ThS. Hồ Nguyễn Anh Minh
Đại học Toulon, Pháp; Email: [email protected]
ĐẶT VẤN ĐỀ
Trong những năm gần đây, cuộc Cách mạng công nghiệp lần thứ tư đã và đang tạo ra những biến đổi sâu sắc, tái định hình không chỉ diện mạo của nền kinh tế toàn cầu, mà còn hầu hết các lĩnh vực sản xuất, kinh doanh và hoạt động của con người. Trong đó, tài chính - ngân hàng là một trong những lĩnh vực tiên phong thực hiện chuyển đổi số. Trong bối cảnh đó, sự dịch chuyển từ mô hình cấp tín dụng truyền thống sang tín dụng số mang lại những lợi ích không thể phủ nhận: tốc độ phê duyệt nhanh chóng (tính bằng phút), quy trình không giấy tờ và khả năng tiếp cận các phân khúc khách hàng chưa có lịch sử tín dụng. Tuy nhiên, tốc độ và sự tiện lợi này cũng tỉ lệ thuận với những rủi ro mới, phức tạp và khó kiểm soát hơn. Quản trị rủi ro tín dụng truyền thống vốn dựa trên sự thẩm định trực tiếp và các báo cáo tài chính định kỳ đang phải đối mặt với những thách thức phi truyền thống, như: rủi ro gian lận công nghệ cao; rủi ro mô hình; áp lực về chất lượng tài sản. Trước bối cảnh đó, quản trị rủi ro không còn là “điểm phanh” kìm hãm sự phát triển, mà phải trở thành “nền tảng tạo sức bật” để các tổ chức tín dụng tự tin chuyển mình.
VAI TRÒ CỦA QUẢN TRỊ RỦI RO TÍN DỤNG TRONG KỶ NGUYÊN SỐ
Bảo vệ chất lượng tài sản trước áp lực giải ngân siêu tốc
Trong mô hình ngân hàng truyền thống, quy trình thẩm định thường kéo dài từ vài ngày đến vài tuần, cho phép các chuyên viên có đủ thời gian để kiểm chứng thông tin thực địa. Ngược lại, kỷ nguyên số đặt ra yêu cầu phê duyệt tín dụng theo thời gian thực. Tốc độ giải ngân nhanh và khối lượng giao dịch khổng lồ 102 Tạp chí Kinh tế - Tài chính, kỳ 3 tháng 6/2026
tạo ra rủi ro tích tụ nợ xấu quy mô lớn trong một thời gian cực ngắn nếu hệ thống kiểm soát có lỗ hổng. Quản trị rủi ro tín dụng lúc này đóng vai trò là “chốt chặn” kỹ thuật số. Việc áp dụng các mô hình định lượng hiện đại giúp tổ chức tín dụng kiểm soát được tổn thất kỳ vọng (EL). Theo công thức chuẩn hóa của Ủy ban Basel về Giám sát Ngân hàng (BCBS): EL = “PD” x “LGD” x “EAD”. Trong đó, việc số hóa giúp xác định chính xác hơn Xác suất vỡ nợ (PD) và Tỷ trọng tổn thất (LGD) thông qua dữ liệu lịch sử, từ đó giúp ngân hàng chủ động trích lập dự phòng và bảo vệ nền tảng tài chính bền vững (Anthony Saunders và Marcia Millon Cornett, 2023).
Cân bằng giữa trải nghiệm khách hàng và an toàn hệ thống
Khách hàng trong thời đại số, đặc biệt là thế hệ Gen Z và Alpha, kỳ vọng sự liền mạch và tức thì trong mọi dịch vụ tài chính. Tuy nhiên, việc đơn giản hóa quy trình để tăng trải nghiệm người dùng (UX) thường đi kèm với việc nới lỏng các rào cản kiểm soát.
Quản trị rủi ro hiện đại không còn là sự cản trở, mà trở thành công cụ hỗ trợ trải nghiệm khách hàng. Bằng cách sử dụng các công nghệ, như: định danh điện tử (eKYC) kết hợp với AI nhận diện khuôn mặt (Liveliness check), ngân hàng có thể vừa rút ngắn quy trình đăng ký, vừa ngăn chặn hiệu quả các hành vi gian lận danh tính ngay từ bước đầu vào (Minh Lâm, 2022). Điều này giúp tạo dựng niềm tin - tài sản quý giá nhất của mọi ngân hàng trong môi trường số.
Tận dụng dữ liệu lớn (Big Data) để nâng cao năng lực dự báo
Một trong những tầm quan trọng then chốt của quản trị rủi ro trong bối cảnh mới là khả năng chuyển hóa “dữ liệu thô” thành “tài sản chiến lược”. Trước đây, việc đánh giá tín dụng chủ yếu dựa vào các chỉ số tài chính quá khứ (như mô hình Z-Score của Altman). Ngày nay, quản trị rủi ro số cho phép khai thác các nguồn dữ liệu thay thế như: hành vi chi tiêu trên các sàn thương mại điện tử; lịch sử thanh toán hóa đơn điện, nước, viễn thông; dữ liệu từ mạng xã hội và dấu chân số.
Việc tích hợp dữ liệu lớn giúp xây dựng các mô hình chấm điểm tín dụng (Credit Scoring) có độ chính xác cao hơn, đặc biệt là đối với phân khúc khách hàng “dưới chuẩn” hoặc chưa có lịch sử tín dụng tại Trung tâm Thông tin Tín dụng Quốc gia Việt Nam (CIC). Theo thống kê, việc sử dụng dữ liệu thay thế có thể giúp tăng tỷ lệ phê duyệt lên tới 20% mà không làm tăng tỷ lệ nợ xấu tương ứng (Nguyễn Thị Thu Hường, 2026). Quản trị rủi ro hiệu quả chính là chìa khóa để ngân hàng mở rộng thị phần một cách an toàn vào những phân khúc tiềm năng này.
Đảm bảo tính tuân thủ và thích ứng với các chuẩn mực quốc tế
Chuyển đổi số gắn liền với việc thắt chặt các quy định pháp lý về an toàn dữ liệu và phòng chống rửa tiền (AML). Quản trị rủi ro tín dụng trong kỷ nguyên số giúp các ngân hàng đảm bảo tính tuân thủ nghiêm ngặt các quy định của Ngân hàng Nhà nước và tiến tới các chuẩn mực quốc tế như Basel III. Việc duy trì một hệ thống quản trị rủi ro vững chắc được xem là “nền tảng tạo sức bật”, giúp các ngân hàng nâng cao hệ số tín nhiệm và thu hút vốn đầu tư nước ngoài.
CƠ HỘI VÀ THÁCH THỨC TRONG QUẢN TRỊ RỦI RO TÍN DỤNG SỐ
Cơ hội đem lại
Chuyển đổi số mang lại những “vũ khí” mới giúp các tổ chức tín dụng thay đổi hoàn toàn cách thức tiếp cận rủi ro:
- Tối ưu hóa năng lực thẩm định bằng AI và Machine Learning: Thay vì dựa vào các quy tắc cứng nhắc (Rule-based), các thuật toán học máy có khả năng tự học từ hàng triệu dữ liệu quá khứ để nhận diện các đặc điểm của khách hàng tốt và xấu. Hiện nay, khoảng 95% các ngân hàng thương mại (NHTM) Việt Nam đã triển khai các chiến lược số hóa này để nâng cao năng lực vận hành. Điều này giúp tăng tỷ lệ phê duyệt chính xác và giảm thiểu sai sót do yếu tố cảm tính của con người.
- Khai phá tiềm năng từ dữ liệu thay thế (Alternative Data): Đối với phân khúc khách hàng cá nhân hoặc doanh nghiệp siêu nhỏ chưa có lịch sử tín dụng tại CIC, công nghệ cho phép ngân hàng phân tích hành vi từ dữ liệu viễn thông, hóa đơn tiện ích và lịch sử giao dịch thương mại điện tử. Đây là cơ hội vàng để mở rộng tín dụng toàn diện (Financial Inclusion) mà vẫn đảm bảo an toàn (Linh Anh, 2025).
- Hệ thống cảnh báo sớm (EWS): Công nghệ Big Data cho phép giám sát dòng tiền của khách hàng theo thời gian thực. Bất kỳ dấu hiệu bất thường nào (như sụt giảm doanh thu đột ngột hoặc nợ quá hạn tại tổ chức khác) đều được hệ thống phát hiện và cảnh báo ngay lập tức, giúp ngân hàng có biện pháp xử lý trước khi rủi ro chuyển thành nợ xấu thực tế.
Thách thức đặt ra
Song hành với cơ hội, các ngân hàng cũng phải đối mặt với những rủi ro phi truyền thống đầy tinh vi:
- Rủi ro gian lận danh tính công nghệ cao: Sự phát triển của Deepfake và các kỹ thuật tấn công mạng khiến việc định danh điện tử (eKYC) đối mặt với nguy cơ bị qua mặt. Thực tế, các vụ gian lận sử dụng Deepfake đã tăng mạnh, chiếm khoảng 25%- 30% tổng số vụ gian lận danh tính số được ghi nhận. Tội phạm có thể sử dụng danh tính giả hoặc đánh cắp thông tin để thực hiện các khoản vay trực tuyến, gây thất thoát tài sản nghiêm trọng (Hiệp hội An ninh mạng Quốc gia, 2025).
- Rủi ro mô hình (Model Risk) và “Hộp đen” thuật toán: Một thách thức lớn là tính minh bạch của AI. Khi các mô hình trở nên quá phức tạp, việc giải trình lý 103 Tạp chí Kinh tế - Tài chính, kỳ 3 tháng 6/2026
do từ chối hoặc phê duyệt một khoản vay trở nên khó khăn (Black-box effect). Nếu dữ liệu đầu vào bị sai lệch hoặc không đại diện, mô hình có thể đưa ra các quyết định rủi ro mang tính hệ thống.
- Áp lực bảo mật và an toàn dữ liệu: Việc kết nối liên thông dữ liệu giữa ngân hàng và các bên thứ ba (Fintech, đối tác cung cấp dữ liệu) mở ra nhiều “điểm chạm” dễ bị tấn công. Một vụ rò rỉ dữ liệu không chỉ gây thiệt hại về tài chính, mà còn hủy hoại uy tín của ngân hàng chỉ trong tích tắc.
- Sự lạc hậu của khung pháp lý và quy trình nội bộ: Tốc độ phát triển công nghệ thường nhanh hơn sự thay đổi của các văn bản quy phạm pháp luật. Việc thiếu các tiêu chuẩn rõ ràng về đạo đức AI và trách nhiệm pháp lý trong các giao dịch số tự động tạo ra những kẽ hở cho rủi ro hoạt động và rủi ro pháp lý.
THỰC TRẠNG QUẢN LÝ RỦI RO TÍN DỤNG TẠI CÁC NHTM Ở VIỆT NAM HIỆN NAY
Sự dịch chuyển mạnh mẽ từ mô hình truyền thống sang số hóa
Theo Vụ Thanh toán, Ngân hàng Nhà nước (NHNN), sau 7 năm triển khai (từ năm 2019), đến cuối năm 2025, Việt Nam đã ghi nhận hơn 25,2 tỷ giao dịch thanh toán không dùng tiền mặt với tổng giá trị vượt 362 triệu tỷ đồng. Bên cạnh đó, số lượng tài khoản thanh toán cá nhân tại Việt Nam đã vượt mốc 232 triệu, tăng gần 14% so với cùng kỳ năm trước.
Các NHTM Việt Nam đã có những bước tiến dài trong việc tích hợp công nghệ vào quy trình quản trị rủi ro. Thay vì dựa hoàn toàn vào các báo cáo tài chính tĩnh, nhiều ngân hàng đã chuyển sang sử dụng dữ liệu động:
- Tự động hóa chấm điểm tín dụng: Nhiều ngân hàng như MSB, VPBank, hay MB đã áp dụng các mô hình chấm điểm tự động (Credit Scoring) cho các sản phẩm vay tiêu dùng và thẻ tín dụng. Việc sử dụng các công nghệ như AI và Logical rules giúp rút ngắn thời gian phê duyệt từ 3-5 ngày xuống còn dưới 30 phút, đồng thời loại bỏ yếu tố cảm tính của cán bộ tín dụng (Minh Lâm, 2022).
- Áp dụng định danh điện tử (eKYC): Đây là “cửa ngõ” quan trọng nhất trong quản lý rủi ro đầu vào. Việc kết nối với cơ sở dữ liệu quốc gia về dân cư và sử dụng công nghệ Liveliness Check (kiểm tra thực thể sống) đã giúp các ngân hàng giảm thiểu đáng kể rủi ro giả mạo hồ sơ ngay từ bước đăng ký (Lê Thị Thúy Sen, 2026).
Cấu trúc mô hình quản trị rủi ro tại Việt Nam
Hiện nay, các NHTM Việt Nam chủ yếu vận hành theo 2 mô hình chính để thích ứng với bối cảnh số:
- Mô hình tập trung: Thường được các ngân hàng lớn (Big 4) áp dụng để đảm bảo tính thống nhất về chính sách và kiểm soát chặt chẽ trên toàn hệ thống. Mô hình này giúp xây dựng một kho dữ liệu dùng chung (Data Lake) hiệu quả, phục vụ cho việc phân tích rủi ro danh mục.
- Mô hình phân tán: Các ngân hàng nhỏ hơn hoặc các công ty tài chính tiêu dùng thường áp dụng để tăng tính linh hoạt và tốc độ phục vụ khách hàng tại địa phương. Tuy nhiên, thách thức của mô hình này là sự thiếu đồng bộ trong tiêu chuẩn dữ liệu (Nguyễn Thị Thu Hường, 2026).
Những hạn chế và “điểm nghẽn” còn tồn tại
Mặc dù đã đạt được nhiều thành tựu, nhưng công tác quản trị rủi ro tín dụng số tại Việt Nam vẫn đối mặt với, ít nhất, 3 rào cản lớn:
- Chất lượng và sự kết nối dữ liệu: Mặc dù Đề án 06 của Chính phủ đã thúc đẩy kết nối dữ liệu dân cư, nhưng việc liên thông dữ liệu giữa ngân hàng với các ngành thuế, bảo hiểm, viễn thông vẫn còn rời rạc. Điều này khiến các mô hình chấm điểm dựa trên dữ liệu thay thế (Alternative Data) chưa đạt được độ chính xác tối ưu.
- Rủi ro gian lận công nghệ cao ngày càng tinh vi: Tội phạm mạng thường xuyên thay đổi phương thức, từ tấn công mã độc đến sử dụng Deepfake để vượt mặt hệ thống eKYC. Các vụ lừa đảo sử dụng Deepfake để giả mạo định danh đã tăng mạnh, chiếm khoảng 25%-30% tổng số vụ gian lận danh tính số được ghi nhận. Nhiều ngân hàng vẫn đang ở thế “đuổi theo” tội phạm thay vì chủ động phòng ngừa (Linh Anh, 2025). Đồng thời, nợ xấu trong phân khúc tín dụng cá nhân trực tuyến vẫn tiềm ẩn nhiều nguy cơ do tính thiếu ổn định của dữ liệu hành vi.
- Khung pháp lý chưa đồng bộ: Các quy định về bảo mật dữ liệu cá nhân, đạo đức AI trong tài chính và trách nhiệm của các bên trong giao dịch số vẫn đang trong quá trình hoàn thiện, gây lúng túng cho các ngân hàng khi triển khai các sản phẩm tín dụng số hoàn toàn (End-to-end digital lending).
MỘT SỐ GIẢI PHÁP
Nhằm nâng cao hiệu quả quản trị rủi ro tín dụng, theo tác giả, cần thực hiện một số giải pháp sau:
Về phía các ngân hàng thương mại
Một là, nâng cấp hạ tầng công nghệ và mô hình định lượng
Để chuyển đổi từ thế “phòng ngự” sang “chủ động”, các NHTM cần ưu tiên đầu tư vào các công cụ cốt lõi:
- Phát triển hệ thống cảnh báo sớm (EWS): Ứng dụng AI để phân tích dòng tiền và hành vi giao dịch của khách hàng theo thời gian thực. Thay vì đợi đến khi nợ quá hạn, hệ thống EWS có thể nhận diện các dấu hiệu suy giảm sức khỏe tài chính thông qua biến động số dư, tần suất giao dịch hoặc các tín hiệu tiêu cực từ thị trường liên quan đến ngành nghề của khách hàng (Linh Anh, 2025).
- Việc đầu tư này là cấp thiết khi các ngân hàng hàng đầu đã bắt đầu tích hợp các nguồn dữ liệu thay thế từ 104 Tạp chí Kinh tế - Tài chính, kỳ 3 tháng 6/2026
hơn 100 triệu thuê bao di động và hành vi giao dịch điện tử để phục vụ chấm điểm tín dụng. Một giải pháp trọng tâm là xây dựng Hệ thống cảnh báo sớm (EWS) giúp nhận diện rủi ro trước khi nợ quá hạn phát sinh.
- Xây dựng mô hình chấm điểm tín dụng thế hệ mới: Tích hợp dữ liệu thay thế (lịch sử thanh toán hóa đơn viễn thông, điện nước, hành vi trên sàn thương mại điện tử) vào mô hình chấm điểm truyền thống. Việc này không chỉ giúp mở rộng tệp khách hàng, mà còn tăng độ chính xác trong dự báo về xác suất vỡ nợ.
Hai là, hoàn thiện quy trình và chính sách nội bộ
Công nghệ chỉ phát huy tác dụng khi đi kèm với một quy trình vận hành khoa học:
- Mô hình thẩm định “Hybrid”: Xây dựng quy trình kết hợp linh hoạt giữa máy móc và con người. Máy móc (AI/ Auto-scoring) sẽ xử lý các khoản vay nhỏ, tiêu chuẩn hóa với tốc độ cao; trong khi con người (Chuyên viên thẩm định) tập trung vào các khoản vay phức tạp, đòi hỏi phán đoán chuyên sâu và đánh giá định tính về đạo đức kinh doanh của chủ doanh nghiệp. Mô hình thẩm định kết hợp này giúp duy trì tỷ lệ phê duyệt tự động ở mức 70%-80% đối với các khoản vay nhỏ, trong khi vẫn đảm bảo sự chặt chẽ của con người ở các khoản vay doanh nghiệp quy mô lớn (Minh Lâm, 2022).
- Thiết lập cơ chế kiểm định mô hình (Model Validation): Cần có bộ phận độc lập thực hiện kiểm tra định kỳ các thuật toán AI để phát hiện và hiệu chỉnh các sai lệch (bias). Điều này đảm bảo các quyết định tín dụng tự động luôn công bằng và tuân thủ “khẩu vị” rủi ro của từng ngân hàng.
Ba là, phát triển nguồn nhân lực số
Sự thiếu hụt nhân sự am hiểu cả tài chính và công nghệ đang là “điểm nghẽn” lớn nhất, đòi hỏi các tổ chức phải tăng cường đào tạo lại kỹ năng (Reskilling) để thích ứng với các mô hình quản trị rủi ro định lượng hiện đại. Trong bối cảnh chuyển đổi số, cán bộ tín dụng không chỉ cần kiến thức tài chính, mà còn cần tư duy dữ liệu:
- Đào tạo lại (Reskilling): Trang bị cho đội ngũ quản trị rủi ro kỹ năng phân tích dữ liệu (Data Analytics) và khả năng hiểu/giám sát các mô hình thuật toán. Nhân sự quản trị rủi ro hiện đại phải đóng vai trò là “người phiên dịch” giữa ngôn ngữ kỹ thuật của bộ phận IT và ngôn ngữ kinh doanh của ngân hàng.
- Xây dựng văn hóa rủi ro số: Lan tỏa tư duy “an toàn là ưu tiên” trong mọi hoạt động số hóa, từ khâu thiết kế sản phẩm đến khâu hậu kiểm.
Về phía các cơ quan quản lý nhà nước
Để tạo môi trường thuận lợi cho quản trị rủi ro số, cần có sự hỗ trợ về mặt vĩ mô:
- Thúc đẩy kết nối dữ liệu liên thông: Ngân hàng Nhà nước và các bộ, ngành liên quan sớm hoàn thiện cơ chế cho phép các tổ chức tín dụng khai thác hợp pháp và an toàn cơ sở dữ liệu quốc gia về dân cư, thuế và bảo hiểm. Đây là điều kiện tiên quyết để định danh chính xác và đánh giá khả năng trả nợ của khách hàng. Việc khai thác cơ sở dữ liệu quốc gia về dân cư (Đề án 06) được xem là chìa khóa để “làm sạch” kho dữ liệu tín dụng, giúp nhận diện chính xác danh tính của hơn 27 triệu tài khoản đã mở qua eKYC và giảm thiểu rủi ro gian lận (Lê Thị Thúy Sen, 2026).
- Ban hành khung pháp lý về đạo đức AI và bảo mật dữ liệu: Sớm ban hành các tiêu chuẩn cụ thể về việc sử dụng AI trong lĩnh vực tài chính để hạn chế rủi ro mô hình và bảo vệ quyền lợi thông tin cá nhân của người vay.
Tài liệu tham khảo:
| Ngày nhận bài: 15/4/2026; Ngày hoàn thiện biên tập: 20/5/2026; Ngày duyệt đăng: 17/6/2026 |
