AI đang thay đổi cách ngân hàng phát triển phần mềm.

Nhưng câu hỏi quan trọng không còn là: “Developer có code nhanh hơn nhờ AI không?”

Mà là: “Ngân hàng có biến năng suất đó thành tốc độ tạo ra Business Value hay không?”

Bank of America (BofA) đang cung cấp một case study đáng chú ý cho câu hỏi này.

1. BofA bắt đầu từ một bài toán rất thực tế

Năm 2025, BofA cho biết khoảng 18.000 software developers đang sử dụng GitHub Copilot.

AI được sử dụng cho:

• Code generation
• Unit-test generation
• Software modernization

Với những hoạt động được đo lường cụ thể, BofA báo cáo productivity lift khoảng 20%.

Đến 2026, con số này đã tăng lên khoảng 19.000 developers, và BofA cho biết các developer này đạt efficiency gains trên 20% nhờ real-time coding assistance.

Đây không còn là một thử nghiệm nhỏ của một vài team. Nó đã trở thành một enterprise-scale capability.

2. BofA không dừng ở “AI Coding”

Trong Investor Day 2025, khi được hỏi về việc triển khai GitHub Copilot cho 18.000 programmers, CTO Hari Gopalkrishnan không chỉ nói về coding. Ông cho biết BofA đã sử dụng AI cho code generation, unit testing và modernization, sau đó “harvested that capacity” — tức là thu hồi phần năng lực được giải phóng từ productivity gain — để đưa trở lại investment pool và tiếp tục đầu tư vào growth agenda. Nói cách khác:

AI Productivity Gain => Capacity được giải phóng => Tái đầu tư vào Growth

Đây là một cách nhìn rất khác với: “Chúng tôi triển khai Copilot để Developer làm việc nhanh hơn.”

3. Bước tiếp theo của BofA là gì?

BofA nói rõ rằng họ không dừng lại ở coding. Các hướng tiếp theo được CTO nêu ra gồm:

Intake & Requirements
→ Design
→ Triage Management
→ Autonomous Systems

Điều này cho thấy một sự chuyển dịch quan trọng:

Giai đoạn 1

AI Coding - AI hỗ trợ Developer viết code và test.

Giai đoạn 2

AI-enabled Software Development - AI hỗ trợ nhiều hoạt động hơn trong Software Delivery.

Giai đoạn 3

AI-enabled Technology Organization - AI bắt đầu được đưa vào các quy trình, quyết định và workflow rộng hơn của Technology Organization.

4. AI không thay con người ra quyết định

BofA đưa ra một ví dụ về một quy trình ra quyết định gồm nhiều bước. 

Con người:

1. Thu thập thông tin
2. Phân tích thông tin
3. Ra quyết định
4. Document quyết định

BofA đã bắt đầu dùng AI để hỗ trợ những phần xung quanh quyết định.

Ví dụ, Large Language Model có thể tổng hợp thông tin và tạo documentation từ những dữ liệu mà nhân viên đã thu thập.

Nhưng BofA vẫn giữ quyết định cuối cùng ở con người.

CTO của BofA nhấn mạnh rằng họ chưa để LLM tự đưa ra quyết định trong trường hợp này; AI đang augment công việc của nhân viên.

Đây là một nguyên tắc đặc biệt quan trọng đối với ngân hàng: Automate the work around the decision before automating the decision itself.

Hay nói cách khác: AI có thể làm giảm Decision Friction mà chưa nhất thiết phải Automate Decision Rights.

Đây là cách tiếp cận rất phù hợp với môi trường regulated.

5. BofA đang đi xa hơn nữa: Agentic AI trong SDLC

Điểm này đặc biệt thú vị nếu nhìn ở thời điểm hiện tại. 

Một vị trí tuyển dụng của BofA năm 2026 mô tả rõ việc ngân hàng đang tìm kiếm năng lực để xây dựng Agentic AI across the SDLC. Phạm vi được mô tả bao gồm: Planning → Development → Testing → CI/CD → Quality & Security → Release → Production

và kết nối các agent với issue trackers, repositories, CI/CD pipelines, quality/security gates và observability platforms.

Đáng chú ý hơn, BofA không chỉ tìm người xây AI tool. Họ tìm người định nghĩa:

• Agentic AI strategy
• Operating model
• Governance
• Enterprise architecture
• Risk & responsible AI
• Developer productivity
• Cross-functional execution

Điều này cho thấy một sự thay đổi rất quan trọng: AI không còn chỉ là Developer Tool. Nó đang trở thành một phần của Operating Model.

6. Điều các ngân hàng nên chú ý

Hãy nhìn lại toàn bộ hành trình.

Trước AI

Requirement => Design => Coding => Testing => Review => Release => Customer Value

Khi AI được đưa vào Coding, Coding trở nên nhanh hơn.

Nhưng nếu:

• Requirement vẫn chậm
• Design vẫn phải chờ
• Dependencies vẫn nhiều
• Testing vẫn thủ công
• Review vẫn là bottleneck
• Governance vẫn mất nhiều ngày
• Release vẫn phải qua nhiều handoffs

thì: Developer nhanh hơn không đồng nghĩa với Organization nhanh hơn.

Đây chính là lý do BofA không dừng ở Copilot. Họ đang mở rộng AI ra toàn bộ Software Delivery Lifecycle.

7. BofA đang chuyển từ “Tool Adoption” sang “System Redesign”

Một ngân hàng có thể hỏi: “Chúng ta nên triển khai GitHub Copilot cho bao nhiêu Developer?”

Đó là câu hỏi về Tool Adoption. Nhưng BofA đang đặt câu hỏi rộng hơn: “Chúng ta có thể dùng AI để làm cho toàn bộ Technology Organization productive hơn ở đâu?” 

Vì vậy, họ nhìn vào nhiều tầng:

Level 1 — General AI Productivity

AI được tích hợp vào các công cụ làm việc chung.

BofA hiện báo cáo khoảng 200.000 active users, tạo hơn 400.000 prompts/ngày, cùng hơn 2.000 departmental AI templates.

Level 2 — Functional AI

AI được thiết kế cho từng nhóm công việc.

Ví dụ:

• ~19.000 developers dùng real-time coding assistance
• 20.000 wealth professionals dùng AI hỗ trợ meeting
• ~4.000 Corporate & Investment Banking professionals dùng AI cho research và presentation preparation.

Level 3 — Multi-Process AI Systems

AI được nhúng trực tiếp vào workflow.

Ví dụ:

• Call-center agents nhận automated recommendations theo thời gian thực
• Global Payments Solutions sử dụng AI để tăng tốc phản hồi khách hàng
• Enterprise document intelligence tự động search, classify, extract và translate tài liệu.

Đây là một mô hình rất đáng chú ý:

AI Tool

→ AI Capability

→ AI-enabled Workflow

→ AI-enabled Operating Model

Muốn AI thực sự đi vào enterprise, ngân hàng phải đồng thời scale:

Technology + Governance + Skills + Operating Model

9. Vậy BofA thực sự đang giải bài toán gì?

Không phải: “Làm thế nào để Developer code nhanh hơn?”

Mà là: “Làm thế nào để toàn bộ hệ thống Technology tạo ra giá trị nhanh hơn?”

Đó là hai bài toán hoàn toàn khác nhau. Có thể hình dung sự chuyển dịch như sau:

10. Bài học cho ngân hàng Việt Nam

BofA không có nghĩa là ngân hàng Việt Nam nên lập tức triển khai Copilot cho hàng nghìn Developer.

Bài học không nằm ở công cụ. Bài học nằm ở cách tư duy.

① Đừng bắt đầu bằng câu hỏi “AI tool nào?”

Hãy bắt đầu bằng: Bottleneck lớn nhất trong Software Delivery của chúng ta đang ở đâu?

Có thể là: Requirement

• Architecture
• Development
• Testing
• Security
• Dependency
• Approval
• Release
• Governance

② Đừng chỉ đo Developer Productivity

Nếu chỉ đo:

• Lines of code
• Story points
• Tickets completed
• Code generated
• AI adoption

chúng ta có thể đang tối ưu một mắt xích, thay vì tối ưu Value Stream

③ Productivity Gain phải được “harvest”

Đây là một trong những bài học hay nhất từ BofA. 

Nếu AI giúp một Developer tiết kiệm 20% thời gian, câu hỏi tiếp theo không phải: “Tuyệt vời. Developer đã rảnh hơn.” 

Mà là: “20% capacity đó sẽ được tái đầu tư vào đâu?”

Ví dụ:

20% capacity gain

→ xây thêm capability

→ giảm backlog

→ tăng automation

→ rút ngắn Time-to-Market

→ đưa sản phẩm mới đến khách hàng nhanh hơn.

Nếu không làm bước này, productivity gain có thể chỉ trở thành idle capacity hoặc được hấp thụ bởi những bottleneck khác.

11. Insight quan trọng

BofA cho chúng ta thấy một sự chuyển dịch: AI Coding không phải đích đến. Nó là điểm bắt đầu.

Khi Coding nhanh hơn, tổ chức cần nhìn rộng hơn: Where is the next constraint?

Nếu bottleneck nằm ở Requirement → dùng AI để cải thiện Requirement.

Nếu bottleneck nằm ở Testing → tự động hóa Testing.

Nếu bottleneck nằm ở Dependencies → Platform/Self-service.

Nếu bottleneck nằm ở Governance → Risk-based Governance.

Nếu bottleneck nằm ở Decision → AI hỗ trợ Decision Preparation.

Nếu bottleneck nằm ở nhiều handoffs → Redesign Team & Operating Model.

BitTrain Perspective

Bài học lớn nhất từ Bank of America không phải là: “Hãy triển khai AI Coding.”

Mà là: “Đừng dùng AI chỉ để làm một team nhanh hơn. Hãy dùng AI để làm Value Stream nhanh hơn.”

Đó là sự khác biệt giữa: AI Adoption và AI-enabled Transformation.

Và cũng là bước chuyển quan trọng từ: Developer Productivity → Team Productivity → Value Stream Productivity → Business Value

AI can accelerate Developers.
Only a better Operating Model can accelerate the Organization.