Quan điểm cốt lõi của bài viết là: Trung tâm cạnh tranh của AI tài chính không nằm ở việc ai có thể tạo ra một “ChatGPT phiên bản tài chính” nói chuyện hay hơn, mà ở ai có thể tích hợp sâu vào các công cụ làm việc hàng ngày của chuyên gia tài chính (như Excel, PPT, Word) và các quy trình kinh doanh cốt lõi (như điều tra kỹ lưỡng, phê duyệt), đồng thời trực tiếp đầu ra các “sản phẩm giao nhận” chính thức có thể được xem xét và lưu trữ.

Tác giả bài viết: Resonant Ones

Nguồn bài viết: Suichu.AI

Cạnh tranh trong AI tài chính không nằm ở "ai có thể trò chuyện", mà ở "ai có thể tiếp cận Excel, PPT và quy trình phê duyệt".

Nhiều người nghĩ rằng cuộc cạnh tranh trong AI tài chính là huấn luyện một mô hình lớn hiểu rõ hơn về tài chính.

Nhưng Claude for Financial Services đã tiết lộ câu trả lời thực sự: cốt lõi của AI tài chính không phải là mô hình, mà là quy trình làm việc.

Nó không phải là để AI trò chuyện với người dùng về cổ phiếu, mà là để AI thâm nhập vào Excel, PPT, Word, nghiên cứu đầu tư, ngân hàng đầu tư, điều tra thẩm định, tuân thủ, đối chiếu và luồng phê duyệt.

Việc này rất quan trọng đối với các doanh nhân trong nước. Vì nếu bạn vẫn đang phát triển "ChatGPT phiên bản tài chính", khả năng cao bạn sẽ bị các tập đoàn lớn, nền tảng dữ liệu và bộ công cụ văn phòng nuốt chửng; nhưng nếu bạn có thể tiếp quản các tệp Excel, PPT, Word và gói phê duyệt mà các tổ chức tài chính sản xuất lặp đi lặp lại mỗi ngày, cơ hội mới thực sự bắt đầu.

Một tình huống thực tế

Tháng trước, tôi đã nói chuyện với một người bạn làm trong lĩnh vực PE. Đội ngũ của họ đang thực hiện kiểm tra kỹ lưỡng đối với một công ty tiêu dùng, và thư mục dữ liệu nhận được có 17 thư mục và hơn 400 tài liệu — hợp đồng, báo cáo kiểm toán, sao kê ngân hàng, chi tiết đơn hàng, biên bản phỏng vấn, tài liệu của ban quản lý.

Trước đây, một VP cùng hai nhà phân tích phải làm việc hai tuần mới có thể hoàn thành bản nháp đầu tiên của một IC Memo chất lượng.

Bây giờ thì sao? Nếu có một người (hoặc một Agent) có thể hoàn thành việc tổng hợp tài liệu, đánh dấu rủi ro, nhận diện các mục thiếu và tạo bản nháp trong vòng 24 giờ — bạn nghĩ khách hàng có sẵn sàng trả tiền không?

Đây không phải là khoa học viễn tưởng. Claude for Financial Services đã đang thực hiện điều này. Và nó không mở nguồn một ứng dụng, mà là một mô hình sản phẩm gồm “Agent + Skill + Connector + Deliverable + Xác nhận thủ công”.

Đầu tiên, hãy nói về phát hiện thứ nhất. Cấu trúc sản phẩm Claude for Financial Services thực sự rất đơn giản: Agent đảm nhận nhiệm vụ end-to-end, Skill tích lũy các quy trình chuyên môn tài chính, Connector kết nối với dữ liệu tài chính và hệ thống nội bộ doanh nghiệp, Excel, PowerPoint, Word tiếp nhận các sản phẩm cuối cùng, cùng với quyền truy cập, trích dẫn, kiểm toán và rà soát thủ công để đảm bảo các tổ chức tài chính có thể sử dụng.

Trước đây, hình thái của AI tài chính là bạn đặt một câu hỏi, AI đưa ra một câu trả lời. Nhưng những gì các tổ chức tài chính thực sự cần là: bạn cung cấp cho tôi một lượng lớn tài liệu, tôi cần một sản phẩm đầu ra có thể được xem xét, trích dẫn, lưu trữ và tích hợp vào hệ thống nghiệp vụ. Sự khác biệt giữa hai điều này là rất lớn. Giá trị của AI tài chính nằm ở sản phẩm đầu ra, không phải ở khung trò chuyện.

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

Từ năm 2025 đến 2026, tôi thấy tình hình ứng dụng thực tế được chia thành ba nhóm. Các ngân hàng đi nhanh nhất, Ngân hàng Xây dựng đã triển khai riêng DeepSeek, bao phủ hàng trăm kịch bản. Quỹ CITIC Construction sử dụng DeepSeek để thực hiện thẩm định REITs, giảm khối lượng công việc của 5 nhân viên trong 70 ngày xuống còn 1 người trong 10 ngày — hiệu suất tăng 30 lần.

Công ty bảo hiểm nhân thọ cũng đã bắt kịp, Công ty Chứng khoán CITIC Construction đầu tư vào dịch vụ tư vấn đầu tư dựa trên nhiều tác nhân thông minh, Bảo hiểm Nhân dân接入 DeepSeek để xây dựng cơ sở tri thức chuyên môn, mô hình lớn của Ping An đã được gọi hơn 818 triệu lần trong sáu tháng.

Nhưng điều thực sự thú vị là nhóm thứ ba — PE, quản lý tài sản và quản lý tài sản cá nhân. Các nhóm này có nhiều dữ liệu, ngân sách dồi dào và áp lực giao hàng lớn, nhưng hiện tại phần lớn vẫn đang ở giai đoạn POC. Điều này không gọi là tụt hậu, mà gọi là cửa sổ cơ hội cho các công ty khởi nghiệp.

Khi nói đến việc các công ty khởi nghiệp thâm nhập thị trường, nhiều người ngay lập tức nghĩ đến việc tạo ra phiên bản ChatGPT dành cho lĩnh vực tài chính. Nhưng việc này tiềm ẩn rủi ro lớn, vì sẽ đồng thời đối mặt với ba loại đối thủ mạnh.

Các nhà sản xuất mô hình sẽ ngày càng giảm chi phí cho các khả năng tổng quát. Các nền tảng dữ liệu tài chính như Wind, Choice, iFinD, Tonghuashun vốn đã có sẵn dữ liệu và lối vào người dùng; khi tích hợp AI, các câu hỏi tài chính tổng quát khó có thể thu phí độc lập. Các tổ chức tài chính lớn có xu hướng tự xây dựng trung tâm AI nội bộ, tích hợp các khả năng tổng quát vào hệ thống quyền hạn của riêng họ.

Công ty khởi nghiệp đang đối mặt trực diện, bị tấn công từ ba phía.

Nhưng nếu bạn thay đổi góc nhìn, không nhìn vào cửa vào mà nhìn vào lớp thao tác, tình hình sẽ khác đi. Lớp thao tác theo chiều dọc là gì? Đó là đi sâu vào AI xung quanh một vị trí cụ thể, một quy trình cụ thể, một sản phẩm đầu ra cụ thể. Ví dụ: cấu trúc hóa tài liệu điều tra do PE/ngân hàng đầu tư, kiểm toán mô hình tài chính Excel, sơ bộ xem xét tài liệu phê duyệt tín dụng, tự động tạo bảng kiểm tra tuân thủ, hỗ trợ xem xét tài liệu bồi thường và bảo hiểm, tự động tổng hợp biên bản cuộc họp của nhân viên tư vấn khách hàng.

Các hướng này trông không hoành tráng bằng "mô hình lớn tài chính", nhưng lại gần hơn với ngân sách của khách hàng.

Loại sản phẩm nào đáng để làm?

Tôi tóm lại, phải đồng thời đáp ứng bốn điều kiện.

Chấp nhận được dữ liệu

Các kịch bản có giá trị thực sự cao thường cần tích hợp với các tệp nội bộ của khách hàng, CRM, nền tảng lưu trữ trực tuyến, email, hợp đồng và hệ thống phê duyệt. Chỉ xử lý các trang web công khai thì giá trị rất hạn chế.

Quy trình hoạt động được

Người dùng tài chính sẽ không thay đổi thói quen làm việc vì AI. Sản phẩm cần tích hợp vào các công cụ họ đang sử dụng như Excel, PPT, Feishu, WeCom, DingTalk, WPS, CRM.

Submit documents

Các tổ chức tài chính không trả tiền cho câu trả lời, mà trả tiền cho tài liệu. Chỉ khi bạn có thể xuất ra bảng kiểm tra, memo, deck, Excel thì mới có ý định trả phí.

Giữ lại ranh giới trách nhiệm

AI phải hỗ trợ trích dẫn, ghi lại dấu vết, phân quyền, kiểm toán và xác minh bởi con người. Không đưa ra lời khuyên đầu tư, không giao dịch tự động, không thay thế quyết định phê duyệt cuối cùng.

Nếu thiếu một trong bốn điều này, sản phẩm sẽ khó được đưa vào môi trường sản xuất thực tế.

Nếu mở rộng góc nhìn và nhìn về 24 tháng tới, tôi cho rằng có bảy lĩnh vực con đáng chú ý nhất.

Nghiên cứu đầu tư và điều tra kỹ lưỡng đứng đầu. Tài liệu nhiều, thời gian gấp, sản phẩm giao nhận rõ ràng, là hướng tiếp cận gần nhất với Hebbia và Rogo.

Tiếp theo là kiểm toán mô hình Excel – các ngân hàng đầu tư, quỹ tư nhân, tín dụng và quản lý tài sản đều sử dụng rất nhiều Excel, với các lỗi công thức, mã cứng, giả định không nhất quán, không gian hỗ trợ bởi AI cực kỳ lớn.

Hỗ trợ phê duyệt tín dụng xếp thứ ba, cả ngân hàng và phi ngân hàng đều cần sơ thẩm tài liệu, phân tích dòng tiền, trích xuất rủi ro và tạo báo cáo cấp hạn mức. Kiểm tra tuân thủ xếp thứ tư, việc so sánh quy định, thẩm định tài liệu tiếp thị và kiểm tra KYC đều phù hợp để triển khai trợ lý AI có thể trích dẫn và lưu lại vết tích.

Việc đối chiếu, định giá, kiểm tra chi phí và chuẩn bị hồ sơ kiểm toán cho quỹ hành chính và vận hành tài chính rất được tiêu chuẩn hóa và có chi phí lỗi cao.

Hồ sơ bồi thường bảo hiểm và hồ sơ underwriting nhiều, quy tắc phức tạp, áp lực kiểm duyệt lớn nhưng vẫn cần xác nhận bằng tay.

Cuối cùng là quản lý khách hàng và trợ lý tư vấn đầu tư Copilot, không phải AI đưa ra lời khuyên đầu tư trực tiếp, mà hỗ trợ tư vấn viên chuẩn bị trước cuộc họp, giải thích sản phẩm, ghi biên bản cuộc họp và cập nhật CRM.

Bảy hướng đi này có một tiền đề chung: sản phẩm phải có thể kiểm toán, trích dẫn và riêng tư hóa.

Các tổ chức tài chính sẽ không chấp nhận câu như “AI có lẽ đã nói vậy”. Số liệu này đến từ đâu? Trích dẫn ở đâu? Ai đã kiểm tra lại? Dữ liệu có bị xuất cảnh không? Đây là điều kiện tiên quyết cho quyết định mua sắm. Vì vậy, ngay từ đầu cần thiết kế cơ chế truy xuất nguồn gốc trích dẫn, xác thực bằng tay, cô lập dữ liệu và ghi lại hoạt động. Đây không phải là chi phí tuân thủ, mà là rào cản sản phẩm.

Còn có một xu hướng lớn hơn nữa. Sau khi năng lực mô hình trở thành hàng hóa, cơ hội sẽ chuyển sang các lớp workflow, connector và quản trị. Giống như khi điện toán đám mây biến cơ sở hạ tầng CNTT thành API, các doanh nhân thế hệ mới sẽ xây dựng SaaS trên nền tảng đó. Hôm nay, các mô hình lớn cũng vậy—ai có thể đóng gói các workflow ngành vào đó, người đó sẽ có lợi thế cạnh tranh.

Các công việc trong ngành tài chính có mật độ thông tin cao, yêu cầu định dạng nghiêm ngặt và ràng buộc trách nhiệm mạnh mẽ, những đặc tính này xác định rằng nó không phải là lĩnh vực mà AI phổ thông có thể nhanh chóng bao phủ. Chính điều này tạo thành vùng an toàn cho các công ty khởi nghiệp.

Các công ty khởi nghiệp nên bắt đầu như thế nào?

Đừng bắt đầu với nền tảng.

Tìm một ngữ cảnh hẹp: có dữ liệu thực tế, có mẫu cố định, có sản phẩm giao nhận rõ ràng, có kiểm tra thủ công, có ngân sách bộ phận, có thể xác minh ROI trong vòng 60-90 ngày.

Đừng nói như vậy:

Tôi muốn xây dựng nền tảng AI cho các tổ chức tài chính.

Phải nói như thế này:

Tôi sẽ giúp đội PE/FA tự động cấu trúc hóa tài liệu Data Room, xuất ra Q&A điều tra, danh sách rủi ro và bản nháp IC Memo.

Càng cụ thể, càng dễ thực hiện giao dịch.

Rủi ro lớn nhất có bị các công ty lớn thay thế không?

Cổng chung sẽ bị thay thế. Các câu hỏi tài chính tổng quát, tóm tắt báo cáo nghiên cứu thông thường và truy vấn dữ liệu đơn giản rất dễ bị các mô hình lớn và nền tảng dữ liệu bao phủ.

Nhưng các quy trình sâu theo chiều dọc thì không.

Vì các công ty lớn không muốn làm những công việc bẩn thỉu cho từng vị trí chuyên môn cụ thể. Điều thực sự khó là: tích hợp vào hệ thống nội bộ của khách hàng, hiểu quy trình vị trí, điều chỉnh mẫu của khách hàng, và đồng hành cùng khách hàng từ giai đoạn POC đến sản xuất.

Những điều này không thể được giải quyết tự động bởi một API mô hình.