AI Cảnh Báo Sớm Rủi Ro Công Nợ Phải Thu: Từ Chấm Điểm Đến Hành Động

Giới thiệu

Mỗi tháng, kế toán công nợ phải làm một việc lặp đi lặp lại: xuất báo cáo tuổi nợ, dò từng dòng khách hàng quá hạn, gọi điện nhắc thu, rồi báo cáo lên ban giám đốc danh sách "khách hàng cần theo dõi". Vấn đề là khi phát hiện ra một khách hàng có dấu hiệu mất khả năng thanh toán thì thường đã quá muộn — nợ đã quá hạn 60-90 ngày, khả năng thu hồi giảm mạnh.

AI đang thay đổi cách tiếp cận này. Thay vì chờ đến khi nợ quá hạn mới xử lý, các mô hình dự báo (predictive AI) có thể chấm điểm rủi ro từng khách hàng dựa trên hành vi thanh toán lịch sử, phát hiện bất thường sớm hơn nhiều so với cách làm thủ công. Theo khảo sát Global Treasury Survey 2025 của PwC, hơn 74% tổ chức đang mở rộng hoặc đã ứng dụng AI, tập trung vào machine learning và phân tích dự báo trong quản lý tài chính. Bài viết này sẽ đi từ nguyên lý đến cách một doanh nghiệp SME tại Việt Nam có thể bắt đầu áp dụng.

Vì sao cách quản lý công nợ truyền thống luôn "đi sau" rủi ro

Cách làm phổ biến hiện nay tại phần lớn doanh nghiệp Việt Nam là phân tích tuổi nợ (aging analysis) theo các mốc cố định:

Cách phân loại này có một điểm yếu cố hữu: nó chỉ phản ứng với những gì đã xảy ra — khoản nợ đã quá hạn rồi mới được đánh dấu rủi ro. Nó không trả lời được câu hỏi quan trọng hơn: trong số các khách hàng đang nợ trong hạn (0-30 ngày), ai là người có khả năng cao sẽ trễ hạn ở kỳ tới?

Một cách phổ biến khác là thiết lập ngưỡng cảnh báo tự động — ví dụ nếu tỷ lệ công nợ quá hạn vượt quá 10% doanh thu hàng tháng thì hệ thống gửi cảnh báo. Đây là bước tiến so với việc theo dõi thủ công, nhưng vẫn là cảnh báo ở cấp độ tổng thể, không chỉ đích danh khách hàng nào đang tiềm ẩn rủi ro.

AI chấm điểm rủi ro công nợ hoạt động thế nào

Khác với các ngưỡng cảnh báo cố định, mô hình predictive risk scoring học từ dữ liệu lịch sử để dự báo hành vi thanh toán tương lai. Cụ thể, mô hình thường sử dụng các nhóm dữ liệu đầu vào sau:

• Lịch sử thanh toán: số lần trễ hạn, mức độ trễ trung bình, xu hướng cải thiện hay xấu đi qua từng quý.
• Đặc điểm giao dịch: quy mô đơn hàng, tần suất mua hàng, giá trị công nợ hiện tại so với hạn mức tín dụng được cấp.
• Tín hiệu ngành và thị trường: một số nền tảng nâng cao còn tích hợp dữ liệu ngành, tình hình tài chính công khai của khách hàng (nếu là doanh nghiệp niêm yết hoặc có báo cáo công khai).
• Hành vi giao tiếp: tốc độ phản hồi email/cuộc gọi nhắc nợ, số lần yêu cầu gia hạn.

Từ các dữ liệu này, mô hình gán cho mỗi khách hàng một điểm rủi ro (ví dụ thang 0-100) và phân nhóm — khách hàng rủi ro thấp/trung bình/cao — trước khi khoản nợ thực sự quá hạn. Theo báo cáo của Gartner (2023), các tổ chức áp dụng phân tích dự báo trong quản lý công nợ cải thiện tỷ lệ thu hồi đúng hạn tới 10% so với hệ thống dựa trên quy tắc cố định (rules-based). Các nền tảng AR (accounts receivable) tiên tiến hiện có thể giảm chỉ số DSO (Days Sales Outstanding — số ngày thu hồi công nợ bình quân) từ 20-40% và đạt tỷ lệ đối soát thanh toán tự động (touchless cash application) trên 80%.

Từ chấm điểm đến hành động: phân khúc chiến lược thu hồi

Điểm mạnh thực sự của AI không chỉ nằm ở việc "chấm điểm", mà ở khả năng giúp đội ngũ thu hồi công nợ áp dụng đúng mức độ và đúng cách với đúng khách hàng — thay vì gửi cùng một email nhắc nợ cho tất cả:

• Khách hàng rủi ro thấp, lịch sử tốt: tự động hóa hoàn toàn — email nhắc nhở nhẹ nhàng, không cần nhân sự can thiệp.
• Khách hàng rủi ro trung bình, có dấu hiệu chậm dần: ưu tiên gọi điện chủ động trước hạn, thay vì đợi trễ hạn mới liên hệ.
• Khách hàng rủi ro cao: đưa vào danh sách cần xem xét siết hạn mức tín dụng, yêu cầu đặt cọc hoặc thanh toán trước cho đơn hàng mới, trước khi phát sinh thêm công nợ.

Cách tiếp cận phân khúc này giúp nhân sự kế toán công nợ — vốn luôn thiếu thời gian — tập trung nguồn lực vào đúng nhóm khách hàng có rủi ro thực sự, thay vì rải đều nỗ lực cho tất cả.

Một điểm doanh nghiệp cần lưu ý: tính giải thích được (explainability)

Một cảnh báo quan trọng từ giới chuyên môn: các mô hình AI "hộp đen" — đưa ra điểm rủi ro nhưng không giải thích được lý do — không phù hợp để áp dụng trong môi trường tài chính cần tuân thủ và giải trình. Ban giám đốc, kế toán trưởng cần hiểu vì sao một khách hàng bị gắn cờ rủi ro cao, để có thể đưa ra quyết định phù hợp (ví dụ có nên tiếp tục bán chịu hay không) thay vì chỉ tin tưởng mù quáng vào một con số. Khi lựa chọn công cụ hoặc xây dựng mô hình nội bộ, yêu cầu này cần được đặt lên hàng đầu.

Cách một doanh nghiệp SME tại Việt Nam có thể bắt đầu

Không cần đầu tư ngay một nền tảng AR phức tạp, doanh nghiệp vừa và nhỏ có thể áp dụng theo từng bước:

1. Bắt đầu từ một use case cụ thể — ví dụ chỉ tập trung dự báo rủi ro cho nhóm khách hàng có công nợ trên một ngưỡng nhất định, thay vì làm cho toàn bộ danh mục khách hàng cùng lúc.
2. Kết nối dữ liệu từ phần mềm kế toán/ERP hiện có (Misa, Fast, Bravo...) — dữ liệu lịch sử thanh toán 12-24 tháng là đủ để xây dựng mô hình chấm điểm cơ bản, kể cả bằng công thức thống kê đơn giản trước khi cần đến machine learning phức tạp.
3. Đo lường tác động rõ ràng — theo dõi sự thay đổi của DSO, tỷ lệ nợ quá hạn, và năng suất của đội thu hồi công nợ trước và sau khi áp dụng, để chứng minh giá trị trước khi mở rộng đầu tư.
4. Kết hợp với con người, không thay thế hoàn toàn — AI hỗ trợ chấm điểm và ưu tiên, nhưng quyết định cuối cùng về việc có tiếp tục cấp tín dụng thương mại cho khách hàng hay không vẫn cần đến đánh giá của kế toán trưởng và ban giám đốc.

Kết luận

Quản lý công nợ phải thu bằng AI không phải là công nghệ "xa xỉ" chỉ dành cho tập đoàn lớn — nguyên lý cốt lõi (dùng dữ liệu lịch sử để dự báo rủi ro thay vì chỉ phản ứng khi đã quá hạn) có thể áp dụng ở quy mô nhỏ với dữ liệu sẵn có từ phần mềm kế toán. Với DSO có thể giảm 20-40% theo các nghiên cứu quốc tế, đây là một trong những khoản đầu tư có ROI rõ ràng nhất mà bộ phận kế toán tài chính có thể đề xuất trong năm 2026.