KPMG Hoàng Ái Châu: Từ “Tái cấu trúc toàn diện” đến “Khơi thông lối đi khác biệt” AI tài chính bước vào giai đoạn tiến hóa phân tầng mới

Hỏi AI · Phân tầng diễn tiến của AI trong tài chính ảnh hưởng thế nào đến quá trình chuyển đổi của các tổ chức vừa và nhỏ?

Báo Trung Kinh phóng viên Trương Mạn Du đưa tin tại Bắc Kinh

Từ ngày 24 đến ngày 27 tháng 3, Diễn đàn Châu Á Bác Ngao được tổ chức tại Bác Ngao, Hải Nam. Trong chương trình nghị sự năm nay, “đi vào thời đại AI” trở thành một trong những chủ đề quan trọng. Là lõi của nền kinh tế hiện đại, tài chính đang ở “vùng nước sâu” của cuộc biến đổi này. Ngay trước thềm diễn đàn, Ngân hàng Nhân dân Trung Quốc đã triệu tập Hội nghị công tác khoa học công nghệ năm 2026, trong đó nêu rõ “tăng cường dung hợp giữa nghiệp vụ và công nghệ, tích cực thận trọng, đẩy mạnh có trật tự và an toàn việc ứng dụng trí tuệ nhân tạo trong lĩnh vực tài chính”, đặt ra định hướng cho sự phát triển của ngành.

Giữa đổi mới và an toàn, các tổ chức tài chính cần xác định trọng tâm chiến lược như thế nào? Trước cuộc cách mạng về hiệu suất và các thách thức rủi ro do AI mang lại, nền tảng công nghệ và hệ thống quản trị rủi ro cần tiến hóa ra sao? Trả lời các câu hỏi này, phóng viên của tờ 《Trung Quốc Kinh Doanh Báo》 đã phỏng vấn ông Hoàng Ai Châu, Đối tác phụ trách công nghệ tài chính (FinTech) của KPMG Trung Quốc, trong khuôn khổ diễn đàn tại Bác Ngao.

Phân lớp thúc đẩy, tạo nền tảng công nghệ cho “ổn định – nhạy cảm”

《Trung Quốc Kinh Doanh Báo》: Hội nghị công tác khoa học công nghệ của ngân hàng trung ương đã vạch ra định hướng “tích cực thận trọng, an toàn có trật tự” cho việc ứng dụng AI trong ngành tài chính. Trong bối cảnh này, năm nay, trọng tâm chiến lược của các tổ chức tài chính trong lĩnh vực AI chủ yếu nằm ở đâu?

**Hoàng Ai Châu: **Đối với các tổ chức tài chính, việc ngân hàng trung ương định hướng lần này có nghĩa là vị trí chiến lược cốt lõi của ứng dụng AI trong lĩnh vực tài chính tiếp tục được nâng cấp. Trong quá trình này, do khác biệt về nền tảng chuyển đổi số trong quá khứ và cách bố trí nghiệp vụ, mỗi loại hình tổ chức tài chính với quy mô khác nhau sẽ có trọng tâm chiến lược AI khác nhau.

Đối với các tổ chức tài chính đầu ngành, có kỳ vọng tiếp tục phát huy các lợi thế về công nghệ, vốn, nhân tài và dữ liệu, thúc đẩy việc ứng dụng AI đi sâu hơn nữa. Dẫn dắt bằng chiến lược AI cấp toàn hệ thống, xây dựng năng lực công nghệ AI đầy đủ (AI full-stack), và tích hợp công nghệ AI vào quy trình nghiệp vụ lẫn logic quản lý tổ chức, từ đó thực hiện tái cấu trúc toàn diện.

Đối với các tổ chức tài chính quy mô trung bình và nhỏ, khi thúc đẩy ứng dụng AI ở quy mô và chuyển đổi ở tầm chiến lược, hiện đang đối mặt với nhiều thách thức hơn. Thách thức này thể hiện ở việc nguồn lực như vốn, công nghệ, nhân tài chưa đủ, đồng thời nền tảng ở các mảng như xây dựng hệ thống CNTT, quản trị dữ liệu, kiểm soát tuân thủ và kiểm soát nội bộ còn yếu. Do đó, có thể giảm chi phí chuyển đổi thông qua hợp tác với doanh nghiệp công nghệ, kết nối API bên thứ ba, tập trung nâng cấp ứng dụng AI ở các lĩnh vực chuyên biệt để phát triển theo hướng khác biệt.

Tổng thể mà nói, trong định hướng chung “siết chặt quản lý”, ranh giới an toàn của ngành tài chính phải được giữ vững. Quản lý vòng đời toàn bộ của mô hình AI, quy phạm sử dụng dữ liệu và quy trình xử trí rủi ro chắc chắn là một trong các trọng tâm chiến lược AI của từng tổ chức tài chính. Lần này, ngân hàng trung ương cũng đưa ra việc thống nhất mục tiêu “xa – vừa – gần”, tính toán sâu cho công tác khoa học công nghệ giai đoạn “Kế hoạch 15 năm lần thứ 5” (thời kỳ 15-5). Dự kiến khi hiệu ứng làm mẫu trong quá trình chuyển đổi AI của các tổ chức đầu ngành tiếp tục lộ rõ, chiến lược chuyển đổi AI của các tổ chức quy mô trung bình và nhỏ chắc chắn sẽ lần lượt bắt kịp.

《Trung Quốc Kinh Doanh Báo》: Kiến trúc CNTT tập trung của các tổ chức tài chính truyền thống tỏ ra kém linh hoạt khi đối mặt với vòng lặp triển khai nhanh (agile) của AI. Các tổ chức tài chính nên xây dựng nền tảng công nghệ như thế nào để vừa đảm bảo sự ổn định của hệ thống lõi, vừa linh hoạt kết nối được các mô hình lớn khác nhau, nhằm thực hiện “ổn định – nhạy cảm”?

**Hoàng Ai Châu: **Công nghệ AI vẫn đang phát triển nhanh chóng. Việc đưa vào các năng lực công nghệ mới như năng lực tính toán dị cấu trúc (heterogeneous computing), cổng suy luận (inference gateway), chuỗi dữ liệu RAG (retrieval-augmented generation), LLMOps (vận hành mô hình ngôn ngữ lớn), khung hợp tác của Agent (tác nhân thông minh) đã tạo ra tác động đối với kiến trúc CNTT tập trung truyền thống, với đặc điểm là cập nhật động và ngày càng phức tạp. Từ đó, ngày càng nhiều tổ chức tài chính nhận ra rằng cần tích hợp các năng lực công nghệ phân tán, thống nhất một ngăn xếp công nghệ và bảo đảm tính đồng nhất về chuẩn mực, nhằm tận dụng tối đa nguồn lực công nghệ sẵn có, kịp thời thích ứng với lộ trình phát triển của công nghệ mô hình lớn, đồng thời tránh rủi ro công nghệ lạc hậu hoặc rủi ro dị cấu trúc quá mức.

Về phương thức xây dựng, nền tảng số doanh nghiệp dạng “full-stack” đầu-đến-cuối (end-to-end) có thể trở thành lựa chọn bắt buộc đối với các tổ chức tài chính. Nhấn mạnh lấy điện toán đám mây bản gốc (cloud native) và kiến trúc phân tán làm xương sống; kết hợp năng lực nền tảng dữ liệu lớn và nền tảng trí tuệ nhân tạo, thông qua “hòa hợp nhiều nền tảng, hòa hợp nhiều ngăn xếp công nghệ, hòa hợp nhiều công cụ”, kết nối liền mạch toàn bộ chuỗi từ cơ sở hạ tầng, nền tảng phát triển đến ứng dụng theo tình huống, hình thành luồng công việc đầu-đến-cuối bao phủ từ hoạch định thiết kế, phát triển – kiểm thử, tích hợp – phát hành, giám sát vận hành, bảo đảm vận hành, đến diễn tập dự phòng thảm họa (disaster recovery).

Hướng đi này cũng rất khớp với định hướng của cơ quan quản lý. Theo “Kế hoạch triển khai phát triển tài chính số chất lượng cao của ngành ngân hàng và bảo hiểm” được công bố vào cuối năm 2025, các chủ thể liên quan cần nâng cao toàn diện năng lực quản lý đối với nhiều ngăn xếp công nghệ và kiến trúc phức tạp; triển khai thận trọng việc cải tạo theo hướng phân tán và kiến trúc vi dịch vụ (microservices); tối ưu hóa cơ sở hạ tầng lưới dịch vụ (service grid); nâng cao năng lực cung cấp dịch vụ dạng “sản phẩm hóa” cho nền tảng cơ bản; nghiên cứu xây dựng nền tảng phát triển low-code, no-code; thúc đẩy việc trực quan hóa kiến trúc và phát triển; tối ưu hóa cơ chế phối hợp thống nhất giữa yêu cầu – nghiên cứu phát triển – kiểm thử – đưa vào vận hành – vận hành; tăng cường năng lực giao hàng nhanh nhạy (agile delivery).

Từ “dùng tốt AI” đến “quản tốt AI”

《Trung Quốc Kinh Doanh Báo》: AI vừa nâng cao hiệu suất, vừa làm gia tăng độ lộ diện rủi ro. Trong khi sử dụng AI để chống gian lận, làm thế nào để phòng ngừa hiệu quả các rủi ro công nghệ mới do chính AI gây ra? Cơ chế ứng phó hiện tại có theo kịp nhịp biến đổi rủi ro không?

**Hoàng Ai Châu: **Khung quản trị rủi ro của mô hình truyền thống không còn đủ để ứng phó với những thách thức mới mà AI mang lại. Rủi ro AI, đặc biệt là AI sinh thành (generative AI), tạo ra các điểm rủi ro mới như ảo giác mô hình (model hallucination), đầu độc dữ liệu (data poisoning), “hộp đen” thuật toán (algorithm black box), v.v. Vì vậy, quản trị rủi ro phải nâng cấp thành một hệ thống toàn diện bao phủ quản trị dữ liệu đa phương thức, quản lý vòng đời toàn bộ của mô hình từ nhiều nguồn, phòng vệ đầy đủ rủi ro ứng dụng ở phía tình huống (scenario side), và quản trị AI đáng tin cậy (trusted AI governance).

Cụ thể, chúng tôi đã hỗ trợ nhiều ngân hàng thương mại xây dựng hệ thống quản trị rủi ro dựa trên “AI đáng tin cậy”, chủ yếu xây dựng hàng rào phòng vệ trên bốn bình diện:

Một là quản trị dữ liệu đa phương thức. Thiết lập hệ thống khép kín an toàn bao phủ toàn bộ vòng đời của dữ liệu; dựa trên việc phân hạng và phân loại dữ liệu, thực thi nghiêm ngặt các chiến lược an toàn trong suốt quá trình, để thực hiện phòng thủ chủ động trước rủi ro dữ liệu.

Hai là quản lý vòng đời toàn bộ của mô hình từ nhiều nguồn. Phân định rõ các giai đoạn từ nghiên cứu khám phá đến khi loại bỏ mô hình; và đặt ra các tiêu chuẩn đầu vào/đầu ra khách quan cho từng giai đoạn. Trên cơ sở đó, đánh giá tổng hợp mô hình theo bốn phương diện: hiệu năng kỹ thuật, hiệu quả nghiệp vụ, hiệu quả chi phí, an toàn và tuân thủ; bảo đảm mô hình được đưa vào và sử dụng “an toàn và có thể kiểm soát”.

Ba là phòng vệ toàn diện rủi ro ứng dụng ở phía tình huống. Trong bối cảnh nghiệp vụ thực tế, rủi ro AI có đặc điểm là đa truy cập đồng thời cao (high concurrency) và mức độ xâm nhập mạnh. Điều này đòi hỏi xây dựng một hệ thống phòng vệ nhiều lớp: ở lớp môi trường, triển khai quản trị dạng hộp cát (sandbox) và nguyên tắc mạng “quyền tối thiểu” (least privilege); ở lớp mô hình, thông qua việc tiêm tri thức theo bản đồ tri thức chuyên lĩnh vực (domain knowledge graph) để thực hiện trực quan hóa và truy vết quá trình suy luận; ở lớp vận hành, tăng cường chuẩn hóa và tự động hóa quy trình, giảm rủi ro do can thiệp thủ công; ở lớp phòng thủ, thiết lập hệ thống miễn dịch an toàn động (dynamic security immunity), thông qua diễn tập đối kháng liên tục tối ưu độ bền vững (robustness) của mô hình (tức là khi hệ thống đối mặt với thay đổi dữ liệu đầu vào, nhiễu, gây nhiễu thậm chí tấn công, vẫn duy trì được tính ổn định và độ tin cậy trong chức năng và hiệu năng).

Bốn là quản trị AI đáng tin cậy mang tính tiên phong. Khi ứng dụng AI chuyển từ thử nghiệm cục bộ sang triển khai quy mô lớn, các tổ chức tài chính cần chủ động ứng phó từ cấp tổ chức. Điều này bao gồm thống nhất định nghĩa về ứng dụng AI, thiết kế cơ chế quản trị rủi ro AI rõ ràng, phân loại rủi ro cho các ứng dụng AI và thực hiện kiểm soát khác biệt, đồng thời xây dựng các phương án xác minh mô hình AI chuyên biệt. Toàn bộ hệ thống này nhằm mục tiêu chuyển quản trị rủi ro từ phản ứng bị động sang miễn dịch chủ động.

《Trung Quốc Kinh Doanh Báo》: Dữ liệu là nền tảng của AI. Khi khai thác giá trị dữ liệu bằng AI, các tổ chức tài chính nhìn chung thường gặp những điểm yếu nào trong quản trị dữ liệu? Trong việc xây dựng nền tảng dữ liệu chất lượng cao, ngành còn có những hướng giải quyết mang tính phổ biến nào?

**Hoàng Ai Châu: **Hiện nay, trong quản trị dữ liệu, các tổ chức tài chính nhìn chung tồn tại bốn “kẻ chặn đường” lớn. Một là khó phối hợp dữ liệu dị cấu trúc từ nhiều nguồn; các nguồn dữ liệu như hệ thống lõi, API bên ngoài… có định dạng và tiêu chuẩn không nhất quán, khiến việc tích hợp rất khó. Hai là khó dung hợp giá trị xuyên tổ chức; đặc tính dữ liệu tài chính có tần suất cao và tính thời gian thực khiến, trong điều kiện tuân thủ, việc thực hiện lưu thông xuyên ngành và xuyên tổ chức đối mặt với nhiều thách thức. Ba là khó chia sẻ và lưu thông dữ liệu nội bộ; dữ liệu bị phân mảnh do rào cản về hệ thống và bộ phận, khó hình thành tài sản tri thức thống nhất có thể sử dụng. Bốn là khó chuyển đổi tri thức từ dữ liệu đa phương thức; lượng lớn dữ liệu phi cấu trúc như hợp đồng, báo cáo… chứa tri thức nghiệp vụ phong phú, nhưng hệ thống quản trị hiện tại thiếu một khung trưởng thành để chuyển chúng thành tài sản tri thức có giá trị cao.

Trước những thách thức này, các thực tiễn dẫn đầu trong ngành thể hiện đặc trưng “tính hệ thống” song hành với “tính kỹ thuật (engineering)”. Tính hệ thống thể hiện ở việc đưa khái niệm quản lý toàn bộ vòng đời của dữ liệu vào từng mắt xích của hệ thống thông tin. Tính kỹ thuật thể hiện ở việc tích cực xây dựng động cơ phân tích thông minh dữ liệu và các công cụ hỗ trợ, bảo đảm việc xử lý dữ liệu có thể truy vết và tuân thủ.

Một xu hướng nổi bật là trọng tâm quản trị đang chuyển từ “dữ liệu có cấu trúc” sang “tài sản dữ liệu dạng tri thức”. Do chất lượng đầu ra của mô hình lớn phụ thuộc rất nhiều vào dữ liệu đầu vào mang tính dữ liệu riêng tư nội bộ, một số ngân hàng đã coi việc quản trị tài sản dữ liệu dạng tri thức như điều kiện tiên quyết để ứng dụng mô hình lớn. Ví dụ, bằng cách cắt lát tinh vi các báo cáo đầu tư nghiên cứu phi cấu trúc quy mô lớn, xây dựng một kho tri thức chuyên lĩnh vực, nhằm bảo đảm đầu ra của mô hình có thể kiểm soát và truy vết được.

Ở cấp hạ tầng cơ sở của ngành, các thí điểm không gian dữ liệu đáng tin cậy thuộc ba loại: doanh nghiệp, ngành và thành phố mà Cục Dữ liệu Quốc gia đang thúc đẩy sẽ tạo ra những khả năng mới cho lưu thông dữ liệu tài chính. Ngành tài chính, với vai trò là trung gian trong luân chuyển vốn, có thể đóng vai trò cây cầu then chốt trong lưu thông dữ liệu. Việc xây dựng các không gian dữ liệu đáng tin cậy nhằm giải quyết các điểm đau cốt lõi như: dữ liệu nguồn bị phân tán, rủi ro lưu thông giữa nhiều chủ thể cao, và khoảng cách số (digital divide) lớn… Thông qua các công nghệ như “blockchain + tính toán bảo mật quyền riêng tư + kiểm soát sử dụng động”, có thể xây dựng một hệ thống toàn quy trình bao phủ “tập hợp dữ liệu – lưu thông an toàn – ứng dụng theo tình huống”. Ví dụ, giải pháp kỹ thuật “học liên kết (federated learning) + môi trường thực thi đáng tin cậy” có thể, trong điều kiện bảo vệ quyền riêng tư của dữ liệu, thực hiện mô hình hóa hợp tác an toàn giữa nhiều bên, từ đó bơm thêm “nguồn dữ liệu sống” chất lượng cao cho các ứng dụng AI trong tài chính.

（Biên tập: Dương Ấn Tân Thẩm định: Hà Sa Sa Hiệu đính: Trạch Quân）