Trong kỷ nguyên số hóa sâu rộng, trí tuệ nhân tạo (AI) đang trở thành công nghệ nền tảng thúc đẩy chuyển đổi trên nhiều lĩnh vực, đặc biệt là tài chính - ngân hàng. Với ngân hàng trung ương (NHTW), AI không chỉ là công cụ kỹ thuật mà còn là động lực thay đổi cách thức phân tích, giám sát và ra quyết định trong môi trường dữ liệu lớn, nhanh và phi cấu trúc.
Các nghiên cứu của Ngân hàng Thanh toán Quốc tế (BIS) cho thấy AI mở ra nhiều cơ hội cho NHTW trong dự báo kinh tế, giám sát tài chính và phát hiện rủi ro sớm. Tuy nhiên, song hành là các thách thức về đạo đức, minh bạch và tính chính danh chính sách.
Nhiều NHTW đã xây dựng khung quản trị AI thích ứng, kết hợp đổi mới công nghệ với kiểm soát rủi ro, nhằm đảm bảo AI hỗ trợ - chứ không thay thế - con người trong hoạch định chính sách. Bài viết này tổng hợp nghiên cứu BIS và đề xuất khuyến nghị cho Việt Nam về cơ hội, rủi ro, năng lực tổ chức - nhân sự, và chiến lược quản trị AI trong NHTW.
Ảnh minh họa: Nguồn Internet
I. Cơ hội và lĩnh vực ứng dụng AI trong NHTW
Việc áp dụng trí tuệ nhân tạo trong NHTW đang diễn ra mạnh mẽ trên phạm vi toàn cầu, đặc biệt trong các lĩnh vực đòi hỏi xử lý lượng lớn dữ liệu và ra quyết định nhanh chóng, chính xác. Những nghiên cứu của BIS cho thấy AI đang hỗ trợ các NHTW hiện đại hóa hoạt động phân tích, tăng cường khả năng cảnh báo sớm và cải thiện hiệu quả vận hành trong môi trường kinh tế ngày càng biến động. Các ứng dụng AI trong NHTW có thể chia thành ba nhóm chính:
1. Hỗ trợ hoạch định chính sách kinh tế - tiền tệ
Việc áp dụng AI trong lĩnh vực hoạch định chính sách kinh tế - tiền tệ đang ngày càng trở nên phổ biến tại các NHTW trên thế giới. AI, đặc biệt là các mô hình học máy và xử lý ngôn ngữ tự nhiên (NLP), đã chứng minh hiệu quả trong việc nâng cao độ chính xác và kịp thời của nhiều dự báo kinh tế vĩ mô, từ đó hỗ trợ các NHTW đưa ra quyết định chính sách phù hợp.
1.1. Nowcasting GDP và lạm phát
Nowcasting là phương pháp dự báo các chỉ số kinh tế hiện tại hoặc trong tương lai gần bằng cách sử dụng dữ liệu thời gian thực. Tại Mỹ, Cục Dự trữ Liên bang chi nhánh New York và Cục Dự trữ Liên bang chi nhánh Atlanta đã triển khai các mô hình nowcasting để ước tính tăng trưởng GDP theo thời gian thực. Ví dụ, mô hình GDPNow của Cục Dự trữ Liên bang chi nhánh Atlanta cập nhật 6 - 7 lần mỗi tháng dựa trên các dữ liệu mới được công bố, giúp cung cấp cái nhìn kịp thời về tình hình kinh tế hiện tại.
Tương tự, Cục Dự trữ Liên bang chi nhánh Cleveland cung cấp các nowcasting hàng ngày về lạm phát cho hai chỉ số giá tiêu dùng phổ biến là PCE và CPI. Mô hình này sử dụng dữ liệu có sẵn ở các tần suất khác nhau, bao gồm giá dầu hàng ngày, giá xăng hàng tuần và các chỉ số lạm phát hằng tháng, để đưa ra dự báo lạm phát trong tháng hoặc quý hiện tại trước khi dữ liệu chính thức được công bố.
1.2. Phân tích dữ liệu phi cấu trúc và truyền thông chính sách
AI cũng được sử dụng để phân tích dữ liệu phi cấu trúc như văn bản, bài phát biểu và truyền thông chính sách. Ví dụ, NHTW châu Âu (ECB) đã sử dụng các mô hình AI để phân tích ngôn ngữ trong các tuyên bố chính sách tiền tệ, giúp hiểu rõ hơn về định hướng chính sách và phản ứng của thị trường.
Ngoài ra, nghiên cứu của Viện Nghiên cứu kinh tế Đức (DIW Berlin) cho thấy việc sử dụng AI để phân tích các tuyên bố của ECB có thể cải thiện độ chính xác trong việc dự đoán những động thái chính sách tiền tệ của ECB, từ khoảng 70% lên 80%.
1.3. Ứng dụng tại các NHTW mới nổi
Các NHTW tại các nền kinh tế mới nổi đang tích cực ứng dụng AI để nâng cao hiệu quả trong hoạch định chính sách kinh tế - tiền tệ:
(i) Ngân hàng Indonesia: Sử dụng các thuật toán học máy để phân tích tác động của hành vi nhà đầu tư nước ngoài đến tỷ giá hối đoái và quyết định chính sách tiền tệ, giúp điều chỉnh chính sách phù hợp với biến động thị trường ngoại hối.
(ii) Ngân hàng Dự trữ Ấn Độ (RBI): Khuyến khích các ngân hàng thương mại áp dụng AI để xử lý và phân tích dữ liệu khiếu nại của khách hàng, nhằm phát hiện sớm những vấn đề như giao dịch sai sót hoặc hành vi bán hàng không đúng quy định, từ đó cải thiện chất lượng dịch vụ và bảo vệ quyền lợi người tiêu dùng.
(iii) NHTW Thái Lan: Triển khai các mô hình học máy có giám sát để phân loại cảm xúc trong các thông cáo báo chí, giúp đánh giá phản ứng của thị trường và điều chỉnh thông điệp truyền thông chính sách một cách hiệu quả hơn.
(iv) Các NHTW trong khu vực COMESA (Châu Phi): Ứng dụng AI để phân tích dữ liệu phi cấu trúc như văn bản và mạng xã hội, nhằm đánh giá kỳ vọng và tâm lý thị trường, hỗ trợ trong việc dự báo lạm phát và tăng trưởng kinh tế.
Những ví dụ trên cho thấy, AI đang trở thành công cụ quan trọng giúp NHTW tại các nền kinh tế mới nổi nâng cao năng lực phân tích và hoạch định chính sách, đồng thời, cải thiện hiệu quả giao tiếp và giám sát thị trường.
2. Tăng cường giám sát và đảm bảo an toàn hệ thống tài chính
AI, đặc biệt là các mô hình học máy, đang trở thành công cụ hỗ trợ đắc lực cho NHTW trong việc phát hiện sớm rủi ro, giám sát hệ thống tài chính và nâng cao năng lực cảnh báo. Thay vì phụ thuộc hoàn toàn vào mô hình kinh tế truyền thống - vốn giả định các mối quan hệ tuyến tính và ổn định - những công cụ AI có khả năng nhận diện các mối tương quan phi tuyến, phát hiện bất thường trong khối lượng dữ liệu lớn, và đưa ra dự báo sát thực hơn trong điều kiện thị trường biến động mạnh.
Một trong những minh chứng tiêu biểu là nghiên cứu Predicting financial market stress with machine learning (BIS Working Paper No. 1250, 3/2025), trong đó các tác giả xây dựng bộ chỉ báo điều kiện thị trường (Market Condition Indicators - MCIs) cho ba thị trường trọng yếu của Hoa Kỳ: Trái phiếu Kho bạc, ngoại hối và tiền tệ liên ngân hàng. Các MCIs này được thiết kế để phản ánh mức độ căng thẳng qua những chỉ báo vi mô như chênh lệch giá mua - bán (bid-ask spreads), sai lệch điều kiện không trọng tài (covered interest parity deviations) và thanh khoản thị trường.
Khi tích hợp MCIs này vào các mô hình học máy như Random Forest và XGBoost, kết quả dự báo phần đuôi trên của phân phối (upper tail - tương ứng với kịch bản căng thẳng tài chính cực đoan) có sai số thấp hơn đáng kể so với các mô hình truyền thống như autoregressive hay quantile regression. Đặc biệt, tại thời điểm dự báo 3 tháng đến 12 tháng, các mô hình AI ghi nhận cải thiện độ chính xác lên đến 27% (so với benchmark).
Điểm đột phá của nghiên cứu nằm ở việc áp dụng Shapley values - một công cụ từ lý thuyết trò chơi - để định lượng mức độ đóng góp của từng biến đầu vào đối với kết quả đầu ra. Thay vì chỉ có kết quả "dự báo đúng/sai", mô hình giờ đây có thể chỉ rõ yếu tố nào (ví dụ: mức độ đầu tư mạo hiểm, biến động đồng GBP, hay dòng vốn toàn cầu) đóng vai trò then chốt trong dự báo khủng hoảng. Điều này giúp tăng tính giải thích của mô hình - một yêu cầu tối quan trọng trong bối cảnh NHTW cần bảo đảm chính danh và minh bạch chính sách.
Ngoài cảnh báo sớm, AI còn được áp dụng trong các lĩnh vực giám sát khác như:
Một là, giám sát tuân thủ và phát hiện gian lận: Các hệ thống AI có thể học từ dữ liệu lịch sử để xác định mô hình hành vi bất thường của tổ chức tín dụng, như giao dịch vòng tránh hạn mức, báo cáo không nhất quán, hay khả năng gian lận tín dụng. Tại Singapore, Cơ quan Quản lý Tiền tệ (MAS) đã triển khai công cụ giám sát phi cấu trúc sử dụng AI để kiểm tra các báo cáo định kỳ của ngân hàng và phát hiện sai lệch logic hoặc dấu hiệu "bình thường bất thường" trong tài chính doanh nghiệp.
Hai là, giám sát báo cáo theo thời gian thực: Với sự phát triển của SupTech (supervisory technology), nhiều NHTW đang triển khai hệ thống phân tích dữ liệu báo cáo theo thời gian thực –- đặc biệt trong giai đoạn khủng hoảng. Ví dụ, NHTW Hà Lan (DNB) đã phát triển hệ thống tự động phân tích dữ liệu kế toán và luồng giao dịch của các tổ chức tài chính để xác định các rủi ro hệ thống đang gia tăng mà các báo cáo định kỳ chưa phản ánh.
Ba là, phân tích mạng lưới và lan truyền rủi ro: AI có thể hỗ trợ NHTW xây dựng bản đồ rủi ro theo cấu trúc liên kết giữa các định chế tài chính, giúp xác định "tổ chức trọng yếu về hệ thống" không chỉ dựa vào quy mô tài sản mà còn dựa vào vai trò trung gian trong mạng lưới tín dụng và thanh khoản. Các công cụ này đang được nghiên cứu và áp dụng tại BIS Innovation Hub (Centre in Switzerland), nơi phát triển các mô hình học sâu để mô phỏng hiệu ứng domino trong hệ thống tài chính xuyên quốc gia.
Tổng thể, AI đang tái định hình cách tiếp cận giám sát của NHTW - từ kiểm tra dựa trên quy định sang giám sát dựa trên dữ liệu và rủi ro thực tế. Tuy nhiên, để triển khai hiệu quả, điều kiện tiên quyết là phải có hạ tầng dữ liệu vững chắc, quy trình kiểm định mô hình thường xuyên, và năng lực giải thích mô hình đủ độ tin cậy cho mục tiêu điều hành chính sách.
3. Cải thiện hiệu quả vận hành nội bộ và dịch vụ công
Bên cạnh hỗ trợ phân tích và giám sát, AI cũng đang góp phần hiện đại hóa quy trình vận hành nội bộ và nâng cao chất lượng dịch vụ công tại các NHTW. Đây là nhóm ứng dụng ít mang tính rủi ro chính sách trực tiếp, nhưng có tiềm năng cải thiện hiệu suất và tối ưu hóa nguồn lực.
3.1. Hỗ trợ quy trình nghiệp vụ nội bộ
AI được sử dụng để tự động hóa nhiều quy trình có tính lặp lại trong hoạt động thường ngày của NHTW như: (i) Phân loại và xử lý văn bản hành chính: Tại NHTW Anh (BoE), các mô hình NLP được sử dụng để phân loại tài liệu, trích xuất thông tin từ báo cáo định kỳ và tự động chuyển tuyến văn bản đến đúng phòng ban xử lý, giảm thời gian lưu chuyển giấy tờ; (ii) Hỗ trợ soạn thảo tài liệu và phát biểu: Một số NHTW tại châu Âu đã thí điểm sử dụng các công cụ sinh ngôn ngữ như GPT để gợi ý nội dung cho bài phát biểu, tóm tắt báo cáo nghiên cứu, hoặc kiểm tra tính nhất quán về mặt ngôn ngữ và thông điệp của các văn bản đối ngoại; (iii) Hỗ trợ phân tích tài chính – pháp lý: AI được ứng dụng trong việc rà soát những văn bản quy phạm pháp luật, đối chiếu điều khoản phức tạp giữa các tài liệu và phát hiện điểm mâu thuẫn, từ đó hỗ trợ công tác pháp chế và ban hành văn bản.
3.2. Nâng cao hiệu quả truyền thông chính sách và tiếp cận công chúng
Nhiều NHTW đã triển khai những công cụ AI để tăng cường tương tác với người dân và các tổ chức tài chính: Một là, Chatbot hỗ trợ thông tin: NHTW Brazil đã phát triển chatbot “DREX” nhằm giải đáp câu hỏi từ công chúng về chính sách tiền tệ, tỷ giá, công cụ kỹ thuật số và các quy định tài chính. Công cụ này được tích hợp trên nền tảng web và ứng dụng di động, hoạt động 24/7. Hai là, dịch thuật và hiệu chỉnh ngôn ngữ: Các công cụ dịch máy và kiểm tra ngữ pháp AI giúp tiết kiệm thời gian và đảm bảo chất lượng bản dịch trong bối cảnh giao tiếp ngày càng nhiều với tổ chức quốc tế. Tại BIS, các công cụ như DeepL, Grammarly và các mô hình nội bộ được sử dụng phổ biến trong khối hỗ trợ và nghiên cứu. Ba là, phân tích phản ứng truyền thông: Một số NHTW sử dụng AI để theo dõi các bài viết báo chí và bài đăng mạng xã hội nhằm phân tích dư luận, nhận diện các hiểu nhầm chính sách, từ đó, điều chỉnh chiến lược truyền thông và củng cố tính minh bạch.
3.3. Quản lý tiền mặt và dự báo nhu cầu
AI cũng được ứng dụng trong các công việc liên quan đến phát hành, phân phối và kiểm kê tiền mặt. Ví dụ: (i) NHTW Canada sử dụng AI để dự báo nhu cầu tiền mặt theo khu vực, tối ưu hóa lịch trình vận chuyển và phân phối tiền mới, đồng thời giảm thiểu chi phí vận hành chuỗi cung ứng tiền mặt; (ii) RBI đang thử nghiệm AI để phát hiện bất thường trong quá trình kiểm đếm và phân loại tiền mặt từ các máy ATM và trung tâm lưu trữ, giúp cải thiện năng lực giám sát luồng tiền vật lý.
II. Khó khăn, thách thức quản trị khi triển khai AI
Song hành với tiềm năng to lớn, AI - nếu không được kiểm soát đúng cách - có thể tạo ra những rủi ro nghiêm trọng về vận hành, pháp lý, đạo đức và cả ổn định hệ thống tài chính. Đặc biệt trong môi trường NHTW, nơi uy tín chính sách và niềm tin thị trường đóng vai trò then chốt, việc triển khai AI cần được đặt trong một khung quản trị cẩn trọng và thích ứng. Theo FSI (2024), cơ quan quản lý tài chính hiện đang đối mặt với ít nhất năm nhóm thách thức chính:
1. Thiếu khả năng giải thích và minh bạch mô hình
Phần lớn các mô hình AI hiện nay - đặc biệt là deep learning hoặc large language models - hoạt động như “hộp đen”, nghĩa là rất khó để giải thích lý do đằng sau một dự báo hoặc quyết định. Điều này tạo rào cản trong kiểm tra logic, truy vết sai sót, cũng như quy trách nhiệm khi xảy ra sự cố. Trong lĩnh vực hoạch định chính sách, nơi đòi hỏi tính chính danh cao, việc sử dụng các công cụ thiếu minh bạch có thể làm suy yếu niềm tin công chúng hoặc tạo ra sai lệch không mong muốn.
2. Thiên lệch dữ liệu và rủi ro đạo đức
AI học từ dữ liệu quá khứ và nếu dữ liệu huấn luyện có thiên lệch (ví dụ: Theo vùng địa lý, giới tính, ngành nghề…), mô hình có thể lặp lại và củng cố những định kiến xã hội không phù hợp. Một ví dụ điển hình là các mô hình chấm điểm tín dụng tại một số quốc gia bị phát hiện có xu hướng đánh giá thấp các cộng đồng thiểu số do sai lệch dữ liệu lịch sử. Đối với NHTW, nếu không có cơ chế kiểm định đạo đức dữ liệu phù hợp, các mô hình AI có thể vô tình tái tạo sự bất công trong hệ thống tài chính.
3. Rủi ro lan truyền và mất ổn định tài chính
Việc nhiều tổ chức cùng sử dụng các mô hình AI giống nhau - hoặc có cách phản ứng tương tự với dữ liệu - có thể tạo ra hành vi "đồng thuận ảo" (herding), khiến thị trường phản ứng mạnh hơn và gây biến động bất thường. Nghiên cứu của BIS từng cảnh báo rằng các thuật toán giao dịch tự động (AI-driven algo-trading) có thể khuếch đại biến động thị trường trong các giai đoạn căng thẳng nếu không được kiểm soát chặt chẽ.
4. Khung pháp lý chưa theo kịp
Phần lớn quy định hiện nay trong lĩnh vực tài chính vẫn được xây dựng dựa trên giả định con người là người đưa ra quyết định chính. Tuy nhiên, với sự tham gia ngày càng sâu của AI trong quá trình ra quyết định - từ đánh giá tín dụng, phân loại rủi ro, đến xử lý khiếu nại - nhiều khoảng trống pháp lý đang xuất hiện: ai chịu trách nhiệm khi AI sai? đâu là giới hạn cho việc tự động hóa quyết định tài chính? liệu một mô hình AI có thể bị buộc tuân thủ chuẩn mực đạo đức như con người?
5. Năng lực giám sát còn hạn chế
Cơ quan giám sát tại nhiều nước, đặc biệt là các nền kinh tế mới nổi, chưa có đủ nguồn lực kỹ thuật và pháp lý để kiểm tra hiệu quả hoạt động của các mô hình AI phức tạp. Thiếu nhân sự có kỹ năng chuyên sâu về dữ liệu, lập trình và đánh giá rủi ro mô hình khiến việc theo dõi AI trong hệ thống tài chính dễ bị động, thậm chí lệ thuộc vào các đánh giá từ chính bên cung cấp dịch vụ AI.
III. Thách thức về nhân sự và văn hóa AI trong NHTW
Dù nhiều NHTW đã nhận diện rõ tiềm năng của AI trong hỗ trợ phân tích và điều hành chính sách, một trong những rào cản lớn nhất hiện nay là hạn chế về nguồn nhân lực chất lượng cao và sự chưa sẵn sàng về văn hóa tổ chức. Không giống như các công nghệ văn phòng thông thường, AI đòi hỏi sự thay đổi mang tính cấu trúc cả về kỹ năng nhân sự, mô hình hợp tác và tư duy đổi mới trong khu vực công.
Theo khảo sát của BIS với 28 NHTW trên thế giới, có tới 90% NHTW được hỏi gặp khó khăn trong việc thu hút và giữ chân nhân lực có kỹ năng về dữ liệu và AI (BIS, 2025). Các nguyên nhân chính bao gồm: Thứ nhất, chênh lệch đãi ngộ: Lương và phúc lợi tại khu vực tư nhân (đặc biệt các công ty công nghệ và fintech) cao hơn đáng kể so với các NHTW, khiến việc cạnh tranh nhân tài rất khó khăn; Thứ hai, quy trình tuyển dụng rườm rà: Các thủ tục hành chính kéo dài và tiêu chí tuyển dụng cứng nhắc khiến NHTW mất đi tính linh hoạt khi tiếp cận nhân lực công nghệ; Thứ ba, thiếu lộ trình phát triển nghề nghiệp: Nhiều NHTW chưa có hệ thống đánh giá, thăng tiến rõ ràng cho các vị trí kỹ thuật số, khiến nhân viên cảm thấy thiếu động lực phát triển dài hạn; Thứ tư, môi trường bảo thủ: Văn hóa tổ chức còn ngại thay đổi, làm giảm sức hấp dẫn đối với thế hệ chuyên gia công nghệ trẻ - vốn đề cao tính sáng tạo và khả năng thử nghiệm.
1. Hai kịch bản về tương lai vai trò của AI trong tổ chức NHTW
BIS phân tích hai kịch bản có thể xảy ra trong giai đoạn tới: Thứ nhất, AI đóng vai trò “đồng hành”: Trong kịch bản này, AI hỗ trợ con người tăng năng suất, giúp chuyên viên NHTW xử lý nhanh khối lượng dữ liệu lớn, lọc ra thông tin trọng yếu và tự động hóa các thao tác lặp lại. Vai trò chính sách vẫn do con người quyết định; Thứ hai, AI trở thành “tác nhân” (Agent): Đây là kịch bản AI có khả năng thực hiện tác vụ độc lập - chẳng hạn như phân loại rủi ro tổ chức tài chính, khuyến nghị chính sách tiền tệ, hoặc đánh giá độ ổn định hệ thống dựa trên luồng dữ liệu thời gian thực. Trường hợp này đòi hỏi tái cơ cấu lực lượng lao động, chuyển từ mô hình chuyên viên phân tích sang giám sát mô hình và kiểm định đầu ra.
2. Định hướng nhân sự chiến lược cho NHTW trong kỷ nguyên AI
Để thích ứng với sự chuyển dịch này, BIS đề xuất các NHTW cần triển khai đồng bộ các giải pháp về nhân sự và tổ chức:
Một là, tái đào tạo đội ngũ hiện hữu (reskilling): Tập trung nâng cao kỹ năng dữ liệu, thống kê, sử dụng công cụ AI, nhưng đồng thời củng cố nền tảng tư duy phản biện, phân tích chính sách và đạo đức công vụ;
Hai là, tạo điều kiện luân chuyển nội bộ: Khuyến khích chuyên viên từ các phòng ban nghiệp vụ sang hỗ trợ khối công nghệ và ngược lại, từ đó tạo ra các nhóm chuyên môn giao thoa giữa kỹ thuật - tài chính - quản trị;
Ba là, phát triển các vị trí chuyên biệt mới: (i) Chuyên gia kỹ thuật AI/ML nội bộ (AI engineers); (ii) Cán bộ đạo đức dữ liệu (data ethics officers); (iii) Chuyên viên kiểm thử mô hình (model validators); (iv) Chuyên viên truyền thông AI trong khu vực công quyền.
Bốn là, thiết kế hành lang pháp lý linh hoạt cho tuyển dụng: Cho phép thực hiện hợp đồng ngắn hạn, cố vấn kỹ thuật hoặc đối tác học thuật trong lĩnh vực AI; mở rộng cơ chế tài trợ nghiên cứu AI tại các trường đại học và viện nghiên cứu có liên kết với NHTW.
Khả năng thành công trong ứng dụng AI không chỉ phụ thuộc vào công nghệ, mà nằm ở năng lực tổ chức, hệ thống khuyến khích phù hợp và môi trường nuôi dưỡng đổi mới sáng tạo. Trong vai trò định hướng chính sách quốc gia, các NHTW cần chủ động đầu tư cho nhân lực tương lai như một thành tố chiến lược, không thể trì hoãn.
IV. Khuyến nghị của BIS về khung quản trị AI trong NHTW
Trong báo cáo chuyên đề “Governance of AI adoption in central banks” (2025), BIS nhấn mạnh rằng việc triển khai AI trong các NHTW không thể chỉ giới hạn ở góc độ công nghệ, mà cần được đặt trong một khung quản trị thích ứng, bảo đảm tính hiệu quả, an toàn và có thể kiểm chứng, đồng thời, giữ vững nguyên tắc con người là trung tâm của quá trình ra quyết định.
Trước hết, BIS đề xuất rằng các NHTW cần phân loại và đánh giá mức độ rủi ro của từng ứng dụng AI, dựa trên mức độ tự động hóa quyết định, phạm vi ảnh hưởng đến thị trường hoặc người dân và mức độ phức tạp hoặc thiếu minh bạch của mô hình. Những ứng dụng có rủi ro cao - chẳng hạn như AI trong giám sát hệ thống tài chính, xử lý dữ liệu cá nhân, hoặc hỗ trợ chính sách tiền tệ - cần được đặt dưới cơ chế kiểm soát chặt chẽ hơn so với các ứng dụng vận hành thông thường như Chatbot hoặc phân tích văn bản nội bộ.
Trên cơ sở đó, BIS khuyến nghị các NHTW nên tích hợp quản trị AI vào khung kiểm soát rủi ro hiện hành thông qua mô hình ba tuyến phòng thủ. Tuyến thứ nhất thuộc về các đơn vị trực tiếp sử dụng và quản lý mô hình AI, chịu trách nhiệm bảo đảm mục tiêu sử dụng rõ ràng, vận hành đúng quy trình, đồng thời thiết lập cơ chế xử lý sai lệch mô hình. Tuyến thứ hai là bộ phận kiểm soát nội bộ, có nhiệm vụ đánh giá định kỳ hiệu quả mô hình, độ ổn định, khả năng giải thích và rủi ro đạo đức liên quan. Trong khi đó, tuyến thứ ba là giám sát độc lập từ ban điều hành hoặc kiểm toán nội bộ, đặc biệt trong các trường hợp AI được sử dụng trong lĩnh vực nhạy cảm như phân tích chính sách hoặc giám sát hệ thống.
Song song với mô hình phòng thủ ba tuyến, BIS cũng khuyến nghị các NHTW cần ban hành một bộ quy tắc đạo đức về AI trong khu vực công. Bộ quy tắc này nên bao gồm các nguyên tắc cốt lõi như công bằng, minh bạch, bảo mật, tôn trọng quyền cá nhân và trách nhiệm giải trình. Mỗi hệ thống AI cần có người chịu trách nhiệm định danh, dù quyết định cuối cùng là do AI đề xuất hay con người phê duyệt. Đây là điều kiện tiên quyết để duy trì niềm tin của công chúng vào tính chính danh trong hoạt động điều hành của NHTW.
Ngoài ra, BIS khuyến khích các NHTW thiết lập một vòng đời quản trị cho các mô hình AI, bao gồm các giai đoạn xây dựng - thử nghiệm, phê duyệt - vận hành, giám sát định kỳ, và điều chỉnh - loại bỏ mô hình. Mỗi giai đoạn cần được chuẩn hóa về quy trình, dữ liệu sử dụng, tiêu chí đánh giá và hồ sơ mô hình, bảo đảm khả năng truy xuất và kiểm định độc lập khi cần thiết.
Để bảo đảm tính nhất quán và khả năng liên thông quốc tế, BIS đề xuất các NHTW tích hợp các chuẩn mực quốc tế vào khung quản trị AI nội địa, bao gồm: Bộ nguyên tắc AI của OECD (OECD AI Principles), khung quản lý rủi ro AI của Viện Tiêu chuẩn và Công nghệ Hoa Kỳ (NIST AI RMF) và tiêu chuẩn ISO/IEC 42001:2023 - hệ thống quản lý AI đầu tiên ở cấp độ quốc tế. Việc nội địa hóa linh hoạt các chuẩn mực này sẽ giúp các NHTW duy trì chủ quyền công nghệ, trong khi vẫn đáp ứng yêu cầu về tính minh bạch, khả năng phối hợp và độ tin cậy trong môi trường hợp tác tài chính xuyên biên giới.
V. Kết luận
Các nghiên cứu gần đây của BIS cho thấy AI đang trở thành yếu tố chiến lược trong hiện đại hóa năng lực phân tích, giám sát và hoạch định chính sách của NHTW. Nhờ khả năng xử lý dữ liệu lớn, phát hiện quan hệ phi tuyến và cảnh báo rủi ro theo thời gian thực, AI có thể hỗ trợ đáng kể trong điều hành chính sách tiền tệ, đảm bảo an toàn tài chính và tối ưu hóa vận hành nội bộ.
Tuy nhiên, AI không phải là giải pháp vạn năng. Việc ứng dụng cần đặt trong một khung quản trị linh hoạt, minh bạch và kiểm chứng được, để kiểm soát rủi ro đạo đức, thiên lệch dữ liệu và nguy cơ bất ổn lan truyền. Hiệu quả của AI phụ thuộc vào đội ngũ vận hành hiểu rõ mục tiêu chính sách và được hỗ trợ bởi môi trường tổ chức khuyến khích đổi mới nhưng đảm bảo kỷ cương.
Trong bối cảnh Việt Nam đang đẩy mạnh chuyển đổi số, việc nghiên cứu, thử nghiệm và xây dựng khung pháp lý cho AI tại NHNN là cần thiết. Cần ưu tiên gồm xây dựng quy tắc đạo đức AI, đào tạo nhân lực dữ liệu, thí điểm ứng dụng trong phân tích - giám sát, và phát triển năng lực kiểm định mô hình. Để AI phát huy hiệu quả, cần sự kết hợp hài hòa giữa công nghệ, con người và thể chế - đúng như BIS khuyến nghị.
Tài liệu tham khảo:
1. Bank for International Settlements (BIS). (2024). Regulating AI in the financial sector: recent developments and main challenges. FSI Insights No. 63.
https://www.bis.org/fsi/fsipapers63.pdf
2. Bank for International Settlements (BIS). (2025a). Artificial intelligence and human capital: challenges for central banks. BIS Bulletin No. 100.
https://www.bis.org/publ/bisbull100.pdf
3. Bank for International Settlements (BIS). (2025b). Predicting financial market stress with machine learning. BIS Working Paper No. 1250.
https://www.bis.org/publ/work1250.htm
4. Bank for International Settlements (BIS). (2025c). Governance of AI adoption in central banks. Central Bank Governance Group, Consultative Group on Risk Management (CGRM).
https://www.bis.org/publ/cgai1.pdf
5. European Central Bank (ECB). (2024). Natural language processing for policy analysis: a central banking perspective.
https://www.ecb.europa.eu/press/key/date/2024/html/ecb.sp240704_1~e348c05894.en.html
6. Federal Reserve Bank of Atlanta. (n.d.). GDPNow: Real-time tracking of GDP growth.
https://www.atlantafed.org/cqer/research/gdpnow
7. Federal Reserve Bank of Cleveland. (n.d.). Inflation Nowcasting.
https://www.clevelandfed.org/indicators-and-data/inflation-nowcasting
8. Organisation for Economic Co-operation and Development (OECD). (2019). Recommendation of the Council on Artificial Intelligence (OECD AI Principles).
https://legalinstruments.oecd.org/en/instruments/OECD-LEGAL-0449
9. National Institute of Standards and Technology (NIST). (2023). AI Risk Management Framework (AI RMF 1.0).
https://www.nist.gov/itl/ai-risk-management-framework
10. International Organization for Standardization (ISO) & International Electrotechnical Commission (IEC). (2023). ISO/IEC 42001:2023 – Artificial intelligence management system standard.
https://www.iso.org/standard/81230.html
11. Reuters. (2025). Use of AI increases accuracy of predictions of ECB moves, DIW says.
https://www.reuters.com/technology/artificial-intelligence/use-ai-increases-accuracy-predictions-ecb-moves-diw-says-2025-04-16/
Thùy Linh (Vụ Hợp tác quốc tế, NHNN)