Bài 8 - Đánh giá rủi ro ngành Xây dựng: Dạy AI nhận diện Pattern bằng kỹ thuật Few-Shot
Vì sao bạn cần đọc bài này
Bạn đang review hồ sơ một nhà thầu xây dựng hạ tầng. Doanh thu vẫn nghìn tỷ, Lợi nhuận gộp vẫn dương. Nhìn lướt qua, tình hình tài chính có vẻ ổn.
Nhưng nếu bạn đã trải qua giai đoạn 2022-2023, bạn sẽ nhớ rằng rất nhiều nhà thầu xây dựng “trông có vẻ khỏe” trên P&L cho đến tận những tháng cuối cùng trước khi công bố mất khả năng thanh toán. Điểm chung của họ không nằm ở Doanh thu (vẫn đẹp), mà nằm ở cấu trúc Bảng cân đối kế toán — nơi mà Phải thu và Hàng tồn kho chiếm gần hết Tổng tài sản, trong khi Nợ ngắn hạn phình to và Tiền mặt cạn kiệt.
Vấn đề là: Nếu bạn chỉ đưa BCTC vào AI và hỏi “Đánh giá rủi ro thanh khoản”, AI sẽ cho bạn một nhận định chung chung áp dụng được cho bất kỳ ngành nào. Nó không tự biết rằng ngành Xây dựng có cấu trúc rủi ro hoàn toàn khác ngành Bán lẻ hay Sản xuất.
Bản chất rủi ro đặc thù ngành Xây dựng
Ngành thầu xây dựng có một số đặc thù cần hiểu:
- Phải thu khách hàng (Trade Receivables) thường chiếm tỷ trọng rất lớn trên Tổng tài sản — vì doanh thu được ghi nhận theo tiến độ hoàn thành, nhưng Chủ đầu tư thường giữ lại 5-10% “Retention money” và thanh toán chậm.
- Hàng tồn kho dưới dạng “Chi phí sản xuất kinh doanh dở dang” (Work-in-Progress - WIP) — công trình đang thi công nhưng chưa được nghiệm thu quyết toán.
- Nợ phải trả chủ yếu là nợ nhà thầu phụ (Subcontractors) và nhà cung cấp vật liệu. Khi Chủ đầu tư chậm thanh toán, nhà thầu chính bị kẹp giữa: Phải thu không về, Phải trả phải trả.
Cấu trúc này khiến ngành Xây dựng cực kỳ nhạy cảm với thanh khoản. Một cú sốc nhỏ (Chủ đầu tư phá sản, dự án bị đình trệ pháp lý) có thể tạo ra hiệu ứng domino.
Tại sao AI cần được “đào tạo” bằng ví dụ thực tiễn?
Khi bạn hỏi AI “Đánh giá rủi ro công ty XYZ” mà không cung cấp ngữ cảnh ngành, AI sẽ dùng kiến thức chung. Nó sẽ nói “Tỷ lệ nợ trên vốn chủ cao” — đúng nhưng quá đỗi bình thường, không giúp bạn ra quyết định.
Kỹ thuật Few-Shot Prompting giải quyết điều này bằng cách: Cho AI xem 1-2 ví dụ mẫu (Examples) về các tình huống thực tế trước, để nó “học” được Pattern rủi ro đặc thù. Sau đó mới đưa bài toán mới vào.
Nói đơn giản: Bạn đang truyền kinh nghiệm thực tiễn của mình cho AI trước khi nhờ nó hỗ trợ.
Mẫu Prompt Few-Shot
“Tôi đang cần đánh giá rủi ro thanh khoản của một Nhà thầu Xây dựng Hạ tầng dựa trên BCTC đính kèm.
Trước khi phân tích, hãy tham khảo 2 tình huống minh họa (Examples) sau đây về đặc thù rủi ro ngành Xây dựng VN:
[Ví dụ 1 - Nhà thầu mất thanh khoản]: Tỷ lệ (Phải thu + Hàng tồn kho dở dang) chiếm trên 80% Tổng tài sản. Nợ ngắn hạn gấp 2-3 lần Vốn chủ sở hữu. OCF âm liên tiếp 2-3 năm do Chủ đầu tư chậm thanh toán. Hệ quả: Không trả được nợ thầu phụ, công trường bị đình chỉ.
[Ví dụ 2 - Nhà thầu có tiền mặt nhưng nợ ẩn]: Tiền mặt trên Bảng cân đối tương đối dồi dào. Tuy nhiên, Khoản ‘Phải thu khác’ (TK 138) tăng bất thường, chủ yếu là tạm ứng cho các bên liên quan. Nợ vay ngắn hạn quay vòng liên tục, chỉ số Current Ratio cao nhưng Quick Ratio rất thấp.
DỰA TRÊN PATTERN TỪ 2 VÍ DỤ TRÊN, hãy: 1. Kiểm tra xem BCTC của nhà thầu tôi đang đánh giá có đang thể hiện dấu hiệu tương đồng với Ví dụ 1 hoặc Ví dụ 2 hay không. Đánh giá mức tương đồng trên thang 1-10. 2. Chỉ ra 3 chỉ số cụ thể làm cơ sở cho đánh giá. 3. Viết 2 câu khuyến nghị: Nếu phải giải ngân hạn mức tín dụng cho nhà thầu này, điều kiện giải ngân nào cần được ràng buộc chặt nhất?”
Bạn vừa biến AI từ một công cụ phân tích “biết một chút về mọi thứ” thành một công cụ mang dấu ấn kinh nghiệm ngành của chính bạn. Đó là sức mạnh thực sự của Few-Shot: Chất lượng đầu ra phụ thuộc vào chất lượng ví dụ đầu vào.
Nguyên tắc mang đi
“AI biết rất nhiều, nhưng nó không biết ngành của bạn sâu bằng bạn. Few-Shot là cách bạn truyền kinh nghiệm 5-10 năm của mình vào AI trong 5 phút.”
Mỗi ngành có một “Pattern sụp đổ” riêng. Người nắm được Pattern đó và biết cách truyền nó cho AI, sẽ luôn đánh giá rủi ro chính xác hơn một thuật toán chung chung.