Goldman Sachs mở rộng việc sử dụng vận hành của Anthropic Claude trong kế toán giao dịch và onboarding khách hàng

Các tổ chức tài chính lớn đang thúc đẩy nhanh các thử nghiệm với trí tuệ nhân tạo sinh tạo, và Goldman Sachs hiện đang mở rộng nền tảng Claude của Anthropic trên nhiều quy trình hậu cần.

Goldman Sachs đưa trí tuệ nhân tạo sinh tạo vào bộ phận hậu cần

Goldman Sachs dự định triển khai mô hình Claude của Anthropic trong kế toán giao dịch và onboarding khách hàng, xem việc triển khai này như một phần của chiến dịch lớn hơn của các ngân hàng lớn nhằm sử dụng trí tuệ nhân tạo sinh tạo để nâng cao hiệu quả. Mục tiêu ban đầu là tập trung vào các quy trình vận hành nằm ở bộ phận hậu cần và trước đây dựa vào các nhóm lớn xử lý kiểm tra tài liệu, đối chiếu và kiểm tra tuân thủ.

Một số ngân hàng đã áp dụng trí tuệ nhân tạo sinh tạo vào công việc kiến thức. JPMorgan Chase cung cấp cho nhân viên bộ công cụ mô hình ngôn ngữ lớn để truy xuất thông tin và phân tích dữ liệu. Hơn nữa, Ngân hàng Mỹ sử dụng trợ lý Erica để trả lời các câu hỏi nội bộ về công nghệ và nhân sự. Citi và Goldman đều dựa vào các công cụ AI để hỗ trợ các nhà phát triển trong các nhiệm vụ lập trình, cho thấy các triển khai ban đầu tập trung nhiều hơn vào nghiên cứu và phát triển phần mềm hơn là vận hành.

Tuy nhiên, báo cáo của American Banker ghi nhận một xu hướng mới: sử dụng trí tuệ nhân tạo sinh tạo cho các hoạt động vận hành như kế toán giao dịch và kiểm tra khách hàng (KYC). Điều này đánh dấu sự chuyển đổi từ các trường hợp sử dụng mang tính phân tích thuần túy sang tự động hóa các quy trình có khối lượng giao dịch lớn, ảnh hưởng trực tiếp đến hoạt động ngân hàng hàng ngày.

Tự động hóa các trường hợp ngoại lệ trong KYC và đối chiếu

Nhiều quy trình ngân hàng có thể tự động hóa dựa trên quy tắc, liên quan đến thu thập dữ liệu, xác thực dữ liệu với các cơ sở dữ liệu nội bộ và bên ngoài, và tạo các tài liệu cần thiết. Trong lý thuyết, phần lớn công việc này đã được phần mềm truyền thống xử lý. Tuy nhiên, Marco Argenti, giám đốc công nghệ của Goldman, cho rằng ngay cả khi nền tảng dựa trên quy tắc giải quyết hầu hết các trường hợp, thì một tỷ lệ nhỏ các giao dịch nằm ngoài các tham số đã định sẵn và tạo ra hàng nghìn ngoại lệ quy mô lớn.

Ông lấy ví dụ xác minh danh tính trong tuân thủ KYC như một ví dụ điển hình. Những sai lệch nhỏ trong hồ sơ hoặc tài liệu của khách hàng gần ngày hết hạn có thể tạo ra các trường hợp ngoại lệ cần đánh giá của con người. Hơn nữa, các ngoại lệ này thường tập trung trong các môi trường có khối lượng lớn, khiến việc xem xét thủ công tốn kém và chậm chạp.

Argenti cho biết mạng neural có thể xử lý các quyết định nhỏ này vì chúng áp dụng lý luận dựa trên ngữ cảnh khi các quy tắc cố định thiếu hoặc mơ hồ. Trong thiết lập này, trí tuệ nhân tạo sinh tạo bổ sung cho các hệ thống quy tắc hiện có chứ không thay thế chúng. Lợi ích vận hành đến từ việc giảm tỷ lệ các trường hợp cần can thiệp thủ công, từ đó rút ngắn thời gian giải quyết ngoại lệ và nâng cao hiệu quả xử lý trực tiếp.

Bài học từ phát triển phần mềm hỗ trợ AI

Công việc trước đây của Goldman với Claude trong phát triển phần mềm nội bộ đã giúp họ quyết định mở rộng AI sang các lĩnh vực vận hành khác. Các nhà phát triển của ngân hàng sử dụng phiên bản Claude kết hợp với Devin của Cognition để hỗ trợ quy trình lập trình. Trong quá trình này, kỹ sư con người xác định các đặc điểm kỹ thuật và giới hạn pháp lý, sau đó agent tạo mã, và các nhà phát triển xem xét, chỉnh sửa kết quả.

Agent Devin còn chạy các bài kiểm tra và xác nhận mã. Argenti mô tả thiết lập này như một sự thay đổi cấu trúc trong quy trình làm việc của các nhà phát triển, với các agent AI hoạt động theo hướng dẫn rõ ràng. Hơn nữa, sự kết hợp giữa lập trình dựa trên đặc điểm kỹ thuật và kiểm thử tự động đã nâng cao năng suất của nhà phát triển và rút ngắn thời gian hoàn thành dự án.

Kinh nghiệm này đã thuyết phục Goldman rằng các agent AI có thể xử lý an toàn các nhiệm vụ có phạm vi hẹp trong môi trường có quy định, miễn là trách nhiệm được phân chia rõ ràng giữa con người và hệ thống. Tuy nhiên, lớp xem xét của con người vẫn giữ vai trò trung tâm, đặc biệt khi kết quả có ảnh hưởng đến quy định hoặc rủi ro.

Từ lập trình đến quy trình vận hành dựa trên tài liệu

Trong các quy trình kế toán giao dịch và onboarding khách hàng, các lãnh đạo dự án của Goldman và Anthropic đã quan sát các quy trình hiện có cùng các chuyên gia lĩnh vực để xác định các điểm nghẽn. Các agent AI đã được triển khai để xem xét tài liệu, trích xuất thực thể, xác định xem có cần thêm tài liệu hay không, đánh giá cấu trúc sở hữu, và kích hoạt các kiểm tra tuân thủ bổ sung khi cần thiết. Những nhiệm vụ này thường dựa nhiều vào tài liệu và đòi hỏi đánh giá cá nhân, phù hợp để hỗ trợ ra quyết định bằng AI.

Bằng cách tự động hóa việc trích xuất và đánh giá sơ bộ, các agent giảm thời gian các nhà phân tích dành cho công việc so sánh thủ công. Tuy nhiên, chúng không thay thế quyết định cuối cùng. Thay vào đó, chúng cung cấp dữ liệu có cấu trúc và các bước tiếp theo đề xuất, giúp các chuyên gia tập trung vào các trường hợp phức tạp hoặc có rủi ro cao thay vì xử lý hồ sơ định kỳ.

Indranil Bandyopadhyay, nhà phân tích chính tại Forrester, giải thích rằng đối chiếu trong kế toán giao dịch đòi hỏi so sánh dữ liệu rời rạc từ các sổ cái nội bộ, xác nhận của đối tác và sao kê ngân hàng. Quy trình điển hình phụ thuộc vào việc trích xuất chính xác và đối chiếu các số liệu và văn bản từ nhiều tài liệu. Trong bối cảnh này, Claude của Anthropic được xem như một cách để xử lý bước đối chiếu dựa trên tài liệu này ở quy mô lớn.

Tại sao Claude phù hợp với các trường hợp sử dụng đối chiếu và onboarding

Bandyopadhyay nhận xét rằng khả năng xử lý các cửa sổ ngữ cảnh lớn và theo dõi hướng dẫn chi tiết của Claude khiến nó phù hợp với các quy trình đối chiếu phức tạp. Đối với onboarding khách hàng, các nhà phân tích phải phân tích hộ chiếu và hồ sơ đăng ký doanh nghiệp, sau đó đối chiếu tất cả các nguồn dữ liệu. Hơn nữa, việc diễn giải các tài liệu không cấu trúc làm tăng độ phức tạp mà các công cụ dựa trên quy tắc truyền thống gặp khó khăn trong quản lý hiệu quả.

Trong môi trường này, khả năng của AI trong việc trích xuất dữ liệu có cấu trúc, làm nổi bật các bất thường và cảnh báo các tài liệu thiếu là rất phù hợp. Kết quả là giảm khối lượng công việc tổng thể cho các nhà phân tích và rút ngắn chu kỳ onboarding cho khách hàng, đồng thời vẫn duy trì các tiêu chuẩn quản trị cần thiết trong ngành ngân hàng.

Điều quan trọng, Bandyopadhyay nhấn mạnh rằng các nền tảng kế toán và tuân thủ vẫn là hệ thống ghi nhận chính thức. Claude nằm trong lớp quy trình, chịu trách nhiệm trích xuất và so sánh, trong khi các nhà phân tích con người xử lý các ngoại lệ mà mã nguồn phát hiện. Theo ông, giá trị vận hành trong các lĩnh vực có quy định chặt chẽ như ngân hàng nằm ở sự phân chia công việc này hơn là tự động hóa hoàn toàn.

Quản lý rủi ro, không chắc chắn và giám sát con người

Jonathan Pelosi, trưởng bộ phận dịch vụ tài chính tại Anthropic, cho biết Claude được huấn luyện để phát hiện ra sự không chắc chắn và cung cấp nguồn gốc, tạo ra một dấu vết kiểm toán giúp giảm thiểu các hiện tượng hallucination. Hơn nữa, các lựa chọn thiết kế này nhằm làm cho hành vi của AI minh bạch hơn đối với các nhóm quản lý rủi ro và cơ quan quản lý bằng cách liên kết kết quả với các bằng chứng hỗ trợ.

Bandyopadhyay cũng nhấn mạnh tầm quan trọng của giám sát và xác nhận của con người, khuyến khích các tổ chức thiết kế hệ thống sao cho lỗi có thể phát hiện sớm trong quy trình làm việc. Tuy nhiên, ông thừa nhận rằng khi được giám sát đúng cách, các agent AI có thể xử lý phần lớn các kiểm tra và so sánh lặp đi lặp lại nhanh hơn nhiều so với nhân viên con người.

Marco Argenti của Goldman bác bỏ ý kiến cho rằng hệ thống AI vốn dĩ dễ bị lừa hơn con người. Ông lập luận rằng các cuộc tấn công xã hội chủ yếu khai thác điểm yếu của con người, trong khi các mô hình AI có thể phát hiện các bất thường tinh vi ở quy mô lớn. Tuy nhiên, ông nhấn mạnh rằng thiết lập tối ưu là kết hợp đánh giá của con người với kiểm tra tự động trong các nhóm tích hợp.

Ảnh hưởng đến hoạt động ngân hàng

Theo Argenti, sự kết hợp này đồng nghĩa với việc tăng đáng kể năng lực vận hành mà không cần tăng nhân sự tương ứng, ngay cả khi đã có các vấn đề về triển khai AI. Hơn nữa, nó giúp các ngân hàng quản lý khối lượng quy định và tài liệu ngày càng tăng trong khi giữ kiểm soát tăng trưởng nhân sự.

Trong toàn ngành ngân hàng, trí tuệ nhân tạo sinh tạo đang nổi lên như một công cụ để nâng cao hiệu suất vận hành bằng cách thúc đẩy xử lý tài liệu nhanh hơn, giảm thời gian xử lý ngoại lệ và tăng năng suất trong các quy trình có khối lượng lớn. Tuy nhiên, nhu cầu giám sát của con người vẫn còn, buộc các tổ chức phải duy trì các hệ thống ghi nhận và cấu trúc quản trị hiện có, sử dụng AI chủ yếu để tối ưu các lớp trên chúng.