Con Hyena AI và Sự Tiến Hóa của Mô Hình Vận Hành: Làm Thế Nào Quỹ Đầu Tư Riêng Tư Đang Thiết Kế Lại Quyết Định Từ Bên Trong

_ Theo Chris Culbert, Giám đốc phụ trách, JMAN Group

FinTech phát triển nhanh. Tin tức ở khắp nơi, còn sự rõ ràng thì không.

FinTech Weekly cung cấp các câu chuyện và sự kiện quan trọng nhất ở một nơi.

Bấm vào đây để đăng ký nhận bản tin của FinTech Weekly

Được đọc bởi các lãnh đạo tại JP Morgan, Coinbase, BlackRock, Klarna và hơn thế nữa.

Quỹ tư nhân (private equity) từ lâu đã là một lĩnh vực của sự phán đoán. Cấu trúc vốn khuếch đại lợi nhuận, nhưng việc diễn giải quyết định lợi nhuận đó: nên kéo “đòn bẩy” định giá nào, nên tái định hình cơ sở chi phí nào, và nên ưu tiên phân khúc nào. Trong nhiều thập kỷ, các quyết định ấy được hình thành từ kinh nghiệm, tranh luận và việc rà soát định kỳ hiệu quả tài chính được tổng hợp.

Mô hình đó đã hoạt động trong một môi trường khoan dung. Giờ đây, nó vận hành kém thoải mái hơn. Lãi suất cao hơn, tốc độ giao dịch chậm hơn và định giá chặt chẽ hơn làm giảm biên cho sai số diễn giải. Mở rộng bội số (multiple expansion) không còn bù đắp cho rò rỉ vận hành. Sự chính xác trong danh mục quan trọng hơn nhiều so với chỉ riêng kỹ thuật tài chính.

Trí tuệ nhân tạo thường được mô tả như một công cụ tăng tốc cho phân tích. Các con số về mức độ áp dụng ủng hộ câu chuyện đó. Tài sản được quản lý thông qua các nền tảng vận hành dựa trên thuật toán và có hỗ trợ AI được dự báo sẽ tiến gần mức $6 nghìn tỷ trong những năm tới, và đa số các công ty private equity báo cáo có đầu tư chủ động vào AI trên cả giám sát danh mục và hạ tầng dữ liệu.

Tuy nhiên, cách AI đi vào các công ty danh mục không phải thông qua những lần thay đổi công nghệ “ồ ạt”. Nó đi vào âm thầm hơn, thông qua việc cài đặt các nhóm khoa học dữ liệu nhỏ nhưng sắc bén về mặt kỹ thuật trực tiếp vào hoạt động của danh mục. Tôi gọi các nhóm này là “AI hyenas”.

Thuật ngữ đó là có chủ đích. Linh cẩu thích nghi; chúng hoạt động sát mặt đất và sống sót bằng cách phát hiện những biến thiên mà người khác bỏ sót. Các nhóm được cài đặt cũng hoạt động tương tự. Chúng làm việc ở độ sâu theo từng giao dịch, thay vì dựa vào các báo cáo tổng hợp. Lợi thế của chúng không chỉ là tốc độ, mà là khả năng đi đến tận cùng. Chúng làm lộ sự phân tán trong định giá, cấu trúc chi phí, mô hình nhu cầu và động lực vốn lưu động mà các vòng rà soát vận hành truyền thống khó phát hiện ở quy mô lớn.

Thoạt nhìn, điều này trông giống như một sự tối ưu hóa mang tính chiến thuật được gắn thêm vào bức tranh vận hành hiện có

Xét về định giá. Các rà soát truyền thống dựa vào mức trung bình theo phân khúc và tranh luận điều hành định kỳ. Các nhóm AI được cài đặt xây dựng mô hình ở cấp độ chi tiết, xác định các vi-phân khúc nơi tồn tại sức mạnh định giá hoặc nơi lợi nhuận đang bị xói mòn so với điều kiện nhu cầu. Những gì trước đây cần phân tích kéo dài nay đến như một tín hiệu đã được định lượng với các khoảng tin cậy xác định.

Cùng logic đó cũng áp dụng cho dự báo nhu cầu và hiệu quả sử dụng vốn. Các mô hình học máy tích hợp dữ liệu hiệu suất nội bộ với các tín hiệu bên ngoài, mô phỏng các kịch bản và tinh chỉnh dự báo một cách linh động. Tồn kho được điều chỉnh chính xác hơn, việc chuyển đổi tiền mặt được siết chặt hơn và những biến thiên trước đây bị tiêu tán mà không nhận ra trở nên có thể nhìn thấy.

Lớp thay đổi “dễ thấy” này là: phân tích vận hành trở nên sắc hơn, phản hồi nhanh hơn và giá trị gia tăng được trích xuất một cách nhất quán hơn.

Tuy nhiên, sự chuyển dịch mang tính quyết định hơn lại kém rõ ràng.

Khi các khuyến nghị được sinh ra từ mô hình được cài vào các cuộc thảo luận về định giá, các chu kỳ dự báo và các lần rà soát phân bổ vốn, chúng bắt đầu thay đổi cách bức tranh vận hành vận hành. Quyết định được đưa ra theo cách khác, tín hiệu đi vào sớm hơn và các chu kỳ phản hồi được rút ngắn hơn. Kiến trúc của việc ra quyết định bắt đầu tiến hóa.
Trước đây, các đội ngũ quản lý phát hiện các mẫu hình thông qua thảo luận và diễn giải; hiểu biết đi trước hành động. Ngày càng nhiều, các khuyến nghị được định lượng đi vào quy trình trước khi có tranh luận tập thể. Câu hỏi chuyển từ “đang có chuyện gì xảy ra?” sang “chúng ta nên phản hồi tín hiệu này như thế nào?”

Sự thay đổi đó không phải để tự động hóa. Nó là về tính đại diện (agency).
Quyền lực trong bức tranh vận hành bắt đầu được phân phối lại. Các lãnh đạo chuyển từ việc khám phá các mẫu hình sang xác định các ngưỡng, điểm cần nâng cấp và điều kiện ghi đè. Phán đoán không biến mất; nó đổi vị trí.

Đây là lúc quản trị chuyển từ gánh nặng sang thiết kế vận hành.
Trong một công ty danh mục có hỗ trợ AI, quản trị xác định cách thức quyền ra quyết định được phân bổ giữa phán đoán của con người và khuyến nghị do hệ thống tạo ra. Nó xác định ai sở hữu một tín hiệu, tín hiệu được xác thực thế nào, khi nào có thể ghi đè, và kết quả được phản hồi lại vào các mô hình trong tương lai ra sao. Nếu thiếu sự rõ ràng đó, phân tích dữ liệu được cài vào vẫn chỉ dừng ở rìa. Có được nó, chúng trở thành nền tảng cấu trúc.

Nhiều công ty từ trước đến nay đã cố gắng mã hóa “thực hành tốt” vận hành vào các playbook. Trong môi trường ổn định, cách tiếp cận đó có thể mở rộng để tạo ra tính nhất quán. Trong các môi trường nơi tín hiệu thay đổi nhanh chóng, các playbook tĩnh khó theo kịp. Các mô hình vận hành có hỗ trợ AI không loại bỏ kỷ luật; chúng đòi hỏi một kiểu kỷ luật khác, được xây dựng xung quanh các ngưỡng thích nghi, các quyền ra quyết định có quản trị, và phản hồi liên tục thay vì các mẫu khung thủ tục cố định.

Các nhà tài trợ (sponsors) chỉ dựa vào các playbook vận hành đã mã hóa có thể thấy mình đang tối ưu hóa cho một bức tranh mà đã bắt đầu lùi xa. Những người thiết kế mô hình vận hành dựa trên tín hiệu “sống” và sự phân bổ tính đại diện (agency) có chủ ý sẽ thích nghi nhanh hơn.
Nghiên cứu trong lĩnh vực dịch vụ tài chính liên tục xác định quản trị và tích hợp (không phải độ chính xác của mô hình) là rào cản chính để mở rộng AI. Ràng buộc hiếm khi là mang tính kỹ thuật; nó thường là mang tính tổ chức. Đó là sự mơ hồ về việc AI nằm ở đâu trong bức tranh vận hành.

AI hyenas thành công vì chúng thích nghi. Chúng hòa vào các quy trình làm việc hiện có thay vì cố gắng tái thiết kế toàn diện, tạo ra tín hiệu ở nơi nó quan trọng nhất. Những sponsors biết cách trích xuất lợi thế bền vững nhận ra rằng phân tích vận hành chỉ là lớp “dễ thấy”. Sự tiến hóa sâu hơn diễn ra khi quản trị chủ động tái định hình mô hình vận hành xoay quanh chính tín hiệu đó.

Sự tiến hóa này có hàm ý trực tiếp tại thời điểm thoái vốn (exit).

Người mua ngày càng chất vấn không chỉ kết quả hiệu suất, mà cả độ vững chắc của bức tranh vận hành tạo ra các kết quả đó. Dữ liệu vận hành chi tiết và có thể kiểm toán cho thấy kỷ luật định giá, dự báo nhu cầu và hiệu quả sử dụng vốn là các năng lực được quản trị, chứ không phải những cải tiến rời rạc.

Một môi trường dữ liệu trưởng thành giúp giảm ma sát trong thẩm định (diligence). Quan trọng hơn, nó thể hiện khả năng chống chịu (resilience), cho thấy hiệu suất không chỉ phụ thuộc vào phán đoán của từng cá nhân, mà dựa trên kiến trúc ra quyết định có cấu trúc—có khả năng duy trì hiệu suất dưới sự sở hữu mới.

Kỹ thuật tài chính sẽ vẫn là một phần của private equity. Biên giới tiếp theo của việc tạo ra giá trị nằm ở cách tín hiệu chảy qua tổ chức, cách quyền lực được cấu trúc để phản hồi tín hiệu đó và cách quản trị chuyển từ tuân thủ sang quản lý theo tính đại diện (agency).

AI hyena là cơ chế thích nghi thông qua đó sự chuyển đổi này bắt đầu. Chúng đi vào bức tranh vận hành hiện có một cách lặng lẽ, trích xuất giá trị ở độ sâu theo từng giao dịch. Theo thời gian, chúng tái định hình cách các quyết định được hình thành, được quản trị và được bảo vệ.
Các công ty nhận ra cả hai lớp—những lợi ích vận hành ngay lập tức và sự phân bổ lại tính đại diện (agency) nằm bên dưới—sẽ không chỉ đơn giản tối ưu hóa biên lợi nhuận; họ sẽ tiến hóa một cách có chủ ý.

Trong một thị trường nơi độ chính xác cộng dồn, sự tiến hóa đó trở nên mang tính quyết định.