Bỏ qua điều hướng — đến nội dung chính
Doanhnghiep.vn
🇻🇳 VI
Tự động hoá AI·11 phút đọc

AI đánh giá rủi ro doanh nghiệp 2026 — 3 cấp tiếp cận + workflow

Hướng dẫn chuyên sâu đánh giá rủi ro doanh nghiệp bằng AI cho ngân hàng nhỏ / fintech / công ty cho vay B2B Việt Nam 2026: phân biệt 3 loại rủi ro (credit / counterparty / operational), 3 cấp tiếp cận từ rule-based cổ điển (Altman Z, Ohlson O) → ML credit scoring → LLM-augmented adverse signal detection, workflow 6 bước, dữ liệu Việt Nam dùng được, 4 failure mode và nghĩa vụ giải thích quyết định AI.

Đội biên tập doanhnghiep.vn · Companies House of Vietnam — KYB Editorial Rà soát bởi Đội ngũ biên tập và rà soát doanhnghiep.vn· Cập nhật
AI ĐÁNH GIÁ RỦI RO DN3 loại × 3 cấp tiếp cận + workflow 6 bước cho ngân hàng / fintech / công ty cho vay B2B Việt 2026

AI đánh giá rủi ro doanh nghiệp không phải một thuật toán — là họ phương pháp ghép dữ liệu DN với mô hình thống kê / ML / LLM để dự đoán sự cố tài chính, pháp lý, vận hành.

AI RiskCreditKYBCompliance

Đánh giá rủi ro doanh nghiệp — credit, đối tác, vận hành — từng là lĩnh vực thuần thống kê + score-card. Từ ~2015 ML gradient boosting đã thay phần lớn score-card trong các tổ chức tín dụng lớn. Từ 2023 LLM mở ra cấp thứ ba: đọc văn bản phi cấu trúc cấp doanh nghiệp (công bố niêm yết, bản án, công bố cơ quan quản lý) để phát hiện adverse signal mà số liệu thuần không thấy. AI đánh giá rủi ro doanh nghiệp 2026 không phải một thuật toán — là cách ghép 3 cấp tiếp cận đó với dữ liệu doanh nghiệp có sẵn.

Bài thuộc cụm Tự động hoá doanh nghiệp bằng AI. Cho phần workflow thẩm định cụ thể B2B, đọc bài chuyên đề Tự động hoá thẩm định đối tác bằng AI; cho khung KYB chuẩn tài chính, xem KYB là gì.

3 loại rủi ro doanh nghiệp cần phân biệt

Không có "model một-cỡ-vừa-tất-cả". Mỗi loại rủi ro có outcome khác nhau + dữ liệu khác nhau + model khác nhau:

3 loại rủi ro doanh nghiệp — outcome + data khác nhau

1. Credit risk — khả năng trả nợ

Outcome: DN có default (mất khả năng trả) trong 12-24 tháng tới không? Data chính: BCTC, lịch sử thanh toán, dòng tiền, leverage, profitability. Audience: ngân hàng, công ty cho vay, B2B SaaS gia hạn trả chậm.

2. Counterparty risk — đối tác kinh doanh

Outcome: đối tác có phá vỡ hợp đồng (giao hàng chậm/sai, không thanh toán, chấm dứt một phía) trong thời hạn hợp đồng không? Data: trạng thái MST, lịch sử thay đổi, tranh chấp, năng lực thực tế. Audience: sales B2B, mua hàng, phân phối.

3. Operational + legal risk

Outcome: DN có sự cố vận hành lớn (giải thể, đổi pháp nhân đột ngột, vi phạm pháp luật, sanction) trong 6-12 tháng không? Data cấp doanh nghiệp: sự kiện đăng ký, bản án, công bố cơ quan quản lý, danh sách sanction (UN/OFAC/EU). Audience: KYB compliance, đối tác chiến lược, M&A.

Trong thực tế, nhiều quyết định kinh doanh cần cả 3 loại cùng lúc — ví dụ ngân hàng cho DN vay vốn lưu động: credit risk (trả nợ) + counterparty risk (DN còn ký được hợp đồng với khách không) + operational risk (DN còn hoạt động không). Khi đó dùng 3 model riêng + kết hợp đầu ra, không gộp thành 1 model.

3 cấp tiếp cận — rule-based → ML → LLM-augmented

Lịch sử mô hình rủi ro DN có 3 cấp tiếp cận chính, mỗi cấp không thay thế cấp trước mà bổ sung:

3 cấp tiếp cận — đặc điểm + khi nào dùng

Cấp 1 — Rule-based / score-card cổ điển (1968 → nay)

Mô hình thống kê đơn giản từ 5-12 chỉ số tài chính. Altman Z-score (1968) cho DN niêm yết, Ohlson O-score (1980) cải tiến không cần market data, các score-card nội bộ ngân hàng do chuyên gia tín dụng thiết kế. Ưu điểm: dễ giải thích, ổn định, baseline tốt. Hạn chế: bỏ sót pattern phi tuyến, không tận dụng dữ liệu phi cấu trúc.

Cấp 2 — ML credit scoring (2015 → nay)

Random forest, gradient boosting (XGBoost, LightGBM), neural nets. Tận dụng vài chục - vài trăm feature, bắt pattern phi tuyến giữa các biến. Cần data labeled (default / không) — vài nghìn ví dụ tối thiểu cho model ổn định. Giải thích bằng SHAP / LIME — top feature đóng góp mỗi prediction. FICO, Upstart, Affirm đã chuyển sang ML cuối thập kỷ 2010.

Cấp 3 — LLM-augmented (2023 → nay)

LLM xử lý dữ liệu phi cấu trúc cấp doanh nghiệp (công bố niêm yết, bản án, công bố cơ quan quản lý, hợp đồng) → trích adverse signal mà cấp 1+2 thuần số bỏ qua. Ví dụ: LLM đọc bản án phát hiện DN có vụ kiện thương mại đang treo; LLM đọc công bố cơ quan thuế phát hiện DN có quyết định xử phạt gần đây. Phạm vi: chỉ data cấp doanh nghiệp công khai từ nguồn chính thống — KHÔNG đưa dữ liệu cá nhân (lãnh đạo cụ thể) hoặc social media về người cụ thể vào input (vi phạm PDPL). KHÔNG dùng LLM làm điểm số chính (black-box, không nhất quán giữa version) — dùng để bổ sung signal cho cấp 1+2.

Pattern thực dụng trên thị trường 2026: cấp 1 làm baseline + cấp 2 làm điểm số chính + cấp 3 làm signal bổ sung + explanation. Cấp 3 hỗ trợ phần "giải thích ngôn ngữ tự nhiên" tốt — gen text giải thích cho nhân viên nghiệp vụ đọc thay vì SHAP value khô khan.

Dữ liệu doanh nghiệp Việt Nam dùng được

Chất lượng AI risk phụ thuộc dữ liệu vào. 6 nguồn công khai chính cho DN Việt — kết hợp tạo bức tranh rộng:

6 nguồn dữ liệu DN Việt Nam dùng cho mô hình risk

1. Đăng ký doanh nghiệp + MST (NBRP / GDT)

Định danh pháp lý: MST, ngành nghề VSIC, vốn điều lệ, người đại diện, ngày thành lập, lịch sử thay đổi, trạng thái MST. Nguồn cốt lõi cho mọi model. Cập nhật từ Cổng đăng ký kinh doanh quốc gia + Tổng cục Thuế.

2. Sự kiện thay đổi đăng ký

Đổi vốn, đổi người đại diện, đổi địa chỉ, đổi tên, giải thể, tạm ngừng — mỗi sự kiện là feature thời gian quan trọng. Tần suất thay đổi cao = signal rủi ro tăng.

3. Bản án + tranh chấp pháp lý

Cổng án tại congbobanan.toaan.gov.vn — DN có bản án dân sự / kinh doanh / hình sự liên quan. Feature gốc cho operational + legal risk. LLM cấp 3 đọc nội dung bản án trích category vi phạm.

4. Thông tin niêm yết (HOSE / HNX / UPCOM)

DN niêm yết: BCTC quý (audited định kỳ), báo cáo công bố sự kiện, biến động giá cổ phiếu (signal market view về rủi ro). Có thể dùng Altman Z-score đầy đủ. Phủ ~1.000-1.500 DN.

5. M&A + sự kiện doanh nghiệp

Bố cáo điện tử (bocaodientu.dkkd.gov.vn), tin M&A, đầu tư FDI mới, IPO. Feature signal về sức khoẻ ngành + cụm doanh nghiệp.

6. Công bố chính thống cấp doanh nghiệp (LLM trích)

Công bố niêm yết HOSE/HNX (sự kiện DN, công bố nội bộ, biến động cổ phần), công bố từ cơ quan quản lý (quyết định xử phạt thuế, danh sách nợ thuế, sanction quốc tế UN/OFAC/EU). LLM trích sự kiện cấp doanh nghiệp + phân loại mức ảnh hưởng. KHÔNG dùng social media về người cụ thể hoặc reputational signal cá nhân — đây là PII bên thứ ba, vi phạm PDPL khi xử lý tự động cho mục đích risk scoring.

Lưu ý quan trọng về BCTC: DN không niêm yết tại Việt Nam không công bố BCTC chi tiết công khai. Muốn có data tài chính chi tiết cho mô hình credit cấp 1+2, doanh nghiệp phải thu thập riêng từ khách hàng đăng ký vay (đối với ngân hàng / fintech) hoặc mua từ bureau như FiinGroup / CIC.

Workflow chấm điểm rủi ro DN — 6 bước

6 bước triển khai AI risk scoring cho doanh nghiệp

  1. Bước 1: Định nghĩa loại rủi ro + outcome đo được

    Credit (xác suất default 12 tháng) / Counterparty (xác suất phá hợp đồng) / Operational (xác suất sự cố lớn 6-12 tháng). Outcome phải đo được + label được từ data lịch sử.

  2. Bước 2: Audit data sẵn có + map sang loại rủi ro

    Liệt kê data nội bộ + nguồn công khai. Đánh giá độ phủ DN + độ mới + label outcome có sẵn (số lượng + chất lượng).

  3. Bước 3: Triển khai cấp 1 baseline

    Score-card nghiệp vụ hoặc Altman Z-score / Ohlson O-score nếu có BCTC. Đo AUC trên holdout — đây là baseline mọi model sau phải vượt.

  4. Bước 4: Bổ sung cấp 2 (ML) nếu data đủ

    Gradient boosting (XGBoost / LightGBM) trên các feature có. Cần tối thiểu vài nghìn outcome label. SHAP cho từng prediction. Lift so cấp 1 phải đáng kể mới giữ.

  5. Bước 5: Bổ sung cấp 3 (LLM) cho adverse signal

    LLM enterprise (có DPA) đọc công bố niêm yết / bản án / công bố cơ quan quản lý → flag adverse signal cấp doanh nghiệp. Output gồm danh sách signal + explanation text. KHÔNG làm score chính. KHÔNG đưa data cá nhân (lãnh đạo) hoặc social về người cụ thể vào input — vi phạm PDPL.

  6. Bước 6: Production — monitor + giải thích + fairness

    Pipeline output: score + top 3 lý do + adverse signal. Monitor data drift hằng tháng, retrain hằng quý, eval fairness qua các nhóm hằng quý. Cơ chế chủ thể yêu cầu giải thích + phản hồi.

Ví dụ minh hoạ — chấm 1 doanh nghiệp với 3 cấp

Giả định một ngân hàng nhỏ chấm điểm credit cho một SME ngành sản xuất xin vay vốn lưu động 5 tỉ. Đây là output ba cấp:

Ví dụ minh hoạ — output 3 cấp cho 1 DN
INPUT: SME ngành chế biến thực phẩm, 8 năm hoạt động, vốn 5 tỉ, BCTC 3 năm gần nhất, xin vay 5 tỉ vốn lưu động 12 tháng.

Cấp 1 — Altman Z-score (trên BCTC):

  • Z = 2.3 → vùng "grey zone" (giữa healthy 2.99 và distress 1.81)
  • Khuyến nghị: cần đánh giá sâu hơn, không cấp tín dụng tự động

Cấp 2 — Gradient boosting (50 feature):

  • Xác suất default 12 tháng: 12% (threshold ngân hàng: 8%)
  • Top 3 lý do (SHAP): leverage tăng 2 năm liền, current ratio thấp, lịch sử thay đổi địa chỉ năm trước
  • Khuyến nghị: từ chối ở pricing chuẩn, có thể chấp nhận ở pricing cao hơn

Cấp 3 — LLM-augmented (bản án + công bố thuế + sanction):

  • Adverse signal: không phát hiện bản án dân sự / kinh doanh / hình sự đang treo
  • Không có quyết định xử phạt thuế trong 24 tháng gần nhất
  • Không nằm trong danh sách sanction UN/OFAC/EU
  • Signal trung tính, không nâng risk thêm

Tổng hợp + explanation cho nhân viên tín dụng:

"DN ở vùng rủi ro trung bình-cao. Lý do chính: leverage tăng 2 năm liền + current ratio thấp. Không có adverse signal pháp lý / truyền thông nghiêm trọng. Khuyến nghị: cấp tín dụng có điều kiện (pricing cao hơn + bảo lãnh bổ sung + hạn mức 3 tỉ thay vì 5 tỉ) — KHÔNG cấp tự động mà chuyển nhân viên thẩm định kỹ."

4 failure mode bắt buộc phòng tránh

4 failure mode quan trọng nhất khi triển khai AI risk

1. Data drift

Phân phối dữ liệu thay đổi theo thời gian — COVID 2020-2021 phá vỡ pattern credit cũ, chiến tranh thương mại thay đổi pattern ngành xuất khẩu. Model train từ 2 năm trước có thể sai trong môi trường mới. Phòng: monitor input distribution hằng tháng, retrain hằng quý, alert khi drift vượt threshold.

2. Adversarial gaming

Khi chủ thể biết model dùng feature gì, 'tô vẽ' số liệu để qua. Ví dụ DN biết model nặng về vốn → tăng vốn ảo trước khi xin vay. Phòng: thêm signal khó game (sự kiện thực, behavioral data theo thời gian), không công khai chi tiết feature weight.

3. Spurious correlation

Model học pattern không có ý nghĩa nhân quả — ví dụ 'DN ở tỉnh X có default cao hơn' chỉ vì historical, không phải do tỉnh X mà do cấu trúc ngành ở tỉnh đó. Áp dụng cho khách hàng mới ở tỉnh X sẽ sai + có thể vi phạm fairness. Phòng: kiểm tra causally bằng feature interventions + đánh giá fairness qua các nhóm.

4. LLM concept drift + opacity

Kết quả LLM không nhất quán giữa các phiên bản model (Claude 3.5 vs Claude 4 có thể khác output). Output LLM khó debug. Phòng: pin model version trong production, eval pipeline so sánh output qua versions, lưu prompt + version mỗi lần gọi để truy vết.

Pháp lý: nghĩa vụ giải thích quyết định AI

Theo nguyên tắc Luật Trí tuệ nhân tạo (Luật số 134/2025/QH15, hiệu lực 01/3/2026) và quy định bảo vệ dữ liệu cá nhân, các quyết định tự động ảnh hưởng tới quyền lợi chủ thể cần đáp ứng 3 yêu cầu cơ bản:

  • Giải thích được — chủ thể có quyền được biết các lý do chính dẫn tới quyết định ảnh hưởng tới mình (từ chối tín dụng, từ chối hợp đồng). Tối thiểu: top 3-5 feature đóng góp + giải thích ngôn ngữ tự nhiên.
  • Phản hồi được — chủ thể có quyền yêu cầu xem xét lại quyết định, bổ sung thông tin, khiếu nại.
  • Audit trail — doanh nghiệp lưu hồ sơ training data + version model + input/output mỗi quyết định + có thể giải trình khi cơ quan kiểm tra.

Ngoài ra, với tổ chức tài chính (ngân hàng, chứng khoán, fintech), Luật PCRT 2022 + Thông tư 20/2022 NHNN bắt buộc risk-based approach trong KYB — model risk phải có evidence + giải thích được; "black box" không chấp nhận trong thanh tra.

Tự xây vs mua dịch vụ — khi nào chọn cái nào

Tự xây hay mua — quyết định theo 4 tiêu chí

Quy mô scoring/tháng

Dưới 10K lượt/tháng — mua dịch vụ (FiinGroup, CIC, KYB SaaS) đủ + tiết kiệm. Trên 100K lượt/tháng — tự xây có ROI rõ. Khoảng giữa — hybrid (mua data + tự ghép LLM augmentation).

Data độc đáo

Có data riêng (lịch sử giao dịch khách hàng nội bộ, hành vi platform) — lợi thế tự xây vì model học pattern không bureau có. Không có data riêng — mua dịch vụ tốt hơn vì bureau có scale + đa dạng data hơn.

Data science team

Có team ≥3 người + MLOps — đủ sức tự xây + maintain. Không có — mua dịch vụ, tránh "build + bỏ".

Speed to market

Cần ra mắt < 3 tháng — mua dịch vụ. Có 6-12 tháng + ngân sách dev — tự xây có ROI tốt hơn dài hạn.

Thử ngay (không cần code): mở công cụ tra cứu doanh nghiệp → nhập MST một đối tác → đọc kỹ trang hồ sơ. Đây là dữ liệu đầu vào cấp 1 cho mọi model risk: trạng thái MST, vốn, tuổi, ngành, lịch sử thay đổi. Tự xây model risk thì layer này là feature gốc; mua dịch vụ thì kiểm tra dịch vụ có dùng các trường này không.

Muốn triển khai mô hình rủi ro 3 cấp này cho ngân hàng / fintech? Xem dịch vụ AI cho doanh nghiệp — quy trình 4 bước (workshop → POC → triển khai → vận hành) + tham chiếu giá.

Bài liên quan

Bắt đầu từ đâu: bắt đầu cấp 1 baseline trên portfolio thật của doanh nghiệp anh/chị — score-card 8-12 chỉ số nghiệp vụ + tính AUC trên outcome đã biết. Đây là điểm tham chiếu mọi model sau phải vượt qua. Đừng nhảy thẳng cấp 3 LLM khi chưa có baseline.

Câu hỏi thường gặp

AI đánh giá rủi ro doanh nghiệp khác chấm tín dụng truyền thống thế nào?
Chấm tín dụng truyền thống dùng rule-based hoặc score-card thống kê (Altman Z-score, Ohlson O-score, các score-card nội bộ ngân hàng) trên ~5-10 chỉ số tài chính. AI bổ trợ ở 3 chỗ: (1) mở rộng phổ dữ liệu — kết hợp data cấu trúc (tài chính) + phi cấu trúc cấp doanh nghiệp (công bố niêm yết, bản án, công bố cơ quan quản lý) qua NLP của LLM; (2) cập nhật liên tục — thay vì re-score hàng quý, monitor sự kiện đăng ký realtime; (3) phát hiện pattern phi tuyến — ML như gradient boosting bắt được tương tác giữa các biến mà rule cứng bỏ sót. Lưu ý: AI bổ trợ chứ không thay model truyền thống — kết hợp cả 3 cấp thường tốt hơn dùng riêng cấp 3.
Doanh nghiệp nhỏ có cần AI đánh giá rủi ro không?
Tuỳ ngữ cảnh. Cần ở 3 trường hợp: (1) cho vay/cấp tín dụng cho khách hàng (B2B SaaS gia hạn trả chậm, công ty cho vay tiêu dùng B2B, fintech) — bắt buộc theo Luật PCRT 2022 nếu hoạt động trong lĩnh vực tài chính; (2) ký hợp đồng giá trị lớn với đối tác mới — counterparty risk; (3) khi onboard nhiều đối tác cùng lúc — quản lý rủi ro hàng loạt. Không cần khi giao dịch nhỏ + trả tiền ngay + có hợp đồng + có thể tự kiểm tra thủ công. Đừng over-engineer khi rủi ro thật sự thấp.
Dùng AI đánh giá rủi ro có bị coi là 'phân biệt đối xử' không?
Có thể, nếu model học từ dữ liệu thiên kiến. Ví dụ thực tế: model credit Mỹ năm 2019 cho thấy phụ nữ + người da màu có rate từ chối cao hơn dù điều kiện tài chính tương tự. Tại Việt Nam, theo nguyên tắc Luật AI 134/2025/QH15 + PDPL, doanh nghiệp triển khai AI quyết định ảnh hưởng quyền lợi (tín dụng, hợp đồng) cần: (a) kiểm tra fairness định kỳ — so sánh kết quả qua các nhóm; (b) lưu hồ sơ training data + version model để giải trình; (c) có cơ chế cho phép chủ thể yêu cầu giải thích + phản hồi quyết định AI. Đừng triển khai 'black box' không giải thích được.
Tự xây AI risk hay mua dịch vụ có sẵn?
Tuỳ quy mô + dữ liệu sở hữu. Mua dịch vụ có sẵn (FiinGroup, CIC, các bureau tín dụng / KYB SaaS quốc tế) phù hợp khi: dưới 10K đối tác/lượt scoring, không có data science team, cần ra mắt nhanh, đối tác là DN VN có sẵn data ở bureau. Tự xây phù hợp khi: trên 100K lượt scoring/tháng, có data riêng độc đáo (lịch sử giao dịch khách hàng), cần customize model cho ngành nghiệp vụ riêng, có data science team. Hầu hết SME Việt nên mua dịch vụ + bổ sung LLM augmentation cho phần đặc thù.
AI risk có giải thích được quyết định không?
Có ở cấp 1 (rule-based, score-card — giải thích dễ: 'điểm thấp vì vốn nhỏ + DN mới + ngành rủi ro cao'), khá tốt ở cấp 2 (ML — dùng SHAP / LIME để chỉ ra feature nào đóng góp bao nhiêu), khó hơn ở cấp 3 (LLM — black-box). Cách thực tế: dùng cấp 1+2 cho điểm số chính, dùng cấp 3 (LLM) để bổ sung explanation language tự nhiên + flag adverse signal — KHÔNG dùng LLM làm điểm số chính. Pattern này cân bằng explainability + sức mạnh của LLM.
Failure mode nào nguy hiểm nhất khi triển khai AI risk?
4 failure phổ biến: (1) Data drift — phân phối dữ liệu thay đổi theo thời gian (ví dụ COVID làm phá vỡ pattern credit cũ); model train từ 2 năm trước có thể sai trong môi trường mới. Fix: monitor + retrain định kỳ. (2) Adversarial gaming — chủ thể biết model dùng feature gì, 'tô vẽ' số liệu để qua. Fix: thêm signal khó game (sự kiện thực, behavioral data). (3) Spurious correlation — model học pattern không có ý nghĩa nhân quả (ví dụ tỉnh thành tương quan với default chỉ vì historical). Fix: kiểm tra causally bằng feature interventions. (4) Concept drift trong LLM — kết quả LLM không nhất quán giữa các phiên bản model. Fix: pin model version + eval pipeline.

Bài cùng cụm — Đọc tiếp

6 bài khác trong cụm chủ đề Tự động hoá AI.