Ngày nay, với sự phát triển nhanh chóng của công nghệ, AI (trí tuệ nhân tạo) và ML (máy học) đã phi nước đại trong ngành dịch vụ tài chính hơn một thập kỷ, bao gồm nhiều cải tiến khác nhau từ kiểm soát rủi ro tốt hơn đến chấm điểm chống gian lận cơ bản. Ngày nay, AI tổng quát dựa trên Mô hình ngôn ngữ lớn (LLM) đại diện cho một bước nhảy vọt lịch sử đang thay đổi giáo dục, trò chơi, kinh doanh và nhiều lĩnh vực khác. Không giống như AI/ML truyền thống chủ yếu đưa ra dự đoán hoặc phân loại dựa trên dữ liệu hiện có, AI tổng quát có thể tạo nội dung hoàn toàn mới.

Hãy tưởng tượng việc có thể đào tạo trên một lượng lớn dữ liệu phi cấu trúc, cùng với sức mạnh tính toán hầu như không giới hạn, điều này có thể mang lại sự thay đổi lớn nhất trong thị trường dịch vụ tài chính trong nhiều thập kỷ. Không giống như những thay đổi nền tảng khác—chẳng hạn như Internet, điện thoại di động, điện toán đám mây—ngành dịch vụ tài chính luôn chậm một bước trong việc áp dụng và ở đây chúng tôi mong đợi sẽ thấy các công ty mới và hiện có tốt nhất nắm bắt AI tình dục sáng tạo.

Các công ty dịch vụ tài chính có một lượng lớn dữ liệu tài chính lịch sử và nếu họ sử dụng dữ liệu này để tinh chỉnh LLM (hoặc đào tạo họ từ đầu như BloombergGPT đã làm), họ sẽ có thể nhanh chóng trả lời hầu hết mọi câu hỏi tài chính. Ví dụ: LLM được đào tạo về các cuộc trò chuyện với khách hàng của công ty và một số dữ liệu đặc điểm kỹ thuật sản phẩm bổ sung sẽ có thể trả lời tất cả các câu hỏi về sản phẩm của công ty đó trong tích tắc, trong khi LLM được đào tạo về báo cáo hoạt động đáng ngờ của công ty (SAR) trong một thập kỷ , sẽ có thể xác định một loạt giao dịch có thể báo hiệu âm mưu rửa tiền. Chúng tôi tin rằng ngành dịch vụ tài chính sẵn sàng tận dụng AI tổng quát để đạt được năm mục tiêu: trải nghiệm người tiêu dùng được cá nhân hóa, hoạt động hiệu quả, tuân thủ tốt hơn, quản lý rủi ro được cải thiện cũng như dự báo và báo cáo năng động .

Trong cuộc đua giữa những người đương nhiệm và các công ty khởi nghiệp, khi AI được sử dụng để tung ra sản phẩm mới và cải thiện hoạt động, những người đương nhiệm có lợi thế ban đầu vì quyền truy cập vào dữ liệu tài chính độc quyền, nhưng cuối cùng họ sẽ thua vì các tiêu chuẩn cao về độ chính xác và quyền riêng tư bị cản trở . Mặt khác, những người mới tham gia ban đầu có thể cần sử dụng dữ liệu tài chính có sẵn công khai để đào tạo các mô hình của họ, nhưng họ sẽ sớm bắt đầu tạo dữ liệu của riêng mình như một công cụ phá băng để phân phối sản phẩm mới.

Vì vậy, hãy đi sâu vào năm mục tiêu này và xem các công ty đương nhiệm và công ty khởi nghiệp đang tận dụng trí tuệ nhân tạo AI như thế nào.

Trải nghiệm người tiêu dùng được cá nhân hóa

Bất chấp thành công to lớn của họ trong thập kỷ qua, các công ty công nghệ tài chính tiêu dùng vẫn chưa thực hiện được lời hứa đầy tham vọng nhất của họ: tối ưu hóa bảng cân đối kế toán và bảng thu nhập của người tiêu dùng mà không có sự tham gia của con người. Lời hứa này đã không được thực hiện vì giao diện người dùng không thể nắm bắt đầy đủ bối cảnh con người ảnh hưởng đến các quyết định tài chính, cũng như không cung cấp lời khuyên và bán kèm theo cách giúp mọi người thực hiện sự đánh đổi phù hợp.

Một ví dụ quan trọng về một trong những tình huống không rõ ràng của con người này là cách người tiêu dùng ưu tiên thanh toán hóa đơn của họ trong thời điểm khó khăn. Người tiêu dùng thường xem xét cả tiện ích và thương hiệu khi đưa ra quyết định này và sự đan xen của hai yếu tố này làm phức tạp việc tạo ra trải nghiệm nắm bắt đầy đủ cách tối ưu hóa quyết định đó. Điều này gây khó khăn cho việc cung cấp giáo dục tín dụng hàng đầu nếu không có sự tham gia của nhân viên. Mặc dù trải nghiệm như Credit Karma có thể đưa khách hàng đi 80% hành trình, 20% còn lại có thể giống như vực thẳm ma thuật và những nỗ lực tiếp theo để nắm bắt bối cảnh có xu hướng quá hẹp hoặc sử dụng độ chính xác sai, do đó làm suy yếu người tiêu dùng lòng tin.

Những thiếu sót tương tự tồn tại trong quản lý tài sản hiện đại và chuẩn bị thuế. Khi nói đến quản lý tài sản, các cố vấn con người vượt trội hơn hẳn các giải pháp fintech, ngay cả những giải pháp tập trung hẹp vào các loại tài sản và chiến lược cụ thể, bởi vì con người được định hình sâu sắc bởi những hy vọng, ước mơ và nỗi sợ hãi độc nhất của họ. Đây là lý do tại sao các cố vấn con người trong lịch sử đã giỏi điều chỉnh lời khuyên cho khách hàng của họ hơn hầu hết các hệ thống fintech. Khi nói đến thuế, ngay cả với sự trợ giúp của phần mềm hiện đại, người Mỹ vẫn dành hơn 6 tỷ giờ mỗi năm để xử lý thuế của họ, mắc 12 triệu lỗi và thường bỏ qua thu nhập hoặc từ bỏ những lợi ích mà họ không biết, chẳng hạn như có thể khấu trừ Chi phí đi công tác .

Các mô hình ngôn ngữ lớn (LLM) đưa ra giải pháp gọn gàng cho những vấn đề này bằng cách hiểu rõ hơn và điều hướng các quyết định tài chính của người tiêu dùng. Các hệ thống này có thể trả lời các câu hỏi (“Tại sao một số danh mục đầu tư của tôi là trái phiếu đô thị?”), đánh giá sự đánh đổi (“Tôi nên nghĩ như thế nào về rủi ro kỳ hạn so với lợi nhuận?”), và cuối cùng kết hợp bối cảnh con người vào quá trình ra quyết định (“ của bạn Bạn có thể lập một kế hoạch đủ linh hoạt để giúp tôi hỗ trợ tài chính cho cha mẹ già của mình vào một thời điểm nào đó trong tương lai không?"). Những khả năng này sẽ chuyển đổi fintech của người tiêu dùng từ một tập hợp các trường hợp sử dụng có giá trị cao nhưng hẹp sang một trường hợp khác giúp người tiêu dùng tối ưu hóa toàn bộ đời sống tài chính của họ.

hoạt động hiệu quả

Trong một thế giới mà các công cụ AI sáng tạo có thể xâm nhập vào các ngân hàng, Sally nên được đánh giá liên tục để cô ấy có một khoản thế chấp được chấp thuận trước khi cô ấy quyết định mua một ngôi nhà.

Tuy nhiên, thế giới này vẫn chưa thành hiện thực, vì ba lý do chính:

• Đầu tiên, thông tin người tiêu dùng nằm rải rác trên các cơ sở dữ liệu khác nhau . Điều này làm cho việc bán chéo và dự báo nhu cầu của người tiêu dùng trở nên vô cùng khó khăn.
• Thứ hai, các dịch vụ tài chính là những giao dịch mua mang tính cảm xúc cao thường có các cây quyết định phức tạp khó tự động hóa . Điều này có nghĩa là các ngân hàng phải tuyển dụng các nhóm dịch vụ khách hàng lớn để trả lời nhiều câu hỏi của khách hàng về sản phẩm tài chính nào là tốt nhất cho họ dựa trên hoàn cảnh cá nhân của họ.
• Cuối cùng, các dịch vụ tài chính được quản lý chặt chẽ . Điều này có nghĩa là các nhân viên con người như nhân viên cho vay và bộ xử lý phải tham gia vào chu kỳ của mọi sản phẩm có sẵn (như thế chấp) để đảm bảo tuân thủ các luật phức tạp và phi cấu trúc.

AI sáng tạo sẽ làm cho các chức năng sử dụng nhiều lao động như trích xuất dữ liệu từ nhiều nơi và hiểu bối cảnh cá nhân phi cấu trúc cũng như các quy định tuân thủ phi cấu trúc hiệu quả hơn 1.000 lần. Ví dụ:

• Đại diện dịch vụ khách hàng : Tại mọi ngân hàng, hàng ngàn đại diện dịch vụ khách hàng phải có kiến thức chi tiết về các sản phẩm của ngân hàng và các yêu cầu tuân thủ liên quan để có thể trả lời các câu hỏi của khách hàng. Bây giờ, hãy tưởng tượng một đại diện dịch vụ khách hàng mới bắt đầu làm việc và họ có quyền truy cập vào mô hình ngôn ngữ lớn (LLM) được đào tạo trong 10 năm qua về các cuộc gọi dịch vụ khách hàng của ngân hàng. Người đại diện có thể sử dụng mô hình để nhanh chóng đưa ra câu trả lời chính xác cho bất kỳ câu hỏi nào, giúp họ nói sâu hơn về nhiều loại sản phẩm hơn đồng thời giảm thời gian đào tạo. Các công ty hiện tại sẽ muốn đảm bảo rằng dữ liệu độc quyền của họ và thông tin cá nhân của các khách hàng cụ thể không được sử dụng để thúc đẩy LLM chung mà các công ty khác có thể sử dụng. Những người mới tham gia sẽ cần phải sáng tạo trong cách họ cấu trúc bộ dữ liệu của mình.
• Nhân viên cho vay : Các nhân viên cho vay hiện tại thường cần lấy dữ liệu từ gần chục hệ thống khác nhau để tạo một tài liệu cho vay duy nhất. Một mô hình AI tổng quát có thể được đào tạo dựa trên dữ liệu từ tất cả các hệ thống này, để nhân viên cho vay có thể chỉ cần cung cấp tên khách hàng và các tài liệu cho vay sẽ được tạo ngay lập tức cho họ. Cán bộ tín dụng có thể vẫn cần đảm bảo độ chính xác 100%, nhưng quy trình thu thập dữ liệu của họ sẽ trở nên hiệu quả và chính xác hơn.
• Đảm bảo chất lượng : Phần lớn công việc đảm bảo chất lượng cho các ngân hàng và công ty fintech liên quan đến việc đảm bảo tuân thủ đầy đủ với nhiều cơ quan quản lý. AI sáng tạo có thể tăng tốc đáng kể quá trình này. Ví dụ: Vesta có thể sử dụng mô hình AI tổng quát được đào tạo dựa trên hướng dẫn bán hàng của Fannie Mae để cảnh báo ngay lập tức cho các nhân viên cho vay thế chấp về các vấn đề tuân thủ. Vì nhiều hướng dẫn quy định được công bố rộng rãi nên điều này có thể cung cấp một điểm vào thú vị cho những người mới tham gia thị trường. Tuy nhiên, giá trị thực vẫn sẽ chảy vào những công ty sở hữu công cụ quy trình làm việc.

Tất cả những điều này là những bước hướng tới một thế giới nơi Sally có thể tiếp cận ngay lập tức với các khoản thế chấp tiềm năng.

tuân thủ tốt hơn

Trong tương lai, nếu bộ phận tuân thủ có thể áp dụng và sử dụng công nghệ AI tổng quát, hoạt động rửa tiền bất hợp pháp hàng năm trên toàn cầu từ 800 tỷ đến 2 nghìn tỷ đô la Mỹ có thể được ngăn chặn một cách hiệu quả. Buôn bán ma túy, tội phạm có tổ chức và nhiều hoạt động bất hợp pháp khác có thể chứng kiến sự sụt giảm lớn nhất trong những thập kỷ gần đây.

Ngày nay, chúng ta chi hàng chục tỷ đô la mỗi năm cho việc tuân thủ, nhưng thực tế chỉ ngăn chặn được 3% tội phạm rửa tiền. Hầu hết các phần mềm tuân thủ đều được xây dựng dựa trên các quy tắc "được mã hóa cứng" . Ví dụ: hệ thống Chống rửa tiền cho phép nhân viên tuân thủ thực thi các quy tắc như "đánh dấu bất kỳ giao dịch nào trên 10.000 đô la" hoặc tìm kiếm hoạt động đáng ngờ định sẵn khác. Nhưng việc áp dụng các quy tắc này thường không lý tưởng, bởi vì nhiều tổ chức tài chính được yêu cầu về mặt pháp lý để điều tra một số lượng lớn các tình huống xác thực sai, thường phức tạp và khó giải quyết. Để tránh bị phạt nặng, bộ phận tuân thủ sử dụng hàng chục nghìn nhân viên, thường chiếm hơn 10% tổng số nhân viên của ngân hàng.

Và một khi chúng ta có thể tận dụng lợi thế của AI tổng quát, kịch bản trong tương lai sẽ thay đổi:

• Sàng lọc hiệu quả hơn : Mô hình AI tổng quát có thể nhanh chóng tổng hợp thông tin chính của bất kỳ cá nhân nào trong các hệ thống khác nhau và trình bày thông tin đó cho các nhân viên tuân thủ, cho phép họ tiến hành đánh giá rủi ro đối với các giao dịch nhanh hơn.
• Dự đoán tốt hơn về những kẻ rửa tiền : Hãy tưởng tượng một mô hình được đào tạo về Báo cáo hoạt động đáng ngờ (SAR) từ 10 năm qua mà không cần hướng dẫn rõ ràng, AI có thể khám phá các mẫu mới từ các báo cáo và tự xác định các mẫu hành vi nào có khả năng là rửa tiền .
• Phân tích tài liệu nhanh hơn : Bộ phận tuân thủ chịu trách nhiệm đảm bảo tuân thủ các chính sách và thủ tục nội bộ của công ty, cũng như tuân thủ các yêu cầu quy định. AI sáng tạo có thể phân tích một lượng lớn tài liệu, chẳng hạn như hợp đồng, báo cáo, email, v.v., sau đó đánh dấu các vấn đề có thể xảy ra hoặc các lĩnh vực cần nghiên cứu thêm.
• Đào tạo và giáo dục : Trí tuệ nhân tạo AI cũng có thể được sử dụng để phát triển các tài liệu đào tạo mô phỏng các tình huống trong thế giới thực nhằm dạy cho các nhân viên tuân thủ cách thực hiện các phương pháp hay nhất và cách xác định rủi ro tiềm ẩn cũng như việc không tuân thủ.

Những người mới tham gia có thể tận dụng dữ liệu tuân thủ có sẵn công khai từ hàng tá đại lý, giúp việc tìm kiếm và tích hợp trở nên nhanh chóng và dễ dàng hơn. Và đối với những công ty lớn có nhiều năm tích lũy dữ liệu, họ cần thiết kế các tính năng bảo mật phù hợp.

Cải thiện quản lý rủi ro

Trong khi Archegos và Cá voi Luân Đôn nghe giống như những sinh vật trong thần thoại Hy Lạp, chúng thực sự đại diện cho một thất bại nghiêm trọng trong quản lý rủi ro khiến một số ngân hàng lớn nhất thế giới thiệt hại hàng tỷ đô la. Cùng với ví dụ gần đây về ngân hàng Silicon Valley, rõ ràng là quản lý rủi ro vẫn là một thách thức lớn đối với nhiều tổ chức tài chính hàng đầu.

Mặc dù những tiến bộ trong AI không thể loại bỏ hoàn toàn rủi ro tín dụng, thị trường, thanh khoản và hoạt động , nhưng chúng tôi tin rằng công nghệ này có thể đóng một vai trò quan trọng trong việc giúp các tổ chức tài chính xác định, lập kế hoạch và ứng phó với rủi ro không thể tránh khỏi này một cách nhanh chóng hơn. Cụ thể, đây là một số lĩnh vực mà chúng tôi tin rằng AI có thể giúp quản lý rủi ro hiệu quả hơn:

• Xử lý ngôn ngữ tự nhiên : Các mô hình LLM như ChatGPT có thể giúp xử lý khối lượng lớn dữ liệu phi cấu trúc như các bài báo, báo cáo thị trường và nghiên cứu của nhà phân tích để cung cấp cái nhìn đầy đủ hơn về thị trường và rủi ro đối tác .
• Thông tin chi tiết theo thời gian thực : Hiểu biết tức thì về điều kiện thị trường, sự kiện địa chính trị và các yếu tố rủi ro khác cho phép các công ty thích ứng nhanh hơn với các điều kiện thay đổi.
• Phân tích dự đoán : Khả năng chạy các tình huống phức tạp hơn và đưa ra các cảnh báo sớm có thể giúp các công ty quản lý rủi ro một cách chủ động hơn.
• Tích hợp : Kết hợp các hệ thống khác nhau lại với nhau và sử dụng AI để hợp nhất thông tin có thể giúp cung cấp cái nhìn đầy đủ hơn về các rủi rủi ro và hợp lý hóa quy trình quản lý rủi ro.

Dự báo và báo cáo động

Ngoài việc giúp giải quyết các vấn đề tài chính, LLM còn có thể giúp các nhóm dịch vụ tài chính cải thiện quy trình hoạt động nội bộ và đơn giản hóa các bước công việc hàng ngày của nhóm tài chính. Ngay cả khi tất cả các khía cạnh khác của tài chính đều đạt được những bước tiến, các nhóm tài chính hiện đại vẫn dựa vào Excel, email và các công cụ kinh doanh thông minh chuyên sâu về con người cho quy trình làm việc hàng ngày của họ. Việc tự động hóa các nhiệm vụ cơ bản bị cản trở do thiếu tài nguyên khoa học dữ liệu, đồng thời các CFO và nhóm của họ bị choáng ngợp với các nhiệm vụ báo cáo và lưu giữ hồ sơ tẻ nhạt, thay vì tập trung vào các quyết định chiến lược cấp cao quan trọng hơn.

Nói chung, AI tổng quát có thể giúp các nhóm này lấy dữ liệu từ nhiều nguồn hơn và tự động hóa quy trình làm nổi bật các xu hướng cũng như tạo dự báo và báo cáo. Sau đây là một số ví dụ ứng dụng cụ thể:

• Dự đoán : AI sáng tạo có thể giúp viết công thức và truy vấn trong các công cụ Excel, SQL và BI để tự động hóa phân tích. Ngoài ra, những công cụ này có thể giúp khám phá các mẫu, chắt lọc các yếu tố dự đoán từ các bộ dữ liệu lớn hơn với các tình huống phức tạp hơn, chẳng hạn như các yếu tố kinh tế vĩ mô và đề xuất cách điều chỉnh các mô hình này dễ dàng hơn để cung cấp thông tin cho quá trình ra quyết định của công ty.
• Báo cáo : Không cần trích xuất thủ công thông tin từ nhiều loại dữ liệu khác nhau để báo cáo (chẳng hạn như báo cáo của hội đồng quản trị, báo cáo của nhà đầu tư, bảng dữ liệu hàng tuần), AI tổng quát có thể giúp tự động tạo văn bản, biểu đồ, đồ họa, v.v. và linh hoạt điều chỉnh nội dung báo cáo theo ý muốn đến các ví dụ khác nhau.
• Kế toán và Thuế : Các nhóm kế toán và thuế cần dành nhiều thời gian tham khảo các quy định và hiểu cách chúng áp dụng vào các tình huống thực tế. AI sáng tạo có thể giúp tổng hợp, khái quát hóa và đề xuất các câu trả lời khả thi cho luật thuế và khả năng cắt giảm thuế.
• Mua hàng và các khoản phải trả : Trí tuệ nhân tạo AI có thể giúp tự động hóa việc tạo và điều chỉnh hợp đồng, đơn đặt hàng và hóa đơn, lời nhắc, v.v.

Tuy nhiên, chúng ta cần làm rõ rằng AI tổng quát hiện tại có những hạn chế trong các lĩnh vực đòi hỏi sự phán đoán hoặc câu trả lời chính xác (điều này thường là điều bắt buộc đối với các nhóm tài chính). Các mô hình AI sáng tạo tiếp tục phát triển về sức mạnh tính toán, nhưng chúng ta chưa thể hoàn toàn tin tưởng vào độ chính xác của chúng hoặc ít nhất là cần có sự đánh giá của con người. Với sự cải tiến nhanh chóng của các mô hình, nhiều dữ liệu huấn luyện hơn và khả năng kết hợp mô-đun toán học, các khả năng sử dụng mới được đưa ra.

thử thách

Trong năm xu hướng lớn này, những người mới tham gia và những người chơi hiện tại trên thị trường phải đối mặt với hai thách thức lớn để hiện thực hóa tầm nhìn dựa trên AI sáng tạo này về tương lai.

• Đào tạo các Mô hình Ngôn ngữ Lớn (LLM) để xử lý dữ liệu tài chính : Các LLM ngày nay chủ yếu được đào tạo về dữ liệu web. Các mô hình này cần được tinh chỉnh với dữ liệu tài chính để đáp ứng nhu cầu cụ thể của các dịch vụ tài chính. Những người mới tham gia có thể bắt đầu với dữ liệu tài chính doanh nghiệp có sẵn công khai, hồ sơ quy định và dữ liệu tài chính công khai có sẵn khác, tinh chỉnh thêm các mô hình của họ và sau đó dần dần sử dụng dữ liệu được thu thập của chính họ theo thời gian. Những người chơi đương nhiệm như ngân hàng hoặc nền tảng lớn với các doanh nghiệp dịch vụ tài chính (chẳng hạn như Lyft), những người có thể tận dụng dữ liệu độc quyền mà họ đã có, có thể mang lại cho họ một số lợi thế ban đầu. Tuy nhiên, các công ty dịch vụ tài chính đương nhiệm có xu hướng quá bảo thủ trong việc đón nhận những thay đổi lớn của nền tảng. Điều này mang lại lợi thế cạnh tranh cho những người mới tham gia không bị ràng buộc.
• Độ chính xác của đầu ra mô hình : Các mô hình AI mới này phải càng chính xác càng tốt, do tác động của câu trả lời cho các câu hỏi tài chính đối với các cá nhân, công ty và thậm chí cả xã hội nói chung. Họ không thể bịa ra câu trả lời sai hoặc đưa ra câu trả lời nghe có vẻ tự tin nhưng lại sai và họ cần phải chính xác hơn các câu hỏi về văn hóa đại chúng hoặc bài luận trung học phổ thông đối với các câu hỏi quan trọng về thuế hoặc tình hình tài chính của mọi người. Ban đầu, thường cần phải có con người trong vòng lặp để xác thực lần cuối các câu trả lời do AI tạo ra.

Sự trỗi dậy của AI sáng tạo chắc chắn là một sự thay đổi nền tảng lớn đối với các công ty dịch vụ rủi ro chính. cũng dẫn đến dự báo và báo cáo linh hoạt hơn. Những công ty đương nhiệm và công ty khởi nghiệp sẽ cạnh tranh trên hai thách thức chính mà chúng tôi vừa liệt kê. Mặc dù chúng tôi chưa biết ai sẽ thắng, nhưng chúng tôi đã biết rằng một người chiến thắng rõ ràng đã xuất hiện: người tiêu dùng các dịch vụ tài chính của tương lai .