5 câu hỏi hàng đầu về AI mà các lãnh đạo ngành tài chính đang quan tâm

Năm ngoái tại Sibos Frankfurt, câu hỏi đặt ra là liệu AI có thực sự hiệu quả hay không. Năm nay: liệu AI của bạn có xứng đáng với sự tin tưởng của bạn?

Dữ liệu đã chứng minh cho sự thay đổi đó. Trong Khảo sát Tác động của AI trong Ngân hàng năm 2026 của Grant Thornton, một nửa số giám đốc điều hành ngân hàng cho biết quản trị và tuân thủ đã hạn chế hiệu suất của AI, nhưng chỉ 18% tự tin rằng họ có thể vượt qua một cuộc kiểm toán độc lập về các biện pháp kiểm soát AI của mình. Nghiên cứu của chúng tôi cùng với Economist Enterprise, báo cáo năm 2026 "Making AI Deliver", cũng tìm thấy một khoảng cách tương tự đối với agentic AI (AI tác nhân): chưa đến một nửa số tổ chức bắt buộc phải có khung quản trị chính thức cho các hệ thống tự hành.

Đây là năm câu hỏi mà chúng tôi nhận được nhiều nhất từ các giám đốc tài chính (CFO), giám đốc tuân thủ, trưởng bộ phận ngân quỹ và quản lý quan hệ khách hàng. Dù bạn có tham dự Sibos năm nay hay không, đây vẫn là những câu hỏi đáng để suy ngẫm.

1. Các đội ngũ tài chính có thể chuyển từ báo cáo sang hành động không?

"Vị thế thanh khoản thực tế của chúng ta hiện tại là bao nhiêu, trên mọi thực thể và loại tiền tệ?" Đó là câu hỏi mà một giám đốc ngân quỹ đặt ra mỗi ngày. Đây là điều mà AI cuối cùng cũng nên giải quyết được mà không cần phải mất ba ngày chạy đua với bảng tính.

Việc yêu cầu một mô hình tóm tắt báo cáo là điều đơn giản. Phần khó hơn là đưa dữ liệu được quản trị và AI vào các quyết định mà đội ngũ tài chính thực hiện hàng ngày liên quan đến bảng cân đối kế toán, thanh khoản, chi tiêu và vận hành. Mục tiêu là giúp các đội ngũ phát hiện những thay đổi, điều tra nguyên nhân thúc đẩy chúng và làm được nhiều việc hơn là chỉ tự động hóa chu kỳ báo cáo.

Tại gian hàng của Databricks (#DISL25) ở Sibos Miami, chúng tôi sẽ trình bày bài nói chuyện "Trapped Capital, Released by AI: Reconciliation Your Regulator Can Audit" (Vốn bị kẹt, được giải phóng bởi AI: Đối soát mà cơ quan quản lý của bạn có thể kiểm toán). Bài nói chuyện này chỉ ra các điểm đứt gãy dữ liệu từ sổ cái (GL) đến rủi ro vốn âm thầm làm tăng tài sản có trọng số rủi ro, điều tra chúng bằng bằng chứng cụ thể và giải phóng vốn quy định bị kẹt, với sự kiểm soát của con người (maker-checker) và một dấu vết kiểm toán mà thanh tra viên thực sự có thể theo dõi.

Chúng tôi cũng sẽ đi sâu vào những gì xảy ra sau khi tiền được chuyển đi. Các nền tảng thanh toán được token hóa giải quyết một phần vấn đề, nhưng việc đối soát, kiểm soát tội phạm tài chính và quản lý thanh khoản trong ngày vẫn phải diễn ra ngoài chuỗi (off-chain). Bài nói chuyện nhanh của chúng tôi, "Tokenization Moved the Money. It Didn't Move the Hard Part" (Token hóa đã chuyển tiền. Nhưng nó chưa giải quyết được phần khó), sẽ đi qua mô hình vận hành để giữ cho các vị thế token, sổ cái phụ tiền gửi và tài khoản tài trợ luôn đồng bộ. Ngoài ra, bạn sẽ được xem trực tiếp bảng điều khiển kiểm soát đối soát tiền gửi được token hóa.

2. Các đội ngũ phòng chống tội phạm tài chính có thể sử dụng AI mà không mất quyền kiểm soát không?

"Đây là rủi ro thực sự hay chỉ là nhiễu?" Đó là câu hỏi mà một chuyên viên phân tích AML (chống rửa tiền) đặt ra hàng chục lần mỗi ngày, và đây chính là yếu tố phân biệt giữa một AI thực sự hữu ích với một AI chỉ làm tăng thêm hệ thống mà không ai tin tưởng.

AI có thể điều tra các vụ việc, kết nối bối cảnh và hỗ trợ các quyết định của chuyên viên phân tích. Nhưng mọi đề xuất đều cần một nguồn gốc có thể truy xuất: dữ liệu nào đã cung cấp cho nó, nó đã đề xuất gì, liệu có người đã xem xét kết quả đầu ra hay không và liệu tổ chức có thể tái hiện lại cuộc điều tra để phục vụ kiểm toán hoặc xem xét của cơ quan quản lý hay không. Quản trị không thể chỉ nằm trong một tài liệu chính sách. Nó phải được tích hợp vào chính dữ liệu, các biện pháp kiểm soát truy cập và quy trình làm việc.

Chúng tôi sẽ có phiên bản trực tiếp của điều này tại gian hàng của mình: một tác nhân (agent) xử lý các cảnh báo AML thực tế trên lakehouse của ngân hàng, chỉ nhìn thấy những gì chuyên viên phân tích được phép xem. Nó soạn thảo Báo cáo Hoạt động Đáng ngờ (SAR) và để con người thực hiện việc nộp báo cáo, với mọi bước được ghi lại dựa trên bằng chứng KYC (hiểu khách hàng)/AML và mô hình đã chạy. Đây cũng là câu hỏi mà chúng tôi sẽ đề cập trong phiên thảo luận tại Discover Stage, "How financial institutions are governing AI in financial crime operations" (Cách các tổ chức tài chính quản trị AI trong vận hành phòng chống tội phạm tài chính), vào thứ Năm, ngày 1 tháng 10, lúc 11:00 sáng, chứng minh những gì AI đã làm, chứ không chỉ những gì nó có thể làm.

3. AI có thể giúp các chủ ngân hàng, cố vấn và đội ngũ đầu tư như thế nào?

"Khách hàng này thực sự cần gì từ chúng ta ngay lúc này?" Mọi quản lý quan hệ khách hàng đều đặt ra một phiên bản của câu hỏi đó trước khi gọi điện, và câu trả lời trung thực thường phụ thuộc vào dữ liệu nằm rải rác trên ba hệ thống và một thư mục nghiên cứu mà họ không có thời gian để đọc.

RBC Brewin Dolphin sử dụng AI tạo sinh để tự động hóa việc chuẩn bị các gói tài liệu cho cuộc họp đánh giá khách hàng, tiết kiệm ước tính 4.700 giờ mỗi năm. Các công ty khác đang tiến xa hơn. Tại một nhà quản lý tài sản toàn cầu, các quy trình làm việc đa tác nhân (multi-agent) tạo ra bình luận đầu tư trên hàng trăm quỹ, mở rộng phạm vi hỗ trợ của cố vấn trong khi vẫn đảm bảo tuân thủ. Tại một công ty khác, các tác nhân kết hợp việc chấm điểm quỹ độc quyền với các tài liệu nội bộ để tạo ra các phân tích danh mục đầu tư sẵn sàng cho kiểm toán chỉ trong vài giây, làm nổi bật những cơ hội mà một đội ngũ bình thường sẽ không có thời gian để tự tìm ra.

Mục tiêu không phải là loại bỏ con người khỏi các quyết định quan trọng. Đó là giảm bớt khối lượng công việc xung quanh các quyết định đó để dành nhiều thời gian hơn cho việc đánh giá và xây dựng mối quan hệ.

4. Làm thế nào để sử dụng dữ liệu thời gian thực mà không làm tăng độ phức tạp?

"Tại sao chúng ta vừa từ chối một giao dịch tốt?" Đó là điều mà người đứng đầu bộ phận ngân hàng giao dịch đặt ra khi các quyết định rủi ro dựa trên dữ liệu cũ hàng phút, chứ không phải hàng mili giây.

Hầu hết các tổ chức đã có sẵn dữ liệu. Nó chỉ nằm rải rác giữa các hệ thống, bị trì hoãn bởi các quy trình xử lý theo lô (batch) hoặc khó sử dụng theo cách được quản trị. Coinbase chạy tính năng phát hiện gian lận thời gian thực trên Databricks với độ trễ P99 dưới 100ms, một tiêu chuẩn hữu ích cho ý nghĩa thực sự của "thời gian thực".

5. AI tốn kém bao nhiêu khi quy mô sử dụng mở rộng?

Kinh tế học về AI trông có vẻ dễ quản lý trong giai đoạn thử nghiệm nhưng lại rất khác khi đưa vào vận hành thực tế. Trong một buổi họp CFO Briefing gần đây của Bloomberg, một CFO gọi chi phí token AI là một "con số không đáng kể" trong nửa đầu năm 2026, đồng thời lưu ý rằng không phải tác vụ nào cũng cần mô hình đắt tiền nhất. Điều đó sẽ không còn là "không đáng kể" lâu nữa, tại ngân hàng đó hay bất kỳ nơi nào khác. Kỷ luật chi phí cần phải bắt đầu trước khi việc chi tiêu trở nên khó theo dõi, chứ không phải sau đó.

Để hiểu rõ hơn về cách các đội ngũ kỹ thuật đang giải quyết vấn đề này, hãy xem bài đăng trên blog của Databricks, "Managing AI Coding Costs at Scale" (Quản lý chi phí lập trình AI ở quy mô lớn), trong đó phân tích các đòn bẩy, từ định tuyến mô hình đến khả năng hiển thị chi tiêu, giúp ngăn chặn chi phí AI vượt quá giá trị mà chúng tạo ra.

Nếu đây là những cuộc trò chuyện mà đội ngũ của bạn đang thực hiện, chúng tôi muốn thảo luận trực tiếp với bạn. Databricks sẽ có mặt tại Miami cho sự kiện Sibos 2026, từ ngày 28 tháng 9 đến ngày 1 tháng 10. Hãy gửi email đến [email protected] hoặc truy cập trang sự kiện của chúng tôi để xem chương trình nghị sự đầy đủ và đặt lịch hẹn.

FAQ