Ngân hàng đã dành nhiều năm xây dựng những khung quản trị mô hình chặt chẽ. Tuy nhiên, tác nhân AI (AI agent) đang đặt ra yêu cầu mới đối với các ngân hàng: phải quản trị được ý nghĩa mà AI sử dụng để ra quyết định.
Khi rủi ro nằm ở “nghĩa”
Trong phần lớn dự án chuyển đổi số ngân hàng, kết nối giữa các hệ thống - API gọi API - thường không phải phần khó nhất. Phức tạp hơn là bảo đảm một thuật ngữ nghiệp vụ có cùng ý nghĩa trong vận hành thực tế và nhất quán giữa các quy trình, hệ thống.
Đây là vấn đề được nhà nghiên cứu Maureen Doyle-Spare đặt ra trong bài viết “Your Next AI Failure Will Pass Every Control You Have”, đăng trên The Financial Brand cuối tháng 7/2026. Khi ngân hàng chuyển từ tự động hóa quy trình sang tự động hóa suy luận bằng AI agent, rủi ro không chỉ nằm ở khâu thực thi, mà dịch chuyển xuống một tầng sâu hơn: cách agent tự xác định ý nghĩa của thuật ngữ nghiệp vụ trước khi hành động.
Những khái niệm như “đã đối chiếu”, “đủ điều kiện” hay “đã phê duyệt” có thể được định nghĩa khác nhau trong hệ thống KYC, hạn mức tín dụng hay phân quyền. Từng hệ thống vẫn có thể hoạt động đúng theo logic riêng, nhưng sự khác biệt về nghĩa vẫn tồn tại.
Khi AI agent phải điều phối công việc xuyên qua nhiều hệ thống, nó buộc phải tổng hợp những định nghĩa khác nhau thành một cách hiểu duy nhất để hành động. Vấn đề xuất hiện khi cách hiểu đó “trôi” khỏi ý nghĩa mà ngân hàng thực sự cho phép.
Một tình huống điển hình là quy trình mở tài khoản khách hàng mới. Hệ thống agentic điều phối giữa KYC, tín dụng và phân quyền phải dung hòa những cách định nghĩa khác nhau về trạng thái “đã sẵn sàng”. Agent có thể tự hình thành một định nghĩa làm việc cho trạng thái “đã phê duyệt” mà chưa một cán bộ ngân hàng nào thực sự phê duyệt.
Quy trình sau đó vẫn vận hành trôi chảy. Các biện pháp kiểm soát vẫn hoạt động bình thường và những hệ thống phía sau tiếp tục tiếp nhận tín hiệu “đã sẵn sàng” như thể khách hàng đã được phê duyệt.
Hiện tượng này được gọi là “trôi dạt quy trình agentic” (agentic workflow drift). Agent không nhất thiết làm sai và từng hệ thống mà nó tham chiếu cũng không sai. Điểm bất thường nằm ở cách diễn giải do agent tự hình thành nhưng chưa từng được con người rà soát.
Điều này đặt ra câu hỏi mới cho quản trị AI trong ngân hàng: ai chịu trách nhiệm kiểm soát tầng suy luận?
Tại Mỹ, NIST AI Risk Management Framework đánh giá AI xuyên suốt vòng đời hệ thống, nhưng theo tài liệu, chưa đi vào nghĩa mà agent tự xác lập tại thời điểm vận hành.
Tháng 4/2026, Ngân hàng Dự trữ Liên bang Mỹ (FED), Văn phòng Kiểm soát Tiền tệ (OCC) và Cơ quan Bảo hiểm Tiền gửi Liên bang (FDIC) ban hành SR 26-2, thay thế SR 11-7. Hướng dẫn mới loại AI tạo sinh và AI agentic khỏi phạm vi điều chỉnh với lý do công nghệ còn mới và phát triển nhanh, đồng thời giao trách nhiệm xây dựng cơ chế quản trị phù hợp cho từng ngân hàng.
Trước đó, tháng 2/2026, Bộ Tài chính Mỹ công bố Khung Quản lý Rủi ro AI cho ngành dịch vụ tài chính (FS AI RMF), được xây dựng với sự tham gia của hơn 100 tổ chức tín dụng cùng các tổ chức liên quan. Khung đưa ra 230 mục tiêu kiểm soát, dựa trên 4 chức năng Govern - Map - Measure - Manage.
Tuy nhiên, điểm chung được tài liệu chỉ ra là các khung này chủ yếu quản trị mô hình hoặc hệ thống bao quanh mô hình, chưa trực tiếp giải quyết việc quản trị nghĩa mà agent tự xác lập ngay tại thời điểm ra quyết định.
Tại Việt Nam, Luật Trí tuệ nhân tạo số 134/2025/QH15 giao các bộ, ngành xây dựng quy định chi tiết về an toàn, quản lý rủi ro và điều kiện triển khai AI trong lĩnh vực thuộc phạm vi quản lý. Trên cơ sở đó, Ngân hàng Nhà nước đã xây dựng và lấy ý kiến dự thảo Thông tư quy định về an toàn, quản lý rủi ro và điều kiện triển khai ứng dụng AI trong ngành ngân hàng. Dự thảo tập trung vào các yêu cầu như bảo mật dữ liệu, bảo vệ quyền lợi khách hàng, giám sát hiệu năng mô hình và kiểm soát rủi ro xuyên suốt vòng đời hệ thống.
Bốn trụ cột của quản trị ngữ nghĩa
Từ khung Agentic Governance Model (AGM) của Doyle-Spare và các phân tích liên quan, xin được tóm lược mô hình quản trị tầng suy luận thành 4 trụ cột.
Trụ cột thứ nhất là nền tảng (Foundation), trong đó ngân hàng thiết lập trước những định nghĩa có thẩm quyền cho các thuật ngữ trọng yếu, hình thành một “đường cơ sở suy luận” (Reasoning Baseline).
Trụ cột thứ hai là lõi (Core), nhằm quản trị nghĩa ngay khi agent vận hành. Một “mặt phẳng kiểm soát ngữ nghĩa” (Semantic Control Plane) được sử dụng để đo mức độ cách hiểu của agent lệch bao xa so với đường cơ sở và ngăn hành động nếu độ lệch vượt ngưỡng.
Trụ cột thứ ba là toàn vẹn (Integrity), bảo vệ chính lớp quản trị này trước nguy cơ bị thao túng, chẳng hạn prompt injection nhằm đánh tráo nghĩa mà agent sử dụng.
Cuối cùng là Giám sát (Oversight), với yêu cầu xác định trách nhiệm và lưu lại quyết định trong “nhật ký kiểm toán ngữ nghĩa” (Semantic Audit Trail), qua đó có thể truy vết cách một quyết định được hình thành.
Nhiều ngân hàng lớn đã xây dựng các hệ thống mô hình hóa tri thức (ontology), lớp ngữ nghĩa (semantic layer) hoặc đồ thị tri thức (knowledge graph) nội bộ. Tuy nhiên, vấn đề là những tài sản tri thức này thường chỉ được sử dụng trong giai đoạn thiết kế và ít được tham chiếu khi hệ thống đi vào vận hành thực tế.
Theo cách tiếp cận được đề xuất, thay vì xây dựng lại từ đầu, ngân hàng có thể đưa các tài sản ngữ nghĩa hiện có lên tầng vận hành để những định nghĩa đã được phê duyệt thực sự được AI agent tham chiếu khi hành động.
Từ định nghĩa đến kiểm soát trong thời gian thực
Để chuyển mô hình trên thành hoạt động hàng ngày, quy trình gồm 4 bước đã được đề xuất.
Đầu tiên, ngân hàng cần xây dựng “sổ định nghĩa” cho các thuật ngữ trọng yếu. Mỗi thuật ngữ có một định nghĩa thống nhất, được đánh số phiên bản và có người chịu trách nhiệm.
Tiếp đó là đối chiếu bắt buộc trước khi thực thi. Cách hiểu mà agent vừa hình thành được so sánh với định nghĩa đã phê duyệt. Nếu nằm trong ngưỡng cho phép, agent tiếp tục tự động; nếu lệch, quy trình dừng lại.
Bước thứ ba là chuyển đúng điểm mơ hồ cho người kiểm soát. Thay vì nhận một hồ sơ với toàn bộ chỉ báo đều “đạt”, cán bộ được cho biết cụ thể agent đang hiểu một thuật ngữ theo cách nào, định nghĩa chuẩn quy định ra sao và khác biệt nằm ở đâu.
Cuối cùng là vòng phản hồi. Quyết định của người kiểm soát đối với trường hợp mới phải được cập nhật trở lại sổ định nghĩa. Nếu không, lần sau agent có thể lặp lại cùng một độ lệch và con người lại phải xử lý cùng một vấn đề.
Cơ chế này đồng thời đòi hỏi nhật ký phải lưu lại quá trình diễn giải chứ không chỉ kết quả cuối cùng; bản thân bước đối chiếu ngữ nghĩa cũng phải được bảo vệ khỏi thao túng.
Lưu ý, đây vẫn là một lĩnh vực mới, chưa có nhiều nghiên cứu tình huống vận hành thực tế ở quy mô lớn trong ngân hàng để khẳng định hiệu quả dài hạn.
Ngân hàng nên bắt đầu từ đâu?
Trước hết, ngân hàng cần kiểm kê những thuật ngữ nghiệp vụ trọng yếu mà nếu bị hiểu sai có thể gây hậu quả lớn, như trạng thái khách hàng, điều kiện đáp ứng, ngưỡng phê duyệt hay mức độ ưu tiên xử lý gian lận.
Các trường hợp ngoại lệ và những quyết định ghi đè trong quá khứ cũng cần được khai thác để chuyển hóa tri thức ngầm của cán bộ nghiệp vụ thành những định nghĩa rõ ràng, có thể kiểm chứng.
Đồng thời, các biện pháp quản trị rủi ro mô hình hiện tại không nên mặc định được xem là đã bao phủ tầng suy luận của AI agent. Đối với những quy trình có tác động trực tiếp đến khách hàng, hoạt động tuân thủ hoặc dòng tiền, ngân hàng cần xem xét bổ sung một lớp quản trị phù hợp với mức độ rủi ro.
Nội dung hiển thị cho người kiểm soát cũng cần được thay đổi. Khi phát hiện sự sai lệch, hệ thống phải chỉ rõ điểm khác biệt trong cách diễn giải, thay vì chỉ cung cấp một bảng điều khiển tổng hợp cho thấy các tiêu chí đều đạt yêu cầu.
Mỗi quyết định xử lý trường hợp sai lệch cần được cập nhật trở lại hệ thống định nghĩa, qua đó giúp tri thức được tích lũy và hoàn thiện theo thời gian. Song song với đó, ngân hàng cần lưu lại cách agent diễn giải vấn đề tại những bước quan trọng, thay vì chỉ lưu kết quả cuối cùng.
Không phải mọi tác vụ sử dụng AI agent đều cần xây dựng một cơ sở tham chiếu về suy luận (Reasoning Baseline)đầy đủ. Tài liệu đề xuất ưu tiên áp dụng đối với những quy trình có ảnh hưởng trực tiếp đến khách hàng, hoạt động tuân thủ hoặc dòng tiền.
Cuối cùng là vấn đề trách nhiệm. Tương tự như mô hình cần có chủ sở hữu mô hình (model owner) và dữ liệu cần có chủ sở hữu dữ liệu (data owner), cách hiểu và diễn giải được AI agent sử dụng trong quá trình vận hành cũng cần có một chủ thể chịu trách nhiệm rõ ràng.
Kết luận
AI agent đang đặt ra yêu cầu mới đối với các ngân hàng: phải quản trị được ý nghĩa mà AI sử dụng để ra quyết định. Khi một agent đưa ra quyết định sai, câu hỏi quan trọng không còn chỉ là “các biện pháp kiểm soát có được kích hoạt hay không”, bởi quản trị rủi ro mô hình truyền thống vốn đã có thể trả lời vấn đề này. Điều cần làm rõ là: agent đã hành động dựa trên cách hiểu được ngân hàng cho phép, hay dựa trên cách hiểu do chính nó tự xác lập?
Đây là câu hỏi chỉ có thể được giải quyết thông qua quản trị ở tầng suy luận. Hoạt động quản trị này phải được thực hiện trước khi agent hành động, thay vì chờ đến khi rủi ro phát sinh mới xử lý.
Bài viết tổng hợp và phân tích dựa trên bài gốc "Your Next AI Failure Will Pass Every Control You Have" (Maureen Doyle-Spare, The Financial Brand, 28/7/2026) cùng các nguồn: Ngân hàng Dự trữ Liên bang Mỹ (SR 26-2, 17/4/2026), Bộ Tài chính Mỹ (Financial Services AI Risk Management Framework, 2/2026), NIST AI Risk Management Framework, và dự thảo Thông tư quản lý rủi ro AI trong ngành ngân hàng của Ngân hàng Nhà nước Việt Nam (trên cơ sở Luật Trí tuệ nhân tạo số 134/2025/QH15).
