Tăng cường ứng dụng chuyển đổi số và trí tuệ nhân tạo trong quản trị rủi ro tín dụng theo chuẩn mực Basel của các ngân hàng thương mại tại Việt Nam

Nguyễn Ngọc Lệ Thúy

Trường Đại học Đại Nam

Email: thuynnl@dainam.edu.vn

Tóm tắt

Trong bối cảnh chuyển đổi số và yêu cầu tuân thủ chuẩn mực Basel ngày càng cao, việc ứng dụng chuyển đổi số và trí tuệ nhân tạo (AI) đang trở thành giải pháp quan trọng nhằm nâng cao hiệu quả quản trị rủi ro tín dụng tại các ngân hàng thương mại. Bài viết phân tích xu hướng ứng dụng AI trong quản trị rủi ro tín dụng theo chuẩn mực Basel, đánh giá thực trạng triển khai tại Việt Nam, đồng thời chỉ ra những cơ hội và thách thức trong quá trình ứng dụng. Trên cơ sở đó, bài viết đề xuất một số giải pháp nhằm tăng cường ứng dụng chuyển đổi số và AI, góp phần nâng cao năng lực quản trị rủi ro, đảm bảo an toàn hoạt động và thúc đẩy sự phát triển bền vững của các ngân hàng thương mại.

Từ khóa: Chuyển đổi số, trí tuệ nhân tạo, quản trị rủi ro tín dụng, Basel, ngân hàng thương mại

Abstract

In the context of digital transformation and increasingly stringent Basel compliance requirements, the adoption of digital technologies and artificial intelligence (AI) has become a key solution for enhancing credit risk management in commercial banks. This paper analyzes the trends in applying AI to credit risk management under the Basel framework, evaluates the current implementation in Viet Nam, and identifies the opportunities and challenges associated with its adoption. Based on these findings, the study proposes several recommendations to strengthen the application of digital transformation and AI, thereby improving risk management capabilities, ensuring banking safety, and promoting the sustainable development of commercial banks.

Keywords: Digital transformation, artificial intelligence, credit risk management, Basel, commercial banks

GIỚI THIỆU

Trong bối cảnh chuyển đổi số (CĐS) đang diễn ra mạnh mẽ trên phạm vi toàn cầu, ngành ngân hàng được xem là một trong những lĩnh vực tiên phong trong việc ứng dụng các công nghệ số nhằm nâng cao hiệu quả quản trị và năng lực cạnh tranh. Sự phát triển của dữ liệu lớn (Big Data), điện toán đám mây, học máy (ML) và đặc biệt là trí tuệ nhân tạo (AI) đã tạo ra những thay đổi căn bản trong hoạt động ngân hàng thương mại (NHTM), từ cung cấp dịch vụ, chăm sóc khách hàng đến quản trị rủi ro. Trong đó, quản trị rủi ro tín dụng (QTRRTD) là lĩnh vực được kỳ vọng sẽ hưởng lợi nhiều nhất từ việc ứng dụng AI nhờ khả năng xử lý dữ liệu lớn, phân tích thông minh và hỗ trợ ra quyết định theo thời gian thực.

Song song với quá trình CĐS, việc tuân thủ các chuẩn mực Basel II và hướng tới Basel III đang trở thành yêu cầu tất yếu đối với các NHTM nhằm nâng cao năng lực quản trị rủi ro, đảm bảo an toàn vốn và tăng cường khả năng chống chịu trước các biến động của thị trường tài chính. Các chuẩn mực Basel yêu cầu ngân hàng phải xây dựng hệ thống QTRRTD hiện đại dựa trên dữ liệu đầy đủ, mô hình định lượng tiên tiến và cơ chế giám sát liên tục. Điều này đặt ra yêu cầu phải đẩy mạnh ứng dụng công nghệ số và AI để nâng cao chất lượng nhận diện, đo lường, giám sát và kiểm soát rủi ro tín dụng.

Tại Việt Nam, thực hiện chủ trương CĐS quốc gia và chiến lược CĐS ngành ngân hàng, nhiều NHTM đã đầu tư mạnh vào hạ tầng công nghệ, xây dựng kho dữ liệu tập trung, ứng dụng AI trong chấm điểm tín dụng, cảnh báo sớm rủi ro và tự động hóa quy trình cấp tín dụng. Tuy nhiên, quá trình triển khai vẫn còn nhiều hạn chế như chất lượng dữ liệu chưa đồng bộ, năng lực phân tích dữ liệu còn hạn chế, thiếu nguồn nhân lực chất lượng cao và khung pháp lý cho việc ứng dụng AI trong lĩnh vực ngân hàng vẫn đang tiếp tục được hoàn thiện. Những thách thức này ảnh hưởng không nhỏ đến hiệu quả triển khai các chuẩn mực Basel cũng như quá trình hiện đại hóa hệ thống QTRRTD.

Xuất phát từ thực tiễn trên, bài viết tập trung phân tích xu hướng ứng dụng CĐS và AI trong QTRRTD theo chuẩn mực Basel tại các NHTM; đánh giá thực trạng triển khai tại Việt Nam, chỉ ra những cơ hội và thách thức trong quá trình ứng dụng, đồng thời đề xuất một số giải pháp nhằm tăng cường ứng dụng CĐS và AI, góp phần nâng cao hiệu quả QTRRTD, bảo đảm an toàn hoạt động và thúc đẩy sự phát triển bền vững của hệ thống NHTM Việt Nam trong thời gian tới.

CƠ SỞ LÝ LUẬN

Quản trị rủi ro tín dụng là quá trình nhận diện, đo lường, giám sát và kiểm soát các rủi ro phát sinh từ việc khách hàng hoặc đối tác không thực hiện đầy đủ nghĩa vụ thanh toán theo cam kết. Mục tiêu của QTRRTD là duy trì mức độ rủi ro trong giới hạn chấp nhận được, đồng thời tối ưu hóa lợi nhuận trên cơ sở cân đối giữa rủi ro và hiệu quả kinh doanh (BCBS, 2000).

Theo khuôn khổ Basel, QTRRTD phải được thực hiện xuyên suốt toàn bộ vòng đời khoản vay, từ khâu xây dựng chính sách tín dụng, thẩm định khách hàng, phê duyệt khoản vay, giám sát sau cấp tín dụng đến xử lý nợ. Các ngân hàng cần xây dựng hệ thống quản trị bảo đảm khả năng nhận diện, đo lường, theo dõi và kiểm soát rủi ro một cách liên tục, đồng thời duy trì hệ thống kiểm soát nội bộ và quản trị dữ liệu hiệu quả (BCBS, 2025).

Trong bối cảnh CĐS, dữ liệu và công nghệ trở thành nền tảng quan trọng để hiện đại hóa hoạt động QTRRTD. Việc ứng dụng dữ liệu lớn (Big Data), AI, ML và phân tích dữ liệu thời gian thực giúp các ngân hàng nâng cao chất lượng chấm điểm tín dụng, phát hiện sớm dấu hiệu suy giảm khả năng trả nợ, xây dựng hệ thống cảnh báo sớm và hỗ trợ ra quyết định chính xác hơn. Theo OECD (2024), AI có tiềm năng nâng cao hiệu quả quản trị rủi ro, giảm chi phí vận hành và cải thiện chất lượng dịch vụ tài chính, tuy nhiên việc triển khai cần đi kèm với cơ chế quản trị mô hình, quản trị dữ liệu và kiểm soát rủi ro phù hợp.

Tại Việt Nam, CĐS được xác định là một trong những động lực quan trọng để nâng cao năng lực quản trị và năng lực cạnh tranh của hệ thống ngân hàng. Theo Quyết định số 810/QĐ-NHNN, ngành Ngân hàng đặt mục tiêu đẩy mạnh ứng dụng công nghệ số, khai thác dữ liệu và phát triển các mô hình phân tích thông minh nhằm nâng cao hiệu quả quản trị, quản lý rủi ro và cung cấp dịch vụ tài chính. Đây là cơ sở quan trọng để các NHTM từng bước ứng dụng AI trong QTRRTD, đáp ứng yêu cầu của chuẩn mực Basel và xu hướng phát triển ngân hàng số (SBV, 2021).

XU HƯỚNG ỨNG DỤNG CHUYỂN ĐỔI SỐ VÀ AI

Trong QTRRTD theo chuẩn Basel, xu hướng ứng dụng CĐS và AI đang trở thành xu hướng trọng tâm của các NHTM. Việc ứng dụng dữ liệu lớn (Big Data), ML và phân tích dữ liệu theo thời gian thực giúp nâng cao hiệu quả nhận diện, đo lường, giám sát và dự báo rủi ro tín dụng. Theo Ủy ban Basel về Giám sát Ngân hàng (BCBS, 2024), quản trị dữ liệu và ứng dụng công nghệ số là nền tảng để các ngân hàng đáp ứng các chuẩn mực Basel, đồng thời nâng cao khả năng quản trị mô hình và năng lực chống chịu trước rủi ro.

Một xu hướng nổi bật là ứng dụng AI trong chấm điểm tín dụng, xếp hạng khách hàng và xây dựng hệ thống cảnh báo sớm. Nhờ khả năng khai thác dữ liệu đa nguồn và nhận diện các mối quan hệ phức tạp, AI giúp nâng cao độ chính xác trong đánh giá khả năng trả nợ, phát hiện sớm dấu hiệu suy giảm chất lượng tín dụng và hỗ trợ ra quyết định hiệu quả hơn (OECD, 2024).

Bên cạnh đó, các ngân hàng đẩy mạnh tự động hóa quy trình quản trị rủi ro nhằm rút ngắn thời gian xử lý, giảm chi phí và tăng hiệu quả giám sát. Tuy nhiên, việc ứng dụng AI cũng đặt ra yêu cầu về quản trị dữ liệu, kiểm định mô hình, tính minh bạch của thuật toán và an toàn thông tin. Do đó, các tổ chức quốc tế khuyến nghị AI cần được triển khai trong khuôn khổ quản trị rủi ro và quản trị dữ liệu phù hợp để bảo đảm an toàn và phát triển bền vững của hệ thống ngân hàng (FSB, 2024).

PHÂN TÍCH THỰC TRẠNG

Thực hiện Chiến lược CĐS ngành Ngân hàng theo Quyết định số 810/QĐ-NHNN năm 2021, nhiều NHTM Việt Nam đã đẩy mạnh đầu tư hạ tầng công nghệ, xây dựng kho dữ liệu tập trung, phát triển nền tảng phân tích dữ liệu và từng bước ứng dụng AI vào QTRRTD. Việc ứng dụng AI không chỉ tập trung ở khâu chấm điểm tín dụng mà còn mở rộng sang giám sát danh mục cho vay, cảnh báo sớm rủi ro, phát hiện gian lận và tự động hóa quy trình cấp tín dụng, góp phần nâng cao khả năng tuân thủ các yêu cầu của Basel II và hướng tới Basel III (SBV, 2021).

Vietcombank triển khai hệ thống quản trị nhân sự (HCM/HRM) theo mô hình Hybrid với 6 phân hệ gồm: quản lý thông tin nhân sự, quản lý chi phí tiền lương, tuyển dụng, đào tạo, đánh giá cán bộ và quản lý nhân tài, góp phần số hóa toàn diện công tác quản trị nguồn nhân lực (Viecombank, 2023).

TPBank là ngân hàng tiên phong triển khai mô hình LiveBank 24/7, với hơn 400 điểm LiveBank tại 40 tỉnh, thành phố tính đến cuối năm 2024, cho phép khách hàng thực hiện hầu hết các giao dịch ngân hàng mà không cần đến quầy giao dịch truyền thống (TPBank, 2025).

Ngân hàng TMCP Hàng Hải Việt Nam (MSB, 2025) cũng được xem là một điển hình trong việc triển khai chiến lược quản trị rủi ro dựa trên dữ liệu và AI. Theo Báo cáo thường niên năm 2025, MSB đã xây dựng mô hình quản trị theo định hướng “Data-driven & AI-first”, đồng thời kiện toàn khung quản trị rủi ro theo hướng tiệm cận Basel III, cụ thể: Quản trị dựa trên dữ liệu (Data-driven), chuyển từ ra quyết định dựa trên kinh nghiệm sang dựa trên dữ liệu. Ngân hàng xây dựng nền tảng dữ liệu tập trung (enterprise data platform), tích hợp dữ liệu từ nhiều nguồn để phân tích hành vi khách hàng, đánh giá rủi ro, cá nhân hóa sản phẩm và hỗ trợ ra quyết định theo thời gian thực; AI là trọng tâm (AI-first), định hướng tích hợp AI vào toàn bộ chuỗi giá trị, từ kinh doanh, vận hành đến quản trị rủi ro. AI được sử dụng để tự động hóa quy trình, hỗ trợ phê duyệt tín dụng, phát hiện gian lận, cảnh báo sớm rủi ro, dự báo nhu cầu khách hàng và tối ưu trải nghiệm người dùng. AI không chỉ là một ứng dụng riêng lẻ mà được xem là năng lực cốt lõi của ngân hàng số. Ngân hàng ứng dụng các mô hình ML để nâng cao chất lượng chấm điểm tín dụng, theo dõi hành vi khách hàng theo thời gian thực và phát hiện sớm các dấu hiệu suy giảm chất lượng tín dụng. Đặc biệt, tại TNEX Finance, hệ thống chấm điểm tín dụng thời gian thực và mô hình xếp hạng A, B, C Score cho phép tự động hóa quá trình ra quyết định tín dụng với độ chính xác cao (TNEX Finance, 2025). AI cũng được ứng dụng trong hoạt động thu hồi nợ, giúp tỷ lệ thu hồi tự động đối với danh mục nợ sớm đạt khoảng 82%, đồng thời hỗ trợ kiểm tra bộ chứng từ tài trợ thương mại, rút ngắn khoảng 40% thời gian xử lý giao dịch. Việc đầu tư vào công nghệ số đã góp phần cải thiện đáng kể các chỉ tiêu an toàn hoạt động của MSB. Đến cuối năm 2025, hệ số an toàn vốn (CAR) hợp nhất đạt 12,49%, cao hơn đáng kể so với mức tối thiểu 8% theo quy định Basel II; tỷ lệ nợ xấu (NPL) hợp nhất được kiểm soát ở mức 1,82%, thấp hơn ngưỡng 3% mà ngân hàng đặt ra. Đồng thời, tỷ lệ dự trữ thanh khoản đạt 21,42%, cho thấy năng lực quản trị rủi ro và khả năng chống chịu của ngân hàng tiếp tục được cải thiện nhờ kết hợp giữa CĐS, AI và việc hoàn thiện khung quản trị rủi ro theo các chuẩn mực quốc tế (MSB, 2025).

Mặc dù vậy, xét trên phạm vi toàn ngành, mức độ ứng dụng AI trong QTRRTD vẫn chưa đồng đều giữa các ngân hàng. Nhiều ngân hàng quy mô nhỏ vẫn gặp khó khăn về chất lượng dữ liệu, khả năng tích hợp hệ thống, nguồn nhân lực có chuyên môn về khoa học dữ liệu và AI cũng như chi phí đầu tư cho hạ tầng công nghệ. Bên cạnh đó, việc xây dựng khung quản trị đối với các mô hình AI, quản trị dữ liệu và quản trị rủi ro mô hình theo các yêu cầu của Basel III vẫn là những thách thức cần tiếp tục được hoàn thiện trong thời gian tới.

GIẢI PHÁP KHUYẾN NGHỊ

Để tăng cường ứng dụng CĐS và AI trong QTRRTD theo chuẩn Basel cần chú trọng:

Thứ nhất, Ngân hàng Nhà nước cần tiếp tục hoàn thiện khuôn khổ pháp lý về quản trị dữ liệu, ứng dụng AI và quản trị rủi ro mô hình; phát triển hạ tầng dữ liệu quốc gia, cơ chế chia sẻ dữ liệu an toàn và khuyến khích thử nghiệm công nghệ mới trong môi trường kiểm soát, tạo điều kiện thúc đẩy đổi mới sáng tạo và bảo đảm an toàn hệ thống tài chính.

Thứ hai, cần đẩy mạnh ứng dụng AI và ML trong toàn bộ quy trình QTRRTD, từ chấm điểm, xếp hạng khách hàng, định giá tài sản bảo đảm đến xây dựng hệ thống cảnh báo sớm và giám sát danh mục tín dụng theo thời gian thực. Việc triển khai cần gắn với khung quản trị mô hình, bảo đảm tính minh bạch, khả năng kiểm định và giải thích kết quả nhằm đáp ứng các yêu cầu của chuẩn mực Basel.

Thứ ba, các NHTM cần tiếp tục hoàn thiện hạ tầng và hệ thống quản trị dữ liệu, chuẩn hóa quy trình thu thập, lưu trữ, tích hợp và chia sẻ dữ liệu, đồng thời tăng cường kết nối với Trung tâm Thông tin tín dụng Quốc gia (CIC) và các nguồn dữ liệu bên ngoài nhằm nâng cao chất lượng thông tin phục vụ đánh giá rủi ro tín dụng. Bên cạnh đó, các ngân hàng cần đầu tư phát triển nguồn nhân lực chất lượng cao về dữ liệu, AI, quản trị rủi ro và an ninh mạng, đồng thời tăng cường phối hợp giữa các bộ phận công nghệ thông tin, quản trị rủi ro và kinh doanh để khai thác hiệu quả dữ liệu trong quá trình ra quyết định tín dụng.

Thứ tư, cần xây dựng chiến lược chuyển đổi số gắn với chiến lược quản trị rủi ro dài hạn, hướng tới hình thành hệ thống quản trị rủi ro thông minh có khả năng dự báo, cảnh báo sớm và hỗ trợ ra quyết định theo thời gian thực, góp phần nâng cao năng lực quản trị rủi ro, đáp ứng các chuẩn mực Basel và tăng cường năng lực cạnh tranh của ngân hàng trong kỷ nguyên số.

KẾT LUẬN

Chuyển đổi số và AI đang tạo ra những thay đổi quan trọng trong QTRRTD, góp phần nâng cao chất lượng nhận diện, đo lường, giám sát rủi ro và đáp ứng các yêu cầu của chuẩn mực Basel. Thực tiễn tại Việt Nam cho thấy nhiều ngân hàng đã từng bước ứng dụng AI vào chấm điểm tín dụng, cảnh báo sớm rủi ro và tự động hóa quy trình quản trị, tuy nhiên vẫn còn những hạn chế về dữ liệu, hạ tầng công nghệ, nguồn nhân lực và khung pháp lý. Vì vậy, việc tiếp tục đầu tư vào hạ tầng số, hoàn thiện quản trị dữ liệu, phát triển nguồn nhân lực và xây dựng khung quản trị AI phù hợp với các chuẩn mực quốc tế sẽ là điều kiện quan trọng để nâng cao hiệu quả QTRRTD và thúc đẩy sự phát triển bền vững của hệ thống ngân hàng Việt Nam.

Tài liệu tham khảo:

1. BCBS (2000). Principles for the Management of Credit Risk. Basel Committee on Banking Supervision.

2. BCBS (2025). Principles for the Management of Credit Risk. Basel Committee on Banking Supervision.

3. BCBS (2024). Core Principles for Effective Banking Supervision. Basel Committee on Banking Supervision.

4. FSB (2024). The Financial Stability Implications of Artificial Intelligence. Financial Stability Board.

5. MSB (2025). Báo cáo thường niên 2025. Ngân hàng TMCP Hàng Hải Việt Nam.

6. OECD (2024). Regulatory Approaches to Artificial Intelligence in Finance. OECD Publishing.

7. SBV (2021). Quyết định 810/QĐ-NHNN Phê duyệt “Kế hoạch chuyển đổi số ngành ngân hàng đến năm 2025, định hướng đến năm 2030”. Ngân hàng Nhà nước Việt Nam.

8. TPBank (2025). Báo cáo thường niên 2024. Ngân hàng TMCP Tiên Phong.

9. TNEX Finance (2025). Giới thiệu về TNEX Finance và chiến lược ngân hàng số. TNEX Finance.

10. Vietcombank (2023, August 8). Dự án đầu tư hệ thống phần mềm quản lý nhân sự (HCM): Tổ chức khóa đào tạo hướng dẫn sử dụng cho người dùng cuối. Ngân hàng TMCP Ngoại thương Việt Nam.