Quản trị GenAI có trách nhiệm trong dịch vụ khách hàng: Nghiên cứu trường hợp tại MBBank, TPBank và Techcombank

Nguyễn Hoàng Phương An

Trường Đại học Ngân hàng TP. Hồ Chí Minh

Email: [email protected]

Tóm tắt

Bên cạnh những lợi ích vượt trội về tự động hóa và khả năng cá nhân hóa trải nghiệm, việc ứng dụng trí tuệ nhân tạo tạo sinh (GenAI) cũng đặt các hệ thống ngân hàng đứng trước những rủi ro hoàn toàn mới: hiện tượng ảo giác mô hình, nguy cơ rò rỉ dữ liệu cá nhân và sự thiếu hụt các cơ chế giải trình minh bạch. Nhằm giải quyết bài toán này, nghiên cứu vận dụng Lý thuyết năng lực động và Lý thuyết hệ thống xã hội - kỹ thuật để đánh giá mức độ sẵn sàng trong việc quản trị GenAI có trách nhiệm tại 3 ngân hàng: MBBank, TPBank và Techcombank. Thông qua phân tích dữ liệu thứ cấp công khai giai đoạn 2022-2024, kết quả cho thấy, dù hạ tầng số và năng lực phân tích dữ liệu của các ngân hàng đã tương đối hoàn thiện, nhưng vẫn tồn tại khoảng trống lớn về quản trị tri thức nghiệp vụ, kiểm soát rủi ro AI chuyên biệt và quy trình giám sát có sự tham gia của con người. Từ đó, nghiên cứu đề xuất Khung quản trị GenAI có trách nhiệm trong dịch vụ khách hàng (RGCGF) gồm 5 lớp, giúp các ngân hàng thương mại Việt Nam triển khai công nghệ một cách an toàn và hiệu quả.

Từ khóa: Trí tuệ nhân tạo tạo sinh, dịch vụ khách hàng ngân hàng, quản trị AI có trách nhiệm, RGCGF, nghiên cứu trường hợp

Mã JEL: G21, M15, O33, C81

Abstract

In addition to the substantial benefits of automation and personalized customer experiences, the application of generative artificial intelligence (GenAI) also exposes banking systems to entirely new risks, including model hallucinations, personal data leakage, and a lack of transparent accountability mechanisms. To address these challenges, this study draws on Dynamic Capabilities Theory and the socio-technical systems approach to assess the readiness for responsible GenAI governance at three banks: MBBank, TPBank, and Techcombank. An analysis of publicly available secondary data for the 2022-2024 period shows that, although the banks’ digital infrastructure and data analytics capabilities are relatively well developed, significant gaps remain in business knowledge management, specialized AI risk control, and human-in-the-loop monitoring processes. Accordingly, the study proposes a five-layer Responsible GenAI Governance Framework for Customer Services (RGCGF) to enable Vietnamese commercial banks to deploy the technology safely and effectively.

Keywords: Generative artificial intelligence, banking customer services, responsible AI governance, RGCGF, case study

GIỚI THIỆU

Động thái quyết liệt từ Quyết định số 810/QĐ-NHNN (Ngân hàng Nhà nước, 2021) đã và đang tạo ra làn sóng chuyển dịch mạnh mẽ, thúc đẩy các ngân hàng thương mại (NHTM) Việt Nam tiến xa hơn từ bước số hóa kênh phân phối đơn thuần sang giai đoạn tự động hóa thông minh. Trong bối cảnh đó, sự xuất hiện của các mô hình ngôn ngữ lớn (LLM) và GenAI đang mở ra tiềm năng to lớn trong việc thấu hiểu ngữ cảnh phức tạp và sinh ra các phản hồi giao tiếp tự nhiên. Sự đột phá này vượt trội hoàn toàn so với các thế hệ chatbot truyền thống vốn chỉ hoạt động dựa trên kịch bản đã được lập trình sẵn và thường xuyên bộc lộ hạn chế khi gặp các câu hỏi nằm ngoài luồng dữ liệu chuẩn (Vaswani và cộng sự, 2017; McKinsey Global Institute, 2023).

​Tuy nhiên, bản chất của GenAI là tạo ra nội dung dựa trên xác suất thống kê, thay vì truy xuất sự thật tuyệt đối. Điều này dẫn đến một rủi ro đặc thù mang tên “ảo giác mô hình” (hallucination), nơi AI có thể đưa ra những câu trả lời nghe rất trôi chảy, hợp lý nhưng lại sai lệch hoàn toàn về mặt nghiệp vụ (Bender và cộng sự, 2021). Trong lĩnh vực nhạy cảm như ngân hàng, việc AI tư vấn sai về thông tin lãi suất, điều kiện giải ngân hay cơ cấu phí dịch vụ không chỉ gây thiệt hại tài chính mà còn kéo theo những hệ lụy khôn lường về rủi ro pháp lý và tổn hại uy tín thương hiệu. Thêm vào đó, Nghị định số 13/2023/NĐ-CP về bảo vệ dữ liệu cá nhân vừa có hiệu lực đã đặt ra những rào cản pháp lý vô cùng khắt khe, siết chặt các yêu cầu tuân thủ khi đưa dữ liệu tài chính của khách hàng vào huấn luyện trong các hệ thống học máy (Chính phủ, 2023).

​Mặc dù chủ đề về AI đang thu hút nhiều sự chú ý học thuật, nhưng phần lớn các công trình nghiên cứu hiện nay vẫn nghiêng về đề cao các lợi ích kỹ thuật. Trong khi đó, các bộ tiêu chuẩn quốc tế về rủi ro AI như NIST AI RMF, ISO/IEC 42001 hay EU AI Act chủ yếu thiết lập các nguyên tắc ở tầm vĩ mô và hiếm khi cung cấp các chỉ dẫn cụ thể để nhúng AI vào các quy trình chăm sóc khách hàng đặc thù tại các thị trường mới nổi như Việt Nam (National Institute of Standards and Technology, 2023; International Organization for Standardization, 2023). Do đó, nghiên cứu này được thực hiện nhằm giải quyết 3 câu hỏi cốt lõi sau: (1) Các ngân hàng đang bộc lộ mức độ sẵn sàng về quản trị GenAI thế nào thông qua các báo cáo công khai? (2) Điểm nghẽn quản trị lớn nhất hiện nay đang nằm ở đâu? và (3) Đâu là một khung vận hành thực tiễn có thể giúp các ngân hàng dung hòa giữa khát vọng đổi mới sáng tạo và yêu cầu kiểm soát rủi ro khắt khe?

CƠ SỞ LÝ THUYẾT VÀ PHƯƠNG PHÁP NGHIÊN CỨU

Cơ sở lý thuyết

Nghiên cứu dựa trên 2 nền tảng lý thuyết chính. Lý thuyết năng lực động (Teece và cộng sự, 1997) chỉ ra rằng, việc sở hữu công nghệ tân tiến là chưa đủ; giá trị cốt lõi của ngân hàng nằm ở năng lực nhận diện cơ hội, huy động nguồn lực và tái cấu trúc quy trình nội bộ. Áp dụng vào bối cảnh GenAI, ngân hàng cần khả năng tổ chức lại hệ thống tri thức phân tán và thiết lập năng lực kiểm soát thuật toán liên tục.

​Bổ trợ cho góc nhìn này, Lý thuyết hệ thống xã hội - kỹ thuật (Trist và Bamforth, 1951; Mumford, 2006) nhấn mạnh rằng, hiệu quả công nghệ chỉ đạt được khi có sự ăn khớp nhịp nhàng giữa hạ tầng kỹ thuật máy móc và cơ chế quản trị của con người. Mối quan hệ này bao gồm văn hóa kiểm soát rủi ro và trách nhiệm giải trình của các nhân sự vận hành. Đồng thời, Khung Công nghệ - Tổ chức - Môi trường (TOE) (Tornatzky và Fleischer, 1990) cũng được sử dụng để làm rõ tính tương thích giữa hạ tầng hệ thống, cấu trúc ra quyết định trong tổ chức và áp lực tuân thủ từ các định chế pháp lý.

​Ở góc độ giải pháp kỹ thuật, nghiên cứu đặc biệt chú trọng đến kiến trúc Truy xuất tăng cường tạo sinh - RAG (Lewis và cộng sự, 2020). Công nghệ này buộc các mô hình ngôn ngữ lớn (LLM) phải trích xuất thông tin từ một kho văn bản nội bộ đã được thẩm định tính chính xác, thay vì tự do suy diễn. Dưới lăng kính quản trị, RAG không chỉ đơn thuần là một kỹ thuật xử lý ngôn ngữ tự nhiên, mà là thước đo phản ánh năng lực quản trị tri thức cốt lõi của tổ chức.

Thiết kế và dữ liệu

Nghiên cứu áp dụng thiết kế đa trường hợp định tính (Yin, 2018; Eisenhardt, 1989). Theo phương pháp lấy mẫu lý thuyết, 3 NHTM được lựa chọn để phân tích đại diện cho 3 chiến lược chuyển đổi số tiêu biểu tại Việt Nam: MBBank (đại diện cho mô hình ngân hàng số quy mô lớn với hệ sinh thái dịch vụ đa dạng), TPBank (tiên phong về tự động hóa điểm chạm vật lý qua mô hình LiveBank) và Techcombank (tập trung chiến lược dẫn dắt bằng dữ liệu - data-driven). Nguồn dữ liệu phục vụ nghiên cứu là các tài liệu thứ cấp công khai, bao gồm: báo cáo thường niên giai đoạn 2022-2024, các công bố về chiến lược chuyển đổi số, kết hợp đối chiếu với Quyết định 810/QĐ-NHNN, Nghị định 13/2023/NĐ-CP và các khung quản trị quốc tế (NIST, ISO/IEC 42001, EU AI Act).

​Dữ liệu được xử lý bằng phương pháp phân tích theo chủ đề (Braun và Clarke, 2006) dựa trên 5 nhóm mã hóa: Quản trị dữ liệu (DG), Năng lực sẵn sàng AI (AIC), Quản trị tri thức và RAG (RAG), Kiểm soát AI có trách nhiệm (RAIC) và Quản trị con người (HITL). Mức độ hiện diện của các bằng chứng được gán nhãn ở 3 cấp độ: Strong (Mạnh) - khi có bằng chứng triển khai liên tục tối thiểu 2 năm và được tích hợp vào chiến lược chính thức; Partial (Một phần) - khi đã có định hướng nhưng chưa hình thành khung quy trình đồng bộ; và Limited (Hạn chế) - khi thông tin công bố còn rời rạc. Cần lưu ý, đánh giá này chỉ phản ánh tín hiệu minh bạch ra công chúng, không nhằm mục đích đo lường năng lực nội bộ hay mức độ triển khai GenAI thực tế đang được bảo mật của từng ngân hàng.

KẾT QUẢ NGHIÊN CỨU

Đối sánh mức độ hiện diện bằng chứng

Bảng 1: Mức độ hiện diện bằng chứng công khai về sẵn sàng quản trị GenAI

Nguồn: Tác giả tổng hợp từ báo cáo thường niên và công bố công khai của các ngân hàng (2022-2024)

Phân tích theo từng trường hợp

Đối với MBBank, kết quả phân tích cho thấy ngân hàng sở hữu một lợi thế tuyệt đối về quy mô tệp khách hàng số khổng lồ cùng hệ thống hạ tầng dữ liệu dày đặc để phân tích hành vi người dùng. Tuy nhiên, điểm nghẽn có thể quan sát được là hệ thống tri thức nghiệp vụ (ví dụ: quy định tín dụng, chính sách sản phẩm) vẫn còn phân mảnh theo từng khối nghiệp vụ riêng biệt (Ngân hàng TMCP Quân đội, 2024). Sự thiếu đồng bộ trong việc quy chuẩn hóa kho văn bản chung này tạo ra rào cản lớn nếu ngân hàng muốn neo GenAI vào một nguồn dữ liệu “sự thật duy nhất”, làm tăng nguy cơ mô hình tự tạo ra các câu trả lời thiếu nhất quán.

​Trong khi đó, TPBank lại thể hiện thế mạnh vượt trội trong việc tự động hóa các điểm chạm khách hàng, đặc biệt là hệ thống LiveBank kết hợp linh hoạt giữa trợ lý số và giao dịch viên hỗ trợ từ xa (Ngân hàng TMCP Tiên Phong, 2024). Nhờ mô hình này, tín hiệu về năng lực quản trị con người (HITL) hiển thị khá rõ nét. Tuy vậy, các mô hình chatbot mà ngân hàng công bố hiện tại vẫn nghiêng về cấu trúc kịch bản tĩnh truyền thống; thị trường vẫn chưa thấy những chỉ báo công khai về việc TPBank thiết lập một cơ chế kiểm soát thuật toán độc lập nhằm đối phó với rủi ro khi nâng cấp lên mô hình tạo sinh.

​Đối với Techcombank, chiến lược chuyển đổi bám sát triết lý “dựa trên dữ liệu” cùng việc đầu tư mạnh tay vào hạ tầng hồ dữ liệu (data lake) tập trung đã tạo ra một bệ phóng vô cùng thuận lợi cho kiến trúc RAG (Ngân hàng TMCP Kỹ Thương Việt Nam, 2024). Mặc dù hệ thống dữ liệu có tính sẵn sàng cao hơn 2 ngân hàng còn lại, Techcombank vẫn chưa định chế hóa công khai một khung đạo đức AI cụ thể hay các quy trình kiểm toán thuật toán chuyên biệt dành riêng cho mảng tư vấn khách hàng tự động.

Ba điểm nghẽn chung của ngành

Từ 3 trường hợp trên, nghiên cứu đúc kết được 3 điểm nghẽn mang tính phổ quát trong hệ thống ngân hàng. Thứ nhất, việc sở hữu dữ liệu giao dịch lớn không tự động chuyển hóa thành một kho tri thức nghiệp vụ đã được cấu trúc hóa rõ ràng để LLM có thể đọc hiểu và suy luận chính xác. Thứ hai, tư duy quản trị rủi ro hiện hành vẫn chủ yếu xoay quanh an toàn thông tin truyền thống (bảo mật mạng, chống tấn công nội bộ), thiếu vắng các công cụ đo lường và kiểm soát độ tin cậy để phòng chống ảo giác mô hình AI. Thứ ba, vai trò can thiệp của con người hiện nay mang tính bị động, thường chỉ được kích hoạt giải quyết hậu quả khi có sự cố khiếu nại thay vì được thiết kế như một chốt chặn giám sát chủ động ngay trong chu trình suy luận của AI.

ĐỀ XUẤT KHUNG QUẢN TRỊ GENAI CÓ TRÁCH NHIỆM TRONG DỊCH VỤ KHÁCH HÀNG VÀ HÀM Ý

Năm lớp vận hành của Khung quản trị GenAI có trách nhiệm trong dịch vụ khách hàng (RGCGF)

Nhằm tháo gỡ các điểm nghẽn nêu trên, nghiên cứu đề xuất Khung quản trị GenAI có trách nhiệm trong dịch vụ khách hàng (RGCGF - Responsible GenAI Customer Service Governance Framework) gồm 5 lớp bảo vệ liên kết chặt chẽ (Bảng 2).

Bảng 2: Khung RGCGF

Nguồn: Tác giả đề xuất trên cơ sở tổng hợp lý thuyết và bằng chứng công khai

Hàm ý thực tiễn đối với ngân hàng thương mại

Các NHTM cần xác định nguyên tắc “quản trị đi trước, mở rộng theo sau”; tuyệt đối không cho phép mô hình mở tự do đưa ra câu trả lời trực tiếp về các thông số nhạy cảm như mức lãi suất, phí phạt hay thủ tục pháp lý nếu chưa được kiểm soát chặt vào các văn bản đã phê duyệt thông qua RAG. Đồng thời, khâu ẩn danh thông tin cá nhân định danh (PII) phải được tích hợp ngay tại tầng tiếp nhận dữ liệu đầu vào. Cần phân định rõ ràng ranh giới vận hành: AI chỉ đóng vai trò trợ lý cung cấp thông tin cơ bản; trong khi đó, mọi quyết định liên quan đến phê duyệt tín dụng, xử lý khiếu nại tài chính hay giải quyết tranh chấp pháp lý bắt buộc phải do nhân sự có thẩm quyền trực tiếp quyết định.

Khuyến nghị đối với Ngân hàng Nhà nước

Để tạo hành lang pháp lý an toàn, cơ quan quản lý cần sớm ban hành các bộ tài liệu hướng dẫn quản trị rủi ro AI chuyên biệt cho lĩnh vực tài chính, có thể tham chiếu trực tiếp từ NIST AI RMF và các chuẩn mực quốc tế tương đương. Đặc biệt, việc thiết lập một cơ chế thử nghiệm pháp lý (sandbox) có kiểm soát dành riêng cho GenAI sẽ tạo điều kiện để các ngân hàng an tâm thử nghiệm các phương thức tương tác khách hàng thông minh trong một môi trường được giám sát chặt chẽ trước khi triển khai đại trà.

KẾT LUẬN

Việc tiếp nhận và ứng dụng GenAI trong dịch vụ khách hàng của ngân hàng không đơn thuần chỉ là một bài toán mua sắm phần mềm hay cập nhật công nghệ. Sự hoàn thiện của nền tảng số chỉ là điều kiện cần và điều kiện đủ để phát triển bền vững nằm ở năng lực quản trị tri thức nghiệp vụ vững chắc, khả năng kiểm soát rủi ro thuật toán chuyên sâu và việc duy trì sự hiện diện, chịu trách nhiệm của yếu tố con người. Khung RGCGF với cấu trúc 5 lớp đề xuất trong nghiên cứu này cung cấp một công cụ thiết thực giúp các ngân hàng tiếp cận công nghệ mới một cách tự tin, hiệu quả và có kiểm soát.

​Hạn chế của nghiên cứu nằm ở việc chỉ sử dụng dữ liệu thứ cấp công khai và phạm vi quan sát giới hạn ở 3 ngân hàng. Các hướng nghiên cứu tiếp theo có thể mở rộng bằng việc kết hợp các phương pháp khảo sát định lượng, phỏng vấn chuyên sâu với đội ngũ chuyên gia công nghệ ngân hàng và người dùng dịch vụ số, nhằm kiểm chứng cụ thể hơn tác động thực tiễn của từng lớp quản trị trong khung RGCGF.

Tài liệu tham khảo:

1. Bender, E. M., Gebru, T., McMillan-Major, A., & Shmitchell, S. (2021). On the dangers of stochastic parrots: Can language models be too big? Proceedings of the 2021 ACM Conference on Fairness. Accountability, and Transparency, 610-623.

2. Braun, V., & Clarke, V. (2006). Using thematic analysis in psychology. Qualitative Research in Psychology, 3(2), 77-101.

3. Chính phủ (2023). Nghị định số 13/2023/NĐ-CP ngày 17/4/2023 về bảo vệ dữ liệu cá nhân.

4. Eisenhardt, K. M. (1989). Building theories from case study research. Academy of Management Review, 14(4), 532-550.

5. International Organization for Standardization (2023). ISO/IEC 42001:2023 Information technology - Artificial intelligence - Management system.

6. Lewis, P., Perez, E., Piktus, A., Petroni, F., Karpukhin, V., Goyal, N., ... & Kiela, D. (2020). Retrieval-augmented generation for knowledge-intensive NLP tasks. Advances in Neural Information Processing Systems, 33, 9459-9474.

7. McKinsey Global Institute (2023). The economic potential of generative AI: The next productivity frontier. McKinsey & Company.

8. Mumford, E. (2006). The story of socio-technical design: Reflections on its successes, failures and potential. Information Systems Journal, 16(4), 317-342.

9. National Institute of Standards and Technology (2023). Artificial Intelligence Risk Management Framework (AI RMF 1.0). U.S. Department of Commerce.

10. Ngân hàng Nhà nước (2021). Quyết định số 810/QĐ-NHNN ngày 11/5/2021 phê duyệt Kế hoạch chuyển đổi số ngành Ngân hàng đến năm 2025, định hướng đến năm 2030.

11. Ngân hàng TMCP Kỹ Thương Việt Nam (2024). Báo cáo thường niên năm 2023.

12. Ngân hàng TMCP Quân đội (2024). Báo cáo thường niên năm 2023.

13. Ngân hàng TMCP Tiên Phong (2024). Báo cáo thường niên năm 2023.

14. Teece, D. J., Pisano, G., & Shuen, A. (1997). Dynamic capabilities and strategic management. Strategic Management Journal, 18(7), 509-533.

15. Tornatzky, L. G., & Fleischer, M. (1990). The processes of technological innovation. Lexington Books.

16. Trist, E. L., & Bamforth, K. W. (1951). Some social and psychological consequences of the longwall method of coal-getting. Human Relations, 4(1), 3-38.

17. Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, L., & Polosukhin, I. (2017). Attention is all you need. Advances in Neural Information Processing Systems, 30.

18. Yin, R. K. (2018). Case study research and applications: Design and methods (6th ed.). SAGE Publications.