Deepak Kinger, Giám đốc Chiến lược kiêm Đồng sáng lập EvoluteIQ – Chuỗi phỏng vấn

Deepak Kinger, Giám đốc Chiến lược kiêm Đồng sáng lập EvoluteIQ, là nhà lãnh đạo giàu kinh nghiệm trong lĩnh vực công nghệ và kinh doanh, với hơn hai thập kỷ làm việc trong các lĩnh vực chuyển đổi doanh nghiệp, dịch vụ tài chính, tự động hóa và trí tuệ nhân tạo. Tại EvoluteIQ, ông góp phần định hình chiến lược tổng thể của công ty, đồng thời lãnh đạo các liên minh công nghệ chủ chốt, quan hệ đối tác giải pháp, hoạt động tiếp thị và quan hệ với giới phân tích. Trước khi đồng sáng lập EvoluteIQ vào năm 2019, Kinger từng đảm nhiệm các vị trí lãnh đạo cấp cao tại GALE Partners, Virtusa, Sapient, Headstrong, Wipro và Mphasis. Tại những công ty này, trách nhiệm của ông trải rộng từ quản lý các mảng dịch vụ tài chính trên khắp khu vực châu Á – Thái Bình Dương và tư vấn cho các lãnh đạo cấp cao nhất về chuyển đổi số, đến xây dựng các ngành kinh doanh mới và dẫn dắt những dự án công nghệ quy mô lớn. Kinh nghiệm của ông bao gồm chiến lược, phát triển kinh doanh, quản lý quan hệ khách hàng, quản lý lãi lỗ (P&L), vận hành và các công nghệ mới nổi, trong đó có AI, học máy, tự động hóa quy trình bằng robot, chuỗi khối và khoa học dữ liệu.

EvoluteIQ là công ty chuyên về AI doanh nghiệp và tự động hóa thông minh, tập trung giúp các tổ chức tự động hóa và điều phối những quy trình kinh doanh phức tạp, xuyên suốt từ đầu đến cuối. Nền tảng EIQ tích hợp AI tác nhân, AI tạo sinh, tự động hóa quy trình và quyết định, RPA thông minh, xử lý sự kiện, nền tảng dữ liệu, phân tích, các bộ kết nối dành cho doanh nghiệp và phát triển ứng dụng đa kênh trong một môi trường ít mã/không cần mã. Nền tảng này được thiết kế để giúp doanh nghiệp kết nối các hệ thống hiện có, xây dựng và triển khai tác nhân AI cùng quy trình làm việc tự động, theo dõi kết quả và mở rộng tự động hóa trong các lĩnh vực như trải nghiệm khách hàng, tài chính, vận hành, bán hàng và quản lý chuỗi cung ứng. Được thành lập vào năm 2019, EvoluteIQ đã mở rộng trọng tâm sang tự động hóa doanh nghiệp dựa trên tác nhân thông qua các công nghệ như AI Workbench và Agentic Mesh Architecture. Năm 2025, công ty công bố khoản đầu tư tăng trưởng thiểu số trị giá 53 triệu đô la do Baird Capital dẫn đầu, nhằm hỗ trợ mở rộng hoạt động trên toàn cầu và tiếp tục đầu tư vào các hoạt động R&D tại Bengaluru.

Trước khi đồng sáng lập EvoluteIQ vào năm 2019, ông đã dành hai thập kỷ làm việc trong lĩnh vực dịch vụ tài chính, công nghệ doanh nghiệp và chuyển đổi số. Ông nhận thấy những vấn đề nào thường xuyên lặp lại trong các tổ chức lớn, khiến ông tin rằng có cơ hội xây dựng EvoluteIQ? Và ông muốn tiếp cận những vấn đề đó theo cách khác biệt như thế nào?

Trước EvoluteIQ, tôi đã làm tư vấn trong 25 năm, phần lớn thời gian tập trung hỗ trợ các tổ chức tài chính lớn thực hiện các sáng kiến chuyển đổi. Công việc đó bao gồm những chương trình ngân hàng số đầu tiên, cũng như các hoạt động giao dịch, quản lý rủi ro và chuyển đổi tổng thể từ đầu đến cuối. Theo thời gian, tôi nhận thấy nhu cầu tự động hóa ngày càng tăng, và chúng tôi đã hỗ trợ các doanh nghiệp triển khai nền tảng của một số nhà cung cấp lớn nhất.

Điều thôi thúc chúng tôi thành lập EvoluteIQ là cơ hội chuyển từ việc triển khai công nghệ của người khác sang tự xây dựng một giải pháp. Chúng tôi nhận thấy có thể áp dụng cách tiếp cận tích hợp hơn đối với tự động hóa, thay vì buộc doanh nghiệp phải kết hợp nhiều công nghệ, giấy phép và lớp tích hợp. Đây là một trong những động lực khiến chúng tôi thành lập EvoluteIQ vào năm 2019.

Trong cuộc phỏng vấn trước đây của Unite.AI với người đồng sáng lập của ông, Sameet Gupte, ông ấy đã chia sẻ tầm nhìn rộng hơn của EvoluteIQ về việc đưa doanh nghiệp chuyển từ tự động hóa dựa trên tác vụ sang hoạt động tự chủ toàn diện, xuyên suốt từ đầu đến cuối và lấy AI làm nền tảng. Việc quản lý thay đổi quy định cho thấy vì sao cần chuyển từ tự động hóa từng tác vụ riêng lẻ sang điều phối toàn bộ quy trình kinh doanh như thế nào?

Thay đổi quy định hiếm khi chỉ ảnh hưởng đến một tác vụ riêng lẻ. Năm 2020, chúng tôi xây dựng một giải pháp xoay quanh quá trình chuyển đổi khỏi LIBOR. Các ngân hàng phải đối mặt với một thay đổi quy mô lớn, ảnh hưởng đến những hợp đồng hiện có và đòi hỏi các nhóm vận hành, trợ lý pháp lý và nhóm kinh doanh phải rà soát, khắc phục các hợp đồng đó. Nhiều tổ chức về cơ bản đã ứng phó bằng cách huy động thêm nhân lực để xử lý vấn đề. Bài học chúng tôi rút ra từ LIBOR là quy định cụ thể có thể thay đổi, nhưng thách thức cốt lõi vẫn lặp lại. Thay đổi quy định và tuân thủ là những yêu cầu vận hành liên tục.

Với những thay đổi gần đây do FinCen đề xuất về Chống rửa tiền/Chống tài trợ khủng bố (AML/CFT), chúng ta đang chứng kiến sự chuyển dịch khỏi mô hình tuân thủ mang tính quy định chặt chẽ, chỉ tập trung vào việc đánh dấu các ô kiểm. Thực tế, điều này nâng cao tiêu chuẩn tuân thủ chứ không làm cho công việc nhẹ nhàng hơn, bởi các tổ chức phải diễn giải quy định, xác định rõ rủi ro của chính mình và xác định những rủi ro đó có ý nghĩa gì đối với mô hình vận hành của họ. Sự chuyển dịch này tất yếu tác động đến nhiều phòng ban và chức năng khác nhau trong tổ chức, chứ không chỉ riêng các nhóm tuân thủ và kiểm toán.

Ông từng cho rằng các ngân hàng nên ngừng xem mỗi thay đổi quy định lớn là một dự án chuyển đổi mới, thay vào đó hãy xây dựng năng lực quản lý thay đổi quy định như một năng lực vận hành thường trực. Trên thực tế, mô hình vận hành đó sẽ ra sao, và vì sao các tổ chức tài chính trong lịch sử lại gặp khó khăn khi xây dựng mô hình này?

Mô hình vận hành mới cần nhìn nhận rằng sự thay đổi là liên tục; đây không còn là quy trình cần triển khai theo quý hoặc mỗi khi kiểm toán viên đến kiểm tra. Việc xây dựng giải pháp cho LIBOR cho chúng tôi thấy rằng dù một thay đổi về quy định cuối cùng có thể được triển khai, nhu cầu thích ứng vẫn không biến mất. Để ứng phó với thay đổi quy định tiếp theo, sẽ cần hiểu rõ thay đổi đó, chuyển hóa thành các yêu cầu vận hành và cập nhật quy trình.

Mô hình vận hành mới cũng không được giới hạn trong bộ phận tuân thủ. Theo mô hình chú trọng rủi ro hơn, bộ phận tuân thủ có thể vẫn là đơn vị chịu trách nhiệm cuối cùng về việc tuân thủ, nhưng hoạt động vận hành, pháp chế và trong một số trường hợp là quản lý rủi ro đối tác cũng trở nên quan trọng hơn. Một sai lầm mà các tổ chức có thể mắc phải là đánh giá thấp phạm vi ảnh hưởng rộng khắp của những thay đổi về quy định đối với tổ chức.

Trong quá khứ, việc này gặp nhiều khó khăn vì các doanh nghiệp đã xây dựng những hệ thống công nghệ rời rạc và mô hình vận hành khép kín. Khi các đơn vị kinh doanh khác nhau dựa vào những nền tảng RPA, BPM, báo cáo và các nền tảng khác riêng biệt, việc đáp ứng một yêu cầu mới tự nó đã trở thành một dự án tích hợp.

Khi một quy định mới được ban hành, ngân hàng có thể cần xác định những khách hàng, sản phẩm, hợp đồng, hệ thống và quy trình nào bị ảnh hưởng. AI có thể cải thiện đáng kể khâu phân tích tác động ở những điểm nào, và những phần nào của quy trình vẫn cần áp dụng các quy tắc xác định hoặc dựa vào phán đoán của con người?

AI có thể giảm đáng kể khối lượng công việc thủ công cần thiết để tìm hiểu và triển khai các thay đổi về quy định. Cụ thể hơn, AI có thể giúp phân tích và phân loại khối lượng thông tin lớn, đồng thời xác định chính xác những vấn đề cần tập trung sự chú ý của con người. Ví dụ, các năng lực ứng phó quy định của EvoluteIQ có thể phân loại và ưu tiên hợp đồng theo khách hàng và loại tài sản, kết nối thông tin đó với các hệ thống doanh nghiệp và nguồn dữ liệu bên ngoài, sau đó điều phối các công việc tiếp theo giữa bộ phận pháp chế, quản lý rủi ro và vận hành. Nhờ đó, các tổ chức có thể chuyển từ việc xác định những gì có thể bị ảnh hưởng sang thực sự quản lý các thay đổi phát sinh trong toàn bộ quy trình.

Sự kiểm soát và giám sát của con người vẫn là điều thiết yếu. Trong một quy trình chịu sự điều chỉnh của quy định, có những khâu mà tổ chức cần xác định rõ các quy tắc kinh doanh, điều kiện, trường hợp ngoại lệ và lộ trình chuyển cấp xử lý. Mô hình mà chúng tôi tin tưởng kết hợp khả năng thích ứng của AI với tự động hóa theo quy tắc xác định và phán đoán của con người khi phù hợp. AI có thể giúp diễn giải và nêu bật những việc có thể cần hành động; các quy tắc xác định có thể chi phối cách thực hiện những quyết định đã được quy định rõ; còn các trường hợp ngoại lệ hoặc quyết định cần đến phán đoán có thể được chuyển đến người phù hợp.

Việc triển khai quy định thường liên quan đến các nhóm pháp chế, tuân thủ, quản lý rủi ro, vận hành, dữ liệu và công nghệ. AI và điều phối quy trình có thể giúp các nhóm này cùng dựa trên một cách diễn giải chung về quy định như thế nào, thay vì tạo ra các quy trình riêng biệt và những quy tắc kinh doanh có khả năng mâu thuẫn với nhau?

Một trong những hệ quả lớn nhất của mô hình tuân thủ chú trọng rủi ro hơn là trách nhiệm được phân bổ rộng hơn trong toàn tổ chức. Bộ phận tuân thủ có thể vẫn là nơi chịu trách nhiệm cuối cùng, nhưng các nhóm vận hành, pháp chế và quản lý rủi ro đối tác đều có vai trò quan trọng. Vì vậy, các tổ chức cần tránh xem việc triển khai là nhiệm vụ mà bộ phận tuân thủ có thể tự thực hiện một cách biệt lập.

Đó là lý do một nền tảng tích hợp đóng vai trò then chốt. Trong một tổ chức lớn, mô hình mới này đòi hỏi phải tích hợp các hệ thống lưu trữ dữ liệu chính thức và quy tắc kinh doanh khác nhau, đồng thời cũng phải tính đến những vấn đề phức tạp về bảo mật. Cách tiếp cận thống nhất có thể giảm nguy cơ các bộ phận khác nhau trong tổ chức triển khai cùng một thay đổi bằng những hệ thống công nghệ hoàn toàn tách biệt.

AI tạo sinh có thể diễn giải các tài liệu quy định phức tạp, nhưng ngân hàng không thể chấp nhận tình trạng ảo giác hoặc diễn giải thiếu nhất quán khi liên quan đến các quyết định tuân thủ. Cần xây dựng những biện pháp bảo vệ nào cho các hệ thống AI được sử dụng để ứng phó với thay đổi quy định, và chuyên gia con người nên tiếp tục tham gia vào quá trình ra quyết định ở những khâu nào?

Thứ nhất, không triển khai các tác nhân AI một cách biệt lập, vì điều đó có thể dẫn đến tình trạng phát triển tràn lan các tác nhân mà không có cơ chế quản trị phù hợp.

Thứ hai, khả năng tự động hóa của một tổ chức không chỉ bị giới hạn bởi năng lực kỹ thuật mà còn bởi các quy định, quyền riêng tư và những loại dữ liệu được phép chia sẻ theo pháp luật.

Nguyên tắc thiết kế cốt lõi cần tuân thủ là AI nên đẩy nhanh công việc diễn giải nhưng không được nắm quyền quyết định. Trách nhiệm giải trình về tuân thủ vẫn thuộc về những người được chỉ định, như các cơ quan quản lý kỳ vọng. Các biện pháp bảo vệ được chia thành hai nhóm: kiểm soát những gì AI tạo ra và chủ động xác định các điểm cần con người đưa ra quyết định. Mọi đầu ra do AI tạo ra đều phải dựa trên nguồn có thẩm quyền, với các rào chắn đầu vào và đầu ra được thiết lập trong hệ thống AI.

Cuối cùng, cần lưu giữ nhật ký kiểm toán cho mọi đầu ra, ghi lại các điều khoản nguồn, phiên bản mô hình và câu lệnh, mức độ tin cậy, người rà soát, quyết định và lý do đưa ra quyết định.

Khả năng kiểm toán đặc biệt quan trọng trong lĩnh vực dịch vụ tài chính. Nếu AI hỗ trợ diễn giải quy định, tạo quy tắc kinh doanh, xác định khách hàng bị ảnh hưởng và khởi chạy quy trình, các tổ chức có thể lưu giữ một hồ sơ bằng chứng rõ ràng như thế nào để cho cơ quan quản lý thấy chính xác từng quyết định được đưa ra ra sao và vì sao?

Trong các ngành chịu sự quản lý chặt chẽ, khả năng truy xuất phải vượt xa việc ghi lại quyết định cuối cùng. Thay vào đó, điều hữu ích hơn nhiều là có thể tái dựng lộ trình dẫn đến quyết định đó, cho thấy thông tin nào đã được sử dụng, những quy tắc nào được áp dụng, các quyết định đã được đưa ra, những thay đổi diễn ra trong suốt quá trình, cũng như con người đã can thiệp ở đâu và phê duyệt những gì.

Khi nhiều tác tử, quy tắc nghiệp vụ và quy trình công việc tương tác với nhau, khả năng truy xuất càng trở nên quan trọng. Cần tích hợp khả năng kiểm toán vào lớp điều phối. Nhật ký quyết định có thể theo dõi các quyết định, thay đổi quy tắc và lý do đằng sau những thay đổi đó; trong khi khả năng truy xuất tác tử từ đầu đến cuối giúp quan sát toàn bộ chuỗi hành động tự chủ.

Nếu cơ quan quản lý hỏi vì sao một khách hàng, hợp đồng hoặc giao dịch cụ thể được xử lý theo một cách nhất định, tổ chức tài chính cần có khả năng lần ngược kết quả đó qua dữ liệu, quy tắc, quyết định do AI đưa ra, các phê duyệt và hành động đã tạo nên kết quả. Đó là điều giúp khả năng giải thích không còn chỉ là vấn đề ở cấp mô hình mà trở thành năng lực vận hành.

Các ngân hàng lớn vận hành trên nền tảng hạ tầng cũ đã tích lũy qua nhiều thập kỷ, với dữ liệu quan trọng về khách hàng và giao dịch phân tán trên nhiều hệ thống. Làm thế nào họ có thể xây dựng một lớp tuân thủ có thể tái sử dụng, ứng dụng AI, mà không phải thay thế tốn kém toàn bộ nền tảng công nghệ hiện có? 

Mọi năng lực mới ở cấp doanh nghiệp đều phải hoạt động trên cơ sở hạ tầng hiện có. Không thể kỳ vọng điều gì khác. Việc hợp nhất cũng rất quan trọng, bởi chúng tôi ngày càng thường xuyên nghe khách hàng cho biết họ đang sử dụng nhiều nền tảng RPA hoặc một hệ thống BPM cũ cùng nhiều công nghệ báo cáo riêng biệt trên toàn doanh nghiệp. Khách hàng của chúng tôi ngày càng thẳng thắn hơn về việc muốn tập trung vào các công cụ và hệ thống tạo ra ROI, thay vì tìm kiếm giải pháp thay thế. Vì vậy, một lớp tuân thủ có thể tái sử dụng phải hoạt động trên toàn bộ hệ thống hiện có, chứ không thể mặc định rằng mọi thứ bên dưới sẽ được thay thế.

Ông đã làm việc với các tổ chức tài chính qua nhiều thế hệ công nghệ, từ hệ thống ngân hàng lõi truyền thống đến tự động hóa quy trình bằng robot, học máy và giờ đây là AI tác tử. Điều gì thực sự khác biệt trong quá trình chuyển đổi AI hiện nay, và theo ông, các tổ chức tài chính có nguy cơ lặp lại những sai lầm nào từ các chu kỳ tự động hóa trước đây?

Các thế hệ tự động hóa trước đây được dùng cho những công việc đã được xác định rõ. Hệ thống ngân hàng lõi mã hóa hồ sơ và giao dịch. RPA lập trình các thao tác nhấn phím trên nhiều màn hình. Học máy đưa ra những dự đoán chuyên biệt, chẳng hạn như điểm số gian lận và rủi ro tín dụng, dựa trên dữ liệu có cấu trúc với độ chính xác có thể đo lường. Trong mọi trường hợp, con người hoặc một quy tắc cố định quyết định bước tiếp theo, còn công nghệ thực hiện theo một lộ trình đã biết.

AI tác tử tạo ra thay đổi theo một số cách:

• Nó xử lý hiệu quả hơn những công việc không có cấu trúc, đòi hỏi phán đoán ở mức độ nhất định. Các ngân hàng không còn chỉ tự động hóa tác vụ mà còn giao phó kết quả, để hệ thống tự chọn cách thực hiện.
• Nó có thể gặp lỗi mà không dễ nhận ra. Khi ngân hàng thay đổi bố cục màn hình, bot RPA sẽ hỏng rõ rệt và có người sửa lỗi. Còn mô hình ngôn ngữ khi trả lời sai lại tạo ra câu trả lời trôi chảy, có vẻ hợp lý và đầy tự tin. Đó là một vấn đề.
• Hành vi của nó mang tính xác suất, vì vậy việc đặt nó trong bối cảnh doanh nghiệp để tránh hiện tượng bịa đặt là hết sức quan trọng.
• Cuối cùng, việc xây dựng bằng AI đã trở nên ít tốn kém và người dùng nghiệp vụ giờ đây có thể tạo ra các tác tử hoạt động được chỉ trong một buổi chiều. Trước đây, năng lực của bộ phận CNTT là nút thắt đối với tự động hóa; giờ đây, nút thắt nằm ở năng lực quản trị.

Các tổ chức tài chính cũng cần lưu ý để không quên những bài học từ thời kỳ tự động hóa truyền thống. Một số ví dụ gồm:

• Tự động hóa các quy trình lỗi. Di sản lớn nhất của RPA là hàng nghìn bot được chồng lên những quy trình chưa từng được thiết kế lại. Điều đó tạo ra nợ kỹ thuật mong manh, mà các ngân hàng vẫn phải trả giá để duy trì. Đưa tác tử vào cùng những quy trình công việc phân mảnh đó là lặp lại sai lầm ở mức độ tinh vi hơn. Các ngân hàng nên thiết kế lại công việc trước, rồi mới quyết định phần nào sẽ giao phó.
• Chạy theo các chỉ số phù phiếm: Các dự án thử nghiệm thường đình trệ nếu không có lộ trình được cấp ngân sách để đưa vào vận hành thực tế. Đếm số tác tử được triển khai cũng lặp lại thói quen của RPA: đếm bot thay vì đo lường kết quả kinh doanh thực tế.
• Đầu tư chưa đủ vào nền tảng dữ liệu. Học máy đã cho thấy chất lượng mô hình bị giới hạn bởi chất lượng dữ liệu. Các tác tử truy xuất thông tin từ những chính sách lỗi thời, tài liệu trùng lặp hoặc nguồn dữ liệu mâu thuẫn sẽ suy luận đầy tự tin dựa trên những tiền đề sai.

Trong thời gian tới, ông có cho rằng việc tuân thủ quy định sẽ chuyển dịch theo hướng tuân thủ liên tục, thậm chí một phần tự chủ, trong đó các hệ thống AI phát hiện thay đổi quy định, đánh giá tác động, cập nhật quy trình công việc và chỉ chuyển cấp những trường hợp ngoại lệ cần con người phán đoán? Điều gì cần xảy ra trước khi các ngân hàng và cơ quan quản lý cảm thấy yên tâm với mức độ tự chủ đó?

Có, nhưng quyền tự chủ sẽ xuất hiện theo từng giai đoạn. Việc phát hiện, phân loại ưu tiên, lập bản đồ tác động và cập nhật quy trình công việc đối với những thay đổi được xác định rõ sẽ phần lớn diễn ra liên tục và tự động. Con người vẫn sẽ xử lý việc đánh giá các quy tắc chưa rõ ràng, chấp nhận rủi ro và xác định lập trường về quy định. Đích đến thực tế là “tự chủ có giám sát”, trong đó máy móc mặc định thực hiện toàn bộ chu trình, còn con người chỉ can thiệp để xử lý ngoại lệ.

Để điều này thành hiện thực, các cơ quan quản lý cũng cần công bố quy định dưới dạng có cấu trúc và được quản lý phiên bản, dựa trên các sáng kiến như công tác báo cáo quy định số của FCA và Ngân hàng Anh.

Cũng cần tích hợp khả năng đảo ngược và các công tắc dừng khẩn cấp vào hệ thống thực thi, để có thể dễ dàng hoàn tác các thay đổi tự động đối với quy trình làm việc khi phát hiện bất thường, tỷ lệ lỗi hoặc thay đổi mô hình. Mức độ yên tâm sẽ tăng nhanh hơn khi những người giám sát cũng tự sử dụng các công cụ tương tự. Điều đó tạo ra một ngôn ngữ chung để kiểm thử, và theo thời gian, có thể cả hoạt động giám sát trực tiếp giữa máy với máy.

Cảm ơn về cuộc phỏng vấn tuyệt vời này. Độc giả muốn tìm hiểu thêm có thể truy cập EvoluteIQ.