Trần Khánh Lâm

Hội Kiểm toán viên hành nghề Việt Nam (VACPA)

Lê Văn Trắng

Công ty TNHH Kiểm toán I.T.O

Tóm tắt

Trên cơ sở xem xét việc tạo ra giá trị thực tiễn của trí tuệ nhân tạo (AI) trong kế toán - kiểm toán, nghiên cứu đề xuất khung 4T (Tự động hóa, Tăng cường, Thẩm tra, Trách nhiệm giải trình) kèm theo lộ trình triển khai theo 4 bước: (1) xây nền dữ liệu, (2) thí điểm theo quy trình,(3) khóa kiểm soát và chuẩn hóa, (4) mở rộng quy mô gắn quản trị rủi ro. Điểm khác biệt là khung 4T này được phân tích trên nền quan điểm dựa trên nguồn lực (RBV), năng lực động và khung công nghệ - tổ chức - môi trường (TOE). Kết quả nghiên cứu gợi mở các khuyến nghị thực hành cho doanh nghiệp, tổ chức kiểm toán và cơ quan giám sát của nhà nước.

Từ khóa: Bằng chứng kiểm toán, phân tích kiểm toán, trí tuệ nhân tạo, tự động hóa quy trình

Summary

Based on an examination of the practical value creation of artificial intelligence (AI) in accounting and auditing, this study proposes the 4T framework (Automation, Augmentation, Auditability, and Accountability), accompanied by a four-phase implementation roadmap: (1) building a data foundation, (2) piloting process-based applications, (3) establishing control locks and standardization, and (4) scaling up with integrated risk management. The distinct contribution of this framework lies in its analysis through the lenses of the Resource-Based View (RBV), Dynamic Capabilities, and the Technology–Organization–Environment (TOE) framework. The findings offer practical implications for enterprises, audit firms, and government supervisory agencies.

Keywords: Audit evidence, audit analytics, artificial intelligence, process automation.

GIỚI THIỆU

Theo PwC (2017), trí tuệ nhân tạo (AI) có thể giúp GDP toàn cầu tăng thêm 14% đến năm 2030 (khoảng 15.700 tỷ USD) nhờ 2 động lực lớn là tăng năng suất nhờ tự động hóa và dịch chuyển tiêu dùng nhờ sản phẩm, dịch vụ cá nhân hóa chất lượng cao.

Trong bối cảnh Cách mạng công nghiệp 4.0, Việt Nam đã xác định mục tiêu đẩy mạnh chuyển đổi số, vừa phát triển Chính phủ số, kinh tế số, xã hội số, vừa hình thành các doanh nghiệp công nghệ số. Tại Quyết định 633/QĐ-TTg năm 2022 phê duyệt Chiến lược kế toán - kiểm toán đến năm 2030 Thủ tướng Chính phủ đã nhấn mạnh mục tiêu chuyển đổi số trong lĩnh vực kế toán, kiểm toán.

Ngành kế toán - kiểm toán vốn phụ thuộc mạnh vào dữ liệu và kiểm soát quy trình. Sự phát triển nhanh chóng của AI đang làm thay đổi căn bản vai trò kế toán - kiểm toán, nhằm tự động hóa các tác vụ, tháo gỡ các nút thắt về dữ liệu, kiểm soát và chuẩn mực nghề.

CƠ SỞ LÝ THUYẾT

Dữ liệu lớn (Big data) và kiểm toán dựa trên phân tích

Phân tích dữ liệu lớn có thể thay đổi cách thức và nâng cao chất lượng hoạt động kiểm toán, nhưng vấn đề này cũng có nhiều rào cản như năng lực, dữ liệu, kỳ vọng từ chuẩn mực và người sử dụng. Cao, Chychyla & Stewart (2015) gợi ý cách đưa dữ liệu lớn vào kiểm toán báo cáo tài chính để vừa tăng hiệu quả, vừa mở rộng phạm vi thủ tục. Appelbaum, Kogan & Vasarhelyi (2017) đã xây dựng lại quy trình kiểm toán trong bối cảnh dữ liệu của 100% giao dịch có thể được phân tích, nhưng cũng đặt ra câu hỏi mới về rủi ro của những phân tích này.

Tự động hóa quy trình (RPA) và kiểm toán liên tục

Moffitt, Rozario & Vasarhelyi (2018) mô tả RPA như là nền tảng để tự động hóa các quy tắc giúp giảm bớt và loại bỏ các công việc lặp lại của kiểm toán viên, tạo dư địa cho những xét đoán có giá trị cao hơn, nhưng đi kèm với đó là yêu cầu kiểm soát thay đổi và kiểm soát truy cập cần phải được siết chặt hơn.

AI có thể giải thích (XAI) và kiểm toán thuật toán

Nghiên cứu của Arrieta et al. (2020) tổng hợp các cách tiếp tiếp cận XAI, phương pháp thiết kế và vận hành mô hình AI để giải thích kết quả do mô hình đưa ra một cách rõ ràng, cụ thể và có thể kiểm tra lại. OECD (2019) đã ban hành khuyến nghị về AI, nhấn mạnh trách nhiệm, tính minh bạch và an toàn; đồng thời cung cấp tham chiếu khi thiết kế quản trị AI trong đơn vị kế toán, kiểm toán. IAASB (2020) ban hành tài liệu hỗ trợ (không có tính bắt buộc) để định vị vai trò các công cụ và kỹ thuật tự động (Automated Tools & Techniques, ATT) trong đánh giá rủi ro và thủ tục cơ bản (theo chuẩn mực kiểm toán quốc tế ISA 520).

Khung Tự động hóa - Tăng cường - Thẩm tra - Trách nhiệm giải trình (Khung 4T)

Tự động hóa: Trụ cột khởi nguồn của giá trị, robot tự động hóa quy trình xử lý (RPA) và Công cụ - Kỹ thuật tự động (ATT) là để chuẩn hóa tác vụ lặp lại như đối chiếu, so khớp bộ ba chứng từ, đề xuất bút toán (Dennis, A.,2024). Lợi ích chính là tính nhất quán, giảm sai sót thủ công, tạo nhật ký xử lý và dấu vết truy xuất ở mức bước – theo - bước, làm cơ sở cho kiểm tra độc lập (Rozario et al., 2019).

Tăng cường: AI đóng vai trò hỗ trợ xét đoán thay vì thay thế con người: dùng Học máy (ML) và Xử lý ngôn ngữ tự nhiên (NLP) để phát hiện bất thường, chọn mẫu theo rủi ro, đọc - hiểu - đối chiếu hợp đồng/chứng từ và phân tích 100% dân số giao dịch (Dennis, A.,2024). Trụ cột này bảo đảm độ phù hợp và đầy đủ của cơ sở dẫn liệu vượt lên cách tiếp cận dựa quá nhiều vào mẫu truyền thống, đồng thời đảm bảo con người trong vòng kiểm soát thông qua ngưỡng tin cậy, phê duyệt 2 lớp và lý do nghiệp vụ được lưu vết.

Thẩm tra: Trụ cột này bảo đảm chất lượng và tính minh bạch của kết quả AI, thiết lập quản trị vòng đời mô hình theo lô-gíc DOCS (Dữ liệu - Mục tiêu - Kiểm soát - Thẻ điểm). Thẩm tra biến đầu ra phân tích thành bằng chứng có thể sử dụng chỉ ra nguồn đối chiếu độc lập, đo chất lượng dữ liệu (đầy đủ, chính xác, kịp thời), nêu rõ phạm vi - giả định - sai số cho phép và cơ chế xử lý ngoại lệ (KPMG AG., 2024).

Trách nhiệm giải trình: Đây là trụ cột gắn AI với chuẩn mực và kỳ vọng bên liên quan, hồ sơ mô hình (model card) nêu mục tiêu, dữ liệu, yếu tố đầu vào quan trọng, chỉ số hiệu năng và giới hạn sử dụng... Nguyên tắc AI của OECD (2019) đánh giá công bằng - thiên lệch - quyền truy cập tại các điểm nhạy cảm (dữ liệu cá nhân, chấm điểm tín dụng…). Nhờ đó, chứng minh phù hợp mục tiêu, tuân thủ khẩu vị rủi ro và yêu cầu hợp chuẩn, củng cố niềm tin thị trường.

Đối chiếu Khung 4T với các lý thuyết liên quan

Xét theo quan điểm Dựa trên nguồn lực (RBV), lợi thế bền vững đến từ tài sản có giá trị, hiếm, khó bắt chước gồm: dữ liệu sạch - quy trình chuẩn - mô hình được quản trị. “Tự động hóa” giúp hình thành dữ liệu chuẩn hóa và quy trình ổn định; “Tăng cường” và “Thẩm tra” phát triển năng lực phân tích - quản trị mô hình; “Trách nhiệm giải trình” chuyển hóa thành uy tín tuân thủ - tài sản vô hình của đơn vị. Quan điểm RBV lý giải vì sao 4T không chỉ tạo hiệu suất ngắn hạn mà còn tích lũy lợi thế khó sao chép.

Xét trên lý thuyết Năng lực động, 3 khả năng (nhận biết - chớp cơ hội - tái cấu hình) được gắn vào 4T là: “Tự động hóa/Tăng cường” cho phép nhanh chóng khai thác cơ hội AI trong quy trình (nhận biết, nắm bắt); “Thẩm tra/Trách nhiệm giải trình” buộc tổ chức liên tục điều chỉnh mô hình, dữ liệu, kiểm soát. Do đó, 4T tạo nền tảng cho xây dựng năng lực thích nghi liên tục, đưa AI từ thí điểm sang vận hành bền vững cho doanh nghiệp.

Trên quan điểm lý thuyết Công nghệ - Tổ chức - Môi trường (TOE), khung 4T có độ phủ đủ 3 lớp quyết định thành công: Công nghệ (hạ tầng dữ liệu, tương thích hệ thống), Tổ chức (văn hóa dữ liệu, kỹ năng đội ngũ, quy trình kiểm soát), Môi trường (chuẩn mực nghề, pháp lý, kỳ vọng khách hàng). Nhờ lý thuyết TOE, mà khung 4T linh hoạt điểm khởi đầu của dữ liệu ưu tiên “Tự động hóa”; môi trường pháp lý nhạy cảm thì ưu tiên “Trách nhiệm giải trình”.

PHƯƠNG PHÁP NGHIÊN CỨU

Nghiên cứu áp dụng tổng quan có hệ thống kết hợp phân tích nội dung, đặt trên 3 nền tảng: quan điểm Dựa trên nguồn lực RBV (coi dữ liệu - mô hình là tài sản chiến lược), Năng lực động (cảm nhận - nắm bắt - tái cấu hình năng lực dữ liệu/phân tích) và TOE (Công nghệ - Tổ chức - Môi trường) để lý giải điều kiện thuận lợi và rào cản khi áp dụng AI ở cấp tổ chức.

Quy trình thực hiện gồm:

(i). Sàng lọc học thuật trên Google Scholar/Scopus/WoS theo các chủ đề AI trong kế toán - kiểm toán, phân tích kiểm toán, RPA, kiểm toán liên tục, XAI và các hướng dẫn/chuẩn mực từ Tổ chức Hợp tác và Phát triển kinh tế (OECD), Hội đồng Chuẩn mực Kiểm toán và Dịch vụ Bảo đảm quốc tế (IAASB), Liên đoàn Kế toán quốc tế (IFAC), Ngân hàng Thế giới (World Bank);

(ii). Mã hóa nội dung theo chuỗi giá trị kế toán - kiểm toán (chu trình mua sắm - thanh toán; chu trình bán hàng - thu tiền; quy trình ghi nhận - báo cáo/khóa sổ - công bố báo cáo; thuế và tuân thủ lập kế hoạch - thực hiện - báo cáo);

(iii). Lập bản đồ sử dụng và liên kết với yêu cầu bằng chứng kiểm toán (ISA 500) cùng tài liệu Công cụ và kỹ thuật tự động (ATT) của IAASB;

(iv). Tổng hợp thành khung 4T và đề xuất lộ trình - khuyến nghị triển khai.

KẾT QUẢ VÀ THẢO LUẬN

Các trường hợp có tác động mạnh đến chu trình kế toán - kiểm toán

Mua sắm - thanh toán

Các ứng dụng ưu tiên bao gồm tự động kiểm tra thủ tục so khớp bộ 3 chứng từ trước khi ghi nhận/chi trả và ngoại lệ thông qua tự động hóa quy trình bằng robot phần mềm kết hợp mô hình học máy (ML) để chuẩn hóa quy tắc, học mẫu lệch chuẩn và tạo nhật ký xử lý có thể tái lập. Song song với đó, có thể sàng lọc nhà cung cấp rủi ro thông qua liên kết dữ liệu bên ngoài (danh sách cấm vận, tin tiêu cực…) như một dạng bằng chứng bổ trợ trong đánh giá rủi ro gian lận và tuân thủ. Các mô hình giám sát giúp nhận diện hành vi khai khống hoặc chi sai bằng cách phát hiện dấu vết sai sót như tách nhỏ hóa đơn, thời gian phê duyệt bất thường hay thời điểm giao dịch lệch chuẩn.

Bán hàng - thu tiền

Trọng tâm là dự báo thời gian thu hồi công nợ để ước tính dự phòng phải thu dựa trên rủi ro với giả định và sai số dự báo. Cùng với đó, rủi ro gian lận doanh thu (chia cắt niên độ, thỏa thuận riêng) được phát hiện thông qua dấu vết hệ thống và phân tích ngữ nghĩa hợp đồng bằng xử lý ngôn ngữ tự nhiên (NLP), cho phép đối chiếu chặt giữa điều khoản thương mại và sự kiện ghi nhận.

Ghi nhận - báo cáo/khóa sổ - công bố báo cáo

Năng lực đối chiếu tài khoản gần thời gian thực giúp tự động truy xuất, so khớp và cảnh báo sai lệch, đồng thời hình thành hồ sơ kiểm soát tuần tự. Mô hình đề xuất bút toán kết chuyển có giải thích (XAI) được vận hành kèm cơ chế phê duyệt 2 lớp, lưu đầy đủ lý do, tham số và người phê duyệt. Tầng phân tích liên tục trên sổ cái và sổ chi tiết được tổ chức theo chủ đề kiểm soát, sử dụng ngưỡng động để thích ứng với tính mùa vụ và đặc thù ngành.

Thuế và tuân thủ

Xử lý ngôn ngữ tự nhiên sẽ hỗ trợ phân loại hóa đơn và trích xuất - đối chiếu chứng từ, gợi ý giải trình tự động theo sắc thuế. Đồng thời, hệ thống cảnh báo rủi ro theo ngành và địa bàn có thể dựa trên dữ liệu công khai và hướng dẫn của cơ quan Thuế, từ đó lập bản đồ chủ đề rủi ro để ưu tiên kiểm tra và phân bổ nguồn lực.

Trong các giai đoạn kiểm toán (lập kế hoạch, thực hiện, lập báo cáo), các loại rủi ro sinh ra từ toàn bộ giao dịch cho phép lập kế hoạch dựa trên rủi ro dữ liệu thay vì phụ thuộc quá mức vào phán đoán định tính. Chọn mẫu dẫn hướng bởi mô hình chọn mẫu có trọng số rủi ro thay thế cách chọn ngẫu nhiên truyền thống, nêu rõ tiêu chí và trọng số để tăng độ phù hợp của cơ sở dẫn liệu. Việc tái thực hiện kiểm soát bằng RPA trên log hệ thống củng cố thử nghiệm thiết kế và vận hành kiểm soát như phân quyền, tách nhiệm vụ, phê duyệt. Thử nghiệm cơ bản dựa trên phân tích tận dụng dữ liệu bên ngoài (giá thị trường, vị trí, thời tiết…) làm chuẩn so sánh độc lập, gia tăng độ tin cậy của suy luận. Ở mức cao hơn, kiểm toán liên tục được triển khai cho chu trình trọng yếu như doanh thu, chu trình mua sắm - thanh toán và hàng tồn kho, kèm cảnh báo gần thời gian thực và ngưỡng theo rủi ro. Thủ tục xác nhận được tự động hóa toàn trình (gửi - nhận - đối chiếu) với chữ ký số và theo dõi trạng thái. Mọi mô hình tác động trọng yếu tới bằng chứng hoặc ý kiến kiểm toán đều có hồ sơ mô hình nêu mục tiêu, dữ liệu, thước đo hiệu năng và giới hạn sử dụng; đồng thời, kiểm toán thuật toán nội bộ được áp dụng xuyên suốt vòng đời để đánh giá mục tiêu, dữ liệu, công bằng và quyền truy cập, bảo đảm tính giải thích và khả năng kiểm tra độc lập.

Về lợi ích trong giai đoạn đầu thường phản ánh rõ nét ở tăng năng suất (khối lượng thủ công giảm, chu kỳ xử lý rút ngắn, chất lượng tài liệu hóa và khả năng truy vết tăng lên). Khi dữ liệu và mô hình đạt độ chín, doanh nghiệp có thể mở rộng sang các dịch vụ bảo đảm mới như bảo đảm dữ liệu và thuật toán, hay dịch vụ bảo đảm ESG gần thời gian thực - đáp ứng kỳ vọng minh bạch của thị trường và yêu cầu giám sát ngày càng cao.

Khung 4T và yêu cầu quản trị để “AI có thể kiểm toán được”

Thứ nhất, liên quan đến Tự động hóa

Cần chuẩn hóa dữ liệu và quy trình trước khi vận hành công cụ tự động, tránh tình trạng không đạt được mục tiêu quản trị, cần tiến hành theo từng bước, cụ thể: hoàn thiện từ điển và đường đi của dữ liệu; chuẩn hóa hệ thống tài khoản và quy tắc hạch toán; thiết kế kiểm soát từng bước từ phân tách nhiệm vụ, rà soát quyền truy cập, phê duyệt nhiều cấp; triển khai công cụ tự động và kỹ thuật phân tích dữ liệu. Từng bước phải tiến hành đầy đủ, chính xác mới thể hiện được đầy đủ nhật ký xử lý, có thể tái lập và kiểm tra độc lập.

Thứ hai, vai trò Tăng cường

AI đóng vai trò hỗ trợ xét đoán chuyên môn chứ không thay thế con người. Cách làm “đặt con người trong vòng kiểm soát” cần được thể chế hóa bằng các điểm chốt: ngưỡng tin cậy, quy trình phê duyệt hoặc điều chỉnh kết quả, tài liệu hóa lý do nghiệp vụ khi hệ thống đưa ra gợi ý. Khi phân tích toàn bộ giao dịch, cần cập nhật cách hiểu về tính trọng yếu, tiêu chí sai sót và lô-gíc chọn mẫu dựa trên rủi ro; đồng thời bồi dưỡng năng lực đọc hiểu mô hình cho đội ngũ kế toán và kiểm toán để nâng độ phù hợp và đầy đủ của cơ sở dẫn liệu, song vẫn giữ vững trách nhiệm nghề nghiệp.

Thứ ba, nhiệm vụ Thẩm tra

Để kết quả phân tích trở thành bằng chứng có thể sử dụng kiểm toán, phải chứng minh tính đầy đủ, tính thích hợp và độ tin cậy. Điều này đòi hỏi nguồn đối chiếu độc lập; dấu vết trích xuất - biến đổi - nạp dữ liệu rõ ràng (ai thực hiện, vào thời điểm nào, theo quy tắc gì); bộ chỉ số chất lượng dữ liệu (đầy đủ, chính xác, kịp thời) cùng cơ chế quản lý thay đổi mô hình (thẩm định độc lập, kiểm thử lặp lại, quản lý phiên bản). Khi dùng dữ liệu lớn làm bằng chứng bổ trợ, phải nêu phạm vi áp dụng, mức sai lệch cho phép và cách xử lý ngoại lệ để người soát xét có thể kiểm chứng.

Thứ tư, liên quan đến Trách nhiệm giải trình

Trách nhiệm giải trình được bảo đảm thông qua hồ sơ mô hình và kiểm toán thuật toán định kỳ. Mỗi mô hình cần có thuyết minh mục tiêu, dữ liệu sử dụng, yếu tố đầu vào quan trọng, thước đo hiệu quả... Tại các điểm giao cắt rủi ro như dữ liệu cá nhân, xếp hạng tín dụng hay phân bổ nguồn lực, phải đánh giá tính công bằng, thử nghiệm nhạy cảm và soát xét quyền truy cập. Những yêu cầu này cần được lồng ghép vào kiểm toán nội bộ và, khi cần, kiểm toán độc lập, phù hợp với các nguyên tắc về minh bạch, trách nhiệm và an toàn; nhờ đó bảo đảm hệ thống giải thích được và kiểm tra độc lập được trong suốt vòng đời vận hành.

Những hạn chế thường gặp khi áp dụng AI trong kiểm toán - kế toán

Một là, quy trình nghiệp vụ còn chắp vá. Tự động hóa sự lộn xộn khiến các yếu tố “ngoại lệ” phát sinh dày đặc, khó truy vết và khó chịu trách nhiệm.

Hai là, thiếu bộ tài liệu chuẩn mô tả đầy đủ một mô hình sử dụng trong nghiệp vụ. Đến kỳ soát xét chất lượng hoặc khi cần giải trình với kiểm toán viên, tổ chức lúng túng vì không có tài liệu về mục tiêu, dữ liệu, giả định, thước đo hiệu quả, phạm vi sử dụng và lịch sử thay đổi.

Ba là lệ thuộc vào mô hình “hộp đen”. Khi quyết định có hệ quả cao, mô hình khó giải thích sẽ kéo theo rủi ro đạo đức và tuân thủ dẫn đến quy trình phê duyệt/điều chỉnh của con người với lý do nghiệp vụ được lưu vết đầy đủ.

Bốn là định kiến trong dữ liệu. Dữ liệu đầu vào méo lệch sẽ cho ra quyết định méo lệch khó duy trì nhật ký nguồn gốc dữ liệu để biết dữ liệu đến từ đâu, ai xử lý, xử lý thế nào, và tổ chức “kiểm toán thuật toán” xuyên suốt vòng đời mô hình nhằm phát hiện - khắc phục thiên lệch, trôi dạt theo thời gian và các vi phạm về quyền truy cập.

KHUYẾN NGHỊ ÁP DỤNG

Đánh giá khả năng áp dụng trong ngành kế toán - kiểm toán

Kế toán - kiểm toán là dịch vụ ngang ngành, nhu cầu dữ liệu gần thời gian thực, kiểm toán liên tục và bảo đảm đối với hệ thống ra quyết định tự động. Điều này không chỉ gia tăng kỳ vọng về tốc độ và độ sâu của thủ tục phân tích, mà còn đòi hỏi năng lực thẩm định mô hình và quản trị rủi ro công nghệ ngay trong thiết kế quy trình kiểm soát.

AI vừa dịch chuyển cấu trúc việc làm, vừa tạo ra công việc mới. Khung tự động hóa và nhiệm vụ mới nêu rõ, khi những tác vụ lặp lại được máy móc tiếp quản, nội dung công việc của con người chuyển dịch sang các nhiệm vụ có giá trị gia tăng cao hơn như thiết kế, giám sát và đánh giá mô hình. Với kiểm toán - kế toán, đã có sự dịch chuyển từ thực hiện thủ tục thủ công sang vai trò kiến trúc sư kiểm soát và người bảo đảm hệ thống thuật toán, chịu trách nhiệm về tính minh bạch, khả năng giải thích và khả năng kiểm tra độc lập của các công cụ hỗ trợ ra quyết định.

Lộ trình triển khai

Cần sớm có lộ trình triển khai AI trong kế toán - kiểm toán theo các bước như sau:

Bước 1 - Xây nền dữ liệu (0-12 tháng)

Chuẩn hóa các tập dữ liệu cốt lõi như sổ cái, phải thu/phải trả, tài sản cố định và hàng tồn kho; mô tả rõ đường đi của dữ liệu từ nguồn vào đến báo cáo. Thiết lập “kho dữ liệu” cho công cụ tự động, gồm nhật ký xử lý, dấu vết truy cập và phiên bản dữ liệu. Tổ chức đào tạo nền tảng về phân tích phục vụ kiểm toán, kỹ năng truy vấn và lập trình cơ bản cùng tư duy “mô hình phải giải thích được”. Kết quả sớm kỳ vọng: triển khai 3-5 quy trình tự động hóa đơn giản (đối chiếu, xác nhận, so khớp 3 chứng từ).

Bước 2 - Thí điểm theo quy trình (6-18 tháng)

Chọn 1 đến 2 quy trình rủi ro cao, chẳng hạn như doanh thu hoặc mua sắm - thanh toán, để áp dụng phân tích trên toàn bộ giao dịch thay vì chỉ dựa vào mẫu. Thực hiện chọn mẫu theo rủi ro với tiêu chí minh bạch và triển khai phân tích cơ bản dựa trên dữ liệu bên ngoài làm chuẩn so sánh độc lập, qua đó nâng độ phù hợp và độ tin cậy của cơ sở dẫn liệu.

Bước 3 - Kiểm soát và tiêu chuẩn hóa (12-24 tháng)

Ban hành “hồ sơ mô hình”, quy định thẩm định độc lập trước khi đưa vào vận hành và mỗi khi thay đổi. Đồng thời xây dựng chuẩn dữ liệu cho kiểm toán nội bộ gồm từ điển dữ liệu, quy tắc đặt tên nhất quán và các cam kết chất lượng dữ liệu (độ đầy đủ, độ chính xác, tính kịp thời), bảo đảm khả năng truy vết và kiểm tra độc lập.

Bước 4 - Mở rộng quy mô và phát triển dịch vụ mới (18-36 tháng)

Triển khai kiểm toán liên tục cho các chu trình trọng yếu, thiết lập bảng điều khiển rủi ro gần thời gian thực để cảnh báo sớm. Trên nền tảng đó, phát triển các dịch vụ bảo đảm mới về dữ liệu và mô hình thuật toán phù hợp với nguyên tắc minh bạch, trách nhiệm và an toàn theo thông lệ quốc tế; tích hợp vào khung kiểm soát hiện hữu để vận hành bền vững ở quy mô lớn.

Tác động đến chuẩn mực, đạo đức và năng lực

Chuẩn mực và hướng dẫn nghề nghiệp

Việc ứng dụng công nghệ vào kiểm toán đang được phản ánh rõ hơn trong hệ thống chuẩn mực. Dự thảo sửa đổi ISA 500 (bằng chứng kiểm toán) mở rộng ví dụ về kỹ thuật thu thập bằng chứng và nêu rõ cách sử dụng công cụ tự động. Đồng thời, IAASB đã ban hành tài liệu hướng dẫn dành riêng cho công cụ và kỹ thuật tự động, trong đó phân định rành mạch việc phân loại thủ tục khi có yếu tố tự động hóa, yêu cầu truy vết và khả năng tái lập kết quả.

Đạo đức và minh bạch

Nguyên tắc về AI của OECD nhấn mạnh minh bạch, trách nhiệm và an toàn, đòi hỏi mỗi mô hình sử dụng trong ngành kiểm toán đều phải có “hồ sơ mô hình” đầy đủ; thực hiện đánh giá, thiết lập quy trình giám sát... bảo đảm khả năng giải thích cũng như kiểm tra độc lập đối với mọi kết quả do hệ thống đưa ra.

Năng lực nghề nghiệp

Một trong những vấn đề cần quan tâm hàng đầu là chức năng tài chính phải giữ vai trò trung tâm của chuyển đổi số. Năng lực cốt lõi không chỉ dừng ở kỹ thuật kế toán - kiểm toán truyền thống mà còn bao gồm quản trị dữ liệu, hiểu biết mô hình, tư duy phân tích và năng lực làm việc với nhóm công nghệ. Để đạt được, yêu cầu phải đào tạo lại và bồi dưỡng thường xuyên cho kiểm toán viên về dữ liệu, thuật toán và kiểm soát công nghệ.

Dữ liệu vì lợi ích công

Báo cáo Phát triển Thế giới 2021 của Ngân hàng Thế giới (WB, 2021) đề xuất, “khế ước dữ liệu” bảo đảm việc sử dụng và tái sử dụng dữ liệu đi kèm công bằng, tin cậy và bảo vệ quyền riêng tư. Đây là nền tảng để vận hành kế toán số và kiểm toán dữ liệu gần thời gian thực. Theo đó, dữ liệu phải có nguồn gốc rõ ràng, chất lượng được đo lường, quyền truy cập được quản trị, và việc chia sẻ phải gắn với trách nhiệm giải trình.

KẾT LUẬN

Nhìn từ thực hành kế toán - kiểm toán, AI không chỉ là “máy làm nhanh hơn”. Khi được triển khai với quy trình kiểm soát chặt và hồ sơ minh bạch, công nghệ này mở ra một hệ sinh thái bảo đảm mới, đó là: bằng chứng đến từ dữ liệu bên ngoài, soát xét gần thời gian thực, và kiểm toán đối với chính các hệ thống ra quyết định tự động. Giá trị sẽ đến theo 2 nhịp, trước hết là năng suất (giảm thao tác thủ công, nâng chất lượng tài liệu hóa, rút ngắn chu kỳ), sau đó là những dịch vụ giá trị gia tăng gắn với trách nhiệm giải trình của mô hình và dữ liệu. Trên lộ trình đó, khung 4T cùng kế hoạch triển khai theo 4 bước là lựa chọn thực dụng để đi từ thí điểm tới vận hành ở quy mô, đồng thời bảo toàn các nguyên tắc cốt lõi “minh bạch, trách nhiệm và khả năng kiểm tra độc lập”.

Tài liệu tham khảo:

1. Appelbaum, D., Kogan, A., & Vasarhelyi, M. A. (2017). Big Data and analytics in the modern audit engagement: Research needs, Auditing: A Journal of Practice & Theory, 36(4), 1-27.

2. Arrieta, A. B., et al. (2020). Explainable Artificial Intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI, Information Fusion, 58, 82-115.

3. Cao, M., Chychyla, R., & Stewart, T. (2015). Big data analytics in financial statement audits, Accounting Horizons, 29(2), 423-429.

4. Dennis, A. (2024). What AI can do for auditors, https://www.journalofaccountancy.com/issues/2024/feb/what-ai-can-do-for-auditors/.

5. IAASB (2020). Using automated tools & techniques in performing audit procedures (Non‑authoritative support material), International Auditing and Assurance Standards Board.

6. KPMG AG. (2024). AI based audit: Technology capability as imperative -Why AI is a must in auditing, Board Leadership News, Edition 01/2024.

7. Moffitt, K. C., Rozario, A. M., & Vasarhelyi, M. A. (2018). Robotic process automation for auditing, Journal of Emerging Technologies in Accounting, 15(1), 1-10.

8. OECD (2019). Recommendation of the Council on Artificial Intelligence (OECD/LEGAL/0449).

9. PwC (2017). Sizing the Prize: What’s the real value of AI for your business and how can you capitalise.

10. Rozario, A. M., Zhang, A., & Vasarhelyi, M. A. (2019). Examining automation in audit. IFAC Knowledge Gateway, https://www.ifac.org/knowledge-gateway/discussion/examining-automation-audit

11. World Bank (2021). Báo cáo Phát triển Thế giới 2021, https://thedocs.worldbank.org/en/doc/387f816c7dcbebb675a9fe82ffba8828-0070012021/original/Vietnam-Taking-Stock-August-2021-Presentation-Vietnamese.pdf.