Quan điểm cốt lõi của bài báo là trọng tâm của cuộc cạnh tranh trong lĩnh vực trí tuệ nhân tạo tài chính không phải là ai có thể tạo ra một "phiên bản tài chính" thân thiện hơn của ChatGPT, mà là ai có thể tích hợp độ sâu vào các công cụ làm việc hàng ngày (như Excel, PPT và Word) và các quy trình việc kinh doanh cốt lõi (như thẩm định và phê duyệt) của người hành nghề tài chính, và trực tiếp xuất ra các "sản phẩm" chính thức có thể được xem xét và lưu trữ.

Bài viết bởi: Resonant Ones

Nguồn bài viết: Suichu.AI

Cuộc cạnh tranh trong lĩnh vực trí tuệ nhân tạo tài chính không phải là về "ai có thể trò chuyện giỏi hơn", mà là về "ai có thể truy cập Excel, PowerPoint và quy trình phê duyệt".

Nhiều người tin rằng cuộc cạnh tranh trong lĩnh vực trí tuệ nhân tạo tài chính xoay quanh việc đào tạo một mô hình lớn hơn, có khả năng hiểu biết về tài chính tốt hơn.

Nhưng Claude trong lĩnh vực dịch vụ tài chính đã tiết lộ câu trả lời thực sự: cốt lõi của trí tuệ nhân tạo trong lĩnh vực tài chính không nằm ở mô hình, mà là ở quy trình làm việc.

Vấn đề không phải là để AI trò chuyện với người dùng về cổ phiếu, mà là tích hợp AI vào Excel, PPT, Word, nghiên cứu đầu tư, ngân hàng đầu tư, thẩm định, tuân thủ, đối chiếu và các quy trình phê duyệt.

Điều này rất quan trọng đối với các doanh nhân trong nước. Nếu bạn vẫn đang phát triển một "phiên bản tài chính của ChatGPT", rất có thể bạn sẽ bị các công ty lớn, các trung tâm dữ liệu và các văn phòng chuyên nghiệp thâu tóm. Nhưng nếu bạn có thể đảm nhận việc xử lý các tài liệu Excel, PPT, Word và các gói phê duyệt lặp đi lặp lại mà các tổ chức tài chính tạo ra hàng ngày, thì cơ hội chỉ mới bắt đầu.

Một tình huống thực tế

Tháng trước, tôi đã nói chuyện với một người bạn làm việc trong lĩnh vực đầu tư vốn tư nhân. Đội ngũ của họ đang tiến hành thẩm định một công ty tiêu dùng và nhận được một Phòng Dữ liệu chứa 17 thư mục và hơn 400 tài liệu—hợp đồng, báo cáo kiểm toán , sao kê ngân hàng, chi tiết đơn đặt hàng, ghi chú phỏng vấn và tài liệu quản lý.

Trước đây, một phó chủ tịch và hai nhà phân tích sẽ mất hai tuần để hoàn thành bản thảo đầu tiên tử tế của Bản ghi nhớ IC.

Vậy tiếp theo là gì? Nếu ai đó (hoặc một đại lý) có thể hoàn thành việc phân loại dữ liệu, đánh dấu rủi ro , xác định các mục bị thiếu và tạo bản nháp trong vòng 24 giờ - bạn nghĩ khách hàng có mua nó không?

Đây không phải là khoa học viễn tưởng. Claude for Financial Services đã và đang làm điều này. Và những gì họ đang mã nguồn mở không chỉ là một ứng dụng, mà là một mô hình sản phẩm gồm "Đại lý + Kỹ năng + Kết nối + Sản phẩm đầu ra + Xác minh của con người".

Chúng ta hãy bắt đầu với phát hiện đầu tiên. Cấu trúc sản phẩm của Claude for Financial Services thực ra khá đơn giản: Các tác nhân xử lý nhiệm vụ từ đầu đến cuối, các kỹ năng lắng đọng các quy trình tài chính chuyên nghiệp, các trình kết nối truy cập dữ liệu tài chính và các hệ thống nội bộ của doanh nghiệp, và Excel, PowerPoint, và Word cung cấp các sản phẩm cuối cùng. Ngoài ra, quyền hạn, tham chiếu, kiểm toán và xem xét thủ công đảm bảo rằng các tổ chức tài chính có thể sử dụng nó.

Trước đây, trí tuệ nhân tạo trong lĩnh vực tài chính thường thể hiện dưới dạng đặt câu hỏi và nhận câu trả lời từ AI. Nhưng điều mà các tổ chức tài chính thực sự cần là một sản phẩm cụ thể: bạn cung cấp cho tôi một đống dữ liệu, và tôi muốn một tài liệu có thể được xem xét, trích dẫn, lưu trữ và tích hợp vào hệ thống việc kinh doanh. Sự khác biệt giữa hai điều này là rất lớn. Giá trị của trí tuệ nhân tạo trong lĩnh vực tài chính nằm ở sản phẩm cụ thể, chứ không phải ở cửa sổ trò chuyện.

Một thay đổi đáng chú ý khác là các tổ chức tài chính trong nước không còn ở trong trạng thái chờ đợi và quan sát nữa.

Từ năm 2025 đến năm 2026, tôi nhận thấy tiến độ triển khai có thể được chia thành ba giai đoạn chính. Các ngân hàng đang tiến triển nhanh nhất; Ngân hàng Xây dựng Trung Quốc đã hoàn thành việc triển khai DeepSeek sở hữu tư nhân, bao gồm hàng trăm kịch bản. Quỹ đầu tư chứng khoán CITIC đã sử dụng DeepSeek để thẩm định REITs, giảm khối lượng công việc từ 5 nhân viên trong 70 ngày xuống còn 1 người trong 10 ngày – hiệu quả được cải thiện gấp 30 lần.

Các công ty chứng khoán và PICC Property & Casualty Insurance cũng đã làm theo. CITIC Securities cung cấp dịch vụ tư vấn đầu tư dựa trên công nghệ đa tác nhân, PICC Property & Casualty Insurance đã tích hợp với DeepSeek để xây dựng cơ sở kiến ​​thức chuyên môn, và mô hình dữ liệu lớn của Ping An đã được gọi 818 triệu lần trong sáu tháng.

Nhưng điều thực sự thú vị là ở tầng thứ ba—các quỹ đầu tư tư nhân (PE), quản lý tài sản và quản lý tài sản cá nhân cao cấp. Họ có dữ liệu dồi dào, ngân sách lớn và áp lực phải hoàn thành dự án đáng kể, nhưng hầu hết vẫn đang ở giai đoạn chứng minh khái niệm (POC). Điều này không phải là do lạc hậu; mà là do đây là cơ hội vàng cho các công ty khởi nghiệp.

Khi nói đến các công ty khởi nghiệp tham gia thị trường này, nhiều người thường nghĩ ngay đến việc tạo ra một phiên bản tài chính của ChatGPT. Tuy nhiên, đây là một nỗ lực rất rủi ro, vì nó liên quan đến việc phải đối mặt với ba loại đối thủ cạnh tranh đáng gờm cùng một lúc.

Các nhà cung cấp mô hình sẽ làm cho các khả năng đa năng ngày càng rẻ hơn. Các thiết bị đầu cuối dữ liệu liệu tài chính như Wind, Choice, iFinD và Tonghuashun đã có các điểm truy cập dữ liệu và người dùng; một khi AI được tích hợp, sẽ rất khó để tính phí riêng cho các câu hỏi và câu trả lời tài chính tổng quát. Các tổ chức tài chính lớn thích xây dựng nền tảng AI nội bộ của riêng họ, tích hợp các khả năng đa năng vào hệ thống phân quyền của riêng họ.

Các công ty khởi nghiệp đang phải đối mặt trực diện, nhưng lại bị tấn công từ ba phía.

Tuy nhiên, nếu bạn thay đổi góc nhìn và nhìn xa hơn điểm khởi đầu đến lớp vận hành, tình hình sẽ thay đổi. Lớp vận hành theo chiều dọc là gì? Đó là việc tích hợp sâu AI xung quanh một vai trò cụ thể, một quy trình cụ thể và một sản phẩm cụ thể. Ví dụ bao gồm việc cấu trúc tài liệu thẩm định cho vay vốn tư nhân/ngân hàng đầu tư, kiểm toán mô hình tài chính Excel, xem xét ban đầu các tài liệu phê duyệt khoản vay, tự động tạo các biểu mẫu xem xét tuân thủ, xem xét bổ sung các yêu cầu bảo hiểm và tài liệu bảo lãnh phát hành, và tự động biên soạn Biên bản họp quản lý khách hàng.

Những hướng dẫn này có thể không hoành tráng như "mô hình tài chính lớn", nhưng chúng gần gũi hơn với ngân sách của khách hàng.

Những loại sản phẩm nào đáng để sản xuất?

Tóm lại, bốn điều kiện phải được đáp ứng đồng thời.

Có khả năng nhận dữ liệu

Các tình huống thực sự có giá trị cao thường liên quan đến việc xử lý các tài liệu nội bộ của khách hàng, hệ thống CRM, lưu trữ đám mây, email, hợp đồng và hệ thống phê duyệt. Việc chỉ xử lý các trang web công cộng mang lại giá trị rất hạn chế.

Quy trình có thể chạy    

Người dùng trong lĩnh vực tài chính sẽ không thay đổi thói quen làm việc của họ vì AI. Các sản phẩm cần được tích hợp vào các hệ thống hiện có của họ như Excel, PowerPoint, Lark, WeChat Work, DingTalk, WPS và CRM.

Tài liệu có thể được gửi đi    

Các tổ chức tài chính không trả tiền cho câu trả lời, họ trả tiền cho tài liệu. Họ chỉ sẵn lòng trả tiền nếu người nộp đơn có thể cung cấp các biểu mẫu đánh giá, bản ghi nhớ, bản trình bày và bảng tính Excel.

Hãy chừa chỗ cho các giới hạn trách nhiệm.

Trí tuệ nhân tạo (AI) phải hỗ trợ việc tham chiếu, ghi nhật ký, phân quyền, kiểm toán và xem xét của con người. Nó không nên cung cấp lời khuyên đầu tư, tự động hóa giao dịch hoặc thay thế sự phê duyệt cuối cùng.

Nếu thiếu bất kỳ một trong bốn điều kiện này, sản phẩm sẽ khó có thể được đưa vào hoàn cảnh sản xuất thực tế.

Nếu chúng ta mở rộng tầm nhìn và nhìn vào 24 tháng tới, tôi nghĩ có bảy lĩnh vực nhỏ cần được quan tâm nhất.

Nghiên cứu đầu tư và thẩm định được xếp hạng hàng đầu. Với nguồn dữ liệu dồi dào, thời hạn chặt chẽ và các kết quả cần đạt được rõ ràng, đây là cách tiếp cận gần gũi nhất với Hebbia và Rogo.

Thứ hai, đó là kiểm toán các mô hình Excel — các ngân hàng đầu tư, công ty cổ phần tư nhân, công ty tín dụng và công ty quản lý tài sản đều có lượng lớn các tệp Excel chứa lỗi công thức, dữ liệu được mã hóa cứng và các giả định không nhất quán, tạo ra nhiều cơ hội để trí tuệ nhân tạo hỗ trợ.

Hỗ trợ phê duyệt tín dụng đứng thứ ba, vì cả ngân hàng và các tổ chức tài chính phi ngân hàng đều yêu cầu xem xét ban đầu các tài liệu, phân tích giao dịch, rút rủi ro và lập báo cáo tín dụng. Rà soát tuân thủ đứng thứ tư, với việc so sánh hệ thống, xem xét tài liệu tiếp thị và kiểm tra KYC đều phù hợp để sử dụng như các trợ lý AI có thể tham khảo và truy vết.

Quản lý quỹ và các hoạt động tài chính liên quan đến các quy trình phức tạp về đối chiếu, định giá, xác minh chi phí và các giấy tờ làm việc kiểm toán, và sai sót trong các quy trình này sẽ gây tốn kém.

Việc giải quyết và thẩm định bảo hiểm liên quan đến rất nhiều giấy tờ, quy định và áp lực xem xét đáng kể, tuy nhiên việc xác nhận thủ công là rất cần thiết.

Cuối cùng, có Copilot , trợ lý quản lý tài khoản và tư vấn đầu tư . Thay vì AI trực tiếp đưa ra lời khuyên đầu tư, Copilot hỗ trợ các cố vấn trong việc chuẩn bị trước cuộc họp, giải thích sản phẩm, ghi Biên bản họp và cập nhật CRM.

Bảy hướng dẫn này đều có chung một tiền đề: sản phẩm phải có kiểm toán, tham chiếu và sở hữu tư nhân.

Các tổ chức tài chính sẽ không chấp nhận "AI" một cách đại khái. Dữ liệu đến từ đâu? Nguồn tham chiếu là từ đâu? Ai đã xem xét nó? Dữ liệu đã rời khỏi phạm vi quản lý chưa? Đây là những điều kiện tiên quyết cho các quyết định mua sắm. Do đó, ngay từ đầu, cần phải thiết kế khả năng truy xuất nguồn gốc, phê duyệt thủ công, cách ly dữ liệu và nhật ký hoạt động. Đây không phải là chi phí tuân thủ; mà là rào cản về sản phẩm.

Có một xu hướng thậm chí còn lớn hơn nữa. Khi khả năng của mô hình trở nên phổ biến, cơ hội sẽ chuyển sang các quy trình làm việc, trình kết nối và các lớp quản trị. Giống như điện toán đám mây đã biến cơ sở hạ tầng CNTT thành API, một thế hệ doanh nhân mới đã xây dựng SaaS trên nền tảng đó. Điều tương tự cũng áp dụng cho các mô hình lớn hiện nay—bất cứ ai có thể tích hợp các quy trình làm việc của ngành lên trên chúng sẽ tạo ra lợi thế cạnh tranh.

Công việc trí tuệ trong ngành tài chính được đặc trưng bởi mật độ thông tin cao, yêu cầu định dạng nghiêm ngặt và trách nhiệm giải trình mạnh mẽ. Những đặc điểm này có nghĩa là nó không thể được bao phủ nhanh chóng bởi trí tuệ nhân tạo tổng quát. Đây chính xác là vùng an toàn cho các công ty khởi nghiệp.

Các công ty khởi nghiệp có thể bắt đầu như thế nào?

Đừng xây dựng nền tảng ngay từ đầu.

Hãy tìm một kịch bản cụ thể : với dữ liệu thực tế, một mẫu cố định, các kết quả đầu ra rõ ràng, đánh giá thủ công, ngân sách của bộ phận và khả năng xác minh lợi tức đầu tư (ROI) trong vòng 60-90 ngày.

Đừng nói như vậy:

Tôi muốn tạo ra một nền tảng trí tuệ nhân tạo (AI) dành cho các tổ chức tài chính.

Nên nói như thế này:

Ban đầu, tôi đã hỗ trợ đội ngũ PE/FA tự động cấu trúc dữ liệu trong Data Room, xuất ra các câu hỏi và câu trả lời về thẩm định, danh sách rủi ro và bản dự thảo ban đầu của Biên bản ghi nhớ IC.

Thông tin càng cụ thể, việc chốt giao dịch càng dễ dàng hơn.

Rủi ro lớn nhất là bị một công ty lớn thay thế?

Các điểm truy cập thông thường sẽ được thay thế. Các câu hỏi và câu trả lời tài chính chung, tóm tắt báo cáo nghiên cứu thông thường và các truy vấn dữ liệu đơn giản có thể dễ dàng bị thay thế bởi các mô hình lớn và thiết bị đầu cuối dữ liệu.

Tuy nhiên, điều này không áp dụng cho các quy trình sâu theo chiều dọc.

Bởi vì các công ty lớn không muốn làm những công việc phức tạp cho từng vai trò cụ thể. Thử thách thực sự nằm ở chỗ: tích hợp với hệ thống nội bộ của khách hàng, hiểu quy trình công việc, thích ứng với các mẫu của khách hàng và đồng hành cùng khách hàng từ giai đoạn thử nghiệm đến khi đưa vào sản xuất.

Đây là những vấn đề mà một API mô hình đơn lẻ không thể tự động giải quyết.