Phần 1: AI trong tài chính đang thay đổi cách quỹ đầu tư vận hành, nhưng trách nhiệm quyết định vẫn thuộc về tổ chức

Trong ngành quản lý tài sản, sự xuất hiện của trí tuệ nhân tạo (Artificial Intelligence – AI) đang tạo ra một sự thay đổi sâu rộng trong cách các tổ chức đầu tư thu thập thông tin, nghiên cứu doanh nghiệp, xây dựng danh mục và quản trị rủi ro. Khác với các công nghệ trước đây chủ yếu tập trung vào tự động hóa quy trình vận hành, AI tác động trực tiếp đến hoạt động cốt lõi của một quỹ đầu tư: quá trình hình thành nhận định, phân bổ vốn và quản lý tài sản của khách hàng. Chính vì vậy, câu hỏi lớn nhất mà các tổ chức tài chính đặt ra không chỉ là AI có thể tạo ra bao nhiêu hiệu quả, mà là AI được phép tham gia vào quá trình đầu tư ở mức độ nào và trách nhiệm sẽ được quản lý ra sao khi hệ thống đưa ra kết quả sai.

Các quỹ đầu tư lớn hiện nay không nhìn nhận AI như một công cụ có khả năng thay thế hoàn toàn portfolio manager, analyst hay chuyên gia quản trị rủi ro. Cách tiếp cận phổ biến hơn là xây dựng mô hình AI-augmented investment management, trong đó AI đóng vai trò mở rộng năng lực phân tích của con người. AI có lợi thế vượt trội trong việc xử lý lượng dữ liệu khổng lồ, phát hiện mối quan hệ phức tạp giữa các biến số, phân tích văn bản tài chính và tự động hóa những công việc có tính lặp lại. Tuy nhiên, quá trình đầu tư vẫn yêu cầu đánh giá bối cảnh kinh tế, hiểu cơ chế tạo lợi nhuận của doanh nghiệp, xác định mức độ phù hợp với mục tiêu danh mục và chịu trách nhiệm cuối cùng đối với quyết định phân bổ vốn.

Cách tiếp cận này đang được thể hiện rõ tại các tổ chức quản lý tài sản lớn trên thế giới. BlackRock, một trong những công ty quản lý tài sản lớn nhất toàn cầu, đã sử dụng AI và Machine Learning trong nhiều hoạt động đầu tư, đặc biệt trong các chiến lược Systematic Investing, phân tích dữ liệu và quản trị rủi ro. Nền tảng Aladdin của BlackRock được xây dựng như một hệ thống quản lý đầu tư toàn diện, kết hợp dữ liệu thị trường, phân tích rủi ro, mô hình hóa danh mục và các công cụ hỗ trợ quyết định. AI trong hệ thống này không được thiết kế để thay thế nhà quản lý danh mục mà nhằm cung cấp thêm thông tin để cải thiện chất lượng quyết định.

Một ví dụ cụ thể cho thấy sự khác biệt giữa AI hỗ trợ và AI quyết định là quá trình phân tích một doanh nghiệp niêm yết. Một mô hình AI có thể đọc hàng nghìn báo cáo tài chính, phân tích lịch sử lợi nhuận, đánh giá sự thay đổi trong ngôn ngữ của ban lãnh đạo tại các cuộc họp cổ đông và so sánh doanh nghiệp với các công ty cùng ngành. Kết quả có thể là một điểm số cho thấy doanh nghiệp có xác suất tăng trưởng lợi nhuận cao hơn mức trung bình thị trường.

Tuy nhiên, một quỹ đầu tư chuyên nghiệp không thể chỉ dựa vào điểm số đó để giải ngân vốn. Tổ chức cần đánh giá thêm liệu mô hình đang phát hiện một cơ hội đầu tư thực sự hay chỉ đang nhận diện một mối quan hệ thống kê tồn tại trong quá khứ. Một doanh nghiệp có tốc độ tăng trưởng lợi nhuận cao trong quá khứ có thể không còn duy trì được lợi thế nếu chu kỳ ngành thay đổi, cạnh tranh gia tăng hoặc môi trường lãi suất chuyển biến bất lợi.

Đây chính là lý do trách nhiệm của AI trong tài chính được đặt trong phạm vi investment governance thay vì chỉ là một vấn đề công nghệ. Khi AI được đưa vào quy trình đầu tư, tổ chức cần kiểm soát toàn bộ chuỗi hoạt động:

• Dữ liệu nào được sử dụng để huấn luyện mô hình.

• Cách mô hình đưa ra kết quả.

• Điều kiện nào khiến mô hình có thể sai.

• Ai có quyền phê duyệt quyết định dựa trên kết quả AI.

• Cơ chế giám sát khi hiệu quả mô hình suy giảm.

Trong lĩnh vực tài chính, một mô hình dự báo sai không chỉ là một lỗi kỹ thuật. Nó có thể dẫn đến tổn thất vốn cho nhà đầu tư. Vì vậy, các quỹ thường áp dụng nguyên tắc rằng AI có thể tạo ra tín hiệu, phân tích hoặc khuyến nghị, nhưng trách nhiệm ủy thác (fiduciary responsibility) vẫn thuộc về tổ chức quản lý vốn.

Nguyên tắc này tương tự với cách các quỹ Quant quản lý các mô hình định lượng truyền thống. Một thuật toán giao dịch có thể tự động tạo tín hiệu mua bán, nhưng tổ chức vẫn phải chịu trách nhiệm về quá trình nghiên cứu, kiểm định mô hình, thiết lập giới hạn rủi ro và theo dõi hiệu quả trong điều kiện thị trường thực tế. AI không làm thay đổi trách nhiệm của nhà đầu tư; nó làm mở rộng phạm vi cần được kiểm soát.

Phần 2: Các quỹ đầu tư triển khai AI như thế nào trong quy trình nghiên cứu, quản trị danh mục và kiểm soát rủi ro?

Trong thực tế, các tổ chức đầu tư không triển khai AI theo hướng xây dựng một hệ thống duy nhất có thể xử lý toàn bộ hoạt động đầu tư. Thay vào đó, AI thường được đưa vào từng mắt xích cụ thể trong investment workflow, bắt đầu từ những hoạt động có khả năng tạo ra hiệu quả rõ ràng nhất như xử lý dữ liệu, hỗ trợ nghiên cứu, phân tích thông tin và giám sát rủi ro.

Ứng dụng phổ biến đầu tiên hiện nay là AI Research Assistant. Trong một quỹ đầu tư truyền thống, analyst phải dành phần lớn thời gian để thu thập và tổng hợp thông tin từ nhiều nguồn khác nhau: báo cáo tài chính, báo cáo ngành, dữ liệu kinh tế, tin tức doanh nghiệp, transcript các cuộc họp với nhà đầu tư và các báo cáo phân tích từ bên thứ ba. Khối lượng thông tin này ngày càng tăng khiến việc xử lý thủ công trở thành một điểm nghẽn trong quá trình nghiên cứu.

Generative AI đang được sử dụng để hỗ trợ giai đoạn này bằng cách tìm kiếm thông tin trong kho dữ liệu nội bộ, tóm tắt tài liệu dài, so sánh các kỳ báo cáo và hỗ trợ analyst xây dựng bản nghiên cứu ban đầu. J.P. Morgan là một trong những tổ chức tài chính lớn triển khai mạnh các công cụ AI nội bộ nhằm hỗ trợ nhân viên trong nghiên cứu, tư vấn và tự động hóa quy trình. Tuy nhiên, các công cụ này được đặt trong môi trường kiểm soát nội bộ thay vì cho phép sử dụng tự do kết quả AI trong quyết định tài chính.

Điểm quan trọng trong môi trường đầu tư chuyên nghiệp là AI-generated output không được xem là một nguồn sự thật cuối cùng. Một trong những rủi ro lớn nhất của Generative AI là hiện tượng hallucination, khi mô hình tạo ra thông tin có vẻ hợp lý nhưng không chính xác. Trong lĩnh vực tài chính, một sai lệch nhỏ về số liệu doanh thu, lợi nhuận, thời điểm công bố thông tin hoặc sự kiện doanh nghiệp có thể làm thay đổi hoàn toàn kết luận đầu tư.

Do đó, các quỹ thường xây dựng các lớp kiểm soát như:

• Sử dụng dữ liệu nội bộ đã được xác thực.

• Kết nối AI với hệ thống Retrieval Augmented Generation (RAG).

• Giới hạn quyền truy cập theo vai trò.

• Lưu lại lịch sử truy vấn và kết quả.

• Yêu cầu analyst kiểm tra nguồn trước khi sử dụng.

Một lĩnh vực khác mà AI đang được ứng dụng mạnh là risk management. Trước đây, nhiều hệ thống quản trị rủi ro chủ yếu dựa trên các mô hình thống kê truyền thống như Value-at-Risk, stress testing hoặc phân tích tương quan lịch sử. AI mở rộng khả năng này bằng cách xử lý thêm các nguồn dữ liệu phi cấu trúc như tin tức, báo cáo doanh nghiệp và dữ liệu hành vi thị trường.

Ví dụ, một hệ thống AI có thể theo dõi hàng nghìn doanh nghiệp trong danh mục và phát hiện những thay đổi bất thường:

• Sự gia tăng nhanh của thông tin tiêu cực.

• Thay đổi trong ngôn ngữ của ban lãnh đạo.

• Sự suy giảm trong chất lượng dòng tiền.

• Mức độ tập trung rủi ro trong danh mục.

Tuy nhiên, AI trong quản trị rủi ro cũng phải chịu những yêu cầu kiểm soát nghiêm ngặt. Một mô hình có thể phát hiện tín hiệu sớm nhưng không đảm bảo rằng tín hiệu đó luôn đúng. Các quỹ cần xác định liệu mô hình đang phản ánh một rủi ro thực sự hay chỉ phản ánh nhiễu trong dữ liệu.

Đây là lý do các tổ chức tài chính áp dụng khái niệm Model Governance. Một mô hình AI thường trải qua toàn bộ vòng đời:

Research → Validation → Deployment → Monitoring → Review

Trong giai đoạn nghiên cứu, nhóm Quant hoặc Data Science đánh giá khả năng tạo ra tín hiệu. Sau đó, mô hình được kiểm định độc lập để đánh giá độ ổn định, khả năng giải thích và mức độ phụ thuộc vào dữ liệu.

Các yếu tố thường được theo dõi bao gồm:

• Data drift: dữ liệu đầu vào thay đổi so với giai đoạn huấn luyện.

• Model drift: mối quan hệ mà mô hình học được không còn phù hợp.

• Performance decay: khả năng dự báo suy giảm theo thời gian.

• Robustness: khả năng chịu được các điều kiện thị trường khác nhau.

Các framework quản trị AI như NIST AI Risk Management Framework cũng tiếp cận theo hướng xây dựng một hệ thống kiểm soát toàn diện gồm Govern, Map, Measure và Manage, nhằm đảm bảo AI được triển khai cùng với các cơ chế nhận diện và giảm thiểu rủi ro.

Phần 3: AI governance sẽ trở thành lợi thế cạnh tranh mới của các quỹ đầu tư

Khi AI ngày càng phổ biến trong ngành tài chính, lợi thế cạnh tranh của các quỹ sẽ không chỉ nằm ở việc ai sở hữu công nghệ mạnh hơn. Các mô hình AI nền tảng đang ngày càng dễ tiếp cận, nhiều tổ chức có thể sử dụng cùng một mô hình ngôn ngữ lớn hoặc cùng một công cụ phân tích dữ liệu. Sự khác biệt dài hạn sẽ nằm ở khả năng xây dựng một hệ thống đầu tư trong đó AI được sử dụng đúng phạm vi và tạo ra giá trị thực tế.

Một quỹ có thể sử dụng AI để tạo ra hàng nghìn tín hiệu đầu tư mỗi ngày, nhưng nếu thiếu dữ liệu chất lượng, thiếu quy trình validation và thiếu cơ chế phản biện, số lượng tín hiệu không đồng nghĩa với chất lượng quyết định. Trong quản lý tài sản, vấn đề quan trọng không phải là tạo ra nhiều thông tin hơn mà là phân biệt được thông tin nào có giá trị đối với quyết định phân bổ vốn.

Đây là lý do nhiều tổ chức bắt đầu coi AI governance capability như một năng lực chiến lược. Năng lực này bao gồm khả năng:

• Xác định các bài toán phù hợp để AI hỗ trợ.

• Xây dựng nền tảng dữ liệu đáng tin cậy.

• Kiểm soát rủi ro mô hình.

• Đào tạo đội ngũ sử dụng AI đúng cách.

• Duy trì trách nhiệm của con người trong quyết định cuối cùng.

Một vấn đề mới đang được quan tâm trong giới đầu tư là nguy cơ AI-driven market convergence. Khi nhiều quỹ cùng sử dụng các mô hình tương tự, cùng khai thác dữ liệu tương tự và cùng phản ứng trước một loại tín hiệu, mức độ tương quan giữa các chiến lược có thể tăng lên. Điều này có thể tạo ra rủi ro hệ thống, đặc biệt trong những giai đoạn thị trường biến động mạnh.

Đối với các quỹ Quant, đây không phải vấn đề mới. Một chiến lược từng tạo ra alpha có thể mất hiệu quả khi quá nhiều nhà đầu tư cùng khai thác. AI cũng có thể gặp hiện tượng tương tự nếu tổ chức quá phụ thuộc vào những mô hình phổ biến mà thiếu năng lực nghiên cứu độc lập.

Tại thị trường Việt Nam, trách nhiệm AI trong tài chính sẽ trở thành một chủ đề quan trọng khi các công ty chứng khoán, ngân hàng và công ty quản lý quỹ bắt đầu ứng dụng AI sâu hơn trong hoạt động đầu tư. Những ứng dụng thực tế có khả năng phát triển mạnh gồm:

• Phân tích báo cáo tài chính tự động.

• Xây dựng hệ thống cảnh báo sớm rủi ro.

• Phân tích sentiment từ tin tức thị trường.

• Hỗ trợ xây dựng báo cáo đầu tư.

• Theo dõi danh mục và phát hiện bất thường.

Tuy nhiên, thách thức lớn nhất không nằm ở việc triển khai một chatbot AI hay một mô hình dự báo. Thách thức nằm ở việc xây dựng hệ thống vận hành xung quanh AI: dữ liệu có đáng tin cậy không, mô hình có được kiểm định không, kết quả có được phản biện không và ai chịu trách nhiệm khi quyết định sai.

Mô hình đầu tư trong tương lai nhiều khả năng sẽ không phải là cuộc cạnh tranh giữa con người và máy móc, mà là sự kết hợp giữa năng lực phân tích của AI và khả năng phán đoán của chuyên gia.

Dữ liệu tạo nền tảng.

AI mở rộng khả năng xử lý thông tin.

Quant model phát hiện tín hiệu.

Investment team đánh giá bối cảnh.

Risk management kiểm soát giới hạn.

Con người chịu trách nhiệm cuối cùng.

Trong tài chính, AI không tạo ra giá trị chỉ bằng khả năng dự báo. Giá trị lớn hơn nằm ở việc giúp tổ chức đầu tư xây dựng một quy trình ra quyết định có tính hệ thống, minh bạch và có khả năng cải thiện liên tục.

Trách nhiệm của các quỹ đầu tư trong kỷ nguyên AI vì vậy không phải là trao quyền quyết định cho thuật toán, mà là xây dựng một hệ thống trong đó công nghệ được quản trị chặt chẽ, dữ liệu được sử dụng có trách nhiệm và mọi quyết định ảnh hưởng đến tài sản của nhà đầu tư đều có thể được giải thích, kiểm chứng và chịu trách nhiệm.