Trong vài năm gần đây, trí tuệ nhân tạo (AI) không chỉ là một xu hướng công nghệ mà đã trở thành động lực chính thay đổi toàn diện ngành tài chính trên toàn thế giới, trong đó có cả Việt Nam. Các tổ chức tài chính đang ứng dụng AI để phân tích dữ liệu khổng lồ, tự động hóa quy trình, dự báo thị trường, phát hiện gian lận, cải thiện dịch vụ khách hàng và tối ưu hóa hiệu quả hoạt động.
Những đổi mới này đã và đang giúp các doanh nghiệp tài chính nâng cao năng suất, giảm chi phí vận hành và tạo ưu thế cạnh tranh lâu dài trong môi trường số hóa sâu rộng.
Tuy nhiên, chìa khóa để thực sự khai thác sức mạnh của AI trong tài chính không chỉ nằm ở việc sử dụng công nghệ mà ở cách chúng ta tương tác và “giao tiếp” với AI như thế nào. Đây chính là lúc “Prompt Engineering” — một kỹ năng tưởng chừng đơn giản nhưng vô cùng quan trọng — trở thành **một yếu tố quyết định sự khác biệt giữa kết quả AI mơ hồ và kết quả AI chính xác, hữu ích trong công việc thực tế.
Prompt Engineering là gì?
Trong bối cảnh AI Generative (AI tạo nội dung), Prompt Engineering được hiểu là kỹ thuật soạn thảo và tối ưu hóa form yêu cầu (prompt) sao cho AI hiểu đúng và tạo ra kết quả phù hợp nhất với nhu cầu cụ thể của người dùng. Nếu coi AI là một “bộ não xử lý siêu tốc”, thì prompt chính là bản mô tả công việc bạn giao cho bộ não đó. Prompt càng rõ → AI càng hiểu đúng → kết quả càng chính xác.
Vì sao Prompt Engineering quan trọng trong ngành tài chính?
Với ngành tài chính nơi dữ liệu cực kỳ phức tạp, yêu cầu cao về độ chính xác và đầu ra thường phục vụ cho quyết định kinh doanh quan trọng — Prompt Engineering không còn là khái niệm xa lạ mà đang dần trở thành kỹ năng bắt buộc cho mọi chuyên viên tài chính hiện đại.
Không chỉ giúp AI trả lời đúng, prompt tốt còn khiến AI:
- Phân tích dữ liệu một cách có cấu trúc;
- Soạn báo cáo phù hợp với format doanh nghiệp;
- Tự động hóa quy trình lặp lại;
- Hỗ trợ ra quyết định chiến lược;
- Tối ưu thời gian và nâng cao hiệu suất công việc.
Vì vậy, Prompt Engineering đang trở thành cầu nối giữa dữ liệu, công nghệ và nhu cầu kinh doanh thực tế trong tài chính, từ báo cáo tài chính, dự báo doanh thu, phân tích rủi ro, cho đến soạn thảo nhận xét quản trị và lập kế hoạch ngân sách.
Sự khác biệt giữa prompt mơ hồ và prompt chuẩn trong Prompt Engineering
Một trong những nội dung cốt lõi của Prompt Engineering chính là nhận diện và khắc phục sự khác biệt giữa prompt mơ hồ và prompt chuẩn. Đây cũng là lý do vì sao Prompt Engineering không chỉ là “viết cho dài hơn”, mà là viết đúng hơn, rõ hơn và phù hợp với mục đích sử dụng, đặc biệt là trong lĩnh vực tài chính.
Trong thực tế, rất nhiều người sử dụng AI bằng cách nhập vào những yêu cầu ngắn gọn và chung chung, với kỳ vọng AI sẽ tự hiểu toàn bộ bối cảnh. Nhưng AI không có khả năng “đoán ý” như con người. Khi thiếu thông tin, nó buộc phải dựa vào các mẫu chung, và kết quả vì thế cũng mang tính chung chung.
Ví dụ, giả sử một chuyên viên tài chính muốn hiểu vì sao lợi nhuận quý IV của công ty giảm so với quý III. Nếu người đó chỉ nhập một prompt mơ hồ như: “Phân tích vì sao lợi nhuận quý này giảm.”
Trong trường hợp này, AI không biết:
- Doanh nghiệp thuộc ngành gì,
- “Quý này” là quý nào, năm nào,
- Mức giảm bao nhiêu là đáng kể,
- Phân tích để làm gì: báo cáo nội bộ, giải trình hay ra quyết định.
Do đó, AI thường sẽ trả lời bằng những nguyên nhân chung như chi phí tăng, doanh thu giảm, thị trường khó khăn, cạnh tranh cao. Những nội dung này không sai, nhưng không gắn với dữ liệu thực tế và không thể dùng trực tiếp cho công việc.
Ngược lại, khi áp dụng đúng tư duy Prompt Engineering, người dùng sẽ chuyển yêu cầu đó thành một prompt có cấu trúc rõ ràng hơn, ví dụ:
“Dựa trên báo cáo kết quả kinh doanh quý III và quý IV năm 2025 của công ty A, hãy phân tích các nguyên nhân chính khiến lợi nhuận sau thuế quý IV giảm 12% so với quý III. Tập trung vào các yếu tố: biến động doanh thu theo từng mảng, thay đổi chi phí vận hành và chi phí tài chính. Viết kết quả dưới dạng một đoạn phân tích ngắn để trình bày trong báo cáo nội bộ cho ban giám đốc.”
Ở đây, Prompt Engineering thể hiện ở việc làm rõ:
- Bối cảnh dữ liệu,
- Mục tiêu phân tích,
- Phạm vi nội dung cần tập trung,
- Đối tượng sử dụng kết quả,
- Hình thức đầu ra mong muốn.
Nhờ vậy, AI không còn trả lời “chung về tài chính”, mà đang phân tích một tình huống tài chính cụ thể theo đúng nhu cầu của doanh nghiệp.
Có thể nói, Prompt Engineering chính là kỹ năng biến một câu hỏi mơ hồ thành một yêu cầu nghiệp vụ rõ ràng và đó là yếu tố quyết định để AI trở thành công cụ hỗ trợ thực sự trong ngành tài chính, chứ không chỉ là một hệ thống trả lời tự động.
Vì sao không nên chỉ dùng AI mặc định?
1. AI mặc định hiện có trong nhiều nền tảng tài chính
Hiện nay, nhiều phần mềm tài chính và nền tảng phân tích dữ liệu đã tích hợp sẵn các chức năng AI, ví dụ như:
- Tự động tóm tắt dashboard và báo cáo số liệu.
- Tự động giải thích biến động chỉ số theo mẫu có sẵn.
- Tự động viết nhận xét tài chính theo form chuẩn.
- Tự động tạo báo cáo định kỳ.
Các tính năng này giúp tiết kiệm thời gian và phù hợp cho các tình huống phổ biến. Chúng hoạt động tốt khi nhu cầu phân tích ở mức tổng quát, không yêu cầu bối cảnh riêng của từng doanh nghiệp.
Ví dụ: khi cần biết “doanh thu tháng này tăng hay giảm so với tháng trước”, AI mặc định có thể đưa ra câu trả lời nhanh và đúng về mặt số liệu.
2. Hạn chế của AI mặc định trong bối cảnh doanh nghiệp cụ thể
Vấn đề xuất hiện khi doanh nghiệp cần sử dụng AI cho các mục đích chuyên sâu hơn như: ra quyết định chiến lược, báo cáo cho ban lãnh đạo, hoặc giải trình với nhà đầu tư.
Mỗi doanh nghiệp có:
- Cơ cấu chi phí khác nhau (tỷ trọng nhân sự, marketing, vận hành, tài chính…).
- Mô hình kinh doanh khác nhau (B2B, B2C, dịch vụ, sản xuất…).
- Mục tiêu khác nhau (tăng trưởng, ổn định dòng tiền, mở rộng thị trường…).
- Chuẩn báo cáo nội bộ khác nhau.
AI mặc định không nắm được những đặc thù này. Vì vậy, output của nó thường:
- Mang tính chung chung.
- Không phản ánh đúng thực trạng doanh nghiệp.
- Không đúng cấu trúc hoặc ngôn ngữ mà lãnh đạo yêu cầu.
Ví dụ: hai công ty đều có chi phí marketing tăng 10%, nhưng với công ty đang mở rộng thị trường thì đây là tín hiệu tích cực, còn với công ty đang cần kiểm soát chi phí thì đây là rủi ro. AI mặc định thường không phân biệt được điều này.
Vai trò của Prompt Engineering
Đây là lý do vì sao Prompt Engineering trở thành yếu tố then chốt khi ứng dụng AI trong tài chính.
Prompt Engineering cho phép doanh nghiệp:
- Xác định rõ mục tiêu phân tích.
- Xác định rõ loại dữ liệu cần sử dụng.
- Xác định rõ đối tượng đọc kết quả (ban giám đốc, hội đồng quản trị, nhà đầu tư…).
- Xác định rõ hình thức trình bày (báo cáo ngắn, phân tích chi tiết, slide, email…).
Từ đó, doanh nghiệp có thể xây dựng các “private prompt” — tức là các form yêu cầu riêng, phản ánh đúng logic nội bộ và chuẩn báo cáo của tổ chức.
Các prompt này không phải viết một lần rồi xong, mà được cải tiến theo vòng lặp: viết → thử → tinh chỉnh → lưu thành template để dùng lâu dài. Nhờ Prompt Engineering, AI không còn là công cụ tạo nội dung chung chung, mà trở thành một trợ lý phân tích được “huấn luyện” theo đúng ngữ cảnh của từng doanh nghiệp.
4 ví dụ Prompt Engineering cho người làm tài chính
Phần này minh họa cách Prompt Engineering được áp dụng trực tiếp vào các nghiệp vụ tài chính phổ biến nhất. Mỗi ví dụ không chỉ là một “câu lệnh cho AI”, mà là một mô hình chuẩn hóa cách đặt vấn đề tài chính cho AI xử lý. Khi được thiết kế đúng, prompt giúp AI tạo ra output có thể sử dụng ngay trong công việc, thay vì chỉ mang tính tham khảo.
-
Phân tích hiệu quả kinh doanh
Trong phân tích tài chính doanh nghiệp, việc so sánh số liệu giữa các kỳ chỉ là bước đầu. Điều quan trọng hơn là xác định nguyên nhân kinh tế phía sau biến động và đánh giá tác động của chúng.
Prompt mẫu:
“Phân tích kết quả kinh doanh tháng 12 so với tháng 11 năm 2025 của công ty A theo 3 chỉ số: doanh thu, biên lợi nhuận gộp và chi phí vận hành. Với mỗi chỉ số, hãy nêu nguyên nhân chính gây biến động và đánh giá đó là tín hiệu tích cực hay rủi ro. Trình bày dưới dạng một đoạn phân tích ngắn phục vụ báo cáo nội bộ.”
Prompt không chỉ yêu cầu “phân tích”, mà xác định rõ:
- Phạm vi thời gian,
- Các chỉ số cần tập trung,
- Mục tiêu phân tích (hiểu nguyên nhân và đánh giá tác động),
- Hình thức sử dụng (báo cáo nội bộ).
Nhờ đó, AI không chỉ mô tả số liệu mà thực hiện vai trò của một nhà phân tích tài chính.
-
Dự báo tài chính theo kịch bản
Dự báo tài chính không nên chỉ là ngoại suy số liệu, mà cần gắn với giả định và mức độ bất định của môi trường kinh doanh.
Prompt mẫu:
“Dựa trên dữ liệu doanh thu 12 tháng gần nhất, hãy dự báo doanh thu 3 tháng tới theo 3 kịch bản: lạc quan, cơ sở và thận trọng. Với mỗi kịch bản, nêu rõ giả định chính về thị trường và chi phí. Trình bày kết quả ngắn gọn cho mục đích lập kế hoạch ngân sách.”
Prompt buộc AI không chỉ tạo ra con số, mà phải:
- Phân biệt các kịch bản,
- Gắn con số với giả định,
- Phản ánh tính không chắc chắn trong dự báo.
Điều này giúp kết quả dự báo trở thành công cụ hỗ trợ ra quyết định, thay vì chỉ là phép tính kỹ thuật.
-
Phân tích và quản trị rủi ro
Quản trị rủi ro tài chính yêu cầu cách nhìn có hệ thống, không chỉ liệt kê rủi ro mà còn đánh giá mức độ ảnh hưởng và khả năng kiểm soát.
Prompt mẫu:
“Xác định 5 rủi ro tài chính lớn nhất công ty có thể đối mặt trong 12 tháng tới, phân loại theo: rủi ro thị trường, rủi ro vận hành, rủi ro thanh khoản và rủi ro pháp lý. Với mỗi rủi ro, đánh giá mức độ ảnh hưởng và đề xuất một biện pháp giảm thiểu.”
Prompt này phản ánh logic chuẩn của khung quản trị rủi ro, giúp AI suy nghĩ theo cấu trúc quản trị thay vì đưa ra danh sách rủi ro rời rạc.
-
Soạn báo cáo cho ban lãnh đạo
Ban lãnh đạo không cần báo cáo chi tiết từng con số, mà cần bức tranh tổng thể, vấn đề trọng tâm và hướng hành động.
Prompt mẫu:
“Soạn bản tóm tắt 1 trang cho ban giám đốc về tình hình tài chính quý này, tập trung vào: kết quả chính, vấn đề tồn tại và khuyến nghị hành động. Ngôn ngữ súc tích, thiên về định hướng quyết định.”
Ở đây, Prompt Engineering thể hiện ở việc xác định đúng đối tượng đọc, đúng mục tiêu sử dụng và đúng phong cách trình bày.
Kết luận
Prompt Engineering chính là cầu nối giữa ba yếu tố: dữ liệu, nghiệp vụ và công nghệ. Nó giúp biến dữ liệu thành thông tin, thông tin thành hiểu biết và hiểu biết thành hành động. Trong bối cảnh dữ liệu ngày càng nhiều, thị trường ngày càng phức tạp và áp lực ra quyết định ngày càng lớn, khả năng đặt đúng câu hỏi quan trọng không kém khả năng đọc đúng con số.
Vì vậy, người làm tài chính trong tương lai không chỉ cần thành thạo Excel, Power BI hay SQL, mà còn cần thành thạo cách hướng dẫn AI làm việc đúng theo logic tài chính. Prompt Engineering vì thế không phải là một kỹ năng phụ trợ, mà đang dần trở thành một kỹ năng nền tảng mới của nghề tài chính trong kỷ nguyên AI.
Đừng quên follow fanpage UniTrain để cập nhật thêm nhiều kiến thức bổ ích.
Xem thêm
[Khóa học] Practical AI in business
[Free Download] Human + Machine Reimagining Work in the Age of AI
[Kiến thức bổ ích] Trí tuệ nhân tạo (AI): Cơ hội hay mối đe dọa đối với lao động con người?
