AI đã làm được phân tích BCTC, cổ phiếu, vậy chuyên viên phân tích còn làm gì?

AI không thay thế chuyên viên phân tích tài chính, nhưng đang định hình lại toàn bộ luật chơi: công cụ xử lý số liệu thô, còn con người nắm giữ năng lực xét đoán và ra quyết định.

Dù nghiên cứu từ Chicago Booth cho thấy GPT-4 dự báo chiều lợi nhuận chính xác 60% (vượt mức 53% của các chuyên viên), AI vẫn chỉ là trợ thủ đắc lực ở khâu tính toán. Giá trị cốt lõi của người làm phân tích không còn nằm ở việc tính đúng một chỉ số, mà ở khả năng kiểm chứng dữ liệu, bổ sung bối cảnh thực tế và chịu trách nhiệm giải trình cho khuyến nghị cuối cùng.

Bài viết này bóc tách ba lớp vấn đề: AI thực sự làm được gì, điểm mù của mô hình nằm ở đâu, và bạn cần chuẩn bị bộ khung năng lực nào để không bị bỏ lại phía sau.

AI thực sự đã làm được gì trong phân tích BCTC và cổ phiếu?

Hiện nay, AI làm tốt nhất ở các tác vụ tài chính có cấu trúc và lặp lại: tự động hóa trích xuất dữ liệu từ báo cáo tài chính, tính toán đồng loạt các chỉ số (ROE, P/E, đòn bẩy) và dự báo chiều tăng giảm lợi nhuận ngắn hạn dựa trên mô hình định lượng. Tuy nhiên, độ chính xác của AI phụ thuộc hoàn toàn vào khung câu lệnh và phương pháp phân tích do con người thiết lập. 

AI xử lý vượt trội ở các tác vụ lặp lại và có cấu trúc: bóc tách số liệu từ báo cáo tài chính, tính hàng loạt tỷ số tài chính, so sánh chuỗi thời gian và tóm tắt thuyết minh. Thậm chí ở một số bài toán dự báo chiều tăng giảm của lợi nhuận, AI đã vượt qua mức trung vị của con người.

Nghiên cứu Chicago Booth: GPT-4 dự báo lợi nhuận nhỉnh hơn chuyên viên

Nghiên cứu của nhóm tác giả Kim, Muhn và Nikolaev sử dụng tập dữ liệu Compustat gồm 150.678 quan sát doanh nghiệp theo năm (1968–2021). Mô hình chỉ được tiếp cận hai báo cáo dạng chuẩn hóa, không có thuyết minh và không có tên doanh nghiệp.

Nguồn: Kim, Muhn & Nikolaev (2024), Financial Statement Analysis with Large Language Models.

Điểm đáng chú ý nằm ở sự khác biệt giữa hai dòng cuối. Khi chỉ nhận câu lệnh chung chung (“hãy phân tích”), GPT-4 chỉ đạt kết quả tương đương con người. Độ chính xác chỉ bật lên 60% khi các nhà nghiên cứu thiết kế câu lệnh mô phỏng đúng quy trình tư duy của một chuyên viên tài chính: bóc tách biến động khoản mục, tính chỉ số sinh lời, thanh khoản, đòn bẩy, diễn giải bối cảnh rồi mới đưa ra kết luận. Nói cách khác, AI chỉ dự báo thông minh khi được dẫn dắt bởi một phương pháp luận phân tích chuẩn mực từ con người.

Bộ kiểm thử Vals AI: Khả năng thay thế analyst mới vào nghề tới đâu?

Để đo lường chính xác năng lực thực tế của AI trong ngành tài chính, Vals AI – nền tảng kiểm thử AI độc lập có trụ sở tại Mỹ – đã phối hợp cùng nhóm nghiên cứu Đại học Stanford và các chuyên gia từ ngân hàng đầu tư quốc tế xây dựng bộ tiêu chuẩn đánh giá gồm 537 bài toán thực chiến.

Bộ kiểm thử này mô phỏng chính xác những tác vụ hằng ngày của một analyst mới vào nghề: tra cứu hồ sơ nộp lên Ủy ban Chứng khoán Mỹ (SEC), tính toán chỉ số, đối chiếu với dự phóng của ban lãnh đạo và dựng mô hình tài chính. Kết quả cho thấy các mô hình AI làm rất tốt ở nhóm câu hỏi định lượng và tra cứu định tính cơ bản – vốn là những đầu việc lặp lại và tốn nhiều thời gian nhất của nhân sự mới.

Tác động của AI thực tế tại thị trường Việt Nam

Làn sóng này không còn là câu chuyện xa xôi ở phố Wall. Tại Việt Nam, nhiều định chế tài chính đã bắt đầu đưa AI vào quy trình phân tích và phục vụ khách hàng. Điển hình như DNSE triển khai trợ lý ảo Ensa để hỗ trợ lọc thông tin và gợi ý cổ phiếu theo khẩu vị rủi ro. Nhiều lãnh đạo phân tích tại các công ty chứng khoán lớn như SSI cũng nhận định tác động của AI trong ngắn hạn là rất rõ rệt, với tín hiệu đầu tiên là tự động hóa và tiết giảm chi phí vận hành ở khâu xử lý dữ liệu thô.

Toàn bộ phần việc “đọc số và tính toán chỉ số” đang dần được tự động hóa với chi phí ngày càng rẻ. Nếu năng lực chuyên môn của bạn chỉ dừng lại ở việc đọc số và tính đúng công thức, áp lực đào thải sẽ đến rất nhanh.

Vì sao AI chưa thể ra quyết định khuyến nghị đầu tư?

AI chưa thể tự đưa ra khuyến nghị đầu tư vì 3 điểm nghẽn lớn: (1) Tỷ lệ sai số thực tế vẫn cao đối với các quyết định tiền thật; (2) Hiệu quả mô hình giảm mạnh trong giai đoạn thị trường khủng hoảng do thiếu dữ liệu tương thích; và (3) Hoàn toàn không tiếp cận được “thông tin mềm” như năng lực ban lãnh đạo, văn hóa doanh nghiệp hay chu kỳ ngành. 

1. Tỷ lệ sai số vẫn quá lớn cho những quyết định bằng tiền thật

Ngay trên bộ kiểm thử Vals AI, các mô hình hàng đầu vẫn trả lời sai khoảng một phần ba số câu hỏi nghiệp vụ. Ở các kiểm thử độc lập khác như FinanceBench (Patronus AI), mô hình ngôn ngữ lớn vẫn có thể trích xuất sai lệch tỷ lệ đáng kể ngay cả khi văn bản chứa đáp án đã được cung cấp sẵn. Trong quản lý danh mục và ngân hàng đầu tư, chỉ một con số tài chính bị diễn giải sai lệch cũng đủ phá hủy tính hợp lý của toàn bộ mô hình định giá.

2. AI yếu nhất đúng lúc thị trường cần năng lực phân tích nhất

Một phát hiện cốt lõi từ nghiên cứu của Chicago Booth: độ chính xác của GPT-4 sụt giảm rõ rệt vào các giai đoạn khủng hoảng tài chính (như 1974, 2008-2009 hay 2020). Mô hình cũng bộc lộ nhiều sai sót hơn con người khi phân tích các doanh nghiệp đang thua lỗ hoặc có biên lợi nhuận biến động dị thường.

Lý do là AI học từ dữ liệu quá khứ, trong khi khủng hoảng hay tái cấu trúc là những thời điểm mà quy luật cũ bị bẻ gãy. Ngược lại, chuyên viên phân tích con người có khả năng xâu chuỗi bối cảnh vĩ mô, chu kỳ ngành và “thông tin mềm” để đưa ra đánh giá sát thực hơn.

3. Người mới vào nghề là tệp chịu sức ép trực tiếp

Một nghiên cứu của Stanford (Brynjolfsson, Chandar & Chen) dựa trên dữ liệu bảng lương diện rộng tại Mỹ cho thấy: nhóm nhân sự trẻ (22-25 tuổi) trong các ngành nghề chịu tác động mạnh từ AI bị sụt giảm việc làm tương đối so với nhóm nhân sự giàu kinh nghiệm.

Quy luật đối với người học tài chính rất rõ ràng: Nếu năng lực của bạn chỉ dừng ở việc “nhập liệu và tính đúng chỉ số”, bạn đang cạnh tranh trực tiếp với một thuật toán chạy mất vài giây. Nhưng nếu bạn biết vì sao một chỉ số tài chính biến động dị thường, khi nào nên dùng mô hình định giá nào và bảo vệ được luận điểm đầu tư của mình, AI sẽ trở thành trợ thủ đắc lực.

Những việc trong phân tích cổ phiếu mà AI không thể làm thay con người

Khi AI giải quyết khâu xử lý số liệu, chuyên viên tài chính sẽ tập trung vào vai trò xét đoán (Judgement): kiểm chứng dữ liệu, phản biện kết quả của công cụ, lồng ghép bối cảnh thực tế và chịu trách nhiệm đạo đức trước hội đồng đầu tư hay khách hàng. Đây chính là định hướng mà CFA Institute gọi là AI + HI (Trí tuệ nhân tạo cộng hưởng với Trí tuệ con người).

Chuyển dịch này đòi hỏi chuyên viên phân tích phải thành thạo 5 năng lực then chốt:

1. Thiết kế quy trình phân tích chuẩn: AI chỉ đưa ra kết quả giá trị khi người sử dụng có tư duy logic để dẫn dắt câu lệnh và xây dựng khung tiếp cận bài bản.
2. Kiểm chứng dữ liệu và nhận diện bất thường: Khả năng nhìn thấu mối liên hệ giữa các báo cáo để phát hiện điểm vô lý: dòng tiền kinh doanh âm kéo dài dù lợi nhuận báo cáo tăng cao, hay sự phình to bất thường của các khoản phải thu.
3. Đưa thông tin mềm vào phân tích: Báo cáo tài chính phản ánh những gì đã xảy ra; nhà phân tích phải lý giải được động lực phía trước: năng lực thực thi của ban điều hành, lợi thế cạnh tranh hay rào cản gia nhập ngành.
4. Thẩm định giả định định giá: AI có thể chạy mô hình DCF hay P/E chỉ sau một cú nhấp chuột, nhưng chi phí vốn (WACC) lấy bao nhiêu, mức chiết khấu rủi ro quản trị thế nào là bài toán cần phán đoán chuyên môn.
5. Trách nhiệm nghề nghiệp và đạo đức: Quyết định giải ngân vốn liên quan trực tiếp đến rủi ro tài chính của nhà đầu tư, đòi hỏi tính minh bạch và sự chịu trách nhiệm giải trình mà không một hệ thống thuật toán nào có thể thay thế.

Rèn luyện năng lực xét đoán qua CFA: Hành trình từ Kiến thức đến Nhận định độc lập

Năng lực xét đoán không tự nhiên hình thành qua việc học thuộc lý thuyết trong sách vở hay tự tra cứu tài liệu rời rạc. Nó đòi hỏi một khung chuyên môn chuẩn mực cùng môi trường thực hành liên tục trên các tình huống tài chính thực tế.

Chương trình CFA (Chartered Financial Analyst) từ lâu đã đóng vai trò là một “bộ khung chuyên môn” (framework) toàn diện, trang bị cho người học tư duy phân tích tài chính, định giá và quản trị rủi ro theo chuẩn mực quốc tế. CFA Institute cũng đã chính thức tích hợp các học phần kỹ năng thực hành (Practical Skills Module) bắt buộc như Financial Modeling, Python và Khoa học dữ liệu/AI vào chương trình học, giúp ứng viên vừa vững nền tảng nguyên lý, vừa biết cách ứng dụng công nghệ hiệu quả.

Tại Việt Nam, nhằm giúp người học thu hẹp khoảng cách giữa lý thuyết bài thi và yêu cầu khắt khe của thị trường, SAPP Academy định vị hành trình học tập không chỉ dừng lại ở việc tiếp thu kiến thức, mà hướng đến việc phát triển năng lực phân tích và bảo vệ nhận định dựa trên 4 trụ cột thực chiến:

• Hiểu bản chất: Thay vì ghi nhớ công thức máy móc, học liệu tại SAPP được mô hình hóa theo sơ đồ logic từ tổng thể đến chi tiết, giúp người học giải thích được nguyên lý vận hành của các công cụ tài chính và biết lý do vì sao cần chọn phương pháp này thay vì phương pháp khác.
• Kiểm chứng bằng kiến thức: Đúng phép tính không đồng nghĩa với kết luận đáng tin cậy. Thông qua các bài tập tình huống thực tế và hoạt động AI-integrated Case Study, học viên sử dụng AI như công cụ trợ lực, sau đó dùng khung chuyên môn CFA để kiểm tra lại dữ liệu đầu vào, bóc tách các giả định ẩn và đánh giá mức độ hợp lý của kết quả mà AI đưa ra.
• Phản biện có cơ sở: Người học rèn luyện tư duy không mặc định tin vào kết quả công cụ hay một góc nhìn duy nhất. Từ việc nhìn nhận đa chiều về rủi ro, phân tích độ nhạy và so sánh các kịch bản, học viên tự hình thành nhận định độc lập: có căn cứ rõ ràng để đồng thuận, điều chỉnh hay bác bỏ đề xuất của AI.
• Hoàn thiện nhận định qua phản hồi chuyên gia: Sau khi đưa ra nhận định riêng, học viên nhận được phản hồi trực tiếp (Coaching) từ các giảng viên chuyên gia giàu kinh nghiệm tại quỹ đầu tư hay công ty chứng khoán. Giảng viên không áp đặt kết luận đúng – sai, mà giúp học viên nhận diện các rủi ro hay giả định còn bỏ sót, từ đó mở rộng góc nhìn và hoàn thiện lập luận một cách vững chắc.

Cách tiếp cận này giúp người học bước qua giới hạn của một người “nhập liệu và tính số”, từng bước xây dựng phản xạ tư duy độc lập để tự tin đưa ra và bảo vệ các quyết định tài chính có cơ sở.

Tạm kết

AI đang tái định hình tốc độ làm việc của ngành tài chính, nhưng cũng đồng thời nâng cao tiêu chuẩn chuyên môn đối với người làm nghề. Sự khác biệt bền vững giữa một chuyên viên phân tích giá trị cao và một thuật toán tự động hóa nằm ở khả năng kiểm chứng, tư duy phản biện và trách nhiệm đằng sau mỗi nhận định đầu tư.

Nếu bạn muốn trang bị nền tảng CFA bài bản gắn liền với tư duy phân tích thực chiến, bạn có thể tìm hiểu thêm về lộ trình học và hệ thống học liệu tại đây hoặc liên hệ Fanpage để được tư vấn lộ trình học 1:1 phù hợp với mục tiêu nghề nghiệp của mình.