Nhiều ngân hàng đã có chatbot, copilot và hàng chục thử nghiệm AI. Nhưng khi được hỏi AI đã giảm bao nhiêu thời gian xử lý, tạo thêm bao nhiêu doanh thu hoặc kiểm soát được bao nhiêu rủi ro, câu trả lời thường chưa rõ ràng.
Khoảng cách giữa AI pilot và AI value chủ yếu không nằm ở năng lực của mô hình. Nó nằm ở việc doanh nghiệp có chọn đúng vấn đề, thiết kế lại đúng workflow, xác định rõ người sở hữu outcome và đưa cơ chế kiểm soát vào vận hành ngay từ đầu hay không.
Các case study từ Lloyds Banking Group và National Australia Bank cho thấy một nguyên tắc xuyên suốt:
AI chỉ tạo ra giá trị khi được tích hợp vào một workflow có mục tiêu kinh doanh, dữ liệu, trách nhiệm và cơ chế kiểm soát rõ ràng.
1. Điểm nghẽn thường không phải thiếu AI, mà là quy trình không thể mở rộng
Trước khi ứng dụng AI, Lloyds Banking Group vận hành với hơn 100 biến thể quy trình, nhiều bước chuyển giao qua email, phân luồng công việc thủ công và sự tách biệt giữa front office và back office.
Riêng quy trình tài trợ tài sản có 12 bước xử lý, hơn 70 câu hỏi kiểm tra, khả năng quan sát dữ liệu hạn chế và nhiều thao tác lặp lại. Với các khiếu nại thương mại phức tạp, một hồ sơ có thể mất hơn hai giờ để đánh giá và tới hai tuần để giải quyết do phải đi qua nhiều bộ phận.
Đây cũng là tình trạng phổ biến trong nhiều doanh nghiệp:
Giao diện đã được số hóa, nhưng các công việc vẫn được thực hiện thủ công.
Email tiếp tục đóng vai trò là công cụ điều phối.
Nhân sự sao chép dữ liệu giữa nhiều hệ thống.
Cùng một nghiệp vụ nhưng được thực hiện theo nhiều cách khác nhau.
Handoff làm mất thời gian, thông tin và trách nhiệm.
Dữ liệu tồn tại nhưng chưa tạo được visibility xuyên suốt quy trình.
Trong bối cảnh đó, đưa GenAI vào một quy trình chưa được chuẩn hóa có thể giúp một hệ thống phức tạp chạy nhanh hơn, nhưng chưa chắc tạo ra outcome rõ ràng hơn.
Vì vậy, câu hỏi đầu tiên không nên là:
“Chúng ta có thể dùng AI ở đâu?”
Mà phải là:
“Workflow nào đang cản trở tăng trưởng, làm tăng chi phí, kéo dài cycle time hoặc tạo ra rủi ro?”
Business friction mới là điểm khởi đầu cho quá trình chuyển đổi sang AI.
2. Giá trị đến từ việc chọn đúng loại trí tuệ cho đúng nhiệm vụ
Một điểm đáng chú ý trong case Lloyds là ngân hàng không cố gắng sử dụng GenAI cho tất cả các tác vụ.
Sau quá trình đánh giá capability, Lloyds lựa chọn:
GenAI cho tóm tắt và trích xuất dữ liệu.
GenAI có thể tạo nội dung nhưng phải có control hoặc human oversight.
Machine Learning tiếp tục được sử dụng cho classification vì phù hợp và ổn định hơn.
Knowledge và coaching được tích hợp vào hệ thống quản trị tri thức của doanh nghiệp.
Đây là một kỷ luật triển khai quan trọng:
Không chọn công nghệ theo mức độ mới. Chọn theo mức độ phù hợp với nhiệm vụ, độ chính xác cần thiết, hậu quả của sai lệch và chi phí vận hành.
Sau khi tái thiết kế workflow, tự động hóa giao tiếp và đưa GenAI vào trích xuất dữ liệu, Lloyd’s ghi nhận hơn 5.000 hồ sơ được tạo, 83% hồ sơ được tự động index, hơn 500 giờ thao tác thủ công được tiết kiệm và độ chính xác trong trích xuất dữ liệu đạt 99%. Với quy trình khiếu nại, thời gian đánh giá, tóm tắt và tạo phản hồi giảm khoảng 1,5 giờ cho mỗi trường hợp.
Điểm cần lưu ý là các kết quả này không đến từ một mô hình AI riêng lẻ.
Nó đến từ sự kết hợp của bốn yếu tố:
Workflow được thiết kế lại + tự động hóa + AI phù hợp + KPI vận hành.
Đây cũng là điểm phân biệt giữa một AI use case có khả năng mở rộng và một bản demo gây ấn tượng nhưng khó triển khai vào production.
3. Cá nhân hóa không phải giao tiếp nhiều hơn, mà là ra quyết định liên quan hơn
National Australia Bank đối diện một bài toán khác: làm thế nào để duy trì quan hệ mang tính cá nhân với khoảng 10 triệu khách hàng cá nhân và doanh nghiệp có nhu cầu rất khác nhau.
Cách tiếp cận marketing theo lô không còn đủ khả năng duy trì tính relevant trên các kênh digital, inbound, outbound và tương tác trực tiếp.
NAB triển khai chương trình hai năm để xây dựng một “customer brain” tập trung, sử dụng dữ liệu và mô hình quyết định nhằm xác định hành động phù hợp tiếp theo cho từng khách hàng.
Thay vì chỉ tạo thêm nội dung, ngân hàng xây dựng năng lực quyết định:
Khách hàng nào cần được tiếp cận?
Nhu cầu nào có khả năng xuất hiện tiếp theo?
Hành động nào phù hợp nhất vào thời điểm hiện tại?
Trên kênh nào?
Khi nào nên không gửi thêm thông điệp?
Khi nào cần chuyển sang nhân sự tư vấn?
Nền tảng Next Best Action được mở rộng trên nhiều kênh và phục vụ hàng trăm triệu cuộc hội thoại. Kết quả được chia sẻ gồm mức độ tương tác của khách hàng tăng 40% và khoảng 2.000 adaptive models được đưa vào vận hành.
Điểm chuyển dịch quan trọng nằm ở đây:
Từ campaign sang continuous decisioning.
Từ phân khúc tĩnh sang tín hiệu theo ngữ cảnh.
Từ product push sang customer need.
Từ tối ưu từng kênh sang điều phối xuyên kênh.
Đối với những doanh nghiệp có lượng khách hàng lớn, AI tạo nội dung chỉ là lớp vỏ bên ngoài. Decisioning mới là lớp trực tiếp chuyển dữ liệu thành tăng trưởng.
4. Use case có ROI cao nhất thường cũng có rủi ro lớn nhất
Trong ngân hàng, những use case hấp dẫn nhất thường nằm tại các khu vực đồng thời có ba đặc tính:
Được quản lý chặt chẽ.
Tác động trực tiếp đến khách hàng.
Có nhiều biến thể theo từng sản phẩm, từng đơn vị hoặc từng khu vực.
Một quyết định sai trong credit, complaints, customer communication hoặc compliance không chỉ làm giảm hiệu quả mà còn gây ra nhiều hệ lụy khác. Nó có thể tạo ra rủi ro về pháp lý, uy tín và niềm tin.
Vì vậy, governance không thể được bổ sung sau khi giải pháp đã hoàn tất.
Mô hình được trình bày trong tài liệu tách rõ hai lớp:
Control Plane xác định policy, tiêu chuẩn rủi ro, quyền riêng tư, trách nhiệm và tuân thủ.
Execution Plane đưa các chính sách đó vào workflow, dữ liệu và runtime để kiểm soát việc thực thi nhất quán trong từng giao dịch.
Sự khác biệt nằm ở khả năng thực thi:
Policy yêu cầu bảo vệ dữ liệu nhạy cảm; control thực hiện masking trước khi dữ liệu được gửi tới mô hình.
Policy yêu cầu nội dung phải được kiểm duyệt; workflow bắt buộc phải có human review.
Policy yêu cầu khả năng truy vết; hệ thống ghi lại model, prompt, dữ liệu, quyết định và người phê duyệt.
Governance chỉ có giá trị khi được chuyển thành hành vi của toàn hệ thống.
Với Agentic AI, yêu cầu này càng chặt chẽ hơn. Khi agent được trao quyền thực hiện nhiều bước trong workflow, doanh nghiệp phải xác định rõ:
Agent được phép thực hiện những hành động nào?
Dữ liệu nào được truy cập?
Khi nào cần xin phê duyệt?
Ai sở hữu KPI?
Ai chịu trách nhiệm khi có sai lệch?
Có audit trail và cơ chế dừng không?
Agentic AI không đơn giản hóa operating model. Nó đòi hỏi một operating model rõ ràng hơn.
5. CIO cần thay đổi cách đặt bài toán AI
Từ các case study trên, có thể thấy nhiều chương trình AI thất bại không phải vì công nghệ không đủ tốt, mà vì doanh nghiệp bắt đầu sai từ điểm đó.
Bắt đầu từ model, điều này thường dẫn tới câu hỏi: AI có thể làm gì?
Bắt đầu từ workflow buộc tổ chức phải trả lời những câu hỏi khó hơn:
Điểm nghẽn nào đang tạo ra tổn thất thực sự?
Baseline hiện tại là gì?
Outcome nào business sẵn sàng chịu trách nhiệm?
Tác vụ nào cần GenAI, tác vụ nào phù hợp hơn với Machine Learning, rule-based automation hoặc con người?
Control nào cần được thực thi trong hệ thống?
Điều kiện nào cho phép pilot được scale?
Đây không chỉ là trách nhiệm của CIO.
Business owner phải sở hữu outcome. Risk và compliance phải tham gia ngay từ đầu. Data team phải bảo đảm dữ liệu có thể được sử dụng. Team công nghệ chịu trách nhiệm về việc tích hợp, vận hành và khả năng mở rộng.
Vai trò của CIO là kết nối các thành phần đó thành một hệ thống triển khai thống nhất.
Khoảng cách giữa AI experimentation và AI value realization không thể được giải quyết bằng cách mua thêm một mô hình.
Nó được giải quyết bằng một hệ thống triển khai có kỷ luật:
Chọn đúng pain point.
Thiết kế lại workflow.
Sử dụng đúng loại AI.
Đưa governance vào kiến trúc.
Đo kết quả.
Sau đó mới scale.
Case Lloyds cho thấy AI có thể tạo ra hiệu quả vận hành rõ ràng khi được đặt trong một workflow đã được tái cấu trúc.
Case NAB cho thấy AI có thể tạo ra tăng trưởng khi doanh nghiệp chuyển từ tiếp cận đại trà sang ra quyết định theo ngữ cảnh.
Bài học chung dành cho CIO và lãnh đạo doanh nghiệp là:
AI không tạo ra giá trị chỉ vì nó thông minh. AI tạo giá trị khi doanh nghiệp biết chính xác outcome nào cần cải thiện, trong workflow nào, do ai sở hữu và theo cơ chế kiểm soát nào.
Bước đầu tiên không phải là chọn một mô hình mới.
Hãy chọn một workflow có cycle time dài, nhiều handoff và baseline rõ ràng. Đó là nơi AI có cơ hội tạo ra giá trị thực sự cho lần đầu tiên.
Nội dung được tổng hợp từ tài liệu “Turning AI into Growth: From Experiments to Measurable Banking Outcomes” do Pegasystems chia sẻ, kết hợp với các góc nhìn và thảo luận thực tiễn từ các thành viên CIO Vietnam tham gia chương trình Executive Dialogue tháng 7/2026
Thủy Đặng
Managing Director | CIO Vietnam