Artificial intelligence in finance
AI trong tài chính
AI trong tài chính: ứng dụng, ví dụ và rủi ro cần biết
AI trong tài chính (artificial intelligence in finance) là việc dùng các hệ thống trí tuệ nhân tạo, gồm máy học (machine learning) và AI tạo sinh (generative AI), để dự đoán, phân loại, phân tích dữ liệu và tự động hóa công việc trong ngân hàng, bảo hiểm, đầu tư, kế toán và quản trị tài chính doanh nghiệp.
Vì sao AI đang thay đổi ngành tài chính
Tài chính là ngành chạy bằng dữ liệu: hàng triệu giao dịch mỗi ngày, hàng nghìn trang báo cáo, hợp đồng, hóa đơn. Phần lớn công việc truyền thống là đọc, đối chiếu, phân loại và tính toán theo quy tắc, đúng loại việc mà máy tính làm nhanh và ổn định hơn con người. AI mở rộng phạm vi tự động hóa từ các quy tắc cứng sang những việc trước đây cần phán đoán, như nhận ra một giao dịch bất thường hay tóm tắt một báo cáo thường niên.
Hai làn sóng AI đang chồng lên nhau. Máy học truyền thống đã được ngân hàng dùng nhiều năm cho chấm điểm tín dụng và phát hiện gian lận. AI tạo sinh, với các mô hình ngôn ngữ lớn (LLM), từ năm 2023 trở đi mang AI đến tay từng nhân viên tài chính: viết công thức Excel, soạn giải trình chênh lệch ngân sách, đọc hợp đồng, viết code Python phân tích dữ liệu.
Các ứng dụng chính
Mỗi ứng dụng phù hợp với một loại AI khác nhau. Bài toán dự đoán trên dữ liệu có cấu trúc (bảng số) thường dùng máy học; bài toán đọc, viết, tóm tắt văn bản dùng AI tạo sinh.
- Chấm điểm tín dụng: mô hình máy học ước tính xác suất vỡ nợ từ lịch sử tín dụng, thu nhập, dữ liệu giao dịch.
- Phát hiện gian lận và rửa tiền: gắn cờ giao dịch bất thường theo thời gian thực để chặn hoặc kiểm tra.
- Dịch vụ khách hàng: chatbot trả lời câu hỏi thường gặp, hỗ trợ tra cứu giao dịch.
- Kế toán và vận hành: đọc hóa đơn chứng từ bằng OCR kết hợp AI, đối soát tự động, phân loại chi phí.
- Phân tích và đầu tư: tóm tắt báo cáo, phân tích cảm xúc tin tức, hỗ trợ xây dựng mô hình và viết code.
- Hoạch định tài chính (FP&A): dự báo doanh thu, dòng tiền và soạn bình luận chênh lệch kế hoạch.
Đánh giá một mô hình AI: không chỉ nhìn độ chính xác
Trong các bài toán tài chính, sự kiện cần phát hiện thường rất hiếm: gian lận có thể chỉ chiếm 0,2% số giao dịch. Một mô hình "đoán tất cả là hợp lệ" vẫn đúng 99,8% nhưng vô dụng. Vì vậy người làm tài chính cần đọc hai chỉ số khác.
Recall (độ bao phủ) = số ca gian lận bắt được / tổng số ca gian lận thật, cho biết mô hình bỏ sót bao nhiêu. Precision (độ chuẩn xác) = số ca gian lận thật / tổng số ca bị gắn cờ, cho biết bao nhiêu cảnh báo là báo động giả. Tăng recall thường làm giảm precision và ngược lại; chọn điểm cân bằng là quyết định kinh doanh, dựa trên chi phí bỏ sót gian lận so với chi phí kiểm tra và làm phiền khách hàng.
Rủi ro khi dùng AI trong tài chính
AI tạo sinh có thể "ảo giác" (hallucination): đưa ra con số, trích dẫn hay điều luật nghe rất thuyết phục nhưng sai. Trong tài chính, một con số sai trong báo cáo gửi ban giám đốc hay khách hàng có thể gây hậu quả lớn, nên mọi số liệu do AI tạo ra phải được kiểm chứng với nguồn gốc.
Các rủi ro khác gồm: rò rỉ dữ liệu khi nhân viên dán báo cáo tài chính chưa công bố hay thông tin khách hàng vào công cụ AI công cộng; thiên lệch (bias) khi mô hình chấm điểm tín dụng học từ dữ liệu lịch sử có định kiến; và mô hình "hộp đen" khó giải thích cho khách hàng hay cơ quan quản lý vì sao một hồ sơ bị từ chối.
Bối cảnh Việt Nam
Nhiều ngân hàng, công ty tài chính và ví điện tử tại Việt Nam đã dùng AI cho eKYC (nhận diện khuôn mặt, đọc giấy tờ), chấm điểm tín dụng tiêu dùng, chatbot và phát hiện giao dịch đáng ngờ. Doanh nghiệp vừa và nhỏ bắt đầu dùng AI tạo sinh cho công việc kế toán, báo cáo và phân tích.
Khi đưa dữ liệu khách hàng vào hệ thống AI, tổ chức phải tuân thủ pháp luật về bảo vệ dữ liệu cá nhân. Luật Bảo vệ dữ liệu cá nhân số 91/2025/QH15 có hiệu lực từ 01.01.2026; trước đó lĩnh vực này chủ yếu được điều chỉnh bởi Nghị định 13/2023/NĐ-CP. Quy định về AI và dữ liệu đang được hoàn thiện nhanh, nên doanh nghiệp cần cập nhật văn bản hiện hành và có chính sách nội bộ về việc dùng công cụ AI.
Example: Đọc kết quả một mô hình AI phát hiện gian lận
Ví điện tử Sao Việt (số liệu giả định) chạy thử một mô hình AI trên 100.000 giao dịch trong một tuần. Sau khi điều tra, có 200 giao dịch là gian lận thật. Mô hình gắn cờ 1.000 giao dịch, trong đó 160 giao dịch là gian lận thật. Mỗi cảnh báo cần nhân viên kiểm tra mất trung bình 5 phút. Giá trị trung bình mỗi giao dịch gian lận là 20 triệu đồng.
- Recall = 160 / 200 = 80%: mô hình bắt được 80% số vụ gian lận, bỏ sót 200 - 160 = 40 vụ.
- Precision = 160 / 1.000 = 16%: trong 100 cảnh báo, chỉ 16 là gian lận thật; 1.000 - 160 = 840 cảnh báo là báo động giả.
- Khối lượng kiểm tra = 1.000 × 5 phút = 5.000 phút ≈ 83,3 giờ nhân công mỗi tuần.
- Giá trị gian lận chặn được = 160 × 20 triệu = 3,2 tỷ đồng; giá trị bị bỏ sót = 40 × 20 triệu = 800 triệu đồng.
- Độ chính xác tổng thể = (100.000 - 840 - 40) / 100.000 = 99,12%, con số đẹp nhưng gần như không nói gì về chất lượng mô hình.
Mô hình có ích vì chặn được 3,2 tỷ đồng gian lận với khoảng 83 giờ kiểm tra, nhưng 840 khách hàng hợp lệ bị làm phiền. Quyết định có nâng ngưỡng cảnh báo hay không là bài toán kinh doanh: so sánh thiệt hại gian lận bị bỏ sót với chi phí nhân sự kiểm tra và trải nghiệm khách hàng. Đây là kiểu câu hỏi mà người làm tài chính cần đặt ra cho đội dữ liệu, thay vì chỉ hỏi "mô hình chính xác bao nhiêu phần trăm".
Common Mistakes
- Đánh giá mô hình phát hiện gian lận hay vỡ nợ bằng độ chính xác tổng thể, trong khi với sự kiện hiếm, con số này luôn cao và gây hiểu lầm.
- Tin ngay số liệu, điều luật hay trích dẫn do AI tạo sinh đưa ra mà không kiểm chứng với nguồn gốc.
- Dán báo cáo tài chính chưa công bố, bảng lương hay dữ liệu khách hàng vào công cụ AI công cộng không có thỏa thuận bảo mật.
- Dùng mô hình chấm điểm không giải thích được, không kiểm tra thiên lệch đối với các nhóm khách hàng khác nhau.
- Nghĩ rằng AI sẽ thay thế toàn bộ người làm tài chính. AI thay đổi công việc, nhưng phán đoán, kiểm soát và trách nhiệm cuối cùng vẫn thuộc về con người.
Quick Check
Q1. Trong 50.000 khoản vay có 500 khoản vỡ nợ. Mô hình cảnh báo 800 khoản, trong đó 400 khoản thực sự vỡ nợ. Recall và precision lần lượt là bao nhiêu?
Q2. Công cụ AI tạo sinh đưa ra số liệu doanh thu quý của một công ty niêm yết kèm "nguồn". Bạn nên làm gì trước khi đưa vào báo cáo?
Q3. Ứng dụng nào phù hợp nhất với AI tạo sinh (LLM) thay vì mô hình máy học dự đoán truyền thống?
FAQ
AI có thay thế kế toán và nhân viên tài chính không?
AI tự động hóa nhiều việc lặp lại như nhập liệu, đối soát, soạn bản nháp báo cáo. Người làm tài chính sẽ chuyển sang kiểm soát chất lượng dữ liệu, diễn giải con số và tư vấn quyết định. Người biết dùng AI hiệu quả có lợi thế lớn so với người không biết.
Máy học và AI tạo sinh khác nhau thế nào?
Máy học truyền thống học từ dữ liệu có nhãn để dự đoán hoặc phân loại, ví dụ dự đoán khả năng vỡ nợ. AI tạo sinh, như các mô hình ngôn ngữ lớn, tạo ra nội dung mới như văn bản, code, bảng tính dựa trên yêu cầu bằng ngôn ngữ tự nhiên.
Có nên đưa dữ liệu công ty lên công cụ AI không?
Chỉ khi công cụ đó được doanh nghiệp phê duyệt, có thỏa thuận về bảo mật và không dùng dữ liệu của bạn để huấn luyện mô hình. Với dữ liệu nhạy cảm, nên ẩn danh hóa, chỉ đưa phần cần thiết, hoặc dùng mô hình chạy nội bộ.
Người học tài chính nên bắt đầu học AI từ đâu?
Bắt đầu với AI tạo sinh trong công việc hằng ngày: viết prompt rõ ràng, dùng AI hỗ trợ Excel và tóm tắt tài liệu, và luôn kiểm chứng kết quả. Sau đó học thêm nền tảng dữ liệu như Excel nâng cao, SQL, Python để hiểu và làm việc được với các mô hình máy học.