Chuyển đổi số trong quản lý tài chính đại học công lập

Trong bối cảnh hội nhập quốc tế và tác động mạnh mẽ của Cách mạng Công nghiệp 4.0, hệ thống giáo dục đại học Việt Nam đang đứng trước những bước ngoặt mang tính chiến lược. Chuyển đổi số không còn là sự lựa chọn mà đã trở thành yêu cầu bắt buộc theo Quyết định số 749/QĐ-TTg của Thủ tướng Chính phủ về "Chương trình chuyển đổi số quốc gia đến năm 2025, định hướng đến năm 2030". Trong đó, giáo dục là một trong những lĩnh vực được ưu tiên chuyển đổi số hàng đầu.

Đặc biệt, việc triển khai Nghị định số 60/2021/NĐ-CP quy định cơ chế tự chủ tài chính của đơn vị sự nghiệp công lập đã tạo ra áp lực rất lớn lên các trường đại học công lập. Khi mức độ tự chủ càng cao, các cơ sở giáo dục phải tự chịu trách nhiệm về toàn bộ hoạt động thu - chi, quản lý tài sản công và đảm bảo tính bền vững của nguồn vốn. Tuy nhiên, mô hình quản lý tài chính truyền thống hiện nay đang bộc lộ nhiều hạn chế như: quy trình thủ công gây lãng phí nguồn lực, thiếu công cụ dự báo dòng tiền chính xác và khó khăn trong việc minh bạch hóa dữ liệu phục vụ công tác giải trình.

Để giải quyết mâu thuẫn giữa yêu cầu quản trị tinh gọn và áp lực tự chủ, việc ứng dụng AI nổi lên như một giải pháp đột phá. Theo Chiến lược quốc gia về nghiên cứu, phát triển và ứng dụng AI đến năm 2030 (Quyết định số 127/QĐ-TTg), AI được xác định là công nghệ lõi để thúc đẩy kinh tế số và quản trị thông minh. Trong quản lý tài chính đại học, AI không chỉ giúp tự động hóa các tác vụ kế toán lặp lại mà còn cung cấp khả năng phân tích dữ liệu lớn để tối ưu hóa việc phân bổ ngân sách và kiểm soát rủi ro tài chính.

Xuất phát từ thực tế đó, nghiên cứu "Chuyển đổi số trong quản lý tài chính đại học công lập: Tiếp cận từ ứng dụng trí tuệ nhân tạo" là vô cùng cấp thiết. Bài báo nhằm làm rõ lộ trình tích hợp AI vào hệ thống tài chính, giúp các trường đại học không chỉ tuân thủ quy định pháp luật mà còn nâng cao lợi thế cạnh tranh trong kỷ nguyên số.

Cơ sở lý luận

Khái quát về AI trong lĩnh vực Tài chính - Kế toán

AI được hiểu là các hệ thống máy tính có khả năng thực hiện các nhiệm vụ đòi hỏi trí tuệ của con người như nhận diện, phân tích dữ liệu và ra quyết định. Trong lĩnh vực tài chính, AI không thay thế con người mà đóng vai trò là "người đồng hành thông minh" thông qua hai nhánh chính:

2.1.1. Tự động hóa quy trình bằng Robot (RPA)

RPA là công nghệ sử dụng các phần mềm "robot" để mô phỏng các thao tác của con người trên máy tính nhằm thực hiện các tác vụ có tính lặp lại, dựa trên các quy tắc (rule-based) với khối lượng lớn.

• Trong kế toán: RPA thường được ứng dụng trong việc nhập liệu hóa đơn, đối chiếu chứng từ ngân hàng, và lập các báo cáo định kỳ.

• Lợi ích: theo nghiên cứu của Gartner (2020), việc ứng dụng RPA có thể giúp bộ phận tài chính giảm thiểu tới 25.000 giờ làm việc thủ công mỗi năm, hạn chế tối đa sai sót do yếu tố con người và nâng cao tính tuân thủ.

2.1.2. Học máy (Machine Learning - ML)

Khác với RPA hoạt động theo quy tắc cố định, ML là các thuật toán có khả năng "học" từ dữ liệu lịch sử để tìm ra các quy luật và đưa ra dự báo.

• Trong tài chính: ML được sử dụng để phân tích xu hướng chi tiêu, nhận diện các giao dịch bất thường (gian lận) và dự báo dòng tiền.

• Lợi ích: Nghiên cứu của PwC (2021) chỉ ra rằng, ML giúp các nhà quản lý chuyển dịch từ trạng thái "phản ứng với dữ liệu quá khứ" sang "chủ động dự báo tương lai", một yếu tố then chốt trong quản trị rủi ro tài chính.

Đặc thù quản lý tài chính tại các đơn vị sự nghiệp công lập (ĐVSNCL)

Quản lý tài chính tại các trường đại học công lập Việt Nam có những đặc điểm pháp lý và vận hành rất riêng biệt, được quy định chặt chẽ bởi hệ thống luật pháp về ngân sách và tài sản công.

Tính đa dạng của nguồn thu và mục tiêu hoạt động

Các đại học công lập hoạt động theo cơ chế tự chủ tài chính theo Nghị định số 60/2021/NĐ-CP. Nguồn tài chính của trường bao gồm: ngân sách nhà nước cấp, thu từ học phí, hoạt động dịch vụ khoa học công nghệ và tài trợ. Mục tiêu quản lý không chỉ là hiệu quả kinh tế mà còn phải đảm bảo các mục tiêu chính trị - xã hội và chất lượng đào tạo.

Quy trình kiểm soát và tính minh bạch

Mọi hoạt động thu chi tại ĐVSNCL đều phải tuân thủ Luật Ngân sách nhà nước và chế độ kế toán hành chính sự nghiệp (Thông tư 107/2017/TT-BTC).

• Hệ thống kiểm soát nội bộ đòi hỏi quy trình xét duyệt chặt chẽ qua nhiều cấp.

• Yêu cầu về tính giải trình (Accountability) trước cơ quan chủ quản và xã hội là rất cao. Điều này tạo ra một khối lượng dữ liệu khổng lồ cần được lưu trữ và đối soát một cách chính xác tuyệt đối.

Áp lực tự chủ và nhu cầu tối ưu hóa nguồn lực

Khi chuyển sang mô hình tự chủ, các trường đại học công lập đối mặt với áp lực phải tự cân đối thu chi và đầu tư phát triển bền vững. Quản lý tài chính lúc này không chỉ là "ghi chép sổ sách" mà là "quản trị chiến lược". Việc thiếu hụt các công cụ phân tích dữ liệu hiện đại khiến các nhà quản lý khó có thể đưa ra các quyết định phân bổ ngân sách tối ưu cho đào tạo và nghiên cứu khoa học.

Sự giao thoa giữa AI và quản lý tài chính công

Việc ứng dụng AI (RPA và ML) vào đặc thù của ĐVSNCL chính là giải pháp để dung hòa giữa sự "cứng nhắc" của các quy định hành chính và yêu cầu "linh hoạt" của quản trị hiện đại. AI giúp tự động hóa các thủ tục hành chính phức tạp (theo Thông tư 107/2017/TT-BTC) , đồng thời cung cấp các báo cáo quản trị thông minh giúp lãnh đạo nhà trường ra quyết định trong điều kiện tự chủ tài chính.

Phân tích các cơ hội và thách thức

Việc tích hợp AI vào quản lý tài chính tại các đại học công lập không chỉ là một bước tiến về mặt kỹ thuật mà còn là một cuộc cách mạng trong tư duy quản trị. Dưới đây là phân tích chi tiết:

Cơ hội: Đột phá trong minh bạch và hiệu năng

Tăng cường tính minh bạch và trách nhiệm giải trình

Trong cơ chế tự chủ, tính minh bạch (Transparency) là yếu tố sống còn để tạo dựng niềm tin với các bên liên quan.

• Kiểm soát dòng tiền thời gian thực: AI cho phép theo dõi các giao dịch tài chính ngay khi chúng phát sinh. Theo Deloitte (2023), các hệ thống AI tích hợp có khả năng tạo ra các "vết dấu kiểm toán" (audit trails) không thể thay đổi, giúp việc giải trình với cơ quan chủ quản và xã hội trở nên khách quan và chính xác hơn.

• Hạn chế trục lợi: các thuật toán học máy có khả năng phát hiện những điểm bất thường trong chi tiêu hoặc các khoản chi trùng lặp, từ đó ngăn ngừa thất thoát nguồn lực công.

3.1.2. Giảm thiểu sai sót con người và tối ưu hóa chi phí vận hành

Quản lý tài chính đại học thường đối mặt với khối lượng chứng từ khổng lồ từ nhiều nguồn (học phí, dự án nghiên cứu, đầu tư công).

• Độ chính xác tuyệt đối: ứng dụng RPA giúp thực hiện các phép tính phức tạp và nhập liệu với tỉ lệ sai sót gần bằng không.

• Giải phóng nguồn lực: theo báo cáo của World Economic Forum (2020), việc tự động hóa các tác vụ lặp lại giúp nhân sự kế toán chuyển dịch từ "nhập liệu" sang "phân tích tài chính", tạo ra giá trị gia tăng cao hơn cho nhà trường mà không cần tăng biên chế.

Thách thức: Những "nút thắt" cần tháo gỡ

Hành lang pháp lý và sự tương thích quy định

Đây là rào cản lớn nhất đối với các đơn vị công lập tại Việt Nam.

• Sự độ vênh giữa công nghệ và văn bản pháp luật: Luật Kế toán (2015) và các Thông tư hướng dẫn (như Thông tư 107/2017/TT-BTC) vẫn ưu tiên các quy trình dựa trên chứng từ giấy và chữ ký trực tiếp trong một số khâu nhất định. Việc công nhận kết quả ra quyết định từ AI trong việc chi tiêu ngân sách nhà nước hiện vẫn chưa có hướng dẫn cụ thể, gây tâm lý e ngại cho người đứng đầu đơn vị.

• An ninh mạng và bảo mật dữ liệu: việc đưa dữ liệu tài chính công lên môi trường AI đòi hỏi sự tuân thủ nghiêm ngặt Luật An ninh mạng (2018), điều mà nhiều đại học hiện nay chưa đủ nguồn lực kỹ thuật để bảo đảm.

Chất lượng dữ liệu đầu vào và tính đồng bộ hệ thống

Nguyên lý của AI là "Garbage In, Garbage Out" (Dữ liệu rác vào, kết quả rác ra).

• Dữ liệu phân mảnh: hiện nay, dữ liệu tại nhiều đại học công lập đang bị "cô lập" giữa các phòng ban (quản lý đào tạo, quản lý nhân sự, quản lý tài chính sử dụng các phần mềm khác nhau). Sự thiếu đồng bộ này khiến AI không có đủ dữ liệu sạch và toàn diện để học và đưa ra dự báo chính xác.

• Tiêu chuẩn hóa dữ liệu: việc thiếu một chuẩn dữ liệu chung cho toàn ngành giáo dục đại học khiến việc triển khai AI trên diện rộng gặp nhiều khó khăn.

Tâm lý ngại thay đổi và khoảng cách năng lực số

Con người là yếu tố quyết định sự thành công của chuyển đổi số, nhưng cũng là lực cản lớn nhất.

• Nỗi lo bị thay thế: đội ngũ kế toán truyền thống thường có tâm lý lo ngại AI sẽ làm mất việc làm, dẫn đến sự phản kháng ngầm hoặc thiếu hợp tác trong quá trình triển khai công nghệ mới.

• Thiếu hụt nhân sự tài chính hiểu về AI: để vận hành AI, nhà trường cần những "kế toán viên số" – những người không chỉ giỏi nghiệp vụ tài chính mà còn phải có tư duy về dữ liệu. Theo khảo sát năng lực số tại Việt Nam, đây vẫn là một lỗ hổng lớn trong đội ngũ viên chức hiện nay.

Đề xuất khung mô hình ứng dụng ai trong quản lý tài chính đại học công lập

Những rào cản về hành lang pháp lý, tính đồng bộ của dữ liệu và tâm lý e ngại thay đổi của đội ngũ nhân sự là những 'nút thắt' thực tế cần phải tháo gỡ tại các đại học công lập Việt Nam hiện nay. Tuy nhiên, thay vì nhìn nhận các thách thức này như những trở ngại bất biến, chúng cần được xem là cơ sở để thiết lập một lộ trình chuyển đổi số bài bản và thận trọng. Để hóa giải những khó khăn trên, đồng thời hiện thực hóa các cơ hội mà công nghệ mang lại, việc xây dựng một hệ thống quản trị tài chính hiện đại là vô cùng cần thiết. Trong phần tiếp theo, tác giả đề xuất Khung mô hình Quản trị tài chính thông minh (SFG) - một giải pháp tích hợp cho phép kết nối hài hòa giữa hạ tầng dữ liệu, các thuật toán trí tuệ nhân tạo và vai trò quyết định của con người nhằm tối ưu hóa hiệu quả quản trị trong bối cảnh tự chủ. Mô hình này không chỉ cung cấp một cái nhìn tổng thể, mà còn chi tiết hóa lộ trình ứng dụng công nghệ vào từng khâu nghiệp vụ tài chính cụ thể tại nhà trường.

Sơ đồ quy trình phối hợp Con người - Dữ liệu - AI

Trong mô hình này, AI không hoạt động độc lập mà đóng vai trò là "trung tâm xử lý" dựa trên đầu vào dữ liệu và chịu sự giám sát của con người (Human-in-the-loop).

Mô tả luồng vận hành:

- Dữ liệu (Input): thu thập từ mọi nguồn (Học phí, Đề tài khoa học, Ngân sách nhà nước, Quản lý tài sản công).

- AI Engine (Process): thực hiện hai nhiệm vụ song song: RPA xử lý các tác vụ thực thi (thanh quyết toán) và Machine Learning xử lý các tác vụ phân tích (dự báo, cảnh báo rủi ro).

- Con người (Output & Control): các nhà quản lý tài chính không còn làm việc với số liệu thô mà làm việc với các "Tri thức số" do AI cung cấp để đưa ra các quyết định chiến lược.

Cấu trúc chi tiết của mô hình (3 Lớp)

Lớp 1: Lớp Dữ liệu tích hợp (Data Layer)

Đây là nền móng của mô hình. Các trường đại học cần xây dựng Kho dữ liệu dùng chung (Data Warehouse).

• Yêu cầu: dữ liệu phải được chuẩn hóa theo danh mục dùng chung của Bộ Giáo dục và Đào tạo và phù hợp với Chế độ kế toán hành chính sự nghiệp (Thông tư 107/2017/TT-BTC).

• Nguồn dữ liệu: bao gồm dữ liệu có cấu trúc (báo cáo tài chính, bảng lương) và dữ liệu phi cấu trúc (hợp đồng đào tạo, chứng từ quét kỹ thuật số).

Lớp 2: Lớp Thực thi và Phân tích bằng AI (Processing Layer)

Đây là "bộ não" của hệ thống, chia làm hai phân hệ:

• Phân hệ RPA (Tăng hiệu suất): tự động hóa việc đối chiếu học phí từ ngân hàng, tự động kiểm tra tính hợp lệ của hóa đơn điện tử theo quy định của Tổng cục Thuế, và hỗ trợ lập báo cáo quyết toán tự động. Theo Gartner (2022), RPA giúp tăng tốc độ xử lý nghiệp vụ tài chính lên gấp 5-10 lần so với thao tác thủ công.

• Phân hệ Machine Learning (Tăng trí tuệ): * Dự báo ngân sách: AI phân tích dữ liệu tuyển sinh và chi tiêu 5-10 năm gần nhất để dự báo dòng tiền cho năm học tới với độ chính xác trên 90%.

• Cảnh báo rủi ro: Hệ thống tự động phát hiện các khoản chi vượt định mức hoặc các dấu hiệu bất thường trong mua sắm công dựa trên các thuật toán phát hiện gian lận (Fraud Detection).

Lớp 3: Lớp Quản trị và Ra quyết định (Governance Layer)

Lớp này dành cho ban giám hiệu và các trưởng phòng tài chính.

• Báo cáo thông minh (Dashboard): thay vì xem các bảng biểu Excel dài hàng chục trang, lãnh đạo theo dõi trực quan các chỉ số tài chính (KPIs) thời gian thực trên màn hình điều hành.

• Mô phỏng kịch bản (What-if Analysis): AI giúp mô phỏng: "Nếu điều chỉnh mức học phí hoặc tăng đầu tư cho nghiên cứu khoa học, tình hình tài chính của trường sẽ thay đổi thế nào sau 3 năm?". Điều này cực kỳ quan trọng trong bối cảnh tự chủ tài chính theo Nghị định 60/2021/NĐ-CP.

Bảng 1: Khung triển khai mô hình SFG tại các đại học công lập

(Nguồn: Các tác giả đề xuất)

Phân tích sâu về sự phối hợp trong mô hình:

• Tính liên kết (Integration): dữ liệu từ Tầng 1 (Hạ tầng) là "xương sống". Nếu không có dữ liệu sạch, các thuật toán ở Tầng 2 (Xử lý) sẽ không thể đưa ra dự báo chính xác. Điều này đòi hỏi các trường phải đồng bộ hóa phần mềm quản lý đào tạo và kế toán.

• Vòng lặp kiểm soát (Human-in-the-loop): mặc dù AI xử lý hầu hết các tác vụ, nhưng kết quả cuối cùng tại Tầng 3 (Quản trị) luôn cần sự thẩm định của chuyên gia tài chính. Điều này đảm bảo tính pháp lý theo Luật Kế toán và các quy định về chi tiêu công hiện hành.

• Tính thích ứng (Scalability): khung mô hình này cho phép các trường triển khai từng phần. Các trường mới bắt đầu tự chủ có thể tập trung vào RPA ở tầng xử lý để giảm áp lực nhân sự, trước khi tiến tới các dự báo phức tạp bằng Machine Learning.

Lộ trình triển khai đề xuất (Roadmap)

Tác giả đề xuất lộ trình 3 giai đoạn để đảm bảo tính khả thi và giảm thiểu rủi ro:

• Giai đoạn 1, chuẩn hóa và Số hóa (6-12 tháng): tập trung xây dựng hạ tầng dữ liệu và số hóa toàn bộ quy trình chứng từ theo quy định của Chính phủ về văn phòng điện tử.

• Giai đoạn 2, tự động hóa tác vụ (RPA) (12-18 tháng): áp dụng Robot vào các khâu kế toán phần hành (kế toán thanh toán, kế toán tài sản).

• Giai đoạn 3, quản trị thông minh (AI/ML) (Sau 18 tháng): triển khai các thuật toán dự báo và hệ thống hỗ trợ ra quyết định tài chính chiến lược.

Cơ chế kiểm soát và đạo đức AI (Governance & Ethics)

Trong môi trường giáo dục công lập, việc ứng dụng AI phải tuân thủ nghiêm ngặt các nguyên tắc đạo đức.

• Tính giải trình: mọi quyết định hoặc gợi ý của AI phải có thể truy xuất nguồn gốc (Explainable AI - XAI).

• Bảo mật: tuân thủ Luật An toàn thông tin mạng (2015) để bảo vệ dữ liệu cá nhân của người học và giảng viên. Theo nghiên cứu của IFAC (2021), đạo đức nghề nghiệp kế toán trong kỷ nguyên số đòi hỏi các kế toán viên phải giám sát thuật toán để đảm bảo tính khách quan và trung thực.

Đề xuất khung mô hình ứng dụng ai trong quản lý tài chính đại học công lập (SFG)

Để tối ưu hóa công tác quản trị tài chính trong điều kiện tự chủ, nghiên cứu đề xuất mô hình Smart Financial Governance (SFG). Mô hình này được thiết kế theo cấu trúc đa tầng, tích hợp giữa quy trình nghiệp vụ truyền thống và các công nghệ AI tiên tiến nhất hiện nay.

Kết luận và kiến nghị

Kết luận

Nghiên cứu đã chỉ ra rằng, trong bối cảnh tự chủ tài chính theo Nghị định 60/2021/NĐ-CP, việc ứng dụng trí tuệ nhân tạo (AI) vào quản lý tài chính không còn là một lựa chọn công nghệ mà là một yêu cầu tất yếu để nâng cao năng lực quản trị tại các đại học công lập Việt Nam. Qua việc phân tích mô hình Smart Financial Governance (SFG), bài báo khẳng định:

• AI là giải pháp tối ưu để giải quyết mâu thuẫn giữa khối lượng công việc kế toán khổng lồ và yêu cầu tinh gọn biên chế.

• Sự kết hợp giữa RPA và Machine Learning giúp chuyển dịch từ quản lý tài chính mang tính "đối phó, ghi chép" sang "quản trị, dự báo", giúp các trường chủ động hơn trong việc điều tiết nguồn lực tự chủ.

• Minh bạch hóa dữ liệu thông qua AI chính là chìa khóa để thực hiện trách nhiệm giải trình trước cơ quan quản lý và xã hội, phù hợp với mục tiêu của Chiến lược Chuyển đổi số quốc gia đến năm 2030.

Kiến nghị

Để lộ trình chuyển đổi số tài chính đại học thực sự hiệu quả và bền vững, tác giả đề xuất một số kiến nghị sau:

Đối với cơ quan quản lý Nhà nước (Bộ Tài chính, Bộ Giáo dục & Đào tạo)

• Hoàn thiện hành lang pháp lý: cần có những hướng dẫn cụ thể về việc công nhận các chứng từ điện tử và kết quả xử lý dữ liệu từ AI trong công tác quyết toán ngân sách nhà nước. Cần sớm cập nhật Thông tư 107/2017/TT-BTC để tạo không gian pháp lý cho các mô hình kế toán số.

• Xây dựng chuẩn dữ liệu chung: ban hành bộ tiêu chuẩn dữ liệu tài chính dùng chung cho khối đại học để đảm bảo tính đồng bộ, giúp các hệ thống AI có thể kết nối và chia sẻ dữ liệu liên thông.

Đối với các trường đại học công lập

• Ưu tiên đầu tư hạ tầng dữ liệu: thay vì đầu tư rời rạc, các trường cần tập trung xây dựng kho dữ liệu tập trung (Centralized Data Warehouse). Đây là điều kiện tiên quyết để AI "học" và đưa ra các dự báo chính xác.

• Đào tạo nguồn nhân lực "Kế toán số": Cần có kế hoạch đào tạo lại đội ngũ cán bộ tài chính, không chỉ dừng lại ở nghiệp vụ kế toán mà còn trang bị kỹ năng phân tích dữ liệu và tư duy quản trị dựa trên AI.

Đối với đội ngũ nhân sự kế toán - kiểm toán

• Thay đổi tư duy quản trị: cần nhìn nhận AI là công cụ hỗ trợ để nâng cao giá trị nghề nghiệp thay vì là mối đe dọa thay thế. Nhân sự kế toán cần chủ động tham gia vào quá trình thiết kế quy trình ứng dụng công nghệ tại đơn vị. Theo khuyến nghị của IFAC (2021), đạo đức nghề nghiệp và sự hoài nghi nghề nghiệp của con người là yếu tố mà AI không thể thay thế trong việc kiểm soát tính trung thực của báo cáo tài chính.