Vì sao Capital One không phụ thuộc hoàn toàn vào mô hình AI có sẵn

## AI Agent có thể tự tối ưu hạ tầng thay cho những thử nghiệm thủ công

AI của Capital One không chỉ phục vụ khách hàng. Ngân hàng còn phát triển một hệ thống tác nhân tự động nhằm hỗ trợ các nhà nghiên cứu tối ưu hạ tầng máy chủ phía sau.

Trong môi trường vận hành mô hình ngôn ngữ lớn, các kỹ thuật tối ưu mới xuất hiện thường xuyên. Nhưng hai phương pháp đều có vẻ tốt khi xét riêng lẻ chưa chắc mang lại kết quả tốt hơn khi kết hợp. Một cấu hình có thể cải thiện hiệu suất ở điều kiện này nhưng lại khiến hệ thống chậm hơn trong điều kiện khác.

Capital One xây dựng một hệ thống AI có thể khảo sát không gian cấu hình do nhà nghiên cứu xác định, tự thực hiện các bước chuẩn bị và chạy thử nghiệm, sau đó tổng hợp kết quả để con người xem xét.

Thay vì phải tự thiết lập từng thử nghiệm, theo dõi kết quả và so sánh thủ công, nhà nghiên cứu nhận được một bản tổng hợp để xác định tổ hợp tối ưu cho độ trễ thấp hơn.

Ứng dụng này cho thấy AI Agent không nhất thiết phải trực tiếp tương tác với khách hàng mới tạo ra giá trị. Trong nhiều doanh nghiệp, những công việc hậu trường như kiểm thử, tối ưu hạ tầng, phân tích dữ liệu và chuẩn bị báo cáo có thể là điểm khởi đầu phù hợp hơn.

Lý do rất thực tế. Những công việc này thường có mục tiêu tương đối rõ, kết quả có thể đo lường và phạm vi thử nghiệm có thể giới hạn. Đây là các điều kiện thuận lợi để kiểm tra hiệu quả của hệ thống tự động trước khi trao cho AI quyền xử lý những quy trình nhạy cảm hơn.

## Định tuyến nhiều mô hình có thể cải thiện cả chi phí lẫn độ chính xác

Một xu hướng mà Capital One dự đoán sẽ phát triển là lớp định tuyến mô hình. Thay vì gửi mọi yêu cầu đến cùng một mô hình, nền tảng có thể lựa chọn mô hình phù hợp với từng loại nhiệm vụ dựa trên độ chính xác, chi phí và các tiêu chí đã được kiểm chứng.

Lập luận của Vanee là các mô hình khác nhau có thể mạnh ở những lĩnh vực khác nhau. Vì vậy, một hệ thống biết cách lựa chọn hoặc phối hợp giữa nhiều mô hình có khả năng đạt kết quả tốt hơn việc phụ thuộc vào một mô hình đơn lẻ.

Chẳng hạn, một yêu cầu đơn giản có thể được xử lý bằng mô hình ít tốn kém hơn. Một nhiệm vụ cần suy luận phức tạp có thể được chuyển sang mô hình có năng lực phù hợp hơn. Những kết quả quan trọng có thể đi qua thêm bước xác thực trước khi được sử dụng.

Đây là hướng phát triển có ý nghĩa đối với doanh nghiệp vì nhu cầu AI không đồng nhất. Một ngân hàng có thể cần xử lý khối lượng lớn yêu cầu thông thường, đồng thời phải dành nguồn lực tốt hơn cho các trường hợp gian lận phức tạp.

Tuy nhiên, định tuyến không tự động bảo đảm độ chính xác cao hơn. Hệ thống phải xác định được loại nhiệm vụ, đo lường hiệu quả từng mô hình và có quy tắc xử lý khi các mô hình đưa ra kết quả khác nhau. Nếu lựa chọn sai hoặc chuyển đổi quá nhiều lần, lợi ích có thể bị bù trừ bởi độ trễ và chi phí điều phối.

Vì thế, giá trị nằm ở năng lực đánh giá và lựa chọn mô hình dựa trên dữ liệu thực tế, không chỉ ở số lượng mô hình được tích hợp.

## AI chủ động có thể thay đổi cách doanh nghiệp phát hiện gian lận

Capital One cũng dự đoán AI sẽ dịch chuyển từ hệ thống chỉ phản hồi khi có yêu cầu sang hệ thống chủ động dựa trên sự kiện.

Trong mô hình tương tác truyền thống, con người đưa ra yêu cầu rồi AI mới bắt đầu xử lý. Với AI hướng sự kiện, hệ thống có thể theo dõi các điều kiện được xác định trước và khởi động quy trình khi phát hiện tín hiệu cần hành động.

Trong lĩnh vực tài chính, khả năng này có thể hỗ trợ giám sát quy mô lớn hơn và giúp nhân viên chú ý sớm đến những tình huống có dấu hiệu bất thường. Thay vì đợi một nhân viên chủ động tìm kiếm thông tin, hệ thống có thể phát hiện một sự kiện phù hợp với quy tắc giám sát và đưa nó vào quy trình xem xét.

Đây là khác biệt quan trọng giữa tự động hóa phản hồi và tự động hóa giám sát. AI không chỉ giúp hoàn thành công việc nhanh hơn sau khi được yêu cầu, mà còn có thể giúp tổ chức nhận biết nơi cần hành động.

Tuy nhiên, hệ thống chủ động cũng đòi hỏi kiểm thử và giám sát nghiêm ngặt. Nếu ngưỡng phát hiện được thiết lập không tốt, AI có thể tạo quá nhiều cảnh báo sai hoặc bỏ sót sự kiện quan trọng. Khi hệ thống có quyền thực hiện hành động thay vì chỉ đưa ra đề xuất, yêu cầu về phân quyền, lưu vết và cơ chế dừng càng trở nên quan trọng.

Đối với các nghiệp vụ tài chính, thiết kế phù hợp thường cần phân biệt rõ giữa phát hiện tín hiệu, đề xuất phương án và thực hiện hành động. Không phải mọi quyết định đều nên được tự động hóa ở cùng một mức độ.

## Mô hình mở mang lại lợi ích gì và tạo ra những thách thức nào?

Lựa chọn mô hình có trọng số mở cho phép Capital One tùy chỉnh mô hình theo dữ liệu và nhu cầu của mình, thay vì chỉ dựa vào năng lực mà một nhà cung cấp bên ngoài cung cấp sẵn.

Lợi ích tiềm năng nằm ở khả năng kiểm soát sâu hơn đối với hành vi mô hình và mức độ phù hợp với nghiệp vụ. Khi được kết hợp với dữ liệu độc quyền, một mô hình có thể hiểu tốt hơn các thuật ngữ, quy trình và quy tắc riêng của tổ chức.

Nhưng mô hình mở không loại bỏ mọi thách thức. Doanh nghiệp vẫn cần năng lực kỹ thuật để tinh chỉnh, đánh giá, triển khai và duy trì hệ thống. Họ cũng phải kiểm tra điều khoản giấy phép, bảo mật dữ liệu, hiệu quả vận hành và những giới hạn của mô hình trong từng trường hợp sử dụng.

Tương tự, xây dựng nền tảng AI nội bộ không đồng nghĩa với việc phải tự phát triển mọi thành phần. Capital One kết hợp mô hình có sẵn với dữ liệu riêng, quy trình điều phối và cơ chế quản trị do mình xây dựng. Đây là lựa chọn giữa việc kiểm soát những thành phần tạo ra khác biệt và tận dụng những thành phần đã có trên thị trường.

Bài học quan trọng không phải mọi doanh nghiệp đều cần tự huấn luyện mô hình. Đó là doanh nghiệp nên xác định phần nào của hệ thống thực sự tạo ra lợi thế cạnh tranh để quyết định đầu tư tương ứng.

## Mô hình kinh doanh của AI doanh nghiệp đang dịch chuyển

Cách tiếp cận của Capital One phản ánh một thay đổi trong cách đánh giá hiệu quả AI. Nếu chỉ tập trung vào mô hình, doanh nghiệp dễ bị cuốn vào cuộc đua về năng lực tổng quát. Nhưng trong vận hành thực tế, giá trị còn phụ thuộc vào dữ liệu, độ trễ, khả năng kiểm tra, chi phí và mức độ tích hợp với quy trình sẵn có.

Một nền tảng đa tác nhân có thể tạo ra lợi thế khi nhiều bộ phận cùng sử dụng những thành phần chung. Dữ liệu và chính sách được tùy chỉnh cho tổ chức; các tác nhân chia nhiệm vụ thành những bước cụ thể; lớp quản trị giúp kiểm soát hoạt động; và hệ thống định tuyến có thể lựa chọn mô hình phù hợp cho từng yêu cầu.

Những thành phần này có thể làm giảm nhu cầu xây dựng một giải pháp độc lập cho mỗi ứng dụng. Chúng cũng giúp doanh nghiệp duy trì cách tiếp cận nhất quán khi mở rộng AI sang các bộ phận mới.

Tuy nhiên, không thể kết luận từ những ví dụ được trình bày rằng Capital One đã chứng minh một mức tiết kiệm chi phí cụ thể trên toàn doanh nghiệp. Nội dung gốc không đưa ra số liệu định lượng tổng thể về chi phí, doanh thu hay mức cải thiện năng suất của các ứng dụng. Vì vậy, giá trị ở đây nằm chủ yếu ở kiến trúc, quy trình triển khai và các trường hợp sử dụng được mô tả.

## Doanh nghiệp Việt Nam có thể áp dụng bài học nào?

Đối với ngân hàng, công ty bảo hiểm, thương mại điện tử và logistics tại Việt Nam, kinh nghiệm từ Capital One gợi ra một số hướng triển khai đáng cân nhắc.

Trước tiên, nên lựa chọn quy trình có khối lượng công việc lớn, nhiều thao tác lặp lại và tiêu chí đánh giá rõ ràng. Tóm tắt cuộc gọi, phân loại yêu cầu hỗ trợ, tổng hợp hồ sơ và kiểm tra tài liệu có thể là những điểm bắt đầu để thử nghiệm.

Tiếp theo, doanh nghiệp cần xây dựng nền tảng dữ liệu đủ tin cậy. Nếu thông tin nằm rải rác ở nhiều hệ thống, thiếu chuẩn hóa hoặc không được cập nhật, mô hình AI khó đưa ra kết quả nhất quán. Dữ liệu nội bộ chỉ trở thành lợi thế khi được quản lý đúng cách và có thể truy xuất theo quyền hạn phù hợp.

Doanh nghiệp cũng nên thiết kế quy trình có nhiều bước kiểm tra đối với những nhiệm vụ nhạy cảm. Có thể dùng một tác nhân để xử lý yêu cầu, một tác nhân khác để xác thực kết quả và yêu cầu nhân viên phê duyệt trước khi thực hiện hành động có rủi ro cao.

Cuối cùng, cần đo lường bằng chỉ số vận hành thực tế. Thời gian xử lý, tỷ lệ sai sót, số lần phải làm lại, mức độ hài lòng của khách hàng và tổng chi phí cho một nhiệm vụ hoàn thành sẽ hữu ích hơn việc chỉ so sánh điểm benchmark của các mô hình.

Với doanh nghiệp chưa có đội ngũ kỹ thuật AI chuyên sâu, không nhất thiết phải xây dựng toàn bộ nền tảng ngay từ đầu. Có thể bắt đầu bằng một ứng dụng giới hạn, kiểm chứng hiệu quả rồi từng bước mở rộng kiến trúc khi nhu cầu và năng lực vận hành đã rõ ràng hơn.

## Tương lai AI doanh nghiệp thuộc về hệ thống được thiết kế tốt

Capital One đang đặt trọng tâm vào sự kết hợp giữa mô hình có trọng số mở, dữ liệu độc quyền, kiến trúc đa tác nhân và quản trị tập trung. Các ví dụ từ xử lý cuộc gọi gian lận đến trợ lý mua sắm ô tô và tối ưu hạ tầng cho thấy cùng một tư duy kiến trúc có thể phục vụ nhiều nhóm công việc.

Điểm cốt lõi không nằm ở việc có bao nhiêu tác nhân hay sử dụng mô hình nào. Điều quan trọng là từng thành phần có vai trò rõ ràng, kết quả có thể kiểm tra và toàn bộ quy trình đáp ứng yêu cầu về chi phí, độ trễ và chất lượng.

Trong giai đoạn tiếp theo, định tuyến nhiều mô hình và AI chủ động theo sự kiện có thể mở rộng thêm khả năng tự động hóa. Nhưng để biến tiềm năng thành giá trị, doanh nghiệp phải đầu tư đồng thời vào dữ liệu, đánh giá, bảo mật và giám sát.

Bài học từ Capital One vì vậy khá rõ ràng. Xây dựng AI không chỉ là lựa chọn một mô hình thông minh rồi kết nối vào ứng dụng. Đó là thiết kế một hệ thống có thể sử dụng dữ liệu riêng, chia công việc hợp lý, kiểm tra kết quả và vận hành có trách nhiệm trên quy mô lớn.

---

Capital One AI, AI đa tác nhân, AI ngân hàng, mô hình mở, AI Agent, dữ liệu độc quyền, MACAW workflow, Chat Concierge, AI phát hiện gian lận, định tuyến mô hình, quản trị AI, tự động hóa ngân hàng, AI doanh nghiệp, tối ưu AI, AI Việt Nam