Bài học về niềm tin AI từ việc đối soát hơn 100 tỷ giao dịch

Trong bối cảnh làn sóng AI tràn vào mọi ngóc ngách của ngành tài chính, câu chuyện về "niềm tin" và "quản trị dữ liệu" chưa bao giờ quan trọng đến thế. Tác giả Wole Olorunleke, Phó Chủ tịch Hệ thống Tài chính tại Moniepoint – một công ty fintech Nigeria, đã chia sẻ những bài học xương máu từ việc vận hành hệ thống đối soát hơn 100 tỷ giao dịch. Bài viết khẳng định rằng AI chỉ đáng tin cậy khi được xây dựng trên một nền tảng dữ liệu được quản trị chặt chẽ, có thể truy vết và minh bạch.

Câu hỏi làm thay đổi cuộc trò chuyện

Khi tham gia một hội thảo về AI tại Cairo, tác giả đã được hỏi rằng các nhà đầu tư nên nhìn vào điều gì khi đánh giá các công ty AI. Thay vì đưa ra những lý thuyết quản trị chung chung, ông đã kể một câu chuyện về phí SMS và cách chúng ảnh hưởng đến việc tính toán số người dùng hoạt động hàng tháng (MAU).

Tại một tổ chức tài chính, khách hàng được hưởng lãi suất hàng tháng theo quy định của ngân hàng trung ương. Vào đầu mỗi tháng, hệ thống tự động ghi nợ phí thông báo SMS và ghi có thu nhập lãi. Đây là các giao dịch do hệ thống tạo ra, khách hàng không hề thực hiện bất kỳ thao tác nào. Tuy nhiên, nếu định nghĩa "người dùng hoạt động" là "bất kỳ khách hàng nào có ít nhất một giao dịch", thì những khách hàng này vẫn được tính là đang hoạt động.

Hệ quả là ba bộ phận khác nhau – Marketing, Product và Finance – nhìn vào cùng một dữ liệu nhưng lại đưa ra ba câu chuyện hoàn toàn khác nhau.

Điều này đặc biệt quan trọng với AI: nếu bạn xây dựng mô hình dự đoán khách hàng rời bỏ, chấm điểm tín dụng hoặc cá nhân hóa trên nền tảng dữ liệu này, AI sẽ kế thừa sự nhầm lẫn đó. Nó sẽ coi một khách hàng "ngủ đông" nhưng bị trừ phí SMS là đang giao dịch hàng ngày. Đây không phải lỗi của mô hình, mà là lỗi của quản trị dữ liệu.

Quản trị được xây dựng từ những ràng buộc thực tế

Tại Moniepoint, hệ thống xử lý hơn 100 tỷ giao dịch mỗi kỳ. Điều thú vị là họ không bắt đầu với một chiến lược quản trị dữ liệu hoàn chỉnh, mà bắt đầu từ một ràng buộc: hầu hết các ngân hàng ở Nigeria không có API đủ mạnh để xử lý khối lượng giao dịch lớn như vậy. Do đó, sao kê ngân hàng phải được tải lên thủ công.

Điều này tạo ra một vấn đề về niềm tin: nếu người tải lên cũng là người phê duyệt thì sẽ không có sự kiểm chứng nào. Vì vậy, họ đã xây dựng hệ thống maker-checker – người tải lên không thể là người phê duyệt. Đó không phải là quyết định tuân thủ, mà là một sự cần thiết về mặt vận hành. Nhưng nguyên tắc này đã lan tỏa đến mọi thứ họ xây dựng sau đó.

Mỗi giao dịch tại Moniepoint đều có một chuỗi quyền sở hữu (chain of custody) đầy đủ. Từ khoảnh khắc khách hàng thanh toán tại điểm bán, qua quá trình thanh toán bù trừ, đối soát, cho đến khi vào hệ thống ERP để báo cáo tài chính. Khi hệ thống tự động đối soát một giao dịch, nó ghi lại không chỉ sự khớp lệnh mà còn cả pipeline nào đã đưa ra quyết định và ai đã xây dựng pipeline đó.

Vấn đề SQL mà ít ai nhắc đến

Có một khoảnh khắc trong mọi tổ chức đang phát triển khi dữ liệu trở thành trung tâm của công việc. Tại Moniepoint, các chuyên gia tài chính bắt đầu dành hàng giờ để viết truy vấn SQL và tranh luận về việc bảng nào chứa dữ liệu doanh thu chính xác. Họ trở thành những người làm việc chiến thuật thay vì chiến lược. Tệ hơn, mười nhà phân tích viết truy vấn riêng với logic hơi khác nhau sẽ cho ra mười câu trả lời khác nhau.

Giải pháp không phải là "bắt mọi người học SQL", mà là xây dựng một tầng dữ liệu đã được quản trị, định nghĩa rõ ràng và có thể truy cập mà không cần viết code. Điều này dẫn đến việc họ xây dựng một giao diện phân tích hội thoại (conversational analytics) – nơi nhân viên tài chính có thể hỏi bằng tiếng Anh thông thường như "doanh thu tháng này theo từng pháp nhân là bao nhiêu?" và nhận được câu trả lời đáng tin cậy.

Giao diện AI hội thoại chỉ hoạt động vì tầng quản trị dữ liệu tồn tại bên dưới. Nếu không có quản trị, giao diện đó chỉ là một chatbot viết SQL lỗi nhanh hơn mà thôi.

AI thực sự đang làm gì và vì sao cần quản trị?

Khi mọi người nói về "AI trong fintech", họ thường tưởng tượng đến chatbot hoặc mô hình chấm điểm tín dụng. Thực tế tại Moniepoint thì mang tính hạ tầng và kém hào nhoáng hơn nhiều. Hệ thống của họ tự động đối soát hàng triệu giao dịch mỗi ngày, xác định, phân loại và thường tự giải quyết các trường hợp ngoại lệ.

Mỗi kết quả khớp tự động đều có thể kiểm toán được: họ ghi lại pipeline quyết định, logic và dữ liệu. Điều này cho phép truy vết bất kỳ sự khớp sai nào về đúng quy tắc hoặc dữ liệu cụ thể, thay vì phải tin vào một kết quả AI mù mờ.

Khả năng truy vết cho phép họ tin tưởng vào hệ thống tự động hóa. Nếu không có nó, họ sẽ cần con người xem xét từng giao dịch – điều không thể ở quy mô của họ. Còn với nó, con người chỉ cần xem xét các trường hợp ngoại lệ mà AI đánh dấu là không chắc chắn.

Hành trình trung thực

Điểm thú vị nhất trong bài viết là khi tác giả được hỏi liệu các nhà sáng lập nên trình bày một câu chuyện quản trị "bóng bẩy" hay "trung thực". Ông đã chọn sự trung thực.

Ông thừa nhận rằng các khả năng AI của Moniepoint bắt đầu từ các nhóm khác nhau, với các định nghĩa và giả định riêng. AI hoạt động tốt trong từng silo riêng lẻ nhưng không kết nối được trên toàn công ty. Hiện tại, họ đang làm công việc khó khăn hơn: xây dựng một khung dữ liệu doanh nghiệp tập trung hóa định nghĩa, quản trị và chuẩn dữ liệu trên toàn tổ chức. Đây vẫn là một dự án đang triển khai, chưa phải là câu chuyện đã hoàn thiện.

"Hầu hết các công ty đều pitch Phase 3 trong khi đang sống ở Phase 1. Họ bán tầm nhìn về quản trị AI toàn diện trong khi các nhóm nội bộ vẫn đang tranh cãi xem bảng tính nào là 'nguồn sự thật'."

Ba bài kiểm tra dành cho nhà đầu tư AI

Tác giả đưa ra ba câu hỏi giúp nhà đầu tư đánh giá một công ty AI hiệu quả hơn bất kỳ chỉ số benchmark chính xác nào:

Bài kiểm tra "Tam giác hóa" (Triangulation Test)

• Câu hỏi: Hãy chỉ tôi số liệu doanh thu (hoặc MAU) trên ba dashboard khác nhau: Tài chính, Sản phẩm và Báo cáo Hội đồng quản trị.
• Mục tiêu: Nếu các con số khớp nhau, họ có quản trị dữ liệu tốt.
• Dấu hiệu nguy hiểm: Nếu các con số khác nhau và phải mất 10 phút giải thích, họ không có vấn đề về AI mà là vấn đề về "sự thật" bị phân mảnh.

Bài kiểm tra "Ngữ nghĩa" (Semantic Test)

• Câu hỏi: Ai là người sở hữu định nghĩa về 'Người dùng hoạt động' hoặc 'Doanh thu'?
• Mục tiêu: Tìm kiếm một nguồn trách nhiệm duy nhất – một "Data Steward" hoặc tầng quản trị tập trung.
• Dấu hiệu nguy hiểm: Nếu câu trả lời là "Còn tùy" hoặc "Chúng tôi ai cũng biết cả", họ không có quản trị dữ liệu mà chỉ có "ý kiến về dữ liệu".

Bài kiểm tra "Khám nghiệm tử thi" (Post-Mortem Test)

• Câu hỏi: Hãy kể về lần gần nhất dữ liệu của bạn bị sai. Bạn đã phát hiện ra nó như thế nào và 'chuỗi quyền sở hữu' cho việc sửa lỗi là gì?
• Mục tiêu: Quản trị thực sự đòi hỏi khả năng truy vết. Một công ty trưởng thành có thể chỉ ra pipeline cụ thể, logic cụ thể và con người cụ thể đã sửa lỗi.
• Dấu hiệu nguy hiểm: Nếu công ty nói "dữ liệu của chúng tôi không bao giờ sai", họ hoặc chưa triển khai ở quy mô lớn hoặc không chịu nhìn nhận.

Quản trị là động cơ, không phải là cái phanh

Thông điệp lớn nhất tác giả muốn gửi gắm là: quản trị dữ liệu không phải là chi phí tuân thủ, không phải là cái hộp để tick cho cơ quan quản lý. Đó chính là kỷ luật kỹ thuật làm cho mọi thứ khác trở nên khả thi – khả năng AI, niềm tin nhà đầu tư, tuân thủ quy định và quy mô vận hành. Tất cả đều nằm trên việc dữ liệu của bạn có được quản trị tốt hay không, quyết định của bạn có thể truy vết hay không và định nghĩa của bạn có được chia sẻ rộng rãi hay không.

Các công ty xây dựng điều này vào kiến trúc từ ngày đầu không chỉ tránh được rủi ro quy định, mà còn di chuyển nhanh hơn tất cả mọi người khi đến lúc triển khai AI. Các đội ngũ của họ đặt câu hỏi và nhận được câu trả lời nhất quán. Mô hình của họ huấn luyện trên dữ liệu có ý nghĩa như chính nó thể hiện. Còn các đối thủ bỏ qua bước quản trị thì đang phải "trang bị thêm" (retrofitting) – một quá trình tốn kém, chậm chạp và mong manh.

Niềm tin không phải là một pitch deck, không phải là một tài liệu chính sách. Niềm tin là một hệ thống sản xuất nơi mọi giao dịch đều có một câu chuyện cuộc đời, và bạn có thể đọc nó từ đầu đến cuối.