Ứng dụng AI trong lĩnh vực tài chính

Giá trị lớn nhất của AI không nằm ở việc thay thế hoàn toàn chuyên gia tài chính. AI giúp xử lý lượng dữ liệu lớn nhanh hơn, phát hiện những mối quan hệ khó nhận ra bằng phương pháp thủ công và ưu tiên các trường hợp cần con người đánh giá. Trong khảo sát năm 2024 của Ngân hàng Trung ương Anh và Cơ quan Quản lý Tài chính Anh, 75% doanh nghiệp tài chính tham gia cho biết đã sử dụng AI, 10% khác dự kiến áp dụng trong ba năm tiếp theo. Tuy nhiên, chỉ 2% trường hợp sử dụng có khả năng ra quyết định hoàn toàn tự động, cho thấy giám sát của con người vẫn giữ vai trò trung tâm.

AI trong tài chính là gì và hoạt động như thế nào?

AI trong tài chính là việc sử dụng các mô hình máy học, xử lý ngôn ngữ tự nhiên, thị giác máy tính, phân tích mạng lưới và AI tạo sinh để thực hiện hoặc hỗ trợ những nhiệm vụ tài chính vốn cần con người phân tích.

Một hệ thống AI tài chính thường vận hành theo chu trình:

1.    Thu thập dữ liệu từ giao dịch, hồ sơ khách hàng, báo cáo tài chính, thị trường hoặc hệ thống vận hành

2.    Làm sạch và chuẩn hóa dữ liệu để giảm sai lệch

3.    Huấn luyện mô hình nhằm tìm mối quan hệ giữa dữ liệu đầu vào và kết quả cần dự đoán

4.    Đưa ra điểm số, cảnh báo, dự báo hoặc đề xuất

5.    Chuyển kết quả đến nhân sự hoặc hệ thống nghiệp vụ

6.    Theo dõi kết quả thực tế để phát hiện mô hình suy giảm và cập nhật khi cần

Máy học đặc biệt phù hợp với lĩnh vực tài chính vì ngành này tạo ra lượng lớn dữ liệu có cấu trúc như số tiền, thời điểm, tần suất giao dịch và lịch sử thanh toán. AI còn có thể phân tích dữ liệu phi cấu trúc như hợp đồng, email, nội dung cuộc gọi, báo cáo thường niên và tin tức.

Điểm khác biệt quan trọng giữa AI và phần mềm dựa trên quy tắc là khả năng học các mẫu từ dữ liệu. Một hệ thống quy tắc có thể cảnh báo mọi giao dịch vượt một ngưỡng nhất định. Mô hình AI có thể xem xét đồng thời số tiền, vị trí, thiết bị, lịch sử hành vi, mối liên hệ giữa các tài khoản và hàng chục biến khác để đánh giá mức độ bất thường.

Tuy nhiên, AI không tự động tạo ra quyết định đúng. Kết quả phụ thuộc vào chất lượng dữ liệu, cách xác định mục tiêu, phương pháp kiểm định và điều kiện vận hành thực tế.

AI hỗ trợ dự báo tài chính và quản lý dòng tiền

Dự báo là một trong những ứng dụng trực tiếp nhất của AI trong tài chính. Mô hình có thể phân tích chuỗi dữ liệu theo thời gian để ước tính doanh thu, chi phí, dòng tiền, nhu cầu vốn, khả năng thanh khoản hoặc biến động của một chỉ tiêu tài chính.

Dự báo dòng tiền doanh nghiệp

Phương pháp dự báo truyền thống thường dựa trên bảng tính, giả định cố định và số liệu tổng hợp theo tháng hoặc quý. AI có thể kết hợp nhiều tín hiệu hơn, chẳng hạn:

·         Lịch sử thu và chi

·         Thời gian thanh toán trung bình của từng khách hàng

·         Hóa đơn chưa thu

·         Đơn hàng đang xử lý

·         Tính mùa vụ

·         Biến động tỷ giá và lãi suất

·         Dữ liệu bán hàng theo thời gian gần thực

Mô hình không chỉ ước tính số dư tiền mặt mà còn có thể tạo cảnh báo khi doanh nghiệp có nguy cơ thiếu hụt thanh khoản. Bộ phận tài chính nhờ đó có thêm thời gian điều chỉnh lịch thanh toán, thu hồi công nợ, sử dụng hạn mức tín dụng hoặc thay đổi kế hoạch đầu tư.

Theo BIS, các khảo sát được cơ quan này tổng hợp cho thấy khoảng 70% doanh nghiệp dịch vụ tài chính sử dụng AI trong những hoạt động như cải thiện dự báo dòng tiền, quản lý thanh khoản, tinh chỉnh điểm tín dụng và phát hiện gian lận.

Lập kế hoạch và phân tích tài chính

AI có thể tự động tạo nhiều kịch bản thay vì chỉ sử dụng một dự báo cơ sở. Chẳng hạn, doanh nghiệp có thể xem dòng tiền thay đổi ra sao khi:

·         Doanh số giảm

·         Chi phí nguyên liệu tăng

·         Khách hàng thanh toán chậm

·         Lãi suất thay đổi

·         Tỷ giá biến động

AI cũng có thể phát hiện các sai lệch giữa kế hoạch và kết quả thực tế, sau đó xác định yếu tố có khả năng gây ra chênh lệch. Điều này giúp chuyên viên tài chính tập trung vào nguyên nhân quan trọng thay vì kiểm tra thủ công từng khoản mục.

Giới hạn của dự báo bằng AI

Dự báo AI chủ yếu học từ dữ liệu đã có. Khi xuất hiện khủng hoảng, thay đổi chính sách, thiên tai, sự kiện địa chính trị hoặc hành vi thị trường chưa từng xuất hiện trong dữ liệu huấn luyện, độ chính xác có thể giảm nhanh.

Vì vậy, dự báo AI nên đi kèm:

·         Khoảng dự báo thay vì một con số duy nhất

·         Phân tích kịch bản

·         Kiểm tra sức chịu đựng

·         Đánh giá của chuyên gia

·         Cơ chế cập nhật khi điều kiện kinh tế thay đổi

AI hỗ trợ dự báo nhưng không loại bỏ tính bất định vốn có của thị trường tài chính.

AI cải thiện chấm điểm tín dụng và quản trị rủi ro

Trong hoạt động cho vay, tổ chức tài chính cần ước tính xác suất khách hàng không thực hiện nghĩa vụ thanh toán. Các mô hình truyền thống thường dựa vào lịch sử tín dụng, thu nhập, tỷ lệ nợ trên thu nhập và tài sản bảo đảm.

AI có thể phân tích số lượng biến lớn hơn và nhận diện những mối quan hệ phi tuyến mà mô hình thống kê đơn giản khó thể hiện.

Chấm điểm tín dụng

Mô hình AI có thể sử dụng:

·         Lịch sử trả nợ

·         Biến động thu nhập

·         Dòng tiền trong tài khoản

·         Mức độ sử dụng hạn mức

·         Khoản thanh toán điện, nước hoặc viễn thông

·         Tần suất phát sinh nghĩa vụ tài chính

·         Đặc điểm của khoản vay

·         Điều kiện kinh tế liên quan

AI sau đó tạo ra điểm rủi ro hoặc xác suất vỡ nợ. Kết quả này có thể hỗ trợ quyết định phê duyệt, xác định hạn mức, định giá khoản vay và theo dõi khách hàng sau giải ngân.

BIS nhận định dữ liệu thay thế có thể cải thiện khả năng dự đoán vỡ nợ đối với những người có ít lịch sử tín dụng truyền thống. Điều này có khả năng mở rộng tiếp cận tài chính, nhưng chỉ phù hợp khi dữ liệu có liên quan hợp lý, được sử dụng minh bạch và không tạo ra sự phân biệt đối xử.

Cảnh báo sớm rủi ro tín dụng

Sau khi khoản vay được cấp, AI có thể theo dõi các dấu hiệu suy giảm như:

·         Thu nhập giảm bất thường

·         Số dư thường xuyên xuống thấp

·         Thanh toán trễ

·         Tần suất sử dụng tín dụng tăng nhanh

·         Dòng tiền kinh doanh suy yếu

·         Nghĩa vụ nợ mới phát sinh

Mục tiêu không nhất thiết là từ chối hoặc thu hồi khoản vay ngay lập tức. Cảnh báo sớm giúp tổ chức tài chính liên hệ khách hàng, tái cơ cấu nghĩa vụ phù hợp hoặc tăng cường kiểm soát trước khi tổn thất trở nên nghiêm trọng.

Quản trị rủi ro danh mục

Ở cấp độ danh mục, AI có thể phân nhóm các khoản vay theo đặc điểm rủi ro, phát hiện sự tập trung vào một ngành hoặc khu vực và mô phỏng tác động của những kịch bản kinh tế khác nhau.

Tuy nhiên, mô hình có thể đánh giá thấp rủi ro nếu dữ liệu huấn luyện chủ yếu được thu thập trong giai đoạn kinh tế thuận lợi. Nhiều tổ chức cùng sử dụng mô hình và nguồn dữ liệu tương tự còn có thể đưa ra phản ứng giống nhau, làm khuếch đại biến động khi thị trường chịu áp lực.

Do đó, kết quả của AI phải được kiểm tra cùng các giới hạn tín dụng, kiểm tra sức chịu đựng và kinh nghiệm của bộ phận quản trị rủi ro.

AI phát hiện gian lận, rửa tiền và giao dịch bất thường

Hệ thống thanh toán phải xử lý số lượng giao dịch rất lớn trong thời gian ngắn. Nếu chỉ sử dụng quy tắc cố định, tổ chức tài chính có thể tạo ra quá nhiều cảnh báo sai hoặc bỏ sót các phương thức gian lận mới.

AI giải quyết vấn đề này bằng cách xây dựng mô hình hành vi bình thường và xác định những giao dịch khác biệt đáng kể.

Phát hiện bất thường theo thời gian thực

Một mô hình có thể đánh giá các yếu tố như:

·         Số tiền giao dịch

·         Thời điểm phát sinh

·         Vị trí địa lý

·         Thiết bị đăng nhập

·         Người nhận tiền

·         Tần suất giao dịch

·         Thay đổi hành vi so với lịch sử

·         Quan hệ giữa các tài khoản

Hệ thống tạo điểm rủi ro cho từng giao dịch. Giao dịch có điểm thấp được xử lý bình thường; giao dịch có điểm cao có thể yêu cầu xác thực bổ sung, tạm dừng hoặc chuyển cho nhân viên điều tra.

Phân tích mạng lưới giao dịch

Nhiều hành vi tài chính bất hợp pháp không thể được nhận diện bằng cách xem từng giao dịch riêng lẻ. Các tài khoản có thể chuyển tiền qua nhiều lớp trung gian để che giấu nguồn gốc hoặc đích đến.

Mô hình đồ thị biểu diễn tài khoản và tổ chức dưới dạng các nút, còn giao dịch là liên kết giữa các nút. AI có thể phát hiện:

·         Nhóm tài khoản phối hợp

·         Vòng chuyển tiền bất thường

·         Tài khoản trung gian

·         Cấu trúc giao dịch phân tán

·         Mối liên hệ gián tiếp với tài khoản rủi ro

Project Hertha của BIS Innovation Hub thử nghiệm phương pháp phân tích ở cấp hệ thống thanh toán trên tập dữ liệu mô phỏng gồm 1,8 triệu tài khoản và 308 triệu giao dịch. Trong thử nghiệm, phương pháp này giúp phát hiện thêm 12% tài khoản bất hợp pháp và cải thiện 26% khả năng nhận diện những mẫu tội phạm tài chính chưa từng thấy. BIS đồng thời lưu ý đây chỉ là công cụ bổ sung; kết quả chưa tự động chứng minh tính hiệu quả trong môi trường thực tế và việc triển khai còn liên quan đến vấn đề pháp lý, quyền riêng tư và quy định.

AI cũng tạo ra rủi ro gian lận mới

Cùng một công nghệ có thể được sử dụng để phòng vệ hoặc tấn công. AI tạo sinh có thể hỗ trợ đối tượng xấu tạo nội dung giả, giả mạo danh tính và tự động hóa các chiến dịch lừa đảo.

Vì vậy, tổ chức tài chính không thể chỉ triển khai một mô hình phát hiện gian lận rồi giữ nguyên trong thời gian dài. Hệ thống cần được cập nhật theo phương thức tấn công mới, giám sát tỷ lệ cảnh báo sai và kết hợp xác thực nhiều lớp.

AI tự động hóa quy trình tài chính

Nhiều công việc tài chính bao gồm các bước lặp lại như thu thập dữ liệu, nhập chứng từ, đối chiếu, phân loại giao dịch và lập báo cáo. AI có thể tự động hóa một phần của chuỗi công việc này, đặc biệt khi kết hợp với phần mềm quản trị quy trình.

Xử lý hóa đơn và chứng từ

Thị giác máy tính và nhận dạng ký tự có thể đọc hóa đơn, biên lai, sao kê hoặc biểu mẫu. Mô hình xử lý ngôn ngữ tiếp tục xác định:

·         Tên nhà cung cấp

·         Số hóa đơn

·         Ngày thanh toán

·         Thuế

·         Số tiền

·         Điều khoản hợp đồng

·         Tài khoản kế toán liên quan

Dữ liệu sau đó được kiểm tra với đơn đặt hàng và biên bản nhận hàng. Những trường hợp khớp có thể được xử lý tự động, trong khi chứng từ thiếu thông tin hoặc có dấu hiệu bất thường được chuyển cho nhân viên.

Đối chiếu và lập báo cáo

AI có thể hỗ trợ đối chiếu dữ liệu giữa ngân hàng, sổ kế toán, hệ thống thanh toán và nền tảng bán hàng. Thay vì yêu cầu con người kiểm tra mọi dòng dữ liệu, hệ thống ưu tiên những khoản có chênh lệch hoặc độ tin cậy thấp.

AI tạo sinh còn có thể chuyển dữ liệu thành bản tóm tắt bằng ngôn ngữ tự nhiên, chẳng hạn giải thích nguyên nhân chi phí tăng hoặc mô tả biến động dòng tiền. Tuy nhiên, mọi con số trong báo cáo vẫn cần được liên kết với dữ liệu nguồn. Mô hình ngôn ngữ có thể tạo ra lời giải thích nghe hợp lý nhưng không chính xác nếu không được kiểm soát.

Dịch vụ khách hàng

Trợ lý ảo có thể trả lời câu hỏi về số dư, lịch thanh toán, thủ tục hoặc trạng thái giao dịch. Với yêu cầu phức tạp, hệ thống có thể thu thập thông tin ban đầu rồi chuyển sang nhân viên phù hợp.

Lợi ích chính là rút ngắn thời gian xử lý các yêu cầu phổ biến, không phải loại bỏ hoàn toàn nhân viên chăm sóc khách hàng. Các trường hợp liên quan đến khiếu nại, khó khăn tài chính, nghi ngờ gian lận hoặc quyết định ảnh hưởng lớn vẫn cần con người xem xét.

BIS đánh giá AI có khả năng nâng cao hiệu quả và giảm chi phí trong xử lý hậu cần, tuân thủ, phát hiện gian lận và dịch vụ khách hàng nhờ khả năng tìm mẫu trong dữ liệu lớn và dữ liệu phi cấu trúc.

AI được sử dụng trong đầu tư và thị trường vốn như thế nào?

Trong quản lý tài sản và thị trường vốn, AI có thể xử lý dữ liệu giá, báo cáo doanh nghiệp, thông tin kinh tế và nội dung văn bản để hỗ trợ nghiên cứu.

Các ứng dụng phổ biến gồm:

·         Phân tích tâm lý thị trường

·         Nhận diện xu hướng và tương quan

·         Xây dựng danh mục

·         Ước tính rủi ro

·         Tối ưu thực hiện giao dịch

·         Giám sát thị trường

·         Phát hiện thao túng

·         Tóm tắt báo cáo doanh nghiệp

Xử lý ngôn ngữ tự nhiên giúp trích xuất thông tin từ báo cáo tài chính, cuộc họp với nhà đầu tư và tài liệu công bố. Mô hình có thể đánh dấu thay đổi trong ngôn ngữ quản trị, mức độ bất định hoặc các yếu tố rủi ro mới.

Tuy nhiên, khả năng phân tích nhanh không đồng nghĩa với khả năng dự đoán chắc chắn giá tài sản. Khi nhiều tổ chức sử dụng dữ liệu, nhà cung cấp và chiến lược tương tự, các quyết định có thể trở nên đồng nhất. Trong giai đoạn căng thẳng, phản ứng đồng thời có thể làm thị trường biến động nhanh hơn.

IMF nhận định AI có thể hỗ trợ quản trị rủi ro, thanh khoản và giám sát thị trường, nhưng cũng có thể làm gia tăng tốc độ biến động khi thị trường chịu áp lực, mức độ phụ thuộc vào một số nhà cung cấp, rủi ro mạng và nguy cơ thao túng.

AI vì thế nên được xem là công cụ nghiên cứu và kiểm soát, không phải cơ chế bảo đảm lợi nhuận.

Những rủi ro khi áp dụng AI trong tài chính

Tài chính là lĩnh vực có hậu quả trực tiếp đối với tài sản, khả năng tiếp cận tín dụng và quyền lợi của khách hàng. Sai sót của AI vì thế có thể tạo ra tác động lớn hơn so với nhiều ứng dụng thông thường.

Dữ liệu thiếu chính xác hoặc không đại diện

Mô hình học từ dữ liệu quá khứ. Nếu dữ liệu chứa lỗi, thiếu nhóm khách hàng hoặc phản ánh các quyết định thiên lệch trước đây, mô hình có thể tiếp tục tái tạo sai lệch đó.

Kiểm soát dữ liệu phải bao gồm nguồn gốc, quyền sử dụng, mức độ đầy đủ, tính đại diện, thời gian cập nhật và khả năng truy vết.

Thiên lệch trong quyết định

Một mô hình tín dụng có thể không trực tiếp sử dụng giới tính, dân tộc hoặc khu vực nhạy cảm nhưng vẫn suy luận gián tiếp thông qua các biến tương quan. Vì vậy, loại bỏ một trường dữ liệu nhạy cảm chưa đủ để bảo đảm công bằng.

Tổ chức cần so sánh tỷ lệ phê duyệt, tỷ lệ từ chối sai, mức sai số và tác động của mô hình giữa các nhóm khách hàng phù hợp.

Khả năng giải thích hạn chế

Trong tài chính, một điểm rủi ro thường cần đi kèm lý do. Khách hàng, nhân viên kiểm soát và cơ quan quản lý phải có khả năng hiểu những yếu tố chính dẫn đến kết quả.

Mức độ giải thích cần thiết phụ thuộc vào tác động của quyết định. Mô hình hỗ trợ phân loại tài liệu có thể chấp nhận mức giải thích thấp hơn mô hình quyết định hạn mức tín dụng.

Phụ thuộc vào bên thứ ba

Doanh nghiệp có thể sử dụng mô hình, dữ liệu và hạ tầng điện toán của nhiều nhà cung cấp. Điều này làm tăng tốc độ triển khai nhưng cũng tạo rủi ro tập trung.

Khảo sát năm 2024 của Ngân hàng Trung ương Anh cho thấy một phần ba trường hợp sử dụng AI là triển khai của bên thứ ba. Ba nhà cung cấp lớn nhất chiếm lần lượt 73% nhà cung cấp đám mây, 44% nhà cung cấp mô hình và 33% nhà cung cấp dữ liệu được báo cáo trong khảo sát.

Sự cố tại một nhà cung cấp lớn có thể ảnh hưởng đồng thời đến nhiều tổ chức tài chính. Hợp đồng, kế hoạch dự phòng, quyền kiểm toán và khả năng chuyển đổi nhà cung cấp vì thế là bộ phận của quản trị AI.

Mô hình suy giảm theo thời gian

Quan hệ giữa dữ liệu và kết quả có thể thay đổi khi hành vi khách hàng, điều kiện kinh tế hoặc phương thức gian lận biến đổi. Một mô hình từng hoạt động tốt có thể giảm độ chính xác mà không tạo ra lỗi kỹ thuật rõ ràng.

Tổ chức phải theo dõi các chỉ số như:

·         Độ chính xác và sai số

·         Tỷ lệ cảnh báo sai

·         Tỷ lệ bỏ sót

·         Mức thay đổi phân phối dữ liệu

·         Chênh lệch giữa các nhóm khách hàng

·         Số trường hợp phải can thiệp thủ công

·         Tác động tài chính của quyết định sai

Doanh nghiệp nên triển khai AI tài chính theo quy trình nào?

Một dự án AI nên bắt đầu từ vấn đề nghiệp vụ cụ thể, không bắt đầu từ mong muốn sử dụng một công nghệ đang phổ biến.

Xác định quyết định cần cải thiện

Doanh nghiệp cần mô tả rõ:

·         Quyết định nào đang được thực hiện

·         Người nào chịu trách nhiệm

·         Dữ liệu nào được sử dụng

·         Sai sót hiện tại gây hậu quả gì

·         AI sẽ hỗ trợ hay tự động hóa phần nào

·         Trường hợp nào bắt buộc con người xử lý

Mục tiêu “ứng dụng AI vào tài chính” quá rộng để đo lường. Mục tiêu phù hợp hơn có thể là giảm cảnh báo gian lận sai, rút ngắn thời gian đối chiếu hoặc dự báo thiếu hụt tiền mặt sớm hơn.

Thiết lập chỉ số đánh giá

Chỉ số phải phản ánh cả hiệu quả và rủi ro. Ví dụ, mô hình phát hiện gian lận không thể chỉ được đánh giá bằng số cảnh báo tạo ra. Cần xem xét đồng thời:

·         Tỷ lệ phát hiện đúng

·         Tỷ lệ bỏ sót

·         Tỷ lệ cảnh báo sai

·         Giá trị tổn thất ngăn chặn được

·         Thời gian điều tra

·         Mức ảnh hưởng đến giao dịch hợp lệ

Mô hình tín dụng cũng không nên chỉ tối ưu tỷ lệ hoàn trả. Tổ chức phải kiểm tra mức độ công bằng, khả năng giải thích và tác động đến quyền tiếp cận tài chính.

Phân loại mức độ rủi ro của từng trường hợp sử dụng

AI dùng để tóm tắt tài liệu nội bộ có mức độ rủi ro khác với AI quyết định từ chối khoản vay. Mức kiểm soát cần tăng theo tác động của hệ thống.

Các ứng dụng có ảnh hưởng lớn nên có:

·         Phê duyệt độc lập trước khi triển khai

·         Kiểm định dữ liệu và mô hình

·         Giới hạn quyền tự động quyết định

·         Cơ chế con người can thiệp

·         Nhật ký quyết định

·         Quy trình khiếu nại

·         Kế hoạch dừng hoặc quay lại hệ thống cũ

Khảo sát của Ngân hàng Trung ương Anh cho thấy 55% trường hợp sử dụng AI có một mức độ tự động ra quyết định, nhưng chỉ 2% hoàn toàn tự động. Đồng thời, 84% doanh nghiệp cho biết đã chỉ định người chịu trách nhiệm cho khung quản trị AI.

Quản trị trong toàn bộ vòng đời

Quản trị AI không kết thúc khi mô hình được đưa vào sử dụng. Hệ thống phải được kiểm soát từ thiết kế, thu thập dữ liệu, phát triển, kiểm định, triển khai đến giám sát và ngừng sử dụng.

Khung quản trị rủi ro AI của NIST nhấn mạnh việc tích hợp các yếu tố đáng tin cậy vào quá trình thiết kế, phát triển, sử dụng và đánh giá hệ thống AI. Đây là khung tự nguyện và cần được điều chỉnh theo quy định, mức độ rủi ro và bối cảnh của từng tổ chức.

Một nguyên tắc thực tế là AI có thể đề xuất, xếp hạng và cảnh báo; trách nhiệm cuối cùng vẫn phải được gắn với một cá nhân hoặc đơn vị có thẩm quyền.

AI được ứng dụng trong tài chính bằng cách biến dữ liệu thành dự báo, điểm rủi ro, cảnh báo và đề xuất hành động. Công nghệ này có thể cải thiện dự báo dòng tiền, đánh giá tín dụng, phát hiện gian lận, quản trị danh mục và tự động hóa các quy trình có khối lượng lớn.

Hiệu quả của AI không chỉ phụ thuộc vào độ phức tạp của mô hình. Một hệ thống đơn giản nhưng có dữ liệu tốt, mục tiêu rõ ràng và cơ chế kiểm soát phù hợp có thể tạo ra giá trị cao hơn một mô hình tiên tiến nhưng không thể giải thích hoặc giám sát.

Trong lĩnh vực tài chính, AI nên hỗ trợ năng lực phán đoán thay vì xóa bỏ trách nhiệm của con người. Dữ liệu, kiểm định độc lập, khả năng giải thích, giám sát liên tục và cơ chế can thiệp là những điều kiện giúp lợi ích của AI không bị đánh đổi bằng rủi ro đối với khách hàng và hệ thống tài chính.