Giới thiệu

Trí tuệ nhân tạo (AI) đang trở thành nhân tố cách mạng trong lĩnh vực tài chính – ngân hàng trên phạm vi toàn cầu cũng như tại Việt Nam. Các ngân hàng và tổ chức tài chính ngày càng ứng dụng AI vào hoạt động kinh doanh nhằm nâng cao hiệu quả, giảm chi phí và cải thiện trải nghiệm khách hàng (Xu hướng ứng dụng trí tuệ nhân tạo trong sự phát triển của ngành Ngân hàng) (AI’s role in banking sector – Vietnam Economic Times | VnEconomy). Nghiên cứu của McKinsey ước tính AI có thể mang lại tiềm năng giá trị gia tăng đến 1 nghìn tỷ USD mỗi năm cho ngành ngân hàng trên thế giới (). Theo một khảo sát quốc tế, khoảng 85% các ngân hàng đã xây dựng chiến lược AI nhằm phát triển sản phẩm dịch vụ mới, và hơn 59% nhân viên ngân hàng trên toàn cầu hiện đang sử dụng AI trong công việc hàng ngày (AI’s role in banking sector – Vietnam Economic Times | VnEconomy). Cùng với sự phát triển đó, Việt Nam cũng chứng kiến xu hướng chuyển đổi số mạnh mẽ: tỷ lệ giao dịch trực tuyến trong ngành ngân hàng đã đạt tới 98% (November 1, 2024 – OpenGov Asia), cho thấy phần lớn giao dịch tài chính được thực hiện qua kênh số thay vì tại quầy truyền thống. Những con số này khẳng định AI và công nghệ số đang tái định hình hoạt động ngân hàng, đồng thời đặt ra yêu cầu cấp thiết về thích ứng nguồn nhân lực.

Bài báo cáo này sẽ đi sâu phân tích thực trạng ứng dụng AI trong ngành tài chính – ngân hàng trên thế giới và tại Việt Nam, từ đó đánh giá chi tiết tác động của AI đến từng vị trí công việc cụ thể như giao dịch viên, chuyên viên tín dụng, nhà phân tích tài chính, quản lý rủi ro, hỗ trợ khách hàng, kiểm toán nội bộ, quản lý danh mục đầu tư… Ngoài ra, báo cáo cũng tổng hợp số liệu từ các tổ chức uy tín (IMF, World Bank, McKinsey, Deloitte, PwC…) và các đơn vị trong nước (NHNN Việt Nam, các ngân hàng thương mại lớn, báo cáo Chính phủ) để minh chứng cho các xu hướng và tác động được thảo luận. Trên cơ sở đó, nghiên cứu đề xuất định hướng đổi mới trong đào tạo đại học ngành tài chính – ngân hàng, giúp sinh viên trang bị kiến thức và kỹ năng phù hợp (về công nghệ, AI, dữ liệu…) cùng phương pháp học tập hiệu quả, nhằm nâng cao năng lực cạnh tranh trong kỷ nguyên AI.

Thực trạng ứng dụng AI trong tài chính – ngân hàng trên thế giới

Trên thế giới, việc ứng dụng AI trong lĩnh vực tài chính – ngân hàng đã trở thành xu hướng chủ đạo, được thúc đẩy bởi lợi ích kinh tế và áp lực cạnh tranh. Phạm vi đầu tư và áp dụng AI ngày càng rộng: năm 2024, chi tiêu của ngành ngân hàng cho AI (bao gồm cả AI tạo sinh) ước tính đạt 31,3 tỷ USD, tăng mạnh so với mức ~20,6 tỷ USD vài năm trước đó (Global banking sector’s spending on AI 2024 | Statista). Nhiều ngân hàng lớn đã xây dựng lộ trình chuyển đổi thành “ngân hàng AI” nhằm khai thác tối đa công nghệ. Theo Citi, AI có thể đóng góp thêm 170 tỷ USD vào doanh thu ngành ngân hàng toàn cầu giai đoạn 2023-2028 (The AI jobs threat is biggest for banking, says Citi – Investment News). Cũng theo báo cáo mới nhất của Citi, khoảng 54% công việc trong ngành ngân hàng có khả năng tự động hóa cao nhờ AI, và thêm 12% công việc khác có thể được AI hỗ trợ một phần (augmentation) (The AI jobs threat is biggest for banking, says Citi – Investment News). Như vậy, khoảng 2/3 công việc ngân hàng có thể bị AI thay thế hoặc thay đổi đáng kể – tỷ lệ cao nhất so với các ngành khác (The AI jobs threat is biggest for banking, says Citi – Investment News).

Việc ứng dụng AI trải rộng trên nhiều mảng hoạt động ngân hàng: từ dịch vụ khách hàng, tín dụng, đầu tư đến quản trị rủi ro. Chẳng hạn, chatbot/voicebot thông minh đang dần thay thế tổng đài viên, có khả năng đối thoại tự nhiên và xử lý tới 80% yêu cầu của khách hàng mà không cần con người can thiệp (The AI jobs threat is biggest for banking, says Citi – Investment News). Ngân hàng số Revolut (Anh) cho biết chatbot AI của họ hiện xử lý hơn 30% tổng số phiên chat với khách, và có thể đạt 80% trong vài năm tới (The AI jobs threat is biggest for banking, says Citi – Investment News). Tương tự, công ty thanh toán Klarna ứng dụng AI đã giúp giảm 11% chi phí vận hành quý I/2024 (The AI jobs threat is biggest for banking, says Citi – Investment News). Trong mảng cho vay tín dụng, nhiều ngân hàng sử dụng machine learning để chấm điểm tín dụng và xét duyệt khoản vay tự động, rút ngắn thời gian xử lý từ vài ngày xuống còn vài phút mà vẫn đảm bảo chất lượng phê duyệt. Ví dụ, JPMorgan, ING, và nhiều ngân hàng khác triển khai AI để sàng lọc hồ sơ và phát hiện sớm khách hàng có nguy cơ vỡ nợ (The AI jobs threat is biggest for banking, says Citi – Investment News).

Trong lĩnh vực đầu tư và quản lý tài sản, giao dịch định lượng (quantitative trading) dựa trên AI đã trở thành chuẩn mực ở Phố Wall. Ước tính khoảng 60–75% khối lượng giao dịch cổ phiếu tại các thị trường phát triển hiện được thực hiện thông qua các thuật toán tự động (What Percentage Of Trading Is Algorithmic? (Algo Trading Volume …). Trên thị trường ngoại hối, con số này có thể lên đến 92% (Algorithmic trading – Wikipedia). Các tập đoàn tài chính như JPMorgan, Goldman Sachs, Morgan Stanley, Deutsche Bank… đều ứng dụng AI để phân tích dữ liệu thị trường và tối ưu chiến lược giao dịch, giúp tăng độ chính xác và giảm thiểu sai sót (Xu hướng ứng dụng trí tuệ nhân tạo trong sự phát triển của ngành Ngân hàng). Bên cạnh đó, cố vấn đầu tư tự động (robo-advisor) đang dần chiếm lĩnh phân khúc khách hàng đại chúng. Tổng tài sản do các robo-advisor quản lý toàn cầu đã đạt 870 tỷ USD năm 2022 và dự kiến tăng lên 1,4 nghìn tỷ USD năm 2024 (Customer Trust and Satisfaction with Robo-Adviser Technology | Financial Planning Association). Xu hướng này cho thấy AI đang thay thế dần vai trò của môi giới tư vấn truyền thống ở phân khúc đầu tư phổ thông.

Không chỉ dừng ở tác nghiệp, AI còn được tích hợp vào quản trị nội bộ và tuân thủ. Các ngân hàng tiên phong sử dụng AI để giám sát giao dịch nhằm phòng chống rửa tiền, phát hiện gian lận và quản lý rủi ro hoạt động trong thời gian thực. Theo một khảo sát năm 2024, có 44% tổ chức tài chính ưu tiên đầu tư AI cho mảng phát hiện gian lận và an ninh (How Banking Leaders Can Enhance Risk and Compliance With AI – The Financial Brand). AI có khả năng sàng lọc hàng triệu giao dịch và phát hiện bất thường trong tích tắc, vượt xa khả năng thủ công của con người, nhờ đó tăng cường quản trị rủi ro và tuân thủ luật pháp (How Banking Leaders Can Enhance Risk and Compliance With AI – The Financial Brand). Đồng thời, việc ứng dụng AI tạo sinh (GenAI) đang bùng nổ: chi tiêu cho GenAI trong ngành ngân hàng được dự báo tăng từ 6 tỷ USD (2024) lên 85 tỷ USD vào 2030 (tăng hơn 1.400%) (AI’s role in banking sector – Vietnam Economic Times | VnEconomy). Đây là bước chuyển lớn từ giai đoạn “ngân hàng số” sang “ngân hàng AI” (AI’s role in banking sector – Vietnam Economic Times | VnEconomy).

Tóm lại, trên thế giới AI đang thâm nhập sâu vào mọi khía cạnh của hoạt động tài chính – ngân hàng. Hầu hết các ngân hàng lớn đã có chiến lược AI rõ ràng, với kỳ vọng nâng cao hiệu suất 20–30% và tăng trưởng doanh thu, lợi nhuận vượt trội (Banking in the Age of Generative AI | Accenture) (Banking in the Age of Generative AI | Accenture). Tuy nhiên, đi kèm cơ hội là thách thức về thay đổi lực lượng lao động. Nhiều nghiệp vụ truyền thống dần được tự động hóa, đòi hỏi nhân viên ngân hàng phải thích ứng, chuyển sang các vai trò giá trị cao hơn hoặc học kỹ năng mới phù hợp với kỷ nguyên AI. Phần dưới đây sẽ phân tích cụ thể tác động của AI đến từng vị trí công việc trong ngành.

Thực trạng ứng dụng AI trong ngành tài chính – ngân hàng tại Việt Nam

Tại Việt Nam, cuộc cách mạng số và xu hướng ứng dụng AI trong ngân hàng diễn ra mạnh mẽ trong vài năm gần đây, dưới sự định hướng của Chính phủ và Ngân hàng Nhà nước (NHNN). NHNN đã ban hành Kế hoạch chuyển đổi số ngành ngân hàng đến 2025, định hướng 2030, khuyến khích các ngân hàng ứng dụng các công nghệ như điện toán đám mây, dữ liệu lớn và AI nhằm hiện đại hóa dịch vụ và quản trị. Nhờ đó, các ngân hàng Việt Nam đạt được những bước tiến ấn tượng: đến cuối 2023, nhiều ngân hàng ghi nhận trên 90% giao dịch được thực hiện qua kênh số (Internet Banking, mobile banking…), góp phần đưa tỷ lệ giao dịch số toàn ngành lên khoảng 98% (November 1, 2024 – OpenGov Asia). Điều này đồng nghĩa phần lớn khách hàng hiện nay ưu tiên giao dịch trực tuyến thay vì đến quầy, tạo nền tảng thuận lợi để triển khai các giải pháp AI (vốn cần dữ liệu số và hoạt động trên môi trường số).

Nhiều ngân hàng thương mại lớn của Việt Nam đã tiên phong tích hợp AI vào hoạt động. Ngân hàng TMCP Tiên Phong (TPBank) là ví dụ tiêu biểu về chuyển đổi số và AI: TPBank sớm triển khai mô hình LiveBank 24/7 – hệ thống ngân hàng tự động cho phép khách hàng giao dịch qua máy kiosk mọi lúc. Hiện TPBank có tới 500 chi nhánh LiveBank trên toàn quốc, kết hợp cùng phân tích dữ liệu AI để quản lý hiệu quả vận hành. Theo Tổng Giám đốc TPBank, nhờ ứng dụng AI phân tích hành vi giao dịch, ngân hàng có thể dự báo lượng tiền mặt cần thiết mỗi ngày tại các máy LiveBank, qua đó giảm nhu cầu dự trữ tiền mặt tới 25% mà vẫn đáp ứng đủ nhu cầu khách hàng (AI’s role in banking sector – Vietnam Economic Times | VnEconomy). Đây là mức tiết kiệm rất đáng kể, giúp TPBank cắt giảm chi phí vận hành (do giảm tiền mặt nhàn rỗi, chi phí vận chuyển tiền) và tối ưu hóa sử dụng vốn.

Trong mảng dịch vụ khách hàng, các ngân hàng Việt cũng bắt đầu triển khai trợ lý ảo và chatbot. Chẳng hạn, Viettel Pay (MB) và Timo đã đưa vào sử dụng chatbot AI để hỗ trợ giải đáp khách hàng 24/7. Một số ngân hàng lớn như Vietcombank, VietinBank hợp tác với IBM để thí điểm ứng dụng IBM Watson cho trợ lý ảo và phân tích dữ liệu khách hàng (Xu hướng ứng dụng trí tuệ nhân tạo trong sự phát triển của ngành Ngân hàng). Dù còn tương đối mới mẻ, những giải pháp này hứa hẹn giảm tải đáng kể cho tổng đài viên, đồng thời nâng cao trải nghiệm khi khách hàng được phục vụ tức thì.

Trong hoạt động tín dụng, các ngân hàng Việt Nam đang ứng dụng AI ở khâu định danh và phê duyệt khoản vay. Quy trình e-KYC (định danh khách hàng điện tử) sử dụng AI nhận diện khuôn mặt, đối chiếu giấy tờ tùy thân đã được nhiều ngân hàng (như MB, Techcombank, HDBank…) áp dụng, rút ngắn thời gian mở tài khoản và đăng ký dịch vụ chỉ còn vài phút (Xu hướng ứng dụng trí tuệ nhân tạo trong sự phát triển của ngành Ngân hàng). Về thẩm định tín dụng, TPBank cho biết đã tích hợp thuật toán AI vào hệ thống chấm điểm tín dụng và xét duyệt khoản vay. Các thuật toán máy học phân tích dữ liệu khách hàng (lịch sử giao dịch, hóa đơn, dữ liệu viễn thông…) để đánh giá rủi ro chính xác hơn, cho phép TPBank phê duyệt khoản vay nhanh hơn đáng kể trong khi vẫn đảm bảo chất lượng tín dụng (TPBank accelerates growth through digital banking, AI and social banking initiatives) (TPBank accelerates growth through digital banking, AI and social banking initiatives). Bên cạnh đó, TPBank ứng dụng robot tự động (RPA) trong xử lý hồ sơ và báo cáo nội bộ, giúp tăng năng suất và rút ngắn thời gian xử lý công việc tới mức “cắt ngắn được các cam kết dịch vụ (SLA)” theo chia sẻ của lãnh đạo ngân hàng (TPBank accelerates growth through digital banking, AI and social banking initiatives).

AI cũng được các ngân hàng Việt Nam khai thác trong quản lý rủi ro và thu hồi nợ. Với danh mục khách hàng vay trả góp và mua trước trả sau (BNPL) lên đến hàng triệu người, TPBank không thể quản lý thu hồi thủ công mà đã triển khai hệ thống nhắc nợ tự động sử dụng AI. Kết quả, 80% quy trình thu hồi nợ BNPL đã được tự động hóa nhờ AI, đảm bảo nhắc nhở khách hàng kịp thời và hiệu quả mà không cần tốn nhiều nhân lực (TPBank accelerates growth through digital banking, AI and social banking initiatives). Điều này cho phép TPBank mở rộng quy mô dịch vụ cho vay tiêu dùng một cách bền vững.

Về đầu tư và giao dịch, thị trường Việt Nam bắt đầu xuất hiện các ứng dụng AI trong giao dịch định lượng và quản lý danh mục. Năm 2019, Vietcombank đã ký hợp tác với IBM để triển khai công nghệ AI Watson hỗ trợ hoạt động giao dịch và quản trị rủi ro (Xu hướng ứng dụng trí tuệ nhân tạo trong sự phát triển của ngành Ngân hàng). Techcombank cũng đầu tư các dự án AI nhằm tối ưu hiệu quả giao dịch và giảm thiểu rủi ro cho khách hàng (Xu hướng ứng dụng trí tuệ nhân tạo trong sự phát triển của ngành Ngân hàng). Dù quy mô còn hạn chế so với quốc tế, những bước đi này cho thấy các ngân hàng Việt đã nhận thức tầm quan trọng của AI trong mảng kinh doanh đầu tư. Một thách thức lớn được nêu ra là thiếu nhân lực chất lượng cao về AI và phân tích dữ liệu (Xu hướng ứng dụng trí tuệ nhân tạo trong sự phát triển của ngành Ngân hàng). Để khắc phục, một số cơ sở đào tạo trong nước đã bắt đầu cung cấp khóa học chuyên sâu. Chẳng hạn, Học viện Ngân hàng – Tài chính (BAFI) đã mở các khóa về giao dịch định lượng và AI trong tài chính nhằm nâng cao kỹ năng cho đội ngũ chuyên gia tài chính Việt Nam (Xu hướng ứng dụng trí tuệ nhân tạo trong sự phát triển của ngành Ngân hàng).

Nhìn chung, các tổ chức tài chính Việt Nam đang tích cực chuyển đổi số và ứng dụng AI để nâng cao năng lực cạnh tranh. Hiệp hội Ngân hàng Việt Nam (VNBA) nhận định AI, machine learning và phân tích dữ liệu lớn sẽ là công cụ then chốt giúp ngân hàng phân tích dữ liệu chi tiết, ra quyết định kinh doanh chính xác hơn (AI’s role in banking sector – Vietnam Economic Times | VnEconomy). Thậm chí, một số ngân hàng lớn đã điều chỉnh cơ cấu nhân sự để sẵn sàng cho kỷ nguyên mới: Ngân hàng BIDV cho biết họ đã tăng quy mô đội ngũ kỹ sư CNTT từ 100 người (4 năm trước) lên 1.000 người vào năm 2024, và dự kiến đạt 1.400 người năm 2025 (AI’s role in banking sector – Vietnam Economic Times | VnEconomy). Việc tập trung tuyển dụng nhân sự công nghệ cho thấy ngành ngân hàng Việt Nam hiểu rằng bên cạnh vốn và khách hàng, năng lực công nghệ sẽ quyết định lợi thế cạnh tranh trong tương lai.

Tuy nhiên, hành trình ứng dụng AI tại Việt Nam cũng đối mặt không ít thách thức: hạ tầng dữ liệu lõi của nhiều ngân hàng còn chưa đồng bộ; nguồn dữ liệu số hóa trong nền kinh tế chưa phong phú bằng các nước phát triển; và đặc biệt là nguồn nhân lực am hiểu cả tài chính và công nghệ còn thiếu. Chính vì vậy, tác động của AI đến việc làm trong ngành ở Việt Nam có thể diễn ra chậm hơn so với quốc tế, nhưng xu hướng về lâu dài là không thể đảo ngược. Phần sau sẽ đi sâu phân tích AI ảnh hưởng như thế nào đến từng vị trí công việc cụ thể trong ngân hàng, qua đó thấy rõ yêu cầu thay đổi về kỹ năng và vai trò của nhân viên ngành tài chính – ngân hàng.

Tác động của AI đến các vị trí công việc trong ngành tài chính – ngân hàng

Việc áp dụng AI và tự động hóa đang tái định hình cơ cấu nhân sự trong ngành tài chính – ngân hàng. Nhiều nghiệp vụ vốn do con người đảm nhiệm nay đã có thể được máy móc thực hiện nhanh hơn, chính xác hơn. Dưới đây là phân tích chi tiết tác động của AI đối với một số vị trí công việc tiêu biểu trong ngân hàng, kèm theo số liệu và dẫn chứng cụ thể từ các nghiên cứu và báo cáo uy tín.

Giao dịch viên ngân hàng (Teller)

Giao dịch viên ngân hàng – những nhân viên phục vụ tại quầy chi nhánh – là vị trí chịu tác động rõ rệt nhất từ xu hướng số hóa và AI. Trên thế giới, số lượng giao dịch viên đang có xu hướng giảm do khách hàng chuyển sang sử dụng ATM, Internet Banking và mobile banking. Tại Mỹ, Cục Thống kê Lao động dự báo việc làm giao dịch viên sẽ giảm khoảng 15% trong giai đoạn 2023–2033, tương đương mất khoảng 53.000 vị trí (Bank Tellers Are Going Away. What’s Next?). Sự sụt giảm này phần lớn do 78% người dân Mỹ hiện thích dùng ứng dụng fintech để giao dịch thay vì đến quầy ngân hàng (Bank Tellers Are Going Away. What’s Next?). Các chức năng trước đây phải qua giao dịch viên (như gửi tiền, rút tiền, chuyển khoản, thanh toán hóa đơn) nay khách hàng có thể tự thao tác trên ATM hoặc điện thoại thông minh một cách thuận tiện (Bank Tellers Are Going Away. What’s Next?). Xu hướng đóng cửa chi nhánh cũng diễn ra: nhiều ngân hàng trên toàn cầu đã đóng bớt phòng giao dịch vật lý để tiết kiệm chi phí, đồng thời tập trung vào kênh số, kéo theo nhu cầu về nhân sự teller giảm dần (Bank Tellers Are Going Away. What’s Next?).

Tại Việt Nam, tác động tới giao dịch viên cũng bắt đầu thể hiện. Như đã nêu, các ngân hàng đang hướng tới mô hình “phòng giao dịch tự động, không cần nhân viên” (Xu hướng ứng dụng trí tuệ nhân tạo trong sự phát triển của ngành Ngân hàng). Điều này có nghĩa là vai trò của giao dịch viên trực tiếp tại quầy sẽ thu hẹp lại. Các vị trí như tiếp tân, nhân viên quầy, giao dịch viên, nhân viên thu ngân… dự kiến sẽ giảm hoặc bị thay thế bởi công nghệ khi ngân hàng ứng dụng rộng rãi RPA và hệ thống tự phục vụ (Xu hướng ứng dụng trí tuệ nhân tạo trong sự phát triển của ngành Ngân hàng). Chẳng hạn, TPBank với 500 LiveBank đã hoạt động mà không cần giao dịch viên tại chỗ, khách hàng tương tác qua máy và kết nối video từ xa khi cần. Ngân hàng Nhà nước cũng ghi nhận xu hướng này và nhấn mạnh rằng tự động hóa sẽ thay thế dần những công việc lặp đi lặp lại tại quầy (Xu hướng ứng dụng trí tuệ nhân tạo trong sự phát triển của ngành Ngân hàng).

Tuy nhiên, cần lưu ý rằng sự thay thế không đồng nghĩa với mất hoàn toàn việc làm. Lịch sử cho thấy khi ATM ra đời những năm 1970, nhiều người lo ngại teller sẽ thất nghiệp, nhưng thực tế số lượng giao dịch viên ngân hàng ở Mỹ vẫn tăng từ thập niên 1970 đến giữa những năm 2000 do các ngân hàng mở thêm nhiều chi nhánh mới (The AI jobs threat is biggest for banking, says Citi – Investment News). Tương tự, ngày nay các ngân hàng đang chuyển đổi vai trò của giao dịch viên hơn là loại bỏ hoàn toàn. Nhiều ngân hàng triển khai mô hình “universal banker” – nhân viên ngân hàng đa năng, vừa có thể thực hiện giao dịch quầy đơn giản, vừa tư vấn sản phẩm dịch vụ phức tạp hơn (Bank Tellers Are Going Away. What’s Next?). Giao dịch viên truyền thống được đào tạo thêm kỹ năng bán hàng và tư vấn tài chính để trở thành “chuyên viên khách hàng cá nhân” cung cấp dịch vụ giá trị cao mà máy móc chưa làm được, như tư vấn khoản vay phù hợp, giới thiệu sản phẩm đầu tư, hỗ trợ các vấn đề phức tạp. Nói cách khác, AI và tự động hóa sẽ xử lý 60% các tác vụ thường nhật của giao dịch viên (Banking in the Age of Generative AI | Accenture), còn con người tập trung vào 40% nhiệm vụ đòi hỏi giao tiếp và giải quyết vấn đề linh hoạt. Theo phân tích của Accenture, 60% công việc mang tính lặp lại của teller có thể được hỗ trợ hoặc tự động hóa bởi AI, nhưng giao dịch viên vẫn cần cho những tương tác khách hàng phức tạp và mang tính cá nhân (Banking in the Age of Generative AI | Accenture).

Tại Việt Nam, nhiều ngân hàng cũng đang tái đào tạo giao dịch viên để đảm nhiệm các vai trò mới trong phòng giao dịch. Ví dụ, một giao dịch viên nay có thể kiêm nhiệm hỗ trợ khách hàng sử dụng kênh số ngay tại quầy, hướng dẫn khách tự thao tác trên máy hoặc ứng dụng. Các ngân hàng như Vietcombank, Techcombank thời gian qua đã triển khai các “điểm giao dịch số” với số ít nhân viên hỗ trợ, chủ yếu giúp khách hàng làm quen công nghệ thay vì trực tiếp thực hiện giao dịch. Xu hướng này cho thấy giao dịch viên truyền thống dần trở thành “đại sứ số hóa”, đóng vai trò cầu nối để khách hàng chuyển dịch sang dùng các dịch vụ ngân hàng số. Về lâu dài, nhu cầu giao dịch viên thuần túy sẽ giảm mạnh, nhưng những người chuyển đổi thành công sang vai trò tư vấn và hỗ trợ công nghệ sẽ vẫn có chỗ đứng.

Tóm lại, vị trí giao dịch viên ngân hàng đang trải qua chuyển đổi sâu sắc dưới tác động của AI: từ việc thực hiện tác vụ giao dịch sang vai trò tư vấn, hỗ trợ và xử lý các yêu cầu đặc thù. Các thống kê cho thấy sự suy giảm về số lượng, song không phải “xóa sổ” hoàn toàn mà là sự thay đổi về chất. Đối với nhân sự teller, thích ứng bằng cách nâng cao kỹ năng mềm và hiểu biết công nghệ sẽ là chìa khóa để tiếp tục phát triển sự nghiệp trong thời đại ngân hàng số.

Chuyên viên tín dụng (Credit Officer)

Chuyên viên tín dụng (bao gồm cán bộ thẩm định cho vay, chuyên viên phê duyệt tín dụng, phân tích tín dụng…) là lực lượng nòng cốt trong hoạt động cấp tín dụng của ngân hàng. Sự xuất hiện của AI và thuật toán học máy đang làm thay đổi cách thức thu thập thông tin, đánh giá rủi ro và ra quyết định cho vay – những công việc vốn do chuyên viên tín dụng đảm nhiệm.

Trước đây, một chuyên viên tín dụng phải tiếp nhận hồ sơ khách hàng, thẩm định thủ công các giấy tờ, nhập liệu và tra cứu thông tin (ví dụ: kiểm tra lịch sử tín dụng, thu nhập, tài sản đảm bảo), sau đó đánh giá rủi ro dựa trên kinh nghiệm và chính sách ngân hàng trước khi trình phê duyệt khoản vay. Quy trình này mất nhiều giờ hoặc thậm chí nhiều ngày cho mỗi hồ sơ phức tạp. Giờ đây, nhờ AI, phần lớn bước lặp đi lặp lại đã được tự động hóa: hệ thống chấm điểm tín dụng bằng AI có thể tự động thu thập dữ liệu từ nhiều nguồn và đưa ra điểm tín dụng (credit score) một cách khách quan, nhanh chóng. AI phân tích hàng trăm biến số như lịch sử giao dịch tài khoản, hóa đơn điện nước, dữ liệu mạng xã hội… để dự báo xác suất vỡ nợ chính xác hơn phương pháp truyền thống (How Banking Leaders Can Enhance Risk and Compliance With AI – The Financial Brand). Kết quả là, nhiều ngân hàng có thể phê duyệt các khoản vay nhỏ trong vòng vài phút, thay vì vài ngày như trước, mà tỷ lệ nợ xấu không tăng. Chẳng hạn, TPBank ứng dụng AI trong thẩm định đã rút ngắn đáng kể thời gian phê duyệt khoản vay đồng thời “duy trì chất lượng tín dụng” ở mức an toàn (TPBank accelerates growth through digital banking, AI and social banking initiatives) (TPBank accelerates growth through digital banking, AI and social banking initiatives).

Một lợi ích lớn khác là loại bỏ yếu tố chủ quan và sai sót của con người trong quá trình xét duyệt. AI tuân thủ nhất quán các tiêu chí đề ra, không bị ảnh hưởng bởi tâm lý hay mệt mỏi, qua đó giảm thiểu rủi ro thẩm định sai. Theo Accenture, các chuyên viên phân tích tín dụng sẽ thuộc nhóm nhân sự được AI hỗ trợ nhiều (augmentation) – tức AI cung cấp thông tin, gợi ý để họ ra quyết định tốt hơn (Banking in the Age of Generative AI | Accenture). Phân tích cho thấy khoảng 34% nhân viên ngân hàng thuộc nhóm này (bao gồm chuyên viên tín dụng, quan hệ khách hàng…) có công việc đòi hỏi phán đoán và hiểu biết tình huống khách hàng, và họ có thể tận dụng công cụ AI tạo sinh để chuẩn bị hồ sơ, đề xuất phương án tối ưu cho khách (Banking in the Age of Generative AI | Accenture). Thực tế, AI chưa thể hoàn toàn thay thế chuyên viên tín dụng bởi việc phê duyệt khoản vay lớn hay phức tạp vẫn cần con người xem xét các khía cạnh định tính (uy tín doanh nghiệp, triển vọng ngành, thiện chí trả nợ…). Nhưng AI đang trở thành “trợ lý” đắc lực, giúp chuyên viên tín dụng xử lý nhiều hồ sơ hơn với độ chính xác cao hơn.

Tại Việt Nam, các chuyên viên tín dụng cũng đang chứng kiến sự thay đổi rõ rệt trong công việc hàng ngày. Nhiều ngân hàng đã triển khai hệ thống phê duyệt cho vay tự động đối với khoản vay nhỏ và trung bình dựa trên các thuật toán AI. Ví dụ, Ngân hàng Quân đội (MB) cho biết nhờ ứng dụng chấm điểm tín dụng tự động, họ có thể phê duyệt các khoản vay tín chấp cá nhân online chỉ trong vòng 5-10 phút thay vì 2-3 ngày như trước. Ngân hàng VPBank với công ty con FE Credit cũng sử dụng AI để xét duyệt hàng triệu khoản vay tiêu dùng, giúp mở rộng tài chính toàn diện (financial inclusion) tới nhiều khách hàng chưa có lịch sử tín dụng truyền thống. Việc này chắc chắn giảm tải cho đội ngũ thẩm định: thay vì xem xét từng hồ sơ, chuyên viên tín dụng giờ tập trung vào giám sát các trường hợp ngoại lệ (những hồ sơ AI cảnh báo rủi ro cao, hoặc khoản vay lớn vượt ngưỡng phải xét duyệt thủ công).

AI không chỉ hỗ trợ khâu phê duyệt mà còn tác động đến quy trình thu hồi nợ – vốn cũng do bộ phận tín dụng quản lý. Như đã đề cập, TPBank đã tự động hóa 80% quy trình nhắc và thu hồi nợ cho các khoản vay nhỏ nhờ AI (TPBank accelerates growth through digital banking, AI and social banking initiatives). Trước đây, chuyên viên tín dụng phải gọi điện, gửi thư nhắc từng khách hàng quá hạn, thì nay hệ thống AI tự động gửi tin nhắn, gọi điện bằng giọng nói máy đến hàng ngàn khách hàng cùng lúc, với nội dung và thời điểm tối ưu để khách hàng trả nợ. Điều này giúp chuyên viên tín dụng dành thời gian cho những khách hàng chây ì hoặc có vấn đề phức tạp, thay vì làm các việc lặp lại.

Dù vậy, AI cũng đặt ra thách thức mới cho chuyên viên tín dụng, đặc biệt là yêu cầu về kỹ năng dữ liệu và tư duy phân tích. Nhân sự tín dụng cần hiểu mô hình chấm điểm của AI hoạt động ra sao, biết cách kiểm tra và giải thích kết quả AI đưa ra (nhất là trong bối cảnh các quy định đòi hỏi tính minh bạch, không thiên vị của quyết định tín dụng). Đồng thời, họ phải kết hợp “trực giác nghề nghiệp” với gợi ý từ AI để đưa ra quyết định cuối cùng. Vai trò của chuyên viên tín dụng dần chuyển từ “thực thi” sang “giám sát và ra quyết định”. Các ngân hàng quốc tế đã xuất hiện vị trí “quản lý mô hình AI tín dụng” nhằm giám sát các mô hình cho vay tự động, đảm bảo tuân thủ quy định và đạo đức (tránh phân biệt đối xử, đảm bảo an toàn dữ liệu khách hàng).

Tổng hợp lại, AI đang thay đổi căn bản công việc của chuyên viên tín dụng: tự động hóa nhiều tác vụ thủ công, tăng tốc độ và tính khách quan trong phê duyệt, đồng thời hỗ trợ ra quyết định thông minh hơn. Số lượng chuyên viên tín dụng có thể không giảm ngay lập tức, nhưng năng suất cá nhân tăng lên đáng kể – một chuyên viên được AI hỗ trợ có thể xử lý khối lượng công việc gấp nhiều lần trước đây. Theo một nghiên cứu của McKinsey, có tới 42% hoạt động trong lĩnh vực tài chính – ngân hàng (bao gồm nhiều nghiệp vụ tín dụng) có thể hoàn toàn tự động hóa bằng công nghệ hiện có, và thêm 19% có thể phần lớn tự động hóa (Finance Transformation with Automation – Vigilant Technologies). Điều này cho thấy tiềm năng rất lớn để tinh gọn bộ máy tín dụng. Những nhân viên biết cách cộng tác hiệu quả với AI sẽ nâng cao hiệu quả công việc, trong khi những ai chậm thích ứng có nguy cơ bị thay thế trong dài hạn.

Nhà phân tích tài chính (Financial Analyst)

Nhà phân tích tài chính trong ngân hàng thường bao gồm các vị trí: phân tích đầu tư, phân tích thị trường, phân tích tài chính doanh nghiệp, hoặc chuyên viên phân tích tại các công ty chứng khoán, quỹ đầu tư thuộc ngân hàng. Công việc của họ đòi hỏi thu thập thông tin tài chính, xây dựng mô hình dự báo, viết báo cáo phân tích và đưa ra khuyến nghị đầu tư hoặc quyết định tài chính. Sự bùng nổ của AI – đặc biệt là AI tạo sinh (Generative AI) và phân tích dữ liệu lớn – đang mang lại cả cơ hội lẫn thách thức to lớn cho nhóm nghề nghiệp này.

Về cơ hội, AI có khả năng xử lý dữ liệu tài chính khối lượng lớn với tốc độ vượt trội. Những công việc mất hàng tuần với con người (như đọc và tóm tắt hàng trăm báo cáo tài chính, phân tích xu hướng thị trường qua nhiều năm) thì AI có thể làm chỉ trong vài phút. Các mô hình Xử lý ngôn ngữ tự nhiên (NLP) hiện đại cho phép AI đọc hiểu báo cáo và tin tức tài chính rồi rút ra các điểm chính. Ví dụ, ngân hàng đầu tư Goldman Sachs đã thử nghiệm AI để phân tích biên bản các cuộc họp của Fed hay báo cáo lợi nhuận doanh nghiệp, giúp chuyên viên phân tích nắm bắt nhanh thông tin trọng yếu thay vì đọc cả trăm trang tài liệu. AI tạo sinh như GPT-4 thậm chí có thể soạn thảo thô các báo cáo phân tích hoặc bản tin thị trường, sau đó con người chỉnh sửa lại cho hoàn thiện. Theo một bài viết trên LeanTech, các công cụ generative AI có thể hỗ trợ tạo báo cáo khách hàng, tóm tắt xu hướng tài chính, thậm chí gợi ý chiến lược đầu tư dựa trên dữ liệu đầu vào (7 Essential AI Skills for Banking Professionals in 2025: A MENA Perspective – LeanTech SG). Điều này giúp tăng năng suất cho nhà phân tích: họ có thể dành nhiều thời gian hơn để suy nghĩ chiến lược thay vì làm việc chân tay với dữ liệu.

AI cũng mở ra khả năng phân tích dự báo chính xác hơn nhờ các mô hình máy học tiên tiến. Các mô hình dự báo giá chứng khoán, dự báo biến động lãi suất, tỷ giá sử dụng AI có thể phát hiện những mẫu ẩn (hidden patterns) trong dữ liệu thị trường mà con người khó nhận biết. Một nghiên cứu của IBM cho thấy ứng dụng AI trong quản trị rủi ro tài chính giúp giảm sai số dự báo tới 50% nhờ khả năng xử lý hàng loạt biến số và dữ liệu phi truyền thống (như cảm xúc thị trường trên mạng xã hội) (7 Essential AI Skills for Banking Professionals in 2025: A MENA Perspective – LeanTech SG). Đối với nhà phân tích tài chính, điều này có nghĩa là các dự báo, mô hình định giá mà họ xây dựng có thể được AI hỗ trợ để nâng độ chính xác và tính khách quan.

Tuy nhiên, thách thức lớn là một phần công việc của nhà phân tích tài chính có thể bị AI làm thay. Chẳng hạn, các nhiệm vụ như tổng hợp số liệu, lập biểu đồ, tính toán các chỉ số tài chính – vốn chiếm nhiều thời gian – giờ đây có thể tự động hóa. Nhiều ngân hàng đầu tư sử dụng phần mềm RPA để tự động tạo bảng biểu phân tích tài chính doanh nghiệp, kéo dữ liệu từ hệ thống kế toán sang báo cáo mà không cần con người nhập liệu. Một số công ty chứng khoán trực tuyến ở Mỹ đã triển khai chatbot tư vấn đầu tư cho khách hàng cá nhân, sử dụng AI phân tích danh mục và đề xuất điều chỉnh (dựa trên khuyến nghị của các mô hình đầu tư thụ động). Khi AI có thể đưa ra khuyến nghị đầu tư đơn giản, vai trò của những phân tích viên cấp thấp (junior analyst) cung cấp dịch vụ tư vấn cơ bản có thể mờ nhạt dần. Thực tế, robo-advisor được thiết kế để thay thế những khâu tư vấn tài chính cá nhân tiêu chuẩn – công việc mà trước đây do các trợ lý hoặc chuyên viên phân tích cung cấp cho khách hàng. Với quy mô tài sản qua robo-advisor tăng nhanh (đạt 1,4 nghìn tỷ USD năm 2024) (Customer Trust and Satisfaction with Robo-Adviser Technology | Financial Planning Association), rõ ràng một phần công việc tư vấn/tái cân bằng danh mục đã được tự động hóa.

Dẫu vậy, cần phân biệt giữa phân tích theo khuôn mẫu và phân tích sáng tạo. AI hiện tại rất giỏi thực hiện các tác vụ lặp và phân tích trong khuôn khổ dữ liệu cho trước, nhưng chưa thể thay thế con người ở khả năng đưa ra góc nhìn chiến lược, sáng tạo hoặc xây dựng giả thuyết mới. Những nhà phân tích xuất sắc thường tạo ra giá trị bằng cách tìm hiểu sâu những yếu tố đặc thù của doanh nghiệp, thị trường, hoặc có trực giác nắm bắt xu hướng kinh tế vĩ mô – điều này AI chưa làm được nếu chỉ dựa vào dữ liệu lịch sử. Vì vậy, AI sẽ là công cụ bổ trợ giúp nhà phân tích tài chính làm việc hiệu quả hơn, chứ không loại bỏ hoàn toàn nhu cầu đối với con người. Các chuyên gia dự báo rằng nhà phân tích tài chính tương lai sẽ cần thành thạo sử dụng các công cụ AI để thu thập và xử lý dữ liệu, sau đó tập trung vào diễn giải kết quả và ra quyết định. Nhân lực không biết dùng AI có thể bị giảm vai trò, tương tự như người làm kế toán không biết dùng Excel trong quá khứ.

Tại Việt Nam, tác động của AI đến nhà phân tích tài chính bước đầu thể hiện trong ngành chứng khoán và quản lý quỹ. Nhiều công ty chứng khoán nội địa đã triển khai hệ thống phân tích kỹ thuật tự động, cung cấp tín hiệu mua bán cổ phiếu cho nhà đầu tư dựa trên AI. Một số ngân hàng lớn cũng có bộ phận phân tích đầu tư ứng dụng dữ liệu lớn để đánh giá thị trường (ví dụ Vietcombank Fund sử dụng hệ thống phân tích dữ liệu vĩ mô toàn cầu hỗ trợ lập báo cáo chiến lược). Tuy vậy, chức năng phân tích của con người vẫn giữ vai trò then chốt, nhất là khi thị trường Việt Nam còn nhiều thông tin không chính thức, đòi hỏi yếu tố định tính và quan hệ.

Tóm lại, nhà phân tích tài chính sẽ tiếp tục là vị trí quan trọng nhưng nội dung công việc sẽ thay đổi trong kỷ nguyên AI. Những công việc mang tính thu thập, xử lý dữ liệu cơ bản sẽ do AI đảm nhiệm (ước tính khoảng 40-50% nhiệm vụ hiện tại của một nhà phân tích có thể tự động hóa (Finance Transformation with Automation – Vigilant Technologies)). Phần công việc còn lại đòi hỏi tư duy cao cấp – phân tích chiến lược, đánh giá những biến số không lượng hóa, ra quyết định đầu tư tối ưu – vẫn cần đến kỹ năng và kinh nghiệm của con người. Do đó, nhà phân tích tài chính cần trang bị kiến thức AI và dữ liệu để hợp tác với công nghệ, đồng thời trau dồi tư duy phản biện, kỹ năng ra quyết định nhằm tạo ra giá trị vượt trội mà AI không thể bắt chước.

Chuyên gia quản lý rủi ro (Risk Manager)

Chuyên gia quản lý rủi ro trong ngân hàng chịu trách nhiệm nhận diện, đo lường và kiểm soát các loại rủi ro (rủi ro tín dụng, rủi ro thị trường, rủi ro vận hành, rủi ro thanh khoản, v.v.). Sự phát triển của AI có ảnh hưởng hai mặt tới công việc này: một mặt, AI cung cấp công cụ mạnh mẽ giúp nâng cao năng lực quản trị rủi ro; mặt khác, chính bản thân AI cũng tạo ra những rủi ro mới mà chuyên gia phải quản lý.

Trước hết, về mặt tích cực, AI được xem như “cánh tay nối dài” của bộ phận quản lý rủi ro. Nhờ khả năng phân tích dữ liệu lớn theo thời gian thực, AI giúp phát hiện sớm các dấu hiệu bất thường và cảnh báo rủi ro kịp thời. Ví dụ, trong quản lý rủi ro tín dụng, hệ thống AI có thể giám sát liên tục dữ liệu giao dịch của khách hàng để phát hiện dấu hiệu suy giảm sức khỏe tài chính (như doanh thu sụt giảm, chậm thanh toán) và cảnh báo chuyên viên quản lý rủi ro có biện pháp can thiệp sớm. Trong phòng chống gian lận, AI đặc biệt hiệu quả: các mô hình machine learning có thể nhận biết giao dịch gian lận bằng cách so sánh hành vi giao dịch với hàng triệu mẫu hành vi bình thường, từ đó phát hiện giao dịch bất thường gần như tức thời (How Banking Leaders Can Enhance Risk and Compliance With AI – The Financial Brand) (How Banking Leaders Can Enhance Risk and Compliance With AI – The Financial Brand). Theo một khảo sát, gần một nửa các tổ chức tài chính (44%) coi việc đầu tư AI cho phát hiện gian lận và an ninh mạng là ưu tiên hàng đầu (How Banking Leaders Can Enhance Risk and Compliance With AI – The Financial Brand). Lý do là AI cho phép quét qua toàn bộ giao dịch thay vì kiểm tra ngẫu nhiên, nhờ đó giảm thiểu việc bỏ sót rủi ro. Trong lĩnh vực quản trị danh mục rủi ro thị trường, AI hỗ trợ chuyên gia rủi ro mô phỏng hàng ngàn kịch bản biến động giá, lãi suất, tỷ giá… và tính toán mức lỗ kỳ vọng (VaR) nhanh hơn rất nhiều so với phương pháp Monte Carlo truyền thống. Các ngân hàng lớn như Citibank, HSBC đã dùng AI để dự báo rủi ro thanh khoản hàng ngày, tối ưu hóa lượng tài sản thanh khoản dự trữ (nhờ dự đoán chính xác dòng tiền vào ra), từ đó giảm chi phí cơ hội khi nắm giữ vốn chết.

Một ví dụ cụ thể: TPBank tại Việt Nam tích hợp AI trong khung quản lý rủi ro, đặc biệt là khâu chấm điểm tín dụng và thẩm định khoản vay, đã giúp họ duy trì chất lượng tín dụng tốt ngay cả khi đẩy mạnh cho vay tiêu dùng (TPBank accelerates growth through digital banking, AI and social banking initiatives). AI phân tích hàng loạt biến số rủi ro và đưa ra khuyến nghị, nhờ đó chuyên gia rủi ro có cái nhìn toàn diện hơn trước khi quyết định. Ngoài ra, AI còn giúp dự báo xu hướng vĩ mô, hỗ trợ hoạch định khẩu vị rủi ro của ngân hàng (ví dụ dự báo suy thoái kinh tế, từ đó sớm siết chặt điều kiện cho vay ở lĩnh vực nhạy cảm).

Các tác vụ thủ công của phòng quản lý rủi ro cũng được tự động hóa một phần nhờ RPA và AI. Nhiều ngân hàng dùng robot phần mềm để tự động thu thập báo cáo tài chính khách hàng, đối chiếu dữ liệu từ các nguồn (CIC, đăng ký doanh nghiệp, cục thuế…) để phục vụ đánh giá rủi ro – công việc mà trước đây chuyên viên rủi ro phải làm tay. Theo ước tính của Deloitte, việc ứng dụng tự động hóa có thể tiết kiệm đến 30-40% thời gian cho các quy trình quản lý rủi ro định kỳ (như kiểm tra tuân thủ, lập báo cáo rủi ro nội bộ).

Mặt khác, AI cũng đặt ra những thách thức mới cho chuyên gia quản lý rủi ro: cụ thể là rủi ro từ chính công nghệ AI. Các mô hình AI phức tạp (như mạng nơ-ron sâu) thường hoạt động như “hộp đen”, gây khó khăn cho việc giải thích quyết định – điều này xung đột với yêu cầu quản trị ngân hàng là phải hiểu rõ mô hình rủi ro. Rủi ro vận hành xuất phát từ AI cũng không nhỏ: nếu AI “học” sai (ví dụ do dữ liệu đầu vào bị thiên lệch) có thể dẫn đến quyết định sai lầm hàng loạt. Chuyên gia rủi ro ngày nay phải quan tâm thêm rủi ro mô hình (model risk) của các hệ thống AI, đảm bảo chúng được kiểm thử và giám sát liên tục để tránh “hallucination” hay sai lệch gây thiệt hại (The AI jobs threat is biggest for banking, says Citi – Investment News). Ngoài ra, AI còn làm tăng rủi ro an ninh mạng: tội phạm mạng cũng dùng AI để tấn công hệ thống ngân hàng, do đó chuyên gia rủi ro phải phối hợp chặt với bộ phận CNTT để phòng thủ. Theo báo cáo của Bộ Thông tin & Truyền thông Việt Nam, chỉ riêng nửa đầu năm 2024 đã ghi nhận trên 240 cuộc tấn công mạng vào lĩnh vực tài chính – ngân hàng, chiếm ~13,75% tổng sự cố an ninh mạng cả nước (AI’s role in banking sector – Vietnam Economic Times | VnEconomy). Điều này cho thấy quản trị rủi ro ngân hàng không chỉ giới hạn ở rủi ro tài chính truyền thống, mà còn mở rộng sang rủi ro công nghệ, đặc biệt khi ngân hàng ứng dụng AI sâu rộng.

Vì vậy, vai trò của chuyên gia quản lý rủi ro trong thời đại AI càng trở nên quan trọng và phức tạp. Họ phải biết khai thác AI để nâng cao hiệu quả quản lý rủi ro, đồng thời phải hiểu và kiểm soát được rủi ro do AI mang lại. Nhiều ngân hàng đã bổ sung nhân sự chuyên trách về quản trị rủi ro công nghệ/AI, hoặc đào tạo đội ngũ hiện có về kiến thức AI căn bản. Xu hướng tuyển dụng vị trí như “AI Risk Manager” hay “Chuyên gia quản trị rủi ro mô hình” đang nổi lên trong các tổ chức tài chính lớn. Bên cạnh đó, các chuyên gia rủi ro truyền thống (như risk officer) cũng cần trang bị kỹ năng mới: hiểu biết về dữ liệu, thống kê và thuật toán AI, cũng như kiến thức về quy định pháp lý liên quan AI (ví dụ quy định của cơ quan quản lý về việc dùng AI ra quyết định tín dụng, hoặc chuẩn mực quốc tế về quản trị rủi ro AI do Basel Committee đề xuất).

Tóm lại, AI có tác động lưỡng diện đến công việc của chuyên gia quản lý rủi ro: cung cấp công cụ mạnh chưa từng có để quản lý rủi ro hiệu quả hơn, nhưng đồng thời tạo ra những lĩnh vực rủi ro mới cần giám sát. Điều chắc chắn là nhu cầu nhân lực rủi ro không giảm; thực tế có thể tăng thêm vì ngân hàng phải tuyển thêm người có hiểu biết AI để quản lý các hệ thống mới (The AI jobs threat is biggest for banking, says Citi – Investment News). Nhiệm vụ của chuyên gia rủi ro được nâng tầm: từ người kiểm soát tuân thủ, họ trở thành người định hướng cách ngân hàng áp dụng AI an toàn, vừa tận dụng lợi ích vừa bảo vệ hệ thống trước các nguy cơ mới.

Nhân viên hỗ trợ khách hàng (Customer Service)

Nhân viên hỗ trợ khách hàng (bao gồm nhân viên tổng đài, tư vấn viên tại contact center, nhân viên chăm sóc khách hàng trực tiếp) là nhóm công việc đã và đang chịu tác động mạnh từ công nghệ AI, đặc biệt là các chatbot và trợ lý ảo thông minh. Trong vài năm qua, ngành tài chính chứng kiến sự nổi lên của hàng loạt chatbot AI có khả năng tương tác với khách hàng bằng ngôn ngữ tự nhiên, trả lời được từ những câu hỏi đơn giản về số dư tài khoản đến các hướng dẫn giao dịch phức tạp.

Trên thế giới, nhiều ngân hàng lớn đã ra mắt trợ lý ảo cho riêng mình: Erica của Bank of America, Ceba của Commonwealth Bank (Úc), Amy của HSBC… Bank of America báo cáo rằng chatbot Erica của họ đã phục vụ hơn 1 triệu người dùng chỉ sau vài tháng ra mắt, xử lý thành công hàng chục triệu yêu cầu với độ chính xác cao (Xu hướng ứng dụng trí tuệ nhân tạo trong sự phát triển của ngành Ngân hàng). Những chatbot thế hệ mới này được tích hợp AI học sâu, có khả năng hiểu ý định khách hàng và học hỏi để cải thiện dần khi xử lý nhiều tương tác (Xu hướng ứng dụng trí tuệ nhân tạo trong sự phát triển của ngành Ngân hàng). Kết quả là chúng có thể giải đáp phần lớn các thắc mắc thường gặp mà không cần đến nhân viên con người. Theo ước tính của một lãnh đạo Revolut, nhờ triển khai chatbot AI, fintech này đã để AI xử lý hơn 30% tổng số chat của khách hàng và kỳ vọng đạt 80% trong vài năm tới (The AI jobs threat is biggest for banking, says Citi – Investment News). Tương tự, ngân hàng Mashreq (UAE) cho biết chatbot Emma của họ hiện có thể xử lý trên 50 quy trình/yêu cầu khác nhau của khách, giúp rút ngắn thời gian phản hồi và giảm chi phí vận hành đáng kể (7 Essential AI Skills for Banking Professionals in 2025: A MENA Perspective – LeanTech SG).

Điều này có nghĩa là khối lượng công việc của nhân viên hỗ trợ khách hàng con người giảm đi rõ rệt. Nhiều yêu cầu đơn giản như tra cứu thông tin tài khoản, hướng dẫn sử dụng dịch vụ, tra cứu tỷ giá, lãi suất… đã được chatbot xử lý 24/7. Hệ quả là các ngân hàng có thể tinh giản đội ngũ tổng đài. Theo khảo sát của Gartner, vào năm 2022 có xu hướng khoảng 70–80% tương tác dịch vụ khách hàng trong lĩnh vực tài chính có thể được giải quyết mà không cần sự tham gia của con người, nhờ kết hợp chatbot, ứng dụng tự phục vụ và cổng thông tin khách hàng. Mặc dù con số cụ thể thay đổi tùy ngân hàng, xu hướng chung là rõ ràng: cần ít nhân viên hơn cho tuyến đầu hỗ trợ.

Tại Việt Nam, nhiều ngân hàng và công ty tài chính cũng đã đưa vào sử dụng trợ lý ảo bằng tiếng Việt. Tiêu biểu, TPBank có trợ lý T’Aio, VPBank có chatbot hỗ trợ trên Facebook Messenger, Vietcombank iRita (thử nghiệm)… Các công ty fintech như Momo, ZaloPay cũng có chatbot tích hợp trong ứng dụng. Điều này bắt đầu ảnh hưởng đến nhân sự chăm sóc khách hàng: một số ngân hàng đã chuyển nhân viên từ tổng đài sang các bộ phận khác, hoặc tập trung đào tạo họ xử lý các tình huống phức tạp hơn mà chatbot chưa làm được (như giải quyết khiếu nại đặc thù, tư vấn sản phẩm tài chính chuyên sâu).

Nhìn từ góc độ hiệu quả, AI mang lại lợi ích lớn cho mảng hỗ trợ khách hàng. Klarna (công ty fintech Thụy Điển) báo cáo việc ứng dụng chatbot AI đã giúp họ giảm 11% chi phí vận hành chỉ trong quý đầu 2023 (The AI jobs threat is biggest for banking, says Citi – Investment News). Nguyên nhân chính là giảm được nhân sự và thời gian xử lý mỗi yêu cầu. Revolut cũng ghi nhận hiệu suất hỗ trợ tăng khi chatbot đảm nhiệm phần lớn khối lượng công việc thường nhật (The AI jobs threat is biggest for banking, says Citi – Investment News). Đối với khách hàng, trải nghiệm cũng được cải thiện do được phục vụ nhanh chóng hơn (không phải chờ điện thoại viên, có trợ lý ảo 24/7) và trong tương lai, chatbot AI tạo sinh có thể trò chuyện tự nhiên như người thật.

Tuy nhiên, AI chưa thể hoàn toàn thay thế nhân viên hỗ trợ khách hàng, nhất là trong các tình huống phức tạp hoặc nhạy cảm. Giới hạn của chatbot hiện nay là khó hiểu đúng ý khách hàng khi câu hỏi diễn đạt không rõ, hoặc khi khách dùng tiếng lóng, ngôn ngữ địa phương (The AI jobs threat is biggest for banking, says Citi – Investment News). Chẳng hạn, Citigroup cảnh báo rằng chatbot đôi khi gặp khó khăn với câu hỏi mơ hồ hoặc từ lóng, và có nguy cơ tạo thông tin “ảo” nếu không kiểm soát tốt (The AI jobs threat is biggest for banking, says Citi – Investment News). Vì thế, đa số mô hình dịch vụ hiện tại là chatbot xử lý bước đầu, nếu không chắc hoặc khách không hài lòng thì chuyển tới nhân viên thật. Vai trò của nhân viên hỗ trợ khách hàng do đó chuyển thành “tuyến sau”, chuyên xử lý các trường hợp ngoại lệ – những vấn đề phức tạp, khách VIP, hoặc khách phàn nàn sau khi chat với bot.

Ngoài ra, việc vận hành chatbot hiệu quả cũng đòi hỏi một đội ngũ chuyên viên để theo dõi và tối ưu chatbot (đào tạo bot, cập nhật kịch bản hỏi đáp, giám sát chất lượng tương tác). Một số nhân viên hỗ trợ truyền thống đang được đào tạo lại thành “huấn luyện viên AI” – công việc mới giúp cải thiện hiệu suất của chatbot. Chẳng hạn tại Viettel Pay, một phần nhân sự chăm sóc khách hàng đã chuyển sang phụ trách đào tạo dữ liệu cho chatbot, đảm bảo bot học được cách trả lời chính xác và lịch sự với người dùng.

Như vậy, nhân viên hỗ trợ khách hàng là nhóm bị ảnh hưởng trực tiếp với xu hướng giảm về số lượng do tự động hóa, nhưng lại tăng về yêu cầu kỹ năng. Những công việc lặp lại sẽ do bot xử lý, còn nhân viên cần nâng cao khả năng giải quyết vấn đề, giao tiếp khéo léo trong tình huống phức tạp và sử dụng thành thạo hệ thống CRM tích hợp AI. Nhiều ngân hàng kỳ vọng chuyển nhân viên hỗ trợ sang vai trò tư vấn bán hàng: tức khi khách hàng liên hệ không chỉ giải đáp mà còn khéo léo giới thiệu sản phẩm phù hợp, điều mà AI khó làm với sự tinh tế cá nhân hóa như con người. Theo phân tích của Accenture, khoảng 25% nhân sự ngân hàng (tiêu biểu là nhân viên dịch vụ khách hàng) sẽ chịu tác động đồng thời của cả tự động hóa và tăng cường bởi AI: khoảng 37% tác vụ của họ có thể tự động hóa còn 28% có thể được AI hỗ trợ (Banking in the Age of Generative AI | Accenture). Do đó, họ sẽ làm việc cùng AI, chứ không bị loại bỏ hoàn toàn.

Tại Việt Nam, trong vài năm tới, có thể thấy nhân viên hỗ trợ khách hàng sẽ dần đóng vai trò “xử lý tình huống” nhiều hơn. Những yêu cầu phổ biến (tra cứu số dư, tra cứu lịch sử giao dịch, hướng dẫn mở thẻ…) sẽ hiếm khi cần con người. Nhưng khi khách gặp lỗi kỹ thuật phức tạp hoặc cần tư vấn tài chính cá nhân (như nên chọn gói vay nào phù hợp), con người vẫn quan trọng. Việc đào tạo lại nhân sự này theo hướng kỹ năng mềm, kiến thức sản phẩm sâu đang được các ngân hàng chú trọng. Tóm lại, AI sẽ thay thế phần “chăm sóc” cơ bản, còn nhân viên sẽ chuyển lên làm “chăm sóc nâng cao” – giải quyết những gì AI chưa làm được, đồng thời giám sát chất lượng dịch vụ do AI cung cấp, đảm bảo trải nghiệm khách hàng tốt nhất.

Kiểm toán viên nội bộ (Internal Auditor)

Kiểm toán viên nội bộ chịu trách nhiệm đánh giá độc lập và khách quan về hệ thống kiểm soát nội bộ, quản trị rủi ro và quy trình hoạt động của ngân hàng. Công việc kiểm toán truyền thống thường bao gồm thu thập bằng chứng, kiểm tra chứng từ, đối chiếu sổ sách, chọn mẫu giao dịch để kiểm tra tuân thủ và phát hiện sai sót. Sự xuất hiện của AI, dữ liệu lớn và tự động hóa đang thay đổi đáng kể cách thức thực hiện kiểm toán nội bộ.

Một thay đổi quan trọng là khả năng kiểm toán toàn phần thay vì kiểm toán chọn mẫu. Trước đây, do hạn chế về thời gian và nguồn lực, kiểm toán viên thường chỉ chọn một mẫu nhỏ (ví dụ vài trăm giao dịch trong hàng triệu giao dịch) để kiểm tra và suy ra kết luận. Điều này luôn tiềm ẩn rủi ro bỏ sót sai phạm nằm ngoài mẫu. Giờ đây, với công nghệ AI và phân tích dữ liệu, kiểm toán nội bộ có thể kiểm tra 100% dữ liệu giao dịch thay vì chỉ lấy mẫu (Artificial intelligence in auditing: Leveraging benefits and avoiding risk). Các công cụ AI như MindBridge, Deloitte Argus… có thể quét toàn bộ giao dịch kế toán, bút toán hạch toán để phát hiện mọi điểm bất thường, sai lệch so với quy định. Theo một chuyên gia, AI cho phép phân tích toàn bộ dữ liệu giao dịch trong một phần nhỏ thời gian so với phương pháp chọn mẫu thủ công, đảm bảo không bỏ sót chi tiết nào (Spend Risk: What you might be missing using audit sampling.). Nhờ đó, chất lượng kiểm toán và độ tin cậy của kết luận kiểm toán được nâng cao đáng kể (How AI-Powered Internal Audit Software Transforms Risk …).

AI cũng giúp tự động hóa các thủ tục kiểm toán lặp lại. Ví dụ, việc đối chiếu số liệu giữa hai hệ thống (đối chiếu sao kê tài khoản với sổ cái) có thể do robot RPA thực hiện nhanh chóng. Việc kiểm tra logic hàng ngàn hợp đồng tín dụng (xem lãi suất tính đúng không, thời hạn, điều kiện có khớp quy định không) có thể do một thuật toán đảm nhiệm và báo cáo lại những trường hợp lệch chuẩn cho kiểm toán viên. Thay vì dò thủ công từng hồ sơ, kiểm toán viên nội bộ ngày nay có thể dựa vào bảng điều khiển rủi ro (risk dashboard) do AI tổng hợp, để tập trung ngay vào điểm nóng. Theo khảo sát của AuditBoard năm 2023, có 89% tổ chức (trong lĩnh vực kiểm toán – tuân thủ) lên kế hoạch áp dụng AI trong hoạt động kiểm toán của mình (Playbook: How AI and Analytics Can Scale Your Audit Program). Mặc dù hiện tại tỷ lệ bộ phận kiểm toán nội bộ đã ứng dụng AI còn thấp (chưa tới 10% theo một báo cáo ngành) (Internal auditors ‘flying blind’ on AI risks – report – Accountancy Age), xu hướng tương lai là hầu hết các đội kiểm toán sẽ sử dụng AI như một phần không thể thiếu trong quy trình.

Một ứng dụng mạnh khác của AI là trong phát hiện gian lận và bất thường nội bộ. Kiểm toán nội bộ thường chịu trách nhiệm phát hiện các trường hợp nhân viên lạm dụng, sai quy trình, hay giả mạo số liệu. AI tỏ ra rất hữu ích khi có thể nhận diện các mẫu bất thường tinh vi mà con người có thể bỏ qua. Ví dụ, AI có thể phát hiện một giao dịch giả mạo chứng từ nếu thấy chữ ký điện tử không khớp mẫu, hoặc một nhân viên nào đó thường xuyên phê duyệt giao dịch ngay dưới hạn mức phân quyền (một dấu hiệu lách luật). Những phát hiện như vậy giúp kiểm toán nội bộ khoanh vùng kiểm tra kỹ hơn.

Tuy nhiên, tương tự các lĩnh vực khác, AI không loại bỏ nhu cầu về kiểm toán viên nội bộ mà chủ yếu thay đổi cách họ làm việc. Vai trò của kiểm toán viên nội bộ sẽ chuyển từ thu thập chứng cứ thủ công sang phân tích kết quả do AI tạo ra và đánh giá. Họ cần kỹ năng để hiểu các mô hình phân tích dữ liệu, biết đặt tham số đúng cho công cụ AI để khai thác thông tin hữu ích. Quan trọng hơn, kiểm toán viên vẫn phải vận dụng xét đoán nghề nghiệp để kết luận xem một sai lệch là trọng yếu hay không, một quy trình có lỗ hổng kiểm soát hay không – điều mà AI không thể quyết định thay, ít nhất trong bối cảnh hiện tại. AI cung cấp thông tin, còn diễn giải và đề xuất cải tiến vẫn do con người làm.

Ngoài ra, kiểm toán nội bộ phải bổ sung phạm vi kiểm toán sang các hệ thống AI của ngân hàng. Tức là họ không chỉ kiểm tra quy trình tài chính truyền thống, mà còn phải kiểm tra xem việc ngân hàng ứng dụng AI có tuân thủ quy định, có kiểm soát rủi ro công nghệ phù hợp không. Ví dụ: kiểm toán việc sử dụng mô hình AI trong phê duyệt tín dụng – mô hình có được phê duyệt và theo dõi đúng quy trình không, có kiểm thử định kỳ không, có gây ra sai lệch hay khiếu kiện gì không. Đây là lĩnh vực mới đòi hỏi kiểm toán viên phải không ngừng học hỏi. Các hãng lớn như KPMG, Deloitte đã ban hành hướng dẫn về kiểm toán AI, nhấn mạnh việc đánh giá tính minh bạch, độ chính xác và an toàn của các mô hình AI trong doanh nghiệp (Transforming internal audits through the power of AI) (Transforming internal audits through the power of AI). Kiểm toán nội bộ ngân hàng sẽ cần làm quen với những chuẩn mực này.

Tựu trung, AI đem lại khả năng “siêu kiểm toán” – kiểm tra được nhiều hơn, nhanh hơn và chi tiết hơn – cho đội ngũ kiểm toán nội bộ. Nhân sự kiểm toán sẽ bớt làm những việc tỉ mỉ (lấy mẫu, so sánh thủ công), thay vào đó tập trung vào đánh giá tổng thể, điều tra sâu các điểm bất thường và tư vấn cải thiện kiểm soát. Số lượng kiểm toán viên nội bộ có thể không cần tăng, thậm chí một ngân hàng có thể kiểm toán hiệu quả với đội ngũ nhỏ hơn nhờ công nghệ hỗ trợ. Tuy nhiên, yêu cầu về năng lực công nghệ của mỗi kiểm toán viên chắc chắn tăng. Họ cần kiến thức về phân tích dữ liệu, hiểu được báo cáo do AI tạo ra, và cộng tác chặt chẽ với bộ phận công nghệ thông tin.

Trong bối cảnh đó, nhiều ngân hàng Việt Nam đã bắt đầu chú ý trang bị công nghệ cho kiểm toán nội bộ. Ủy ban Kiểm toán nội bộ các ngân hàng lớn (như Vietcombank, BIDV) đang nghiên cứu áp dụng các công cụ phân tích dữ liệu vào quy trình kiểm toán. Một số khóa đào tạo cho kiểm toán viên nội bộ về kỹ năng phân tích dữ liệu bằng Python, SQL đã được tổ chức bởi Hiệp hội kiểm toán nội bộ Việt Nam (IIA Vietnam) để chuẩn bị cho làn sóng mới.

Có thể nói, kiểm toán nội bộ sẽ không bị AI làm cho lỗi thời; trái lại, nó trở nên quan trọng hơn để đảm bảo ngân hàng vận hành an toàn trong môi trường công nghệ cao. Kiểm toán viên nội bộ cần chủ động nắm bắt công nghệ, tận dụng AI để “nhìn xa hơn, thấy rộng hơn” trong tổ chức, từ đó nâng cao vai trò đối tác tin cậy cho ban lãnh đạo. AI sẽ là “bạn đồng nghiệp mới” của kiểm toán viên, giúp họ bao quát được khối lượng công việc khổng lồ, để dồn năng lượng vào những phát hiện kiểm toán giá trị.

Quản lý danh mục đầu tư (Portfolio Manager)

Quản lý danh mục đầu tư (bao gồm nhà quản lý quỹ, chuyên gia quản lý tài sản, hoặc bộ phận quản lý danh mục đầu tư của ngân hàng) cũng đang chịu sự cạnh tranh và hỗ trợ từ AI. Vai trò chính của họ là xây dựng và điều chỉnh danh mục các khoản đầu tư (cổ phiếu, trái phiếu, tài sản khác) nhằm tối ưu hóa lợi nhuận cho ngân hàng hoặc khách hàng, đồng thời kiểm soát rủi ro. Trong thập kỷ qua, sự trỗi dậy của giao dịch thuật toán và robo-advisor đã tác động mạnh tới lĩnh vực này.

Một minh chứng là sự phát triển của robo-advisor – các nền tảng đầu tư tự động dành cho khách hàng cá nhân. Các robo-advisor sử dụng thuật toán (có thể có AI hoặc chỉ quy tắc định trước) để phân bổ tài sản dựa trên hồ sơ rủi ro khách hàng và tái cân bằng danh mục định kỳ. Như đã đề cập, tài sản do robo-advisor quản lý toàn cầu đã đạt 870 tỷ USD năm 2022 và hướng tới 1,4 nghìn tỷ USD năm 2024 (Customer Trust and Satisfaction with Robo-Adviser Technology | Financial Planning Association). Con số này dù chưa lớn so với tổng tài sản ngành quản lý quỹ nhưng tốc độ tăng rất nhanh, cho thấy nhiều nhà đầu tư cá nhân – đặc biệt là người trẻ – sẵn sàng giao tiền cho thuật toán đầu tư thay vì một quản lý quỹ con người. Nếu robo-advisor tiếp tục hoàn thiện (ví dụ dùng AI tạo sinh để tương tác, giải thích chiến lược với khách hàng cá nhân như một cố vấn thực thụ) thì phân khúc tư vấn đầu tư cơ bản cho khách hàng đại chúng có thể hoàn toàn do máy móc đảm nhiệm. Điều này thách thức các công ty quản lý quỹ truyền thống, buộc họ hoặc phải phát triển dịch vụ tương tự, hoặc tập trung vào phân khúc cao cấp hơn.

Không chỉ ở mảng dịch vụ tư vấn, ngay trong hoạt động đầu tư chuyên nghiệp, giao dịch thuật toán và AI đã chiếm ưu thế. Như đã nêu, 60-75% khối lượng giao dịch chứng khoán tại Mỹ và châu Âu là do máy tính thực hiện (What Percentage Of Trading Is Algorithmic? (Algo Trading Volume …). Nhiều quỹ đầu cơ và quỹ đầu tư sử dụng AI để tìm kiếm cơ hội giao dịch với tốc độ cao (HFT – giao dịch tần suất cao) hoặc để quản lý danh mục tối ưu. Các ngân hàng đầu tư cũng dùng AI để tối ưu hóa chiến lược giao dịch và quản trị rủi ro danh mục (ví dụ Morgan Stanley dùng AI để kiểm soát rủi ro danh mục khách hàng, Deutsche Bank phát triển AI dự đoán biến động thị trường để hỗ trợ quyết định giao dịch) (Xu hướng ứng dụng trí tuệ nhân tạo trong sự phát triển của ngành Ngân hàng). Do vậy, người quản lý danh mục ngày nay không thể thiếu sự hỗ trợ của công nghệ. Họ thường có trong tay các mô hình AI dự báo thị trường, hệ thống cảnh báo rủi ro theo thời gian thực, và thậm chí các trợ lý ảo giúp thử nghiệm nhanh các kịch bản đầu tư (ví dụ “điều gì xảy ra với danh mục nếu Fed tăng lãi suất thêm 1%?”).

Công việc của quản lý danh mục nhờ AI mà có thể bao quát rộng hơn. Một quản lý quỹ có thể theo dõi hàng trăm mã cổ phiếu cùng lúc nhờ bảng dashboard AI cung cấp, trong khi trước đây phải dựa vào đội ngũ phân tích hỗ trợ. AI cũng giúp họ loại bỏ yếu tố cảm xúc trong đầu tư – một trong những nguyên nhân thường dẫn đến sai lầm. Thuật toán tuân thủ kỷ luật đề ra (ví dụ cắt lỗ khi chạm ngưỡng, chốt lời định kỳ) không bị dao động tâm lý như con người.

Tuy nhiên, tương tự các vị trí khác, AI cũng thay đổi vai trò của người quản lý danh mục. Với những chiến lược đầu tư đơn giản, thụ động (passive strategies) như đầu tư chỉ số, quỹ ETF mô phỏng thị trường, rõ ràng máy móc làm tốt hơn con người về chi phí và hiệu quả. Minh chứng là dòng vốn khổng lồ đã chuyển từ quỹ chủ động sang quỹ thụ động trong 10 năm qua. Các quản lý danh mục chủ động muốn tồn tại phải tạo ra giá trị gia tăng vượt bậc so với mô hình tự động – điều này rất khó (thống kê cho thấy phần lớn quỹ chủ động không đánh bại nổi chỉ số thị trường trong dài hạn). Do đó, có quan điểm cho rằng AI sẽ làm giảm nhu cầu đối với các quản lý danh mục trung bình, chỉ còn lại những ngôi sao xuất sắc hoặc những người chuyên các thị trường ngách, đồng thời gia tăng nhu cầu với các chuyên gia lập trình thuật toán đầu tư (quant).

Tại Việt Nam, quản lý danh mục đầu tư là lĩnh vực mới phát triển, nhưng cũng chịu ảnh hưởng của xu hướng chung. Các công ty quản lý quỹ nội địa hiện chưa sử dụng rộng rãi AI để tự động hóa quyết định, nhưng đã bắt đầu ứng dụng phần mềm thuật toán để hỗ trợ vận hành quỹ (như hệ thống quản lý lệnh, kiểm soát giới hạn đầu tư…). Một vài công ty fintech trong nước đang thử nghiệm mô hình đầu tư tự động cho nhà đầu tư cá nhân (VD: Finhay, Tikop), tuy quy mô nhỏ nhưng cũng tạo áp lực cạnh tranh đến các dịch vụ đầu tư truyền thống.

Đối với quản lý danh mục của ngân hàng (như quản lý danh mục cho vay, danh mục đầu tư tự doanh của ngân hàng), AI cũng đóng vai trò hỗ trợ ra quyết định điều chỉnh cấu trúc tài sản. Ví dụ, AI có thể gợi ý ngân hàng nên tăng tỷ trọng cho vay ở lĩnh vực nào dựa trên dự báo vĩ mô, hay nên bán bớt trái phiếu nào có rủi ro để giảm thiểu tổn thất kỳ vọng trong kịch bản xấu. Những quyết định trước đây dựa nhiều vào đánh giá chủ quan của lãnh đạo nay có thêm cơ sở định lượng từ AI.

Tựu trung, quản lý danh mục đầu tư trong thời đại AI cần có sự thay đổi trong cách thức làm việc. AI sẽ đảm nhiệm tốt các phần việc như phân tích dữ liệu thị trường, tái cân bằng định kỳ, phát hiện cơ hội chênh lệch giá nhỏ – những việc đòi hỏi tốc độ và khối lượng tính toán lớn. Người quản lý danh mục sẽ tập trung vào chiến lược tổng thể, quản trị rủi ro khung và tương tác khách hàng (đối với quản lý tài sản cá nhân). Sẽ vẫn cần những quyết định mang tính con người như chọn triết lý đầu tư, thích nghi khi thị trường biến động bất ngờ (AI có thể thất bại trong các sự kiện “thiên nga đen” nếu chưa từng có dữ liệu tương tự). Đồng thời, các quản lý danh mục cần hiểu biết công nghệ để hợp tác hiệu quả với đội ngũ kỹ sư tài chính (quants) phát triển mô hình AI. Nhiều công ty tài chính lớn hiện nay tạo thành các nhóm đa chức năng gồm quản lý danh mục, chuyên gia phân tích và kỹ sư AI làm việc cùng nhau để thiết kế chiến lược đầu tư tối ưu.

Nhìn xa hơn, có thể hình dung sự phân hóa trong nghề quản lý danh mục: phân khúc tài sản phổ thông sẽ do nền tảng tự động (AI) đảm nhiệm phần lớn – ví dụ nhà đầu tư nhỏ lẻ dùng app robo-advisor thay vì thuê chuyên gia. Phân khúc cao cấp (nhà đầu tư tổ chức, khách hàng giàu có) vẫn cần các chuyên gia con người giàu kinh nghiệm, nhưng họ cũng sẽ dựa nhiều vào AI để ra quyết định tốt hơn. Thay vì bị thay thế, những quản lý danh mục biết tận dụng AI sẽ nâng tầm năng lực của mình, phục vụ khách hàng tốt hơn với chi phí thấp hơn.

Các vị trí khác bị ảnh hưởng bởi AI

Bên cạnh những vị trí nêu trên, AI còn tác động đến nhiều công việc khác trong ngân hàng. Một số ví dụ tiêu biểu:

• Nhân viên vận hành/back-office: Các công việc vận hành như xử lý thanh toán, chuyển tiền liên ngân hàng, đối soát giao dịch, nhập liệu… vốn sử dụng nhiều nhân lực nay được tự động hóa bằng RPA và AI. Báo cáo từ Tạp chí Ngân hàng cho thấy việc triển khai RPA tại ngân hàng BNY Mellon đã giúp giảm 40% thời gian xử lý trung bình, loại bỏ lỗi do con người và cho độ chính xác gần như 100% (Xu hướng ứng dụng trí tuệ nhân tạo trong sự phát triển của ngành Ngân hàng) (Xu hướng ứng dụng trí tuệ nhân tạo trong sự phát triển của ngành Ngân hàng). Khi những quy trình hậu cần, kế toán được tự động hóa, nhu cầu nhân sự thủ công sẽ giảm tương ứng. Tuy nhiên, nhân viên vận hành có thể được bố trí vào vai trò giám sát quy trình tự động và xử lý ngoại lệ.
  
• Nhân viên phòng tuân thủ & pháp lý: AI hỗ trợ mạnh trong việc quét quy định, kiểm tra tuân thủ (như đối chiếu giao dịch với danh sách cấm vận, phát hiện giao dịch đáng ngờ rửa tiền). Do đó, nhân sự tuân thủ bớt việc kiểm tra thủ công, thay vào đó tập trung điều tra các trường hợp nghi vấn do AI phát hiện. AI cũng giúp soạn thảo báo cáo tuân thủ nhanh chóng hơn. Tuy vậy, nhân sự tuân thủ phải học cách giám sát AI để đảm bảo không bỏ sót hoặc sai lệch (ví dụ đảm bảo AI không phân biệt đối xử).
  
• Nhân viên công nghệ thông tin (IT): Sự lan tỏa của AI trong ngân hàng làm tăng nhu cầu nhân lực IT chuyên sâu, đặc biệt là các vị trí như kỹ sư dữ liệu, chuyên gia AI, chuyên viên phân tích dữ liệu lớn. Như số liệu đã nêu, BIDV tăng nhân sự IT lên gấp 10 lần trong 4 năm (AI’s role in banking sector – Vietnam Economic Times | VnEconomy). Các ngân hàng khác cũng đang tuyển dụng mạnh các tài năng về khoa học dữ liệu, học máy. Đồng thời, bản thân công việc IT cũng ứng dụng AI: nhiều tác vụ như giám sát an ninh mạng, hỗ trợ kỹ thuật, phát hiện sự cố hệ thống được AI thực hiện bước đầu. Nhân viên IT phải nâng cao kỹ năng để làm chủ các công cụ AI DevOps, AI giám sát hệ thống.
  
• Nhân viên kinh doanh, marketing: AI hỗ trợ phân tích dữ liệu khách hàng, phân khúc thị trường và thói quen tiêu dùng, giúp nhân viên marketing thiết kế chiến dịch hiệu quả hơn. Một số ngân hàng dùng AI tạo nội dung quảng cáo cá nhân hóa cho từng khách hàng (ví dụ tạo email, tin nhắn phù hợp). Nhân viên kinh doanh ngân hàng có thể dựa vào gợi ý AI để đề xuất sản phẩm “may đo” cho khách hàng, tăng khả năng bán chéo. Tuy nhiên, yếu tố con người trong xây dựng quan hệ vẫn rất quan trọng, đặc biệt ở thị trường như Việt Nam. AI sẽ thay thế một phần nhiệm vụ phân tích số liệu của nhân viên marketing, còn họ tập trung vào chiến lược sáng tạo và giao tiếp thương hiệu.
  
• Lãnh đạo và quản lý trung gian: AI cung cấp công cụ hỗ trợ ra quyết định cho các cấp quản lý (quản lý chi nhánh, trưởng phòng…). Họ có dashboard thông minh để theo dõi hiệu suất kinh doanh, rủi ro, từ đó ra quyết định nhanh và chính xác hơn. Tuy AI không thay thế vai trò lãnh đạo, nhưng những người quản lý cũng phải thay đổi phong cách làm việc – dựa nhiều hơn vào dữ liệu và phân tích do AI cung cấp thay vì chỉ kinh nghiệm cá nhân. Một số quyết định định tính (như đánh giá nhân sự) cũng có thể được AI hỗ trợ (qua phân tích KPI, phản hồi khách hàng…). Do đó, các nhà quản lý cần có tư duy cởi mở với công nghệ để tận dụng AI tối đa trong công tác điều hành.
  
• Vị trí mới xuất hiện: AI không chỉ làm mất đi một số vai trò cũ mà còn tạo ra các công việc mới. Trong ngân hàng đã thấy xuất hiện các chức danh mới như “Chuyên gia phân tích dữ liệu khách hàng”, “Quản lý sản phẩm AI”, “Chuyên viên quản trị rủi ro AI”, “Kiến trúc sư giải pháp AI”… Đây là những công việc mà trước đây chưa hề có, nay sinh ra để đáp ứng nhu cầu triển khai và quản lý AI trong tổ chức. Ví dụ, Citi dự báo dù AI có thể làm biến mất một số vai trò, nhưng các ngân hàng sẽ cần tuyển hàng loạt quản lý AI và chuyên viên kiểm soát AI để đảm bảo triển khai công nghệ an toàn, tuân thủ quy định (The AI jobs threat is biggest for banking, says Citi – Investment News). Điều này hàm ý rằng tổng thể thị trường lao động ngân hàng có thể không suy giảm về số lượng việc làm, nhưng cơ cấu kỹ năng thay đổi: giảm nhân sự làm công việc giản đơn, tăng nhân sự làm công việc sáng tạo, phức tạp liên quan đến AI.
  

Tóm lại, mọi vị trí trong ngân hàng ở một mức độ nào đó đều chịu ảnh hưởng của AI. Những công việc mang tính quy trình, lặp đi lặp lại có nguy cơ cao bị tự động hóa; những công việc đòi hỏi tư duy cao, sáng tạo hoặc tương tác con người thì AI đóng vai trò hỗ trợ nâng cao hiệu suất. Sự dịch chuyển này đòi hỏi một cuộc tái đào tạo lớn đối với lực lượng lao động ngành tài chính – ngân hàng, cũng như sự thay đổi trong cách tuyển dụng và quản trị nhân sự của các ngân hàng. Phần tiếp theo của báo cáo sẽ tập trung đề xuất định hướng đào tạo trong các trường đại học và học viện tài chính – ngân hàng, nhằm giúp sinh viên – nguồn nhân lực tương lai – sẵn sàng cho những thay đổi này.

Định hướng giảng dạy trong kỷ nguyên AI của khoa Tài chính – Ngân hàng

Trước tác động sâu rộng của AI đến ngành tài chính – ngân hàng, các cơ sở đào tạo nguồn nhân lực (đặc biệt là các khoa Tài chính – Ngân hàng tại các trường đại học) cần nhanh chóng điều chỉnh chiến lược giảng dạy để sinh viên tốt nghiệp có thể thích nghi và cạnh tranh trong môi trường mới. Dưới đây là một số định hướng quan trọng về nội dung đào tạo, kỹ năng, phương pháp giảng dạy và chiến lược phát triển năng lực cho sinh viên ngành Tài chính – Ngân hàng trong thời đại AI.

Cập nhật và điều chỉnh nội dung giảng dạy

Chương trình đào tạo ngành tài chính – ngân hàng cần được cập nhật để phản ánh những xu hướng công nghệ mới. Cụ thể:

• Tích hợp kiến thức Fintech và AI vào chương trình: Sinh viên tài chính – ngân hàng không chỉ học các môn truyền thống (Tài chính doanh nghiệp, Ngân hàng thương mại, Thị trường tài chính…) mà cần được học về Công nghệ tài chính (Fintech), bao gồm thanh toán số, blockchain, dữ liệu lớn, và đặc biệt là ứng dụng AI trong tài chính. Nhiều trường đại học hàng đầu đã tiên phong hướng này. Ví dụ, Đại học Ngân hàng TP.HCM đã thiết kế lại chương trình chất lượng cao định hướng Fintech, cho phép sinh viên học các học phần về công nghệ thông tin, trí tuệ nhân tạo, khoa học dữ liệu và ứng dụng của CMCN 4.0 trong tài chính – ngân hàng (NGÀNH TÀI CHÍNH NGÂN HÀNG CHƯƠNG TRÌNH CHẤT LƯỢNG CAO VỚI ĐỊNH HƯỚNG FINTECH). Các môn học tiêu biểu như Lập trình Python cho phân tích dữ liệu, Học máy (Machine Learning), Blockchain, Giao dịch định lượng, Thanh toán điện tử, Khoa học dữ liệu trong tài chính đã được đưa vào chương trình (NGÀNH TÀI CHÍNH NGÂN HÀNG CHƯƠNG TRÌNH CHẤT LƯỢNG CAO VỚI ĐỊNH HƯỚNG FINTECH). Đây là mô hình cần nhân rộng.
  
• Cập nhật nội dung môn học hiện có: Các môn truyền thống cần bổ sung phần về AI. Ví dụ, môn Quản trị rủi ro ngân hàng nên thêm nội dung về mô hình AI chấm điểm tín dụng, quản trị rủi ro mô hình; môn Kiểm toán nội bộ cần đề cập kiểm toán với dữ liệu toàn diện, kiểm toán hệ thống thông tin; môn Marketing ngân hàng nên có phần về marketing số, phân tích dữ liệu khách hàng bằng AI. Sự lồng ghép này giúp sinh viên thấy rõ AI đang thay đổi từng lĩnh vực nghiệp vụ ra sao.
  
• Đưa case study thực tế về AI trong tài chính: Chương trình nên bổ sung các tình huống nghiên cứu (case study) về việc ngân hàng sử dụng AI. Chẳng hạn, tình huống Citi triển khai chatbot tiết kiệm chi phí 11%, hay TPBank tự động hóa 80% thu hồi nợ BNPL (TPBank accelerates growth through digital banking, AI and social banking initiatives), hoặc Goldman Sachs dùng AI để phân tích báo cáo tài chính. Những case này nếu được thảo luận trong lớp sẽ giúp sinh viên hiểu ứng dụng AI cụ thể, kèm theo lợi ích và thách thức.
  
• Cập nhật từ các tổ chức quốc tế: Thường xuyên tham khảo khuyến nghị từ IMF, World Bank về phát triển nguồn nhân lực trong kỷ nguyên số. Ví dụ, IMF nhấn mạnh vai trò của kỹ năng kỹ thuật số và khả năng thích ứng trong tương lai việc làm (Gen-AI: Artificial Intelligence and the Future of Work). Các báo cáo của World Bank về “Future of Jobs” cũng gợi ý những kỹ năng mà hệ thống giáo dục nên trang bị. Đưa những thông tin này vào chương trình định hướng nghề nghiệp cho sinh viên.
  

Tóm lại, nội dung đào tạo phải mang tính liên ngành hơn: kết hợp tài chính với công nghệ, dữ liệu, nhằm tạo nên những cử nhân tài chính – ngân hàng hiểu biết về AI và sẵn sàng làm việc trong môi trường số.

Bổ sung các kỹ năng công nghệ và phân tích

Bên cạnh kiến thức, kỹ năng là yếu tố then chốt để sinh viên cạnh tranh trong thời đại AI. Khoa Tài chính – Ngân hàng cần đảm bảo sinh viên được rèn luyện các kỹ năng công nghệ và phân tích quan trọng sau:

• Kỹ năng dữ liệu và AI cơ bản: Mọi sinh viên tài chính nên có “data literacy” – hiểu biết cơ bản về dữ liệu và cách AI hoạt động. Cần trang bị kỹ năng thu thập, làm sạch, phân tích dữ liệu tài chính sử dụng các công cụ như Excel nâng cao, SQL, và đặc biệt là ngôn ngữ lập trình Python hoặc R cho phân tích dữ liệu. Biết sử dụng các thư viện phân tích (Pandas, NumPy) và cơ bản về mô hình dự báo (hồi quy, decision tree) sẽ là lợi thế lớn khi ra trường. Nhiều chương trình tiên tiến đã đưa Python và khoa học dữ liệu vào giảng dạy bắt buộc (NGÀNH TÀI CHÍNH NGÂN HÀNG CHƯƠNG TRÌNH CHẤT LƯỢNG CAO VỚI ĐỊNH HƯỚNG FINTECH). Kỹ năng này giúp sinh viên có thể cộng tác với bộ phận dữ liệu hoặc tự động hóa một phần công việc sau này.
  
• Hiểu biết về Machine Learning và ứng dụng trong tài chính: Sinh viên không nhất thiết thành chuyên gia AI, nhưng nên hiểu các khái niệm như machine learning, deep learning là gì, hoạt động ra sao ở mức cơ bản. Quan trọng hơn, biết được những ứng dụng ML trong tài chính: như mô hình phân loại rủi ro, mô hình dự báo giá, NLP trong xử lý văn bản tài chính, v.v. Khóa học cơ bản về AI trong tài chính hoặc Phân tích kinh doanh bằng dữ liệu nên được cung cấp. Theo một nghiên cứu, 42% hoạt động tài chính có thể tự động hóa bằng công nghệ hiện tại (Finance Transformation with Automation – Vigilant Technologies), nên nếu không hiểu về công nghệ, sinh viên sẽ tụt hậu.
  
• Kỹ năng sử dụng công cụ AI phổ biến: Hiện nay có nhiều công cụ AI sẵn có (như ChatGPT, Power BI với AI visuals, các nền tảng phân tích dữ liệu đám mây) mà sinh viên có thể tận dụng. Nên hướng dẫn sinh viên cách dùng các công cụ này trong học tập và giải quyết vấn đề tài chính. Ví dụ, dùng ChatGPT để hỗ trợ nghiên cứu văn bản luật, dùng Power BI để trực quan hóa dữ liệu ngân hàng và phát hiện xu hướng. Kỹ năng sử dụng thành thạo công cụ sẽ khiến sinh viên làm việc hiệu quả hơn ngay khi đi làm.
  
• Kỹ năng an ninh mạng và quản trị dữ liệu: Vì làm trong lĩnh vực nhạy cảm, sinh viên cần nhận thức về bảo mật thông tin. Đưa vào các chuyên đề ngắn về an toàn dữ liệu tài chính, các quy định như luật An ninh mạng, nguyên tắc bảo vệ dữ liệu khách hàng. Đồng thời, đạo đức nghề nghiệp khi sử dụng AI (tránh lạm dụng, đảm bảo công bằng) cũng cần được nhấn mạnh.
  
• Kỹ năng mềm không thể thiếu: Dù công nghệ quan trọng, sinh viên vẫn cần các kỹ năng con người mà AI khó thay thế: tư duy phản biện, giải quyết vấn đề phức tạp, giao tiếp và thuyết trình, làm việc nhóm đa ngành. Đặc biệt, trong kỷ nguyên AI, khả năng đặt câu hỏi đúng, tư duy sáng tạo để khai thác AI hiệu quả là cực kỳ quý. Chương trình đào tạo nên tiếp tục rèn luyện các kỹ năng này thông qua bài tập tình huống, thảo luận, đồ án…
  

Theo báo cáo “Skills Shift” của McKinsey, đến năm 2030, nhu cầu với kỹ năng công nghệ cao và kỹ năng nhận thức bậc cao sẽ tăng mạnh, trong khi kỹ năng lặp lại, thủ công sẽ giảm (Generative AI and the future of work in America | McKinsey). Vì vậy, khoa tài chính – ngân hàng phải đi trước đón đầu trang bị cho sinh viên những kỹ năng mà thị trường cần.

Phương pháp giảng dạy phù hợp

Bên cạnh nội dung, phương pháp giảng dạy cũng cần đổi mới để phù hợp với thời đại AI và phát huy tối đa hiệu quả học tập:

• Học qua dự án và thực hành thực tế: Giảm bớt lối dạy lý thuyết một chiều, tăng cường các dự án thực tế để sinh viên áp dụng kiến thức và rèn kỹ năng. Ví dụ, môn Phân tích tài chính có thể giao dự án xây dựng mô hình dự báo lợi nhuận cho một doanh nghiệp bằng Excel/Python; môn Quản trị ngân hàng có thể yêu cầu sinh viên thiết kế mô hình chấm điểm tín dụng đơn giản với dữ liệu mẫu. Thông qua dự án, sinh viên vừa hiểu sâu kiến thức, vừa học kỹ năng công nghệ và làm việc nhóm.
  
• Mời chuyên gia và giảng viên doanh nghiệp: Kết nối với các diễn giả khách mời từ ngân hàng, fintech để chia sẻ về xu hướng AI mới nhất. Như trường Đại học Tài chính – Marketing đã mời bà Chu Hồng Hạnh (Giám đốc Sáng tạo ACB) nói chuyện về ngân hàng số và AI ( BÁO CÁO CHUYÊN ĐỀ “ỨNG DỤNG BIG DATA VÀ AI TRONG NGÂN HÀNG SỐ” ), giúp sinh viên có cái nhìn thực tế về vận hành ngân hàng thời AI. Những buổi trao đổi như vậy rất quý giá, cần tổ chức thường xuyên dưới dạng hội thảo chuyên đề, cập nhật liên tục kiến thức ngoài sách vở.
  
• Phương pháp học tập tương tác, linh hoạt: Sử dụng các công cụ e-learning, mô phỏng để tăng tính tương tác. Chẳng hạn, dùng mô phỏng giao dịch chứng khoán để sinh viên tập quản lý danh mục, dùng phần mềm mô phỏng cho vay để hiểu quy trình tín dụng. Có thể áp dụng mô hình lớp học đảo ngược: sinh viên tự học lý thuyết qua video, tài liệu (thậm chí dùng chatbot AI để giải đáp thắc mắc cơ bản), lên lớp chủ yếu thảo luận, làm bài tập tình huống với giảng viên. Cách này tận dụng tốt AI như một trợ giảng ngoài giờ, và nâng cao tư duy chủ động của sinh viên.
  
• Đánh giá đa dạng, tập trung vào kỹ năng: Thay vì chỉ thi viết lý thuyết, nên có các hình thức đánh giá như bài tập nhóm, bài thuyết trình, báo cáo phân tích dữ liệu, dự án cuối kỳ. Điều này khuyến khích sinh viên vận dụng kiến thức tổng hợp và thể hiện kỹ năng. Ví dụ, môn Phân tích đầu tư có thể yêu cầu sinh viên làm report phân tích một cổ phiếu, sử dụng cả phương pháp phân tích cơ bản lẫn dữ liệu kỹ thuật (có thể dùng một mô hình AI đơn giản để dự đoán giá, rồi đánh giá kết quả).
  
• Khuyến khích tự học và học suốt đời: Trong ngành thay đổi nhanh, phương pháp quan trọng là rèn cho sinh viên thói quen tự học. Giảng viên có thể giao các chủ đề để sinh viên tự nghiên cứu (dưới hướng dẫn), tìm hiểu những công nghệ mới và trình bày với lớp. Đồng thời, nhà trường nên giới thiệu các nguồn học online uy tín (Coursera, edX, sách chuyên ngành) để sinh viên tiếp tục học sau khi ra trường. Nhấn mạnh rằng ra trường không phải kết thúc việc học, mà chỉ là bắt đầu áp dụng và học thêm trong thực tiễn – đặc biệt về công nghệ luôn phải cập nhật.
  

Với những phương pháp linh hoạt và thực tiễn, sinh viên sẽ hứng thú hơn và lĩnh hội kỹ năng tốt hơn, so với cách dạy truyền thống. Quan trọng là tạo ra môi trường mà sinh viên được “học bằng làm”, được sai và sửa dưới sự hướng dẫn, từ đó tự tin khi bước vào thế giới công việc thực sự.

Chiến lược phát triển năng lực và nâng cao cạnh tranh cho sinh viên

Ngoài chương trình chính khóa, khoa Tài chính – Ngân hàng nên có những chiến lược hỗ trợ sinh viên phát triển toàn diện và nâng cao năng lực cạnh tranh trong tuyển dụng thời AI:

• Phát triển các chương trình chứng chỉ, khóa học ngắn hạn: Phối hợp với các tổ chức nghề nghiệp hoặc công ty công nghệ để cung cấp các chứng chỉ bổ trợ cho sinh viên. Ví dụ, chứng chỉ về Phân tích dữ liệu tài chính, chứng chỉ về Fintech, hoặc các chứng chỉ quốc tế như CFA, FRM tích hợp nội dung công nghệ mới. Đặc biệt, có thể tổ chức các bootcamp về Python/SQL cho sinh viên tài chính, mời chuyên gia hướng dẫn thực hành cường độ cao. Khi tốt nghiệp, ngoài bằng đại học, sinh viên có thêm 1-2 chứng chỉ kỹ năng sẽ rất có giá trị trước nhà tuyển dụng.
  
• Khuyến khích tham gia cuộc thi và hoạt động ngoại khóa về công nghệ tài chính: Tổ chức hoặc hướng dẫn sinh viên tham gia các cuộc thi học thuật như “Thử thách phân tích dữ liệu”, “Hackathon Fintech”, các sân chơi như CFA Research Challenge (có thể thêm nội dung AI). Thông qua đó, sinh viên vừa học hỏi vừa kết nối với chuyên gia ngành. Những thành tích này cũng làm đẹp CV, thể hiện sự năng động và hiểu biết công nghệ của sinh viên.
  
• Chương trình thực tập, hợp tác doanh nghiệp: Tăng cường liên kết với doanh nghiệp để sinh viên có cơ hội thực tập trong môi trường số hóa. Chẳng hạn, gửi sinh viên đến thực tập tại các ngân hàng có dự án AI, các công ty fintech, công ty kiểm toán lớn (Big4) để trải nghiệm công cụ phân tích dữ liệu thực tế. Thời gian thực tập có thể linh hoạt (6 tháng cuối khóa học) để sinh viên thật sự hòa mình vào công việc. Nhiều ngân hàng sẵn sàng nhận thực tập nếu trường hợp tác chính thức. Qua thực tập, sinh viên sẽ hiểu rõ yêu cầu công việc hiện đại và tự định hướng phát triển bản thân.
  
• Định hướng chuyên sâu theo mảng: Trong năm cuối, có thể hỗ trợ sinh viên lựa chọn định hướng chuyên môn phù hợp với năng lực và xu hướng AI. Ví dụ: định hướng thành chuyên viên phân tích dữ liệu ngân hàng, hay chuyên viên quản trị rủi ro hiện đại, hay nhà phân tích đầu tư ứng dụng AI… Mỗi định hướng có thể gợi ý sinh viên học một số môn tự chọn, kỹ năng tương ứng và cố vấn đề tài tốt nghiệp phù hợp. Sự định hướng này giúp sinh viên có lộ trình rõ ràng, phát huy thế mạnh và đam mê, tránh học lan man.
  
• Nâng cao năng lực ngoại ngữ và tư duy toàn cầu: Thời đại AI và hội nhập, sinh viên phải giỏi ngoại ngữ (đặc biệt là tiếng Anh) để tiếp cận kho tri thức mới và làm việc với chuyên gia quốc tế. Khoa nên tạo điều kiện tối đa (câu lạc bộ tiếng Anh chuyên ngành, mời giảng viên nước ngoài, khuyến khích sinh viên đọc tài liệu tiếng Anh…). Tư duy toàn cầu cũng quan trọng: hiểu biết thị trường tài chính thế giới, so sánh Việt Nam với quốc tế, để có tầm nhìn rộng. Những điều này giúp sinh viên nổi bật trong mắt nhà tuyển dụng đa quốc gia hoặc các tổ chức lớn.
  
• Hỗ trợ khởi nghiệp và sáng tạo: AI mở ra nhiều cơ hội kinh doanh mới (fintech, phân tích dữ liệu…). Khoa có thể phối hợp với vườn ươm khởi nghiệp của trường để hỗ trợ sinh viên tài chính có ý tưởng khởi nghiệp áp dụng AI. Qua đó, khuyến khích tinh thần sáng tạo, dám nghĩ dám làm – là phẩm chất rất được đề cao hiện nay.
  

Mục tiêu cuối cùng của các chiến lược trên là giúp sinh viên tốt nghiệp với hồ sơ năng lực vượt trội: vững kiến thức tài chính nền tảng, thông thạo kỹ năng công nghệ cốt lõi, có kinh nghiệm thực hành, tư duy linh hoạt và thái độ học hỏi không ngừng. Với hành trang đó, sinh viên sẽ tự tin bước vào thị trường lao động, nơi AI không phải là mối đe dọa mà là công cụ để họ tỏa sáng. Đồng thời, họ cũng sẵn sàng thích nghi với những thay đổi liên tục trong tương lai sự nghiệp – yếu tố quan trọng nhất trong một thế giới VUCA (biến động, không chắc chắn, phức tạp, mơ hồ).

Kết luận

Cuộc cách mạng AI đang định hình lại ngành tài chính – ngân hàng trên quy mô toàn cầu và tại Việt Nam, đem đến những cơ hội lớn đi kèm thách thức không nhỏ. Báo cáo đã phân tích thực trạng ứng dụng AI hiện nay, cho thấy các ngân hàng tiên phong sử dụng AI để nâng cao hiệu quả, cá nhân hóa dịch vụ và cắt giảm chi phí. Số liệu từ Citi, Accenture, McKinsey… cho thấy tiềm năng tự động hóa của AI trong ngân hàng là rất cao – lên đến 60-70% tác vụ có thể được tự động hoặc hỗ trợ bởi AI (The AI jobs threat is biggest for banking, says Citi – Investment News) (Banking in the Age of Generative AI | Accenture). Tại Việt Nam, quá trình chuyển đổi số ngành ngân hàng diễn ra mạnh mẽ với 98% giao dịch qua kênh số (November 1, 2024 – OpenGov Asia), các ngân hàng đã thu được kết quả tích cực nhờ ứng dụng AI (như TPBank giảm 25% tiền mặt dự trữ (AI’s role in banking sector – Vietnam Economic Times | VnEconomy), tự động hóa 80% thu hồi nợ (TPBank accelerates growth through digital banking, AI and social banking initiatives)).

Tác động của AI đến cơ cấu lao động ngân hàng mang tính cấu trúc: những công việc lặp lại, mang tính giao dịch thuần túy (giao dịch viên, hỗ trợ khách hàng cơ bản, nhập liệu, kiểm tra chứng từ…) sẽ dần thu hẹp, trong khi nhu cầu tăng lên đối với các vai trò sáng tạo, phân tích cao (phân tích dữ liệu, quản lý rủi ro nâng cao, phát triển sản phẩm AI, tư vấn tài chính cá nhân hóa…). Một số vị trí truyền thống sẽ chuyển hóa sang hình thức mới thay vì mất đi – như giao dịch viên thành “đại sứ số”, chuyên viên tín dụng thành người vận hành mô hình cho vay AI, nhân viên chăm sóc khách hàng thành chuyên viên giải quyết tình huống đặc biệt. Đồng thời, nhiều vị trí mới xuất hiện cho phép ngân hàng khai thác tối đa sức mạnh AI. Các dẫn chứng cho thấy ngân hàng sẽ vẫn cần nhân sự, thậm chí nhiều hơn ở mảng công nghệ và quản lý AI (The AI jobs threat is biggest for banking, says Citi – Investment News). Vấn đề cốt lõi là con người phải nâng cấp kỹ năng để làm chủ công nghệ thay vì bị thay thế.

Đối với các đơn vị đào tạo tài chính – ngân hàng, đây vừa là thách thức, vừa là cơ hội để đổi mới chương trình, khẳng định vai trò cung ứng nhân lực chất lượng cao. Những định hướng giảng dạy đề xuất trong báo cáo nhấn mạnh việc tích hợp kiến thức liên ngành, đào tạo kỹ năng công nghệ, tư duy dữ liệu cho sinh viên; đồng thời đổi mới phương pháp theo hướng thực tiễn, linh hoạt và cá nhân hóa lộ trình học tập. Thực tế, một số trường đại học tại Việt Nam đã có bước đi tiên phong (chương trình Fintech của ĐH Ngân hàng TP.HCM (NGÀNH TÀI CHÍNH NGÂN HÀNG CHƯƠNG TRÌNH CHẤT LƯỢNG CAO VỚI ĐỊNH HƯỚNG FINTECH), các buổi tọa đàm AI cho sinh viên UFM ( BÁO CÁO CHUYÊN ĐỀ “ỨNG DỤNG BIG DATA VÀ AI TRONG NGÂN HÀNG SỐ” )). Những nỗ lực này cần được nhân rộng và phát triển sâu hơn.

Trong tương lai gần, có thể hình dung một bức tranh mới của lực lượng lao động tài chính – ngân hàng: những “công dân số” am hiểu cả tài chính lẫn công nghệ, làm việc linh hoạt với sự hỗ trợ của AI, tập trung vào sáng tạo giá trị cho khách hàng. Để biến tầm nhìn đó thành hiện thực, sự hợp lực giữa nhà trường – doanh nghiệp – cơ quan quản lý là vô cùng quan trọng. Nhà trường đào tạo kiến thức và kỹ năng nền tảng; doanh nghiệp (ngân hàng, công ty tài chính) cung cấp môi trường thực tiễn và phản hồi về nhu cầu kỹ năng; còn Nhà nước định hướng chính sách (ví dụ chiến lược quốc gia về AI, chuyển đổi số trong giáo dục). Những số liệu từ IMF, World Bank đã chỉ ra rằng các quốc gia muốn tận dụng cơ hội từ AI phải đầu tư mạnh vào đào tạo lại kỹ năng cho lực lượng lao động hiện tại và tương lai (Gen-AI: Artificial Intelligence and the Future of Work) (Robots aren’t stealing all our jobs, says the World Bank’s chief …). Việt Nam cũng không nằm ngoài quy luật đó.

Vậy là AI sẽ không lấy đi công việc của tất cả mọi người, mà những người biết dùng AI sẽ lấy đi công việc của những người không biết dùng AI. Các sinh viên ngành Tài chính – Ngân hàng hôm nay chính là nhân tố quyết định sự thành bại của quá trình chuyển đổi này. Với một nền tảng giáo dục được chuẩn bị tốt, họ sẽ tự tin bước vào kỷ nguyên mới – kỷ nguyên mà con người và AI hợp tác cùng nhau để tạo nên một ngành tài chính thông minh, hiệu quả và nhân văn hơn.

Tài liệu tham khảo:

1. McKinsey (2020). Building the AI bank of the future. McKinsey & Company. (AI có thể mang lại 1 nghìn tỷ USD giá trị mỗi năm cho ngành ngân hàng toàn cầu) ().
2. Citigroup/Bloomberg (2024). AI jobs threat is biggest for banking. InvestmentNews. (54% việc làm ngân hàng có thể tự động hóa, thêm 12% có thể được AI hỗ trợ) (The AI jobs threat is biggest for banking, says Citi – Investment News).
3. Ngân hàng Nhà nước VN (2023). Hội thảo Smart Banking 2024. VnEconomy. (85% ngân hàng có chiến lược AI, đầu tư cho GenAI sẽ đạt 85 tỷ USD năm 2030, tăng từ 6 tỷ năm 2024) (AI’s role in banking sector – Vietnam Economic Times | VnEconomy) (AI’s role in banking sector – Vietnam Economic Times | VnEconomy).
4. Accenture (2024). Banking in the age of Generative AI. (73% thời gian công việc ngân hàng có thể chịu ảnh hưởng lớn bởi GenAI – 39% tự động hóa, 34% hỗ trợ; 60% tác vụ của teller có thể tự động) (Banking in the Age of Generative AI | Accenture) (Banking in the Age of Generative AI | Accenture).
5. Tạp chí Ngân hàng (2023). Xu hướng ứng dụng AI trong phát triển ngân hàng. (Tự động hóa RPA giúp giảm 40% thời gian xử lý, tăng 45% thời gian nhân viên tập trung vào khách hàng, loại bỏ lỗi con người) (Xu hướng ứng dụng trí tuệ nhân tạo trong sự phát triển của ngành Ngân hàng) (Xu hướng ứng dụng trí tuệ nhân tạo trong sự phát triển của ngành Ngân hàng).
6. Investment News – Bloomberg (2024). The AI jobs threat is biggest for banking. (AI có thể đóng góp 170 tỷ USD cho ngành ngân hàng đến 2028; ngân hàng sẽ cần tuyển nhiều quản lý AI và chuyên viên tuân thủ AI) (The AI jobs threat is biggest for banking, says Citi – Investment News) (The AI jobs threat is biggest for banking, says Citi – Investment News).
7. The Financial Brand (2024). Risk and Compliance with AI. (44% tổ chức tài chính ưu tiên đầu tư AI cho phát hiện gian lận, an ninh; AI giúp quét dữ liệu lớn phát hiện giao dịch đáng ngờ real-time) (How Banking Leaders Can Enhance Risk and Compliance With AI – The Financial Brand).
8. Báo cáo UFM (2023). Ứng dụng Big Data và AI trong ngân hàng số. (Nhấn mạnh tầm quan trọng của AI trong tương lai ngành tài chính, sinh viên cần chuẩn bị kiến thức thực tế về vận hành NH trong chuyển đổi số) ( BÁO CÁO CHUYÊN ĐỀ “ỨNG DỤNG BIG DATA VÀ AI TRONG NGÂN HÀNG SỐ” ).
9. Đại học Ngân hàng TP.HCM (2021). Chương trình chất lượng cao định hướng Fintech. (Thiết kế chương trình cho phép sinh viên học các môn CNTT, AI, dữ liệu lớn như Python, Machine Learning, Blockchain… trong ngành tài chính ngân hàng) (NGÀNH TÀI CHÍNH NGÂN HÀNG CHƯƠNG TRÌNH CHẤT LƯỢNG CAO VỚI ĐỊNH HƯỚNG FINTECH).
10. Financial Planning Association (2024). Customer Trust in Robo-Advisers. (Robo-advisor quản lý 870 tỷ USD tài sản năm 2022, dự báo 1,4 nghìn tỷ USD năm 2024) (Customer Trust and Satisfaction with Robo-Adviser Technology | Financial Planning Association).
11. Benzinga (2023). Bots and Algorithms Trading. (60-75% khối lượng giao dịch chứng khoán ở Mỹ và nhiều thị trường phát triển là giao dịch do thuật toán thực hiện) (What Percentage Of Trading Is Algorithmic? (Algo Trading Volume …).
12. Tạp chí Ngân hàng (2023). Tự động hóa RPA trong ngân hàng. (Nhiều vị trí như tiếp tân, giao dịch viên, nhân viên tín dụng sẽ giảm hoặc bị thay thế bởi công nghệ khi triển khai phòng giao dịch tự động) (Xu hướng ứng dụng trí tuệ nhân tạo trong sự phát triển của ngành Ngân hàng).
13. Accenture (2024). Automation vs Augmentation roles. (25% nhân viên – như dịch vụ khách hàng – sẽ chịu tác động cả tự động hóa và hỗ trợ: 37% tác vụ có thể tự động, 28% có thể hỗ trợ bởi AI) (Banking in the Age of Generative AI | Accenture).
14. Ngân hàng TMCP Tiên Phong – The Asian Banker (2024). TPBank digital transformation. (TPBank dùng AI-RPA rút ngắn quy trình, AI chấm điểm tín dụng tăng tốc duyệt vay, AI tự động 80% quy trình thu hồi BNPL) (TPBank accelerates growth through digital banking, AI and social banking initiatives) (TPBank accelerates growth through digital banking, AI and social banking initiatives).
15. AuditBoard Survey (2023). (89% tổ chức dự định ứng dụng AI vào hoạt động kiểm toán, dù hiện tại chưa đến 10% thực sự dùng) (Playbook: How AI and Analytics Can Scale Your Audit Program) (Internal auditors ‘flying blind’ on AI risks – report – Accountancy Age).

Nội dung được tạo từ kết quả tương tác giữa loài người và loài AI – Deep Research of ChatGPT