Phần 3 - Mở rộng quy mô AI tạo sinh trong Ngành Ngân hàng - Chuỗi bài AI Tạo sinh đột phá ngành tài chính (ngân hàng, bảo hiểm): Cơ hội, Thách thức, Bước khởi đầu
 |
| Phần 3: Mở rộng quy mô AI tạo sinh trong ngành Ngân hàng |
* AI tạo sinh hay gen AI, viết tắt của Generative AI, là một nhánh của AI (Artificial Intelligence) (Trí tuệ nhân tạo). Bạn có thể tìm đọc định nghĩa và ứng dụng trong bài viết "Giải thích đơn giản về LLMs và AI tạo sinh (gen AI)".
Hiện nay, việc có dự án thử nghiệm AI tạo sinh khá phổ biến và dễ dàng, nhưng bước sau đó là mở rộng (scale up) để khai thác tối đa giá trị hay hiện thực hoá thì còn nhiều khó khăn. Tuy vậy, có thể thấy một công thức thành công đang dần hình thành. AI tạo sinh (gen AI) bùng nổ vào đầu năm 2023 và đang cho thấy kết quả tích cực rõ ràng cùng với những rủi ro tiềm tàng mới đối với tất cả các tổ chức trên toàn thế giới. Các nhà lãnh đạo trong ngành ngân hàng dường như đang cổ xuý cho xu hướng này bất chấp nhiều khó khăn có thể xảy ra. Hai phần ba các lãnh đạo cấp cao về kỹ thuật số và nhà phân tích tham dự một diễn đàn gần đây của McKinsey về AI tạo sinh (gen AI) đã cho rằng công nghệ này sẽ thay đổi cách thức kinh doanh của họ một cách cơ bản. Câu hỏi bức thiết đối với các tổ chức ngân hàng là làm thế nào và ở đâu để sử dụng AI tạo sinh một cách hiệu quả nhất, và làm thế nào để đảm bảo các ứng dụng được áp dụng và mở rộng quy mô đầy đủ trong tổ chức của họ?
Mời các bạn tham khảo bản dịch bài viết của McKinsey về "Capturing the full value of generative AI in banking" trên chuyên trang Chuyendoi.so.
Mặc dù việc triển khai và mở rộng các năng lực AI tạo sinh có thể đưa ra những thách thức phức tạp trong nhiều lĩnh vực bao gồm việc điều chỉnh mô hình (model tuning) và chất lượng dữ liệu (data quality), quá trình này có thể dễ dàng và đơn giản hơn một dự án AI (trí tuệ nhân tạo) truyền thống ở quy mô tương tự. Các trường hợp sử dụng AI tạo sinh chất lượng cao có thể được khởi động chỉ trong vài ngày hoặc vài tuần. Từ sự tham gia sớm của McKinsey với AI tạo sinh, cả để sử dụng nội bộ và trong công việc tư vấn với các ngân hàng đang mở rộng thành công AI tạo sinh trên toàn doanh nghiệp, họ thấy rằng để mang lại giá trị bền vững, vượt ra ngoài các bằng chứng khái niệm ban đầu (POC), đòi hỏi các tổ chức, ngân hàng phải có năng lực mạnh mẽ trên bảy khía cạnh sau.
 |
| Phần 3: 7 Khía cạnh Mở rộng Khai thác Tối đa Giá trị của AI tạo sinh (Gen AI) trong lĩnh vực ngân hàng |
1. Lộ trình chiến lược
Các đội ngũ quản lý có thành công ban đầu trong việc mở rộng AI tạo sinh đã bắt đầu với một tầm nhìn chiến lược về những mảng AI tạo sinh, AI và phân tích nâng cao nói chung có thể đóng vai trò tích cực trong hoạt động kinh doanh của họ. Tầm nhìn này có thể bao gồm mọi thứ, từ những thay đổi mô hình kinh doanh thay đổi đột phá/ triệt để cho đến những cải thiện kinh tế đơn giản hơn dựa trên các sáng kiến gia tăng năng suất nhỏ. Tham khảo La bàn cơ hội AI tạo sinh.
 |
| La bàn cơ hội và tham vọng AI tạo sinh |
Ví dụ, các nhà lãnh đạo tại một công ty quản lý tài sản (wealth management) đã nhận ra tiềm năng của AI tạo sinh trong việc thay đổi cách cung cấp tư vấn (advice) cho khách hàng, và cách nó có thể tác động đến hệ sinh thái ngành rộng hơn của các nền tảng vận hành, mối quan hệ, các liên minh và kinh tế. Do đó, tổ chức này đang có một cái nhìn linh hoạt hơn về nơi đặt cược AI của mình và mức đầu tư cần thiết.
Nếu bạn là Lãnh đạo đang tìm kiếm các cơ hội triển khai AI tạo sinh (gen AI) cho doanh nghiệp, hãy tham khảo hướng dẫn trên Chuyendoi.so:
- La bàn cơ hội và tham vọng AI (Lãnh đạo CNTT/ CIOs dẫn dắt và bàn bạc với các lãnh đạo cấp C khác)
- Các phương án triển khai AI tạo sinh
- Các rủi ro triển khai AI tạo sinh
Sự thống nhất và ủng hộ của ban lãnh đạo cấp cao này có thể tạo ra sự tài trợ mạnh mẽ cho các lĩnh vực trường hợp sử dụng cấp doanh nghiệp. Một lộ trình chiến lược hiệu quả cho việc mở rộng quy mô AI tạo sinh cũng có thể bao gồm:
- Tầm nhìn, sự thống nhất và cam kết từ ban lãnh đạo cấp cao và trách nhiệm cấp đơn vị kinh doanh để đạt được kết quả.
- Danh sách các lĩnh vực ưu tiên (chức năng hoặc đơn vị kinh doanh) nơi một số trường hợp sử dụng liên quan có thể được xây dựng - mỗi trường hợp sẽ có một đề xuất kinh doanh rõ ràng dựa trên tiềm năng giá trị và năng lực cung cấp (AI tạo sinh không phải lúc nào cũng là giải pháp đúng; đôi khi AI phân tích truyền thống sẽ tốt hơn).
- Các mục tiêu "từ/đến" rõ ràng nhằm định nghĩa lại các lĩnh vực ưu tiên
- Đánh giá các năng lực hỗ trợ, bao gồm nhân lực, mô hình vận hành agile, công nghệ và dữ liệu.
- Một kế hoạch mở rộng quy mô toàn diện lần lượt xác định khi nào và cách thức giải quyết từng lĩnh vực và xây dựng các năng lực hỗ trợ.
- Một kế hoạch liên kết chi tiết, nếu cần, để có thể bổ sung các năng lực hiện có hoặc trang bị các năng lực mới.
2. Nhân tài
Tốc độ xuất hiện của AI tạo sinh như một năng lực quan trọng đã để lại cho các nhà lãnh đạo ngân hàng rất ít thời gian để chuẩn bị cho những tác động lên nhân viên của họ - và cách để nâng cao kỹ năng cho nhân viên hoặc thu hút nhân tài cần thiết để theo kịp.Giải pháp cần bắt đầu từ cấp cao nhất. Các nhà lãnh đạo phải có được sự hiểu biết sâu sắc về AI tạo sinh nếu họ chưa có. Đầu tư vào giáo dục cấp lãnh đạo điều hành sẽ trang bị cho họ cách chỉ ra cho nhân viên mối liên hệ chính xác giữa công nghệ và hoạt động của ngân hàng, từ đó tạo ra sự phấn khích và vượt qua sự e ngại.
Để tiếp tục làm sáng tỏ công nghệ mới này, hai hoặc ba dự án hay sáng kiến tiền trạm, hoa tiêu, mang tính định hướng và tạo ra giá trị cao trong các lĩnh vực ưu tiên có thể xây dựng sự đồng thuận về giá trị của AI tạo sinh. Chúng cũng có thể giải thích cho nhân viên một cách thiết thực làm thế nào AI tạo sinh sẽ nâng cao công việc của họ.
 |
| AI tạo sinh có tiềm năng đem lại giá trị đáng kể cho các ngân hàng, từ 200 đến 340 tỷ đô la mỗi năm. |
Cũng có một vấn đề then chốt gây tranh cãi: đa phần các cuộc thảo luận về AI tạo sinh xoay quanh tiềm năng tự động hoá và dẫn tới mất việc làm. Chính các dự báo của McKinsey cho thấy công nghệ này có thể tự động hóa đến 70% hoạt động kinh doanh. Các nhà lãnh đạo phải đối mặt trực tiếp với những mối quan ngại của nhân viên; tính minh bạch phải là ưu tiên hàng đầu. Họ cũng có thể cung cấp thông điệp rõ ràng về cách AI tạo sinh có thể tự động hóa một số tác vụ và công việc thủ công, cải thiện năng suất và trải nghiệm của nhân viên.
AI tạo sinh cũng đang làm nảy sinh các hồ sơ nhân tài mới. Kỹ thuật tạo lệnh (prompt engineering) và hiệu chỉnh mô hình (model fine-tuning) tinh vi không phải là những kỹ năng trong tầm ngắm của hầu hết các nhà lãnh đạo nhân sự của các ngân hàng trước khi AI tạo sinh xuất hiện. Ít công ty sẽ có đủ tập hợp đúng các năng lực và nhân sự này ngay từ đầu, vì vậy họ cần cam kết xây dựng các vai trò, kỹ năng và năng lực cần thiết cho lâu dài. Quá trình này phải liên tục: một số sáng kiến AI tạo sinh có thể đã khởi động trong thời gian ngắn; những sáng kiến khác có thể không đơm hoa kết trái trong vài năm tới. Do đó, việc nâng cao kỹ năng cho nhân viên đòi hỏi một cách tiếp cận bền vững, tính đến bộ kỹ năng và năng lực cần thiết đang tiếp tục phát triển.
Các ngân hàng cũng cần đánh giá định kỳ chiến lược thu hút nhân tài của mình, để phù hợp với những ưu tiên đổi mới. Họ nên tiếp cận chiến lược tuyển dụng dựa trên kỹ năng, phân bổ nguồn lực và các chương trình nâng cao kỹ năng một cách toàn diện; nhiều vai trò sẽ cần các kỹ năng về AI, kỹ thuật điện toán đám mây, kỹ thuật dữ liệu và các lĩnh vực khác. Và như mọi khi, việc giữ chân nhân tài không chỉ là trả lương ở mức cạnh tranh. Cơ hội phát triển và thăng tiến nghề nghiệp rõ ràng - và công việc có ý nghĩa, giá trị - rất quan trọng đối với nhân viên kỹ thuật trung bình.
3. Mô hình vận hành
Quá thường xuyên, các nhà lãnh đạo ngân hàng kêu gọi các mô hình vận hành mới để hỗ trợ cho công nghệ mới. McKinsey cho rằng "mô hình vận hành AI tạo sinh" (gen AI operating model) là một cụm từ không chính xác. Các tổ chức thành công đã có mô hình cho phép tính linh hoạt và khả năng mở rộng để hỗ trợ các năng lực mới. Một mô hình vận hành phù hợp để mở rộng quy mô là mô hình liên chức năng (cross-functional) và phân định rõ vai trò, trách nhiệm giữa các đội triển khai và kinh doanh. Các nhóm liên chức năng mang lại tính nhất quán và minh bạch cho việc triển khai, bằng cách đưa các đội sản phẩm gần hơn với các đơn vị kinh doanh và đảm bảo các trường hợp sử dụng đáp ứng các kết quả kinh doanh cụ thể. Các quy trình như tài trợ, nhân sự, đấu thầu và quản lý rủi ro được tái cấu trúc để tạo điều kiện thuận lợi cho tốc độ, quy mô và tính linh hoạt.
Do AI tạo sinh còn khá mới mẻ, nhiều ngân hàng đã tập trung hóa cách thiết kế và triển khai các tiêu chuẩn thực thi, phân bổ nguồn lực, cung cấp quyền truy cập vào các mô hình cơ sở, định hướng nghiên cứu và phát triển, tạo ra các thành phần có thể tái sử dụng, quản lý rủi ro và đảm bảo việc tuân thủ chiến lược số hóa và AI tổng thể. Hơn 50% các ngân hàng trong một cuộc khảo sát gần đây của McKinsey về mức độ trưởng thành AI tạo sinh của các ngân hàng ở Mỹ và Châu Âu đã áp dụng một tổ chức AI tạo sinh "tập trung hơn", ngay cả trong trường hợp cấu trúc thông thường của họ đối với dữ liệu và phân tích tương đối phân tán. Bất kể mức độ tập trung thế nào, sự hợp tác chặt chẽ và sớm với các đội kinh doanh là rất quan trọng khi xác định, lập nguyên mẫu và triển khai các ứng dụng AI tạo sinh, cũng như tích hợp các mô hình vào luồng kinh doanh. Việc tham gia của đơn vị kinh doanh ngay từ đầu để đánh giá các trường hợp sử dụng có thể mang lại những hiểu biết về vận hành đối với các cơ hội có tác động lớn, tính khả dụng của dữ liệu và các yêu cầu triển khai. Và trong suốt các giai đoạn lập nguyên mẫu và triển khai, đối thoại liên chức năng liên tục đảm bảo rằng các mô hình gặp phải và học hỏi từ các tình huống kinh doanh thực tế và phát hiện các rủi ro tiềm tàng trong khi mở ra khả năng có thể. Việc tiếp nhận phản hồi liên tục từ người dùng giúp các đội triển khai và hoàn thiện các giải pháp AI tạo sinh thực sự được tích hợp vào các quyết định và quy trình làm việc. Các ngân hàng thúc đẩy sự tích hợp giữa nhân tài kỹ thuật và lãnh đạo kinh doanh sẽ có nhiều khả năng phát triển các giải pháp AI tạo sinh có thể mở rộng quy mô và tạo ra giá trị đo lường được.
Khi công nghệ tiến bộ, các ngân hàng có thể thấy việc áp dụng một cách tiếp cận liên bang phân tán hơn đối với các chức năng cụ thể là có lợi, cho phép từng lĩnh vực xác định và ưu tiên các hoạt động theo nhu cầu của họ. Các tổ chức phải suy nghĩ tại sao cấu trúc vận hành hiện tại của họ gặp khó khăn trong việc tích hợp liền mạch các khả năng đổi mới này và tại sao nhiệm vụ đó đòi hỏi nỗ lực đặc biệt. Những ngân hàng thành công nhất đã phát triển không phải bằng cách khởi xướng các sáng kiến riêng lẻ, mà là bằng cách trang bị cho các đội hiện có của họ các nguồn lực cần thiết và chấp nhận các kỹ năng, nhân tài và quy trình mà AI tạo sinh đòi hỏi.
4. Công nghệ
Những thành công ban đầu trong việc mở rộng quy mô AI tạo sinh có được khi các ngân hàng cân nhắc cẩn trọng các phương án "xây hay mua hay hợp tác" (build vs buy vs partner) - nghĩa là khi họ so sánh những lợi thế cạnh tranh của việc tự phát triển giải pháp bên trong với việc sử dụng các giải pháp đã được chứng minh trên thị trường từ các đối tác trong hệ sinh thái. Các khả năng như mô hình nền tảng, cơ sở hạ tầng điện toán đám mây và nền tảng MLOps đang có nguy cơ trở nên phổ biến, do tốc độ phát triển nhanh chóng của các lựa chọn nguồn mở. Việc đưa ra những quyết định có chủ đích với một chiến lược rõ ràng (ví dụ, về nơi nào sẽ tạo ra giá trị thực sự) là một trong những đặc điểm nổi bật của những nỗ lực mở rộng quy mô thành công.
Đối với các ngân hàng, việc điều hướng trong mê cung này là một thách thức phức tạp. Lịch sử của họ trong việc mua giải pháp CNTT của bên thứ ba, chẳng hạn như cơ sở dữ liệu và dịch vụ điện toán đám mây, đã làm cho họ quen thuộc với các rủi ro liên quan, nhưng sự không chắc chắn vốn có của các mô hình AI tạo sinh đặt ra một thách thức mới. Việc áp dụng những mô hình đó đòi hỏi phải tin tưởng vào các nhà cung cấp hơn, điều có thể vượt quá các rào cản về rủi ro hoặc quy định của ngân hàng, từ đó khiến họ ưu tiên các ứng dụng AI tạo sinh duy trì mức độ rủi ro thấp hơn một ngưỡng nhất định. Điều này là một hạn chế mà các ngân hàng phải cân nhắc cẩn thận trong các quyết định về ứng dụng và trường hợp sử dụng.
Tương tự, việc có một tầm nhìn tổng thể về kiến trúc hỗ trợ AI tạo sinh là rất quan trọng. Bộ công cụ AI tạo sinh mới phải tăng cường lẫn nhau và nhất quán bên trong, không chỉ với các thành phần khác nhau của nó mà cả với bộ công cụ kế thừa (legacy) hiện có. Hầu hết các ngân hàng có khả năng triển khai một loạt các mô hình AI tạo sinh, mỗi mô hình được tích hợp với các hệ thống, quy trình làm việc, ứng dụng doanh nghiệp và nguồn dữ liệu hiện có của họ. Đây là một nhiệm vụ quan trọng và phức tạp. Tích hợp hiệu quả và bảo trì mô hình sẽ phụ thuộc vào nhiều thành phần kiến trúc: quản lý ngữ cảnh và bộ nhớ đệm, quản lý chính sách, một trung tâm mô hình, một thư viện câu lệnh, một nền tảng MLOps, một bộ máy quản lý rủi ro, hoạt động mô hình ngôn ngữ lớn (LLM), và nhiều thứ khác nữa.
5. Dữ liệu
Sự phụ thuộc lớn của AI tạo sinh vào dữ liệu không cấu trúc tạo ra thêm một lớp phức tạp liên quan đến dữ liệu, và chiến lược dữ liệu cũng như kiến trúc hiện tại của các ngân hàng có thể không đủ khả năng đáp ứng. Ví dụ, một số quá trình di chuyển dữ liệu lên đám mây hoặc các nền tảng của bên thứ ba tạo ra cả các ràng buộc và mức độ tự do cần được hiểu rõ ràng. Mặc dù hầu hết các ngân hàng đã xây dựng được năng lực mạnh trong việc sử dụng dữ liệu có cấu trúc, nhiều ngân hàng vẫn gặp khó khăn trong việc tận dụng dữ liệu không cấu trúc, chủ yếu vì họ thiếu các năng lực (chẳng hạn như các kỹ thuật xử lý ngôn ngữ tự nhiên) và cơ sở hạ tầng (đặc biệt là sức mạnh tính toán) để triển khai các mô hình AI phức tạp hơn nhiều. Chính AI tạo sinh có thể cung cấp một giải pháp. Khả năng xử lý ngôn ngữ tự nhiên của AI tạo sinh có thể trích xuất thông tin từ dữ liệu không cấu trúc như lịch sử tương tác với dịch vụ, các bài đăng trên mạng xã hội, tin tức và trang web, và cung cấp cho nhân viên ngân hàng tuyến đầu các gợi ý để nâng cao tương tác với khách hàng. Việc triển khai chiến lược các giải pháp AI tạo sinh được tùy chỉnh cho phép các tổ chức tài chính nâng cao đáng kể hoạt động dịch vụ và cải thiện trải nghiệm của khách hàng. Đồng thời, điều này thúc đẩy việc dân chủ hóa quyền truy cập dữ liệu, mở khóa toàn bộ giá trị của dữ liệu không cấu trúc cho cả tổ chức. Tương tự, đối với kiến trúc dữ liệu, trọng tâm nên là phát triển năng lực để hỗ trợ tập hợp các ứng dụng có giá trị cao nhất. Các năng lực liên quan, như cơ sở dữ liệu véc-tô (vector database) và các đường ống xử lý dữ liệu trước và sau, phải được xây dựng.
Chất lượng dữ liệu - vốn vẫn luôn quan trọng - nay trở nên càng quan trọng hơn trong bối cảnh của AI tạo sinh. Một lần nữa, bản chất không cấu trúc của phần lớn dữ liệu và quy mô của tập dữ liệu làm tăng thêm sự phức tạp trong việc xác định các vấn đề về chất lượng. Các ngân hàng hàng đầu đang sử dụng kết hợp nhân tài con người và tự động hóa, can thiệp ở nhiều điểm trong vòng đời dữ liệu để đảm bảo chất lượng của tất cả dữ liệu. Các nhà lãnh đạo về dữ liệu cũng phải xem xét hệ lụy của các rủi ro an ninh với công nghệ mới - và sẵn sàng hành động nhanh chóng để đáp ứng các quy định.
6. Rủi ro và kiểm soát
Cùng với việc nâng cao năng suất, AI tạo sinh cũng mang đến những rủi ro mới và thách thức đặc thù trong ngành ngân hàng. Quản lý rủi ro cho AI tạo sinh vẫn đang trong giai đoạn đầu đối với các tổ chức tài chính - chúng tôi chưa thấy sự nhất quán trong cách tiếp cận vấn đề này của hầu hết các tổ chức. Tuy nhiên, sớm muộn gì, các ngân hàng cũng sẽ cần thiết kế lại các khung quản trị rủi ro và mô hình, và phát triển các bộ kiểm soát mới.Việc sử dụng AI tạo sinh một cách có trách nhiệm phải được đưa vào lộ trình mở rộng quy mô ngay từ ngày đầu tiên. Đương nhiên, các ngân hàng gặp phải sự giám sát quy định riêng liên quan đến các vấn đề như khả năng giải thích của mô hình và ra quyết định không thiên vị, cần phải được giải quyết một cách toàn diện trước khi mở rộng quy mô bất kỳ ứng dụng nào.
Để giảm các rủi ro liên quan đến "tính ảo tưởng" của AI tạo sinh (hallucinations), xảy ra khi các mô hình tạo ra câu trả lời hoặc đầu ra không hợp lý hoặc không dựa trên dữ liệu thực tế, cách tiếp cận hiện tại là thu hút các chuyên gia chuyên ngành để xác minh đầu ra của mô hình. Tuy nhiên, quá trình này có thể không mở rộng quy mô cho tất cả các trường hợp sử dụng tiềm năng có giá trị đáng kể. Để giúp các chuyên gia đầu ngành tập trung thời gian và nỗ lực của họ, các ngân hàng đang phát triển tự động hóa, phương pháp luận xác minh và sổ tay hướng dẫn. Ví dụ, ảo giác có thể được kiểm soát một cách thực tế: điều chỉnh cài đặt tham số của các mô hình ngôn ngữ lớn (LLM), như cài đặt nhiệt độ, kiểm soát tính ngẫu nhiên của đầu ra; hoặc thiết lập một tuyến phòng thủ đầu tiên xử lý sau, như kiểm duyệt nội dung tự động để gửi cảnh báo về nội dung độc hại trong đầu ra.
7. Áp dụng và quản lý thay đổi
Cách một ngân hàng quản lý thay đổi có thể làm nên hoặc phá vỡ việc mở rộng quy mô, đặc biệt là khi đảm bảo việc áp dụng. Ứng dụng được chuẩn bị kỹ lưỡng nhất cũng có thể bị đình trệ nếu không được thiết kế cẩn thận để khuyến khích nhân viên và khách hàng sử dụng. Nhân viên sẽ không tận dụng triệt để một công cụ nếu họ không cảm thấy thoải mái với công nghệ đó và không hiểu rõ giới hạn của nó. Tương tự, công nghệ chuyển đổi có thể tạo ra những "cuộc chiến giành lãnh thổ" giữa những nhà điều hành thiện chí nhất. Tại một tổ chức, một công cụ AI đột phá không đạt được tiềm năng tối đa với lực lượng bán hàng vì các nhà quản lý không thể quyết định liệu nó có phải là một "sản phẩm" hay một "khả năng" và do đó không cố gắng hết sức trong việc triển khai.
Trong bối cảnh nhanh chóng phát triển ngày nay, việc triển khai thành công các giải pháp AI tạo sinh đòi hỏi một sự thay đổi quan điểm - nghĩa là bắt đầu từ trải nghiệm của người dùng cuối và làm ngược lại. Cách tiếp cận này bao gồm việc tái cấu trúc các quy trình và tạo ra các tác nhân AI không chỉ tập trung vào người dùng mà còn có khả năng thích ứng thông qua học tăng cường từ phản hồi của con người. Điều này đảm bảo rằng các khả năng được gen AI hỗ trợ phát triển theo cách phù hợp với đầu vào của con người.
Một nỗ lực mở rộng quy mô AI tạo sinh thành công cũng đòi hỏi một kế hoạch quản lý thay đổi toàn diện. Một kế hoạch như vậy giúp các đội ngũ tham gia bằng cách bao gồm quản lý thay đổi tập trung vào người dùng; kết hợp đào tạo cho ban lãnh đạo cấp cao và nhân viên; tham gia vào việc định hình vai trò bởi các nhà lãnh đạo và người có ảnh hưởng; trình bày một cái nhìn sáng suốt về các ưu tiên, đầu tư và kết quả dự kiến; mô tả rõ ràng cách thức thay đổi tư duy và văn hóa; và xác định các kích thích rõ ràng và ngầm đối với mọi người để sử dụng khả năng đó. Quan trọng nhất, quá trình quản lý thay đổi phải minh bạch và thực tế.
AI tạo sinh chắc chắn có tiềm năng tạo ra giá trị đáng kể cho các ngân hàng và các tổ chức tài chính khác bằng cách cải thiện năng suất của họ. Trên thực tế, những ví dụ mới xuất hiện hàng tuần. Nhưng việc mở rộng quy mô luôn khó khăn, và vẫn chưa rõ các ngân hàng sẽ hiệu quả như thế nào trong việc đưa các giải pháp AI tạo sinh ra thị trường và thuyết phục nhân viên, khách hàng hoàn toàn chấp nhận chúng. Chỉ bằng cách tuân theo một kế hoạch liên quan đến tất cả các rào cản, sự phức tạp và cơ hội, các ngân hàng mới có thể khai thác được tiềm năng to lớn của AI tạo sinh về lâu về dài.
Hi vọng bài viết đã giúp bạn nắm bắt rõ hơn 7 khía cạnh quan trọng trong việc mở rộng AI tạo sinh trong ngành ngân hàng để gặt hái quả ngọt? Các lãnh đạo ngành ngân hàng có thể bắt đầu như thế nào? Mời bạn đón đọc bài viết tiếp theo trên chuyên trang Chuyendoi.so.
(còn nữa)
Nguồn tham khảo:
- McKinsey - Capturing the full value of generative AI in banking: https://www.mckinsey.com/industries/financial-services/our-insights/capturing-the-full-value-of-generative-ai-in-banking
- Nghe trên Soundcloud: https://soundcloud.com/mckinsey/listen-to-the-151968414
Có thể bạn quan tâm?
Các ví dụ chuyển đổi số trong ngành tài chính, ngân hàng và bảo hiểm
- Hành trình chuyển đổi số mạnh mẽ từ thị trường bảo hiểm Trung Quốc
- Ping An Insurance (Bảo hiểm Bình An) và Hành trình số hóa tiên phong ở Trung Quốc
- Zhong An (bảo hiểm Trung An): nền tảng sinh ra cho chuyển đổi số ngành bảo hiểm Trung Quốc
- Insurtech (Công nghệ bảo hiểm): Định nghĩa, phân loại, xu hướng, và tác động tới các đơn vị bảo hiểm trong ngành
- Một số ví dụ về các công ty bảo hiểm chuyển đổi số và insurtech khác trên toàn cầu
Chuỗi bài AI Tạo sinh đột phá ngành tài chính (ngân hàng, bảo hiểm): Cơ hội, Thách thức, Bước khởi đầu
A - Ngành ngân hàng (banking)
1 - Giá trị, các cơ hội chính và ứng dụng chủ đạo
3 - Mở rộng quy mô ứng dụng AI Tạo sinh (GenAI)
B - Ngành bảo hiểm
1 - Các cơ hội chính/ Các ứng dụng chủ đạo
2.1. Về GenAI
2.2. Về dữ liệu
Chuỗi bài viết Sẵn sàng cho Trí tuệ Nhân tạo (AI): Điều Lãnh đạo CNTT CIO Cần Biết và Làm.
- Phần 1: Xác định tham vọng AI | Sẵn sàng cho Trí tuệ Nhân tạo: Điều Lãnh đạo CNTT CIO Cần Biết và Làm
- Phần 2: Các phương án triển khai AI | Sẵn sàng cho Trí tuệ Nhân tạo: Điều Lãnh đạo CNTT CIO Cần Biết và Làm
- Phần 3: Xác định các rủi ro của AI | Sẵn sàng cho Trí tuệ Nhân tạo: Điều Lãnh đạo CNTT CIO Cần Biết và Làm
- Có cần bổ nhiệm CAIO (Giám đốc Cấp cao về AI)?
- Giải thích về Các Mô hình Ngôn ngữ Lớn (LLMs) & AI Tạo sinh (GenAI)
- Gartner Dự báo 10 Công nghệ chiến lược hàng đầu năm 2024 và xa hơn
- Xu hướng 6: AI (Artificial Intelligence): Trí tuệ nhân tạo
Nhận xét