chỉ tập trung vào việc xác định vấn đề mà còn đưa ra hai hướng tiếp cận.

Một hướng tập trung vào hiện đại hóa nền tảng.

Hướng còn lại tập trung vào quản trị AI sau khi công nghệ được triển khai.

Cả hai đều không phải ý tưởng hoàn toàn mới. Điểm khó nằm ở cách thực hiện.

Hiện đại hóa phải được coi là một chương trình có cấu trúc

Thay vì xem hiện đại hóa hệ thống cũ là một dự án khổng lồ duy nhất, các tổ chức có thể chia tài sản công nghệ thành từng nhóm.

Bước đầu tiên là lập bản đồ hệ thống hiện hữu.

Ngân hàng cần biết từng thành phần đang làm gì, chi phí vận hành bao nhiêu, phụ thuộc vào hệ thống nào và tại sao vẫn cần duy trì.

Sau đó, từng hệ thống có thể được đưa vào phương án phù hợp.

Một số hệ thống có thể được di chuyển với mức rủi ro thấp.

Một số khác cần thiết kế lại.

Một số có thể bị loại bỏ nếu chức năng đã tồn tại ở một hệ thống khác.

Không phải tất cả hệ thống cũ đều cần được xử lý bằng cùng một phương pháp.

Tiết kiệm từ hệ thống cũ có thể tài trợ cho hiện đại hóa

Một đề xuất đáng chú ý là sử dụng khoản tiết kiệm tạo ra từ quá trình tối ưu hóa hệ thống cũ để tiếp tục tài trợ cho quá trình hiện đại hóa.

Nếu ngân hàng có thể giảm chi phí giấy phép, hạ tầng hoặc vận hành một số hệ thống cũ, khoản tiết kiệm đó có thể được tái đầu tư vào các nền tảng mới.

Khi đó, hiện đại hóa không còn là một yêu cầu ngân sách riêng biệt phải trình hội đồng quản trị mỗi lần.

Nó có thể trở thành một chu kỳ:

tối ưu hệ thống → tiết kiệm chi phí → đầu tư hiện đại hóa → tạo thêm hiệu quả → tiếp tục tái đầu tư.

Đây có thể là cách giúp chương trình công nghệ dễ thuyết phục hơn về mặt kinh doanh.

Quản trị AI không nhất thiết phải tạo thêm một bộ máy mới

Đối với quản trị AI, một trong những quan điểm được nhấn mạnh là không nhất thiết phải xây dựng một hệ thống quản trị hoàn toàn mới.

Thay vào đó, ngân hàng có thể mở rộng mô hình ba tuyến phòng thủ vốn đã quen thuộc trong quản trị rủi ro.

Tuyến 1: Bộ phận kinh doanh

Bộ phận trực tiếp vận hành quy trình AI chịu trách nhiệm thiết lập các ngưỡng, quy trình phê duyệt và kiểm soát hoạt động hàng ngày.

Tuyến 2: Quản trị rủi ro và tuân thủ

Bộ phận này thực hiện đánh giá độc lập về thiết kế, rủi ro và việc tuân thủ, đồng thời có thể hạn chế hoặc tạm dừng một hệ thống khi cần thiết.

Tuyến 3: Kiểm toán nội bộ

Kiểm toán nội bộ đánh giá sau đó xem các biện pháp kiểm soát có thực sự được triển khai và vận hành như thiết kế hay không.

Vấn đề hiện tại không nhất thiết là ngân hàng thiếu ba tuyến này.

Khoảng trống nằm ở việc các tuyến phòng thủ hiện hữu chưa phải lúc nào cũng được mở rộng để bao quát đầy đủ những rủi ro và hoạt động mới của AI.

Ai thực sự sở hữu AI trong ngân hàng?

Một nhận xét tại cuộc thảo luận phản ánh khá chính xác vấn đề: nhiều người có thể sở hữu một phần AI, nhưng không ai thực sự sở hữu toàn bộ chương trình AI.

Bộ phận công nghệ chịu trách nhiệm về nền tảng.

Bộ phận dữ liệu chịu trách nhiệm về dữ liệu.

Bộ phận kinh doanh chịu trách nhiệm về quy trình.

Bộ phận rủi ro chịu trách nhiệm về kiểm soát.

Nhưng nếu không có người chịu trách nhiệm cuối cùng về việc mở rộng AI, chương trình có thể tiếp tục bị chia nhỏ.

Thay vì thành lập thêm một ủy ban mới, hướng tiếp cận được thảo luận là giao trách nhiệm AI vào các cơ cấu quản trị hiện có, đồng thời xác định rõ ai chịu trách nhiệm cho từng phần và ai có quyền đưa ra quyết định cuối cùng.

AI của ngân hàng ASEAN đang thiếu gì?

Nhìn tổng thể, câu chuyện từ nghiên cứu và cuộc thảo luận tại Kuala Lumpur khá nhất quán.

Công nghệ không phải yếu tố duy nhất đang thiếu.

Các ngân hàng đã có mô hình AI, nền tảng dữ liệu và những dự án thử nghiệm.

Điều khó hơn là xây dựng nền tảng đủ mạnh để AI hoạt động trên toàn doanh nghiệp.

Đó là bài toán của:

• Hạ tầng cũ cần được hiện đại hóa.
• Dữ liệu cần được quản trị và phân quyền rõ ràng.
• Quyền sở hữu AI cần được xác định cụ thể.
• Các dự án thử nghiệm cần được thiết kế ngay từ đầu với khả năng mở rộng.
• Quản trị AI cần được đưa vào những cơ chế kiểm soát hiện hữu.
• Hội đồng quản trị cần nhìn thấy một mô hình kinh doanh đủ rõ để quyết định đầu tư dài hạn.

Nếu không giải quyết những vấn đề này, ngân hàng có thể tiếp tục tạo ra nhiều dự án AI riêng lẻ nhưng vẫn khó hình thành một năng lực AI cấp doanh nghiệp.

Câu hỏi thường gặp

Ba rào cản lớn nhất đối với việc mở rộng AI tại ngân hàng là gì?

Theo nghiên cứu được đề cập, ba rào cản gồm cơ sở hạ tầng cũ chiếm 43%, dữ liệu phân tán chiếm 36% và vấn đề quyền sở hữu chiếm 21%.

Tại sao ngân hàng có nhiều dự án AI nhưng vẫn khó mở rộng?

Một dự án có thể hoạt động tốt trong một bộ phận nhưng sử dụng dữ liệu, hệ thống và quy trình riêng. Khi triển khai sang toàn doanh nghiệp, các khác biệt về hạ tầng, dữ liệu và quản trị khiến việc mở rộng phức tạp hơn nhiều.

Vì sao hệ thống cũ gây khó khăn cho AI?

AI cần kết nối với dữ liệu và hệ thống nghiệp vụ. Khi các hệ thống lõi được xây dựng qua nhiều thế hệ công nghệ và không có giao diện kết nối thống nhất, ngân hàng phải sử dụng nhiều giải pháp trung gian. Những giải pháp này có thể phù hợp khi thử nghiệm nhưng khó đáp ứng khi triển khai ở quy mô lớn.

Ngân hàng có nên xây dựng một bộ máy quản trị AI hoàn toàn mới?

Một hướng tiếp cận được thảo luận là mở rộng mô hình ba tuyến phòng thủ hiện có thay vì tạo thêm một cấu trúc quản trị độc lập. Điều quan trọng là xác định rõ AI nằm trong phạm vi trách nhiệm của các tuyến kiểm soát hiện tại như thế nào.

Làm thế nào để chuyển AI từ thử nghiệm sang quy mô toàn ngân hàng?

Các tổ chức có thể bắt đầu bằng việc lập bản đồ hệ thống cũ, đánh giá dữ liệu, xác định quyền sở hữu, lựa chọn những nền tảng có khả năng mở rộng và xây dựng cơ chế quản trị ngay từ đầu. Việc chứng minh hiệu quả kinh tế cũng rất quan trọng để tạo cơ sở cho các khoản đầu tư tiếp theo.

AI có phải vấn đề công nghệ hay vấn đề quản trị?

Thực tế có cả hai yếu tố. Nhưng nghiên cứu và cuộc thảo luận được đề cập cho thấy nhiều ngân hàng không thiếu công nghệ thử nghiệm. Thách thức lớn nằm ở nền tảng hạ tầng, dữ liệu, quyền sở hữu và khả năng tổ chức để biến thử nghiệm thành năng lực cấp doanh nghiệp.