Thông Chi Tiết
AI-mediated Investment Research – Nghiên cứu đầu tư qua trung gian AI: Khi nhà đầu tư không còn phải tự đọc mọi thứ
Trong nhiều năm, nghiên cứu đầu tư là một công việc đòi hỏi nhà đầu tư phải tự đi qua rất nhiều bước: tìm báo cáo tài chính, đọc báo cáo thường niên, theo dõi công bố thông tin, thu thập dữ liệu giá, đọc tin tức, so sánh doanh nghiệp, nhập số liệu vào Excel và cuối cùng tự hình thành nhận định. Người có khả năng tìm thông tin nhanh hơn, đọc báo cáo tốt hơn và xử lý dữ liệu tốt hơn thường có một lợi thế nhất định.
Trí tuệ nhân tạo đang làm thay đổi mô hình này. Một nhà đầu tư ngày nay có thể đưa báo cáo tài chính cho AI và hỏi trực tiếp: doanh thu 5 năm thay đổi thế nào, biên lợi nhuận đang tăng hay giảm, dòng tiền có theo kịp lợi nhuận không, nợ vay tăng ở đâu, khoản phải thu có dấu hiệu bất thường không, doanh nghiệp nào tốt hơn nếu so cùng ngành? Thay vì tự đi qua hàng chục tài liệu rồi mới bắt đầu phân tích, nhà đầu tư có thể đối thoại trực tiếp với dữ liệu thông qua AI.
TOKN gọi hướng nghiên cứu này là AI-mediated Investment Research – Nghiên cứu đầu tư qua trung gian AI. “Qua trung gian AI” có nghĩa rất đơn giản: giữa nhà đầu tư và dữ liệu doanh nghiệp xuất hiện thêm một lớp AI có khả năng tìm kiếm, đọc, tổng hợp, tính toán, so sánh và giải thích thông tin. Đây không phải là câu chuyện AI quyết định thay nhà đầu tư. Điều đáng nghiên cứu là AI đang thay đổi cách con người tiếp cận thông tin đầu tư như thế nào, những tài sản dữ liệu nào trở nên quan trọng hơn và những rủi ro mới nào xuất hiện khi ngày càng nhiều phân tích được thực hiện thông qua AI.
Đây cũng là chuyên đề mở đầu cho một chuỗi nghiên cứu chuyên sâu của TOKN về AI ứng dụng trong tài chính và đầu tư, nằm tại giao điểm giữa AI, Digital Asset – Tài sản số, Financial Data – Dữ liệu tài chính, Evidence – Bằng chứng, Trust – Độ tin cậy và AI Discovery – Khám phá bằng AI.
✨ 1. Từ tự tìm thông tin sang đối thoại trực tiếp với dữ liệu
Hãy nhìn lại cách một nhà đầu tư cá nhân thường nghiên cứu một doanh nghiệp. Đầu tiên là tìm mã cổ phiếu trên Google, vào website doanh nghiệp hoặc các trang dữ liệu tài chính, tải báo cáo tài chính, đọc báo cáo thường niên, tìm thông tin về cổ đông, lãnh đạo, dự án, tài sản, nợ vay, sau đó mở biểu đồ giá và so sánh với các doanh nghiệp cùng ngành. Nếu muốn nghiên cứu sâu, nhà đầu tư còn phải đọc thuyết minh báo cáo tài chính, nghị quyết đại hội cổ đông, báo cáo quản trị, giao dịch của người nội bộ và hàng loạt công bố bất thường.
Có thể mô tả hành trình truyền thống như sau: Nhà đầu tư → Tìm kiếm → Tài liệu → Đọc → Thu thập số liệu → So sánh → Phân tích → Nhận định.
AI đang có khả năng rút ngắn rất nhiều bước ở giữa. Nhà đầu tư có thể bắt đầu bằng một câu hỏi: “Hãy phân tích tình hình tài chính của doanh nghiệp A trong 5 năm gần nhất, tập trung vào doanh thu, lợi nhuận, dòng tiền hoạt động, nợ vay và khả năng thanh toán.”
Sau đó tiếp tục: “Vì sao năm 2025 lợi nhuận tăng nhưng dòng tiền hoạt động lại giảm?”, “Khoản phải thu tăng chủ yếu ở đâu?”, “So sánh với ba doanh nghiệp cùng ngành”, hay “Hãy tìm trong thuyết minh báo cáo tài chính những khoản có thể cần nghiên cứu thêm.”
Hành trình mới bắt đầu giống: Nhà đầu tư → Câu hỏi → AI → Dữ liệu + Tài liệu + Bằng chứng → Phân tích → Câu hỏi tiếp theo.
Thay đổi quan trọng không chỉ là nhanh hơn. Nhà đầu tư chuyển từ Navigation – tự điều hướng qua tài liệu sang Conversation – đối thoại với thông tin. Đây chính là nền tảng đầu tiên của AI-mediated Investment Research.
✨ 2. Từ Search-based Research đến Conversational Research và Agentic Research
TOKN nhìn thấy ít nhất ba giai đoạn có thể xuất hiện trong quá trình này.
Giai đoạn thứ nhất là Search-based Investment Research – Nghiên cứu đầu tư dựa trên tìm kiếm. Đây là mô hình quen thuộc: con người tìm tài liệu, tự đọc và tự tổng hợp.
Giai đoạn thứ hai là Conversational Investment Research – Nghiên cứu đầu tư bằng hội thoại. Nhà đầu tư không nhất thiết phải biết dữ liệu nằm ở đâu. Họ đặt câu hỏi bằng ngôn ngữ tự nhiên và AI tìm, đọc, tổng hợp rồi giải thích.
Giai đoạn tiếp theo có thể là Agentic Investment Research – Nghiên cứu đầu tư bằng AI Agent, tức AI không chỉ trả lời từng câu hỏi riêng lẻ mà có khả năng thực hiện một chuỗi công việc: tìm báo cáo, trích xuất dữ liệu, so sánh nhiều kỳ, phát hiện thay đổi, tìm tài liệu liên quan, kiểm tra nguồn rồi tổng hợp kết quả. Có thể hình dung quá trình tiến hóa: SEARCH → AI SEARCH → AI RESEARCH → AI AGENT → CONTINUOUS INTELLIGENCE.
Việt hóa đơn giản: Tự tìm → Hỏi AI tìm → AI nghiên cứu → AI thực hiện chuỗi nghiên cứu → AI liên tục theo dõi thay đổi.
Ở giai đoạn cuối, nhà đầu tư thậm chí không nhất thiết phải chủ động hỏi lại từ đầu. Một hệ thống có thể theo dõi một nhóm doanh nghiệp và nhận biết khi xuất hiện báo cáo tài chính mới, thay đổi cổ đông lớn, giao dịch nội bộ, biến động dòng tiền, nợ vay hay các công bố quan trọng. Đây là một hướng phát triển đáng nghiên cứu, nhưng cũng đặt ra yêu cầu rất cao về dữ liệu, nguồn và kiểm chứng.
✨ 3. AI làm Analysis – Phân tích rẻ hơn, nhưng Evidence – Bằng chứng lại quan trọng hơn
Đây là một trong những luận điểm trung tâm TOKN muốn nghiên cứu.
Giả sử AI kết luận: “Chất lượng lợi nhuận của doanh nghiệp A đang suy giảm.” Nhà đầu tư không nên dừng lại ở câu kết luận đó. Cần tiếp tục hỏi: Dựa vào chỉ tiêu nào? Số liệu của kỳ nào? Công ty mẹ hay hợp nhất? Dòng tiền hoạt động bao nhiêu? Khoản phải thu thay đổi thế nào? Số liệu lấy từ tài liệu nào? Trang nào? Tài liệu được công bố khi nào?
Một kiến trúc nghiên cứu đáng tin cậy hơn phải cho phép truy ngược: Kết luận → Phân tích → Chỉ tiêu → Dữ liệu → Bằng chứng → Tài liệu gốc.
AI có thể tạo lại phần Analysis gần như ngay lập tức. Nhưng AI không thể tự tạo ra một Báo cáo tài chính kiểm toán hợp lệ của doanh nghiệp. Nó cũng không thể tự tạo ra một nghị quyết Đại hội đồng cổ đông đã thực sự diễn ra, một công bố thông tin chính thức hay một giao dịch đã xảy ra trên thị trường.
Đây chính là sự khác biệt giữa Generation – Tạo sinh và Evidence – Bằng chứng.
Trong đầu tư, khi khả năng phân tích bằng AI ngày càng phổ biến, giá trị tương đối có thể dịch chuyển về Primary Data – Dữ liệu gốc, Evidence – Bằng chứng, Provenance – Nguồn gốc dữ liệu và Freshness – Độ mới của thông tin.
Có thể tóm tắt: AI càng mạnh → Analysis càng dễ tạo → Evidence càng phải rõ. Đây cũng chính là điểm kết nối AI & Đầu Tư với chuỗi nghiên cứu Evidence Asset – Tài sản bằng chứng của TOKN.
✨ 4. Tương lai có thể chuyển từ “đọc báo cáo doanh nghiệp” sang “hỏi doanh nghiệp thông qua AI”
Một báo cáo tài chính có thể dài hàng trăm trang. Một báo cáo thường niên có thể chứa hàng nghìn dữ kiện. Trong mô hình truyền thống, con người phải biết tài liệu nào cần mở và phần nào cần đọc. Nhưng khi AI trở thành giao diện giữa con người và dữ liệu, người dùng có thể không còn cần biết thông tin nằm ở trang nào trước khi đặt câu hỏi.
Ví dụ, nhà đầu tư hỏi: “Doanh nghiệp có đang tăng vay nợ nhanh hơn tốc độ tăng doanh thu không?”
AI có thể phải truy xuất nhiều năm dữ liệu, xác định đúng doanh nghiệp, đúng kỳ báo cáo, đúng chỉ tiêu, tính toán tốc độ thay đổi và sau đó giải thích kết quả.
Nhìn dưới góc độ kiến trúc dữ liệu, điều này có thể được biểu diễn: Investor Question – Câu hỏi nhà đầu tư → Company Identity – Định danh doanh nghiệp → Financial Data – Dữ liệu tài chính → Financial Evidence – Bằng chứng tài chính → Analysis – Phân tích → Decision Support – Hỗ trợ quyết định.
Đây là một thay đổi quan trọng. Website quan hệ nhà đầu tư – Investor Relations (IR) trong tương lai có thể không chỉ phục vụ con người đọc. Dữ liệu doanh nghiệp còn cần được tổ chức để máy móc có thể hiểu chính xác hơn.
Thay vì chỉ có một file PDF, một chỉ tiêu có thể được hiểu dưới dạng: Doanh nghiệp → Chỉ tiêu → Giá trị → Kỳ báo cáo → Đơn vị → Báo cáo hợp nhất/công ty mẹ → Tài liệu nguồn → Vị trí trong tài liệu → Ngày công bố → Trạng thái kiểm tra.
Khi đó, báo cáo không chỉ là Document – Tài liệu. Dữ liệu bên trong bắt đầu có khả năng trở thành Financial Data Asset – Tài sản dữ liệu tài chính, còn nguồn chứng minh cho dữ liệu đó có thể được tổ chức thành Financial Evidence Asset – Tài sản bằng chứng tài chính.
✨ 5. AI có thể chuyển từ trả lời một lần sang theo dõi doanh nghiệp liên tục
Một trong những giới hạn của mô hình nghiên cứu hiện tại là tính thời điểm. Nhà đầu tư phân tích doanh nghiệp hôm nay, nhưng một tháng sau có thể xuất hiện dữ liệu mới làm thay đổi hoàn toàn bức tranh.
AI Agent mở ra khả năng nghiên cứu theo hướng liên tục hơn: Doanh nghiệp → BCTC mới → Công bố mới → Dữ liệu mới → Evidence mới → Cập nhật phân tích → Phát hiện thay đổi.
Ví dụ, hệ thống có thể theo dõi một doanh nghiệp qua các nhóm dữ liệu: doanh thu, lợi nhuận, dòng tiền, phải thu, tồn kho, nợ vay, tài sản, cổ đông lớn, giao dịch nội bộ, dự án, công bố bất thường và biến động thị trường.
Khi xuất hiện thông tin mới, AI không nhất thiết phải phân tích lại mọi thứ từ đầu. Nó có thể xác định:
- What changed? – Điều gì thay đổi?
- Why does it matter? – Vì sao thay đổi đó đáng chú ý?
- What evidence supports it? – Bằng chứng nằm ở đâu?
Như vậy nghiên cứu đầu tư có thể dần chuyển từ Periodic Research – Nghiên cứu theo từng thời điểm sang Continuous Intelligence – Hệ thống hiểu biết được cập nhật liên tục.
Tuy nhiên, đây cũng là nơi yêu cầu Evidence trở nên cao hơn. Nếu dữ liệu đầu vào sai hoặc cũ, việc AI tự động phân tích liên tục chỉ khiến sai sót được xử lý nhanh hơn chứ không làm kết quả chính xác hơn.
✨ 6. Khi mọi người đều có AI, lợi thế của nhà đầu tư sẽ dịch chuyển đi đâu?
Đây là câu hỏi rất đáng suy nghĩ. Trong quá khứ, biết đọc BCTC, biết dùng Excel, biết tìm dữ liệu và biết tổng hợp tin tức có thể tạo ra lợi thế tương đối. Nhưng nếu một AI có thể giúp hàng triệu người thực hiện những công việc đó, chi phí của năng lực phân tích cơ bản sẽ giảm mạnh.
Một nhà đầu tư có thể hỏi AI: “Tìm 20 doanh nghiệp P/B thấp.” Người khác cũng có thể hỏi tương tự. Một người yêu cầu: “Phân tích ROE, dòng tiền và nợ vay 5 năm.” Hàng nghìn người khác cũng có thể làm vậy. Nếu mọi người sử dụng các model tương tự, dữ liệu tương tự và những chỉ tiêu tương tự, lợi thế không còn nằm đơn thuần ở việc có một bản phân tích.
Lợi thế có thể dịch chuyển sang: Đặt đúng câu hỏi → tìm Evidence khác biệt → hiểu bối cảnh → phát hiện giả định sai → kiểm tra điều AI bỏ sót → tiếp cận dữ liệu độc quyền → hiểu doanh nghiệp ngoài BCTC → đánh giá bất định → tự chịu trách nhiệm cho quyết định.
AI vì vậy có thể phổ cập khả năng phân tích, nhưng không tự động phổ cập Judgment – Năng lực phán đoán.
Đây là ranh giới rất quan trọng giữa AI-assisted Decision – Quyết định có AI hỗ trợ và AI-made Decision – Giao quyết định cho AI.
✨ 7. Sáu rủi ro lớn khi AI trở thành trung gian nghiên cứu đầu tư
Lợi ích của AI-mediated Investment Research rất lớn, nhưng rủi ro cũng tăng tương ứng.
✅ Rủi ro thứ nhất là Hallucination – AI tạo ra thông tin không chính xác. Một con số sai có thể khiến toàn bộ chuỗi tính toán phía sau sai. Đặc biệt nguy hiểm khi câu trả lời được trình bày rất thuyết phục.
✅ Rủi ro thứ hai là Stale Data – Dữ liệu lỗi thời. Một doanh nghiệp có thể vừa công bố báo cáo mới nhưng AI vẫn sử dụng dữ liệu cũ. Trong tài chính, khoảng cách vài tháng đôi khi rất quan trọng.
✅ Rủi ro thứ ba là Source Contamination – Nguồn thông tin bị nhiễm. Một thông tin có thể xuất hiện trên hàng chục website nhưng tất cả đều sao chép từ cùng một nguồn ban đầu không chính xác. Nhiều nguồn không đồng nghĩa với nhiều Evidence độc lập.
✅ Rủi ro thứ tư là Context Loss – Mất bối cảnh. Lợi nhuận tăng 100% có thể nghe rất hấp dẫn, nhưng nguyên nhân có thể đến từ thu nhập bất thường hoặc nền so sánh thấp. Một con số đúng nhưng thiếu bối cảnh vẫn có thể dẫn tới kết luận sai.
✅ Rủi ro thứ năm là Automation Bias – Thiên kiến tin vào máy. Con người có xu hướng tin một câu trả lời khi nó được trình bày rõ ràng, có bảng biểu và lập luận mạch lạc. Nhưng Fluency – Độ trôi chảy không đồng nghĩa với Accuracy – Độ chính xác.
✅ Rủi ro thứ sáu là Herding – Hành vi bầy đàn. Nếu nhiều nhà đầu tư và AI Agent sử dụng cùng dữ liệu, cùng mô hình và cùng phương pháp đánh giá, những kết luận tương tự có thể được hình thành rất nhanh. Điều này đặt ra những câu hỏi mới về hành vi thị trường trong một môi trường có ngày càng nhiều quyết định được hỗ trợ bởi AI.
Vì vậy, AI càng mạnh thì Verification – Kiểm chứng càng phải mạnh tương ứng.
✨ 8. Evidence-first AI – AI bắt đầu từ bằng chứng có thể trở thành nguyên tắc quan trọng trong tài chính
Một hệ thống đơn giản có thể hoạt động: Question → AI → Answer. Nhưng đối với nghiên cứu tài chính, TOKN cho rằng đáng nghiên cứu một kiến trúc chặt chẽ hơn: QUESTION → ENTITY → PRIMARY DATA → EVIDENCE → CALCULATION → ANALYSIS → UNCERTAINTY → ANSWER + SOURCE. Việt hóa: Câu hỏi → Xác định đúng doanh nghiệp/tài sản → Dữ liệu gốc → Bằng chứng → Tính toán → Phân tích → Nêu mức độ bất định → Trả lời kèm nguồn.
Điểm quan trọng nhất là Traceability – Khả năng truy ngược. Người dùng phải có khả năng đi từ: Kết luận này dựa trên điều gì?↓ Chỉ tiêu nào? ↓Con số nào? ↓Báo cáo nào? ↓ Trang/bảng nào? ↓Được công bố khi nào?
Nếu AI nói doanh nghiệp có 5.000 tỷ đồng nợ vay, nhà đầu tư phải có khả năng kiểm tra con số 5.000 tỷ đó đến từ đâu.
Nếu AI nói dòng tiền đang suy yếu, người dùng phải biết AI đang so sánh những kỳ nào.
Nếu AI đưa ra một giả định, hệ thống cần phân biệt rõ Fact – Sự kiện/dữ liệu, Calculation – Kết quả tính toán, Inference – Suy luận và Scenario – Kịch bản giả định.
Đây có thể là một trong những nguyên tắc quan trọng nhất của AI ứng dụng trong đầu tư: Không chỉ hỏi AI biết gì. Hãy hỏi AI biết điều đó từ đâu.
✨ ✨ 9. AI & Đầu Tư sẽ trở thành một chuỗi nghiên cứu mới của TOKN
TOKN không tiếp cận AI & Đầu Tư theo hướng trở thành một website đưa khuyến nghị mua bán cổ phiếu. Mục tiêu của chuỗi nghiên cứu này rộng hơn: nghiên cứu cách AI đang thay đổi kiến trúc thông tin, dữ liệu, bằng chứng và quá trình nghiên cứu đầu tư.
AI-mediated Investment Research là điểm khởi đầu. Từ đây, TOKN có thể tiếp tục đào sâu các câu hỏi như: Financial Data Asset là gì? Financial Evidence Asset được hình thành như thế nào? AI đọc BCTC ra sao? Làm thế nào để AI phân biệt dữ liệu công ty mẹ và hợp nhất? Company Knowledge Asset có thể được xây dựng như thế nào? Investor Relations phải thay đổi ra sao khi người đọc thông tin doanh nghiệp không chỉ là con người mà còn là AI? Investment Agent có thể theo dõi doanh nghiệp liên tục đến mức nào? Và quan trọng nhất, làm thế nào để một phân tích do AI hỗ trợ vẫn có thể truy ngược về Evidence?
Nhìn rộng hơn, đây chính là một phòng thí nghiệm rất phù hợp với kiến trúc TOKN đang nghiên cứu:
COMPANY IDENTITY
→ FINANCIAL DATA
→ STRUCTURED KNOWLEDGE
→ EVIDENCE
→ TRUST
→ AI DISCOVERY
→ INVESTMENT RESEARCH
→ DECISION SUPPORT.
Nếu Digital Asset đặt câu hỏi “Tài sản số là gì và giá trị được hình thành như thế nào?”, Evidence Asset đặt câu hỏi “Điều gì chứng minh thông tin về tài sản đó?”, thì AI & Đầu Tư đưa hai vấn đề này vào một môi trường thực tế: khi con người dùng AI để hiểu và đánh giá một tài sản, dữ liệu và bằng chứng phải được tổ chức như thế nào?
Đó cũng là lý do TOKN xem AI & Đầu Tư như một chuỗi nghiên cứu về AI ứng dụng trong tài chính và đầu tư, thay vì một chuyên mục nhận định thị trường đơn thuần.
Kết luận: AI có thể đọc thay chúng ta, nhưng không nên tin thay chúng ta
Sự thay đổi lớn nhất có thể không phải là AI phân tích cổ phiếu nhanh hơn con người bao nhiêu lần. Điều đáng chú ý hơn là giao diện giữa nhà đầu tư và thông tin tài chính đang thay đổi.
Trước đây: Investor → Search → Document → Analysis. Ngày càng có thể trở thành: Investor → AI → Data + Evidence → Analysis → Decision Support. Và xa hơn: Investor → Personal AI/Investment Agent → Continuous Evidence → Continuous Intelligence → Decision Support.
Khi đó, năng lực tạo một bản phân tích có thể trở nên phổ biến. Nhưng dữ liệu gốc, nguồn chính thức, Evidence, lịch sử kiểm chứng, khả năng truy ngược và năng lực phán đoán của con người lại trở nên quan trọng hơn. Đó là nghịch lý đáng chú ý của AI trong đầu tư: AI càng giúp chúng ta phân tích nhanh, chúng ta càng phải biết những gì đứng phía sau phân tích đó.
Vì vậy, tương lai của nghiên cứu đầu tư có thể không chỉ là AI-powered Analysis – Phân tích bằng AI, mà là Evidence-grounded AI Research – Nghiên cứu bằng AI được neo vào dữ liệu và bằng chứng có thể kiểm tra.
Và đây chính là câu hỏi mà chuỗi AI & Đầu Tư của TOKN sẽ tiếp tục đào sâu: khi AI trở thành trung gian giữa con người và thế giới tài sản, làm thế nào để AI không chỉ tìm thấy và phân tích thông tin, mà còn hiểu đúng nguồn, kiểm chứng được bằng chứng và hỗ trợ con người đưa ra những quyết định có cơ sở hơn?