7 Ứng dụng của AI để giúp Quản lý Tài sản nâng cao Hiệu quả và Năng suất trước những Thách thức của Thị trường

Stuart Grant là Giám đốc mảng Thị trường Vốn, Quản lý Tài sản và Quản lý Tài sản cá nhân tại SAP.

Khám phá tin tức và sự kiện fintech hàng đầu!

Đăng ký nhận bản tin của FinTech Weekly

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

Từ việc nén phí đến những thay đổi bất lợi trong điều kiện kinh tế vĩ mô, cho đến các khoản đầu tư công nghệ ngày càng tăng nhưng vẫn chưa phát huy hiệu quả như kỳ vọng, các tổ chức quản lý tài sản đang phải đối mặt với những trở ngại lớn khi bước sang năm 2026.

Trong một phân tích năm 2025 về ngành quản lý tài sản toàn cầu, McKinsey & Company, chẳng hạn, phát hiện rằng biên lợi nhuận của các công ty quản lý tài sản đã giảm 3 điểm phần trăm ở Bắc Mỹ và 5 điểm phần trăm ở châu Âu trong 5 năm qua do các yếu tố như những yếu tố này.

Nhưng một “van xả áp lực” đang ở ngay trước mắt dưới hình thức các triển khai trí tuệ nhân tạo được nhắm mục tiêu và đặt đúng chỗ. AI dưới nhiều hình thức khác nhau — tạo sinh, agentic, v.v. — đang bắt đầu cho thấy giá trị trong nhiều tình huống sử dụng ở khối tiền tuyến, trung tuyến và hậu tuyến, giúp các nhà quản lý tài sản có công cụ để nắm bắt những cải thiện mới về năng suất và hiệu quả, cũng như xác định và tận dụng các cơ hội kinh doanh sinh lời mới trước đối thủ. Trong phân tích của mình, dựa trên khảo sát các lãnh đạo cấp C tại các công ty quản lý tài sản trên khắp Bắc Mỹ và châu Âu, McKinsey kết luận rằng đối với một nhà quản lý tài sản trung bình, tác động tiềm năng từ AI, AI tạo sinh và AI agentic “có thể mang tính biến đổi, tương đương 25 đến 40 phần trăm cơ sở chi phí của họ”.

Thách thức đối với các tổ chức quản lý tài sản, vì vậy, là xác định nơi trong chính tổ chức của họ mà AI có thể mang lại giá trị lớn nhất.

Triển khai AI để tối đa hóa tác động

Các công ty trên khắp bức tranh ngành quản lý tài sản đang ứng dụng AI trên nhiều mảng. Phần lớn hoạt động này diễn ra trong các tổ chức lớn hơn — nơi có đủ nguồn lực để phát triển năng lực của riêng họ xung quanh các mô hình ngôn ngữ lớn, các tác nhân AI được nhắm mục tiêu và những thứ tương tự. Nhưng mặt còn lại của câu chuyện AI là nó cũng có thể giúp các nhà quản lý tài sản bên ngoài các tổ chức Tier One lớn nhất cạnh tranh sòng phẳng hơn trước các công ty lớn này.

Hơn nữa, trong khi nhiều tổ chức tập trung đầu tư vào các trường hợp sử dụng AI hướng tới khách hàng, điều quan trọng là không được bỏ qua các cơ hội tạo giá trị thông qua những triển khai AI khác có thể mở rộng quy mô ở khối tiền tuyến, trung tuyến và hậu tuyến. Thay vì tìm kiếm các giải pháp điểm có thể không tích hợp tốt với nhau, cách khôn ngoan hơn để tạo ra giá trị từ AI có thể là nhắm tới các khoản đầu tư giúp “xóa bỏ” các bức tường ảo giữa ba lớp khối văn phòng để tạo ra hiệu quả, tăng cường năng suất, hợp lý hóa quy trình và cung cấp thông tin tốt hơn cho việc lập kế hoạch và chiến lược.

Nói ngắn gọn, hãy tìm các trường hợp sử dụng AI khuyến khích — và có thể tận dụng — sự luân chuyển dữ liệu tự do hơn trong toàn tổ chức. Dưới đây là một vài ví dụ trông đặc biệt hứa hẹn:

1. Tự động hóa và tăng tốc quá trình đóng sổ tài chính cũng như các chức năng tài chính khác. Lịch sử cho thấy tài chính là một lĩnh vực đầy rẫy các quy trình thủ công. Với sự hỗ trợ của các tác nhân AI, các tổ chức quản lý tài sản có cơ hội tự động hóa nhiều quy trình liên quan đến chức năng tài chính, bao gồm cả đóng sổ tài chính cũng như AR, AP, đối soát hóa đơn và các hoạt động tương tự. Trong các tình huống này, AI có thể hỗ trợ tự động hóa tốt hơn việc di chuyển dữ liệu. Nó cũng có thể cung cấp cho người dùng nghiệp vụ tài chính thông báo chủ động – và các kịch bản có thể hành động – cho những vấn đề có thể chưa được phát hiện liên quan đến thặng dư/thiếu hụt vốn, điều chỉnh bảng cân đối kế toán và các vấn đề tương tự.

2. Nâng cao quản lý rủi ro thông qua sự liên kết thực sự với tài chính. Dữ liệu từ hậu tuyến có thể vô cùng giá trị đối với các nhóm quản lý rủi ro ở trung tuyến. Các nhóm đó có thể dùng dữ liệu về danh mục nắm giữ của nhà đầu tư, dòng tiền, thanh khoản thị trường, margin/collateral, v.v., kết hợp với dữ liệu hồ sơ khách hàng và thông tin liên lạc để nhận diện các tín hiệu sớm về việc khách hàng có thể sẽ hủy/lấy lại tiền (redemptions) và rủi ro thanh khoản liên quan.

3. Xác định và nhanh chóng triển khai các cơ hội về cấu trúc phí mới và mô hình kinh doanh mới. Các tổ chức có thể yêu cầu các công cụ AI của họ nghiên cứu và mô phỏng tác động của các thay đổi phí tiềm năng cũng như các mô hình kinh doanh mới. Dữ liệu lịch sử cho thấy việc thay đổi phí sẽ tác động thế nào đến các khoản phải thu? Có cơ hội nào để tách một mảng hiện có của hoạt động kinh doanh (chẳng hạn như các nhóm tài sản cụ thể hoặc các quỹ theo khu vực địa lý) thành hai hoặc nhiều phần, hoặc phân nhóm khách hàng theo cách khác, và nếu có thì lập luận kinh doanh cho những thay đổi như vậy mạnh đến mức nào?

4. Cung cấp thông tin cho các quyết định mở rộng sang sản phẩm hoặc khu vực địa lý mới. Tổ chức của bạn đang cân nhắc bước vào một thị trường địa lý mới đầy triển vọng nhưng tương đối rủi ro. Những bước đi trước đây như vậy đã diễn ra như thế nào về chi phí dự kiến và chi phí thực tế? Những tác động về quy định và nhân sự (HR) có khả năng xảy ra khi thực hiện bước đi như vậy là gì? Một cuộc đối thoại với trợ lý số AI tạo sinh có thể tạo ra các câu trả lời hữu ích cho những câu hỏi như thế này, dẫn đến các quyết định chiến lược được cân nhắc tốt hơn.

5. Mô hình hóa các kịch bản “nếu như” về tác động tiềm năng của việc tái cân bằng danh mục lên lợi nhuận tương lai cũng như các ưu tiên đầu tư của khách hàng và mức độ chấp nhận rủi ro. Các công cụ AI có thể cung cấp thông tin chi tiết về tác động tiềm năng của các thay đổi như vậy, đồng thời đưa ra các khuyến nghị về thời điểm tối ưu dựa trên các nghĩa vụ phải trả (accounts payable) và các yếu tố khác. Bằng cách tạo các mối liên kết như vậy với dữ liệu, AI giúp giải quyết các “khoảng cách thông tin” giữa chức năng tài chính và quản lý danh mục ở khối tiền tuyến, từ đó hỗ trợ lập kế hoạch chiến lược và ngân sách sát trọng tâm hơn.

Trong trường hợp của một công ty mà tôi làm việc cùng, chẳng hạn, họ đang tìm cách kết hợp dữ liệu phân bổ danh mục về hiệu suất của từng thành phần trong danh mục của mình với dữ liệu về mức độ chấp nhận rủi ro và cấu trúc phí của khách hàng. Mục tiêu là hiểu rõ hơn những “dội hưởng” về tài chính của việc tái cân bằng danh mục so với kỳ vọng của khách hàng và lợi nhuận trong tương lai.

6. Tăng cường năng suất. Một số giám đốc điều hành quản lý tài sản mà tôi đã trao đổi gần đây cho biết tổ chức của họ đang tìm cách gấp đôi tài sản được quản lý mà không làm tăng nhân sự một cách đáng kể, chỉ bằng cách tận dụng AI và các tác nhân AI rộng rãi hơn trên toàn tổ chức. Họ đang tạo ra các tác nhân AI và đặt chúng ngay cạnh nhân viên — như những phần mở rộng số của chính những nhân viên đó, về bản chất là như vậy. Cuối cùng, những cải thiện về năng suất mà các tác nhân này mang lại sẽ giúp các công ty nhỏ và vừa có thể “sánh vai” về quy mô để cạnh tranh ngang bằng hơn với các công ty lớn.

7. Tinh chỉnh khả năng phát hiện gian lận trong quá trình tiếp nhận khách hàng (customer onboarding). AI có khả năng quét và xác thực nhanh chóng tính chân thực của các tài liệu onboarding, nhận diện ngay cả những bất thường nhỏ nhất (về cỡ chữ, định dạng tài liệu, v.v.) có thể cho thấy khách hàng không phải là người mà họ có vẻ như là, và do đó cần phải sàng lọc nhiều hơn.

Dù các trường hợp sử dụng như vậy có thể tác động mạnh mẽ trong một tổ chức quản lý tài sản, thì việc tối đa hóa giá trị của chúng phụ thuộc rất nhiều vào chất lượng và tính sẵn sàng của dữ liệu cung cấp cho chúng. Trước hết, dữ liệu phải có thể được hiểu đối với cả con người và máy móc theo cơ chế tự phục vụ. Rất thường các công ty trích dữ liệu ra khỏi các ứng dụng nguồn và đưa vào một data lake. Tuy nhiên, việc đó làm mất đi những ngữ nghĩa và bối cảnh quan trọng một cách thiết yếu gắn với môi trường ứng dụng. Không có siêu dữ liệu đó, đầu ra của AI — và tác động tổng thể — có thể sẽ kém tối ưu. Vì vậy, trong nhiều trường hợp, các tổ chức sẽ được phục vụ tốt hơn nếu để dữ liệu đó nằm nguyên trong môi trường ứng dụng tự nhiên của nó, cùng với các siêu dữ liệu đi kèm. Hãy hình dung dữ liệu trong các ứng dụng này như những “cục pin” cung cấp năng lượng cho AI tạo sinh, AI agentic và phân tích thông minh trong một tổ chức. Pin càng mạnh thì một tổ chức quản lý tài sản càng có vị thế tốt hơn để tận dụng các khoản đầu tư AI của họ nhằm vượt qua những trở ngại đang đối đầu.

Giới thiệu về tác giả

Stuart Grant là Giám đốc mảng Thị trường Vốn, Quản lý Tài sản và Quản lý Tài sản cá nhân tại SAP. Trong hơn 20 năm, ông đã làm việc với dữ liệu trong ngành thị trường vốn ở các vai trò bao gồm quản lý sản phẩm, phát triển kinh doanh và quản lý kinh doanh.