10x Stack: Kiến trúc các ngân hàng cần có trước khi AI có thể tăng năng suất lên 10 lần

**Hệ thống 10x** Trợ lý AI của Klarna hiện xử lý 2,3 triệu cuộc trò chuyện với khách hàng mỗi tháng và rút ngắn thời gian giải quyết từ 11 phút xuống dưới 2 phút. JPMorgan vận hành hơn 450 trường hợp sử dụng AI trong sản xuất, trên một nền tảng xử lý khoảng 10 nghìn tỷ USD giao dịch mỗi ngày. McKinsey ước tính tổng giá trị có thể đạt được của AI tạo sinh (generative AI) và AI tác nhân (agentic AI) trong ngành ngân hàng lên tới gần 2 nghìn tỷ USD mỗi năm, khi tính gộp doanh thu, chi phí và rủi ro, tương đương 9 đến 15% lợi nhuận hoạt động của ngành chỉ từ việc tăng năng suất. Những con số này không phải là cường điệu. Chúng được thể hiện trong các hồ sơ và nghiên cứu điển hình, không phải trên các slide trình bày chính. Tuy nhiên, có một con số không xuất hiện trong các bài thuyết trình chính: chỉ 38% ngân hàng đã áp dụng AI báo cáo đạt được lợi nhuận tài chính thực tế. Nghiên cứu của MIT về AI doanh nghiệp cho thấy tỷ lệ các dự án thử nghiệm (pilot) đạt đến giai đoạn sản xuất chỉ khoảng 5%, với hơn một nửa các dự án thử nghiệm AI tạo sinh bị hủy bỏ trước khi triển khai. Các Giám đốc thông tin (CIO) ngành ngân hàng theo khảo sát của Gartner đã vượt qua câu hỏi "có nên làm AI không" và đang mắc kẹt với câu hỏi "tại sao nó chưa thể hiện trên các con số" – 57% báo cáo chịu áp lực phải cải thiện năng suất từ AI, 52% phải cắt giảm chi phí bằng AI, và hầu hết vẫn đang chờ đợi. Vì vậy, con số 2 nghìn tỷ USD là có thật, và con số 38% cũng vậy. Cả hai con số này đều mô tả cùng một ngành, cùng các mô hình, thường là cùng các nhà cung cấp, đôi khi là cùng một ngân hàng thực hiện hai dự án thử nghiệm cách nhau sáu tháng với kết quả trái ngược. Sự khác biệt giữa các ngân hàng trong con số của McKinsey và các ngân hàng trong con số của Gartner không nằm ở AI. Tôi đã dành hơn 20 năm để xây dựng lớp nền tảng bên dưới – kiến trúc mục tiêu, các chương trình tích hợp hệ thống, quản trị dữ liệu ở quy mô ngân hàng được quản lý, trong các tổ chức với hàng tỷ USD tài sản và hàng trăm hệ thống liên kết. Tôi có thể cho bạn biết chính xác sự khác biệt đó nằm ở đâu. Nó không nằm ở mô hình. Nó nằm ở bốn lớp kiến trúc mà hoặc tồn tại hoặc không, và hầu hết các ngân hàng bỏ qua chúng để đi thẳng đến bản trình diễn (demo). Bài viết này sẽ trình bày về kiến trúc đó, theo thứ tự mà nó thực sự phải được xây dựng, cùng với thời hạn quy định vừa khiến việc bỏ qua nó trở nên tốn kém hơn rất nhiều. **Nguồn gốc thực sự của 2 nghìn tỷ USD** Quan sát kỹ các ngân hàng thực sự đang thu lợi từ lời hứa của AI, một mô hình nhanh chóng xuất hiện: thành công không bao giờ đến từ việc mô hình trở nên thông minh hơn. Nó đến từ việc mô hình có được quyền truy cập. Nền tảng Contract Intelligence của JPMorgan đã tiết kiệm khoảng 360.000 giờ làm việc của luật sư mỗi năm, không phải vì một mô hình ngôn ngữ lớn (LLM) đọc hợp đồng tốt hơn luật sư, mà vì ai đó đã xây dựng đường dẫn cho phép mô hình xem mọi hợp đồng, dưới dạng có cấu trúc, với một quy trình làm việc ở đầu kia để hành động dựa trên những gì nó tìm thấy. Khoản tiết kiệm 60 triệu USD của Klarna đến từ một trợ lý có thể thực sự giải quyết hoàn trả hoặc tranh chấp từ đầu đến cuối, chứ không phải một trợ lý tóm tắt chính sách và đưa khách hàng trở lại hàng đợi. Trên khắp HSBC, Citi, UBS, DBS và ING, mô hình được báo cáo là nhất quán: chi phí phục vụ thấp hơn 20–40%, doanh thu tăng 10–30%, tập trung vào các lĩnh vực mà ngân hàng đã tái cấu trúc toàn bộ quy trình làm việc – dữ liệu, quyết định và hành động – thay vì chỉ thêm một tiện ích trò chuyện (chat widget) vào quy trình hiện có. Con số của IDC dành riêng cho AI tác nhân là lợi nhuận gấp 2,3 lần trong vòng 13 tháng, và đang có xu hướng tăng lên khi các triển khai trưởng thành. Phân tích cụ thể của McKinsey cho ngành ngân hàng cho thấy doanh thu trên mỗi quản lý quan hệ khách hàng cao hơn 3–15% và chi phí phục vụ thấp hơn 20–40%, một lần nữa tập trung vào bất cứ nơi nào ngân hàng đã thực hiện công việc không mấy hào nhoáng là kết nối một mô hình với một quy trình thực tế với các quyền hạn thực tế. Hãy chú ý đến hai đòn bẩy đó. là: chi phí phục vụ và doanh thu trên mỗi mối quan hệ. Cả hai yếu tố này không thay đổi chỉ vì một mô hình trở nên giỏi hơn về ngôn ngữ. Chúng thay đổi vì một quy trình làm việc từng yêu cầu sự can thiệp của con người giờ đây không còn cần nữa, hoặc vì một quản lý quan hệ khách hàng từng dành bốn giờ mỗi tuần để tổng hợp thông tin khách hàng giờ chỉ mất bốn phút để xem xét một báo cáo do AI tổng hợp. Đó không phải là trí thông minh. Đó là hệ thống hạ tầng. Một hệ thống hạ tầng tốt, được xây dựng tốn kém, nhưng vẫn là hạ tầng. Đó là phần mà các bản demo của nhà cung cấp không bao giờ cho bạn thấy, bởi vì bản demo không cần quyền truy cập. Bản demo chỉ cần một trang trình chiếu. Lời hứa so với Dự án thử nghiệm Tại sao 95% dự án thử nghiệm không bao giờ rời khỏi phòng thí nghiệm Các số liệu về tỷ lệ thất bại của các dự án thử nghiệm trong toàn ngành đủ tệ để khiến người ta tự hỏi liệu công nghệ có thực sự hoạt động hay không. Nó có hoạt động. Điều không hoạt động là việc gắn nó vào những gì đã có sẵn. Sáu mươi tám phần trăm các Giám đốc công nghệ (CTO) ngân hàng coi hệ thống cũ (legacy systems) là trở ngại lớn nhất đối với AI, với thời gian trì hoãn điển hình từ mười hai đến mười tám tháng trước khi bất kỳ sản phẩm nào được triển khai. Mô hình đằng sau con số đó hầu như luôn giống nhau, và nó không liên quan gì đến chất lượng mô hình: một tác nhân AI (AI agent) chỉ có thể hoạt động khi kiến trúc nền tảng cho phép nó hoạt động. Hầu hết các nền tảng ngân hàng lõi (core banking platforms) chỉ hiển thị các màn hình cấu hình, chứ không phải logic. Các quy tắc quyết định tín dụng, trạng thái quy trình làm việc, điều kiện đủ điều kiện sản phẩm, tất cả đều bị khóa trong một lớp độc quyền của nhà cung cấp mà một mô hình đôi khi có thể truy vấn, nhưng không bao giờ thực sự vận hành được. Kết quả là bạn có một tác nhân rất thông minh đứng trước một cánh cửa bị khóa, mô tả căn phòng ở phía bên kia. Thị trường đã bắt đầu nhận ra điều này. Fiserv, một trong ba nhà cung cấp hệ thống ngân hàng lõi lâu đời mà hầu hết các ngân hàng vẫn đang sử dụng, đã ra mắt "agentOS" vào tháng 5 năm 2026, được đồng phát triển với OpenAI và AWS, đặc biệt để cung cấp cho các tác nhân một nơi để hoạt động bên trong một hệ thống lõi chưa bao giờ được thiết kế cho chúng. Nửa tá tổ chức đang chạy thử nghiệm, hai trong số đó đã đi vào hoạt động. Đó không phải là một thông báo tính năng. Đó là một sự thừa nhận, từ bên trong ngành, rằng hệ thống lõi chính là rào cản thực sự trong suốt thời gian qua – và là một dấu hiệu cho thấy các nhà cung cấp sở hữu hệ thống lõi biết điều đó trước hầu hết khách hàng của họ. Tôi đã chứng kiến chính xác kiểu thất bại này xảy ra ở quy mô tài sản 90 tỷ USD, rất lâu trước khi cụm từ "AI tác nhân" (agentic AI) được sử dụng rộng rãi. Cung cấp cho một hệ thống thông minh quyền truy cập vào bảy mươi ứng dụng không thống nhất về định nghĩa "khách hàng", và hệ thống thông minh đó sẽ kế thừa sự bất đồng, sau đó tự tin báo cáo nó như một sự thật. Mô hình không phải là nút thắt cổ chai. Nó chưa bao giờ là như vậy. Nó là phần dễ thay thế nhất trong toàn bộ hệ thống, đó chính là lý do tại sao nó nhận được tất cả sự chú ý.