7 Ứng dụng của AI để giúp Quản lý Tài sản nâng cao Hiệu quả và Năng suất trước những Thách thức của Thị trường

Stuart Grant là Giám đốc mảng Thị trường vốn, Quản lý Tài sản và Quản lý Tài sản/Tài sản cá nhân tại SAP.

Khám phá tin tức và sự kiện fintech hàng đầu!

Đăng ký nhận bản tin từ FinTech Weekly

Được đọc bởi các lãnh đạo tại JP Morgan, Coinbase, Blackrock, Klarna và hơn thế nữa

Từ việc nén phí đến những thay đổi bất lợi trong điều kiện kinh tế vĩ mô, cho đến các khoản đầu tư công nghệ ngày càng tăng nhưng vẫn chưa mang lại hiệu quả như kỳ vọng, các tổ chức quản lý tài sản đang phải đối mặt với những lực cản đáng kể khi lịch chuyển sang năm 2026.

Trong một phân tích năm 2025 về ngành quản lý tài sản toàn cầu, McKinsey & Company, chẳng hạn, đã phát hiện rằng biên lợi nhuận của các nhà quản lý tài sản đã giảm 3 điểm phần trăm ở Bắc Mỹ và 5 điểm phần trăm ở châu Âu trong 5 năm qua do các yếu tố như những yếu tố này.

Nhưng một “van giảm áp” đang ở ngay trước mắt, dưới hình thức các triển khai trí tuệ nhân tạo được nhắm mục tiêu và đặt đúng chỗ. AI dưới nhiều hình thức khác nhau — tạo sinh, tác nhân (agentic), v.v. — đang bắt đầu chứng minh giá trị trong nhiều tình huống sử dụng ở khối front-, middle- và back-office, giúp các nhà quản lý tài sản có phương tiện để nắm bắt các lợi ích mới về năng suất và hiệu quả, xác định và tận dụng các cơ hội kinh doanh sinh lời mới trước đối thủ. Trong phân tích của mình, dựa trên một cuộc khảo sát các lãnh đạo cấp C (C-level executives) từ các công ty quản lý tài sản trên khắp Bắc Mỹ và châu Âu, McKinsey đã xác định rằng đối với một nhà quản lý tài sản trung bình, tác động tiềm năng từ AI, gen AI và agentic AI “có thể mang tính chuyển đổi, tương đương 25 đến 40 phần trăm cơ sở chi phí của họ.”

Thách thức đặt ra cho các tổ chức quản lý tài sản, vì thế, là xác định nơi nào trong nội bộ tổ chức của họ AI có thể mang lại giá trị lớn nhất.

Triển khai AI để tối đa hóa tác động

Các công ty trong toàn cảnh quản lý tài sản đang ứng dụng AI trên nhiều mặt. Phần lớn hoạt động đó diễn ra trong các tổ chức lớn hơn, nơi có đủ nguồn lực để phát triển năng lực của riêng họ xoay quanh các mô hình ngôn ngữ lớn, các tác nhân AI được nhắm mục tiêu và những thứ tương tự. Nhưng mặt còn lại của đồng tiền AI là nó cũng có thể giúp các nhà quản lý tài sản bên ngoài nhóm các tổ chức Tier One lớn nhất cạnh tranh ngang hàng công bằng hơn với các công ty lớn này.

Hơn nữa, trong khi nhiều tổ chức tập trung đầu tư vào các ca sử dụng AI hướng tới khách hàng, điều quan trọng là không được bỏ qua các cơ hội tạo giá trị bằng các triển khai AI có thể mở rộng khác trên khối front, middle và back offices. Thay vì tìm kiếm các giải pháp điểm có thể không tích hợp tốt với nhau, cách khôn ngoan để tạo giá trị từ AI có thể là nhắm vào các khoản đầu tư “xóa” các bức tường ảo giữa ba lớp văn phòng để tạo hiệu quả, củng cố năng suất, tinh gọn quy trình và cung cấp thông tin tốt hơn cho việc lập kế hoạch và chiến lược.

Nói ngắn gọn, hãy tìm các ca sử dụng AI khuyến khích — và có thể tận dụng — sự luân chuyển dữ liệu tự do hơn trong toàn tổ chức. Dưới đây là một vài ca có vẻ đặc biệt đầy hứa hẹn:

1. Tự động hóa và tăng tốc quá trình đóng sổ tài chính cùng các chức năng tài chính khác. Tài chính theo lịch sử vốn là một lĩnh vực đầy rẫy các quy trình thủ công. Với sự hỗ trợ của các tác nhân AI, các tổ chức quản lý tài sản có cơ hội tự động hóa nhiều quy trình quanh chức năng tài chính, bao gồm việc đóng sổ tài chính cũng như AR, AP, đối soát hóa đơn và các nghiệp vụ tương tự. Trong các kịch bản này, AI có thể hỗ trợ việc tự động hóa tốt hơn quá trình di chuyển dữ liệu. Nó cũng có thể cung cấp cho người dùng nghiệp vụ tài chính các thông báo chủ động – và các kịch bản có thể hành động – về những vấn đề tiềm ẩn chưa được nhận thấy liên quan đến thặng dư/thiếu hụt vốn, điều chỉnh bảng cân đối kế toán và các vấn đề tương tự.

2. Cải thiện quản lý rủi ro thông qua sự liên kết thực sự với tài chính. Dữ liệu từ back office có thể vô cùng giá trị đối với các nhóm quản lý rủi ro ở middle office. Các nhóm đó có thể sử dụng dữ liệu về danh mục nắm giữ của nhà đầu tư, dòng tiền, tính thanh khoản thị trường, margin/collateral, v.v., kết hợp với dữ liệu về hồ sơ khách hàng và dữ liệu truyền thông để nhận diện các tín hiệu sớm về việc khách hàng có thể thực hiện rút vốn (redemptions) và rủi ro thanh khoản liên quan.

3. Xác định và nhanh chóng triển khai các cơ hội về cấu trúc phí và mô hình kinh doanh mới. Các tổ chức có thể yêu cầu các công cụ AI của mình nghiên cứu và mô hình hóa tác động của các thay đổi phí tiềm năng cũng như các mô hình kinh doanh mới. Dữ liệu lịch sử gợi ý điều gì về việc một thay đổi phí sẽ ảnh hưởng ra sao đến các khoản phải thu (accounts receivables)? Có cơ hội nào để tách một khu vực kinh doanh hiện có (chẳng hạn như một nhóm tài sản cụ thể hoặc các quỹ theo khu vực địa lý) thành hai hoặc nhiều phần, hoặc phân nhóm khách hàng khác đi, và nếu có, thì trường hợp kinh doanh (business case) cho các bước đi như vậy mạnh đến mức nào?

4. Cung cấp thông tin cho các quyết định về mở rộng sang sản phẩm hoặc khu vực địa lý mới. Tổ chức của bạn đang cân nhắc một bước đi vào một thị trường địa lý mới đầy triển vọng nhưng tương đối rủi ro. Những bước đi trong quá khứ như vậy đã diễn ra như thế nào về chi phí dự kiến và chi phí thực tế? Tác động về quy định và nhân sự (HR) có khả năng ra sao đối với một bước đi như thế? Một cuộc đối thoại với trợ lý số trợ lý AI tạo sinh (generative AI digital assistant) có thể đưa ra những câu trả lời có giá trị cho các câu hỏi như thế này, qua đó dẫn đến các quyết định chiến lược được cân nhắc tốt hơn.

5. Mô hình hóa các kịch bản “giả định” về tác động tiềm năng của việc tái cân bằng danh mục đối với lợi nhuận trong tương lai cũng như các ưu tiên đầu tư của khách hàng và mức độ chấp nhận rủi ro. Các công cụ AI có thể cung cấp cái nhìn về tác động tiềm năng của những thay đổi như vậy, đồng thời đưa ra các khuyến nghị về thời điểm tối ưu dựa trên các nghĩa vụ phải trả (accounts payable) và các yếu tố khác. Bằng cách liên kết những điều như vậy với dữ liệu, AI giúp giải quyết tình trạng “đứt gãy thông tin” giữa chức năng tài chính và quản lý danh mục ở front office, hỗ trợ việc lập kế hoạch chiến lược và ngân sách sát điểm hơn.

Trong trường hợp của một công ty mà tôi làm việc cùng, chẳng hạn, họ đang tìm cách kết hợp dữ liệu phân bổ danh mục (portfolio-attribution data) về hiệu suất của từng yếu tố trong danh mục của mình với dữ liệu về mức độ chấp nhận rủi ro của khách hàng và cấu trúc phí. Mục tiêu là hiểu rõ hơn các “dội âm” tài chính của việc tái cân bằng danh mục so với kỳ vọng của khách hàng và lợi nhuận trong tương lai.

6. Nâng cao năng suất. Một số giám đốc điều hành quản lý tài sản mà tôi đã trao đổi gần đây cho biết tổ chức của họ đang muốn tăng gấp đôi quy mô tài sản được quản lý mà không cần tăng đáng kể số lượng nhân sự, đơn giản bằng cách tận dụng AI và các tác nhân AI rộng rãi hơn trong toàn tổ chức. Họ đang tạo ra các tác nhân AI và đặt chúng ngay cạnh nhân viên — như những phần mở rộng số của chính những nhân viên đó, về cơ bản là như vậy. Cuối cùng, các mức tăng năng suất mà các tác nhân này mang lại cho phép các công ty quy mô nhỏ và vừa “đấm đúng cân” để cạnh tranh ngang hàng công bằng hơn với các công ty lớn.

7. Nâng cao khả năng phát hiện gian lận trong quá trình thu nhận/tiếp nhận khách hàng. AI rất giỏi trong việc quét và xác thực nhanh chóng tính xác thực của các tài liệu thu nhận (onboarding), xác định ngay cả những bất thường nhỏ nhất (về kích thước phông chữ, định dạng tài liệu, v.v.) có thể gợi ý rằng khách hàng không phải là người họ thể hiện và do đó cần phải sàng lọc kỹ hơn.

Dù các ca sử dụng như thế này có thể tác động mạnh trong một tổ chức quản lý tài sản, việc tối đa hóa giá trị của chúng lại phụ thuộc rất lớn vào chất lượng và khả năng truy cập của dữ liệu cung cấp cho chúng. Trước hết và quan trọng nhất, dữ liệu phải có thể được con người và máy móc hiểu theo cách tự phục vụ (self-service). Thường thì các công ty sẽ trích dữ liệu ra khỏi các ứng dụng nguồn và đưa nó vào một data lake. Tuy nhiên, làm như vậy sẽ loại bỏ những ý nghĩa ngữ nghĩa (semantics) và ngữ cảnh quan trọng gắn với môi trường ứng dụng. Nếu thiếu siêu dữ liệu (metadata) này, đầu ra của AI — và tổng thể tác động — có thể không đạt tối ưu. Vì vậy, trong nhiều trường hợp, các tổ chức sẽ được phục vụ tốt hơn khi giữ dữ liệu đó trong môi trường ứng dụng tự nhiên của nó cùng với siêu dữ liệu đi kèm. Hãy nghĩ dữ liệu trong các ứng dụng này như những “pin” cung cấp năng lượng cho AI tạo sinh, AI dạng tác nhân (agentic AI) và phân tích thông minh trong một tổ chức. Pin càng mạnh, tổ chức quản lý tài sản càng có vị thế tốt hơn để tận dụng các khoản đầu tư AI của họ nhằm “xé toạc” những lực cản mà họ đang phải đối mặt.

Về tác giả

Stuart Grant là Giám đốc mảng Thị trường vốn, Quản lý Tài sản và Quản lý Tài sản/Tài sản cá nhân tại SAP. Trong hơn 20 năm, ông đã làm việc với dữ liệu trong ngành thị trường vốn ở các vai trò bao gồm quản lý sản phẩm, phát triển kinh doanh và quản lý kinh doanh.