Năm 2026, AI gần như đã trở thành tiêu chuẩn chung của ngành dịch vụ tài chính. Theo Cho Seong-hyeon, Giám đốc công nghệ Databricks Korea, yếu tố tạo ra chênh lệch cạnh tranh lúc này không còn là việc doanh nghiệp có AI hay không, mà là khả năng đưa AI vào vận hành thực tế trên quy mô toàn tổ chức.

Trong hơn một thập kỷ qua, AI thường được xem là công nghệ thế hệ mới quyết định năng lực cạnh tranh tương lai của lĩnh vực tài chính. Tuy nhiên, cách nhìn này đang thay đổi nhanh chóng. Ngân hàng, công ty bảo hiểm và các đơn vị quản lý tài sản hiện đều đã thử nghiệm hoặc ứng dụng AI trong hoạt động kinh doanh, trong đó AI tạo sinh đang được thương mại hóa nhanh hơn dự báo trước đó.

Thực tế, khoảng 94% doanh nghiệp dịch vụ tài chính toàn cầu thí điểm hoặc đã vận hành AI tạo sinh trong các nghiệp vụ cốt lõi như an ninh mạng, định giá, quản trị rủi ro và cá nhân hóa sản phẩm.

Tuy nhiên, hiệu quả triển khai AI giữa các doanh nghiệp không đồng đều. Những tổ chức đưa AI vào vận hành thành công có thể đẩy nhanh tốc độ ra quyết định và cắt giảm chi phí vận hành tới 20%. Ở chiều ngược lại, phần lớn doanh nghiệp vẫn chưa đạt được kết quả như kỳ vọng.

Theo Cho Seong-hyeon, vấn đề không nằm ở hiệu năng mô hình hay việc thiếu chiến lược, mà ở năng lực triển khai để mở rộng AI vào môi trường vận hành thực tế. Nút thắt lớn nhất không còn là công nghệ, mà là cấu trúc dữ liệu phân mảnh.

Ông cho rằng việc quy nguyên nhân thất bại của các dự án AI cho mô hình yếu là một ngộ nhận phổ biến. Nhiều nguyên mẫu và dự án PoC có thể hoạt động tốt trong phạm vi thử nghiệm, nhưng số trường hợp thực sự được đưa vào vận hành và tạo ra kết quả kinh doanh vẫn chỉ chiếm tỷ lệ nhỏ.

Khoảng cách giữa giai đoạn thử nghiệm và triển khai thực tế chủ yếu đến từ hạ tầng dữ liệu phức tạp, rời rạc. Với các tổ chức tài chính tại Hàn Quốc, bài toán này còn khó hơn do phải đáp ứng yêu cầu tách biệt mạng, các quy định bảo mật nghiêm ngặt và hướng dẫn quản trị AI từ cơ quan quản lý tài chính.

Các hệ thống CNTT tài chính truyền thống vốn không được thiết kế để vừa xử lý theo thời gian thực, vừa hỗ trợ quy trình AI với cơ chế quản trị thống nhất. Khi doanh nghiệp mở rộng các ứng dụng như phát hiện giao dịch bất thường, định giá động hay dịch vụ cá nhân hóa trên toàn tổ chức, những khoảng trống về tính nhất quán dữ liệu, truy xuất nguồn gốc dữ liệu và kiểm soát vận hành sẽ bộc lộ rõ hơn, từ đó làm suy giảm độ tin cậy của AI.

Theo Databricks, các tổ chức đi trước không chỉ tập trung xây dựng mô hình AI tốt hơn. Điều họ ưu tiên là một nền tảng đủ khả năng đưa AI vào vận hành trên quy mô doanh nghiệp.

Những đơn vị này xem dữ liệu là tài sản chiến lược cốt lõi, tích hợp cơ chế quản trị xuyên suốt toàn bộ vòng đời từ pipeline dữ liệu đến mô hình, thay vì chỉ bổ sung ở khâu cuối. Đồng thời, họ cũng thiết lập cơ chế phối hợp chặt chẽ giữa các nhóm dữ liệu, phân tích và AI.

Cách tiếp cận này giúp rút ngắn thời gian chuyển từ thử nghiệm sang vận hành, đồng thời củng cố niềm tin của khối kinh doanh. Trong môi trường dữ liệu nhất quán, AI tạo sinh không chỉ dừng ở việc phát hiện rủi ro mà còn có thể tự động hóa khâu phản ứng trước các mối đe dọa bảo mật.

Databricks cho biết báo cáo “Triển vọng dịch vụ tài chính 2026” đã nêu ra 8 xu hướng chính đang làm thay đổi cục diện cạnh tranh của ngành tài chính. Mỗi xu hướng có thể không mới, nhưng khi đặt cạnh nhau, chúng cho thấy ngành này đang chuyển sang một nền tảng vận hành mới cho dữ liệu và AI.

Ví dụ, phát hiện giao dịch bất thường theo thời gian thực đòi hỏi dữ liệu streaming đi kèm môi trường dữ liệu có quản trị. Tương tự, mô hình Customer 360 nhằm hợp nhất dữ liệu khách hàng cũng chỉ phát huy hiệu quả khi toàn tổ chức sử dụng các định nghĩa dữ liệu nhất quán.

Trong khi đó, agentic AI với khả năng tự lập kế hoạch và thực hiện nhiều bước công việc chỉ có thể vận hành ổn định nếu các yếu tố như quản trị, truy xuất nguồn gốc dữ liệu và khả năng giám sát được tích hợp xuyên suốt quy trình AI. Nếu những thành phần này tiếp tục được xây dựng rời rạc, doanh nghiệp sẽ sớm chạm trần khi muốn mở rộng AI trên phạm vi toàn tổ chức.

Từ góc nhìn này, trọng tâm cuối cùng vẫn là nền tảng dữ liệu. Theo Cho Seong-hyeon, chiến lược AI rốt cuộc sẽ quay về một câu hỏi cốt lõi: nền tảng dữ liệu hiện tại có đủ năng lực để vận hành AI trên quy mô doanh nghiệp hay không.

Ông nhận định các data stack truyền thống chủ yếu được thiết kế cho báo cáo và phân tích theo lô, khiến lưu trữ, quản trị, mô hình hóa và công cụ triển khai bị chia cắt. Sự phân mảnh này không chỉ làm tăng độ phức tạp của quản trị, gây khó khăn cho kiểm toán và tuân thủ, mà còn kéo theo nhiều tác vụ trùng lặp và kém hiệu quả.

Ngược lại, những doanh nghiệp tạo ra kết quả rõ rệt đang chuyển sang mô hình nền tảng dữ liệu - AI hiện đại, nơi dữ liệu, phân tích và AI được tích hợp trong một môi trường thống nhất.

Trên nền tảng Lakehouse, doanh nghiệp có thể hợp nhất lưu trữ dữ liệu, năng lực tính toán, quản trị và quy trình AI trong cùng một môi trường, qua đó giảm tối đa việc di chuyển dữ liệu không cần thiết và các thao tác lặp lại.

Với Unity Catalog, nền tảng này cung cấp cơ chế kiểm soát truy cập thống nhất, khả năng truy xuất nguồn gốc và công cụ kiểm toán cho dữ liệu, mô hình AI và ứng dụng. Toàn bộ vòng đời phát triển AI, từ khám phá dữ liệu, feature engineering đến triển khai, giám sát và phát hiện model drift, đều có thể được quản lý trong một môi trường duy nhất.

Các workflow như ETL, streaming và pipeline mô hình AI cũng được tích hợp thành quy trình có thể lặp lại và có thể kiểm toán, qua đó nâng hiệu quả vận hành và độ tin cậy. Dựa trên nguồn dữ liệu doanh nghiệp đã được quản trị, tổ chức có thể triển khai AI agent và AI hội thoại để hỗ trợ các workflow tự động, không chỉ dừng ở hỏi - đáp mà còn thực hiện công việc thực tế.

Databricks dẫn ví dụ tại Hàn Quốc, nơi BC Card đã hợp nhất môi trường dữ liệu vốn phân mảnh trước đây lên một nền tảng tích hợp thống nhất trên Databricks. Nhờ đó, doanh nghiệp đưa hoạt động phân tích dữ liệu thanh toán quy mô lớn và môi trường AI/ML về cùng một nơi, đồng thời tăng cường quản trị dữ liệu và nâng cao đáng kể năng lực ứng dụng AI vào bài toán kinh doanh.

Theo Cho Seong-hyeon, lợi thế cạnh tranh không đến từ một công nghệ đơn lẻ hay một tính năng riêng lẻ, mà đến từ mức độ tích hợp và tính nhất quán của nền tảng cho phép dữ liệu, phân tích và AI vận hành như một hệ sinh thái liền mạch.

Ông cho rằng đến cuối năm 2026, cục diện cạnh tranh của ngành tài chính sẽ không còn xoay quanh câu hỏi doanh nghiệp đã triển khai AI hay chưa, mà là đã đưa AI vào vận hành kinh doanh thực tế tới đâu. Những doanh nghiệp đi trước sẽ tiếp tục nới rộng khoảng cách bằng cách nhúng AI vào các nghiệp vụ cốt lõi như đánh giá rủi ro, định giá, dịch vụ khách hàng và phát hiện giao dịch bất thường.

Ngược lại, các doanh nghiệp chưa vượt qua được giai đoạn này nhiều khả năng vẫn dừng ở các dự án thí điểm và tiếp tục bàn về tiềm năng. Ban đầu, khác biệt có thể chưa rõ rệt, nhưng theo thời gian khoảng cách sẽ ngày càng lớn và lợi thế hình thành sớm sẽ rất khó bị san lấp.

Trong bối cảnh cơ quan quản lý tài chính thúc đẩy việc sử dụng AI tạo sinh và hoàn thiện khung quản trị rủi ro, ngành tài chính Hàn Quốc cũng đang đẩy nhanh quá trình đưa AI vào các bài toán kinh doanh thực tế. Khi kỳ vọng của khách hàng tăng lên và áp lực cạnh tranh ngày càng lớn, năng lực chuyển từ thử nghiệm sang vận hành đã trở thành yêu cầu bắt buộc với các tổ chức tài chính.

Theo Databricks, thời kỳ chỉ cần triển khai AI sớm hơn đối thủ để giành lợi thế đã qua. Yếu tố quyết định thành bại của tổ chức tài chính trong năm 2026 sẽ là năng lực gắn AI vào nghiệp vụ cốt lõi và quy trình ra quyết định hàng ngày.