Muốn trở thành ngân hàng tăng trưởng mạnh nhờ AI vào năm 2027, trước hết phải xây lại lõi ngân hàng

Trong khoảng 50 năm qua, phần lớn hệ thống ngân hàng lõi được xây dựng xoay quanh một giả định khá đơn giản: người dùng là con người.

Một nhân viên ngồi trước màn hình, đọc thông tin, nhấp vào nút, nhập dữ liệu rồi chờ hệ thống xử lý. Các quy trình nghiệp vụ, giao diện người dùng, hệ thống xử lý theo lô vào ban đêm và nhiều lớp phần mềm ngân hàng truyền thống đều được thiết kế theo mô hình đó.

Nhưng trí tuệ nhân tạo đang làm thay đổi giả định này.

Các AI agent, hay tác nhân AI, không cần ngồi trước màn hình và nhấp chuột. Chúng có thể đọc dữ liệu, truy vấn hệ thống, gọi API, phân tích thông tin và thực hiện chuỗi nhiệm vụ tự động.

Điều đó đặt ra một câu hỏi quan trọng đối với ngành ngân hàng: nếu AI trở thành một “người dùng” mới của hệ thống ngân hàng, liệu lõi ngân hàng hiện tại có được thiết kế để phục vụ người dùng đó hay chưa?

Với nhiều tổ chức, câu trả lời vẫn là chưa.

AI trong ngân hàng không còn chỉ là một chatbot

Trong giai đoạn đầu của làn sóng AI, ngân hàng có thể triển khai một chatbot chăm sóc khách hàng hoặc một công cụ hỗ trợ nhân viên viết nội dung, tổng hợp tài liệu.

Những ứng dụng này tương đối dễ thử nghiệm vì AI chủ yếu đóng vai trò tư vấn.

Agentic AI lại khác.

Một tác nhân AI có thể được giao mục tiêu và tự thực hiện nhiều bước để hoàn thành công việc. Ví dụ, thay vì chỉ trả lời “khách hàng này có đủ điều kiện vay không?”, hệ thống có thể truy vấn dữ liệu, kiểm tra lịch sử giao dịch, đối chiếu hạn mức, chạy mô hình rủi ro, tạo đề xuất và chuyển kết quả sang quy trình tiếp theo.

Khi đó, AI không còn đơn thuần là một lớp giao diện phía trên hệ thống ngân hàng.

AI trở thành một tác nhân có khả năng tương tác trực tiếp với hệ thống lõi.

Đây chính là điểm khiến kiến trúc công nghệ truyền thống bắt đầu bộc lộ hạn chế.

Vì sao nhiều dự án AI ngân hàng khó đi từ thử nghiệm đến sản xuất?

Một trong những cảnh báo đáng chú ý đến từ nghiên cứu The GenAI Divide: State of AI in Business 2025 của Project NANDA tại MIT. Nghiên cứu cho biết khoảng 95% tổ chức được khảo sát không ghi nhận lợi nhuận hoặc tác động P&L có thể đo lường từ các khoản đầu tư GenAI, trong khi chỉ một tỷ lệ nhỏ các dự án tạo ra giá trị đáng kể. Nghiên cứu dựa trên hơn 300 sáng kiến AI công khai, các cuộc phỏng vấn tổ chức và khảo sát lãnh đạo.

Con số này cần được hiểu đúng: đây không phải tuyên bố rằng 95% mọi dự án AI trên thế giới đều thất bại. Báo cáo của MIT tập trung vào một nhóm triển khai GenAI trong doanh nghiệp và chính nghiên cứu cũng mô tả đây là kết quả nghiên cứu về khoảng cách giữa thử nghiệm và giá trị kinh doanh.

Tuy vậy, thông điệp cốt lõi rất đáng chú ý: xây dựng một bản thử nghiệm AI và đưa nó vào vận hành thực tế là hai bài toán hoàn toàn khác nhau.

Trong giai đoạn thử nghiệm, doanh nghiệp có thể sử dụng dữ liệu được trích xuất thủ công, API tạm thời hoặc các quy trình ngoại lệ.

Nhưng khi hệ thống được đưa vào sản xuất, mọi thứ phải trở thành hạ tầng lâu dài.

Dữ liệu phải được cập nhật liên tục.

Quyền truy cập phải được kiểm soát.

Các hành động phải được ghi nhận.

API phải ổn định.

Kết quả phải có khả năng kiểm toán.

Và quan trọng nhất, hệ thống phải hoạt động liên tục mà không tạo ra rủi ro cho khách hàng hoặc ngân hàng.

Đây chính là nơi nhiều dự án AI bắt đầu gặp khó khăn.

Một lõi ngân hàng AI-native cần ba lớp nền tảng

Để AI có thể trở thành một người dùng thực sự của hệ thống ngân hàng, kiến trúc lõi cần được thiết kế lại theo hướng hỗ trợ cả con người và máy.

Có thể hình dung một AI-native core banking dựa trên ba lớp chính.

1. Nền tảng dữ liệu được quản trị

AI cần dữ liệu giống như con người cần thông tin để đưa ra quyết định.

Nhưng dữ liệu ngân hàng thường nằm rải rác trong nhiều hệ thống: tài khoản, khoản vay, thanh toán, khách hàng, giao dịch, CRM, quản trị rủi ro và các nền tảng bên thứ ba.

Nếu AI phải chờ một nhân viên trích xuất dữ liệu rồi tải lên hệ thống, tốc độ tự động hóa sẽ nhanh chóng bị giới hạn.

Một nền tảng AI-native cần cung cấp một lớp dữ liệu được quản trị, có thể truy vấn và cập nhật theo thời gian thực, đồng thời duy trì các quyền kiểm soát phù hợp.

Mục tiêu không phải là cho AI quyền truy cập không giới hạn.

Ngược lại, mục tiêu là tạo ra quyền truy cập có kiểm soát, có nguồn gốc dữ liệu rõ ràng và có thể kiểm toán.

2. API toàn diện và sự kiện thời gian thực

AI agent không thao tác theo cách con người sử dụng giao diện.

Nó cần API.

Một hệ thống ngân hàng có thể có hàng trăm chức năng nhưng nếu chỉ một phần trong số đó được mở qua API, AI sẽ không thể tự động hóa toàn bộ quy trình.

Một kiến trúc phù hợp cần có API ổn định, được quản lý phiên bản và các luồng sự kiện thời gian thực.

Ví dụ, khi một khoản thanh toán hoàn tất, hệ thống có thể phát ra một sự kiện.

Khi hạn mức tín dụng vượt ngưỡng, một sự kiện khác được kích hoạt.

Khi khoản vay đến hạn, AI agent có thể nhận tín hiệu và thực hiện quy trình tiếp theo.

Thay vì chờ con người mở màn hình và kiểm tra, hệ thống có thể phản ứng ngay khi sự kiện xảy ra.

3. Lớp thực thi an toàn

Đây là lớp quyết định AI có thể làm gì và làm đến đâu.

Logic nghiệp vụ riêng của ngân hàng cần được quản lý phiên bản, kiểm toán và giám sát.

Ví dụ, AI có thể đề xuất một khoản vay nhưng không nhất thiết được quyền phê duyệt khoản vay đó.

AI có thể phát hiện giao dịch bất thường nhưng hành động khóa tài khoản có thể cần một lớp kiểm soát khác.

AI có thể chuẩn bị một đề xuất nhưng hệ thống vẫn có thể yêu cầu con người xác nhận trước khi thực hiện.

Đây là cách kết hợp giữa tự động hóa và human oversight.

Các cơ quan quản lý ngân hàng trong khu vực cũng đang nhấn mạnh chính những nguyên tắc này.

Indonesia đã đưa quản trị AI vào khung quản lý ngân hàng

Ngày 29/4/2025, Otoritas Jasa Keuangan (OJK) của Indonesia công bố Artificial Intelligence Governance for Indonesian Banks, nhằm hướng dẫn các ngân hàng phát triển và triển khai AI một cách có trách nhiệm. OJK cho biết khung này được thiết kế để bổ sung cho các chính sách về chuyển đổi số, an ninh mạng, quản lý công nghệ thông tin và khả năng chống chịu số của ngân hàng.

OJK nhấn mạnh AI có thể được sử dụng trong nhiều hoạt động ngân hàng, từ dịch vụ khách hàng, phát triển sản phẩm và định giá cho tới tuân thủ, quản trị rủi ro, phòng chống gian lận và phân tích dữ liệu.

Nhưng đi cùng với cơ hội là yêu cầu quản trị rủi ro và thận trọng.

Điều này rất quan trọng đối với AI agent.

Một AI có khả năng hành động càng lớn thì yêu cầu về kiểm soát càng cao.

Philippines cũng đặt trọng tâm vào quản trị AI

Bangko Sentral ng Pilipinas (BSP) đã công bố Principles of Artificial Intelligence Development and Use vào tháng 6/2024, tạo khuôn khổ cho việc phát triển, triển khai và giám sát AI có trách nhiệm tại ngân hàng trung ương.

Một nghiên cứu chuyên đề của BSP về AI và machine learning trong dịch vụ tài chính cũng nhấn mạnh các vấn đề như AI roadmap, chính sách AI, phân bổ ngân sách, thuê ngoài, an ninh mạng và quyền riêng tư. BSP đồng thời lưu ý rằng các tổ chức nhỏ có thể gặp hạn chế về nguồn lực và phụ thuộc nhiều hơn vào nhà cung cấp bên ngoài.

Điểm chung giữa những khung quản trị này là AI không thể được xem như một công cụ độc lập.

Nó phải nằm trong một hệ thống có:

• Nguồn gốc dữ liệu rõ ràng.
• Quyền truy cập được kiểm soát.
• Logic có thể kiểm toán.
• Điểm kiểm soát được xác định.
• Trách nhiệm của con người.
• Cơ chế quản trị rủi ro.
• Khả năng giám sát và đánh giá liên tục.

Salmon và FairMoney cho thấy lõi ngân hàng có thể trở thành lợi thế

Một số fintech tại các thị trường mới nổi đang sử dụng kiến trúc core banking hiện đại để mở rộng nhanh.

Theo dữ liệu do Oradian công bố, Salmon tại Philippines đã ghi nhận mức tăng 648% danh mục cho vay trong 12 tháng trên nền tảng của hãng. Oradian cũng công bố FairMoney đã mở rộng tới hàng triệu tài khoản trên một nền tảng và xử lý hàng nghìn hồ sơ vay mỗi ngày. Đây là các số liệu do chính nhà cung cấp nền tảng công bố, vì vậy cần được xem như số liệu doanh nghiệp tự báo cáo, thay vì một thống kê độc lập.

Điều đáng chú ý không chỉ nằm ở tốc độ tăng trưởng.

Nó nằm ở kiến trúc.

Oradian mô tả nền tảng AI-native của mình dựa trên khả năng truy cập dữ liệu, API, core có thể lập trình và tự động hóa theo thời gian thực. Hãng cho biết hệ thống của mình đang hoạt động tại 13 quốc gia và được thiết kế để AI có thể tương tác trực tiếp với nền tảng.

Đây chính là sự khác biệt giữa việc gắn AI vào một hệ thống cũ và việc xây dựng một hệ thống mà AI có thể sử dụng ngay từ đầu.

Ngân hàng năm 2027 sẽ không chỉ có nhân viên và khách hàng

Trong mô hình ngân hàng truyền thống, có hai nhóm người dùng chính.

Thứ nhất là khách hàng.

Thứ hai là nhân viên ngân hàng.

Trong mô hình ngân hàng AI-native, có thể xuất hiện nhóm thứ ba:

AI agent.

AI agent có thể hoạt động như một nhân viên kỹ thuật số, nhưng tốc độ, cách tương tác và yêu cầu hạ tầng hoàn toàn khác.

Một nhân viên có thể xử lý vài chục tác vụ trong một ngày.

Một AI agent có thể thực hiện hàng nghìn hành động tự động.

Một nhân viên có thể nhìn thấy giao diện và hiểu trạng thái hệ thống.

AI agent cần API, dữ liệu có cấu trúc và sự kiện thời gian thực.

Một nhân viên có thể phát hiện lỗi bằng kinh nghiệm.

AI cần log, quy tắc, mô hình giám sát và cơ chế kiểm soát.

Đó là lý do lõi ngân hàng của tương lai phải được thiết kế cho cả human users và machine users.

Từ “AI hỗ trợ” sang “AI vận hành”

Đây có thể là sự thay đổi lớn nhất trong chiến lược AI ngân hàng.

Giai đoạn đầu, ngân hàng dùng AI để:

• Viết nội dung.
• Tóm tắt tài liệu.
• Trả lời câu hỏi.
• Hỗ trợ nhân viên.
• Phân tích dữ liệu.
• Phát hiện gian lận.

Giai đoạn tiếp theo, AI có thể bắt đầu:

• Khởi động quy trình.
• Gọi API.
• Đánh giá dữ liệu.
• Đưa ra quyết định trong phạm vi được phép.
• Chuyển giao nhiệm vụ.
• Theo dõi kết quả.
• Phản ứng với sự kiện theo thời gian thực.

Khi đó, AI không còn là một lớp phần mềm nằm bên ngoài ngân hàng.

AI trở thành một phần của cách ngân hàng vận hành.

Muốn tăng trưởng nhờ AI vào năm 2027, ngân hàng nên bắt đầu từ đâu?

Một ngân hàng không nhất thiết phải thay thế toàn bộ core banking trong một lần.

Điều quan trọng là xác định điểm nghẽn.

Nếu dữ liệu bị phân mảnh, cần ưu tiên lớp dữ liệu.

Nếu hệ thống thiếu API, cần xây dựng lớp kết nối.

Nếu AI có thể đọc dữ liệu nhưng không thể thực hiện hành động an toàn, cần xây dựng lớp thực thi.

Cách tiếp cận này giúp ngân hàng tránh một sai lầm phổ biến: bắt đầu bằng việc lựa chọn mô hình AI trước khi xác định hệ thống cần AI làm gì.

Mô hình AI có thể thay đổi rất nhanh. Hạ tầng ngân hàng thì không.

Vì vậy, khoản đầu tư có tính dài hạn hơn có thể nằm ở lớp nền tảng giúp mọi mô hình AI tương lai tương tác với dữ liệu và nghiệp vụ của ngân hàng.

Đến năm 2027, lợi thế AI của một ngân hàng có thể không được quyết định chỉ bởi ngân hàng đó sử dụng mô hình AI nào.

Yếu tố quan trọng hơn có thể là AI có thể làm được gì bên trong hệ thống ngân hàng.

Nếu AI chỉ có thể đọc một phần dữ liệu, gọi một vài API và phụ thuộc vào con người ở từng bước, ngân hàng sẽ khó tận dụng hết tiềm năng của agentic AI.

Ngược lại, một lõi ngân hàng có dữ liệu được quản trị, API toàn diện, sự kiện thời gian thực và lớp thực thi an toàn sẽ tạo ra nền tảng để AI trở thành một thành phần thực sự của hoạt động kinh doanh.

Các khung quản trị AI được OJK tại Indonesia và BSP tại Philippines công bố cho thấy khu vực cũng đang tiến theo hướng kết hợp đổi mới AI với quản trị, trách nhiệm giải trình và kiểm soát rủi ro.

Vì vậy, bài toán của ngân hàng trong giai đoạn tới không đơn giản là “có sử dụng AI hay không”.

Câu hỏi lớn hơn là:

Hệ thống lõi của ngân hàng đã sẵn sàng để AI trở thành một người dùng thực sự hay chưa?

Nếu câu trả lời là chưa, năm 2027 có thể không phải thời điểm để bắt đầu suy nghĩ về AI-native banking.

Đó là thời điểm để nhận ra rằng quá trình xây dựng nó phải bắt đầu từ nhiều năm trước.

Câu hỏi về áp dụng AI vào ngành ngân hàng

AI-native core banking là gì?

AI-native core banking là kiến trúc lõi ngân hàng được thiết kế để AI có thể truy cập dữ liệu, gọi chức năng và thực hiện quy trình trong phạm vi được cấp quyền, thay vì chỉ phục vụ người dùng thông qua giao diện màn hình truyền thống.

Vì sao chatbot ngân hàng chưa đủ để trở thành ngân hàng AI?

Chatbot chủ yếu cung cấp thông tin hoặc hỗ trợ hội thoại. AI agent có phạm vi rộng hơn: nó có thể truy vấn dữ liệu, gọi API và thực hiện chuỗi hành động. Vì vậy, agentic AI đòi hỏi hạ tầng sâu hơn nhiều so với một chatbot.

Ba nền tảng quan trọng của lõi ngân hàng AI là gì?

Có thể khái quát thành ba lớp: dữ liệu được quản trị, API và sự kiện thời gian thực, cùng lớp thực thi an toàn có khả năng kiểm toán.

Ngân hàng có cần thay thế toàn bộ core banking để dùng AI không?

Không nhất thiết. Một chiến lược có thể bắt đầu bằng việc xây dựng các lớp dữ liệu, API và tích hợp trên hệ thống hiện hữu, sau đó từng bước thay đổi những thành phần trở thành điểm nghẽn đối với AI.

AI có thể tự quyết định các khoản vay không?

Về mặt kỹ thuật, AI có thể tham gia nhiều bước trong quá trình đánh giá tín dụng. Tuy nhiên, mức độ tự động hóa phải phụ thuộc vào thiết kế kiểm soát nội bộ, yêu cầu pháp lý, quản trị rủi ro và chính sách của từng tổ chức.

Vì sao quản trị AI ngày càng quan trọng với ngân hàng?

Ngân hàng xử lý dữ liệu tài chính nhạy cảm và các quyết định có tác động trực tiếp tới khách hàng. Khi AI được trao quyền hành động, các yêu cầu về bảo mật, khả năng giải thích, kiểm toán, quản lý rủi ro và giám sát con người trở nên quan trọng hơn.

Lưu ý nguồn: Các số liệu về MIT NANDA, OJK, BSP và Oradian trong bài được diễn đạt theo phạm vi mà nguồn công bố. Đặc biệt, các số liệu tăng trưởng của Salmon/FairMoney là thông tin do Oradian công bố, không nên hiểu là kiểm toán độc lập. OJK xác nhận khung quản trị AI cho ngân hàng Indonesia được ban hành ngày 29/4/2025, trong khi BSP đã công bố nguyên tắc phát triển và sử dụng AI từ tháng 6/2024.