Bài viết dài vạn chữ của a16z: Làm thế nào dịch vụ tài chính tận dụng Generative AI?
Tuyển chọn TechFlowTuyển chọn TechFlow
Bài viết dài vạn chữ của a16z: Làm thế nào dịch vụ tài chính tận dụng Generative AI?
Hãy đi sâu vào năm mục tiêu: trải nghiệm người tiêu dùng cá nhân hóa, vận hành hiệu quả hơn, tuân thủ tốt hơn, quản lý rủi ro được cải thiện và dự đoán, báo cáo động, để xem các công ty hiện tại và các công ty khởi nghiệp đang tận dụng AI tạo sinh như thế nào.
Chuyên sâu báo cáo Web3Tác giả: Angela Strange, Seema Amble và cộng sự, a16z
Biên dịch: InvestmentAI
Trong thời đại công nghệ phát triển nhanh chóng, trí tuệ nhân tạo (AI) và học máy (ML) đã được ứng dụng trong ngành dịch vụ tài chính hơn một thập kỷ, từ cải thiện kiểm soát rủi ro đến các hệ thống chấm điểm chống gian lận cơ bản. Ngày nay, AI sinh (generative AI) dựa trên mô hình ngôn ngữ lớn (Large Language Models - LLMs) đang đại diện cho một bước tiến lịch sử, thay đổi nhiều lĩnh vực như giáo dục, trò chơi, kinh doanh... Khác với AI/ML truyền thống chủ yếu dự đoán hoặc phân loại dựa trên dữ liệu hiện có, AI sinh có khả năng tạo ra nội dung hoàn toàn mới.
Hãy tưởng tượng, nếu chúng ta huấn luyện trên khối lượng lớn dữ liệu phi cấu trúc, kết hợp với sức mạnh tính toán gần như vô hạn, điều này có thể mang lại cuộc cách mạng lớn nhất trong thị trường dịch vụ tài chính suốt vài thập kỷ qua. Trái ngược với những chuyển đổi nền tảng trước đây – như Internet, thiết bị di động, điện toán đám mây – khi ngành dịch vụ tài chính luôn đi sau một bước, lần này, chúng tôi kỳ vọng những công ty tiên phong và hiện tại đều sẽ ngay lập tức đón nhận AI sinh.
Các công ty dịch vụ tài chính sở hữu lượng lớn dữ liệu tài chính lịch sử; nếu tận dụng dữ liệu này để tinh chỉnh LLM (hoặc huấn luyện từ đầu như BloombergGPT), họ sẽ có thể trả lời gần như mọi câu hỏi tài chính một cách tức thì. Ví dụ, một LLM được huấn luyện trên dữ liệu trò chuyện khách hàng và thông số sản phẩm bổ sung của một công ty, nên có thể trả lời ngay lập tức mọi câu hỏi về sản phẩm của công ty đó. Một LLM được huấn luyện trên báo cáo hoạt động đáng ngờ (SARs) trong 10 năm của công ty, nên có thể nhận diện chuỗi giao dịch có dấu hiệu rửa tiền. Chúng tôi tin rằng ngành dịch vụ tài chính đang sẵn sàng tận dụng AI sinh để đạt được năm mục tiêu: trải nghiệm cá nhân hóa cho người tiêu dùng, vận hành hiệu quả, tuân thủ tốt hơn, quản lý rủi ro cải thiện, và dự báo, báo cáo linh hoạt.
Trong cuộc cạnh tranh giữa công ty hiện tại và các startup, khi sử dụng AI để ra mắt sản phẩm mới và cải thiện vận hành, công ty hiện tại có lợi thế ban đầu nhờ tiếp cận dữ liệu tài chính độc quyền, nhưng cuối cùng họ có thể bị cản trở bởi các tiêu chuẩn cao về độ chính xác và quyền riêng tư. Ngược lại, các công ty mới gia nhập có thể ban đầu phải dùng dữ liệu tài chính công khai để huấn luyện mô hình, nhưng họ sẽ nhanh chóng tự tạo ra dữ liệu riêng và sử dụng nó như công cụ phá băng để phân phối sản phẩm mới.
Vậy hãy cùng đi sâu vào năm mục tiêu này, xem cả công ty hiện tại và startup đang tận dụng AI sinh như thế nào.
Trải nghiệm cá nhân hóa cho người tiêu dùng
Mặc dù các công ty fintech dành cho người tiêu dùng đã đạt được thành công lớn trong thập kỷ qua, họ vẫn chưa thực hiện được lời hứa tham vọng nhất: tối ưu bảng cân đối kế toán và báo cáo thu nhập của người dùng mà không cần can thiệp con người. Lời hứa này vẫn chưa thành hiện thực vì giao diện người dùng không đủ khả năng nắm bắt đầy đủ bối cảnh con người ảnh hưởng đến quyết định tài chính, cũng như không thể đưa ra lời khuyên và bán chéo theo cách giúp người dùng cân nhắc phù hợp.
Một ví dụ không hiển nhiên về bối cảnh con người là cách người tiêu dùng ưu tiên thanh toán hóa đơn trong thời kỳ khó khăn. Khi đưa ra quyết định này, người tiêu dùng thường cân nhắc giữa tiện ích và thương hiệu — sự đan xen này khiến việc xây dựng trải nghiệm đủ sâu để tối ưu hóa quyết định trở nên phức tạp. Điều này làm cho việc cung cấp giáo dục tín dụng chất lượng cao mà không cần nhân viên can thiệp trở nên khó khăn. Dù các giải pháp như Credit Karma có thể dẫn dắt khách hàng đi hết 80% hành trình, 20% còn lại giống như một vực sâu huyền bí, và mọi nỗ lực tiếp theo nhằm nắm bắt bối cảnh thường quá hẹp hoặc sử dụng độ chính xác giả tạo, làm mất niềm tin của người tiêu dùng.
Thiếu sót tương tự cũng tồn tại trong quản lý tài sản và chuẩn bị thuế hiện đại. Trong quản lý tài sản, cố vấn con người vượt trội hơn các giải pháp fintech, kể cả những giải pháp tập trung hẹp vào một loại tài sản hoặc chiến lược cụ thể, vì con người chịu ảnh hưởng sâu sắc bởi những hy vọng, ước mơ và nỗi sợ riêng biệt. Đây là lý do tại sao cố vấn con người luôn có thể cá nhân hóa lời khuyên tốt hơn phần lớn hệ thống fintech. Về thuế, ngay cả với phần mềm hiện đại hỗ trợ, người Mỹ mỗi năm vẫn phải bỏ ra hơn 6 tỷ giờ để xử lý thuế, mắc 12 triệu lỗi, và thường xuyên bỏ sót thu nhập hoặc từ bỏ các lợi ích mà họ không biết, chẳng hạn như khấu trừ chi phí đi công tác.
Các mô hình ngôn ngữ lớn (LLMs) cung cấp giải pháp gọn gàng cho những vấn đề này, bằng cách hiểu và điều hướng quyết định tài chính của người tiêu dùng tốt hơn. Những hệ thống này có thể trả lời câu hỏi (“Tại sao danh mục đầu tư của tôi lại có trái phiếu đô thị?”), đánh giá sự đánh đổi (“Tôi nên nhìn nhận rủi ro kỳ hạn so với lợi nhuận như thế nào?”), và cuối cùng tích hợp bối cảnh con người vào quá trình ra quyết định (“Bạn có thể lập một kế hoạch đủ linh hoạt để giúp tôi hỗ trợ cha mẹ già về mặt tài chính vào một thời điểm trong tương lai không?”). Những khả năng này sẽ biến fintech dành cho người tiêu dùng từ một tập hợp các trường hợp sử dụng có giá trị cao nhưng hẹp thành một ứng dụng giúp người tiêu dùng tối ưu hóa toàn bộ đời sống tài chính của họ.
Vận hành hiệu quả
Trong một thế giới nơi công cụ AI sinh có thể thâm nhập vào ngân hàng, Sally nên được đánh giá tín dụng liên tục, để khi cô ấy quyết định mua nhà, cô ấy đã có sẵn khoản vay thế chấp được phê duyệt trước.
Tuy nhiên, thế giới này vẫn chưa thành hiện thực, chủ yếu vì ba lý do:
-
Thứ nhất, thông tin người tiêu dùng bị phân tán ở nhiều cơ sở dữ liệu khác nhau. Điều này khiến việc bán chéo và dự đoán nhu cầu người tiêu dùng trở nên cực kỳ thách thức.
-
Thứ hai, dịch vụ tài chính là sản phẩm mua sắm mang tính cảm xúc cao, thường có cây quyết định phức tạp và khó tự động hóa. Nghĩa là ngân hàng phải thuê đội ngũ chăm sóc khách hàng lớn để trả lời hàng loạt câu hỏi của khách hàng về sản phẩm tài chính phù hợp nhất với tình huống cá nhân của họ.
-
Thứ ba, dịch vụ tài chính chịu sự giám sát nghiêm ngặt. Nghĩa là các nhân viên như cán bộ tín dụng và xử lý hồ sơ phải tham gia vào từng chu trình sản phẩm (như vay thế chấp) để đảm bảo tuân thủ các luật lệ phức tạp và phi cấu trúc.
AI sinh sẽ giúp tăng hiệu suất lên hàng ngàn lần cho các chức năng tốn nhiều công sức như trích xuất dữ liệu từ nhiều nguồn, hiểu bối cảnh cá nhân phi cấu trúc và quy định tuân thủ phi cấu trúc. Ví dụ:
-
Đại diện chăm sóc khách hàng: Tại mỗi ngân hàng, hàng ngàn đại diện phải nắm rõ sản phẩm và yêu cầu tuân thủ liên quan để trả lời câu hỏi khách hàng. Hãy tưởng tượng một đại diện mới bắt đầu công việc, họ có thể dùng một mô hình ngôn ngữ lớn (LLM) đã được huấn luyện trên các cuộc gọi chăm sóc khách hàng của ngân hàng trong 10 năm qua. Đại diện này có thể dùng mô hình để nhanh chóng tạo ra câu trả lời chính xác cho mọi câu hỏi, giúp họ thảo luận sâu hơn về nhiều sản phẩm rộng hơn, đồng thời giảm thời gian đào tạo. Các công ty hiện tại sẽ muốn đảm bảo dữ liệu độc quyền và thông tin cá nhân khách hàng không bị dùng để cải thiện LLM phổ thông mà các công ty khác cũng có thể dùng. Các công ty mới sẽ cần sáng tạo trong cách xây dựng tập dữ liệu.
-
Cán bộ tín dụng: Cán bộ tín dụng hiện tại thường phải lấy dữ liệu từ gần chục hệ thống khác nhau để tạo hồ sơ vay. Một mô hình AI sinh được huấn luyện trên dữ liệu tất cả các hệ thống này sẽ cho phép cán bộ chỉ cần cung cấp tên khách hàng, hồ sơ vay sẽ được tạo ngay lập tức. Cán bộ vẫn cần đảm bảo độ chính xác 100%, nhưng quy trình thu thập dữ liệu của họ sẽ hiệu quả và chính xác hơn nhiều.
-
Đảm bảo chất lượng: Phần lớn công việc đảm bảo chất lượng tại ngân hàng và công ty fintech liên quan đến việc đảm bảo tuân thủ đúng các quy định của nhiều cơ quan quản lý. AI sinh có thể đẩy nhanh đáng kể quá trình này. Ví dụ, công ty Vesta có thể dùng một mô hình AI sinh được huấn luyện theo hướng dẫn bán hàng của Fannie Mae để lập tức cảnh báo cán bộ vay thế chấp về các vấn đề tuân thủ. Vì nhiều hướng dẫn quản lý công khai, điều này có thể mở ra cơ hội thú vị cho các công ty mới gia nhập. Tuy nhiên, giá trị thực sự vẫn sẽ thuộc về những công ty sở hữu động cơ quy trình làm việc.
Tất cả những điều này là các bước tiến tới thế giới nơi Sally có thể nhận được khoản vay thế chấp tiềm năng ngay lập tức.
Tuân thủ tốt hơn
Tương lai, nếu bộ phận tuân thủ chấp nhận và sử dụng công nghệ AI sinh, 800 tỷ đến 2 nghìn tỷ USD tiền rửa tiền bất hợp pháp toàn cầu mỗi năm có thể được ngăn chặn hiệu quả. Buôn bán ma túy, tội phạm có tổ chức và các hoạt động bất hợp pháp khác có thể giảm mạnh nhất trong vài thập kỷ qua.
Hiện tại, chúng ta chi hàng trăm tỷ USD mỗi năm cho tuân thủ, nhưng thực tế chỉ ngăn chặn được 3% hoạt động rửa tiền phạm tội. Phần lớn phần mềm tuân thủ được xây dựng dựa trên các quy tắc “hard-coded”. Ví dụ, hệ thống chống rửa tiền cho phép cán bộ tuân thủ thực hiện các quy tắc như “đánh dấu mọi giao dịch trên 10.000 USD” hoặc tìm kiếm các hoạt động đáng ngờ đã đặt trước. Nhưng việc áp dụng các quy tắc này thường kém hiệu quả, vì nhiều tổ chức tài chính bị luật buộc phải điều tra hàng loạt trường hợp dương tính giả, vốn thường phức tạp và khó xử lý. Để tránh bị phạt nặng, các bộ phận tuân thủ thuê hàng ngàn nhân viên, thường chiếm hơn 10% tổng số nhân sự ngân hàng.
Khi chúng ta có thể tận dụng AI sinh, viễn cảnh tương lai sẽ thay đổi:
-
Lọc hiệu quả hơn: Mô hình AI sinh có thể nhanh chóng tổng hợp thông tin then chốt của một cá nhân từ các hệ thống khác nhau, trình bày trước mặt cán bộ tuân thủ, giúp họ đánh giá rủi ro giao dịch nhanh hơn.
-
Dự đoán người rửa tiền tốt hơn: Hãy tưởng tượng một mô hình được huấn luyện trên các báo cáo hoạt động đáng ngờ (SARs) trong 10 năm qua, không cần chỉ dẫn rõ ràng, AI có thể tự phát hiện các mẫu mới từ báo cáo và tự định nghĩa kiểu hành vi nào có thể là rửa tiền.
-
Phân tích tài liệu nhanh hơn: Bộ phận tuân thủ chịu trách nhiệm đảm bảo tuân thủ nội bộ cũng như quy định bên ngoài. AI sinh có thể phân tích khối lượng lớn tài liệu như hợp đồng, báo cáo, email… rồi đánh dấu các vấn đề tiềm tàng hoặc khu vực cần nghiên cứu sâu.
-
Đào tạo và giáo dục: AI sinh cũng có thể dùng để phát triển tài liệu đào tạo, mô phỏng các tình huống thực tế, dạy cán bộ tuân thủ cách thực hành tốt nhất và cách nhận diện rủi ro hoặc hành vi không tuân thủ.
Các công ty mới có thể tận dụng dữ liệu tuân thủ công khai từ hàng chục tổ chức để tìm kiếm và tích hợp nhanh, dễ dàng hơn. Trong khi đó, các công ty lớn có dữ liệu tích lũy nhiều năm cần thiết kế các tính năng bảo vệ quyền riêng tư phù hợp.
Cải thiện quản lý rủi ro
Dù Archegos và "cá voi London" nghe như những sinh vật từ thần thoại Hy Lạp, nhưng thực tế chúng đại diện cho những thất bại nghiêm trọng trong quản lý rủi ro, khiến các ngân hàng lớn nhất thế giới thiệt hại hàng tỷ USD. Thêm vào đó là ví dụ gần đây về Ngân hàng Silicon Valley, rõ ràng cho thấy quản lý rủi ro vẫn là thách thức lớn với nhiều tổ chức tài chính hàng đầu.
Mặc dù tiến bộ AI không thể loại bỏ hoàn toàn rủi ro tín dụng, thị trường, thanh khoản và vận hành, chúng tôi tin công nghệ này có thể đóng vai trò quan trọng trong việc giúp các tổ chức tài chính nhận diện, lập kế hoạch và ứng phó nhanh hơn với những rủi ro không thể tránh khỏi. Cụ thể, dưới đây là những lĩnh vực chúng tôi cho rằng AI có thể giúp quản lý rủi ro hiệu quả hơn:
-
Xử lý ngôn ngữ tự nhiên: Các mô hình LLM như ChatGPT có thể xử lý khối lượng lớn dữ liệu phi cấu trúc như bài báo, báo cáo thị trường, nghiên cứu của chuyên gia phân tích, từ đó cung cấp cái nhìn toàn diện hơn về rủi ro thị trường và đối tác giao dịch.
-
Thông tin theo thời gian thực: Hiểu biết tức thì về điều kiện thị trường, sự kiện địa chính trị và các yếu tố rủi ro khác giúp doanh nghiệp thích nghi nhanh hơn với tình hình thay đổi.
-
Phân tích dự báo: Khả năng chạy các kịch bản phức tạp hơn và đưa ra cảnh báo sớm giúp doanh nghiệp chủ động quản lý rủi ro hơn.
-
Tích hợp: Kết nối các hệ thống độc lập và dùng AI để tổng hợp thông tin giúp cung cấp cái nhìn toàn diện hơn về mức độ phơi nhiễm rủi ro và đơn giản hóa quy trình quản lý rủi ro.
Dự báo và báo cáo động
Ngoài việc hỗ trợ giải quyết các vấn đề tài chính, LLM còn có thể giúp các nhóm dịch vụ tài chính cải thiện quy trình vận hành nội bộ, đơn giản hóa các bước làm việc hàng ngày của nhóm tài chính. Dù các khía cạnh khác trong lĩnh vực tài chính đã tiến bộ vượt bậc, quy trình làm việc hàng ngày của các nhóm tài chính hiện đại vẫn phụ thuộc vào Excel, email và các công cụ BI cần thao tác thủ công. Việc tự động hóa các nhiệm vụ cơ bản bị cản trở bởi thiếu hụt nguồn lực khoa học dữ liệu, trong khi CFO và nhóm của họ quá sa lầy vào các nhiệm vụ ghi chép và báo cáo phiền hà, thay vì tập trung vào các quyết định chiến lược cấp cao quan trọng hơn.
Nói chung, AI sinh có thể giúp các nhóm này thu thập dữ liệu từ nhiều nguồn hơn và tự động hóa quá trình nhấn mạnh xu hướng, tạo dự báo và báo cáo. Dưới đây là một số ví dụ ứng dụng cụ thể:
-
Dự báo: AI sinh có thể hỗ trợ viết công thức và truy vấn trong Excel, SQL và công cụ BI để tự động hóa phân tích. Ngoài ra, các công cụ này có thể giúp tiết lộ các mẫu, rút ra các yếu tố dự báo từ tập dữ liệu lớn hơn, phức tạp hơn (như các yếu tố kinh tế vĩ mô), đề xuất cách điều chỉnh mô hình dễ dàng hơn, cung cấp tham chiếu cho quyết định doanh nghiệp.
-
Báo cáo: Không cần phải thủ công trích xuất thông tin từ nhiều nguồn để lập báo cáo (như báo cáo ban giám đốc, báo cáo nhà đầu tư, bảng dữ liệu hàng tuần), AI sinh có thể tự động tạo văn bản, biểu đồ, đồ thị… và linh hoạt điều chỉnh nội dung báo cáo theo từng ví dụ.
-
Kế toán và thuế: Các nhóm kế toán và thuế phải dành nhiều thời gian tham khảo quy định, hiểu cách áp dụng chúng vào thực tế. AI sinh có thể giúp tổng hợp, tóm tắt và đề xuất câu trả lời khả thi về luật thuế và các khoản giảm thuế tiềm năng.
-
Mua sắm và phải trả: AI sinh có thể hỗ trợ tự động tạo và điều chỉnh hợp đồng, đơn đặt hàng, hóa đơn, cũng như gửi nhắc nhở.
Tuy nhiên, cần làm rõ rằng AI sinh hiện tại vẫn còn hạn chế trong các lĩnh vực đòi hỏi phán đoán hoặc câu trả lời chính xác – điều thường là bắt buộc đối với các nhóm tài chính. Dù khả năng tính toán của mô hình AI sinh không ngừng tiến bộ, hiện tại chúng ta vẫn chưa thể hoàn toàn tin tưởng vào độ chính xác của chúng, hoặc ít nhất vẫn cần kiểm tra lại bằng con người. Khi các mô hình nhanh chóng được cải thiện, với nhiều dữ liệu huấn luyện hơn và khả năng tích hợp mô-đun toán học, các khả năng sử dụng mới sẽ tiếp tục xuất hiện.
Thách thức
Trong năm xu hướng lớn này, cả công ty mới và các bên tham gia hiện tại đều đối mặt hai thách thức chính để hiện thực hóa viễn cảnh tương lai dựa trên AI sinh.
-
Đào tạo mô hình ngôn ngữ lớn (LLM) xử lý dữ liệu tài chính: Các LLM hiện tại chủ yếu được huấn luyện bằng dữ liệu mạng. Để đáp ứng nhu cầu đặc thù của dịch vụ tài chính, cần tinh chỉnh các mô hình này bằng dữ liệu tài chính. Các công ty mới có thể bắt đầu từ dữ liệu tài chính doanh nghiệp công khai, tài liệu quản lý và các dữ liệu tài chính công khai dễ tiếp cận khác để tối ưu mô hình, rồi dần dần sử dụng dữ liệu tự thu thập theo thời gian. Các bên hiện tại như ngân hàng hoặc các nền tảng lớn có mảng dịch vụ tài chính (ví dụ Lyft) có thể tận dụng dữ liệu độc quyền sẵn có, mang lại lợi thế ban đầu. Tuy nhiên, các công ty dịch vụ tài chính hiện tại thường quá bảo thủ khi tiếp nhận các cuộc cách mạng nền tảng lớn. Điều này tạo ra lợi thế cạnh tranh cho các công ty mới không bị ràng buộc.
-
Độ chính xác của đầu ra mô hình: Vì câu trả lời cho các câu hỏi tài chính có thể ảnh hưởng đến cá nhân, doanh nghiệp hoặc toàn xã hội, các mô hình AI mới này phải càng chính xác càng tốt. Chúng không được bịa ra câu trả lời sai, hoặc đưa ra câu trả lời nghe tự tin nhưng thực tế sai. Với các câu hỏi then chốt liên quan đến thuế hay sức khỏe tài chính của con người, chúng cần chính xác hơn nhiều so với các truy vấn văn hóa đại chúng hoặc bài luận trung học phổ thông. Ban đầu, thường cần có một con người trong vòng lặp để xác thực cuối cùng các câu trả lời do AI tạo ra.
Sự trỗi dậy của AI sinh rõ ràng là một cuộc cách mạng nền tảng lớn đối với các công ty dịch vụ tài chính, có tiềm năng cung cấp các giải pháp cá nhân hóa hơn cho khách hàng, giúp vận hành công ty hiệu quả về chi phí, nâng cao tuân thủ, cải thiện quản lý rủi ro, đồng thời mang lại khả năng dự báo và báo cáo linh hoạt hơn. Trên hai thách thức then chốt vừa nêu, các công ty hiện tại và startup sẽ cạnh tranh gay gắt. Dù chúng ta chưa biết ai sẽ chiến thắng cuối cùng, nhưng chúng ta đã biết một điều chắc chắn: có một người chiến thắng rõ ràng – đó là người tiêu dùng dịch vụ tài chính trong tương lai.
Chào mừng tham gia cộng đồng chính thức TechFlow
Nhóm Telegram:https://t.me/TechFlowDaily
Tài khoản Twitter chính thức:https://x.com/TechFlowPost
Tài khoản Twitter tiếng Anh:https://x.com/BlockFlow_News
a16z
