Tác động của trí tuệ nhân tạo và học máy đến hiệu quả kinh doanh của ngân hàng số tại Việt Nam

Đoàn Thị Thủy

Trường Đại học Gia Định

Email: thuydt@giadinh.edu.vn

Tóm tắt

Nghiên cứu tập trung phân tích vai trò và tác động của trí tuệ nhân tạo (AI) và học máy (ML) trong việc nâng cao hiệu quả kinh doanh của các ngân hàng số tại Việt Nam. Kết quả nghiên cứu cho thấy AI và ML đóng vai trò quan trọng trong việc nâng cao năng lực cạnh tranh và thúc đẩy sự phát triển bền vững của các ngân hàng số Việt Nam trong thời kỳ chuyển đổi số. Tuy nhiên, quá trình ứng dụng AI và ML trong ngành ngân hàng số Việt Nam vẫn gặp phải nhiều thách thức như thiếu hụt nhân lực chất lượng cao, chi phí đầu tư công nghệ lớn, rủi ro về bảo mật dữ liệu và hành lang pháp lý chưa hoàn thiện. Để khắc phục những khó khăn này, nghiên cứu đề xuất các giải pháp nhằm vượt qua những thách thức, tận dụng được tiềm năng to lớn của AI và ML để phát triển bền vững ngân hàng trong thời kỳ chuyển đổi số.

Từ khóa: Hiệu quả kinh doanh, ngân hàng số, trí tuệ nhân tạo (AI)

Summary

This study focuses on analyzing the role and impact of Artificial Intelligence (AI) and Machine Learning (ML) in enhancing business performance among digital banks in Vietnam. The findings reveal that AI and ML play a critical role in strengthening competitive capacity and promoting the sustainable development of Vietnamese digital banks in the era of digital transformation. However, the implementation of AI and ML in Vietnam’s digital banking sector faces numerous challenges, such as a shortage of high-quality human resources, high technology investment costs, data security risks, and an underdeveloped legal framework. To address these issues, the study proposes solutions to overcome existing barriers and fully harness the potential of AI and ML for the sustainable development of digital banking in the digital age.

Keywords: Business performance, digital banking, Artificial Intelligence (AI)

ĐẶT VẤN ĐỀ

Trong bối cảnh cách mạng công nghiệp 4.0, trí tuệ nhân tạo (AI) và học máy (ML) đang trở thành những công nghệ cốt lõi, đóng vai trò quan trọng trong việc chuyển đổi số và nâng cao hiệu quả hoạt động kinh doanh của các ngân hàng số. Việc ứng dụng AI và ML không chỉ giúp các ngân hàng tối ưu hóa quy trình vận hành, phát hiện gian lận, phân tích hành vi khách hàng mà còn đưa ra các quyết định tài chính thông minh và cá nhân hóa trải nghiệm người dùng. Tại Việt Nam, hệ sinh thái ngân hàng số đang phát triển mạnh mẽ, đặc biệt trong bối cảnh nhu cầu thanh toán không dùng tiền mặt và dịch vụ tài chính trực tuyến ngày càng gia tăng. Tuy nhiên, việc ứng dụng AI và ML trong lĩnh vực này vẫn đang ở giai đoạn đầu và đối mặt với nhiều thách thức như chi phí đầu tư công nghệ, vấn đề dữ liệu và bảo mật thông tin. Do đó, nghiên cứu này được thực hiện nhằm đánh giá tác động của AI và ML đến hiệu quả kinh doanh của các ngân hàng số Việt Nam, đồng thời đề xuất các giải pháp nhằm tối ưu hóa việc ứng dụng các công nghệ này trong hoạt động ngân hàng số.

CƠ SỞ LÝ THUYẾT VỀ AI, ML VÀ HIỆU QUẢ KINH DOANH CỦA NGÂN HÀNG SỐ

Trí tuệ nhân tạo (AI) và học máy (ML)

Trí tuệ nhân tạo (Artificial Intelligence – AI) là một lĩnh vực khoa học máy tính nghiên cứu về các hệ thống có khả năng thực hiện các nhiệm vụ đòi hỏi trí tuệ con người, chẳng hạn như học tập, suy luận và tự điều chỉnh (Russell & Norvig, 2016). Thuật ngữ “Trí tuệ nhân tạo” lần đầu tiên được giới thiệu trong Hội nghị Dartmouth năm 1956, đánh dấu sự khởi đầu của một lĩnh vực nghiên cứu mới (McCarthy, Minsky, & ML, 1956). AI bao gồm nhiều nhánh khác nhau, trong đó học máy (Machine Learning) và học sâu (Deep Learning) là những lĩnh vực nổi bật. Học máy là quá trình huấn luyện mô hình từ dữ liệu, cho phép hệ thống cải thiện hiệu suất theo thời gian (Mitchell, 1997). Trong khi đó, học sâu sử dụng các mạng nơ-ron nhân tạo (Artificial Neural Networks) để xử lý dữ liệu phức tạp, chẳng hạn như nhận dạng hình ảnh và xử lý ngôn ngữ tự nhiên (LeCun & Cộng sự, 2015).

AI và ML là hai công nghệ cốt lõi trong kỷ nguyên chuyển đổi số, đặc biệt trong lĩnh vực tài chính – ngân hàng. Theo nghiên cứu của (Brynjolfsson & McAfee, 2011), AI là một hệ thống có khả năng mô phỏng trí thông minh của con người thông qua việc xử lý dữ liệu, nhận diện mẫu và ra quyết định. Trong khi đó, ML là một nhánh của AI, cho phép hệ thống học hỏi và cải thiện hiệu suất dựa trên dữ liệu mà không cần lập trình trực tiếp (Samuel, 1959). AI và ML đã được ứng dụng rộng rãi trong ngành ngân hàng trên thế giới để tối ưu hóa hoạt động kinh doanh và nâng cao trải nghiệm khách hàng. Chẳng hạn, nghiên cứu của (Metawa, Hassan, & Metawa, 2022) cho thấy các thuật toán học máy giúp các ngân hàng phân tích hành vi khách hàng, phát hiện gian lận giao dịch và quản lý rủi ro tín dụng hiệu quả hơn. Tại Việt Nam, các ngân hàng số như TPBank và VPBank đã áp dụng AI trong việc chấm điểm tín dụng, tư vấn tài chính và cá nhân hóa dịch vụ, từ đó cải thiện đáng kể hiệu quả kinh doanh. Theo báo cáo của McKinsey (2022), việc ứng dụng AI và ML trong lĩnh vực ngân hàng có thể giúp tăng hiệu suất hoạt động lên tới 30% và giảm chi phí vận hành tới 20%. Tuy nhiên, để AI và ML phát huy tối đa hiệu quả, các ngân hàng cần đầu tư vào hạ tầng dữ liệu, hệ thống bảo mật và đào tạo nguồn nhân lực chất lượng cao (Chandran & Cộng sự, 2023).

Hiệu quả kinh doanh của ngân hàng số

Hiệu quả kinh doanh của ngân hàng số là một trong những chủ đề nghiên cứu quan trọng trong lĩnh vực tài chính – ngân hàng hiện đại. Sự phát triển mạnh mẽ của công nghệ tài chính (Fintech) và chuyển đổi số đã tác động đáng kể đến hoạt động kinh doanh của các ngân hàng truyền thống, đồng thời tạo ra những thách thức và cơ hội mới (Pousttchi & Dehnert, 2018).

Theo Berger & Mester (1997), hiệu quả kinh doanh của ngân hàng được đo lường thông qua các yếu tố như hiệu quả chi phí, hiệu quả kỹ thuật và hiệu quả lợi nhuận. Trong bối cảnh ngân hàng số, các yếu tố này được cải thiện nhờ ứng dụng công nghệ thông tin và AI, cho phép tự động hóa quy trình và tối ưu hóa dịch vụ khách hàng (Gomber & Cộng sự, 2017). Các nghiên cứu trước đây đã chỉ ra rằng việc áp dụng công nghệ số giúp giảm chi phí vận hành, cải thiện trải nghiệm khách hàng và tăng cường khả năng ra quyết định dựa trên dữ liệu lớn (Zhu & Yang, 2021). Bên cạnh đó, các nền tảng thanh toán số và hệ thống quản lý rủi ro thông minh cũng góp phần nâng cao hiệu quả hoạt động của ngân hàng (Arner, Barberis, & Buckley, 2015). Tuy nhiên, việc chuyển đổi số cũng đặt ra nhiều thách thức như an ninh mạng, bảo mật dữ liệu và tuân thủ các quy định pháp lý (Sayari, 2024). Do đó, các ngân hàng cần đầu tư vào hạ tầng công nghệ, đào tạo nhân lực và xây dựng chiến lược kinh doanh linh hoạt để thích nghi với môi trường số hóa.

THÀNH QUẢ VÀ THÁCH THỨC

Kết quả ứng dụng AI, ML đến hiệu quả kinh doanh của ngân hàng số Việt Nam

Trong những năm gần đây, các ngân hàng số tại Việt Nam đã tích cực ứng dụng AI và ML để nâng cao hiệu quả kinh doanh và cải thiện trải nghiệm khách hàng. Theo báo cáo của Ngân hàng Nhà nước Việt Nam (SBV, 2023), hơn 70% ngân hàng đã áp dụng AI trong các hoạt động như chấm điểm tín dụng, phát hiện gian lận và cá nhân hóa dịch vụ khách hàng. AI và ML đang được các ngân hàng số tại Việt Nam tích cực áp dụng, mang lại hiệu quả rõ rệt trong hoạt động và dịch vụ. Cụ thể:

Bảng 1: Kết quả ứng dụng AI, ML của các ngân hàng số tại Việt Nam

Nguồn: Tác giả tổng hợp

HDBank (Ngân hàng TMCP Phát triển TP. Hồ Chí Minh): Ngân hàng đã triển khai AI trong việc mở tài khoản thanh toán, mở sổ tiết kiệm, định danh khách hàng điện tử (eKYC) và phân tích dữ liệu. Đặc biệt, việc áp dụng Tự động hóa quy trình bằng robot (RPA) cho 6 quy trình khác nhau đã giúp giảm 30% thời gian xử lý tại bộ phận dịch vụ, tăng tốc độ xử lý giao dịch lên đến 30 lần (từ 3 phút xuống còn 5 giây/giao dịch) và giảm 100% hồ sơ tồn đọng. Kết quả là mức độ hài lòng của khách hàng tăng lên đến 80% và tiết kiệm 70% nhân lực.

TPBank (Ngân hàng TMCP Tiên Phong): Ngân hàng đã áp dụng công nghệ nhận diện khuôn mặt trên kênh ngân hàng tự động LiveBank, cho phép khách hàng thực hiện giao dịch mà không cần thẻ hay chứng minh thư. Công nghệ này sử dụng Depth Camera với chức năng Liveness check và AI để xác thực khách hàng. Ngoài ra, TPBank đã triển khai RPA và số hóa các quy trình ngân hàng, giúp giảm 60% thời gian giải ngân vay và giảm 30-60% thời gian giao dịch tại quầy.

Techcombank (Ngân hàng TMCP Kỹ thương Việt Nam): Chiến lược số hóa của ngân hàng dựa trên ba trụ cột: dữ liệu, công nghệ và nhân tài, với trọng tâm là khách hàng. Việc sử dụng AI và ML đã giúp Techcombank tăng lượng khách hàng mới gấp 20 lần trong hai năm qua, với hơn 94% tổng số giao dịch được thực hiện trực tuyến.

VietinBank (Ngân hàng TMCP Công thương Việt Nam): Ngân hàng đã trang bị các ki-ốt tại phòng giao dịch với khả năng nhận diện khuôn mặt, giúp tiết kiệm 30% thời gian xử lý giao dịch. Ngoài ra, VietinBank sử dụng AI trong eKYC, đăng ký khóa thẻ qua chatbot và triển khai chatbot nội bộ để xử lý 74.000 đơn xin nghỉ phép của nhân viên, giúp giảm thiểu công việc giấy tờ và tăng hiệu quả vận hành.

Vietcombank (Ngân hàng TMCP Ngoại thương Việt Nam): Ngân hàng đã triển khai chatbot hoạt động 24/7, hỗ trợ khách hàng tra cứu số dư, lịch sử giao dịch và giải đáp thắc mắc, giảm 25% khối lượng công việc của tổng đài. AI còn được sử dụng để phân tích dữ liệu khách hàng, gợi ý các sản phẩm tài chính phù hợp, giúp tăng 15% doanh thu từ dịch vụ cá nhân hóa trong năm qua.

Có thể thấy, việc ứng dụng AI và ML trong các ngân hàng số tại Việt Nam đã mang lại những kết quả ấn tượng, không chỉ tối ưu hóa quy trình vận hành mà còn nâng cao trải nghiệm khách hàng và gia tăng hiệu suất kinh doanh. Thông qua các công nghệ như RPA, eKYC, nhận diện khuôn mặt và chatbot, các ngân hàng đã giảm đáng kể thời gian xử lý giao dịch, tiết kiệm nhân lực và tăng doanh thu từ dịch vụ cá nhân hóa. Đặc biệt, việc áp dụng AI trong phân tích dữ liệu giúp các ngân hàng như Techcombank và Vietcombank thu hút được lượng khách hàng mới gấp 20 lần và thúc đẩy 94% giao dịch được thực hiện trực tuyến. Những kết quả này cho thấy AI và ML đang trở thành yếu tố cốt lõi giúp các ngân hàng số tại Việt Nam nâng cao năng lực cạnh tranh trong bối cảnh chuyển đổi số mạnh mẽ hiện nay.

Thách thức trong quá trình ứng dụng AI, ML trong các ngân hàng số Việt Nam

Việc ứng dụng AI và ML trong các ngân hàng số tại Việt Nam mang lại nhiều lợi ích vượt trội, nhưng cũng đối mặt với không ít thách thức. Những rào cản này xuất phát từ nhiều yếu tố như nhân lực, công nghệ, chi phí và cả vấn đề pháp lý, cụ thể:

Thứ nhất, thiếu hụt nhân lực chất lượng cao là một trong những thách thức lớn nhất. AI và ML là lĩnh vực đòi hỏi kiến thức chuyên sâu về khoa học dữ liệu, lập trình và phân tích dữ liệu lớn. Tuy nhiên, nguồn nhân lực Việt Nam trong lĩnh vực này còn khá hạn chế. Theo Bộ Thông tin và Truyền thông, mỗi năm Việt Nam thiếu khoảng 70.000 nhân sự AI, trong khi hệ thống đào tạo trong nước chưa đáp ứng đủ nhu cầu. Điều này khiến các ngân hàng gặp khó khăn trong việc phát triển và vận hành các hệ thống AI, đồng thời phải thuê chuyên gia nước ngoài với chi phí cao.

Thứ hai, chi phí đầu tư ban đầu cao cũng là một rào cản lớn. Việc tích hợp AI vào hệ thống ngân hàng đòi hỏi đầu tư lớn vào hạ tầng công nghệ, mua sắm phần mềm, cũng như chi phí đào tạo nhân sự. Đối với các ngân hàng có quy mô nhỏ hoặc nguồn lực tài chính hạn chế, đây là một thách thức không nhỏ. Chẳng hạn, các hệ thống RPA (tự động hóa quy trình bằng robot) hay eKYC (định danh khách hàng điện tử) yêu cầu công nghệ tiên tiến, đắt đỏ, và cần thời gian dài để thu hồi vốn.

Thứ ba, lo ngại về bảo mật dữ liệu và quyền riêng tư. AI hoạt động dựa trên dữ liệu lớn, bao gồm thông tin giao dịch, tài khoản và hành vi của khách hàng. Việc thu thập và xử lý khối lượng dữ liệu khổng lồ này tiềm ẩn nhiều nguy cơ rò rỉ thông tin, đặc biệt khi các quy định về bảo vệ dữ liệu tại Việt Nam còn chưa hoàn thiện. Các ngân hàng lo ngại rằng nếu không có một hệ thống bảo mật chặt chẽ, dữ liệu khách hàng có thể bị hacker tấn công, gây mất uy tín và thiệt hại tài chính nghiêm trọng.

Thứ tư, hành lang pháp lý chưa hoàn thiện cũng là một thách thức lớn. Hiện nay, Việt Nam chưa có khung pháp lý cụ thể để quản lý và giám sát các hoạt động ứng dụng AI trong lĩnh vực tài chính – ngân hàng. Điều này gây khó khăn trong việc xác định trách nhiệm pháp lý khi xảy ra sự cố liên quan đến dữ liệu khách hàng hay các quyết định do hệ thống AI đưa ra.

Cuối cùng, sự thay đổi về mô hình kinh doanh và văn hóa tổ chức cũng là một rào cản không nhỏ. Việc chuyển đổi từ mô hình ngân hàng truyền thống sang ngân hàng số dựa trên AI đòi hỏi sự thay đổi về quy trình làm việc, cách thức phục vụ khách hàng và tư duy của đội ngũ nhân viên. Tuy nhiên, không phải tất cả nhân viên đều sẵn sàng chấp nhận sự thay đổi này, dẫn đến sự phản kháng nội bộ và làm chậm quá trình chuyển đổi số.

KHUYẾN NGHỊ GIẢI PHÁP

Để nâng cao hiệu quả kinh doanh quá trình ứng dụng AI, ML trong các ngân hàng số tại Việt Nam, các ngân hàng cần triển khai đồng bộ nhiều giải pháp từ công nghệ, nhân lực đến chính sách và quản lý dữ liệu, 05 nhóm giải pháp tác giả đề xuất như sau:

Một là, đầu tư phát triển nguồn nhân lực AI chất lượng cao. Các ngân hàng cần hợp tác với các trường đại học và trung tâm đào tạo công nghệ để xây dựng các chương trình đào tạo chuyên sâu về AI, khoa học dữ liệu và phân tích dữ liệu lớn. Bên cạnh đó, các ngân hàng cũng nên tổ chức các khóa học nội bộ và chương trình đào tạo lại nhân viên để tăng cường năng lực sử dụng AI trong công việc, thu hút nhân tài từ nước ngoài và các chuyên gia AI để làm việc và chuyển giao công nghệ cũng là một chiến lược quan trọng.

Hai là, tối ưu chi phí và đầu tư vào hạ tầng công nghệ. Để giảm bớt gánh nặng về chi phí, các ngân hàng nên ứng dụng các giải pháp AI dựa trên nền tảng đám mây (AI as a Service) thay vì xây dựng hạ tầng riêng biệt. Việc hợp tác với các công ty công nghệ lớn như Google Cloud AI, Amazon AWS, hoặc Microsoft Azure sẽ giúp các ngân hàng tiết kiệm chi phí hạ tầng, đồng thời dễ dàng mở rộng quy mô khi cần thiết.

Ba là, tăng cường bảo mật dữ liệu và tuân thủ quy định về quyền riêng tư. Các ngân hàng cần đầu tư vào hệ thống bảo mật dữ liệu tiên tiến, như mã hóa dữ liệu, hệ thống phát hiện gian lận dựa trên AI, và công nghệ Blockchain để bảo vệ dữ liệu giao dịch. Bên cạnh đó, việc tuân thủ các tiêu chuẩn bảo mật quốc tế như GDPR (General Data Protection Regulation) và các quy định pháp lý của Việt Nam sẽ giúp các ngân hàng hạn chế rủi ro mất dữ liệu và tăng cường lòng tin của khách hàng.

Bốn là, xây dựng hành lang pháp lý và chính sách hỗ trợ phát triển AI trong lĩnh vực tài chính. Chính phủ và Ngân hàng Nhà nước cần hoàn thiện khung pháp lý về ứng dụng AI trong hoạt động tài chính, bao gồm các quy định về bảo vệ dữ liệu khách hàng, trách nhiệm pháp lý khi xảy ra sự cố AI, và các tiêu chuẩn đạo đức trong việc sử dụng trí tuệ nhân tạo. Đồng thời, việc hỗ trợ các ngân hàng trong việc tiếp cận các quỹ đầu tư công nghệ và các chương trình hỗ trợ chuyển đổi số cũng là một giải pháp cần thiết.

Năm là, thay đổi mô hình kinh doanh và văn hóa tổ chức. Các ngân hàng cần xây dựng chiến lược chuyển đổi số toàn diện, trong đó AI được xem là công cụ hỗ trợ chứ không thay thế hoàn toàn con người. Việc tạo ra một môi trường làm việc linh hoạt, khuyến khích sáng tạo và chấp nhận công nghệ mới sẽ giúp đội ngũ nhân viên thích nghi tốt hơn với sự thay đổi.

TÀI LIỆU THAM KHẢO

1. Arner, D. W., Barberis, J., & Buckley, R. P. (2015). The evolution of Fintech: A new post-crisis paradigm, Geo. J. Int’l L., 47, 1271.

2. Berger, A. N., & Mester, L. J. (1997). Inside the black box: What explains differences in the efficiencies of financial institutions? Journal of Banking & Finance, 21(7), 895-947. https://doi.org/https://doi.org/10.1016/S0378-4266(97)00010-1

3. Brynjolfsson, E., & McAfee, A. (2011). Race against the machine: How the digital revolution is accelerating innovation, driving productivity, and irreversibly transforming employment and the economy, Brynjolfsson and McAfee.

4. Chandran & Cộng sự. (2023). The state of AI in GCC countries-and how to overcome adoption challenges, McKinsey, 12.

5. Gomber & Cộng sự. (2017). Digital Finance and FinTech: current research and future research directions, Journal of business economics, 87, 537-580.

6. LeCun & Cộng sự. (2015). Deep learning, Nature, 521(7553), 436-444.

7. McCarthy, J., Minsky, M. L., & ML, N. (1956). Proposal for the 1956 Dartmouth Summer Research Project on Artificial Intelligence.

8. Metawa, N., Hassan, M. K., & Metawa, S. (2022). Artificial Intelligence and Big Data for Financial Risk Management, Routledge. https://doi. org/10.4324/9781003144410.

9. Mitchell, T. M. (1997). Machine learning (Vol. 1), McGraw-hill New York. Pousttchi, K., & Dehnert, M. (2018). Exploring the digitalization impact on consumer decision-making in retail banking, Electronic Markets, 28, 265-286.

10. Russell, S. J., & Norvig, P. (2016). Artificial intelligence: a modern approach. pearson.

11. Samuel, A. L. (1959). Some studies in machine learning using the game of checkers, IBM Journal of research and development, 3(3), 210-229. https://doi.org/10.1147/rd.33.0210

12. Sayari, S. (2024). Driving Digital Transformation: Analyzing the Impact of Internet Banking on Profitability in the Saudi Arabian Banking Sector, Journal of Risk and Financial Management, 17(5), 174. https://doi.org/https://doi.org/10.3390/jrfm17050174

13. Zhu, X., & Yang, Y. (2021). Big data analytics for improving financial performance and sustainability, Journal of Systems Science and Information, 9(2), 175-191. https://doi.org/https://doi.org/10.21078/JSSI-2021-175-17