Bài phát biểu của Thống đốc Waller về việc vận hành AI tại Cục Dự trữ Liên bang

Cảm ơn Chủ tịch Collins, và cảm ơn quý vị đã tạo cơ hội để tôi phát biểu ngày hôm nay.1 Trí tuệ nhân tạo là một hiện tượng công nghệ đang làm chao đảo thế giới. Chúng ta đọc về nó hàng ngày và nhiều người trong số chúng ta đã sử dụng nó theo cách này hay cách khác. Trong đời tôi, tôi chưa từng chứng kiến một cuộc cách mạng công nghệ nào như thế này—và tôi đã chứng kiến sự ra đời của khám phá vũ trụ, sự phát triển của máy tính cá nhân, sự bùng nổ của internet rồi điện thoại thông minh. Dù đều mang tính biến đổi, nhưng không ai sánh bằng tiềm năng của AI trong việc thay đổi cuộc sống của chúng ta với tốc độ chóng mặt. Các công ty, hộ gia đình và mọi chính phủ đều cố gắng tích hợp AI vào cách họ hoạt động và vận hành. Và tôi ở đây để nói với quý vị rằng Cục Dự trữ Liên bang cũng không ngoại lệ.

Vì vậy, dựa trên chủ đề của hội nghị này và thành phần khán giả, tôi cảm thấy đây là thời điểm thích hợp để thảo luận về cách hệ thống Cục Dự trữ Liên bang đang sử dụng trí tuệ nhân tạo để xây dựng và tối ưu hóa các hệ thống hỗ trợ công việc của chúng ta, cũng như tích hợp nó vào các ứng dụng nội bộ khác.

Hầu hết mọi người liên tưởng Cục Dự trữ Liên bang với chính sách tiền tệ—lãi suất, lạm phát, và các quyết định gây chú ý khi các quan chức Fed họp tám lần mỗi năm. Nhưng phần lớn hoạt động hàng ngày của chúng ta là thực hiện các công việc vận hành như thanh toán, quản lý tài chính, nhân sự, và cung cấp dịch vụ tài chính cho Bộ Tài chính Hoa Kỳ. Một yếu tố then chốt của công việc vận hành này chính là công nghệ. AI là công nghệ mới nhất mà chúng ta đang tích hợp vào công việc hàng ngày để đạt được hiệu quả vận hành.

Fed được thành lập năm 1913 như một hệ thống các ngân hàng khu vực, và về mặt lịch sử, nhiều quyết định công nghệ được đưa ra từng ngân hàng một. Điều này hợp lý trong một thời kỳ trước, khi mỗi Ngân hàng Dự trữ hoạt động như một tổ chức riêng biệt. Nhưng khi công việc của Fed ngày càng số hóa và liên kết chặt chẽ hơn—cùng với sự tiến bộ của hệ thống ngân hàng và nền kinh tế rộng lớn hơn—cách tiếp cận này ngày càng tạo ra sự trùng lặp, kém hiệu quả và rủi ro vận hành.

Khi các hệ thống liên kết với nhau, các quyết định được đưa ra một cách độc lập gây ra các vấn đề phối hợp—đặc biệt là khi xét đến quy mô và tính chất quan trọng của các hệ thống mà Fed vận hành. Việc duy trì các tiêu chuẩn về khả năng chống chịu và an ninh của ngân hàng trung ương đòi hỏi một mô hình phối hợp chặt chẽ hơn.

Đó là lý do tại sao chúng tôi đang hướng tới một cách tiếp cận lấy hệ thống Fed làm trung tâm—với các tiêu chuẩn và hạ tầng chung, đồng thời giữ vững tính phân quyền ở những nơi quan trọng nhất, đặc biệt là trong chính sách tiền tệ và nghiên cứu kinh tế.2

Và sự cấp bách của việc chuyển đổi này ngày càng tăng. Quy mô và tốc độ của các thay đổi công nghệ liên tục tăng lên. Là một tổ chức công cộng có vai trò quan trọng trong hệ thống tài chính Hoa Kỳ và toàn cầu, Fed phải bắt kịp để cung cấp dịch vụ hiệu quả, đáng tin cậy cùng với khu vực tư nhân.

Tốc độ thay đổi này đã thể hiện rõ tại Hội nghị Đổi mới Thanh toán gần đây mà tôi chủ trì, nơi nhiều người tham dự đã bàn về sự hội tụ của AI, stablecoin, token hóa và thanh toán—một chủ đề tôi cũng thường nghe trong các cuộc trò chuyện với ngành công nghiệp và tôi nghi ngờ sẽ xuất hiện xuyên suốt các phiên thảo luận hôm nay.

Với tốc độ thay đổi như vậy, cách tiếp cận từng ngân hàng một sẽ không còn phù hợp, đặc biệt là với các công nghệ tiên phong như token hóa, tính toán lượng tử và AI sinh tạo. Đây là những thách thức lớn—và cũng là cơ hội—đan xen trong toàn hệ thống Fed.

Đáp ứng thời điểm này đòi hỏi sự phối hợp toàn hệ thống, thái độ hành động và thực thi kỷ luật ở quy mô lớn. Đó là lý do tại sao chúng tôi đã xây dựng một thực hành đổi mới lấy hệ thống làm trung tâm. Thay vì trùng lặp nỗ lực—làm cùng một việc hàng trăm lần trên toàn hệ thống—chúng ta có thể làm hàng trăm việc khác nhau. Một cách tiếp cận hệ thống giúp chúng ta chuyển ý tưởng từ thử nghiệm sang thực thi nhanh hơn và hiệu quả hơn.

AI là một ví dụ điển hình về cách tiếp cận này thể hiện trong thực tế. Tôi không cần phải nói với khán giả này về tốc độ phát triển của AI—nó đang định hình lại cách công việc được thực hiện và cách tổ chức vận hành. Là những người xây dựng và lãnh đạo, các bạn trải nghiệm điều đó trực tiếp. Và Fed cũng không ngoại lệ. Việc chúng ta bắt kịp là điều cực kỳ cần thiết. Vâng, chúng ta là ngân hàng trung ương; “phá vỡ mọi thứ rồi xin lỗi sau” không phù hợp ở đây. Với quyền lực lớn đi kèm trách nhiệm lớn. Các hệ thống AI có thể làm tăng lỗi nhanh như chúng làm tăng hiệu quả. Chúng có thể tạo ra ảo tưởng. Chúng có thể gây ra các rủi ro thực sự về bảo vệ dữ liệu, rủi ro mô hình, thiên vị và khả năng chống chịu vận hành. Chúng ta không thể tiếp cận AI một cách tùy tiện. Là ngân hàng trung ương, chúng ta đặt ra tiêu chuẩn cao. Điều đó có nghĩa là có các giới hạn rõ ràng về cách và nơi sử dụng, kiểm soát an ninh thông tin chặt chẽ, xác nhận mô hình nghiêm ngặt, trách nhiệm của con người trong các quyết định, và đánh giá liên tục khi công nghệ tiến bộ. Đổi mới và quản lý rủi ro không phải là các ưu tiên đối lập—chúng bổ sung cho nhau.

Chúng ta cần tôn trọng các nguyên tắc này, nhưng thụ động thì không phải là lựa chọn. Chúng ta không thể chậm trễ hoặc xem xét các thay đổi mang tính chuyển đổi một cách rời rạc. Vì vậy, chúng tôi làm mọi thứ khác biệt. Trong việc triển khai AI trên toàn Fed, chúng tôi tiến hành như một hệ thống thống nhất, với hướng đi chung và sự phù hợp. Chúng tôi đã phát triển một nền tảng AI chung nội bộ dành cho tất cả nhân viên các Ngân hàng Dự trữ để sử dụng. Cách tiếp cận của chúng tôi có chủ đích hướng tới doanh nghiệp và tích hợp AI. Chúng tôi bắt đầu từ vấn đề cần giải quyết và nhu cầu kinh doanh, sau đó áp dụng khả năng phù hợp từ toàn bộ hệ thống AI. Nguyên tắc này giúp chúng tôi mang lại giá trị thực cho doanh nghiệp trong khi tránh phức tạp và chi phí không cần thiết.

Việc hướng tới doanh nghiệp cũng có nghĩa là tích hợp AI vào cách Fed vận hành—không coi nó như một tập hợp các thử nghiệm ngẫu nhiên hoặc dự án ma.

Mục tiêu không phải là sự mới lạ. Đó là tính hữu dụng.

Vậy hãy đi vào các trường hợp sử dụng AI trong thực tế. Chúng tôi triển khai AI theo ba cách tập trung, bổ sung cho nhau phản ánh cách công việc diễn ra trong một tổ chức lớn, phức tạp—tiếp cận rộng rãi cho tất cả nhân viên, công cụ chuyên biệt cho các nhà xây dựng, và khả năng tích hợp trong các quy trình doanh nghiệp—tất cả cùng nhau tạo thành cách Fed vận hành hàng ngày.

Hãy bắt đầu với AI chung cho tất cả nhân viên, vì đó là nơi tác động lớn nhất trong công việc hàng ngày.

Điều này nhằm biến AI thành một khả năng nền tảng của công việc hàng ngày, chứ không phải là một công cụ đặc thù. Mọi nhân viên đều có thể truy cập các giải pháp AI do Fed phê duyệt để sử dụng suốt ngày—để soạn thảo, tóm tắt, phân tích thông tin, và giúp nhanh chóng thoát khỏi các tình huống khó khăn. Đối với nhiều người, nó hoạt động như một trợ lý kỹ thuật số phổ biến—một người tham khảo để họ quay lại khi gặp vấn đề và hoàn thành nhiệm vụ hàng ngày. Mục tiêu không phải biến mọi người thành nhà công nghệ; mà là giảm ma sát trong công việc thường nhật để mọi người có thể dành nhiều thời gian hơn cho phán đoán, giải quyết vấn đề và các hoạt động có giá trị cao hơn.

Trong nhiều cách, điều này phản ánh cách mọi người đã sử dụng AI trong cuộc sống cá nhân của họ. Trong gia đình tôi, AI đã trở thành một công cụ hàng ngày—giống như điện thoại thông minh hoặc thậm chí là lò vi sóng mà bạn dùng mà không cần nghĩ nhiều. Vợ tôi dùng nó như một người bạn đồng hành hàng ngày: lập kế hoạch chuyến đi, giúp các con suy nghĩ về lựa chọn nghề nghiệp, so sánh mua sắm, hoặc biến những nhiệm vụ nhỏ, phiền phức thành điều gì đó dễ quản lý hơn.

Nó không phải là điều kỳ lạ. Nó là một công cụ.

Và đó chính xác là cách chúng ta nên nghĩ về AI trong công việc.

Hãy để tôi làm rõ điều này.

Nhân viên Fed thường nhận được các tài liệu nền quan trọng ngoài cuộc họp FOMC để chuẩn bị cho các cuộc họp khác nhau. Để giúp tổng hợp thông tin, họ đôi khi sử dụng công cụ AI nội bộ của Fed để nhanh chóng tạo ra các chủ đề chính. Tất nhiên, nó không thay thế cho sự chuẩn bị hay phán đoán. Nó nén lại công việc cơ khí để dành nhiều thời gian hơn cho nội dung và các câu hỏi quan trọng.

Một ví dụ khác là khi một đồng nghiệp trở về sau kỳ nghỉ xứng đáng—một kỳ nghỉ hoàn toàn detox kỹ thuật số, nghĩa là cô ấy không có quyền truy cập vào thiết bị làm việc hoặc email—và cô ấy trở lại với hộp thư đến và hàng đợi tài liệu đầy ắp. Thay vì mất nhiều ngày để sắp xếp mọi thứ, cô ấy đã dùng công cụ AI nội bộ của Fed để tóm tắt và phân loại những gì đã tích tụ. Điều này giúp cô ấy đi thẳng vào những phần cần chuyên môn của mình.

Trong cả hai trường hợp, công cụ xử lý khối lượng công việc và bước đầu, còn con người đưa ra quyết định.

Lĩnh vực thứ hai mà chúng tôi thấy tác động thực sự là với các nhà phát triển và những người xây dựng trực tiếp—những người biến ý tưởng thành hiện thực.

Các trợ lý lập trình giúp các nhà phát triển tối ưu hóa công việc trong toàn bộ vòng đời phát triển phần mềm—từ tài liệu, tái cấu trúc, viết mã, đến kiểm thử đơn vị. Điều này giúp các nhóm xử lý các công việc tồn đọng nhanh hơn, nâng cao chất lượng và độ tin cậy, hiện đại hóa hệ thống, và đưa ra nhiều giá trị và đổi mới hơn.

Nhưng đây không chỉ là về tốc độ.

AI đang đảm nhận một số phần tốn thời gian và ít thỏa mãn nhất của phát triển phần mềm, để các nhà phát triển có thể tập trung vào an ninh và chất lượng. Điều này đặc biệt quan trọng đối với một tổ chức như Fed, nơi độ tin cậy và khả năng chống chịu của hệ thống sản xuất là tối quan trọng.

Lấy ví dụ về kiểm thử đơn vị. Đây là phần thiết yếu cho chất lượng và khả năng chống chịu, nhưng không phải là phần các nhà phát triển thích làm. Trong nhiều nhóm, các nhiệm vụ từng mất nhiều ngày giờ nay đã hoàn thành trong vài giờ nhờ trợ giúp của AI. Một nhà phát triển nói trực tiếp với tôi: “Những gì trước đây mất hai ngày thì giờ đây chỉ mất hai giờ.” Điều này giải phóng thời gian cho các công việc có giá trị cao hơn như tăng cường an ninh và xây dựng các khả năng mới. Khi các công cụ này trưởng thành, lợi ích sẽ càng nhân lên.

Có một điểm rộng hơn về năng lực. Khi các trợ lý lập trình giảm chi phí sản xuất phần mềm trong khi nâng cao chất lượng, chúng mở rộng khả năng của chúng ta. Chúng ta có thể viết nhiều mã hơn, xây dựng nhiều khả năng hơn, và mang lại nhiều giá trị kinh doanh hơn. Khi hạn chế giảm đi, năng lực tăng lên—cho phép chúng ta xử lý các công việc tồn đọng và nợ kỹ thuật tích tụ theo thời gian.

Một phép so sánh hữu ích tôi từng nghe là iPhone và nhiếp ảnh. Việc đưa một chiếc máy ảnh vào túi mỗi người không loại bỏ nhiếp ảnh chuyên nghiệp. Thay vào đó, nó giảm chi phí sản xuất, tăng số lượng và mở rộng thị trường. Nhiều bức ảnh hơn được chụp, và nhu cầu về công việc chất lượng cao thực sự cũng tăng lên. Tôi nghĩ rằng trợ lý lập trình sẽ hoạt động tương tự đối với phần mềm.

Tại Fed, chúng tôi đã chứng kiến sự tiếp nhận mạnh mẽ từ sớm—hàng trăm nhà phát triển nhanh chóng áp dụng các công cụ này—điều này cho thấy khả năng này đang đáp ứng một nhu cầu thực sự.

Hãy để tôi đưa ra một ví dụ khác—ít liên quan đến mã nguồn hơn và nhiều hơn về lắng nghe cộng đồng chúng ta phục vụ.

Trong toàn hệ thống Fed, chúng tôi thu thập một lượng lớn thông tin định tính—các cuộc trò chuyện với doanh nghiệp, lãnh đạo cộng đồng, và các thành viên thị trường. Trước đây, việc tổng hợp thông tin này qua các vùng miền và thời gian là công việc tốn nhiều công sức.

Sử dụng các công cụ AI, các nhà phân tích giờ đây có thể rút ra các chủ đề mục tiêu từ khối lượng lớn ghi chú phỏng vấn, so sánh các mẫu trong các chu kỳ, và phát hiện các thay đổi trong cảm xúc một cách nhanh chóng hơn nhiều. Điều này không thay thế phán đoán của con người—nó thúc đẩy bước đầu để các nhà kinh tế dành nhiều thời gian hơn để diễn giải những gì thực sự quan trọng.

Cách thứ ba chúng tôi đưa AI vào sản xuất là tích hợp trực tiếp vào các quy trình làm việc mà mọi người đã sử dụng.

Thay vì yêu cầu các nhóm phải áp dụng hoàn toàn các công cụ mới hoặc xây dựng các giải pháp riêng biệt, chúng tôi kích hoạt khả năng AI trong các nền tảng đã hỗ trợ công việc hàng ngày trong các lĩnh vực như pháp lý, rủi ro, mua sắm, vận hành và các chức năng doanh nghiệp khác.

Việc áp dụng theo quy trình làm việc. Khi AI được tích hợp—không phải gắn thêm—mọi người không cần thay đổi cách làm việc để nhận giá trị từ nó.

Nếu bạn thường xuyên mua sắm trực tuyến hoặc đi du lịch, có lẽ bạn đã trải qua sự thay đổi này rồi. Khi có sự cố—chuyến bay bị hoãn, kết nối bị lỡ, gói hàng bị hỏng—việc giải quyết vấn đề giờ đây thường nhanh hơn qua trò chuyện hoặc tin nhắn, hoặc thậm chí là cuộc gọi thường ngán ngẩm đó. Trong nhiều trường hợp, AI hoạt động phía sau để tóm tắt ngữ cảnh, định tuyến vấn đề hoặc giải quyết luôn—và khi có người tham gia, họ sẽ hỗ trợ tốt hơn. Trải nghiệm trở nên đơn giản, nhanh hơn và thường tốt hơn.

Cũng giống như vậy tại Fed. Bằng cách tích hợp AI vào các hệ thống doanh nghiệp hiện có, chúng ta có thể nâng cao tốc độ, tính nhất quán và chất lượng dịch vụ mà không tạo ra các giải pháp rời rạc. Đồng thời, điều này còn hợp lý về mặt tài chính. Với tốc độ phát triển của công nghệ, việc sử dụng AI qua các nền tảng nhà cung cấp cho phép chúng ta hưởng lợi từ các cải tiến liên tục, thay vì xây dựng và duy trì các công cụ có thể trở nên đắt đỏ hoặc lỗi thời.

Tổng thể, các ví dụ này cho thấy cách chúng ta chuyển AI từ giai đoạn khám phá sang thực thi thông qua một cách tiếp cận phối hợp, lấy hệ thống làm trung tâm.

Kết quả là tăng năng lực toàn tổ chức, giúp các nhóm giải quyết các vấn đề phức tạp và mang lại nhiều giá trị hơn, đồng thời nâng cao năng suất và hiệu quả chi phí qua đổi mới có trách nhiệm.

Dù đã có bước khởi đầu vững chắc, chúng tôi không muốn trở thành những người nổi bật nhất trong một lần. Điều quan trọng là tính bền vững và điều đó đòi hỏi sự tập trung vào việc áp dụng, trách nhiệm và lãnh đạo.

Đây là nơi nhiều nỗ lực AI thành công hoặc thất bại—khi quyền kiểm soát chuyển từ những người tiên phong sang vận hành hàng ngày. Công nghệ không còn là phần khó nhất nữa; quản lý thay đổi mới là điều đó. Nó phụ thuộc vào việc mọi người nhanh chóng chấp nhận các công cụ, tích hợp chúng sâu vào quy trình hàng ngày, và liệu việc đó có dẫn đến kết quả hay không.

Đó là lý do tại sao chúng tôi theo đuổi cách tiếp cận ưu tiên sự chấp nhận. Chúng tôi xem AI như một khoản đầu tư về nhân lực, chứ không phải là thử nghiệm bên lề. Đào tạo và nâng cao kỹ năng diễn ra trong giờ làm việc, không phải buổi tối hoặc cuối tuần.

Và việc đào tạo này không phải là một lần hoặc mang tính lý thuyết. Nó luôn xanh, thực hành và phù hợp với vai trò. Nhân viên học hỏi qua việc sử dụng AI trong các quy trình thực tế, qua các hội thảo ứng dụng, các buổi đào tạo thực hành và các buổi tập trung ý tưởng. Cách tiếp cận “thực hành trên bàn phím” này quan trọng, vì sự thoải mái và thành thạo đến từ việc sử dụng, chứ không phải từ các slide trình bày.

Chúng tôi cũng rõ ràng về kỳ vọng. Việc sử dụng AI không phải là tùy chọn. Kiến thức cơ bản và ứng dụng AI đang được xây dựng vào các mục tiêu đánh giá hiệu suất của nhân viên trong toàn hệ thống. Những gì được đo lường sẽ được thực hiện.

Tôi đã chứng kiến điều này trực tiếp. Khi tôi còn là Giám đốc Nghiên cứu tại St. Louis, chúng tôi xây dựng một kế hoạch chiến lược nhưng phần lớn chỉ nằm trên kệ. Những thay đổi về hành vi bắt đầu khi chúng tôi đưa các ưu tiên đó vào mục tiêu của nhân viên. Khi mọi người biết điều gì quan trọng và họ sẽ được đo lường như thế nào, việc thực hiện theo sau. Kinh nghiệm đó đã hình thành cách tôi nghĩ về việc làm cho sự thay đổi bền vững.

Lãnh đạo đóng vai trò then chốt ở đây. Đặt ra kỳ vọng và đầu tư là cần thiết, nhưng chưa đủ. Các nhóm cần thấy lãnh đạo thể hiện rõ ràng và truyền đạt cam kết của họ—và họ cũng là những người học hỏi về công nghệ này. Tín hiệu lãnh đạo chính là điều biến những thành công ban đầu thành thay đổi hành vi lâu dài.

Đây là cách chúng ta chuyển từ những chiến thắng ban đầu sang khả năng bền vững bằng cách kết hợp công nghệ với đào tạo, trách nhiệm và lãnh đạo, để AI trở thành một phần lâu dài trong cách Fed vận hành.

Các hội nghị như thế này tập trung vào cách công nghệ định hình lại tương lai. Những gì tôi cố gắng trình bày hôm nay là cách chúng ta tiếp cận thách thức đó tại Fed—thực hiện sứ mệnh của mình qua đổi mới dựa trên công nghệ, với sự rõ ràng về thực thi và hiệu quả. Và qua đó, chúng ta thể hiện cách một tổ chức công có thể áp dụng AI một cách có trách nhiệm và góp phần củng cố niềm tin công chúng.

Khi chúng ta thấy các công nghệ như token hóa và AI có khả năng tự hành xuất hiện, đáng nhớ rằng đây không phải lần đầu ngành của chúng ta đối mặt với những chuyển đổi như vậy. Khi các máy ATM lần đầu ra đời, chúng không loại bỏ nhân viên ngân hàng. Thay vào đó, chúng thay đổi cách hoạt động ngân hàng. Các giao dịch thường ngày trở nên rẻ hơn, nhanh hơn và dễ tiếp cận hơn, trong khi nỗ lực của con người chuyển sang các hoạt động có giá trị cao hơn. Ảnh hưởng thực sự không chỉ là tự động hóa—mà là cách các tổ chức tổ chức lại dựa trên công nghệ.

AI cũng tương tự như vậy. Những lợi ích lớn nhất sẽ không đến từ việc thêm AI vào các quy trình hiện có, mà từ việc suy nghĩ lại về quy trình làm việc, vai trò và hệ thống để tận dụng những gì công nghệ này có thể mang lại.

Điều chúng ta chưa biết—và không thể biết—là chính xác khi nào các công nghệ này sẽ đạt đến điểm biến đổi toàn diện. Chúng ta sẽ không có tín hiệu rõ ràng khi AI chuyển từ tiến bộ nhanh sang tác động hệ thống thực sự. Nhưng chờ đợi sự rõ ràng hoàn hảo không phải là chiến lược. Nếu muốn sẵn sàng khi thời điểm đó đến, công việc phải bắt đầu ngay từ bây giờ.

AI là một ví dụ rõ ràng về cách Fed có thể thực thi một cách táo bạo, quy mô lớn, khi chúng ta theo đuổi cách tiếp cận lấy hệ thống làm trung tâm.

1. Các quan điểm trình bày ở đây là của tôi và không nhất thiết phản ánh quan điểm của các đồng nghiệp trong Hội đồng Dự trữ Liên bang. Trả lại văn bản

2. Trong bài phát biểu này, với tư cách là Giám đốc Giám sát của các Ngân hàng Dự trữ, khi tôi nói ‘Hệ thống’ tôi đề cập đến 12 Ngân hàng Dự trữ, không phải Hội đồng Thống đốc. Trả lại văn bản