Từ eKYC đến thu hồi nợ: AI đang tái định hình cách ngân hàng vận hành như thế nào?

Nếu coi ngân hàng là một “cỗ máy” vận hành liên tục, thì các quy trình như định danh khách hàng (eKYC), phê duyệt tín dụng, giám sát rủi ro hay thu hồi nợ chính là những bánh răng quan trọng nhất. Trong mô hình ngân hàng truyền thống, phần lớn các khâu này phụ thuộc nhiều vào con người, vừa tốn chi phí, vừa khó mở rộng khi quy mô khách hàng tăng nhanh.

Sự xuất hiện của ngân hàng số đã giúp số hóa nhiều quy trình, nhưng phải đến khi AI được tích hợp sâu, bài toán hiệu quả và khả năng mở rộng mới thực sự được giải quyết. Thực tế cho thấy, AI không chỉ giúp ngân hàng “làm nhanh hơn”, mà còn “làm khác đi” so với cách vận hành cũ.

eKYC: cửa ngõ đầu tiên của ngân hàng số

Trong hành trình khách hàng, eKYC là điểm chạm đầu tiên và cũng là một trong những khâu nhạy cảm nhất. Với ngân hàng số, nơi không có quầy giao dịch vật lý, toàn bộ quá trình định danh diễn ra trực tuyến, đòi hỏi độ chính xác và an toàn cao.

Ở giai đoạn đầu, eKYC chủ yếu dựa trên công nghệ OCR và so khớp khuôn mặt cơ bản. Tuy nhiên, khi các hình thức gian lận ngày càng tinh vi, từ sử dụng giấy tờ giả đến deepfake, cách tiếp cận này nhanh chóng bộc lộ giới hạn. Đây là lúc AI, đặc biệt là các mô hình nhận diện sinh trắc học và học máy, trở thành yếu tố then chốt.

Tại Cake by VPBank, eKYC không chỉ dừng lại ở việc xác thực danh tính, mà còn đóng vai trò như bước đầu tiên trong hệ thống quản trị rủi ro dựa trên dữ liệu. Các mô hình AI phân tích hành vi đăng ký, tốc độ thao tác, sự nhất quán của thông tin và nhiều tín hiệu phi cấu trúc khác để đánh giá mức độ tin cậy của hồ sơ ngay từ đầu. Cách tiếp cận này giúp ngân hàng giảm thiểu rủi ro gian lận ngay tại “cửa ngõ”, thay vì xử lý hậu quả ở các khâu sau với chi phí cao hơn.

Phê duyệt tín dụng: từ kinh nghiệm sang dữ liệu

Nếu eKYC là cửa vào, thì phê duyệt tín dụng chính là “trái tim” của ngân hàng bán lẻ. Trong mô hình truyền thống, quyết định tín dụng thường dựa nhiều vào lịch sử tín dụng, thu nhập khai báo và kinh nghiệm của cán bộ thẩm định. Cách làm này không chỉ mất thời gian, mà còn khó mở rộng khi số lượng hồ sơ tăng mạnh.

AI đã thay đổi hoàn toàn cách tiếp cận bài toán này. Thay vì chỉ dựa vào một vài chỉ số tài chính, các mô hình AI có thể phân tích hàng trăm, thậm chí hàng nghìn biến số khác nhau, bao gồm hành vi giao dịch, lịch sử sử dụng sản phẩm, thói quen chi tiêu và nhiều dữ liệu phi truyền thống.

Tại Cake, mỗi tháng hệ thống xử lý khoảng 1 triệu hồ sơ tín dụng. Khối lượng này gần như không thể vận hành hiệu quả nếu chỉ dựa vào con người. Các mô hình AI đóng vai trò như “bộ não” trung tâm, đưa ra đánh giá rủi ro theo thời gian thực, trong khi con người tập trung vào các trường hợp đặc biệt hoặc cần can thiệp sâu. Điều này không chỉ rút ngắn thời gian phê duyệt, mà còn giúp kiểm soát chất lượng danh mục tín dụng ở quy mô lớn.

Chăm sóc khách hàng: AI không chỉ để trả lời tự động

Chatbot thường là hình ảnh quen thuộc nhất khi nhắc đến AI trong ngân hàng. Tuy nhiên, nếu chỉ dừng ở việc trả lời câu hỏi đơn giản, giá trị mà AI mang lại là rất hạn chế. Thách thức thực sự nằm ở việc làm sao để AI hiểu được ngữ cảnh, nhu cầu và trạng thái của khách hàng trong từng thời điểm.

Với định hướng AI-first, Cake coi AI là một phần trong hành trình chăm sóc khách hàng toàn diện. Các mô hình AI không chỉ xử lý câu hỏi, mà còn phân loại vấn đề, dự đoán nhu cầu và đề xuất giải pháp phù hợp. Điều này đặc biệt quan trọng khi ngân hàng phục vụ hàng triệu khách hàng với nhu cầu đa dạng, trong khi vẫn muốn duy trì trải nghiệm nhất quán.

Theo thống kê nội bộ, tỷ lệ giữ chân của Cake đạt khoảng 80% ở nhóm khách hàng giao dịch thường xuyên và lên tới 95% ở nhóm sử dụng dịch vụ tài chính. Đây là con số cho thấy AI, khi được triển khai đúng cách, có thể góp phần cải thiện đáng kể chất lượng trải nghiệm, chứ không chỉ giúp giảm chi phí chăm sóc khách hàng.

Gian lận tài chính là một trong những thách thức lớn nhất của ngân hàng số. Khi giao dịch diễn ra 24/7, với tốc độ cao và khối lượng lớn, việc phát hiện gian lận bằng các quy tắc cố định (rule-based) gần như không còn hiệu quả. AI, với khả năng học từ dữ liệu và phát hiện các mẫu bất thường, trở thành công cụ không thể thiếu. Các mô hình học máy có thể phân tích hành vi giao dịch theo thời gian thực, so sánh với “dấu vân tay” hành vi của từng khách hàng để phát hiện sớm các dấu hiệu rủi ro.

Tại Cake, AI được tích hợp sâu vào hệ thống giám sát gian lận, giúp ngân hàng phản ứng nhanh trước các hành vi bất thường mà không làm gián đoạn trải nghiệm của phần lớn khách hàng “tốt”. Đây là sự cân bằng khó, nhưng cực kỳ quan trọng trong bối cảnh người dùng ngày càng nhạy cảm với các gián đoạn dịch vụ.

Thu hồi nợ: bài toán khó nhất của AI trong ngân hàng

Nếu eKYC và phê duyệt tín dụng là những khâu “đầu vào”, thì thu hồi nợ là bài toán khó nhất ở “đầu ra”. Đây cũng là lĩnh vực mà AI thường ít được nhắc đến, bởi tính phức tạp và nhạy cảm cao.

Trong mô hình truyền thống, thu hồi nợ phụ thuộc nhiều vào đội ngũ nhân sự lớn, quy trình thủ công và kinh nghiệm cá nhân. Cách làm này vừa tốn kém, vừa dễ tạo ra xung đột trong trải nghiệm khách hàng. AI mở ra một hướng tiếp cận khác.

Tại Cake, các mô hình AI được sử dụng để phân loại khách hàng theo khả năng trả nợ, dự đoán thời điểm phù hợp để nhắc nhở và lựa chọn kênh tiếp cận tối ưu. Thay vì áp dụng một kịch bản chung cho tất cả, AI giúp cá nhân hóa chiến lược thu hồi nợ, vừa tăng tỷ lệ thu hồi, vừa giảm căng thẳng cho khách hàng.Đây là ví dụ điển hình cho thấy AI không chỉ giúp ngân hàng “thu hồi nợ tốt hơn”, mà còn giúp duy trì mối quan hệ dài hạn với khách hàng – yếu tố sống còn trong mô hình ngân hàng bán lẻ.

Điểm chung của các khâu từ eKYC đến thu hồi nợ là mức độ nhạy cảm cao về dữ liệu và niềm tin. AI chỉ thực sự phát huy hiệu quả khi được đặt trong một khung quản trị chặt chẽ, đảm bảo an toàn, tuân thủ và minh bạch. Việc Cake đầu tư mạnh vào các tiêu chuẩn bảo mật và làm chủ hạ tầng công nghệ cho phép ngân hàng kiểm soát toàn bộ vòng đời dữ liệu, từ thu thập, xử lý đến lưu trữ và khai thác. Đây là điều kiện tiên quyết để AI có thể tham gia sâu vào các nghiệp vụ cốt lõi mà không tạo ra rủi ro hệ thống.

Nhìn về phía trước, vai trò của AI trong ngân hàng sẽ không dừng lại ở từng khâu riêng lẻ, mà hướng tới một hệ thống vận hành thông minh toàn diện. Trong bối cảnh thị trường ngân hàng số bước vào giai đoạn thanh lọc, những tổ chức có khả năng tích hợp AI sâu vào lõi vận hành sẽ có lợi thế rõ rệt về chi phí, hiệu quả và khả năng mở rộng.

Trường hợp của Cake by VPBank cho thấy, AI không phải là “phép màu” giúp ngân hàng tăng trưởng tức thì, mà là khoản đầu tư dài hạn cho kỷ luật vận hành và sức bền hệ thống. Khi quy mô ngày càng lớn, chính AI sẽ là yếu tố quyết định ngân hàng có thể đi bao xa trong cuộc chơi tài chính số.

Ngọc Anh