Cứ vài tuần lại có một bài "AI sắp thay thế nghề phân tích tài chính". Vài tuần sau lại có bài "AI chỉ là công cụ, đừng lo". Cả hai đều dễ viết, và đều vô dụng với người tối nay phải quyết định học cái gì.

Một bản dự phóng tử tế phải trả lời ba câu: nhóm nào thu hẹp, nhóm nào mở rộng, và đi từ bên này sang bên kia bằng đường nào.

Trước khi vào phần đó, nói rõ để bạn khỏi phải chọn phe: bạn không cần tin dự phóng của mình, chỉ cần cân hai cái giá.

→ Bạn chuẩn bị mà mình đoán sai: mất mấy chục buổi tối, và vẫn giỏi hơn ở chính việc đang làm.

→ Bạn không chuẩn bị mà mình đoán đúng: mất phần lớn giá trị thị trường, đúng lúc không còn thời gian xây bằng chứng.

Hai cái sai đó không cùng giá. Bài này chỉ nói về độ lệch giữa chúng.

1️⃣ Nhóm teo, nhóm nở

Đường phân chia không nằm ở chỗ việc đó khó hay dễ, cũng không nằm ở chỗ nó dùng Excel hay dùng Python. Nó nằm ở một câu hỏi duy nhất: việc này có mô tả được thành quy trình không? Cái gì viết ra được thành các bước rõ ràng thì sớm muộn cũng có máy làm rẻ hơn. Cái gì đòi bối cảnh và đòi một người đứng tên chịu trách nhiệm thì không.

Nhóm đang teo (mô tả được thành quy trình):

→ Gom số nhiều nguồn về một file tổng

→ Đối chiếu số hai hệ thống bằng mắt

→ Soạn báo cáo định kỳ theo mẫu cố định

→ Chạy lại công thức dựng sẵn, thay số mới

→ Dựng khung mô hình, công thức, bảng độ nhạy từ đầu

→ Dò lỗi file: số gõ cứng, công thức đứt link

→ Viết nhận xét mô tả từ số đã tính

→ Chỉnh định dạng báo cáo

Nhóm đang nở (đòi bối cảnh và người đứng tên):

→ Thiết kế hệ thống số đáng tin: một nguồn duy nhất, có đối chiếu, người làm khác người duyệt

→ Chốt giả định và nguồn số cho một mô hình

→ Phán đoán nguyên nhân kinh doanh sau con số (AI không đi họp với Sales, bạn thì có)

→ Bài toán đòi bối cảnh: M&A (mua bán sáp nhập), tái cấu trúc, chính sách giá

→ Dựng kịch bản: cái gì phải đúng thì phương án A mới thắng

→ Phiên dịch số thành quyết định: một trang tóm tắt, ba phương án, ai làm gì

→ Đặt ngưỡng cảnh báo rủi ro và người chịu trách nhiệm

→ Quản trị AI: giao việc nào, kiểm ra sao, ai ký khi phát hành

Tự chẩn đoán: mở task list (danh sách việc) tuần rồi ra, ước lượng bao nhiêu phần trăm thời gian rơi vào nhóm trên.

✨ Một con số để tự soi: khảo sát FP&A Trends 2025 cho thấy các đội kế hoạch và phân tích tài chính đang dành 46% thời gian cho khâu gom và làm sạch dữ liệu. Của bạn bao nhiêu?

Chắc bạn nghĩ: dự phóng ba năm về AI là trò bói. Người viết không trả giá nếu sai, người đọc thì có. Hai năm trước cũng có người bảo 2025 sẽ không còn chỗ cho nghề phân tích, giờ vẫn tuyển đều.

Đúng. Nên mình không bán độ chắc chắn.

Mình có thể sai về tốc độ. Cái mình tự tin hơn là thứ tự: phần mô tả được thành quy trình rẻ đi trước, phần đòi bối cảnh và trách nhiệm rẻ đi sau, hoặc không rẻ.

Thứ tự đó dễ đoán hơn tốc độ vì nó không phụ thuộc vào mô hình AI thế hệ nào, mà phụ thuộc vào việc ai ký tên dưới con số. Nếu dữ liệu doanh nghiệp Việt còn lộn xộn và quy định còn chặt, cửa sổ sẽ rộng hơn.

2️⃣ Ba vai đang hình thành

Ba cái tên dưới đây là cách gọi đang hình thành ở thị trường đi trước, chưa thành chuẩn ở đâu. Điểm chung của cả ba: chúng không sinh ra từ một công cụ mới, mà sinh ra từ chỗ trách nhiệm bị bỏ trống khi AI bắt đầu chạm vào con số.

• Người giữ độ tin cậy của số (finance data steward). Mỗi chỉ số có một người đứng tên, số lệch thì biết hỏi ai. Vào cửa bằng: hiểu quy trình đóng sổ, dựng được quy tắc đối chiếu và cơ chế người làm khác người duyệt.

• Người dẫn tự động hóa cho khối kế hoạch tài chính (FP&A automation lead). Vào cửa bằng: hiểu nghiệp vụ đủ sâu để biết bước nào được chạy tự động, bước nào phải dừng cho người xem.

• Người kiểm soát AI trong tài chính (AI controller). Vào cửa bằng: dựng được bộ ca chuẩn có đáp án để chấm AI, biết lưu dấu vết (ai hỏi gì, AI nào trả lời, ai duyệt), biết việc nào tuyệt đối không giao AI.

Cả ba vai đều đứng trên nền tài chính vững. AI nhân năng suất người giỏi nghề, chứ không thay phán đoán.

3️⃣ 24 tháng, mỗi mốc một bằng chứng

Nhóm việc đang nở không phải một môn học. Nó là một vị trí trách nhiệm. Chẳng ai học để thành người chịu trách nhiệm cho độ tin cậy của số — bạn phải đang chịu trách nhiệm thì mới có cái để nói. Bằng chứng chỉ sinh ra từ thứ bạn đã sở hữu, nên kế hoạch dưới đây tính bằng năm, không bằng giờ học.

Năm thứ nhất: hệ thống hóa nghiệp vụ đang làm, học có cấu trúc thay vì nhặt mẹo.

Rồi đưa ba tác vụ lặp nhiều nhất lên chế độ có AI hỗ trợ, có người kiểm.

→ Bằng chứng: ba tác vụ, có số trước và sau, và bạn giữ khâu kiểm.

Năm thứ hai: sở hữu MỘT hệ thống chạy trọn từ đầu tới cuối — một dashboard, một quy trình đóng sổ, hay một mô hình dự báo. Song song, viết bộ kiểm định đầu tiên cho tác vụ giao AI.

→ Bằng chứng: một câu nói được khi phỏng vấn mà không cần ai bảo lãnh: cái này tôi chịu trách nhiệm.

Kế hoạch này không phải học xong rồi ứng tuyển, mà là nhận một mảnh trách nhiệm ngay trong việc đang làm rồi để nó lớn dần.

Nói cho sòng phẳng: nó tốn thời gian thật, buổi tối thật, và có thể mình đoán sai nhịp. Mình vẫn thấy cái giá đó dễ chịu hơn vế còn lại.

Tương lai không hỏi bạn lạc quan hay bi quan về AI. Nó hỏi task list của bạn năm 2027 gồm những gì. Câu đó bạn được quyền tự viết từ tuần này.

Tìm hiểu về chương trình bạn sẽ học được kiến thức thật sự nền tảng & ứng dụng thực tế cao, không chỉ kiến thức bề mặt!

---------

🔔+250.000 người đăng ký theo dõi chúng tôi trên các nền tảng: https://www.mastering-da.com/newsletter

Khung năng lực và bộ kiểm định cho AI trong tài chính, bên mình có dạy trong chương trình Finance Analytics Agent Skills (FA) - dành cho tài chính, kế hoạch, quản trị và CFO: https://www.mastering-da.com/finance-analytics-agent-skills-program

📌Tham khảo các chương trình khác:

→ Agentic AI Analytics (BI) dành cho mọi phòng ban làm việc với dữ liệu: https://www.mastering-da.com/agentic-ai-anlytics-program

Tại MDA nơi tập trung vào tư duy phân tích & năng lực ra quyết định, không chỉ công cụ.

#PhuongThaoAnalytics #AI #Analytics #DataDriven #AgenticAI #MasteringDataAnalytics

Until next time, keep turning data into decisions!