Thực trạng ứng dụng trí tuệ nhân tạo trong quản trị rủi ro tín dụng tại các ngân hàng thương mại Việt Nam hiện nay

1. ĐẶT VẤN ĐỀ

Hoạt động tín dụng luôn là hoạt động cốt lõi, mang lại nguồn thu chủ yếu nhưng cũng tiềm ẩn rủi ro lớn nhất đối với các NHTM Việt Nam. Trong giai đoạn 2021–2025, Ngân hàng Nhà nước đã nhiều lần nhấn mạnh yêu cầu tăng trưởng tín dụng hợp lý gắn với nâng cao chất lượng tín dụng, kiểm soát chặt chẽ rủi ro trong các lĩnh vực tiềm ẩn nguy cơ cao. Song song với đó, Quyết định số 127/QĐ-TTg ngày 26/1/2021 của Thủ tướng Chính phủ về Chiến lược quốc gia về nghiên cứu, phát triển và ứng dụng trí tuệ nhân tạo đến năm 2030 đã xác định rõ nhiệm vụ của ngành ngân hàng là ứng dụng AI để phân tích, dự đoán nhu cầu vay vốn, hỗ trợ cấp tín dụng, phát hiện gian lận và cá nhân hóa dịch vụ khách hàng.

Trên thế giới, AI đã trở thành “chìa khóa” định hình lại ngành ngân hàng thông qua việc thay đổi cách thức các tổ chức tín dụng đánh giá khách hàng, ra quyết định cho vay và ngăn ngừa sớm rủi ro. Trong khi đó, tại phần lớn các nước đang phát triển, trong đó có Việt Nam, việc ứng dụng AI trong quản trị rủi ro tín dụng vẫn còn ở giai đoạn sơ khai. Xuất phát từ thực tế đó, bài viết tập trung phân tích, đánh giá thực trạng ứng dụng AI trong quản trị rủi ro tín dụng tại các NHTM Việt Nam hiện nay, từ đó đề xuất một số giải pháp và điều kiện cần thiết để thúc đẩy quá trình này trong thời gian tới.

2. VAI TRÒ CỦA TRÍ TUỆ NHÂN TẠO TRONG QUẢN TRỊ RỦI RO TÍN DỤNG

Quản trị rủi ro tín dụng tại NHTM bao gồm bốn nội dung cơ bản: nhận diện rủi ro, đo lường/đánh giá rủi ro, sử dụng các công cụ kiểm soát và giảm thiểu rủi ro, và giám sát, báo cáo rủi ro. Ở mỗi khâu, trí tuệ nhân tạo đều có tiềm năng hỗ trợ đáng kể so với phương pháp truyền thống:

- Về nhận diện rủi ro: AI có thể khai thác đồng thời dữ liệu tài chính và phi tài chính (kể cả dữ liệu phi truyền thống từ hành vi giao dịch, lịch sử sử dụng dịch vụ ngân hàng số) để phát hiện sớm các dấu hiệu suy giảm khả năng trả nợ của khách hàng;

- Về đo lường, đánh giá rủi ro: các mô hình học máy (cây quyết định, mạng nơ-ron, máy véc-tơ hỗ trợ...) cho phép lượng hóa trực tiếp xác suất vỡ nợ và mức độ tổn thất của khách hàng, khắc phục hạn chế của phương pháp chấm điểm định tính theo kinh nghiệm chuyên gia;

- Về công cụ kiểm soát rủi ro: AI hỗ trợ tự động hóa việc phân bổ hạn mức, cảnh báo sớm vi phạm hạn mức rủi ro và đề xuất biện pháp xử lý phù hợp với từng phân khúc khách hàng;

- Về giám sát, báo cáo rủi ro: AI giúp tự động hóa việc tổng hợp, phân tích dữ liệu giám sát danh mục tín dụng theo thời gian thực, giảm sự phụ thuộc vào báo cáo thủ công của cán bộ tín dụng.

Kinh nghiệm quốc tế cho thấy mức độ và định hướng ứng dụng AI trong quản trị rủi ro tín dụng có sự khác biệt giữa các quốc gia, song đều hướng tới cùng một số điều kiện nền tảng. Tại Anh, khảo sát của Ngân hàng Trung ương Anh cho thấy phần lớn các định chế tài chính đã đưa AI vào chiến lược hoạt động, tập trung nhiều nhất vào các lĩnh vực quản lý rủi ro, tương tác khách hàng và tín dụng (BOE, 2019). Đối với Hoa Kỳ, AI đang được sử dụng để phân tích dữ liệu truyền thống lẫn phi truyền thống nhằm nâng cao độ chính xác và tính công bằng trong phê duyệt tín dụng, đặc biệt đối với nhóm khách hàng thiếu lịch sử giao dịch tín dụng (Brainard, 2021). Tại Ấn Độ, bên cạnh các ngân hàng lớn, nhiều tổ chức tín dụng mới nổi đã ứng dụng AI để mở rộng khả năng tiếp cận tín dụng cho nhóm khách hàng thu nhập thấp thông qua khai thác dữ liệu phi truyền thống, tuy vẫn tồn tại thách thức về bảo vệ thông tin cá nhân và rủi ro thiên lệch thuật toán (Singh & Prasad, 2020). Có thể nói, mức độ ứng dụng AI của mỗi ngân hàng phụ thuộc vào năm nhóm điều kiện: năng lực công nghệ và đội ngũ chuyên gia; mức độ sẵn có, số hóa và đa dạng của dữ liệu; lợi ích kinh tế so với chi phí chuyển đổi từ hệ thống cũ; áp lực cạnh tranh trên thị trường; và mức độ hoàn thiện của khung pháp lý liên quan (FSB, 2017).

3. THỰC TRẠNG ỨNG DỤNG TRÍ TUỆ NHÂN TẠO TRONG QUẢN TRỊ RỦI RO TÍN DỤNG TẠI CÁC NGÂN HÀNG THƯƠNG MẠI VIỆT NAM

3.1. Về mức độ triển khai chung

Kết quả khảo sát thực tế trong giai đoạn trước đây cho thấy, các NHTM Việt Nam, kể cả những ngân hàng có quy mô và mạng lưới lớn nhất hệ thống, về cơ bản chưa triển khai hoạt động ứng dụng trí tuệ nhân tạo nào trong quản trị rủi ro tín dụng mà mới chỉ dừng ở mức quan tâm, tìm hiểu bước đầu. Tuy nhiên, bức tranh này đã có sự chuyển biến rõ nét trong giai đoạn 2023–2025. Theo Đặng (2025), tính đến giữa năm 2025 nhiều NHTM Việt Nam đã tích cực triển khai ứng dụng AI nhằm cải tiến hiệu quả hoạt động, tăng cường bảo mật và nâng cao trải nghiệm khách hàng, tập trung chủ yếu ở các khâu: chăm sóc khách hàng và định danh điện tử, phát hiện gian lận, tự động hóa quy trình nghiệp vụ và hỗ trợ chấm điểm tín dụng. Diễn biến này cho thấy AI đang được các NHTM tiếp cận theo hướng “từ ngoài vào trong”, ưu tiên các ứng dụng ở lớp giao tiếp khách hàng và vận hành trước, còn việc ứng dụng AI vào lõi mô hình đo lường, xếp hạng rủi ro tín dụng theo chuẩn mực quốc tế vẫn còn hạn chế.

3.2. Một số kết quả ứng dụng AI cụ thể tại các NHTM Việt Nam giai đoạn 2023–2025

Về chăm sóc khách hàng và định danh điện tử, nhiều NHTM đã xây dựng chatbot, trợ lý ảo tích hợp AI để hỗ trợ khách hàng 24/7 như VAI của Vietcombank, ACB Chatbot của Ngân hàng Á Châu, Virtual Assistant của Ngân hàng Quân đội, VietinBank iBot và SmartBanker của BIDV. Song song với đó, công nghệ định danh khách hàng điện tử (eKYC) kết hợp sinh trắc học (nhận diện khuôn mặt, vân tay, giọng nói) và nhận dạng ký tự quang học (OCR) được ứng dụng để rút ngắn đáng kể thời gian xử lý hồ sơ mở thẻ, vay vốn, với các giải pháp tiêu biểu như eKYC của VietinBank, TPBank Neo và TCB Digibank. Theo quy định của Ngân hàng Nhà nước, từ ngày 01/7/2024 xác thực sinh trắc học là bắt buộc đối với giao dịch trên 10 triệu đồng, và từ ngày 01/1/2025 áp dụng bắt buộc đối với mọi tài khoản thực hiện giao dịch điện tử; nhờ đó, theo Đặng (2025), ngành ngân hàng đã loại bỏ được khoảng 95% tài khoản giả mạo hoặc liên quan đến lừa đảo.

Đối với việc phát hiện gian lận và giám sát giao dịch, một số ngân hàng đã ứng dụng AI để phân tích rủi ro tín dụng và nhận diện giao dịch bất thường (Vietcombank), hoặc áp dụng học sâu (Deep Learning) để nhận diện và ngăn chặn hành vi gian lận thẻ (VietinBank). Đáng chú ý, kể từ tháng 7/2025, nhóm 5 ngân hàng thương mại có vốn nhà nước lớn nhất hệ thống (Agribank, Vietcombank, VietinBank, BIDV và MB) đã triển khai hệ thống AI giám sát và chặn giao dịch gian lận theo thời gian thực, cho phép kiểm tra dấu hiệu gian lận của tài khoản người nhận trước khi xử lý lệnh chuyển tiền. Theo Đặng (2025), chỉ trong ba tuần đầu triển khai hệ thống đã phát hiện 2.700 giao dịch đáng ngờ; riêng tại MB, hệ thống AI phát hiện và chặn khoảng 1.000 giao dịch mỗi tháng với giá trị trung bình khoảng 30 tỷ đồng.

Trong khâu tự động hóa quy trình nghiệp vụ và hỗ trợ chấm điểm tín dụng, nhiều NHTM đã tích hợp AI để rút ngắn thời gian xử lý hồ sơ vay từ vài ngày xuống còn vài phút, như Vietcombank ứng dụng AI kết hợp dữ liệu lớn để tự động hóa phê duyệt tín dụng, MSB sử dụng AI kết hợp tự động hóa quy trình bằng robot (RPA) để phân loại, xử lý hồ sơ, hay TPBank, Techcombank và VPBank triển khai các công cụ chấm điểm tín dụng dựa trên AI (Credit Scoring) trong hệ sinh thái ngân hàng số của mình (Đặng, 2025). Nhìn chung, các ứng dụng nêu trên chủ yếu tập trung ở khâu tương tác khách hàng, phòng chống gian lận và tự động hóa tác nghiệp, là những kết quả tích cực, song vẫn khác biệt về bản chất so với việc xây dựng một hệ thống đo lường xác suất vỡ nợ (PD), tổn thất ước tính (LGD) toàn diện theo chuẩn mực Basel như phân tích dưới đây.

3.3. Về nhận diện, đo lường rủi ro tín dụng theo chuẩn mực quốc tế

Các NHTM đã xây dựng được hệ thống xếp hạng tín dụng nội bộ đáp ứng yêu cầu tối thiểu theo quy định của Ngân hàng Nhà nước, tuy nhiên việc vận hành trong thực tế vẫn còn nhiều hạn chế. Bảng 1 minh họa mô hình chấm điểm và xếp hạng tín dụng phổ biến hiện nay: khách hàng được tính điểm tổng hợp từ các tiêu chí tài chính và phi tài chính theo phương pháp chuyên gia, sau đó được quy đổi sang hạng tín dụng và phân loại nhóm nợ tương ứng, mà chưa gắn trực tiếp với một xác suất vỡ nợ cụ thể của khách hàng.

Bảng 1: Mô hình chấm điểm – xếp hạng tín dụng nội bộ phổ biến hiện nay tại các NHTM Việt Nam

Điểm số được tổng hợp từ các tiêu chí tài chính và phi tài chính theo phương pháp chuyên gia (thủ công), chưa gắn với một xác suất vỡ nợ (PD) cụ thể của khách hàng. Có thể thấy, phần lớn thông tin đầu vào của hệ thống xếp hạng vẫn được thu thập, đánh giá thủ công bởi cán bộ tín dụng trực tiếp quản lý khách hàng, mang tính chủ quan và dễ bị can thiệp. Việc chấm điểm chủ yếu dựa trên thống kê, công thức cộng điểm đơn giản theo kinh nghiệm chuyên gia mà chưa ứng dụng bất kỳ mô hình định lượng, học máy nào để phân tích quan hệ giữa đặc điểm khách hàng và khả năng trả nợ. Do mức độ rủi ro của khách hàng không được xác định trực tiếp theo xác suất vỡ nợ, các NHTM Việt Nam gặp nhiều khó khăn khi đối chiếu, liên thông đánh giá tín dụng với các tổ chức tài chính quốc tế đã áp dụng chuẩn mực Basel.

3.4. Về sử dụng công cụ quản lý rủi ro tín dụng

Các NHTM hiện sử dụng khá đa dạng các công cụ quản lý rủi ro mang tính truyền thống trong cả ba giai đoạn trước, trong và sau khi cấp tín dụng, bao gồm: giới hạn hạn mức phê duyệt theo từng cấp quản lý, trích lập dự phòng rủi ro theo quy định, bán nợ cho các tổ chức mua bán nợ và các biện pháp xử lý, thu hồi nợ (miễn giảm lãi, cơ cấu lại thời hạn trả nợ, xử lý tài sản đảm bảo...). Những công cụ này đã phát huy hiệu quả nhất định trong xử lý nợ xấu tồn đọng, song hầu như chưa có sự hỗ trợ của các công cụ phân tích dữ liệu, dự báo dựa trên AI trong việc phòng ngừa, giảm thiểu rủi ro trước khi phát sinh nợ xấu.

3.5. Về giám sát và báo cáo rủi ro tín dụng

Nhằm đánh giá khách quan thực trạng nêu trên, tác giả đã thực hiện khảo sát với 95 cán bộ có liên quan trực tiếp đến hoạt động cho vay khách hàng, bao quát các nội dung về hiệu quả sử dụng công cụ quản lý rủi ro và hiệu quả công tác giám sát, báo cáo rủi ro tín dụng (thang đo 5 mức). Kết quả được tổng hợp tại Bảng 2.

Bảng 2: Kết quả khảo sát đánh giá hiệu quả công tác quản trị rủi ro tín dụng

Kết quả khảo sát cho thấy, trong khi hiệu quả sử dụng công cụ quản lý rủi ro được đánh giá tương đối tích cực (83% đánh giá từ mức 3 trở lên), thì công tác giám sát và báo cáo rủi ro tín dụng lại được đánh giá ở mức thấp hơn đáng kể (chỉ 16% đánh giá từ mức 4 trở lên, trong khi 37% đánh giá dưới mức 3). Nguyên nhân chủ yếu là do hoạt động giám sát chưa được thực hiện toàn diện, kiểm toán nội bộ thường chỉ tập trung vào giám sát tuân thủ quy chế thay vì giám sát mức độ rủi ro thực tế; đồng thời hệ thống thông tin phục vụ giám sát, báo cáo hiện vẫn vận hành bán tự động, thiếu công cụ khai thác, cảnh báo dữ liệu theo thời gian thực dựa trên AI.

3.6. Về các điều kiện và thách thức khi triển khai ứng dụng AI

- Về công nghệ và nhân lực: các NHTM Việt Nam hiện chưa có đội ngũ chuyên gia về khoa học dữ liệu, học máy chuyên trách cho quản trị rủi ro tín dụng; nguồn lực cán bộ tín dụng còn hạn chế cả về số lượng lẫn kỹ năng phân tích định lượng, đặc biệt tại các chi nhánh vùng sâu, vùng xa.

- Về dữ liệu: dữ liệu phục vụ chấm điểm tín dụng đã được số hóa và quản lý tập trung ở mức nhất định, song phần lớn hồ sơ tín dụng khác vẫn được lưu trữ dưới dạng văn bản giấy, phân tán tại các chi nhánh; các kênh ngân hàng số (internet banking, mobile banking) hiện chưa được khai thác triệt để để thu thập dữ liệu hành vi phi truyền thống phục vụ đánh giá rủi ro.

- Về lợi ích kinh tế: hệ thống chấm điểm tín dụng hiện tại đã bộc lộ sự lỗi thời, thiếu hiệu quả, cùng với chi phí duy trì bộ máy vận hành thủ công khá cao, tạo động lực để các ngân hàng cân nhắc đầu tư chuyển đổi sang các mô hình phân tích hiện đại.

- Về pháp lý: Ngân hàng Nhà nước hiện chưa ban hành hướng dẫn cụ thể về xây dựng hệ thống xếp hạng tín dụng nội bộ và đo lường rủi ro tín dụng theo chuẩn mực quốc tế (Basel II nâng cao), cũng như chưa có quy định riêng về ứng dụng AI trong hoạt động ngân hàng, khiến các NHTM còn e dè trong việc chủ động đầu tư, triển khai.

Bên cạnh các điều kiện nêu trên, quá trình mở rộng ứng dụng AI trong quản trị rủi ro tại các NHTM còn phải đối mặt với một số thách thức mang tính đặc thù của công nghệ này. Đặng (2025) chỉ ra sáu nhóm thách thức chính: (i) khả năng diễn giải của mô hình còn hạn chế, gây khó khăn cho cơ quan quản lý và các bên liên quan trong việc hiểu quy trình ra quyết định của mô hình (“hộp đen”); (ii) sự thiên vị và hạn chế về chất lượng dữ liệu có thể dẫn đến kết quả không công bằng hoặc thiếu chính xác; (iii) nguy cơ phát sinh rủi ro hệ thống mới do hành vi “bầy đàn” khi nhiều tổ chức cùng sử dụng các mô hình AI tương tự nhau; (iv) vấn đề bảo mật và quyền riêng tư dữ liệu khách hàng trong quá trình thu thập, xử lý khối lượng lớn dữ liệu; (v) chi phí đầu tư hạ tầng và tài nguyên tính toán cho các mô hình phức tạp; và (vi) yêu cầu tuân thủ các khuôn khổ quy định hiện hành cũng như thích ứng với các quy định mới đang trong quá trình hoàn thiện.

4. ĐÁNH GIÁ CHUNG

4.1. Kết quả đạt được

Các NHTM Việt Nam đã cơ bản xây dựng được khung chính sách, quy trình quản trị rủi ro tín dụng theo mô hình ba tuyến bảo vệ phù hợp với thông lệ quốc tế; hệ thống xếp hạng tín dụng nội bộ đáp ứng yêu cầu tối thiểu của cơ quan quản lý; các công cụ xử lý, thu hồi nợ xấu truyền thống phát huy hiệu quả nhất định. Đặc biệt, trong giai đoạn 2023–2025, nhiều NHTM đã có bước tiến đáng kể trong ứng dụng AI ở các khâu chăm sóc khách hàng, định danh điện tử, phát hiện gian lận theo thời gian thực và tự động hóa quy trình tác nghiệp, tiêu biểu là hệ thống AI phòng chống gian lận liên kết giữa 5 NHTM lớn nhất hệ thống. Đây là nền tảng thuận lợi cả về hạ tầng công nghệ, dữ liệu và kinh nghiệm vận hành để từng bước mở rộng ứng dụng AI sang các khâu cốt lõi hơn của quản trị rủi ro tín dụng trong thời gian tới.

4.2. Hạn chế và nguyên nhân

Bên cạnh kết quả đạt được, thực trạng ứng dụng AI trong quản trị rủi ro tín dụng tại các NHTM Việt Nam còn một số hạn chế chủ yếu: (i) các ứng dụng AI hiện nay chủ yếu tập trung ở lớp giao tiếp khách hàng, định danh và phòng chống gian lận, trong khi lõi hệ thống đo lường, xếp hạng rủi ro tín dụng hầu như chưa ứng dụng AI; (ii) hệ thống xếp hạng tín dụng nội bộ phục vụ quản trị rủi ro vẫn mang tính thủ công, định tính, chưa gắn với xác suất vỡ nợ theo chuẩn mực Basel; (iii) công tác giám sát, báo cáo rủi ro tín dụng còn thiếu công cụ phân tích dữ liệu tự động theo thời gian thực; (iv) hạ tầng dữ liệu phục vụ mô hình hóa rủi ro chưa đồng bộ, số hóa đầy đủ; (v) việc mở rộng ứng dụng AI còn vấp phải các thách thức về khả năng diễn giải mô hình, thiên vị dữ liệu, rủi ro hệ thống và bảo mật thông tin khách hàng. Nguyên nhân chủ yếu đến từ: sự thiếu vắng hướng dẫn pháp lý cụ thể của Ngân hàng Nhà nước về hệ thống xếp hạng tín dụng theo chuẩn Basel II nâng cao và về quản lý rủi ro mô hình AI; nguồn nhân lực có kỹ năng phân tích định lượng, khoa học dữ liệu còn thiếu; yêu cầu đầu tư nguồn lực dài hạn cho hạ tầng công nghệ và số hóa dữ liệu; và tính chất mới mẻ, phức tạp của lĩnh vực AI đối với thị trường ngân hàng Việt Nam.

5. GIẢI PHÁP THÚC ĐẨY ỨNG DỤNG TRÍ TUỆ NHÂN TẠO TRONG QUẢN TRỊ RỦI RO TÍN DỤNG

5.1. Hoàn thiện cơ cấu tổ chức quản trị rủi ro tín dụng

Các NHTM cần chuyển đổi mô hình quản trị rủi ro theo hướng tập trung phê duyệt tín dụng tại trụ sở chính, đồng thời đảm bảo nguyên tắc độc lập, khách quan giữa ba bộ phận: bộ phận kinh doanh (đề xuất sản phẩm, dịch vụ), bộ phận quản lý rủi ro (thẩm định, phê duyệt) và bộ phận tác nghiệp (nhập liệu, lưu trữ hồ sơ, báo cáo). Đây là điều kiện tiên quyết để việc ứng dụng AI trong quản trị rủi ro tín dụng được vận hành một cách khách quan, hiệu quả.

5.2. Xây dựng lộ trình nghiên cứu, thử nghiệm ứng dụng AI

Các NHTM nên xây dựng lộ trình từng bước: trước tiên là số hóa toàn diện dữ liệu hồ sơ tín dụng hiện đang lưu trữ dưới dạng văn bản giấy; tiếp đó là thử nghiệm thí điểm các mô hình học máy trong đo lường rủi ro tín dụng tại một số phân khúc khách hàng, sản phẩm có dữ liệu tương đối đầy đủ; sau khi đánh giá hiệu quả thí điểm mới mở rộng triển khai ra toàn hệ thống. Trong quá trình này, cần thiết lập cơ chế giám sát, hiệu chỉnh mô hình định kỳ để đảm bảo độ tin cậy khi vận hành thực tế.

5.3. Nhóm giải pháp hỗ trợ

- Xây dựng hệ thống cảnh báo, nhận biết rủi ro sớm gắn với đội ngũ cán bộ tín dụng tại đơn vị kinh doanh – tuyến phòng thủ đầu tiên trong quản trị rủi ro;

- Đào tạo, phát triển nguồn nhân lực có kỹ năng phân tích dữ liệu định lượng và hiểu biết về mô hình học máy, song song với việc tuyển dụng, bổ sung chuyên gia về khoa học dữ liệu;

- Đầu tư hạ tầng công nghệ thông tin, đẩy nhanh số hóa dữ liệu và nghiên cứu thu thập dữ liệu phi truyền thống qua các kênh ngân hàng số nhằm phục vụ xây dựng, hiệu chỉnh mô hình AI trong tương lai;

- Kiến nghị Ngân hàng Nhà nước sớm ban hành hướng dẫn cụ thể về xây dựng hệ thống xếp hạng tín dụng nội bộ và đo lường rủi ro tín dụng theo chuẩn Basel II nâng cao, đồng thời ban hành khung quản lý rủi ro mô hình AI (model risk management) trong hoạt động ngân hàng, quy định rõ trách nhiệm giải trình, yêu cầu về khả năng diễn giải và giám sát vòng đời mô hình, tạo hành lang pháp lý cho việc nghiên cứu, ứng dụng AI trong quản trị rủi ro tín dụng.

6. KẾT LUẬN

Kết quả phân tích thực trạng cho thấy bức tranh ứng dụng AI trong quản trị rủi ro tín dụng tại các NHTM Việt Nam đang có sự phân hóa rõ nét: trong khi các ứng dụng ở lớp giao tiếp khách hàng, định danh điện tử, phát hiện gian lận và tự động hóa quy trình đã có những bước tiến đáng ghi nhận trong giai đoạn 2023–2025, thì việc ứng dụng AI vào lõi hệ thống đo lường, xếp hạng rủi ro tín dụng theo chuẩn mực quốc tế vẫn còn hạn chế, mang nặng tính thủ công, định tính. Công tác giám sát, báo cáo rủi ro cũng chưa được hỗ trợ hiệu quả bởi các công cụ phân tích dữ liệu hiện đại. Để thu hẹp khoảng cách này, các NHTM cần đồng bộ hóa nhiều điều kiện: cải cách cơ cấu tổ chức quản trị rủi ro theo hướng tập trung, độc lập; xây dựng lộ trình số hóa dữ liệu và thử nghiệm mô hình AI trong đo lường rủi ro tín dụng theo từng bước; phát triển nguồn nhân lực chuyên sâu về khoa học dữ liệu; chú trọng quản lý các thách thức đặc thù của AI như khả năng diễn giải mô hình, thiên vị dữ liệu và bảo mật thông tin; đồng thời cần có sự hỗ trợ về khung pháp lý từ Ngân hàng Nhà nước. Đây sẽ là nền tảng quan trọng giúp các NHTM Việt Nam từng bước ứng dụng hiệu quả và toàn diện hơn trí tuệ nhân tạo, nâng cao năng lực quản trị rủi ro tín dụng và năng lực cạnh tranh trong giai đoạn phát triển mới.

TÀI LIỆU THAM KHẢO

1. Quyết định số 127/QĐ-TTg ngày 26/01/2021 của Thủ tướng Chính phủ về việc ban hành Chiến lược quốc gia về nghiên cứu, phát triển và ứng dụng trí tuệ nhân tạo đến năm 2030.

2. Thông tư 22/VBHN-NHNN ngày 04/6/2014 của Ngân hàng Nhà nước Việt Nam quy định về phân loại nợ, trích lập và sử dụng dự phòng để xử lý rủi ro tín dụng trong hoạt động ngân hàng của tổ chức tín dụng.

3. Thông tư số 02/2013/TT-NHNN và Thông tư số 09/2014/TT-NHNN của Ngân hàng Nhà nước Việt Nam quy định về phân loại tài sản có, mức trích, phương pháp trích lập dự phòng rủi ro.

4. Nguyễn Thùy Linh, Luận án tiến sĩ “Ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng tại Ngân hàng Nông nghiệp và Phát triển nông thôn Việt Nam”.

5. Đặng Hương Giang (2025). Ứng dụng AI trong quản trị rủi ro tại các ngân hàng thương mại Việt Nam trong bối cảnh chuyển đổi số. Tạp chí Khoa học (Học viện Ngân hàng/HOU).

6. BOE. (2019). Machine learning in UK financial services. Bank of England.

7. Brainard, L. (2021). Supporting Responsible Use of AI and Equitable Outcomes in Financial Services. Board of Governors of the Federal Reserve System.

8. FSB. (2017). Artificial intelligence and machine learning in financial services: Market developments and financial stability implications. Financial Stability Board.

9. Singh, A., & Prasad, S. (2020). Artificial Intelligence in Digital Credit in India. Dvara.