AI trong ngân hàng: 8 ứng dụng, rủi ro và luật mới 2026

Mục lục

1. AI trong ngân hàng là gì?
2. Ứng dụng AI trong ngân hàng gồm những nhóm nào?
3. AI mang lại lợi ích gì cho ngân hàng và khách hàng?
4. Rủi ro khi dùng AI trong ngân hàng là gì?
5. Ngân hàng quản trị mô hình AI như thế nào?
6. Pháp luật Việt Nam quy định gì về AI trong ngân hàng?
7. Ngân hàng nên bắt đầu ứng dụng AI từ đâu?
8. Câu hỏi thường gặp

AI trong ngân hàng là gì?

AI trong ngân hàng là việc đưa các mô hình trí tuệ nhân tạo vào nghiệp vụ ngân hàng để dự đoán, phân loại, đọc hiểu và ra hoặc hỗ trợ ra quyết định. Ví dụ: mô hình ước tính khả năng trả nợ của người vay, chấm điểm rủi ro của một lệnh chuyển tiền, hoặc đọc 200 trang hồ sơ vay để rút ra các thông tin cần thẩm định.

Phía sau là bốn nhóm công nghệ: học máy (machine learning) để dự đoán xác suất vỡ nợ hay gian lận; xử lý ngôn ngữ tự nhiên (NLP) và nhận dạng giọng nói cho chatbot, voicebot; thị giác máy tính (computer vision) để đọc giấy tờ, so khớp khuôn mặt; và AI tạo sinh (generative AI) để tóm tắt, soạn thảo.

Luật Trí tuệ nhân tạo số 134/2025/QH15 định nghĩa hệ thống AI là hệ thống dựa trên máy, suy luận từ dữ liệu đầu vào để tạo ra dự đoán, nội dung, khuyến nghị hoặc quyết định. Định nghĩa này bao trùm cả mô hình chấm điểm “truyền thống” lẫn chatbot thế hệ mới.

AI chỉ là một phần của bức tranh lớn hơn. Về kênh số, thanh toán QR, Open API và chiến lược của NHNN, bạn xem bài chuyển đổi số trong ngân hàng. Bài này đi sâu vào phần mô hình: dùng ở đâu, rủi ro gì, quản trị và tuân thủ ra sao.

Ứng dụng AI trong ngân hàng gồm những nhóm nào?

Có thể gom các ứng dụng AI trong ngân hàng thành 8 nhóm, chia theo 4 khối nghiệp vụ. Bảng dưới đây cũng cho biết nhóm nào dễ rơi vào diện “rủi ro cao” theo quy định Việt Nam.

Nhóm ứng dụng	Bài toán chính	Kỹ thuật thường dùng	Lưu ý pháp lý tại Việt Nam
Chấm điểm tín dụng	Duyệt hay từ chối, hạn mức, lãi suất	Hồi quy logistic, cây quyết định tăng cường (gradient boosting)	Rủi ro cao nếu tự động quyết định khoản vay từ 50 triệu đồng
Chống gian lận giao dịch	Chặn hay cho qua một giao dịch	Phát hiện bất thường, phân tích hành vi, phân tích đồ thị	Thông tư 53: con người giám sát, ghi nhật ký can thiệp
AML/KYC	Giao dịch đáng ngờ, khách hàng rủi ro	Học máy trên mạng lưới giao dịch, so khớp tên	Luật Phòng, chống rửa tiền 14/2022/QH15
Chatbot, voicebot	Trả lời, hướng dẫn, tiếp nhận yêu cầu	NLP, nhận dạng giọng nói, mô hình ngôn ngữ lớn	Phải báo khách hàng đang tương tác với AI
Xử lý hồ sơ (IDP)	Đọc, phân loại, trích xuất tài liệu	OCR, thị giác máy tính, NLP	Dữ liệu cá nhân, sinh trắc học trên giấy tờ
Quản trị rủi ro	Cảnh báo sớm, dự báo, kiểm tra sức chịu đựng	Chuỗi thời gian, mô phỏng, học máy	Cần thẩm định mô hình độc lập
Cá nhân hoá	Gợi ý sản phẩm, thời điểm liên hệ	Hệ gợi ý, phân khúc khách hàng	Cần sự đồng ý xử lý dữ liệu cá nhân
GenAI nội bộ	Tra cứu quy định, tóm tắt, soạn thảo	Mô hình ngôn ngữ lớn kết hợp truy xuất tài liệu	Bảo mật dữ liệu khi dùng dịch vụ bên ngoài

1. Chấm điểm tín dụng

Ngân hàng chấm điểm tín dụng từ lâu bằng thẻ điểm (scorecard) thống kê. Học máy dùng được nhiều biến hơn và bắt được quan hệ phi tuyến giữa chúng, kể cả dữ liệu thay thế như dòng tiền trên tài khoản hay lịch sử trả hoá đơn. Người hưởng lợi nhiều nhất là nhóm “mỏng hồ sơ”: chưa từng vay nhưng có thu nhập đều.

Tại Việt Nam, Tạp chí Thị trường Tài chính Tiền tệ (8/2025) nêu các giải pháp chấm điểm tín dụng bằng AI của TPBank, Techcombank (AI Scoring) và VPBank (tích hợp trong VPBank NEO). Cùng tạp chí (8/2026) cho biết Vietcombank tự động hoá quy trình phê duyệt tín dụng bằng AI và dữ liệu lớn.

Hai giới hạn pháp lý cần nhớ. Một: Điều 27 Luật Bảo vệ dữ liệu cá nhân số 91/2025/QH15 cấm dùng thông tin tín dụng của khách hàng để chấm điểm, xếp hạng tín dụng khi chưa có sự đồng ý của họ. Hai: theo Thông tư 53/2026/TT-NHNN, hệ thống AI tự động quyết định cấp tín dụng từ 50 triệu đồng trở lên là hệ thống rủi ro cao.

2. Chống gian lận giao dịch

Mỗi giao dịch thẻ hay chuyển khoản được mô hình chấm một điểm rủi ro theo thời gian thực, dựa trên số tiền, thiết bị, vị trí, thói quen của chủ tài khoản và đặc điểm tài khoản nhận. Điểm cao thì yêu cầu xác thực thêm, cảnh báo hoặc tạm giữ. Mô hình đồ thị còn lộ ra “mạng lưới” tài khoản nhận tiền lừa đảo.

Theo công bố của Mastercard ngày 01/02/2024, công cụ Decision Intelligence Pro dùng AI tạo sinh giúp tăng tỷ lệ phát hiện gian lận trung bình 20%, có trường hợp tới 300%. Đây là số liệu do nhà cung cấp tự công bố, nên coi là tham khảo.

Khó nhất là cân bằng: chặn quá tay thì khách thật bị từ chối, lỏng tay thì mất tiền. Ở cấp ngành, hệ thống SIMO của NHNN giúp các ngân hàng cảnh báo giao dịch tới tài khoản nghi vấn; theo NHNN, đến đầu tháng 8/2026 SIMO đã ngăn hơn 1,6 triệu giao dịch nghi vấn với hơn 5,5 nghìn tỷ đồng. Dữ liệu dùng chung giúp mô hình từng ngân hàng “thấy” xa hơn dữ liệu nội bộ.

3. AML/KYC: chống rửa tiền và nhận biết khách hàng

Hệ thống giám sát giao dịch kiểu cũ chạy theo quy tắc cố định, ví dụ “nhiều khoản nộp tiền mặt sát ngưỡng trong một tuần”. Cách này sinh nhiều cảnh báo sai. Học máy xếp hạng cảnh báo theo rủi ro thật và nhìn cả mạng lưới giao dịch.

Theo Google Cloud (21/06/2023), sau khi dùng AML AI, HSBC phát hiện rủi ro thật nhiều gấp 2 đến 4 lần, số cảnh báo giảm hơn 60%, và thời gian phân tích hàng tỷ giao dịch rút từ vài tuần xuống vài ngày.

Tại Việt Nam, khung pháp lý là Luật Phòng, chống rửa tiền số 14/2022/QH15 (ban hành 15/11/2022, hiệu lực 01/03/2023). Luật yêu cầu đánh giá rủi ro và phân loại khách hàng theo mức rủi ro. AI không thay nghĩa vụ báo cáo giao dịch đáng ngờ, mà giúp tìm đúng giao dịch cần báo cáo. Về phía KYC, AI đọc giấy tờ và kiểm tra “người thật” khi mở tài khoản từ xa; chi tiết quy trình xem bài định danh điện tử eKYC.

4. Chatbot và voicebot chăm sóc khách hàng

Trợ lý ảo trả lời về phí, lãi suất, hướng dẫn khoá thẻ, nhận khiếu nại suốt ngày đêm và chuyển cho nhân viên khi cần. Một vài con số có công bố:

• Bank of America (20/08/2025): trợ lý Erica, ra mắt năm 2018, vượt 3 tỷ lượt tương tác với gần 50 triệu người dùng.
• Vietcombank: VCB Digibot hoạt động chính thức từ 09/07/2022. Theo Tạp chí Thị trường Tài chính Tiền tệ (12/2022), sau 3 tháng bot nhận khoảng 12.000 yêu cầu mỗi ngày, tự xử lý 91%.
• VietinBank: triển khai AI VoiceBot ngày 05/02/2026, hỗ trợ 24/7 bằng tiếng Việt, Anh và Nhật để giảm tải giờ cao điểm.

Chatbot dùng mô hình ngôn ngữ lớn nói tự nhiên hơn nhưng có thể bịa thông tin. Bài học: ngày 14/02/2024, Toà giải quyết tranh chấp dân sự bang British Columbia (Canada) buộc Air Canada bồi thường vì chatbot của hãng hướng dẫn sai về chính sách giá vé tang lễ, với lập luận chatbot là một phần website và doanh nghiệp chịu trách nhiệm về mọi thông tin trên đó. Vì vậy chatbot AI của ngân hàng nên chỉ trả lời từ nguồn tài liệu đã duyệt.

5. Xử lý hồ sơ bằng IDP

Hồ sơ vay, hợp đồng, sao kê, chứng từ thương mại vẫn là núi giấy. Xử lý tài liệu thông minh (IDP) kết hợp OCR và AI để phân loại tài liệu, trích đúng trường dữ liệu rồi đối chiếu chéo.

Ví dụ kinh điển là COiN của JPMorgan. Theo Bloomberg (tường thuật lại bởi ABA Journal, 02/03/2017), phần mềm này rà soát hợp đồng tín dụng thương mại trong vài giây, thay cho khối lượng việc từng tốn 360.000 giờ mỗi năm của luật sư và cán bộ tín dụng, với khoảng 12.000 hợp đồng mới mỗi năm. Tại Việt Nam, Tạp chí Thị trường Tài chính Tiền tệ (8/2026) cho biết MSB tự động phân loại, xử lý hồ sơ bằng AI và RPA.

6. Quản trị rủi ro

Ngoài quyết định từng khoản vay, AI hỗ trợ quản trị cả danh mục:

• Cảnh báo sớm nợ xấu: theo dõi dòng tiền, hành vi thanh toán để phát hiện khách hàng sắp gặp khó khăn.
• Kiểm tra sức chịu đựng (stress test): mô phỏng danh mục khi lãi suất, tỷ giá biến động mạnh.
• Rủi ro thanh khoản và hoạt động: dự báo dòng tiền rút, phân tích sự cố và khiếu nại.

Ví dụ minh hoạ: mô hình cảnh báo một doanh nghiệp vay vốn có doanh thu qua tài khoản giảm 40% trong ba tháng liên tiếp. Cán bộ quan hệ khách hàng liên hệ sớm để cơ cấu lịch trả nợ, thay vì đợi khoản vay quá hạn.

7. Cá nhân hoá

Mô hình chọn sản phẩm, kênh và thời điểm phù hợp với từng người: nhắc khoản chi bất thường, gợi ý gửi tiết kiệm khi số dư nhàn rỗi. Theo Bank of America, Erica đã đưa ra hơn 1,7 tỷ gợi ý chủ động, cá nhân hoá. Tại Việt Nam, VIB ra mắt trợ lý ViePro dùng AI tạo sinh trên ứng dụng MyVIB (theo Hiệp hội Ngân hàng Việt Nam, 12/2024).

Ranh giới cần giữ: chỉ dùng dữ liệu khách hàng đã đồng ý cho xử lý, và không biến gợi ý thành thao túng, như đẩy khoản vay tiêu dùng đúng lúc người dùng đang túng thiếu.

8. GenAI cho vận hành nội bộ

Nhóm này xuất hiện nhiều từ năm 2023, khi mô hình ngôn ngữ lớn phổ biến. Nhân viên hỏi bằng ngôn ngữ tự nhiên, hệ thống trả lời dựa trên quy trình nội bộ. Hai ví dụ có công bố:

• Morgan Stanley (18/09/2023): ra mắt AI @ Morgan Stanley Assistant dựa trên GPT-4, giúp chuyên viên tư vấn tra cứu khoảng 100.000 báo cáo nghiên cứu và tài liệu.
• VietinBank (theo Hiệp hội Ngân hàng Việt Nam, 23/09/2025): trợ lý nội bộ Genie xây trên Azure OpenAI, học từ hơn 2.000 quy trình, chính sách; trả lời hơn 350.000 câu hỏi trong 2 tháng đầu.

Ứng dụng khác: tóm tắt hồ sơ thẩm định, soạn thư trả lời khiếu nại, hỗ trợ lập trình. Rủi ro chính là ảo giác AI (hallucination): mô hình trả lời trôi chảy nhưng sai quy định. Câu trả lời nên kèm trích dẫn tài liệu gốc để nhân viên tự kiểm tra.

AI mang lại lợi ích gì cho ngân hàng và khách hàng?

Theo ước tính McKinsey công bố ngày 23/01/2024, riêng AI tạo sinh có thể tạo thêm 200 đến 340 tỷ USD giá trị mỗi năm cho ngành ngân hàng toàn cầu, tương đương 9 đến 15% lợi nhuận hoạt động. Đây là dự báo tiềm năng, chưa phải kết quả. Trên thực tế, lợi ích đến từ bốn hướng:

• Nhanh hơn: khoản vay nhỏ được trả lời sớm hơn, câu hỏi nội bộ có lời đáp ngay.
• Ít mất tiền hơn: chặn gian lận trước khi tiền rời tài khoản, giảm nợ xấu nhờ cảnh báo sớm.
• Tuân thủ hiệu quả hơn: chuyên viên AML tập trung vào cảnh báo có rủi ro thật.
• Tiếp cận rộng hơn: người chưa có lịch sử tín dụng có thêm cơ hội được đánh giá.

Rủi ro khi dùng AI trong ngân hàng là gì?

Thiên lệch mô hình (bias)

Mô hình học từ dữ liệu quá khứ, nên có thể lặp lại bất công của quá khứ. Kể cả khi bỏ giới tính hay tuổi, các biến “đại diện” như nghề nghiệp, nơi ở vẫn có thể gián tiếp gây phân biệt. Luật Trí tuệ nhân tạo (Điều 4) yêu cầu bảo đảm công bằng, không thiên lệch, không phân biệt đối xử.

Vụ Apple Card là ví dụ đáng học. Năm 2019, một khách hàng phàn nàn công khai rằng hạn mức của anh cao gấp 20 lần vợ dù hai người khai thuế chung. Ngày 23/03/2021, Sở Dịch vụ Tài chính New York (NYDFS) kết luận không có bằng chứng phân biệt đối xử trái luật sau khi xem xét khoảng 400.000 hồ sơ. Nhưng cơ quan này cũng chỉ ra rằng sự thiếu minh bạch và dịch vụ khách hàng yếu đã làm xói mòn niềm tin. Bài học: mô hình công bằng thôi chưa đủ, ngân hàng còn phải giải thích được.

Khó giải thích (hộp đen)

Mô hình càng phức tạp càng khó trả lời câu hỏi “vì sao tôi bị từ chối”. Tại Mỹ, văn bản hướng dẫn Circular 2022-03 của Cục Bảo vệ Tài chính Người tiêu dùng (CFPB) ngày 26/05/2022 khẳng định: dùng thuật toán phức tạp không phải lý do để không nêu lý do cụ thể khi từ chối tín dụng. Tại Việt Nam, Thông tư 53/2026/TT-NHNN yêu cầu quyết định tự động bị khiếu nại phải được con người rà soát lại, và kết quả rà soát là căn cứ cuối cùng.

Cách làm phổ biến: ưu tiên mô hình dễ diễn giải cho quyết định ảnh hưởng lớn tới khách hàng; với mô hình phức tạp, dùng kỹ thuật giải thích như SHAP để tạo “mã lý do” (reason code) cho từng quyết định.

Bảo mật và dữ liệu cá nhân

Ngân hàng giữ dữ liệu nhạy cảm nhất: danh tính, sinh trắc học, thu nhập, chi tiêu. Nghị định 356/2025/NĐ-CP xếp dữ liệu sinh trắc học vào dữ liệu cá nhân nhạy cảm. Điều 30 Luật 91/2025/QH15 yêu cầu bảo vệ dữ liệu cá nhân khi ứng dụng AI, dữ liệu lớn, điện toán đám mây. Thông tư 53/2026/TT-NHNN còn cấm bên cung cấp dịch vụ dùng dữ liệu của ngân hàng để huấn luyện, tinh chỉnh mô hình nếu chưa có đồng ý bằng văn bản.

Với chatbot dùng mô hình ngôn ngữ lớn, có thêm rủi ro tấn công bằng câu lệnh (prompt injection): kẻ xấu gài chỉ dẫn để bot tiết lộ dữ liệu hoặc làm sai quy trình. Đây là rủi ro số một trong danh sách OWASP Top 10 cho ứng dụng LLM năm 2025.

Deepfake và lừa đảo bằng AI

AI không chỉ ở phía ngân hàng. Kẻ gian dùng công nghệ deepfake để giả giọng, giả mặt người quen hoặc lãnh đạo. Tháng 1/2024, một nhân viên của tập đoàn Arup tại Hồng Kông chuyển khoảng 200 triệu đô la Hồng Kông (khoảng 25 triệu USD) sau một cuộc họp video mà các “đồng nghiệp” đều là deepfake.

Tại Việt Nam, năm 2024 các ngân hàng cảnh báo thủ đoạn gọi video mạo danh, yêu cầu nạn nhân quay mặt theo các hướng, rồi dùng đoạn video đó để mở tài khoản trực tuyến. Để chặn kiểu tấn công này, Thông tư 77/2025/TT-NHNN (hiệu lực 01/03/2026) yêu cầu giải pháp phát hiện giả mạo sinh trắc học đạt ISO 30107 cấp độ 2 hoặc tương đương.

Các rủi ro khác

• Trôi dạt mô hình (model drift): hành vi khách hàng và thủ đoạn gian lận đổi, mô hình tốt năm ngoái có thể kém năm nay.
• Phụ thuộc nhà cung cấp: nhiều ngân hàng dùng chung một nhà cung cấp thì một sự cố có thể lan rộng.
• Tin máy tuyệt đối: nhân viên bỏ qua tín hiệu bất thường mà mô hình chưa từng gặp.

Ngân hàng quản trị mô hình AI như thế nào?

Quản trị rủi ro mô hình (model risk management) là bộ quy trình bảo đảm mỗi mô hình được xây đúng, dùng đúng mục đích và được kiểm tra liên tục. Tài liệu tham chiếu kinh điển là hướng dẫn SR 11-7 của Cục Dự trữ Liên bang Mỹ ngày 04/04/2011. Văn bản chỉ ra hai nguồn rủi ro: mô hình sai từ gốc, và mô hình đúng nhưng bị dùng sai hoặc bị hiểu sai giới hạn. SR 11-7 cũng đòi hỏi “phản biện hiệu quả” (effective challenge) từ những người độc lập, đủ hiểu biết.

Ba nguyên tắc thường áp dụng:

1. Tách vai trò: nhóm xây mô hình, nhóm thẩm định và kiểm toán nội bộ độc lập với nhau.
2. Tương xứng với rủi ro: mô hình quyết định khoản vay cần thẩm định kỹ hơn nhiều so với mô hình gợi ý bài viết hướng dẫn.
3. Con người là người chịu trách nhiệm cuối: phải có quyền ghi đè, tạm dừng và ghi nhật ký mọi lần can thiệp.

Bảng kiểm dưới đây giúp bạn đối chiếu một mô hình trước khi đưa vào dùng.

Câu hỏi kiểm tra	Vì sao cần
Mô hình đã có trong danh mục hệ thống AI và được xếp mức rủi ro chưa?	Thông tư 53/2026/TT-NHNN yêu cầu lập danh mục, cập nhật tối thiểu hằng năm, phân loại do cấp có thẩm quyền phê duyệt
Dữ liệu huấn luyện có nguồn gốc hợp pháp và đã được khách hàng đồng ý chưa?	Luật 91/2025/QH15; Thông tư 53 yêu cầu dữ liệu có nguồn gốc rõ ràng, kiểm soát dữ liệu bị thao túng, đầu độc
Đã đo hiệu năng, độ công bằng trên từng nhóm khách hàng và giải thích được từng quyết định chưa?	Tránh thiên lệch; phục vụ khiếu nại và thanh tra
Ai có quyền ghi đè, tạm dừng, ngắt khẩn cấp?	Luật AI Điều 14 và Thông tư 53 yêu cầu khả năng can thiệp của con người
Hợp đồng với nhà cung cấp có cấm dùng dữ liệu để huấn luyện không?	Thông tư 53 yêu cầu đồng ý bằng văn bản

Pháp luật Việt Nam quy định gì về AI trong ngân hàng?

Tính đến tháng 10/2026, các văn bản chính gồm:

Văn bản	Nội dung liên quan
Luật Trí tuệ nhân tạo số 134/2025/QH15 (thông qua 10/12/2025, hiệu lực 01/03/2026)	Ba mức rủi ro (Điều 9); minh bạch khi AI tương tác với người (Điều 11); nghĩa vụ với hệ thống rủi ro cao (Điều 13, 14); bên triển khai bồi thường nếu hệ thống rủi ro cao gây thiệt hại kể cả khi vận hành đúng quy định (Điều 29); hệ thống AI tài chính đã chạy trước 01/03/2026 có 18 tháng để tuân thủ (Điều 35)
Nghị định 142/2026/NĐ-CP (ngày 30/04/2026)	Quy định chi tiết thi hành Luật Trí tuệ nhân tạo
Quyết định 33/2026/QĐ-TTg (ngày 30/06/2026, hiệu lực 15/08/2026)	Danh mục 46 hệ thống AI rủi ro cao; lĩnh vực ngân hàng gồm AI tự động thực hiện giao dịch điện tử và AI tự động quyết định cấp tín dụng khi không có sự phê duyệt độc lập của con người
Thông tư 53/2026/TT-NHNN (ngày 30/09/2026, hiệu lực 15/11/2026)	An toàn, quản lý rủi ro và điều kiện triển khai hệ thống AI trong ngành Ngân hàng; hệ thống đã vận hành trước đó phải đáp ứng từ 01/03/2027
Luật Bảo vệ dữ liệu cá nhân số 91/2025/QH15 (hiệu lực 01/01/2026)	Điều 27: không dùng thông tin tín dụng để chấm điểm khi chưa có đồng ý, báo khách hàng khi lộ thông tin tài khoản; Điều 30: bảo vệ dữ liệu khi ứng dụng AI
Luật Phòng, chống rửa tiền số 14/2022/QH15 (hiệu lực 01/03/2023)	Đánh giá rủi ro, phân loại khách hàng, báo cáo giao dịch đáng ngờ
Thông tư 77/2025/TT-NHNN (hiệu lực 01/03/2026)	Giải pháp chống giả mạo sinh trắc học đạt ISO 30107 cấp độ 2 hoặc tương đương

Thông tư 53/2026/TT-NHNN yêu cầu gì?

Thông tư áp dụng cho tổ chức tín dụng, chi nhánh ngân hàng nước ngoài, tổ chức trung gian thanh toán, công ty thông tin tín dụng và tổ chức cung ứng dịch vụ tiền di động. Các điểm chính theo các bản tin pháp luật đã công bố:

• Nguyên tắc: AI không thay thế thẩm quyền và trách nhiệm của con người. Đơn vị vẫn chịu trách nhiệm trước pháp luật và khách hàng với quyết định do AI đưa ra hoặc hỗ trợ.
• Ngưỡng rủi ro cao: AI tự động thực hiện giao dịch thanh toán cho khách hàng cá nhân trên 10 triệu đồng mỗi giao dịch hoặc trên 20 triệu đồng mỗi ngày; với tổ chức là trên 50 triệu đồng mỗi giao dịch hoặc trên 100 triệu đồng mỗi ngày. AI tự động quyết định cấp tín dụng từ 50 triệu đồng trở lên.
• Trần giao dịch do AI tự thực hiện: tổng mỗi ngày không quá 100 triệu đồng với khách hàng cá nhân và 500 triệu đồng với tổ chức. Phải có thoả thuận ghi rõ phạm vi, hạn mức; khách hàng được chấm dứt bất kỳ lúc nào. Khi xác lập thoả thuận bằng phương tiện điện tử, việc xác thực tối thiểu phải là khớp sinh trắc học kết hợp một hình thức xác nhận khác. Ngân hàng có thể đặt hạn mức nội bộ thấp hơn trần này.
• Giám sát con người: bộ phận giám sát phải đủ quyền ghi đè, điều chỉnh, tạm dừng quyết định hoặc kích hoạt cơ chế ngắt khẩn cấp; mọi can thiệp được ghi nhận.
• Minh bạch: khi AI thay người giao tiếp, khách hàng phải được thông báo ngay từ đầu phiên hoặc cuộc hội thoại.
• Thuê ngoài: trách nhiệm cuối cùng vẫn thuộc ngân hàng; bên thứ ba không được dùng dữ liệu để huấn luyện mô hình khi chưa có đồng ý bằng văn bản.

Quốc tế đang quản lý AI ngân hàng ra sao?

• Liên minh châu Âu: Đạo luật AI (Quy định 2024/1689) xếp AI đánh giá khả năng trả nợ, chấm điểm tín dụng cá nhân vào nhóm rủi ro cao; ngoại lệ là hệ thống có mục đích chính là phát hiện gian lận. Dự thảo hướng dẫn của Ủy ban châu Âu (2026) nói rõ ngoại lệ này không mở rộng cho hệ thống AML. Sau gói sửa đổi Digital Omnibus công bố tháng 7/2026, nghĩa vụ với nhóm này lùi tới 02/12/2027.
• Mỹ: cơ quan quản lý dựa vào hướng dẫn quản trị mô hình SR 11-7, luật cho vay công bằng và yêu cầu nêu lý do cụ thể khi từ chối tín dụng.

Ngân hàng nên bắt đầu ứng dụng AI từ đâu?

1. Chọn bài toán có số đo rõ: tỷ lệ cảnh báo sai trong AML, thời gian xử lý hồ sơ, tỷ lệ cuộc gọi lặp lại.
2. Bắt đầu nơi rủi ro thấp: GenAI tra cứu nội bộ, IDP có người kiểm tra, chatbot trả lời câu hỏi thường gặp. Để AI tự quyết định tín dụng sau cùng.
3. Làm sạch và hợp nhất dữ liệu: thống nhất định nghĩa “khách hàng”, “giao dịch”, “nợ quá hạn” giữa các hệ thống.
4. Lập danh mục và phân loại rủi ro ngay từ đầu, kể cả mô hình mua của nhà cung cấp.
5. Chạy song song với cách làm cũ và thiết kế sẵn điểm can thiệp của con người.
6. Đào tạo nhân viên và giám sát sau triển khai, lên lịch thẩm định lại định kỳ.

Câu hỏi thường gặp

AI được ứng dụng trong ngân hàng như thế nào?

Phổ biến nhất là chấm điểm tín dụng, phát hiện gian lận giao dịch, giám sát rửa tiền, chatbot và voicebot chăm sóc khách hàng, đọc hồ sơ tự động, cảnh báo sớm nợ xấu, gợi ý sản phẩm cá nhân hoá và trợ lý AI cho nhân viên.

Ngân hàng có được dùng AI để tự động duyệt khoản vay không?

Có, nhưng phải tuân thủ chặt. Quyết định 33/2026/QĐ-TTg xếp AI tự động quyết định cấp tín dụng vào nhóm rủi ro cao; Thông tư 53/2026/TT-NHNN xác định ngưỡng từ 50 triệu đồng trở lên. Hệ thống loại này phải được đánh giá, giám sát và cho phép con người can thiệp.

Khi chat với ngân hàng, tôi có được biết mình đang nói chuyện với AI không?

Có. Luật Trí tuệ nhân tạo yêu cầu người dùng nhận biết được khi đang tương tác với hệ thống AI. Thông tư 53/2026/TT-NHNN cụ thể hoá: khi AI thay người giao tiếp, ngân hàng phải thông báo ngay từ đầu phiên hoặc cuộc hội thoại.

Tôi có quyền khiếu nại quyết định do AI đưa ra không?

Có. Theo Thông tư 53/2026/TT-NHNN, quyết định tự động bị khiếu nại phải được con người rà soát lại, và kết quả rà soát của con người là căn cứ cuối cùng để giải quyết.

Ngân hàng có được dùng dữ liệu của tôi để chấm điểm tín dụng không?

Chỉ khi bạn đồng ý. Điều 27 Luật Bảo vệ dữ liệu cá nhân số 91/2025/QH15 cấm dùng thông tin tín dụng của bạn để chấm điểm, xếp hạng tín dụng khi chưa có sự đồng ý của bạn.

Làm sao tự bảo vệ trước lừa đảo deepfake mạo danh ngân hàng?

Không làm theo yêu cầu quay mặt hay đọc mã OTP qua cuộc gọi video lạ. Không chuyển tiền vào tài khoản không mang tên người đang gọi. Khi nghi ngờ, tắt máy và gọi lại bằng số tổng đài in trên thẻ hoặc số người quen bạn đã lưu.