Quy trình đánh giá tín dụng sử dụng AI năng động: Bản thiết kế chiến lược

Bhushan Joshi, Tiến sĩ Manas Panda, Raja Basu

Khám phá tin tức và sự kiện fintech hàng đầu!

Đăng ký nhận bản tin từ FinTech Weekly

Được đọc bởi các giám đốc điều hành tại JP Morgan, Coinbase, Blackrock, Klarna và hơn thế nữa

Ngành dịch vụ tài chính đang trải qua một sự chuyển đổi mô hình khi AI tạo sinh (GenAI) và các hệ thống AI theo tác nhân đang định nghĩa lại luồng quy trình kinh doanh — trong đó quyết định tín dụng là một trong số đó. Các ngân hàng hiện đang tiếp nhận các hệ thống dựa trên AI để nâng cao độ chính xác dự đoán đồng thời tự động hóa các quy trình phức tạp. Bài viết này phân tích cách GenAI và AI theo tác nhân có thể được triển khai một cách chiến lược trong quy trình đánh giá tín dụng, cải thiện đáng kể mức độ hiệu quả và tự động hóa, đồng thời xem xét các vấn đề về quản trị, rủi ro và tuân thủ.

Lợi thế của GenAI: Làm giàu dữ liệu thông minh

Dữ liệu là huyết mạch của đánh giá tín dụng. Các ngân hàng và tổ chức tài chính đánh giá và phân tích hàng loạt yếu tố dữ liệu bằng các mô hình hậu cần và heuristic. Khi GenAI xuất hiện, quy trình này đã “nhảy vọt”, vì các mô hình GenAI cung cấp khả năng đánh giá dữ liệu phi cấu trúc, tạo ra những hiểu biết có giá trị. Việc tạo dữ liệu tổng hợp để mô phỏng các kịch bản trước cũng là một thay đổi quan trọng trong quy trình đánh giá.

Các mô hình GenAI nổi bật trong việc phân tích thông tin phi cấu trúc, chuyển chúng thành dữ liệu có cấu trúc. Khả năng này cho phép trích xuất các thuộc tính then chốt như tính nhất quán về thu nhập, sự không nhất quán trong thanh toán, dữ liệu việc làm, chi tiêu tùy ý, v.v. từ đó có thể cung cấp những hiểu biết quan trọng trong đánh giá thẩm định (underwriting).

Tạo dữ liệu tổng hợp là một năng lực mà các mô hình GenAI cung cấp, có thể được tận dụng cho mục đích mô hình hóa và kiểm định vững chắc. Điều này có thể giúp giảm thiểu tình trạng thiếu dữ liệu ở các trường hợp biên. Các mô hình AI có thể được dùng để xác định kịch bản biên, bổ sung các tiêu chí tinh tế hơn — bộ đệm thanh khoản, độ biến động thu nhập, v.v. — và có thể được kiểm định bằng dữ liệu tổng hợp. Những dữ liệu bảo toàn quyền riêng tư này nâng cao khả năng tổng quát hóa và khả năng chống chịu trước rủi ro đuôi.

Các hệ thống GenAI đa phương thức có thể phát hiện các điểm không nhất quán—chẳng hạn như sự không khớp giữa thu nhập được khai báo, hồ sơ thuế, sao kê ngân hàng, v.v. bằng cách so sánh và đối chiếu. Những hoạt động thủ công tốn thời gian này có thể được thúc đẩy nhanh hơn với mức độ tuân thủ tốt hơn, phát hiện các lỗ hổng và cải thiện tính toàn vẹn dữ liệu.

AI theo tác nhân: Điều phối các quy trình tự động

Trong khi các hệ thống GenAI đa phương thức giúp đảm bảo tính toàn vẹn dữ liệu, tạo và kiểm định các kịch bản cực đoan, thì AI theo tác nhân đóng vai trò như một lớp “mesh” điều hướng cho quy trình làm việc tự động.

AI theo tác nhân tiếp tục nâng cấp quy trình đánh giá nhờ ra quyết định tự động cho các tác vụ rời rạc. Lưới AI theo tác nhân (Agentic AI mesh), gồm nhiều tác nhân chuyên gia, có khả năng thực hiện nhiều tác vụ rời rạc đồng thời. Xác minh danh tính, truy xuất & thẩm định tài liệu, đánh giá các chỉ số, thẩm định dữ liệu bên ngoài, kiểm tra CIC, phân tích tâm lý đo lường, v.v. — có thể kể tên một số — đều có thể được thực hiện song song bởi các tác nhân chuyên biệt. Mỗi tác nhân vận hành với các mục tiêu được xác định, các chỉ số thành công và quy trình leo thang (escalation protocols), giúp quy trình nhanh hơn đồng thời tăng độ chính xác.

Lưới tác nhân này áp đặt logic nghiệp vụ, gọi các mô hình dự đoán và định tuyến các hồ sơ dựa trên các ngưỡng độ tin cậy, tự động hóa các luồng quy trình một cách linh hoạt. Ví dụ, các quyết định có độ tin cậy thấp hoặc các bất thường bị gắn cờ sẽ tự động được chuyển đến các chuyên viên thẩm định tín dụng của con người (human underwriters-in-loop) với các cảnh báo được gửi qua hệ thống nhắn tin để họ hành động. Đồng thời, các hệ thống theo tác nhân có thể chủ động giám sát các hồ sơ, phát hiện các mâu thuẫn và khởi tạo cơ chế khắc phục. Tương tự, nếu hồ sơ tín dụng của người nộp đơn rơi vào vùng “xám”, nó có thể tự động kích hoạt một vòng xem xét bổ sung hoặc yêu cầu thêm tài liệu, hoặc đưa vào luồng có sự tham gia của con người (human-in-loop).

Điển hình: Một ngân hàng toàn cầu lớn gần đây đã triển khai một quy trình quản lý hồ sơ (case management) hoàn toàn tự động từ email của khách hàng — đăng ký hồ sơ, kích hoạt các quy trình (workflows), nhắn tin kèm theo theo dõi trạng thái và truyền thông— từ đó giảm nỗ lực và thời gian xử lý xuống còn một nửa so với trước.

Để hoàn thiện hơn, năng lực NLP cho phép các tác nhân trò chuyện với người nộp đơn theo thời gian thực, làm rõ các điểm mơ hồ, thu thập dữ liệu còn thiếu và tóm tắt các bước tiếp theo — bằng nhiều ngôn ngữ và có hỗ trợ giọng nói khi cần. Điều này giảm ma sát và cải thiện tỷ lệ hoàn thành, đặc biệt đối với các nhóm khách hàng do dự nhưng chưa được phục vụ đầy đủ.

Kiến trúc lai: Cân bằng độ chính xác và khả năng giải thích

Các công nghệ GenAI và AI theo tác nhân đang thiết kế luồng quy trình và kiến trúc — vừa cải thiện hiệu quả, vừa cân bằng độ chính xác và khả năng giải thích của các kết quả.
Một kiến trúc lai kết hợp AI theo tác nhân với các mô hình GenAI sẽ nâng cao sức mạnh dự đoán nhờ dữ liệu phong phú hơn và tính minh bạch về mặt quy định tốt hơn. Việc kết hợp các tác nhân AI cũng làm tăng độ vững (robustness) và năng lực thực thi tự động liền mạch.

Trong khi GenAI có thể tạo các giải thích phản thực (counterfactual explanations) — các kịch bản “nếu như” (what-if) minh họa cách người nộp đơn có thể cải thiện khả năng đủ điều kiện vay, thì các hệ thống theo tác nhân có thể thu thập dữ liệu về kết quả, sưu tập các trường hợp biên (edge cases) và khởi tạo các chu kỳ tái huấn luyện. Quy trình học tập thích nghi tự thân này với các bộ dữ liệu sạch hơn và các kịch bản biên hợp lý sẽ cải thiện độ chính xác của quy trình đánh giá khả năng đủ điều kiện vay của khách hàng.

Kêu gọi hành động: Xây dựng các hệ thống AI đáng tin cậy để đánh giá chính xác hơn

Đánh giá khả năng đủ điều kiện vay là một quy trình phức tạp, ảnh hưởng đến trải nghiệm của khách hàng và mối quan hệ kinh doanh dài hạn. Một số khuyến nghị quan trọng cần ghi nhớ khi thiết kế lại luồng là: a) Kiến trúc có sự tham gia của con người (human-in-the-loop) để cải thiện toàn bộ quá trình ra quyết định với khả năng truy vết (traceability) và khả năng giải thích, b) Xác định và ánh xạ đúng cách các kết quả quyết định tới các đặc trưng (features) liên quan để giải quyết các lo ngại về khả năng diễn giải (interpretability) và các phát hiện trong kiểm toán, c) Triển khai các rào chắn AI có trách nhiệm (responsible AI guardrails), các biện pháp bảo vệ vận hành như kiểm soát truy cập dựa trên vai trò, ma trận leo thang (escalation matrix), v.v. sẽ giúp tăng độ bền vững của quy trình.

Kết luận

Quy trình ra quyết định tín dụng đang ở ngưỡng thay đổi (inflection point) khi GenAI & AI theo tác nhân đang định nghĩa lại các luồng quy trình kinh doanh — khiến hệ sinh thái cho vay hiệu quả và vững vàng hơn. Các tổ chức tài chính đầu tư vào thiết kế thấu đáo, quản trị nghiêm ngặt & các mô hình dữ liệu vững chắc tự động hóa các trường hợp sử dụng đòi hỏi rủi ro cao sẽ mở ra kỷ nguyên tiếp theo của thẩm định tín dụng thông minh.