​​​​​​​Ứng dụng AI trong thẩm định tín dụng tại ngân hàng thương mại

ThS. Thanh Thị Vân Kiều

Trường Đại học Phan Thiết

Email: [email protected]

Tóm tắt

Trong bối cảnh chuyển đổi số, trí tuệ nhân tạo (AI) đang trở thành công nghệ trọng tâm hỗ trợ các ngân hàng thương mại nâng cao hiệu quả hoạt động tín dụng và quản trị rủi ro. Hoạt động thẩm định tín dụng truyền thống hiện đang bộc lộ nhiều hạn chế trong việc xử lý dữ liệu phi cấu trúc và dự báo rủi ro. Thông qua phương pháp nghiên cứu định tính tổng quan tài liệu học thuật trong và ngoài nước giai đoạn 2020-2026, nghiên cứu phân tích xu hướng, hiệu quả và những thách thức đặt ra trong triển khai AI tại các ngân hàng. Kết quả nghiên cứu cho thấy, AI giúp tối ưu hóa chất lượng đánh giá rủi ro và tăng tốc độ xử lý hồ sơ. Tuy nhiên, công nghệ này chưa thể thay thế hoàn toàn con người do các rào cản về tính minh bạch, thiên lệch thuật toán và khoảng trống pháp lý về quản trị AI.

Từ khóa: AI, học máy, thẩm định tín dụng, chấm điểm tín dụng, chuyển đổi số ngân hàng, quản trị AI

Abstract

In the context of digital transformation, artificial intelligence (AI) has emerged as a core technology enabling commercial banks to enhance the efficiency of credit operations and risk management. Traditional credit appraisal practices have increasingly revealed limitations in processing unstructured data and predicting credit risk. Drawing on a qualitative literature review of domestic and international academic studies published between 2020 and 2026, this study examines the trends, effectiveness, and challenges associated with AI adoption in the banking sector. The findings indicate that AI significantly improves the accuracy of risk assessment and accelerates credit application processing. Nevertheless, AI cannot fully replace human judgment due to concerns regarding algorithmic transparency, potential bias, and the absence of comprehensive regulatory frameworks for AI governance. The study contributes to the growing literature on AI applications in banking and provides implications for the effective and responsible integration of AI into credit appraisal processes.

Keywords: Artificial intelligence (AI), machine learning, credit appraisal, credit scoring, banking digital transformation, AI governance

GIỚI THIỆU

Hoạt động thẩm định tín dụng giữ vai trò cốt lõi trong việc đánh giá năng lực tài chính của khách hàng, hỗ trợ quyết định cấp vốn và kiểm soát nợ xấu tại các ngân hàng thương mại (NHTM). Tuy nhiên, phương pháp thẩm định truyền thống dựa trên kinh nghiệm và các mô hình thống kê tuyến tính còn tồn tại nhiều hạn chế do phụ thuộc vào yếu tố chủ quan, khó xử lý dữ liệu phi cấu trúc và dòng chảy thông tin theo thời gian thực. Sự bùng nổ của dữ liệu lớn (Big Data) và học máy (Machine Learning - ML) đã mở ra cuộc cách mạng mới, dịch chuyển phương thức vận hành sang mô hình thẩm định tự động hóa bằng AI. Xu hướng nghiên cứu toàn cầu chứng minh các thuật toán ML và học sâu (Deep Learning) giúp nâng cao vượt trội độ chính xác dự báo rủi ro vỡ nợ. Bản chất “hộp đen” (black-box) của AI đang đặt ra thách thức lớn về tính giải trình, thúc đẩy sự ra đời của AI có thể giải thích được (XAI) trong lĩnh vực tài chính. Tại Việt Nam, tiến trình ứng dụng AI tại các NHTM bước đầu đạt được những kết quả khả quan ở phân khúc bán lẻ nhưng vẫn đối mặt với các nút thắt lớn về hạ tầng dữ liệu và hành lang pháp lý. Do đó, nghiên cứu này được thực hiện nhằm hệ thống hóa cơ sở lý thuyết, phân tích thực trạng rào cản tại Việt Nam, từ đó đề xuất các hàm ý quản trị thiết thực nhằm nâng cao năng lực ứng dụng AI trong hoạt động thẩm định tín dụng nội địa.

CƠ SỞ LÝ THUYẾT VÀ TỔNG QUAN NGHIÊN CỨU

Lý thuyết bất cân xứng thông tin của Akerlof (1970) được xem là nền tảng quan trọng trong hoạt động tín dụng ngân hàng. Trong quan hệ tín dụng, người vay thường nắm giữ nhiều thông tin hơn ngân hàng về khả năng tài chính và mức độ rủi ro, từ đó dẫn đến lựa chọn đối nghịch và rủi ro đạo đức. Trong bối cảnh đó, AI giúp ngân hàng khai thác dữ liệu lớn, dữ liệu hành vi và dữ liệu phi truyền thống nhằm giảm bất cân xứng thông tin và nâng cao hiệu quả thẩm định tín dụng.

Các nghiên cứu quốc tế đã cụ thể hóa vai trò này của AI theo 2 nhóm nội dung chính: nâng cao độ chính xác dự báo và minh bạch hóa mô hình. Về năng lực dự báo, Roy và Vasa (2025) khẳng định AI và ML giúp tối ưu hóa tiến trình ra quyết định và rút ngắn thời gian xử lý hồ sơ. Thực nghiệm của Munkhdalai và cộng sự (2019) cho thấy Deep Neural Network và XGBoost đạt hiệu quả vượt trội so với mô hình FICO truyền thống trong chấm điểm tín dụng. Nhìn từ góc độ dữ liệu đầu vào, Alagic và cộng sự (2024) chứng minh việc tích hợp các nguồn dữ liệu phi truyền thống như đặc điểm tâm lý và hành vi khách hàng giúp thuật toán ML dự báo xu hướng vỡ nợ chính xác hơn. Đối với các nền kinh tế mới nổi - nơi tệp khách hàng thường thiếu lịch sử tín dụng, Mhlanga (2021) khẳng định AI/ML là giải pháp lõi để thúc đẩy tài chính toàn diện nhờ tự động hóa năng lực thẩm định. Một số nghiên cứu tập trung vào việc giải quyết bài toán “hộp đen” của thuật toán. De Lange và cộng sự (2022) chứng minh mô hình LightGBM kết hợp kỹ thuật SHAP không chỉ tối ưu hóa độ chính xác so với hồi quy Logistic truyền thống mà còn tăng mạnh khả năng giải thích mô hình. Talaat và cộng sự (2023) nhấn mạnh Explainable AI (XAI) là xu hướng tất yếu để bóc tách các quyết định phức tạp của Deep Learning. Để hệ thống hóa các bước tiến này, Nallakaruppan và cộng sự (2024) đề xuất XAI cho phép ngân hàng minh bạch hóa các biến số ảnh hưởng đến quyết định cấp tín dụng, tạo cơ sở cân bằng giữa hiệu quả vận hành và độ chính xác của mô hình quản trị rủi ro (Edunjobi và Odejide, 2024; Sadok và cộng sự, 2022). Mặc dù vậy, các nghiên cứu tại Việt Nam hiện nay chủ yếu mới dừng lại ở góc độ tổng quan về chuyển đổi số hay ngân hàng số nói chung. Các nghiên cứu chuyên sâu hướng vào XAI, quản trị AI hay các thực nghiệm dựa trên dữ liệu tín dụng thực tế tại hệ thống NHTM trong nước vẫn còn là một khoảng trống nghiên cứu lớn cần tiếp tục khai thác.

PHƯƠNG PHÁP NGHIÊN CỨU

Nghiên cứu sử dụng phương pháp định tính thông qua tổng quan tài liệu có hệ thống (Systematic Literature Review - SLR) kết hợp phân tích nội dung (Content Analysis). Dữ liệu được thu thập, tổng hợp phân tích từ các cơ sở dữ liệu học thuật uy tín gồm Scopus và Web of Science (tập trung vào các nhà xuất bản lớn như ScienceDirect, Springer) với các công trình khoa học thuộc nhóm Q1, Q2, Q3 cùng các tạp chí chuyên ngành Tài chính - Ngân hàng trong nước và quốc tế giai đoạn 2020-2026. Ngoài ra, phương pháp so sánh đối chiếu được áp dụng nhằm nhận diện sự khác biệt giữa các loại AI và xu hướng ứng dụng AI tại các ngân hàng quốc tế và thực trạng triển khai thực tế tại Việt Nam.

KẾT QUẢ NGHIÊN CỨU

Việc triển khai AI giúp nâng cao toàn diện năng lực quản trị rủi ro thông qua phân tích dữ liệu theo thời gian thực và phát hiện các mối quan hệ phi tuyến phức tạp (Ahmed và Iqbal, 2025). Các mô hình nâng cao như XGBoost, LightGBM, Random Forest và Neural Network có hiệu quả dự báo rủi ro vượt trội so với hồi quy logistic truyền thống, giúp giảm đáng kể tỷ lệ nợ xấu (Chang và cộng sự, 2024). Bên cạnh đó, tốc độ phê duyệt khoản vay được đẩy nhanh nhờ cơ chế tự động hóa quy trình, giảm thiểu tối đa các thao tác thủ công (Kumar và cộng sự, 2026; Brown, 2024). Nhằm giải quyết rào cản pháp lý khắt khe của GDPR hay Basel III, các kỹ thuật XAI như SHAP và LIME đã được tích hợp thành công, giúp bóc tách minh bạch các yếu tố ảnh hưởng và gia tăng niềm tin của khách hàng vào các quyết định phê duyệt tự động (Brown, 2024; Ahmed và Iqbal, 2025).

Trong thực tiễn triển khai, các tổ chức tài chính toàn cầu đã chứng minh tính hiệu quả rõ rệt. JPMorgan Chase ứng dụng AI trong phân tích dữ liệu lớn và phát hiện gian lận nhằm tối ưu hóa quyết định cấp tín dụng. HSBC triển khai ML trong giám sát dòng tiền và nhận diện sớm các giao dịch bất thường. Bank of America sử dụng trợ lý ảo Erica kết hợp AI để phân tích sâu hành vi khách hàng, hỗ trợ thẩm định phân khúc tài chính cá nhân.

Tuy nhiên, AI chưa thể thay thế hoàn toàn con người. Đối với các khoản vay doanh nghiệp lớn hoặc tài trợ dự án phức tạp, vai trò của chuyên gia tín dụng vẫn mang tính quyết định. Rào cản lớn nhất hiện nay là hiện tượng dữ liệu rác, thiếu cấu trúc hoặc bị mất cân bằng dẫn đến sai lệch thuật toán. đặt ra yêu cầu kiểm toán nghiêm ngặt do bản chất “hộp đen” vốn khó giải thích tường minh để đáp ứng đầy đủ các quy định pháp lý ngân hàng hiện hành. Để xử lý vấn đề này, nghiên cứu của Nkambule và cộng sự (2024) đã đề xuất các giải pháp ML chuyên sâu nhằm làm sạch dữ liệu đầu vào, đảm bảo mô hình duy trì độ chính xác cao khi ra quyết định. Song song với đó, việc ứng dụng AI đại trà vẫn vấp phải bài toán hóc búa liên quan đến bảo mật dữ liệu, tính công bằng và xây dựng một cơ chế giám sát rủi ro thuật toán đồng bộ từ con người.

Bảng: So sánh các công nghệ AI được sử dụng trong ngân hàng quốc tế

Nguồn: Tổng hợp của tác giả

Tại Việt Nam, việc ứng dụng AI đang nhận được định hướng chiến lược mạnh mẽ từ Ngân hàng Nhà nước thông qua Quyết định 810/QĐ-NHNN và Quyết định 3579/QĐ-NHNN. Khảo sát thực tiễn cho thấy các ngân hàng tiên phong (VPBank, Techcombank, MB Bank, Vietcombank, VietinBank) đã bắt đầu dịch chuyển sang mô hình số hóa. Công nghệ Học máy dựa trên Big Data đã được ứng dụng để chấm điểm tín dụng nội bộ, sàng lọc hồ sơ tự động qua eKYC và nhận diện sớm dấu hiệu gian lận (Nguyễn Hoàng Long và cộng sự, 2022; Lê Cẩm Tú, 2024). Hiện tại, AI phát huy vai trò rất lớn trong việc phê duyệt trước đối với phân khúc cho vay tiêu dùng và thẻ tín dụng.

Mặc dù vậy, việc hiện thực hóa các mô hình AI chuyên sâu (như XAI) tại Việt Nam vẫn đối mặt với nhiều rào cản cốt lõi. Hệ thống dữ liệu nội địa chưa chuẩn hóa, chất lượng dữ liệu chưa cao và tình trạng khan hiếm nguồn nhân lực lưỡng dụng (am hiểu cả công nghệ lẫn tài chính) là những trở lực lớn. Đặc biệt, khoảng trống pháp lý về quản trị AI và việc thiếu vắng một cơ chế thử nghiệm có kiểm soát (Sandbox) chuyên biệt cho AI trong cho vay đang tạo ra tâm lý thận trọng cho các ngân hàng trước bài toán giải trình thuật toán (Nguyễn Thị Thùy Anh, 2026; Lê Cẩm Tú, 2026).

HÀM Ý VÀ KẾT LUẬN

Một số hàm ý

Từ kết quả phân tích trên, nghiên cứu đề xuất một số hàm ý quản trị nhằm nâng cao hiệu quả ứng dụng AI trong hoạt động thẩm định tín dụng tại NHTM Việt Nam, cụ thể:

Thứ nhất, các ngân hàng cần đầu tư mạnh hơn vào hạ tầng dữ liệu, xây dựng kho dữ liệu và phát triển nguồn nhân lực AI chuyên sâu; triển khai XAI nhằm nâng cao tính minh bạch của mô hình tín dụng và giảm rủi ro đạo đức AI.

Thứ hai, về phía cơ quan quản lý, Ngân hàng Nhà nước cần hoàn thiện khung pháp lý liên quan đến quan trị AI, bảo mật dữ liệu và Cơ chế thử nghiệm có kiểm soát nhằm hỗ trợ triển khai AI trong hoạt động ngân hàng một cách an toàn và hiệu quả.

KẾT LUẬN

AI đang định hình lại toàn diện năng lực thẩm định tín dụng tại các NHTM. Dù mang lại hiệu quả vượt trội trong việc tối ưu hóa độ chính xác dự báo và tốc độ xử lý hồ sơ, việc triển khai AI vẫn phải đối mặt với các giới hạn về tính minh bạch thuật toán, chất lượng dữ liệu và tính đồng bộ pháp lý. Nghiên cứu này đã hệ thống hóa thành công bức tranh công nghệ toàn cầu, làm rõ các rào cản đặc thù tại các ngân hàng Việt Nam và đề xuất một số hàm ý quản trị thiết thực cho các bên liên quan. Sự kết hợp nhịp nhàng giữa đổi mới công nghệ của hệ thống NHTM và sự nhạy bén về mặt chính sách của cơ quan quản lý chính là chìa khóa quyết định để khai thác tối đa tiềm năng của AI, vừa nâng cao năng lực cạnh tranh quốc gia, vừa đảm bảo sự phát triển ổn định, minh bạch và bền vững cho toàn bộ nền tài chính Việt Nam.

Tài liệu tham khảo:

1. Ahmed, F., & Iqbal, A. (2025). The role of artificial intelligence in enhancing credit risk management: A systematic literature review of international banking systems. Pakistan Journal of Humanities and Social Sciences, 13(1), 478-492. https://doi.org/10.52131/pjhss.2025.v13i1.2727

2. Akerlof, G. A. (1970). The market for lemons: Quality uncertainty and the market mechanism. Quarterly Journal of Economics, 84(3), 488-500.

3. Alagic, A., Zivic, N., Kadusic, E., Hamzic, D., Hadzajlic, N., Dizdarevic, M., & Selmanovic, E. (2024). Machine learning for an enhanced credit risk analysis: A comparative study of loan approval prediction models integrating mental health data. Machine Learning and Knowledge Extraction, 6(1), 53-77. https://doi.org/10.3390/make6010004

4. Brown, M. (2024). Influence of artificial intelligence on credit risk assessment in banking sector. International Journal of Modern Risk Management, 2(1), 24-33.

5. Chang, V., Sivakulasingam, S., Wang, H., Wong, S. T., Ganatra, M. A., & Luo, J. (2024). Credit risk prediction using machine learning and deep learning: A study on credit card customers. Risks, 12(11), 174. https://doi.org/10.3390/risks12110174

6. De Lange, P. E., Melsom, B., Vennerød, C. B., & Westgaard, S. (2022). Explainable AI for credit assessment in banks. Journal of Risk and Financial Management, 15(12), 556. https://doi.org/10.3390/jrfm15120556

7. Edunjobi, T. E., & Odejide, O. A. (2024). Theoretical frameworks in AI for credit risk assessment: Towards banking efficiency and accuracy. International Journal of Scientific Research Updates, 7(1), 92-102. https://doi.org/10.53430/ijsru.2024.7.1.0030

8. Kumar, P. A., Jahnavi, M., Ram, B. S., Chakri, S., & Jashwanth, R. (2026). Loaninsight: Interpretable machine learning for credit approval. International Journal of Creative and Open Research in Engineering and Management, 2(4).

9. Lê Cẩm Tú (2024). Ảnh hưởng của trí tuệ nhân tạo đến đánh giá rủi ro tín dụng trong lĩnh vực ngân hàng. Tạp chí Ngân hàng. https://tapchinganhang.gov.vn/anh-huong-cua-tri-tue-nhan-tao-den-danh-gia-rui-ro-tin-dung-trong-linh-vuc-ngan-hang-9275.html

10. Lê Cẩm Tú (2026). Ứng dụng trí tuệ nhân tạo tác nhân khi ra quyết định tài chính trong ngân hàng hiện đại. Tạp chí Ngân hàng. https://tapchinganhang.gov.vn/ung-dung-tri-tue-nhan-tao-tac-nhan-khi-ra-quyet-dinh-tai-chinh-trong-ngan-hang-hien-dai-17113.html

11. Mhlanga, D. (2021). Financial inclusion in emerging economies: The application of machine learning and artificial intelligence in credit risk assessment. International Journal of Financial Studies, 9(3), 39. https://doi.org/10.3390/ijfs9030039

12. Munkhdalai, L., Munkhdalai, T., Namsrai, O.-E., Lee, J. Y., & Ryu, K. H. (2019). An empirical comparison of machine-learning methods on bank client credit assessments. Sustainability, 11(3), 699. https://doi.org/10.3390/su11030699

13. Nallakaruppan, M. K., Balusamy, B., Shri, M. L., Malathi, V., & Bhattacharyya, S. (2024). An explainable AI framework for credit evaluation and analysis. Applied Soft Computing, 153, 111307. https://doi.org/10.1016/j.asoc.2024.111307

14. Nguyễn Hoàng Long và cộng sự (2022). Phân loại và chấm điểm tín dụng ngân hàng sử dụng các kỹ thuật Machine Learning trên nền tảng Big Data. Tạp chí Ngân hàng. https://tapchinganhang.gov.vn/phan-loai-va-cham-diem-tin-dung-ngan-hang-su-dung-cac-ky-thuat-machine-learning-tren-nen-tang-big-data-11077.html

15. Nguyễn Thị Thùy Anh (2026). Ứng dụng trí tuệ nhân tạo lĩnh vực tài chính - ngân hàng: Cơ hội, rủi ro và giải pháp nâng cao hiệu quả quản trị. https://tapchinganhang.gov.vn/ung-dung-tri-tue-nhan-tao-linh-vuc-tai-chinh-ngan-hang-co-hoi-rui-ro-va-giai-phap-nang-cao-hieu-qua-quan-tri-17213.html

16. Nkambule, D. S., Twala, B., & Pretorius, J. H. C. (2024). Effective machine learning techniques for dealing with poor credit data. Risks, 12(11), 172. https://doi.org/10.3390/risks12110172

17. Roy, J. K., & Vasa, L. (2025). Transforming credit risk assessment: A systematic review of AI and machine learning applications. Journal of Infrastructure, Policy and Development, 9(1), 9652. https://doi.org/10.24294/jipd9652

18. Sadok, H., Sakka, F., & El Maknouzi, M. E. H. (2022). Artificial intelligence and bank credit analysis: A review. Cogent Economics & Finance, 10(1), 2023262. https://doi.org/10.1080/23322039.2021.2023262

19. Talaat, F. M., Aljadani, A., Badawy, M., & Elhosseini, M. (2023). Toward interpretable credit scoring: Integrating explainable artificial intelligence with deep learning for credit card default prediction. Neural Computing and Applications. https://doi.org/10.1007/s00521-023-09254-0