Ngân hàng Thanh toán Quốc tế (BIS) vừa công bố Báo cáo nghiên cứu về ứng dụng của trí tuệ nhân tạo (AI) trong điều hành chính sách tại Hội nghị Bộ trưởng Tài chính 20 nền kinh tế phát triển nhất thế giới (G20) và Hội đồng Thống đốc các Ngân hàng Trung ương (NHTW), trong đó nhấn mạnh tầm quan trọng và ứng dụng tiềm năng của công nghệ AI (bao gồm cả dữ liệu lớn và học máy để nâng cao hiệu quả việc ra quyết định chính sách của các cơ quan quản lý, giám sát, những vấn đề, thách thức cần quan tâm trong việc sử dụng hiệu quả AI tạo sinh, cũng như cung cấp một số bài học kinh nghiệm và hàm ý chính sách trong việc sử dụng AI hiệu quả.
Cùng với sự phát triển mạnh mẽ của công nghệ số, AI ngày càng đóng vai trò quan trọng trong công tác điều hành chính sách bằng cách nâng cao hiệu quả phân tích dữ liệu, tự động hóa quy trình, hỗ trợ ra quyết định và cá nhân hóa dịch vụ công, giúp cơ quan quản lý nhà nước xử lý công việc nhanh hơn, chính xác hơn, tiết kiệm nguồn lực và tăng cường tính minh bạch trong hoạt động quản trị, điều hành. Chính vì những lợi ích to lớn mà AI mang lại, các NHTW và cơ quan giám sát trên thế giới đang khai thác triệt để ứng dụng đột phá của AI để tối ưu hóa quy trình nghiệp vụ và nâng cao năng lực quản trị điều hành.
Ảnh minh họa (Nguồn: Internet)
Ứng dụng AI trong điều hành chính sách
Báo cáo của BIS xem xét cách thức các NHTW và các cơ quan giám sát đang sử dụng AI cho các mục tiêu chính sách, quản trị điều hành. Cụ thể, việc sử dụng công nghệ dữ liệu lớn và máy học trên bốn khía cạnh chính, bao gồm: (i) Thu thập thông tin và tổng hợp số liệu thống kê; (ii) Phân tích vĩ mô và tài chính hỗ trợ chính sách tiền tệ; (iii) Giám sát hệ thống thanh toán; và (iv) Giám sát và phân tích ổn định tài chính; cùng với đó là giới thiệu các dự án thử nghiệm AI gần đây của Trung tâm Đổi mới sáng tạo BIS trong lĩnh vực này.
Thu thập dữ liệu
Các NHTW thu thập dữ liệu từ nhiều nguồn khác nhau, vừa để sử dụng nội bộ vừa để công khai dưới dạng tài sản công. Tuy vậy, việc đảm bảo dữ liệu chất lượng cao cho công tác phân tích kinh tế và dự báo thống kê vẫn được xem là một thách thức không nhỏ đối với các NHTW và các cơ quan quản lý giám sát. Những trở ngại chính bao gồm việc làm sạch dữ liệu đảm bảo tính đại diện và liên kết các quan sát mới với các chuỗi dữ liệu có sẵn. Mặt khác, khối lượng và độ phức tạp của dữ liệu ngày càng tăng đòi hỏi các công cụ kiểm soát chất lượng linh hoạt và hiệu quả. Để vượt qua rào cản này, các NHTW đang ngày càng áp dụng rộng rãi các kỹ thuật học máy để xử lý các tập dữ liệu lớn, chi tiết và nâng cao chất lượng thu thập, làm sạch dữ liệu để phục vụ công tác điều hành.
Phân tích kinh tế vĩ mô và tài chính hỗ trợ chính sách tiền tệ
Dữ liệu kịp thời là yếu tố thiết yếu cho công tác dự báo trong ngắn hạn. Do không có thước đo đơn lẻ nào có thể nắm bắt đầy đủ hoạt động kinh tế theo thời gian thực, các mô hình dự báo ngắn hạn thường sử dụng các tập dữ liệu lớn, phức tạp, chứa hàng chục, thậm chí là hàng trăm chỉ số dự báo. Những đột phá trong lĩnh vực kinh tế lượng đa chiều hiện nay đã giúp các cơ quan quản lý cải thiện và nâng cao tính chính xác của dự báo, hỗ trợ hiệu quả công tác dự báo, phân tích diễn biến kinh tế vĩ mô và điều hành chính sách tiền tệ của NHTW. Có thể kể đến Hệ thống dự báo ngắn hạn của Ngân hàng Dữ trữ Liên bang New York đã áp dựng phương pháp này dựa trên một loạt các chuỗi dữ liệu, tách biệt hoàn toàn với các tác nhân tiềm ẩn và dự báo các chỉ số tổng hợp chính, đặc biệt là GDP, qua đó cho phép dự báo ngắn hạn chính xác, kịp thời hơn. Một ví dụ khác là Dự án Mô hình Ngôn ngữ NHTW của BIS giúp tinh chỉnh và đánh giá lại các mô hình nền tảng nguồn mở dựa trên hàng nghìn bài phát biểu và bài nghiên cứu chuyên sâu được lưu trữ tại BIS. Việc tinh chỉnh chuyên biệt này giúp nâng cao độ chính xác trong việc phân tích thuật ngữ tiền tệ từ khoảng 50 - 60% lên khoảng 90% và cải thiện các nhiệm vụ như phân loại lập trường chính sách hoặc dự báo phản ứng của thị trường đối với các thông báo chính sách.
Giám sát các hệ thống thanh toán
Hiện tại, các ngân hàng và các tổ chức tài chính khác chủ yếu sử dụng các hệ thống dựa trên quy tắc (một dạng AI thô sơ) để thực hiện giám sát các giao dịch có dấu hiệu đáng ngờ. Các hệ thống này sẽ tạo cảnh báo khi đạt đến một số ngưỡng hoặc mô hình nhất định (do các chuyên gia hoặc cơ quan quản lý xác định), chẳng hạn như các khoản tiền gửi hoặc giao dịch chuyển khoản giá trị lớn đến các khu vực pháp lý/quốc gia có rủi ro cao có thể tự động kích hoạt cảnh báo. Tuy vậy, đối với một lĩnh vực nhạy cảm, phức tạp và khó quản lý, giám sát như rửa tiền, tài trợ khủng bố, thì hệ thống dựa trên quy tắc cũng có nhược điểm là khó phát hiện và đưa ra kích hoạt cảnh báo kịp thời khi tội phạm rửa tiền có xu hướng chia nhỏ hoặc ngụy trang các giao dịch để tránh/vượt qua các ngưỡng kích hoạt cơ bản. Một thách thức khác đối với cơ quan quản lý, giám sát là mỗi tổ chức chỉ thấy dữ liệu của riêng mình, trong khi đó, các mạng lưới rửa tiền thường trải rộng trên nhiều ngành, lĩnh vực tại các quốc gia khác nhau, vì vậy, không một tổ chức nào có thể dễ dàng phát hiện ra toàn bộ các hoạt động rửa tiền nếu tội phạm chuyển đổi giữa các tổ chức. Chính vì lý do này, hệ thống thanh toán toàn cầu trở lên kém hiệu quả và phân mảnh nhiều hơn, và do đó, tội phạm lợi dụng sự phân mảnh và phức tạp của các mạng lưới thanh toán để che giấu các khoản tiền bất hợp pháp, trong khi các ngân hàng lại chi tiêu rất nhiều nguồn lực cho việc tuân thủ AML.
Trong số các Dự án của Trung tâm Đổi mới Sáng tạo BIS tập trung vào việc sử dụng AI, Dự án Aurora hướng đến việc giải quyết trực tiếp những vấn đề này. Được khởi xướng như một bằng chứng khái niệm để thử nghiệm các kỹ thuật mới nhằm giám sát các giao dịch AML ở giữa các tổ chức và biên giới, Dự án sử dụng dữ liệu rửa tiền tổng hợp để phân tích, so sánh các mô hình truyền thống với các giải pháp thay thế máy học. Mục tiêu của Dự án Aurora là sử dụng công cụ phân tích nâng cao (học máy, phân tích mạng) trên một tập dữ liệu toàn diện về các giao dịch thanh toán, đồng thời sử dụng công nghệ bảo vệ quyền riêng tư để bảo vệ dữ liệu nhạy cảm. Dựa trên cái nhìn toàn diện hơn về các mạng lưới giao dịch, các mô hình AI tạo sinh có thể phát hiện ra các mô hình rửa tiền phức tạp, tinh vi, vốn có thể tránh được các cuộc kiểm tra riêng lẻ tại một ngân hàng, qua đó giúp các cơ quan giám sát, chống rửa tiền có thêm thông tin, dữ liệu để phòng ngừa, đấu tranh với các hoạt động tội phạm rửa tiền và tài trợ khủng bố.
Đến nay, Aurora đã thực hiện thành công một phân tích cộng tác mô phỏng. Dữ liệu giao dịch của nhiều tổ chức đã được kết hợp dưới dạng mã hóa, và mạng nơ-ron đồ thị (một loại AI phù hợp với dữ liệu mạng) được áp dụng để xác định các cụm giao dịch đáng ngờ, mang đến kết quả ấn tượng hơn nhiều so với các phương pháp giám sát AML dựa trên quy tắc truyền thống. Theo những phát hiện được công bố, phương pháp này đã phát hiện số vụ rửa tiền liên quan đến các thủ đoạn, hành vi phức tạp nhiều gấp ba lần và đồng thời giảm số trường hợp dương tính giả lên tới 80%. Và mặc dù vẫn còn những thách thức thực tế phía trước, như rào cản pháp lý và kỹ thuật (luật bảo vệ dữ liệu, nhu cầu về các tiêu chuẩn dữ liệu chung…), tuy nhiên, nếu được triển khai, các tiện tích do AI mang lại có thể cho phép các cơ quan quản lý và ngân hàng tìm ra phương pháp giám sát hiệu quả hơn trong bối cảnh hoạt động rửa tiền đang biến hệ thống phân mảnh hiện tại thành một hệ thống mạng thống nhất để phát hiện các giao dịch tài chính bất hợp pháp.
Giám sát và ổn định tài chính
Nhiều NHTW tập hợp thông tin dựa trên các nền tảng duy nhất để hỗ trợ công tác giám sát trên cơ sở dữ liệu phi cấu trúc. Các mô hình được tinh chỉnh dựa trên nội dung giám sát và được trang bị ngôn ngữ xử lý tự nhiên có thể phân loại, sàng lọc tài liệu, đo lường cảm xúc và đánh dấu các chủ đề mới nổi, như Dự án Athena của NHTW Châu Âu (ECB). Việc kết hợp các văn bản lớn với từ điển chuyên môn về các thuật ngữ chính giúp tự động hóa việc trích xuất các nội dung văn bản liên quan đến rủi ro. Ví dụ, Công cụ Trích xuất Ngôn ngữ (LEX) của Cục Dự trữ Liên bang (Federal Reserves) cải thiện quyền truy cập của cán bộ giám sát đối với tài liệu liên quan nằm rải rác trên hàng triệu tệp và rút ngắn thời gian xem xét, hay Dự án nền tảng AI của NHTW Brazil với tên gọi ADAM sử dụng mạng nơ-ron AI để xác định chính xác người đi vay và bên cho vay khai báo thấp hơn mức tổn thất tín dụng, giúp phát hiện những người vay có tổn thất cao, từ đó cán bộ giám sát có thể yêu cầu bổ sung dự phòng khoản vay để phòng ngừa rủi ro tín dụng cho ngân hàng.
Báo cáo của BIS đã chỉ ra những lĩnh vực giám sát mà ứng dụng AI tạo sinh có thể hỗ trợ khá hiệu quả, bao gồm: Tự động hóa quy trình giám sát, đánh giá rủi ro tài chính, hình ảnh hóa dữ liệu, theo dõi tuân thủ về AML/CFT, đánh giá thực hành quản trị, phát hiện rủi ro mạng, phân tích mô hình kinh doanh, giám sát tài sản mã hóa… Bên cạnh việc hỗ trợ hoạt động giám sát thì công tác phân tích an toàn vĩ mô và ổn định tài chính có thể được hưởng lợi từ khả năng ưu việt của AI. Nhờ được trang bị tệp dữ liệu phong phú, khả năng nhận dạng mẫu ở phạm vi rộng, AI có thể giúp tạo ra các chỉ số cảnh báo sớm, cảnh báo các cán bộ giám sát về các rủi ro liên quan đến hệ thống thanh toán, từ đó cơ quan giám sát ra quyết định chính sách phù hợp. Tuy vậy, thực tế là công nghệ khó có thể thay thế hoàn toàn được con người, năng lực chuyên môn của con người và những lập luận kinh tế vững chắc vẫn phải là một yếu tố quan trọng để đảm bảo AI thế hệ mới có thể mang lại lợi ích trong phân tích chính sách an toàn vĩ mô.
Theo BIS, nhìn chung, các NHTW đã và đang tích cực áp dụng AI vào hoạt động quản lý điều hành hàng ngày. Để hỗ trợ các NHTW và cơ quan giám sát, BIS đã và đang nghiên cứu phát triển các sáng kiến ứng dụng AI khác nhau trong các lĩnh vực nêu trên. Tính đến năm 2025, BIS đã thực hiện 09 Dự án liên quan trực tiếp đến các phương pháp AI, bao gồm nhiều trường hợp sử dụng. Các Dự án này là minh chứng sống động về cách thức AI có thể được áp dụng để giải quyết các thách thức chính sách đa dạng, từ công nghệ quản lý quy định (Regtech) đến an ninh mạng, và cung cấp những hiểu biết thực nghiệm có thể được chia sẻ trong cộng đồng NHTW toàn cầu.
Thách thức đối mặt và bài học kinh nghiệm
Theo BIS, cho đến nay, mặc dù kinh nghiệm từ các trường hợp cơ quan quản lý sử dụng công nghệ máy học và AI nói chung phần lớn được đánh giá là tích cực và đạt được một số thành công đáng kể, việc ứng dụng công nghệ tiềm năng này cũng mang đến một số thách thức nhất định mà các NHTW phải đối mặt, cụ thể:
Thứ nhất, thông qua ứng dụng công nghệ AI, nhiều NHTW đã dự báo chính xác hơn hoặc quy trình phân tích nhanh hơn và các công cụ AI giám sát đã cải thiện việc xác định các vấn đề tuân thủ. Tuy nhiên, việc sử dụng AI và học máy tại các NHTW và các cơ quan giám sát khác luôn song hành với một số thách thức, trong đó tính riêng tư, an ninh mạng, định kiến về công nghệ là các mối quan ngại hàng đầu, thiếu hụt kỹ năng và xử lý rủi ro là các rào cản chính.
Thứ hai, việc sử dụng AI nhiều hơn cũng đòi hỏi các NHTW phải đầu tư nhiều hơn nữa vào CNTT và nguồn nhân lực. Việc sở hữu phần cứng, phần mềm và đào tạo nhân viên mạnh mẽ đều đòi hỏi chi phí trả trước lớn. Việc tuyển dụng hoặc giữ chân nhân tài kết hợp chuyên môn kinh tế với kỹ năng lập trình là rất khó khăn do nhu cầu mạnh mẽ của khu vực tư nhân. 9/10 NHTW báo cáo những trở ngại tuyển dụng lớn hơn, đặc biệt đối với các vị trí an ninh mạng, CNTT, công nghệ tài chính và AI, trong khi nhiều ngân hàng phải đối mặt với các rào cản pháp lý như thi tuyển công chức và quyền công dân.
Thứ ba, việc áp dụng và sử dụng AI thành công phụ thuộc vào quản lý và quản trị thay đổi mạnh mẽ. Các chương trình học tập liên tục, kế hoạch phát triển rõ ràng cho các nhóm và cá nhân, cùng với các khuôn khổ đạo đức AI tích hợp có thể giúp con người thích nghi với các công cụ và trách nhiệm mới. Trong kịch bản Copilot (trợ lý AI của Microsoft), ưu tiên là lồng ghép các hiểu biết về AI vào phân tích hàng ngày, nhưng con người vẫn trực tiếp phụ trách và kiểm soát các quy trình.Trong khi đó, trong kịch bản tác nhân, kỹ năng giám sát, giám sát hệ thống và kỹ thuật dữ liệu kỷ luật trở nên tối quan trọng. Các nhóm đa dạng, bao gồm sự kết hợp giữa chuyên gia và chuyên gia đa lĩnh vực được xem là lựa chọn phù hợp nhất để quản lý quá trình chuyển đổi này cũng như bảo vệ kiến thức của tổ chức.
Thứ tư, việc sử dụng dữ liệu cá nhân hoặc phi cấu trúc cũng gây ra những lo ngại về pháp lý và quyền riêng tư. AI phát triển mạnh nhờ dữ liệu, nhưng các cơ quan quản lý tài chính phải duy trì các tiêu chuẩn bảo mật nghiêm ngặt. Bên cạnh đó, việc đào tạo hoặc tinh chỉnh các mô hình ngôn ngữ lớn đòi hỏi các tập dữ liệu lớn, đôi khi được thu thập từ các nền tảng thị trường hoặc mạng xã hội, nhưng khuôn khổ pháp lý hiếm khi quy định cụ thể cách thức sử dụng dữ liệu đó và tính hợp pháp của việc thu thập đó liên quan đến luật sở hữu trí tuệ hiện vẫn đang là dấu hỏi lớn. Vì vậy, người tiêu dùng có xu hướng lo ngại về khả năng vi phạm và lạm dụng dữ liệu, và hoàn toàn ủng hộ việc quy định chặt chẽ hơn về quyền riêng tư đối với AI. Hơn nữa, người tiêu dùng cũng cảm nhận mức độ tin tưởng vào AI thế hệ mới thấp hơn so với các dịch vụ do con người vận hành, đặc biệt là trong các lĩnh vực có rủi ro cao như ngân hàng và chính sách công.
Thứ năm, liên quan đến vận hành hệ thống, sự gia tăng của các mô hình ngôn ngữ lớn và AI thế hệ mới làm dấy lên lo ngại về sự phụ thuộc vào một số ít các nhà cung cấp bên ngoài. Lợi thế kinh tế theo quy mô đồng nghĩa với việc chỉ một số ít công ty công nghệ lớn cung cấp các mô hình nền tảng mạnh mẽ nhất. Thực tế, hầu hết chuỗi cung ứng AI được đặc trưng bởi mức độ tập trung cao, từ trung tâm dữ liệu đến điện toán đám mây và các ứng dụng AI. Sự tập trung này có thể đe dọa sự đổi mới sáng tạo và làm gia tăng rủi ro về ổn định tài chính, hoạt động và uy tín của tổ chức. Mặt khác, việc phụ thuộc quá nhiều vào một nhóm nhỏ các nhà cung cấp khiến hệ thống dễ gặp sự cố công nghệ thông tin hoặc tấn công mạng, từ đó làm suy yếu hoạt động vận hành của các NHTW.
Trên cơ sở những thách thức đã được nhận diện, BIS đã đúc rút bài học kinh nghiệm cho các cơ quan quản lý, đó là: Việc giải quyết những thách thức phát sinh từ phía bộ phận vận hành và nguồn nhân lực đòi hỏi phải tập hợp nguồn lực và kinh nghiệm để tận dụng và phát huy sức mạnh tổng hợp. Hợp tác có thể là “chìa khóa” giúp giảm bớt hạn chế về nguồn lực bằng cách tập hợp kiến thức và chia sẻ chi phí thu thập, lưu trữ và phân tích dữ liệu lớn, cũng như phát triển và đào tạo các mô hình AI. Đồng thời, hợp tác cũng có thể hỗ trợ đào tạo nhân sự thông qua tổ chức các hội thảo và hội nghị chuyên đề, trong khi việc tái sử dụng các mô hình AI đã được đào tạo có thể tiết giảm chi phí môi trường liên quan đến các quy trình tiêu tốn nhiều nguồn lực. Ngoài ra, việc chuẩn hóa các hoạt động dữ liệu và xây dựng kho lưu trữ chung cho các công cụ nguồn mở, chẳng hạn như BIS Open Tech, có thể nâng cao hiệu quả và khả năng tiếp cận của các ứng dụng AI. Việc chia sẻ các mô hình được tinh chỉnh trong cộng đồng NHTW có thể giảm bớt các rào cản trong việc áp dụng đồng thời vẫn đảm bảo tính bảo mật, an toàn dữ liệu.
Hàm ý chính sách đối với cơ quan quản lý
Theo nhận định của BIS, với vai trò là đơn vị tiên phong áp dụng dữ liệu lớn và phương pháp học máy, các NHTW đang ở vị thế lý tưởng để khai thác tiềm năng ứng dụng to lớn của AI trong kỷ nguyên số. Với nguồn dữ liệu khổng lồ có cấu trúc và phi cấu trúc, cũng như nhu cầu phân tích, dự báo vĩ mô để hỗ trợ chính sách, sự kết hợp giữa học máy và các lĩnh vực cốt lõi của NHTW như kinh tế, thống kê và kinh tế lượng có thể sẽ đưa các NHTW lên vị trí cạnh tranh trong những tiến bộ của AI, từ thu thập và phổ biến dữ liệu đến chính sách tiền tệ và giám sát. Tuy nhiên, để khai thác lợi ích của AI, các NHTW và các cơ quan chức năng khác cần giải quyết nhiều thách thức và sự đánh đổi quan trọng. Những thách thức này bao gồm sự đánh đổi giữa việc sử dụng các mô hình AI bên ngoài so với mô hình AI nội bộ, cũng như việc thu thập và cung cấp dữ liệu nội bộ so với việc thuê mua dữ liệu từ các nhà cung cấp bên ngoài. Cùng với tính trung tâm của dữ liệu, sự trỗi dậy của AI sẽ đòi hỏi phải xem xét lại vai trò truyền thống của các NHTW là cơ quan dự thảo, sử dụng và cung cấp dữ liệu. Để giảm thiểu sự đánh đổi và vượt qua thách thức này, sự hợp tác và chia sẻ kinh nghiệm nổi lên như những hướng đi then chốt, trong đó việc thành lập một “cộng đồng thực hành” để chia sẻ kiến thức, dữ liệu, các phương pháp hay nhất và các công cụ AI được xem là bước đi phù hợp.
Cuối cùng, BIS nhấn mạnh rằng, mặc dù AI có tiềm năng đáng kể trong việc nâng cao việc hoạch định chính sách, nhưng việc sử dụng hiệu quả AI thế hệ mới đòi hỏi một số thách thức cần được giải quyết, bao gồm từ quản trị dữ liệu đến đầu tư vào nguồn nhân lực và hạ tầng công nghệ thông tin. Các NHTW và cơ quan quản lý giám sát cần tăng cường hợp tác và chia sẻ thông tin, kinh nghiệm để khai thác tối đa lợi ích AI mang lại, qua đó nâng cao hiệu quả công tác dự báo, thống kê và điều hành chính sách./.
Minh Đức (Theo BIS)