TỔNG QUAN NGHIÊN CỨU
Lý do chọn đề tài
Số hóa kết hợp với những tiến bộ trong phân tích dữ liệu hứa hẹn đem đến những lợi ích to lớn cho các tập đoàn trong các ngành công nghiệp khác nhau Các tập đoàn đã chứng minh cách hoạt động và thậm chí cả mô hình kinh doanh của họ được hưởng lợi từ việc sử dụng AI (McKinsey Global Institute, 2018) Những ứng dụng AI này cũng đầy hứa hẹn cho lĩnh vực tài chính Trong trường hợp của Banco Bilbao Vizcaya Argentaria (BBVA) ở Tây Ban Nha, việc sử dụng AI đã giúp tăng doanh thu và lợi nhuận cũng như giảm chi phí nhờ nhắm mục tiêu khách hàng tốt hơn, tối ưu hóa hoạt động kinh doanh và xác định địa điểm tốt hơn cho các mạng chi nhánh, trong số những thứ khác (Alfaro & cộng sự, 2019) Tuy nhiên, AI trong tài chính ngân hàng hiện chủ yếu được áp dụng trong một số dịch vụ phụ trợ hạn chế, chẳng hạn như dự đoán chứng khoán và xếp hạng tín dụng của các ngân hàng đầu tư lớn (Jadhav và cộng sự, 2017)
Trái ngược với các trường hợp tập trung vào các dịch vụ phụ trợ, những trường hợp có tương tác với khách hàng thường ít được chú ý hơn Ngược lại với ngân hàng và công ty tài chính tập trung vào tương tác với khách hàng về các dịch vụ tài chính và các nghiệp vụ liên quan (Casu & cộng sự, 2006) Sự chú ý hạn chế của nghiên cứu về cách các ngân hàng thương mại và công ty tài chính có thể áp dụng AI trong các lĩnh vực này là điều đáng ngạc nhiên vì một số lĩnh vực kinh doanh cốt lõi của họ đã chịu áp lực từ các đối thủ cạnh tranh mới Theo McKinsey, một số lĩnh vực mang lại lợi nhuận cao nhất cho ngân hàng thương mại và công ty tài chính - tài chính tiêu dùng, thế chấp, cho vay doanh nghiệp vừa và nhỏ (SMEs), thanh toán bán lẻ và các hoạt động tài chính khác - có thể bị giảm doanh thu từ 10% đến 40% cho đến năm 2025 nếu họ không phản ứng kịp thời để tăng cường cạnh tranh (McKinsey, 2016) Đây là một vấn đề đặc biệt đối với các ngân hàng thương mại và công ty tài chính, với mô hình kinh doanh chính bao gồm các hoạt động cho vay, xử lý thanh toán và quản lý tiền gửi (Casu & cộng sự, 2006) Sự thiếu hụt này được phản ánh bởi việc thiếu nghiên cứu AI trong bối cảnh của các ngân hàng thương mại và công ty tài chính Có một số bài đánh giá tài liệu về phương pháp tiếp cận AI
2 trong lĩnh vực tài chính ngân hàng (Bahrammirzaee, 2010, Jadhav & cộng sự, 2017), nhưng không bài nào tập trung vào tất cả các dịch vụ tài chính trên thị trường Như vậy hàng loạt các vấn đề đã được đặt ra liên quan đến việc ứng dụng trí tuệ nhân tạo sẽ ảnh hưởng đến dịch vụ tài chính như thế nào và các chiến lược phát triển và ứng dụng AI hiệu quả đối với các ngân hàng thương mại và công ty tài chính, nhằm giúp cho nhà quản trị có được sự phân tích và đánh giá hợp lý trong thực trạng phát triển công nghệ hiện nay
Thế giới đang trong quá trình chuyển đổi về mặt công nghệ, với sự phát triển của CNTT đã thúc đẩy các lĩnh vực khác nhau hướng tới việc thay đổi công nghệ vào trong các hoạt động chính, nhu cầu về trí tuệ nhân tạo được nhìn thấy trong các lĩnh vực khác nhau cũng dần gia tăng “Khả năng sao chép từ một thứ gì đó tự nhiên, về mặt tiếp thu và áp dụng kiến thức và kỹ năng Bây giờ khả năng sao chép này được thực hiện bằng máy hoặc máy tính Vì vậy, khi một cỗ máy bắt chước trí óc con người bằng cách tự suy nghĩ, nó được gọi là Trí tuệ nhân tạo” (Latimore, 2018) Ngày nay, với xu hướng số hóa dần những nghành nghề khác thì dịch vụ tài chính cũng cần theo đuổi trí tuệ nhân tạo vì điều đó sẽ giúp cho lĩnh vực này nói chung và các nghành dịch vụ, ngân hàng nói riêng có lợi thế cạnh tranh hơn Việc áp dụng AI trong lĩnh vực tài chính ngân hàng Việt Nam chậm hơn so với các lĩnh vực khác vì lý do có thể là lĩnh vực tài chính ngân hàng vẫn cần có sự tham gia của con người Nhu cầu liên tục về tự động hóa hiện nay được coi là một cách giúp ngành ngân hàng và công ty tài chính giữ chân khách hàng, tài liệu kỹ thuật số và cho phép hỗ trợ ảo để đưa ra các giải pháp theo thời gian thực Hơn nữa, các ngân hàng và công ty tài chính đang áp dụng AI dựa trên chống rửa tiền, chống gian lận và bảo lãnh tín dụng trong hoạt động của họ Như Latimore (2018) đã nói: “Trí tuệ nhân tạo trong tài chính ngân hàng là công nghệ đưa ra các suy luận và quyết định từng đòi hỏi sự tham gia trực tiếp của con người” Maskey (2018) người sáng lập Fusemachines cũng đã viết một bài nghiên cứu về trí tuệ nhân tạo đang giúp các tổ chức tài chính như thế nào, và được đăng trên trang web của Forbes Nghiên cứu đã đề cập rằng trí tuệ nhân tạo đang giúp các tổ chức tài chính phát triển và người ta ước tính rằng AI sẽ tiết kiệm cho ngành tài chính ngân hàng hơn 1 nghìn tỷ USD vào năm 2030 Bài báo cũng nhấn
3 mạnh rằng ngành tài chính ngân hàng đã bắt đầu sử dụng trí tuệ nhân tạo cho nhiều vấn đề ngân hàng truyền thống Hiện nay trên thế giới có nhiều nghiên cứu liên quan đến việc ứng dụng trí tuệ nhân tạo vào dịch vụ tài chính của các tác giả như: Kaya & cộng sự (2019), Kochhar & cộng sự (2019), Kửnigstorfer & Thalmann (2020), Malali & Gopalakrishnan (2020),… nhưng trong nước hiện nay cũng chỉ có một số công trình nghiên cứu về vấn đề này như của Hiền và Hương (2019), Tăng & Tiên (2020), Lưu & Hùng (2021),… Vì vậy bài nghiên cứu được thực hiện với mong muốn sẽ đóng góp thêm vào cơ sở lý luận trước đây và các giải pháp phát triển ứng dụng trí tuệ nhân tạo trong lĩnh vực dịch vụ tài chính tại thị trường Việt Nam.
Mục tiêu nghiên cứu
Tác giả tiến hành phân tích thực trạng ứng dụng trí tuệ nhân tạo vào lĩnh vực dịch vụ tài chính Bên cạnh đó, phân tích đánh giá và rút ra bài học kinh nghiệm của một số quốc gia trên thế giới cho việc ứng dụng trí tuệ nhân tạo trong dịch vụ tài chính Cuối cùng là đánh giá thực trạng của ứng dụng này, thông qua đó đề suất một số kiến nghị, và chính sách phát triển tại thị trường Việt Nam
Mục tiêu nghiên cứu của đề tài bao gồm:
- Phân tích bài học kinh nghiệm của một số quốc gia trên thế giới trong việc ứng dụng trí tuệ nhân tạo trong dịch vụ tài chính
- Phân tích và đánh giá thực trạng ứng dụng trí tuệ nhân tạo trong dịch vụ tài chính ở một số quốc gia trên thế giới và Việt Nam hiện nay
- Đề xuất một vài kiến nghị và chính sách phát triển trong việc ứng dụng trí tuệ nhân tạo vào dịch vụ tài chính tại thị trường Việt Nam.
Câu hỏi nghiên cứu
Câu hỏi nghiên cứu của đề tài bao gồm:
- Phân tích thực trạng các quốc gia trên thế giới ứng dụng trí tuệ nhân tạo vào dịch vụ tài chính như thế nào?
- Phân tích thực trạng Việt Nam ứng dụng trí tuệ nhân tạo vào dịch vụ tài chính như thế nào?
- Rút ra những bài học kinh nghiệm nào và những kiến nghị, chính sách phát triển nào trong việc ứng dụng trí tuệ nhân tạo vào dịch vụ tài chính tại thị trường Việt Nam cần được đề xuất?
Đối tượng và phạm vi nghiên cứu
1.4.1 Đối tượng nghiên cứu Đối tượng nghiên cứu của đề tài là: Trí tuệ nhân tạo (AI) được ứng dụng như thế nào trong dịch vụ tài chính tại thị trường Việt Nam
- Về không gian: Nghiên cứu môi trường hoạt động của lĩnh vực dịch vụ tài chính tại thị trường Việt Nam, đồng thời tìm kiếm những bài học tại các quốc gia trên thế giới bao gồm ba khu vực: Châu Âu, Bắc Mỹ, và Châu Đại Dương được đại diện bởi ba quốc gia: Vương quốc Anh, Canada, và Úc Các quốc gia này được chọn dựa trên quy mô nền kinh tế và các chính sách liên quan đến việc phát triển và ứng dụng trí tuệ nhân tạo tiêu biểu nhất trong dịch vụ tài chính ở ba châu lục nà
- Về thời gian: Đánh giá, tổng hợp các phương thức đánh giá trong giai đoạn từ năm 2017 – 2021 Thời gian nghiên cứu được chọn từ năm 2017 đến năm 2021 do nền kinh tế toàn cầu có tốc độ mở rộng cao và mức độ gia tăng ứng dụng trí tuệ nhân tạo diễn ra nhanh chóng trong khoảng thời gian này Bên cạnh đó, trong giai đoạn 2017 - 2021, Chính phủ Việt Nam đã triển khai và ban hành các nghị quyết liên quan đến thúc đẩy phát triển và ứng dụng trí tuệ nhân tạo vào nhiều lĩnh vực phát triển trọng điểm Kiến nghị định hướng phát triển và ứng dụng trí tuệ nhân tạo trong dịch vụ tài chính ở Việt Nam cho đến năm
Phương pháp nghiên cứu
Tác giả sử dụng phương pháp thu thập dữ liệu thứ cấp để khám phá đề tài, loại hình nghiên cứu case study bao gồm tổng hợp lý thuyết và thu thập thông tin, phương pháp so sánh Phương pháp tổng hợp và diễn giải tài liệu dựa trên các khái niệm khách quan, toàn diện, thống nhất và logic được sử dụng xuyên suốt chủ đề Tác giả sử dụng phương pháp này để có được dữ liệu chuyên sâu và kiến thức đầy đủ về chủ đề này Dữ liệu được thu thập từ nhiều nguồn khác nhau để bổ sung cho kết luận Và phương pháp này được thực hiện theo các bước cụ thể như sau:
- Bước 1: Xác định đề tài khóa luận
Bước đầu tiên của phương pháp này là xác định mục tiêu nghiên cứu của tác giả, cụ thể là chủ đề mà tác giả muốn tiến hành nghiên cứu
- Bước 2: Thiết lập tuyên bố về mục đích của khóa luận này
Sau bước đầu tiên, tác giả phải tiến hành xác định rõ mục tiêu nghiên cứu của khóa luận Mục tiêu nghiên cứu càng cụ thể bao nhiêu thì quá trình nghiên cứu càng dễ dàng xác định và tìm kiếm dữ liệu thu thập được, phân tích và rút ra các kết luận xác đáng bấy nhiêu
- Bước 3: Thiết kế quy trình nghiên cứu
Nghiên cứu sử dụng phương pháp xử lý số liệu chính là Phương pháp nghiên cứu tài liệu: Phân tích, tổng hợp các chính sách pháp luật, văn bản pháp luật của nhà nước Việt Nam, các công trình nghiên cứu về phát triển và ứng dụng trí tuệ nhân tạo trong dịch vụ tài chính để đưa ra những luận điểm, chỉ ra những hạn chế, nguyên nhân hạn chế của chiến lược phát triển, hiệu quả của các giải pháp
- Bước 4: Xác định vị trí và thu thập dữ liệu thứ cấp
Dữ liệu thứ cấp là dữ liệu đã có sẵn nên dễ thu thập, tiết kiệm thời gian và kinh phí trong quá trình thu thập nhưng lại là tài liệu quan trọng cho các nghiên cứu tiếp theo Tác giả thu thập dữ liệu thứ cấp từ các nguồn chính sau: Dữ liệu thứ cấp được cung cấp dưới dạng số liệu thống kê được công bố hàng năm, bộ số liệu điều tra, báo cáo tổng hợp hàng năm, các văn bản hướng dẫn, chính sách của Nhà nước Ngoài ra, tác giả còn thu thập tư liệu qua luận án, sách, báo, tạp chí, mạng internet…
- Bước 5: Đánh giá dữ liệu thứ cấp
Bước cuối cùng của phương pháp này là đánh giá dữ liệu thứ cấp Tác giả sẽ tiến hành xem xét và đánh giá cẩn thận dữ liệu để đảm bảo rằng nó phù hợp với mục tiêu và hướng nghiên cứu.
Ý nghĩa nghiên cứu
- Hệ thống hóa những vấn đề lý luận chung về trí tuệ nhân tạo, dịch vụ tài chính và tổng hợp các nghiên cứu liên quan đến ứng dụng trí tuệ nhân tạo trong dịch vụ tài chính trên thế giới và Việt Nam
- Thông qua phương pháp phân tích dữ liệu thứ cấp, tác giả tiến hành phân tích và đánh giá ứng dụng trí tuệ nhân tạo trong dịch vụ tài chính ở một số quốc gia trên thế giới và Việt Nam hiện nay Do vậy, nghiên cứu này sẽ có những đóng góp nhất định vào việc hoàn thiện khung lý thuyết về việc ứng dụng trí tuệ nhân tạo trong dịch vụ tài chính
- Đối với ban quản trị ngân hàng: kết quả của nghiên cứu này sẽ giúp các nhà quản trị có thể đánh giá được ứng dụng trí tuệ nhân tạo trong dịch vụ tài chính có hiệu quả hay không, có những bất cập và rủi ro phát sinh gì để từ đó đề xuất các giải pháp nâng cao hiệu quả ứng dụng trí tuệ nhân tạo, nhằm tối đa hóa lợi ích cho các ngân hàng và công ty tài chính
- Công trình nghiên cứu này cũng có thể là tài liệu tham khảo cho những ai quan tâm đến ứng dụng trí tuệ nhân tạo trong dịch vụ tài chính ở Việt Nam, cũng như đề xuất một số các khuyến nghị nhằm ứng dụng trí tuệ nhân tạo vào các ngân hàng và công ty tài chính hiện nay.
Kết cấu của khóa luận
Bài nghiên cứu có 5 chương cụ thể như sau:
Chương 1: Tổng quan nghiên cứu
Chương này giới thiệu lý do nghiên cứu, mục tiêu và câu hỏi nghiên cứu, phạm vi và đối tượng nghiên cứu, sơ lược về các nghiên cứu trước đây, phương pháp nghiên cứu, điểm mới của nghiên cứu, bố cục của nghiên cứu, kế hoạch thực hiện
Chương 2: Cơ sở lý thuyết
Chương này trình bày các lý thuyết liên quan đến trí tuệ nhân tạo và vai trò của trí tuệ nhân tạo trong nền kinh tế, ngành dịch vụ tài chính, lợi ích của việc áp dụng trí tuệ nhân tạo, và các lĩnh vực chức năng trong dịch vụ tài chính có thể sử dụng trí tuệ nhân tạo
Chương 3: Thực trạng ứng dụng trí tuệ nhân tạo trong dịch vụ tài chính trên thế giới
Chương này trình bày thực trạng một số mô hình ứng dụng trí tuệ nhân tạo trong dịch vụ tài chính trên thế giới Từ đó, tác giả tiến hành phân tích và đánh giá các mô hình trên và rút ra một số kinh nghiệm phát triển và ứng dụng trí tuệ nhân tạo trong dịch vụ tài chính
Chương 4: Thực trạng ứng dụng trí tuệ nhân tạo trong dịch vụ tài chính tại thị trường Việt Nam
Chương này trình bày thực trạng mô hình ứng dụng trí tuệ nhân tạo trong dịch vụ tài chính ở Việt Nam Dựa trên kết quả phân tích đánh giá ở chương 3 và thực trạng ứng dụng trí tuệ nhân tạo tại Việt Nam, tác giả tiến hành đề xuất một số giải pháp khuyến nghị phát triển và ứng dụng cho các ngân hàng và công ty tài chính tại thị trường Việt Nam
Chương 5: Kết luận và Khuyến nghị
Chương này trình bày về các kết luận của nghiên cứu, một số đề xuất tham khảo, đồng thời nêu lên các đóng góp và hạn chế của đề tài, cùng định hướng cho các nghiên cứu tiếp theo
Trong chương 1 này, tác giả đã đưa ra lý do nghiên cứu, mục tiêu và câu hỏi nghiên, phạm vi và đối tượng nghiên cứu, sơ lược về các nghiên cứu trước đây, phương pháp nghiên cứu, điểm mới của nghiên cứu, bố cục của nghiên cứu, kế hoạch thực hiện cho bài nghiên cứu này Từ đó, tác giả đã định hướng được hướng nghiên cứu và tài liệu tham khảo cho các chương sau
CƠ SỞ LÝ THUYẾT
Cơ sở lý thuyết về trí tuệ nhân tạo
2.1.1 Khái niệm về trí tuệ nhân tạo
AI (Artificial Intelligence) là một tập hợp các công nghệ tính toán cố gắng mô phỏng, mở rộng và mở rộng trí thông minh của con người (Niu và cộng sự, 2016) Công nghệ thông minh này đã được nghiên cứu trong học viện và thực hành trong hơn 6 thập kỷ Những tiến bộ đáng kể đã được thực hiện, đặc biệt là từ đầu thế kỷ 21 Tiến bộ của trí tuệ nhân tạo được gán cho việc cải thiện khả năng xử lý, tạo ra các kết nối mới giữa AI và các lĩnh vực khác có vấn đề tương tự, khối lượng dữ liệu lớn, đa dạng hóa các vấn đề mà xã hội phải đối mặt và nhu cầu tìm giải pháp để tự động hóa việc giải quyết chúng (Niu và cộng sự, 2016; Lu và cộng sự, 2018)
Một ứng dụng thông minh có thể sử dụng một số công nghệ AI Họ sẽ có thể đưa ra quyết định nhanh chóng trong thời gian thực và theo các tình huống thực tế AI được coi là có thể chia thành hai loại chính: AI yếu và AI mạnh Loại đầu tiên giải quyết một số vấn đề mà trước đây chỉ có trí óc con người mới có thể giải quyết được (Wang và cộng sự, 2018) AI mạnh hay trí tuệ tổng quát nhân tạo (AGI) là “khả năng đạt được các mục tiêu phức tạp trong môi trường phức tạp bằng cách sử dụng tài nguyên tính toán hạn chế” (Goertzel, 2008) Các ứng dụng thông minh và thiết bị thông minh cần có các đặc điểm sau để chuyển việc học từ lĩnh vực này sang lĩnh vực khác: tính tự chủ, khả năng hiểu vấn đề không chỉ giải quyết các vấn đề do lập trình viên đặt ra một cách rõ ràng, khả năng hiểu bản thân và người khác, và năng lực giải quyết vấn đề các lập trình viên chưa biết (Goertzel, 2008; Muehlhauser, 2013) Các môi trường phức tạp với nhiều đối tượng được kết nối không đồng nhất cần AGI vì nó cung cấp một nền tảng thống nhất để hỗ trợ hợp nhất các đối tượng
Tóm lại, trí tuệ nhân tạo là một ngành nằm trong lĩnh vực khoa học máy tính Đây là công nghệ mô phỏng các quá trình mô phỏng và mở rộng trí thông minh của con người cho máy móc, đặc biệt là các hệ thống máy tính
2.1.2 Vai trò của trí tuệ nhân tạo trong nền kinh tế
Có sự nhất trí rộng rãi rằng AI là cuộc cách mạng công nghệ lớn thứ ba trong lịch sử kinh tế, sau sự khởi đầu của sản xuất công nghiệp vào thế kỷ 19 và khoa học máy tính vào thế kỷ 20 (Baldwin, 2019) Mặc dù AI được thừa nhận là động lực thúc đẩy sự thay đổi trong kinh doanh và xã hội đương đại, nhưng các mô hình và thuật toán mà AI dựa vào lại đang thiếu niềm tin của công chúng Đôi khi chúng được coi là “hộp đen” và độ tin cậy của chúng bị hạn chế do thiếu độ bền Mặc dù vậy, những tiến bộ trong công nghệ
AI dựa trên các nguyên tắc của “trí tuệ tập thể” (Servan Schreiber, 2018) đang bắt đầu thay đổi quan điểm này
Về mặt lịch sử, Agrawal và cộng sự (2016) cho rằng khái niệm AI có từ năm 1950, khi Alan Turing (1950) đề xuất bài kiểm tra sau: nếu một người trò chuyện với nhiều bên không thể phân biệt bên nào là máy tính, máy tính sẽ vượt qua bài kiểm tra về trí tuệ nhân tạo Theo O'Regan (2013), mục đích của AI sau đó được Marvin Lee Minsky mô tả là sự phát triển của các chương trình máy tính có khả năng đảm nhận các nhiệm vụ mà con người thực hiện không đạt yêu cầu, do nhu cầu mà họ đặt ra đối với các quá trình tinh thần cấp cao (ví dụ: học tập nhận thức, trí nhớ, lý luận quan trọng) Theo định nghĩa này, trên thực tế, AI đã được triển khai thông qua các giải pháp tổng hợp được xây dựng từ các viên gạch phần mềm hoặc thuật toán xử lý dữ liệu lớn Khái niệm “dữ liệu lớn” rõ ràng đề cập đến việc thu thập dữ liệu trên quy mô lớn hơn nhiều bậc so với khả năng có thể thông qua cơ sở dữ liệu truyền thống Tuy nhiên, “dữ liệu lớn” cũng ngụ ý một phạm vi thông tin rộng hơn về mặt chất lượng, bao gồm: kiến thức có cấu trúc và phi cấu trúc, ngôn ngữ, nhận thức, ý nghĩa, nhận dạng đối tượng và thông tin địa lý, cùng những thông tin khác Kết hợp lại, các tính năng đã nói ở trên của dữ liệu lớn làm cho các công nghệ xử lý thông tin truyền thống trở nên lỗi thời Đây là lúc AI đóng vai trò giúp thao tác dữ liệu lớn, dẫn đến cải thiện việc ra quyết định
AI đã phát triển theo hai hướng khác nhau, với mức độ hoàn thiện công nghệ khác nhau Đầu tiên là “trí tuệ nhân tạo tượng trưng”, trong đó một máy tính được lập trình bởi một chuyên gia hệ thống, để nó có thể thao túng kiến thức (điều này để chuyên gia hệ thống kiểm soát) Chuỗi thứ hai là “học máy” (ML) Điều này bao gồm nâng cao các
11 mô hình thống kê được chú ý đặc biệt cho việc áp dụng các mạng thần kinh (Le Cun, 1987) Đây là những mô hình thống kê được lập trình để bắt chước hoạt động của mạng thần kinh, theo nghĩa là chúng có khả năng học hỏi thông qua quá trình xử lý dữ liệu lặp đi lặp lại Khả năng tính toán được nâng cao của phần cứng hiện đại khiến việc chạy các quy trình như vậy trên dữ liệu lớn trở nên thực tế Hạn chế của ML là các thuật toán học không thể tính đến những gì chúng đã học, điều này hạn chế khả năng chấp nhận của chúng Bên cạnh hai nhánh này, còn có nhánh thứ ba đang phát triển, kết hợp AI biểu tượng, ML và ngôn ngữ tự nhiên Chuỗi thứ ba này phát triển khả năng tích hợp kiến thức từ nhiều nguồn khác nhau và cũng cố gắng thực hiện giải thích và minh bạch (Pearl
Tự động hóa dựa trên AI có thể mở rộng năng suất ngoài khả năng mã hóa trực tiếp của các nhà khoa học máy tính, bởi vì nó kết hợp khả năng học hỏi từ các lần lặp lại trước đó với khả năng xử lý các mẫu học tập rộng Do đó, AI có thể mang lại hiệu quả cao hơn trong hầu hết các chức năng của các tổ chức kinh doanh Chẳng hạn, nó có thể biến đổi các quy trình quản lý nguồn nhân lực bằng cách cải thiện các quyết định về thu hút, giữ chân và phát triển kỹ năng của nhân viên Chẳng hạn, điều này có thể đạt được thông qua các số liệu dự đoán và thuật toán phân tích để xem xét kỹ lưỡng các kỹ năng của nhân viên và xác định các ứng cử viên phù hợp nhất cho từng chức năng (Durai và cộng sự, 2019) Hơn nữa, AI cho phép truy vấn khối lượng dữ liệu có sẵn trong hệ thống thông tin nguồn nhân lực (HRIS) bằng các thuật toán định tính và định lượng Khả năng này cung cấp một công cụ hỗ trợ quyết định bổ sung để xem xét các quy trình kinh doanh của tổ chức (Brockbank và cộng sự, 2018) Bughin và cộng sự (2018) đã dự đoán rằng các công nghệ dựa trên AI có thể mang lại mức cải thiện từ 20 đến 40% về hiệu quả công việc, trên khắp các nền kinh tế công nghiệp Đổi lại, việc tối ưu hóa chi phí này hứa hẹn sẽ thúc đẩy tăng trưởng kinh tế hàng năm trong khoảng 0,5% ở các nước công nghiệp - tỷ lệ phần trăm có thể tăng lên 1,5% nếu việc triển khai AI đi kèm với những đổi mới giúp cải thiện phúc lợi tại nơi làm việc Trên cơ sở tương tự, công ty kiểm toán Accenture (2017) dự đoán rằng AI có thể tăng gấp đôi tốc độ tăng trưởng của 12 nền kinh tế lớn của phương Tây vào năm 2035 trên cơ sở “mối quan hệ mới giữa người bán và khách
12 hàng, giữa con người và máy móc”, đồng thời cải thiện hiệu quả công việc lên gần 40% ở một vài quốc gia Trong một nghiên cứu năm 2017, PWC (2017) ước tính rằng đóng góp cụ thể của AI vào GDP toàn cầu từ năm 2018 đến năm 2030 là 15.700 tỷ USD, tăng 14% Sự tăng trưởng này chủ yếu là do tăng năng suất (55%) và phục hồi tiêu dùng (45%)
Bughin và cộng sự (2018) cũng dự đoán rằng 90% công việc sẽ được chuyển đổi nhờ
AI Mặc dù chỉ có 1% có thể được tự động hóa hoàn toàn, nhưng AI vẫn có thể đảm nhận 1/3 nhiệm vụ liên quan đến khoảng 60% công việc Các nhiệm vụ lặp đi lặp lại, như tương tác với khách hàng, hoạt động thường ngày, một số chức năng hỗ trợ hành chính và kế toán sẽ bị đe dọa bởi sự thay thế công nghệ Thay vào đó, vai trò của người quản lý và kỹ thuật viên - đặc biệt là kỹ thuật viên kỹ thuật số - sẽ thịnh vượng hơn Trong một nghiên cứu khác, Boston Consulting Group (2018) ước tính rằng 32% ngân hàng ở Trung Quốc đã tích hợp AI vào hoạt động hàng ngày của họ, so với 22% ở Hoa Kỳ và 20% ở Đức và Pháp
Bất chấp những dự đoán xung quanh những đóng góp mang tính đột phá của AI đối với nền kinh tế, sự gia tăng đáng kể về năng suất lao động dựa trên AI vẫn chưa được ghi nhận, điều này khẳng định nghịch lý Solow—theo đó các khoản đầu tư vào khả năng tính toán được cải thiện không mang lại lợi nhuận phù hợp Theo Gantz và Michaels (2015), các lĩnh vực được nhóm theo thuật ngữ “người máy”—trong đó AI chiếm ưu thế—dường như chỉ chiếm mức tăng 0,4% hàng năm trong GDP từ năm 1993 đến 2007, trên 17 quốc gia công nghiệp hàng đầu
Brynjolfsson và McAfee (2014) bổ sung thêm rằng mặc dù trong ngắn hạn hoặc trung hạn, AI sẽ không giúp tăng năng suất đáng kể (tiết kiệm cho một số hoạt động cụ thể), tuy nhiên, nó sẽ dẫn đến những thay đổi lớn trong thế giới việc làm Dự đoán này đã được xác nhận rộng rãi bởi Furman và Seamans (2018) và OECD (2018) Theo Baldwin (2019), AI có thể đẩy nhanh quá trình chuyển việc làm ra nước ngoài và tăng cường quá trình phi vật chất hóa cũng như phi trung gian hóa các quy trình sản xuất và thương mại
Nó cũng có thể rút ngắn chuỗi tạo giá trị và mạch ra quyết định trong các tổ chức và hệ sinh thái của họ, và do đó khuyến khích sự xuất hiện của các quy trình làm việc mới, về
13 nguyên tắc là nhanh hơn và ít tốn kém hơn, trong các lĩnh vực từ thu thập dữ liệu đến ra quyết định.
Trí tuệ nhân tạo và ngành dịch vụ tài chính
Trong ngành tài chính, các ngân hàng và công ty bảo hiểm hoạt động trong một ngành kinh doanh phức tạp, cạnh tranh đang phải đối mặt với áp lực chuyển đổi đáng kể để duy trì thị trường Trong môi trường này, việc duy trì lòng trung thành của khách hàng, bao gồm sự hài lòng, tin tưởng, cam kết và giá trị cảm nhận, đóng vai trò trung tâm (Ansari
Những gã khổng lồ dữ liệu như Google, Facebook và Apple đã chứng minh rằng sự tập trung nhất quán vào khách hàng và việc sử dụng các công nghệ hiện đại có thể xác định lại các quy trình dịch vụ tài chính Tuy nhiên, các nhà cung cấp dịch vụ tài chính truyền thống thường không cung cấp đủ sức mạnh đổi mới và linh hoạt cho khách hàng của họ Do đó, FinTech được coi là một sự đổi mới đột phá làm thay đổi cuộc chơi có khả năng phá vỡ các thị trường tài chính truyền thống (Inn, 2016) Tận dụng các công nghệ hiện đại, tiên tiến nhất, những người tham gia thị trường này không xây dựng trên các kiến trúc cũ Thông qua các quy trình tinh gọn và nhanh nhẹn, FinTech có thể đạt được định hướng khách hàng lớn hơn, chi phí thấp hơn và đẩy nhanh tốc độ đổi mới Các công ty này, chủ yếu là doanh nhân, đã thúc đẩy những đổi mới lớn trong nhiều lĩnh vực như thanh toán, quản lý tài sản, cho vay hoặc huy động vốn từ cộng đồng (Inn, 2016) và cũng đã thúc đẩy việc áp dụng AI và machine learning (ML) trong các dịch vụ tài chính (Schindler, 2017)
Sự hiện diện của FinTech sinh ra từ kỹ thuật số, với hoạt động kinh doanh hướng đến khách hàng mạnh mẽ, buộc các công ty truyền thống trên thị trường tài chính phải thay đổi: Tại điểm giao nhau giữa khách hàng và tổ chức, lượng thông tin được tính toán liên tục cho thấy tiềm năng lớn để đánh giá, phân tích và đề xuất sản phẩm Việc thiết kế lại các trải nghiệm kỹ thuật số làm nổi bật các giao diện đàm thoại đang định hình lại từ giao diện dựa trên biểu mẫu (các trường mặc định cứng nhắc hoặc biểu mẫu phức tạp) sang giao tiếp dựa trên hội thoại: AI tạo cơ hội cho người tiêu dùng tương tác với các công ty theo cách tự nhiên hơn thông qua viết, nói hoặc thậm chí cử chỉ (Etlinger, 2017)
Hơn nữa, phân khúc khách hàng của cái gọi là người bản địa kỹ thuật số (thế hệ từ 1995 trở đi) (Sauerland, 2017) mong đợi trải nghiệm từ các nhà cung cấp dịch vụ tài chính tương tự như trải nghiệm có được với Facebook, Apple hoặc các nhà cung cấp kỹ thuật số khác Điều này bao gồm các sản phẩm tài chính dễ hiểu, sự sắp xếp rất tinh vi của tất cả thông tin, các quy trình được tối ưu hóa với thông lượng ngắn và khả năng thích ứng của sản phẩm hoặc dịch vụ với nhu cầu của chính khách hàng trước và sau khi mua (tùy chỉnh) (Sauerland, 2017)
Trong nghiên cứu này, việc tham khảo ý kiến của các ngân hàng và công ty bảo hiểm, cũng như các nhà cung cấp phần mềm nhấn mạnh đến việc tích lũy việc sử dụng AI tập trung vào khách hàng Mặc dù vậy, phân tích xác định rằng hầu hết các công ty đang phát triển các nguyên mẫu đầu tiên của AI, vốn hiếm khi được ngành dịch vụ tài chính triển khai Phần lớn, các nguyên mẫu được phát triển trong môi trường lâm sàng và chỉ dành cho mục đích sử dụng nội bộ, nhằm xác định và thử nghiệm các trường hợp sử dụng có thể xảy ra Những ứng dụng này bao gồm các ứng dụng văn phòng như chấm điểm tín dụng, bảo hiểm hoặc chatbot hướng tới khách hàng Chatbots hoặc trợ lý ảo đại diện cho một trong số ít cách sử dụng được thực hiện bởi các giao diện AI, vốn đã được triển khai trong các ngân hàng và công ty bảo hiểm Tuy nhiên, những người tham gia phàn nàn về sự đơn giản của các chatbot ngày nay và tỏ ra khá thất vọng với các ứng dụng hiện tại Định giá này xác nhận sự phân loại trong báo cáo ổn định tài chính, mô tả thế hệ chatbot hiện tại là đơn giản và cung cấp thông tin chính sách chung hoặc câu trả lời cho các câu hỏi cơ bản (Schindler, 2017) Đặc biệt là nhóm nhỏ các chuyên gia trong ngành công nghệ nhấn mạnh tầm quan trọng của thiết bị tập trung vào hoạt động, vì hoạt động back-end và quản lý rủi ro đòi hỏi nhiều sự hỗ trợ của con người không hiệu quả và thường không hiệu quả Các công nghệ AI mang lại tiềm năng tiết kiệm chi phí và năng suất cao hơn trong lĩnh vực tài chính thông qua tự động hóa quy trình thông minh và dịch vụ khách hàng tự động Do đó, các cơ hội phát sinh để nâng cao trải nghiệm và sự tham gia của khách hàng, ví dụ: thông qua thời gian phản hồi nhanh hơn và các dịch vụ được cá nhân hóa, điều này có thể dẫn đến tăng doanh số bán hàng và doanh thu cao hơn Để duy trì tính cạnh tranh và
15 giữ được lòng tin của công chúng, các tổ chức tài chính truyền thống phải bắt đầu dựa vào AI từng chút một
Mô tả sự phức tạp của AI, có vô số nỗ lực để định nghĩa thuật ngữ AI, bao gồm rất nhiều lĩnh vực con và với trọng tâm khác nhau tùy thuộc vào nguồn gốc lịch sử và kỹ thuật tương ứng (Gentsch, 2017) Với mục đích của nghiên cứu này, trí tuệ nhân tạo được định nghĩa là “cách làm cho máy tính làm những việc mà tại thời điểm đó, con người làm tốt hơn” (Rich & Knight, 1991) Khả năng thích ứng với các môi trường khác nhau và học cách thay đổi hành vi cho phù hợp vẫn là một thế mạnh đặc biệt của con người nhưng là một thế mạnh hiện đang bị đe dọa bởi những tiến bộ của máy học (ML), vốn chịu trách nhiệm chính cho “cơn hưng phấn AI” hiện nay (Gentsch, 2017) Là một phần thiết yếu của AI, ML đề cập đến khả năng của các hệ thống hoặc ứng dụng học hỏi mà không cần lập trình rõ ràng (Chollet, 2017).
Lợi ích của trí tuệ nhân tạo
Sử dụng các kỹ thuật trí tuệ nhân tạo trong việc cung cấp các dịch vụ tài chính có thể nâng cao hiệu quả, giảm chi phí, nâng cao chất lượng, nâng cao mức độ hài lòng của khách hàng và thúc đẩy tài chính toàn diện, chủ yếu nhờ vào khả năng tự động hóa các quy trình vận hành và tăng khả năng phân tích (Fernández, 2019)
Các kỹ thuật như xử lý ngôn ngữ tự nhiên hoặc nhận dạng hình ảnh cho phép các tổ chức tài chính tự động hóa các tác vụ lặp đi lặp lại hoặc có giá trị gia tăng thấp (ví dụ: trả lời các câu hỏi thường gặp) Điều này làm giảm khả năng xảy ra lỗi của con người, tăng năng suất và cắt giảm chi phí của các nhiệm vụ này
Kết quả là mức độ hài lòng của khách hàng tăng lên, vì khách hàng nhận được dịch vụ tốt hơn (thời gian phản hồi ngắn hơn và tính sẵn có của dịch vụ cao hơn) và, có khả năng, với mức giá thấp hơn Ngoài ra, với việc tiết kiệm chi phí do tự động hóa tác vụ, điều này có thể giúp cung cấp một số dịch vụ nhất định trước đây dành riêng cho một số khách hàng nhất định (ví dụ: tư vấn tài chính) cho nhiều người dùng hơn
2.3.2 Khả năng phân tích dữ liệu
Nhờ các công cụ trí tuệ nhân tạo, các tổ chức tài chính có thể phân tích khối lượng dữ liệu có cấu trúc và phi cấu trúc nhanh hơn nhiều Ngoài ra, số lượng biến tăng lên sẽ nâng cao chất lượng phân tích, vì kiến thức về khách hàng nhiều hơn và kết quả thu được chính xác hơn
Tất cả những điều trên đều mang lại lợi ích cho người dùng, vì nó cho phép các tổ chức tài chính cung cấp dịch vụ tốt hơn (ví dụ: độ chính xác cao hơn trong việc phát hiện gian lận thẻ) và cấp quyền truy cập vào các dịch vụ tài chính cho một số khách hàng nhất định có thể đã bị loại trừ (ví dụ: cho vay đối với những khách hàng mà một ngân hàng không có mối quan hệ trước đó và không có thông tin tài chính) Nó cũng có thể giúp tiết kiệm chi phí đáng kể trong các lĩnh vực, chẳng hạn như tuân thủ quy định, nơi mà những phát triển gần đây đang gây áp lực lên chi phí
Ngoài ra, khả năng phân tích lớn hơn cho phép các tổ chức tài chính khai thác tất cả dữ liệu (cả bên trong và bên ngoài) mà họ có quyền truy cập về khách hàng của mình, để tìm hiểu thêm về sở thích của họ Bằng cách này, họ có thể phát triển các sản phẩm và dịch vụ phù hợp và thậm chí dự đoán nhu cầu của khách hàng, cải thiện trải nghiệm người dùng (ví dụ: bằng cách cung cấp bảo hiểm nhà khi họ phát hiện ra rằng khách hàng đang cân nhắc mua một ngôi nhà mới)
2.4 Các lĩnh vực chức năng trong dịch vụ tài chính có thể sử dụng trí tuệ nhân tạo
Dựa theo nghiên cứu của Kurode (2018), các lĩnh vực chức năng trong dịch vụ tài chính có thể sử dụng trí tuệ nhân tạo bao gồm như sau:
Ngân hàng: Chắc chắn các ngân hàng là những người đầu tiên bắt đầu triển khai máy học và các công nghệ tương tự trong các hoạt động hàng ngày của họ như tương tác với khách hàng, trả lời các câu hỏi của họ, chia sẻ thông tin về các dịch vụ và sản phẩm khác nhau Theo các ngân hàng quốc tế, AI cũng có thể được triển khai trong việc bán sản phẩm, nghiên cứu hành vi khách hàng tốt hơn, đáp ứng kỳ vọng dịch vụ,
Xếp hạng tín dụng: Xếp hạng tín dụng là một dịch vụ tài chính khác có thể được thực hiện tốt hơn với việc sử dụng phân tích dữ liệu lớn Với sự liên kết ngày càng tăng của
17 các thiết bị nhận dạng duy nhất như Aadhar với nhiều nền tảng tài chính khác nhau, việc tìm nạp dữ liệu cần thiết có thể hỗ trợ phân tích mức độ xứng đáng về tín dụng của các cá nhân đã trở nên dễ dàng hơn Các cơ quan xếp hạng tín dụng có thể sử dụng hiệu quả dữ liệu tài chính đó kết hợp với thông tin truyền thông xã hội để dự đoán khả năng trả nợ của người đi vay
Bảo hiểm: Vai trò của chuyên gia tính toán khá khó khăn và phức tạp, tức là tổng hợp và phân tích số liệu thống kê và tính toán rủi ro bảo hiểm và phí bảo hiểm Một lần nữa, với việc sử dụng trí tuệ nhân tạo, nhiệm vụ này có thể bị giới hạn trong việc ra quyết định trong khi xử lý tất cả các phép toán Theo cách tương tự, hoạt động bảo lãnh phát hành có thể được thực hiện hiệu quả và chính xác khi sử dụng AI
Giao dịch chứng khoán: Giao dịch theo thuật toán không phải là khái niệm mới nhưng chắc chắn việc xử lý dữ liệu lớn để thực hiện phân tích xu hướng có thể giúp bạn có được các vị thế giao dịch tốt hơn Điều này có thể giúp giảm tổn thất cũng như kiếm được nhiều lợi nhuận hơn
Tiếp thị: Ngoài các dịch vụ tài chính cụ thể, AI cũng có thể được triển khai trong các chức năng kinh doanh cốt lõi như hoạt động tiếp thị và quảng cáo Hiểu hành vi mua hàng là rất quan trọng để tiếp thị thích hợp AI có thể được triển khai để đạt được các kỹ thuật tiếp thị hiệu quả và tạo ra nội dung quảng cáo phù hợp hơn cho khách hàng mục tiêu
Nguồn nhân lực: Mặc dù không trực tiếp nhưng gián tiếp, AI có thể được sử dụng để đưa ra quyết định tuyển dụng tốt hơn bằng cách lập hồ sơ ứng viên phù hợp cho các hồ sơ được yêu cầu.
Khảo lược các nghiên cứu trước đây
Kết quả nghiên cứu của Tăng Mỹ Sang & Nguyễn Tiến Hùng (2020) về tác động của
AI đến hoạt động của các NHTM Việt Nam cho thấy, AI được sử dụng phổ biến tại Việt Nam với 3 mục đích chính là giảm thiểu sai sót do con người gây ra, xử lý các quy trình tự động và hỗ trợ cá nhân hóa dịch vụ AI có tác động đến hoạt động của ngân hàng và có tác động tích cực nhiều hơn tác động tiêu cực, thể hiện qua tác động của AI đến sự
18 phức tạp của sản phẩm và dịch vụ, chống gian lận và nâng cao hiệu suất của máy ATM được đánh giá cao nhất Bên cạnh đó, AI còn tác động đến việc giám sát hành vi, phân vùng khách hàng, tăng độ chính xác trong thẩm định tín dụng và quản trị rủi ro tín dụng của các ngân hàng
Nghiên cứu của Nguyễn Thị Hiền & Phạm Thu Hương (2019) cho thấy các ngân hàng thương mại Việt Nam đang bắt đầu hướng đến việc áp dụng các nền tảng công nghệ trí tuệ nhân tạo vào quá trình hoạt động phát triển sản phẩm, dịch vụ của ngân hàng nhằm mục tiêu tạo ra doanh thu và mở rộng thị phần cho ngân hàng trong tương lai nhưng chưa chú trọng đến vấn đề an toàn, bảo mật và giảm chi phí Bên cạnh đó, đề xuất một số khuyến nghị đồng bộ liên quan đến: hoàn thiện khung pháp lý; tạo dựng cơ sở hạ tầng công nghệ thông tin; tăng cường an ninh, bảo mật trong ứng dụng FinTech; và đào tạo nguồn nhân lực trong lĩnh vực công nghệ tài chính nhằm tạo nên giải pháp đồng bộ ứng dụng trí tuệ nhân tạo trong dịch vụ tài chính tại thị trường Việt Nam trong giai đoạn sắp tới
Việc đưa AI vào các dịch vụ tài chính là một trong những khám phá hướng tới tương lai trong các tổ chức tài chính quốc tế ngày nay AI ngày càng được đưa vào giao dịch tài sản tài chính, quản lý tài sản và tài sản, bảo hiểm và ngân hàng, dịch vụ khách hàng, cho vay tín dụng và các lĩnh vực khác Li và cộng sự (2021) đã giới thiệu ứng dụng rộng rãi của AI trong thị trường tài chính từ năm khía cạnh: phát hiện và dự đoán báo cáo tài chính sai lệch, phát hiện và dự đoán kiệt quệ tài chính, phát hiện và dự đoán các trường hợp lừa đảo, dự đoán quản lý rủi ro tín dụng, và dự đoán giá thị trường chứng khoán Ngày càng có nhiều quốc gia tích cực tham gia vào thị trường tài chính AI Hiện tại, thị trường tài chính AI của một số nước phát triển đang dẫn đầu, trong khi hầu hết các nước đang phát triển mới nổi đang trong giai đoạn khám phá và học hỏi
Bholat & Susskind (2021) đã khám phá tác động của trí tuệ nhân tạo (AI) đối với các dịch vụ tài chính Nghiên cứu này cung cấp một cái nhìn tổng quan về AI và việc sử dụng nó ngày càng tăng trong lĩnh vực tài chính; xem xét các tác động đối với người tiêu dùng và cạnh tranh trong lĩnh vực này; xem xét hậu quả đối với các ngân hàng trung
19 ương và cơ quan quản lý; và phản ánh về một thế giới xa xôi hơn, nơi AI tiên tiến hơn nhiều so với ngày nay Nói tóm lại, tác động của AI đối với các dịch vụ tài chính có thể sẽ mang tính biến đổi, nhưng tác động đó vẫn còn phức tạp và không chắc chắn
Dựa theo nghiên cứu của Fernández (2019), việc sử dụng các ứng dụng trí tuệ nhân tạo trong lĩnh vực tài chính đã là một thực tế hữu hình mang lại nhiều lợi ích cho những người tham gia thị trường Tuy nhiên, nó cũng đặt ra một loạt rủi ro và hạn chế phải được biết và quản lý để có thể khai thác chính xác tất cả tiềm năng của chúng Để đạt được mục tiêu đó, cần phải phân biệt giữa các loại hoạt động khác nhau mà các công cụ này được sử dụng, vì các vấn đề như sai lệch kết quả hoặc khó khăn trong việc giải thích lý do cơ bản là quan trọng hơn trong một số lĩnh vực so với những lĩnh vực khác Theo đó, những ưu điểm và nhược điểm của việc sử dụng công nghệ này, cùng với cách thức sử dụng nó, cần được đánh giá trên cơ sở từng trường hợp cụ thể Một lựa chọn tương đối phổ biến và trong hầu hết các trường hợp mang lại sự cân bằng hợp lý giữa rủi ro và phần thưởng là sử dụng các công cụ trí tuệ nhân tạo cùng với (chứ không phải thay vì) các kỹ thuật truyền thống Nói cách khác, sử dụng các công cụ này như một phần của quy trình củng cố và xác thực các quyết định, thay vì chấp nhận hoàn toàn các kết quả do thuật toán cung cấp
Sau khi khám phá định nghĩa về trí tuệ nhân tạo, các khả năng cốt lõi mà nó mang lại và động lực phát triển của nó, giờ đây chúng ta sẽ chuyển sự chú ý sang ứng dụng của trí tuệ nhân tạo trong các dịch vụ tài chính Không giống như một số công ty công nghệ lớn, rất ít công ty dịch vụ tài chính tham gia trực tiếp vào việc vượt qua ranh giới của những gì trí tuệ nhân tạo có thể làm Thay vào đó, hầu hết các tổ chức tài chính đều tập trung vào việc triển khai các kỹ thuật và năng lực trí tuệ nhân tạo hiện có để giải quyết các vấn đề chiến lược quan trọng và trong các lĩnh vực có cơ hội cạnh tranh (Arslanian và cộng sự, 2019)
Trong chương 2 này, tác giả đã trình bày các lý thuyết liên quan đến trí tuệ nhân tạo và vai trò của trí tuệ nhân tạo trong nền kinh tế Bên cạnh đó, tác giả cũng trình bày về trí tuệ nhân tạo và ngành dịch vụ tài chính, lợi ích của việc áp dụng trí tuệ nhân tạo, và các lĩnh vực chức năng trong dịch vụ tài chính có thể sử dụng trí tuệ nhân tạo Cuối cùng, tác giả tổng hợp một số nghiên cứu trong và ngoài nước về ứng dụng trí tuệ nhân tạo trong dịch vụ tài chính
THỰC TRẠNG ỨNG DỤNG TRÍ TUỆ NHÂN TẠO TRONG DỊCH VỤ TÀI CHÍNH TRÊN THẾ GIỚI
Thực trạng ứng dụng trí tuệ nhân tạo trong dịch vụ tài chính trên thế giới
Trí tuệ nhân tạo AI là hiện tượng mới trong một loạt các đột phá do khoa học máy móc thể hiện, công nghệ này đang nhanh chóng thay đổi động lực của ngành dịch vụ tài chính và ngân hàng Theo lời của Ngân hàng Trung ương Châu Âu, ngân hàng này đã áp dụng các giao dịch thuật toán cho khoảng 70% tổng số đơn đặt hàng Vào năm 2019, một cuộc khảo sát chính thức lớn về ngành dịch vụ tài chính của Vương quốc Anh đã tiết lộ rằng máy học - một dạng AI - được 2/3 số người được hỏi ở Vương quốc Anh sử dụng trong một loạt các văn phòng chính và văn phòng hỗ trợ Một cuộc khảo xác khác theo “Khảo sát AI toàn cầu” của McKinsey & Company (2019), việc sử dụng trí tuệ nhân tạo trong các quy trình kinh doanh đã tăng gần 25% từ năm 2018 đến 2019 Hơn nữa, phần lớn các giám đốc điều hành trong các công ty áp dụng AI đã tăng doanh thu trong khi đã cắt giảm 44% chi phí
McKinsey cho biết ngành dịch vụ tài chính đứng giữa các nhóm về tỷ lệ chấp thuận (sau các lĩnh vực như ứng dụng công nghệ cao; ô tô lắp ráp; viễn thông; các ngành du lịch, vận tải và hậu cần) Tuy nhiên, các ngân hàng và những tổ chức khác đang áp dụng rộng rãi và ngày càng nhiều các công nghệ tự động hóa như sử dụng rô-bốt, học máy, thị giác máy tính, xử lý ngôn ngữ tự nhiên, FinTech và RegTech
Các thuật toán AI đã kích hoạt các công cụ để các cá nhân truy cập các dịch vụ quản lý danh mục đầu tư bán cá nhân hóa thông qua các nền tảng trực tuyến tự động, được gọi là cố vấn rô-bốt Cố vấn rô-bốt yêu cầu một cá nhân gửi thông tin ưu tiên đầu tư mà nó sử dụng để tự động tạo và quản lý danh mục đầu tư của cá nhân đó Mặc dù giao diện có thể bao gồm một Chatbots tự động, nhưng về cơ bản, các cố vấn tự động loại bỏ sự tương tác trực tiếp giữa nhà đầu tư và cố vấn tài chính con người Các công cụ tối ưu hóa danh mục đầu tư được sử dụng bởi cố vấn con người và các dịch vụ tư vấn rô-bốt và cung cấp mức độ tinh vi đầu tư cao hơn nhiều cho nhà đầu tư bán lẻ điển hình
Lợi ích chính cho các nhà đầu tư bán lẻ giữa cố vấn rô-bốt và cố vấn con người là về chi phí và khả năng tiếp cận Cố vấn rô-bốt ít tốn kém hơn và có thể được truy cập bất cứ lúc nào từ hầu hết mọi địa điểm Khả năng tiếp cận tốt hơn cũng đến từ khả năng sử dụng dịch vụ với ngưỡng đầu tư tối thiểu Cố vấn rô-bốt và Chatbots được hỗ trợ bởi các thuật toán học máy và xử lý ngôn ngữ tự nhiên (NLP) đã trở thành những công cụ mạnh mẽ để cung cấp trải nghiệm cá nhân hóa, đàm thoại và tự nhiên trên các lĩnh vực khác nhau Họ đã đạt được sức hấp dẫn đáng kể với những người tiêu dùng thuộc thế hệ thiên niên kỷ, những người không cần cố vấn trực tiếp để cảm thấy thoải mái khi đầu tư (Buchanan, 2019) Ưu điểm của dịch vụ tư vấn rô-bốt là: (i) tiếp cận thị trường thụ động với các chiến lược phân bổ tài sản chiến lược, thường bao gồm nhiều tùy chỉnh của khách hàng hơn so với hồ sơ rủi ro truyền thống được các ngân hàng sử dụng, (ii) thực hiện hiệu quả chi phí phân bổ tài sản đa dạng và (iii) giảm các thành kiến hành vi So với tư vấn đầu tư truyền thống, cố vấn robo có thể tiết kiệm chi phí (giả sử phí cố vấn truyền thống của con người là 1,5 phần trăm) và cải thiện hiệu suất danh mục đầu tư ròng
Dữ liệu và máy học (ML)
Năm 2006, dữ liệu được tuyên bố là “dầu mỏ mới” và vào năm 2011, Diễn đàn Kinh tế Thế giới tuyên bố dữ liệu cá nhân là một loại tài sản mới Hiện tại, trung bình 2,5 triệu byte dữ liệu được tạo ra hàng ngày và người ta ước tính rằng 90 phần trăm dữ liệu hiện có trên toàn cầu đã được tạo ra trong 2 năm qua Đến năm 2025, người ta ước tính rằng dữ liệu được tạo và sao chép hàng năm (hay được gọi là 'vũ trụ kỹ thuật số') sẽ tương đương với 180 zettabyte
Wall (2017) chỉ ra rằng một hạn chế nghiêm trọng đối với các quy trình ML là tính khả dụng của dữ liệu đối với một số ứng dụng Để giải quyết khoảng cách này, một xu hướng đang phát triển nhanh chóng trong các ứng dụng dịch vụ tài chính AI là vai trò của dữ liệu thay thế (AD) Ngoài dữ liệu tài chính, dữ liệu thay thế đang chứng tỏ là một nguồn giá trị quan trọng đối với nhiều công ty AD mở rộng ra ngoài hồ sơ công ty, cuộc gọi thu nhập hoặc bộ dữ liệu cơ bản Nó có thể bao gồm (nhưng không giới hạn ở) dữ liệu thời tiết, dữ liệu theo dõi vệ tinh, dữ liệu vị trí địa lý, mức sử dụng ứng dụng và tình
23 cảm xã hội Nói cách khác, dữ liệu thay thế đề cập đến các nguồn dữ liệu không phải là một phần của bộ số liệu thông tin 'truyền thống' được các nhà phân tích đầu tư sử dụng Các kỹ thuật ML rất quan trọng để phân tích AD AD thường không có cấu trúc, rất mới và quá lớn đối với các mô hình đầu tư truyền thống để diễn giải
Trong khi các nguồn dữ liệu truyền thống có thể bao gồm báo cáo tài chính của công ty và số liệu thống kê kinh tế của ngân hàng trung ương, các nguồn AD mở rộng bao gồm các nguồn khác nhau như: thông tin thanh toán tại điểm bán hàng, theo dõi vệ tinh và hình ảnh cũng như nội dung truyền thông xã hội Theo nghĩa này, AD phục vụ để bổ sung cho dữ liệu kinh tế và tài chính truyền thống
Các quỹ phòng hộ đã sớm áp dụng AD như một phương tiện để đạt được lợi thế đầu tư cạnh tranh, nhưng các ứng dụng hiện tại của AD đã vượt ra ngoài các quỹ phòng hộ Các nhà quản lý đầu tư truyền thống, công ty bảo hiểm, người cho vay và các nhà cung cấp dịch vụ tài chính khác đều đang tìm cách tích hợp dữ liệu thay thế vào doanh nghiệp của họ
Giao dịch thuật toán (AT)
Kể từ những năm 1970, các tổ chức tài chính đã sử dụng các thuật toán để giao dịch cổ phiếu và “giao dịch thuật toán” (AT) hiện là lực lượng thống trị trên thị trường tài chính toàn cầu Còn được gọi là “hệ thống giao dịch tự động”, AT sử dụng các hệ thống
AI và ML phức tạp để thực hiện các quyết định giao dịch cực kỳ nhanh chóng AT tạo ra 50–70% giao dịch trên thị trường chứng khoán, 60% giao dịch tương lai và 50% giao dịch trên thị trường trái phiếu (Brummer và Yadav, 2018) Để đánh bại các đối thủ cạnh tranh, giao dịch thuật toán lớn được hỗ trợ bởi một lượng lớn dữ liệu tốc độ cao Phân tích cảm tính có thể hỗ trợ các thuật toán ML trong AT bằng cách đo lường mức độ tích cực hay tiêu cực của nhà phân tích về giá trị của công ty
Các lợi ích của AT bao gồm (i) thực hiện các giao dịch ở mức giá tốt nhất có thể, (ii) tăng độ chính xác và giảm khả năng xảy ra sai sót, (iii) khả năng kiểm tra tự động và đồng thời nhiều điều kiện thị trường và (iv) khả năng giảm nhân công lỗi do tình trạng tâm lý hoặc cảm xúc (Buchanan, 2019)
Các quỹ phòng hộ, bàn giao dịch độc quyền của ngân hàng và nhà ở, và các nhà tạo lập thị trường thế hệ tiếp theo có xu hướng trở thành khách hàng mục tiêu của giao dịch thuật toán AI hỗ trợ AT bằng cách bao gồm các thuật toán bao gồm các quyết định giao dịch, gửi đơn đặt hàng và quản lý các đơn đặt hàng sau khi gửi Tính thông tin về giá sẽ bị ảnh hưởng tích cực bởi tốc độ thuật toán (Biais và cộng sự, 2011)
Xử lý ngôn ngữ tự nhiên (NLP)
Xử lý ngôn ngữ tự nhiên (NLP) là khả năng của phần mềm để hiểu lời nói của con người bằng giọng nói và văn bản NLP đề cập đến nhánh khoa học máy tính và cụ thể hơn là nhánh trí tuệ nhân tạo AI - liên quan đến việc cung cấp cho nền tảng công nghệ khả năng sử dụng ngôn ngữ tự nhiên đến từ nhiều lĩnh vực khác nhau, bao gồm ngôn ngữ học, sinh học thần kinh, toán học và khoa học máy tính hiểu văn bản và lời nói giống như cách con người có thể làm Các công ty tài chính luôn cố gắng áp dụng khả năng của thiết bị công nghệ làm việc với văn bản để tìm và phân tích dữ liệu trong lĩnh vực của họ, bằng cách đó họ có thể tìm kiếm cả trong dữ liệu phi cấu trúc và kho lưu trữ của riêng họ Và giống như con người có bộ não để xử lý đầu vào đó, các thiết bị công nghệ này sẽ có một chương trình để xử lý đầu vào tương ứng của chúng Tại một số thời điểm trong quá trình xử lý, đầu vào được chuyển đổi thành mã mà máy tính có thể hiểu được NLP đóng một vai trò quan trọng trong các giải pháp doanh nghiệp giúp hợp lý hóa hoạt động tài chính, kinh doanh, tăng năng suất của nhân viên và đơn giản hóa các quy trình kinh doanh quan trọng
Ngành tài chính tập hợp đầy những con số và dữ liệu, nếu như có thể khai thác triệt để thì đó chính là chìa khóa dẫn đến thành công Đó cũng chính là lý do tại sao ngày càng có nhiều công ty và ngân hàng sử dụng NLP trong FinTech để tối đa hóa hiệu suất xử lý dữ liệu của họ và giảm rủi ro lừa đảo Thế giới đang chứng kiến cách AI và máy học giúp chúng ta ổn định tình trạng tài chính và dự đoán các xu hướng sắp tới, qua đó chúng ta có thể chuẩn bị và thích ứng tốt hơn với những thay đổi mới của nền kinh tế
Công nghê tài chính FinTech
Những lĩnh vực được đưa trí tuệ nhân tạo vào ứng dụng thực tiễn
AI là một phần của sự kết hợp thú vị giữa các công nghệ mới nổi sẽ biến đổi lĩnh vực dịch vụ tài chính Mặc dù vậy, hầu hết các tổ chức hiện tại chỉ mới sử dụng AI trong các lĩnh vực quan trọng nhất của họ, chẳng hạn như: đưa ra các quyết định nhanh hơn; phát hiện gian lận và xử lý tội phạm tài chính; tìm hiểu và dự đoán rủi ro tài chính; giảm thiểu các rủi ro; tự động hóa các quy trình sử dụng lao động Họ vẫn còn bị cản trở bởi các hệ thống công nghệ cũ, cách dữ liệu được tổ chức và các mối quan tâm về quy định, chưa kể đến sự thiếu nhận thức nội bộ về những gì AI có thể làm được nhiều hơn và kiến thức chuyên môn cần thiết để tận dụng nó Dưới đây là chi tiết các lĩnh vực đã được áp dụng công nghệ trí thông minh nhân tạo vào ứng dụng thực tế Đưa ra các quyết định phức tạp nhanh hơn
Nhiều tổ chức dịch vụ tài chính vẫn còn dựa vào điểm tín dụng, lịch sử tín dụng, tài liệu tham khảo của khách hàng và giao dịch ngân hàng để xác định xem một cá nhân
28 hoặc tổ chức có đáng tin cậy hay không Tuy nhiên, các hệ thống báo cáo tín dụng này thường bỏ lỡ lịch sử giao dịch trong thế giới thực và các thông tin khác ảnh hưởng đến uy tín tín dụng Vì vậy các tổ chức dịch vụ tài chính đã triển khai các hệ thống dựa trên
AI để giúp đưa ra các quyết định cho vay và tín dụng sáng suốt hơn, an toàn hơn và có lợi hơn
Tập đoàn PCT (Perpetual Corporate Trust) đã hợp tác với Microsoft phát triển một danh mục các giải pháp công nghệ tập trung vào việc số hóa và tự động hóa các yếu tố của báo cáo tuân thủ và rủi ro theo quy định cho ngành dịch vụ tài chính Chúng bao gồm nền tảng Perpetual Business Intelligence, sử dụng máy học để phân tích hiệu suất danh mục thế chấp của người cho vay và so sánh chúng với toàn bộ thị trường thế chấp Nền tảng này cũng cung cấp mô-đun kiểm tra mức độ căng thẳng tín dụng, giúp sắp xếp hợp lý báo cáo cho các nhà cung cấp dịch vụ tài chính Ngoài việc xử lý dữ liệu có sẵn, các hệ thống quyết định khoản vay dựa trên AI và thuật toán ML có thể xem xét các hành vi, mẫu và dữ liệu khác để dự đoán xác suất vỡ nợ, giúp cải thiện độ chính xác của các quyết định tín dụng
Moula, một công ty cho vay trực tuyến mới của Úc đang sử dụng AI để đẩy nhanh quá trình quyết định có cho khách hàng vay hay không Công ty sử dụng máy học để đánh giá các đơn xin vay trực tuyến, áp dụng các mô hình AI để kiểm tra các cơ hội và rủi ro cũng như mức độ tin cậy về tín dụng tổng thể Công nghệ thông minh này đã có thể nhanh chóng xử lý lượng dữ liệu khổng lồ được đính kèm với các ứng dụng cho vay trực tuyến, vì vậy người cho vay có thể hình thành một chế độ xem trong vòng 48 giờ thay vì hai tuần trước khi triển khai áp dụng AI
Phát hiện gian lận, xử lý tội phạm tài chính
AI có thể hỗ trợ phân tích dữ liệu theo thời gian thực để phát hiện mối đe dọa nhanh hơn Các ngân hàng có thể sử dụng nó để xem xét dữ liệu trong các phiên thời gian thực – từ thông tin giao dịch đến dữ liệu khách hàng từ ngân hàng qua internet và ứng dụng Sau đó, AI có thể áp dụng logic phức tạp để xác định chính xác các tác nhân xấu, người dùng độc hại, giao dịch bất hợp pháp và sự bất thường, đồng thời cảnh báo nhân viên nếu phát hiện hành vi tội phạm Các ngân hàng và doanh nghiệp sử dụng các kỹ thuật AI
29 để cải thiện hoạt động và tuân thủ quy định, thiết lập hệ thống phát hiện gian lận, bao gồm các kỹ thuật AI chủ động tìm hiểu và hiệu chỉnh các phản ứng đối với mối đe dọa bảo mật thực tế và tiềm ẩn, đặc biệt là trong vấn đề gian lận thẻ tín dụng Việc sử dụng
AI đã cải thiện tính kịp thời, bảo mật dữ liệu và hiệu quả cũng như các yêu cầu về quy định, giảm thiểu khả năng gian lận
Trước khi AI được áp dụng rộng rãi, cách tiếp cận dựa trên quy tắc là cách tiếp cận ưa thích để giám sát AML (Anti-Money Laundering) AI tạo ra một cách tiếp cận chính xác, hiệu quả hơn để giám sát AML (Proudman, 2019) Các hệ thống phát hiện gian lận bao gồm các kỹ thuật AI sẽ chủ động tìm hiểu và hiệu chỉnh các phản ứng đối với mối đe dọa bảo mật thực tế và tiềm ẩn, các hành vi bất thường sau đó sẽ được gắn cờ để điều tra thêm
BioCatch là một công ty công nghệ của Israel hiện có văn phòng trên khắp thế giới Được thành lập vào năm 2011 bởi các chuyên gia về khoa học thần kinh, AI, máy học và khủng bố mạng, khách hàng của họ bao gồm American Express và NatWest BioCatch cung cấp sinh trắc học hành vi phân tích tương tác giữa người và thiết bị để bảo vệ người dùng và dữ liệu Các ngân hàng và doanh nghiệp khác sử dụng ứng dụng đấy để giảm gian lận trực tuyến và bảo vệ chống lại nhiều mối đe dọa trên mạng, bằng cách hoạt động như một phần liền mạch trong các ứng dụng di động của ngân hàng những điều đó vẫn không ảnh hưởng đến trải nghiệm người dùng
Tìm hiểu và dự đoán các rủi ro tài chính
Các tổ chức dịch vụ tài chính đang phát triển các mô hình AI có khả năng phân tích lượng lớn dữ liệu để xác định xu hướng thị trường, ưu tiên các rủi ro và theo dõi chúng phù hợp Những mô hình AI này thường được sử dụng để phát hiện các mẫu và mối tương quan cụ thể trong dữ liệu được thu thập, từ đó có thể được sử dụng để xác định các cơ hội bán hàng mới hoặc hỗ trợ dự báo doanh thu, dự đoán giá cổ phiếu và quản lý rủi ro
Chấm điểm tín dụng và dự đoán phá sản là hai khía cạnh chính trong dự đoán rủi ro tài chính Các kỹ thuật AI để dự đoán rủi ro của ngân hàng đã được giới thiệu vào những năm 1990 Hầu hết các phương pháp tiếp cận mạng nơ-ron đều sử dụng là phương pháp
30 đa lớp Atiya (2001) phát triển một mô hình mạng thần kinh để dự đoán phá sản, cung cấp một cải tiến rõ rệt cho các dự báo ngoài mẫu, kết hợp các yếu tố văn bản và quản lý vào các dự đoán khó khăn tài chính dựa trên AI SVM (Support Vector Machine) thường được chọn làm mô hình học tập cơ sở trong các thuật toán tổng hợp chấm điểm tín dụng Suss và Treitel (2019) sử dụng các kỹ thuật AI để đưa ra cảnh báo sớm về tình trạng khó khăn của ngân hàng Vương quốc Anh Họ áp dụng k láng giềng gần nhất (kNN), rừng ngẫu nhiên, tăng cường và SVM cho một mẫu ngân hàng của Vương quốc Anh từ năm
2006 đến 2012, tìm ra các thuật toán rừng ngẫu nhiên vượt trội so với các kỹ thuật AI khác Cuối cùng, phân tích tình cảnh được chứng minh là có ích trong mô hình khó khăn tài chính (Wang và cộng sự, 2018)
Khi dự đoán kiệt quệ tài chính, điều quan trọng là phải phân biệt giữa tín hiệu dương tính giả (lỗi Loại I) và tín hiệu Loại II Trong bối cảnh phá sản, một lỗi Loại I dự đoán một công ty sẽ ổn, nhưng hóa ra ngân hàng đang gặp khó khăn Mặt khác, lỗi Loại II sẽ dự đoán một công ty sắp gặp khó khăn, nhưng hóa ra lại ổn Rõ ràng lỗi Loại I là sai lầm tốn kém hơn đối với tổ chức tài chính và làm trầm trọng thêm rủi ro doanh nghiệp Nó cũng rất nghiêm trọng và tốn kém từ quan điểm của cơ quan quản lý Liang và cộng sự (2018) giải quyết cụ thể việc hạ thấp vấn đề lỗi Loại I bằng cách họ giới thiệu một nguyên tắc tập hợp bộ phân loại, được thiết kế để giảm sự xuất hiện của lỗi Loại I Nguyên tắc tập hợp bộ phân loại sử dụng cách tiếp cận “chia để trị”, theo đó một vấn đề phức tạp được chia thành các vấn đề con nhỏ Sau đó, một kỹ thuật phân loại cụ thể (chẳng hạn như SVM hoặc mạng thần kinh) sẽ được áp dụng cho từng vấn đề con
Giảm thiểu các rủi ro trong lĩnh vực tài chính
Lĩnh vực dịch vụ tài chính thường hoạt động với lượng dữ liệu khổng lồ - những dữ liệu tương tự đã bùng nổ trong những năm gần đây và dự kiến sẽ còn bùng nổ hơn nữa trong những năm tới Ước tính vào năm 2020, trung bình mỗi người tạo ra ít nhất 1,7
Thực trạng và bài học kinh nghiệm ở một số quốc gia
Một ngân hàng lớn tại Úc đã thống kê được hơn 30 hệ thống sử dụng AI, bao gồm cả những loại đã tồn tại hàng thập kỷ như nhận dạng ký tự quang học (OCR) Một ngân hàng khác đã chạy hơn 200 mô hình học máy để giúp ngân hàng này hiểu được hành vi và nhu cầu của khách hàng Nhiều tổ chức cũng đã triển khai trợ lý ảo do AI cung cấp và sử dụng AI trong phòng chống gian lận và an ninh mạng Công nghệ tài chính Úc là một trong những ngành công nghiệp công nghệ tài chính phát triển nhanh nhất vì các doanh nghiệp và người dân đang ưa chuộng phương thức số hóa hơn trong việc lựa chọn sản phẩm tài chính để đánh giá và thanh toán đầu tư của họ Các ngành dịch vụ tài chính luôn tích hợp đổi mới kỹ thuật nhưng xu hướng này rõ ràng hơn trong làn sóng đổi mới công nghệ tài chính (FinTech) Đặc biệt, các nghành dịch vụ tài chính hiện tại là một lĩnh vực màu mở để ứng dụng trí tuệ nhân tạo Thị trường FinTech tại Úc được phân chia theo đề xuất dịch vụ (Chuyển tiền và thanh toán, Tiết kiệm và đầu tư, Thị trường cho vay và cho vay kỹ thuật số, Bảo hiểm trực tuyến và Thị trường bảo hiểm)
Hình 3.2: Thị phần của các danh mục con FinTech ở Úc vào năm 2021
Sự gia tăng hoạt động FinTech trong nước đã được người tiêu dùng trong nước đón nhận Tỷ lệ chấp nhận FinTech đã tăng đáng kể trong thập kỷ qua và số lượng người dùng ở Úc được dự báo sẽ còn tăng lên
Về mảng ứng dụng trí tuệ nhân tạo vào các dịch vụ tài chính nói riêng, theo trang thống kê Tracxn ghi nhận đến thời thời điểm hiện tại Úc đã có hơn 100 công ty khởi nghiệp với việc sử dụng AI làm nền tảng để phát triển các dịch vụ chính của các công ty Trí tuệ nhân tạo là trụ cột chính trong chiến lược kinh tế kỹ thuật số của và phản ánh tầm nhìn quan trọng ngày càng tăng của AI tại Úc Theo báo cáo của Deloitte năm 2019, 79% các tổ chức của Úc tin rằng AI sẽ trở thành yếu tố cốt lõi đối với các hoạt động kinh doanh tài chính của họ Với sự phổ biến của việc AI trong các hoạt động tài chính tại thị
35 trường Úc, Chính phủ Úc đã phải tiến hành đưa ra các nguyên tắc riêng về việc sử dụng trí thông minh nhân tạo này đối với các tổ chức lớn như Ngân hàng Quốc gia Úc, Ngân hàng đa quốc gia Commonwealth Bank và Microsoft Các tổ chức này phải đảm bảo rằng họ đang phát triển và triển khai AI một cách có trách nhiệm và theo cách bảo vệ quyền riêng tư của khách hàng cũng như giảm thiểu sự thiên vị Các nguyên tắc trên có thể hướng dẫn các tổ chức thiết kế và sử dụng các hệ thống AI công bằng, hợp lý, an toàn và đáng tin cậy, đồng thời sẽ phải có người chịu trách nhiệm trực tiếp về chúng Những nguyên tắc như vậy sẽ giúp các tổ chức không vi phạm luật chống phân biệt đối xử với các luật khác
Có khoảng 2500 FinTech của Vương quốc Anh bao gồm 23 chuyên ngành khác nhau, tổng hợp thành 8 loại chính – Ngân hàng, RegTech, InsurTech, Cho vay, Thanh toán, WealthTech, Công cụ tổng hợp báo giá và kế toán, Kiểm toán và Quản lý dòng tiền Nhìn chung, Vương quốc Anh có thế mạnh rõ ràng về WealthTech (bao gồm PFM và tiền điện tử) và công nghệ thanh toán, chiếm hơn 50% tổng số FinTech của Vương quốc Anh Chuyên môn của WealthTech được thúc đẩy chủ yếu từ London, nơi có 77% doanh nghiệp WealthTech đặt trụ sở, cùng với một cụm mạnh ở Scotland Các doanh nghiệp thanh toán chiếm 17% FinTech của Vương quốc Anh và khoảng một nửa tập trung ở London với sự hiện diện mạnh mẽ ở cụm Pennines và Scotland
Khi xem xét cách các chuyên ngành khác nhau - hoặc các loại FinTech - phát triển theo thời gian, rõ ràng là phần lớn đã phát triển với tốc độ tương tự kể từ năm 2000, ngoại trừ cho vay là ngoại lệ
Hoạt động cho vay đã đạt mức tăng trưởng hai con số trong hầu hết 20 năm qua Bắt đầu với Payday Loans và cho vay ngang hàng (P2P) như Amigo Loans và sau đó chuyển sang cho vay SME như B-North Nhiều công ty cho vay được thành lập vào đầu những năm 2010, chẳng hạn như Iwoca, Funding Circle & Market Finance là những công ty đáng chú ý trong ngành hiện nay
Một trong những động lực thúc đẩy tăng trưởng trong lĩnh vực ngân hàng bao gồm hỗ trợ quy trình của PRA cho các đơn xin giấy phép ngân hàng mới Năm 2010, giấy phép
36 ngân hàng hoàn toàn mới đầu tiên trong hơn 100 năm đã được cấp cho Ngân hàng Metro Sau đó, vào năm 2014, Cơ quan quản lý thận trọng (PRA) đã thành lập một đơn vị khởi nghiệp để giúp các ngân hàng có nguyện vọng điều hướng quá trình xin giấy phép: mở ra cánh cửa cho thời đại đổi mới ngân hàng mới vào giữa những năm 2010
Một động lực quan trọng khác là luật PSD2 được ban hành vào năm 2016, giúp tạo điều kiện đổi mới trong ngân hàng mở, dẫn đến các dịch vụ mới trong ngân hàng, WealthTech và thanh toán, bao gồm các sản phẩm đổi mới trong quản lý tài chính cá nhân như Moneybox đồng thời tăng cường các dịch vụ của các ngân hàng thách thức Những năm 2010 đặc biệt tốt cho WealthTech, duy trì mức tăng trưởng gần 20% hàng năm trong một thập kỷ Trong danh mục WealthTech bao gồm tiền điện tử và các nền tảng giao dịch và đầu tư, biến nó thành chuyên môn lớn nhất của chúng tôi, nơi có sự chuyển dịch ngày càng tăng sang các sản phẩm từ Doanh nghiệp tới Doanh nghiệp (B2B) như OpenGamma
Ngược lại, chúng ta thấy rằng ngân thương mại - chủ yếu là quản lý hóa đơn và dòng tiền - có tốc độ tăng trưởng thấp hơn so với các chuyên ngành còn lại trong những năm gần đây, một dấu hiệu tiềm năng cho thấy thị trường này đã trở nên bão hòa hơn
Hình 3.3: Tốc độ tăng trưởng đổi mới chuyên ngành tại Anh, 2000-2020
Lập kế hoạch tài chính được cá nhân hóa, phát hiện gian lận, chống rửa tiền và tự động hóa quy trình là những lĩnh vực chính được Hall và Pesenti (2017) xác định là có tiềm năng lớn trong lĩnh vực AI Ngành dịch vụ tài chính là ngành chi tiêu nhiều nhất cho các dịch vụ AI bên ngoài lĩnh vực công nghệ (Citi, 2018) Năm 2019, Ngân hàng Anh (BoE) và Cơ quan quản lý tài chính (FCA) đã khảo sát 300 người tham gia thị trường tài chính (bao gồm ngân hàng, nền tảng giao dịch và nhà quản lý quỹ) Trong số những người được hỏi, 66% cho biết họ hiện đang sử dụng ML và thường sử dụng trong một số lĩnh vực (Ngân hàng Anh, 2019) Theo những người được hỏi, ML được sử dụng trong cả cài đặt văn phòng phía trước và phía sau, phòng chống gian lận, chống rửa tiền (AML) và các tình huống dịch vụ khách hàng Công ty trung bình được BoE/FCA khảo sát sử dụng các ứng dụng AI trong hai lĩnh vực của công ty và việc áp dụng này dự kiến sẽ tăng gấp đôi trong 3 năm tới Cuộc khảo sát cho thấy nhiều công ty hiện đang triển khai AI ở các giai đoạn nâng cao, nổi bật nhất là trong lĩnh vực ngân hàng và bảo hiểm
Cho đến gần đây, các quỹ phòng hộ và các công ty giao dịch cao tần là những người sử dụng chính AI trong lĩnh vực tài chính, nhưng các ứng dụng hiện đã lan sang các lĩnh vực khác, bao gồm ngân hàng, cơ quan quản lý, FinTech và các công ty bảo hiểm Trong ngành dịch vụ tài chính, các ứng dụng AI bao gồm giao dịch theo thuật toán, đánh giá rủi ro tín dụng, quản lý tài sản, thu hồi nợ, rủi ro mạng, xây dựng và tối ưu hóa danh mục đầu tư, xác thực mô hình và kiểm tra lại, tư vấn tự động, trợ lý khách hàng ảo, phân tích tác động thị trường, quy định tuân thủ, và thử nghiệm căng thẳng
Trong những năm gần đây, những người tham gia chính trong ngành dịch vụ tài chính của Canada, từ ngân hàng đến công ty khởi nghiệp FinTech, đã cho thấy việc áp dụng sớm và sáng tạo trí tuệ nhân tạo (AI) và học máy (ML) trong các tổ chức và dịch vụ của họ Với khả năng xem xét và phân tích lượng dữ liệu khổng lồ, các thuật toán AI và ML giúp các tổ chức dịch vụ tài chính cải thiện hoạt động, bảo vệ chống lại tội phạm tài chính, nâng cao lợi thế cạnh tranh và cá nhân hóa dịch vụ của họ tốt hơn
Hình 3.4 Đầu tư vào các công ty FinTech ở Canada 2015-2021
Vào ngày 24 tháng 9 năm 2015, Cơ quan Quản lý Chứng khoán Canada (CSA), tổ chức bảo trợ của các cơ quan quản lý chứng khoán cấp tỉnh của Canada, đã xuất bản Thông báo Nhân viên CSA 31-342: Hướng dẫn dành cho Người quản lý Danh mục Đầu tư về Tư vấn Trực tuyến (Thông báo CSA 31-342) Trong số những điều khác, Thông báo CSA 31-342 cung cấp hướng dẫn cho cố vấn trực tuyến và gợi ý rằng các cơ quan quản lý chứng khoán Canada xem cố vấn trực tuyến là nền tảng trực tuyến mà qua đó người quản lý danh mục đầu tư có thể cung cấp dịch vụ đầu tư, dịch vụ quản lý tài sản độc lập
THỰC TRẠNG ỨNG DỤNG TRÍ TUỆ NHÂN TẠO TRONG DỊCH VỤ TÀI CHÍNH TẠI THỊ TRƯỜNG VIỆT NAM
Tình hình ứng dụng trí tuệ nhân tạo tại Việt Nam
4.1.1 Tổng quan về trí tuệ nhân tạo tại Việt Nam
Trí tuệ nhân tạo (AI) đã trở thành chủ đề bàn tán của lĩnh vực công nghệ trên toàn thế giới trong thập kỷ qua Ứng dụng của AI cho phép các hệ thống máy tính thực hiện các tác vụ mà cho đến gần đây vẫn cần có sự tham gia của trí tuệ con người Sử dụng các thuật toán, số liệu thống kê và máy học, các ứng dụng AI ngày nay bao gồm từ điều khiển bằng giọng nói đến ô tô tự lái,… Do đó, công nghệ này được cho là chìa khóa cho sự phát triển của các nền kinh tế trên toàn cầu Việt Nam cũng không phải là một ngoại lệ, khi Việt Nam đang nỗ lực xây dựng nền kinh tế hỗ trợ AI trong những năm gần đây Việt Nam gần đây đã nổi lên như một điểm đến gia công CNTT mới ở khu vực Đông Nam Á và quốc gia này đã đạt được tiến bộ chuyển đổi kỹ thuật số đáng kể Mặc dù so với các quốc gia dẫn đầu thế giới về AI như Hoa Kỳ và Trung Quốc, ngành công nghiệp
AI ở Việt Nam vẫn còn sơ khai Tuy nhiên, quốc gia này đã và đang có những nỗ lực đáng kể để bắt kịp với sự phát triển không ngừng của công nghệ AI Cuối năm 2022, Việt Nam xếp thứ 6 trong số 10 thành viên ASEAN và thứ 55 trên toàn cầu về Chỉ số sẵn sàng ứng phó với AI của Chính phủ, vượt qua mức trung bình toàn cầu sau khi tăng
7 bậc so với năm trước Mặc dù xuất phát muộn trong cuộc đua AI, nhưng quốc gia Đông Nam Á này đã đầu tư rất nhiều vào AI Việt Nam hiện đang theo đuổi tầm nhìn trở thành một bên tham gia AI quan trọng ở châu Á thông qua Chương trình chuyển đổi kỹ thuật số quốc gia vào năm 2025 Tuy nhiên, để đạt được mục tiêu phát triển AI đầy tham vọng của mình, Việt Nam phải giải quyết một số thách thức, trong đó thách thức lớn nhất là thiếu nhân tài AI mặc dù có lực lượng lao động CNTT vững chắc
Tại Việt Nam, từ năm 2014, công nghệ thông tin đã được đưa vào danh mục là công nghệ cao cần ưu tiên đầu tư phát triển Chính phủ đã xác định đây là một trong những công nghệ đột phá, là đầu tàu của cuộc cách mạng công nghiệp 4.0 Chính phủ cũng đã xác phê duyệt danh mục công nghệ cao được ưu tiên đầu tư phát triển và danh mục sản
43 phẩm công nghệ cao là hai danh mục cần được khuyến khích phát triển, trong đó AI đã được đưa vào danh mục công nghệ cao ưu tiên đầu tư phát triển
Nghị quyết phiên họp Chính phủ tháng 3/2018 đã đặt ra nhiệm vụ nghiên cứu, đánh giá tác động và xây dựng Chiến lược quốc gia về cuộc cách mạng công nghiệp 4.0 Quá trình xây dựng chiến lược, công nghệ sẽ được đánh giá, nghiên cứu kỹ lưỡng để hình thành những lộ trình, giải pháp cụ thể phát triển và ứng dụng trí thông minh nhân tạo phù hợp nhất với thực tế và tiềm năng của Việt Nam Để thúc đẩy phát triển nền tảng sử dụng công nghệ thông minh này, tháng 7/2019, Bộ Kế hoạch và Đầu tư đã được Chính phủ giao cho nhiệm vụ xây dựng Chiến lược quốc gia về cuộc cách mạng công nghiệp 4.0 Trong các buổi hội thảo, hội nghị khoa học và dự thảo chiến lược đã được tổ chức dưới sự chủ trì của Chính phủ, các bộ, ngành, với sự tham gia của các tổ chức, chuyên gia trong nước và quốc tế Qua đó, Lãnh đạo Chính phủ đã đưa ra quan điểm về việc trí thông minh nhân tạo sẽ được xác định là một trong các ngành công nghệ ưu tiên phát triển, cần đẩy mạnh triển khai, coi AI là một công nghệ cho mục đích tổng thể, là công nghệ “nguồn” dẫn dắt năng suất quốc gia; phát triển AI là hướng đến một xã hội an toàn và văn minh, đưa kinh tế - xã hội Việt Nam phát triển; AI có khả năng trở thành công nghệ đột phá nhất trong 10 năm tới nên cần tập trung các nhóm chính sách để thúc đẩy phát triển nền tảng này, trong đó nguồn nhân lực là một trong những ưu tiên hàng đầu cần được chú trọng trước
Ngoài chính phủ, các tổ chức nghiên cứu và các tập đoàn công nghệ lâu đời, các công ty khởi nghiệp đã và đang đóng một vai trò quan trọng trong việc đưa AI vào các lĩnh vực kinh doanh khác nhau tại Việt Nam Giá trị của các khoản đầu tư vào các dự án AI đạt đỉnh cao vào năm 2021, lên đến khoảng 23 triệu đô la Mỹ, trải rộng trên 9 giao dịch đầu tư khác nhau Vì Việt Nam là một trung tâm sản xuất ngày càng quan trọng đối với các sản phẩm như thiết bị di động, điện tử và dệt may nên các quy trình do AI cung cấp đặc biệt có nhu cầu cao trong lĩnh vực sản xuất Không có gì đáng ngạc nhiên, các quy trình kinh doanh và dịch vụ hỗ trợ là những lĩnh vực nhận đầu tư hàng đầu vào các công ty khởi nghiệp AI trong những năm gần đây Các dự án AI trong các dịch vụ tài chính
44 và bảo hiểm tiếp theo là lĩnh vực nhận đầu tư lớn thứ hai bên cạnh lĩnh vực công nghệ tài chính đang phát triển nhanh chóng của Việt Nam
Mặt khác, nhìn chung, các khoản đầu tư vào AI không chỉ tập trung vào một số ngành mà thay vào đó, được phân bổ cho các công ty khởi nghiệp từ các lĩnh vực khác nhau Chẳng hạn, tính đến tháng 3 năm 2023, các dự án AI được đầu tư nhiều nhất tại Việt Nam là OKXE Inc - một nền tảng thương mại điện tử, Edmicro Education - một nhà cung cấp dịch vụ giáo dục trực tuyến và VNPay - một kỳ lân thanh toán kỹ thuật số Khi lĩnh vực khởi nghiệp ở Việt Nam phát triển, việc ứng dụng trí tuệ nhân tạo dự kiến sẽ được nhiều công ty sử dụng trên nhiều nền tảng công nghiệp đa dạng hơn
Tại Việt Nam, công i nghệ i AI i đã i được i ứng i dụng i rộng i rãi i trong ngành tài chính, thể hiện qua việc ngày càng có nhiều doanh nghiệp FinTech ra đời
Hình 4.1: Số lượng Fintech startup theo lĩnh vực giai đoạn 2017-2020
Sự gia tăng đáng kể của các doanh nghiệp Fintech cho thấy tiềm i năng i ứng i dụng công nghệ để giải quyết các vấn đề và vấn i đề i trong i lĩnh i vực i tài i chính i Tuy i nhiên, i sự i tăng itrưởng của các công ty Fintech trong i giai i đoạn i 2015-2020 i cho i thấy i sự i tăng i trưởng i chủ iyếu i tập i trung vào một số lĩnh i vực i (thanh i toán, i cho i vay) và bỏ qua một i số i lĩnh i vực i rất itiềm i năng và có vai trò quan trọng trong ngành i tài i chính i (đầu i tư, i quản i lý i tài i sản, quản lý rủi ro) Theo một báo cáo do Fintechnews.sg thực hiện về lĩnh vực Fintech tại Việt
Nam, i lĩnh i vực i thanh i toán, i cho i vay và chuỗi khối chiếm i hơn i 60% i doanh i nghiệp i Fintech. iTrong i khi i đó, số doanh nghiệp Fintech trong lĩnh i vực i quản i lý i tài i sản, xếp hạng/xếp hạng tín nhiệm chiếm chưa đến 13% (Hình 2) Một i phần i lý i do i có i thể i nằm ở chỗ công nghệ cốt lõi cần thiết trong lĩnh vực quản lý tài sản, quản lý rủi ro hoặc đầu tư tài chính đòi hỏi công i nghệ i phức i tạp i và i đòi i hỏi i nhiều nguồn nhân lực và chi phí tài chính để phát triển, thay vì công nghệ trong lĩnh vực P2P thanh toán hoặc cho vay
Hình 4.2: Phân bổ doanh nghiệp Fintech theo ngành năm 2020 tại Việt Nam
Nhiều quốc gia đã chi hàng tỷ đô la Mỹ cho các chiến lược phát triển AI với tham vọng đi đầu về AI và Việt Nam cũng không nằm ngoài xu hướng phát triển này Theo nghiên cứu từ hệ thống CISCO, một công ty công nghệ nằm ở thung lũng Silicon, gần
28 triệu công nhân châu Á sẽ bị thay thế bởi AI Tỷ lệ lao động Việt Nam chịu ảnh hưởng của AI là 13,8%, chỉ kém Singapore trong khu vực Asean Điều đó cũng có nghĩa là 7,5 triệu lao động Việt Nam sẽ mất việc làm đòi hỏi những kỹ năng mà AI có thể làm được Trong những năm gần đây, ngành công nghiệp trí tuệ nhân tạo của Việt Nam đã có những bước tiến rõ rệt trong việc tăng hàm lượng trí tuệ nhân tạo trong các sản phẩm khác nhau Các tập đoàn công nghệ lớn trong nước đang quan tâm đầu tư và xây dựng nguồn AI bên cạnh việc triển khai các dự án AI Công ty dịch vụ công nghệ thông tin hàng đầu tại Việt Nam, FPT mới đây đã công bố sẽ chi 300 tỷ đồng (13,16 triệu USD) cho nghiên cứu và phát triển AI trong 5 năm tới
Nhiều công ty trong nước cũng như các công ty khởi nghiệp sáng tạo cũng có xu hướng đầu tư vào AI và thực hiện nhiều ứng dụng mới trong các mô hình kinh doanh mới Theo Hội nghị quốc tế về trí tuệ nhân tạo và trí tuệ điện toán 2020, Việt Nam hiện đứng thứ 21 thế giới về lĩnh vực AI Ngoài ra, báo cáo từ trung tâm nghiên cứu phát triển quốc tế và hiểu biết của Oxford tại Canada (IDRC) đã chỉ ra rằng Chỉ số sẵn sàng cho Chính phủ AI của Việt Nam được xếp hạng 62 trên toàn cầu và thứ 6 trong khu vực ASEAN
Kể từ khi đại dịch COVID-19 bùng phát cách đây gần 2 năm, việc ứng dụng AI trong chăm sóc sức khỏe tại Việt Nam đã trở thành điểm sáng trên thế giới AI đã giúp giảm bớt gánh nặng cho nhân viên y tế và lực lượng chống đại dịch thông qua các ứng dụng truy vết, bản đồ dịch tễ học và robot
