Tác động tiêu cực của trí tuệ nhân tạo (AI) đến nghề kế toán quản trị

1. Đặt vấn đề

KTQT là một bộ phận quan trọng trong hệ thống thông tin quản lý của DN. Bộ phận này có chức năng thu thập, xử lý, phân tích và cung cấp thông tin phục vụ cho các quyết định nội bộ mang tính chiến lược, như hoạch định chiến lược, kiểm soát chi phí, đánh giá hiệu quả hoạt động và dự báo tài chính. Trong bối cảnh môi trường kinh doanh thế kỷ 2 với cạnh tranh và biến động nhanh thì vai trò của KTQT không chỉ dừng lại ở việc cung cấp số liệu lịch sử truyền thống, mà yêu cầu phải chuyển dịch sang hỗ trợ ra quyết định mang tính chiến lược và hướng tới tương lai của DN.

Hoạt động của DN phụ thuộc ngày càng lớn vào hệ thống dữ liệu, với khối lượng, tốc độ và mức độ đa dạng ngày càng gia tăng, đặt ra yêu cầu cấp thiết về các công cụ và phương pháp xử lý dữ liệu hiệu quả. Nhờ sự xuất hiện và phát triển mạnh mẽ của các công nghệ dữ liệu lớn (Big Data) và AI đã mở ra những cơ hội mới cho KTQT, hỗ trợ nâng cao năng lực phân tích và chất lượng thông tin cung cấp cho nhà quản trị. Đặc biệt, các ứng dụng AI còn có tích hợp khả năng tự động hóa quá trình xử lý dữ liệu, tự xây dựng mô hình dự báo, phát hiện bất thường và đánh giá rủi ro với độ chính xác và kịp thời cao hơn so với các phương pháp truyền thống, cũng như tiết kiện thời gian hơn. Do đó, việc ứng dụng AI vào KTQT đã trở thành xu hướng tất yếu nhằm nâng cao hiệu quả năng lực quản lý và năng lực cạnh tranh của DN trong thời đại số.

Tuy nhiên, bên cạnh những lợi ích rõ rệt, việc ứng dụng AI trong KTQT cũng tồn tại nhiều rủi ro và thách thức. Các kết quả phân tích do AI tạo ra thường mang tính kỹ thuật cao, phụ thuộc vào chất lượng dữ liệu đầu vào, mô hình giả định thiếu phù hợp thực tế và thuật toán sử dụng, tiềm ẩn nguy cơ sai lệch hoặc thiên lệch nếu không được kiểm soát phù hợp. Sự phụ thuộc quá mức vào hệ thống AI, có thể làm suy giảm khả năng phán đoán chuyên môn của con người trong quá trình ra quyết định. Trong bối cảnh đó, yêu cầu người làm công tác KTQT không chỉ cần kỹ năng hiểu và sử dụng công nghệ mà còn phải có khả năng nhận diện các hạn chế của AI, từ đó vận dụng một cách linh hoạt và có kiểm soát nhằm nâng cao hiệu suất công việc.

Xuất phát từ những vấn đề nêu trên, việc nghiên cứu vai trò của KTQT trong bối cảnh ứng dụng AI, đặc biệt là năng lực đọc hiểu, đánh giá và diễn giải các kết quả phân tích do AI hỗ trợ, có ý nghĩa cả về mặt lý luận và thực tiễn. Nghiên cứu này góp phần làm rõ yêu cầu năng lực mới đối với KTQT trong thời đại số, đồng thời đề xuất các định hướng nhằm nâng cao hiệu quả ứng dụng AI trong hoạt động KTQT, qua đó hỗ trợ tốt hơn cho quá trình ra quyết định nội bộ của DN.

2. Phương pháp nghiên cứu

Bài viết tập hợp các các rủi ro mà AI tạo ra ảnh hưởng đến hiệu suất làm việc của KTQT từ các tạp chí khoa học, báo cáo hội nghị khoa học hiện đang sôi nổi trong thời đại số hiện đại, từ đó đề xuất các phương pháp giảm thiểu các rủi ro, nâng cao nghiệp vụ của kế toán nói chung và KTQT riêng trong thời đại số.

3. Kết quả và thảo luận

3.1. Tác động tiêu cực

3.1.1. Rủi ro sai lệch dữ liệu

Bên cạnh những lợi ích nổi bật, AI cũng tạo ra nhiều rủi ro tiềm ẩn, trong đó sai lệch dữ liệu (data bias và data error) là vấn đề nghiêm trọng nhất, vì ảnh hưởng trực tiếp đến độ tin cậy của chuỗi thông tin theo sau đó [1].

Bắt đầu với sai lệch dữ liệu đầu vào, do bản chất của AI là sự tự học của máy (machine learning) và học sâu (deep learning) thông qua nền tảng dữ liệu đầu vào, lịch sử của dữ liệu. Do đó,  bắt đầu sự thiếu sót hay không đồng nhất dữ liệu đều có thể khiến AI hoạt động và cho ra các mô hình kết quả khác nhau mà người dùng khó có khả năng nhân biết, phân biết sự sai khác giữa các mô hình [5]. Theo nghiên cứu năm 2015 của tác giả Warren và đồng nghiệp, chất lượng của dữ liệu ảnh hưởng tới độ chính xác của các mô hình phân tích trong kế toán, mọi sai sót, dữ liệu thiếu độ tin cậy đều đưa tới các sai sót nghiêm trọng trong việc hoạch định, đánh giá chi phí cũng như kế hoạch lập dự toán, hoạch định ngân sách [9].

Bên cạnh đó, sai lệch nội sinh do các thuật toán từ AI (algorithmic bias) bao gồm lựa chọn hàm tối ưu hóa, lựa chọn đặc trưng dữ liệu hoặc cấu trúc mô hình “hộp đen” đặc trưng của các mô hình AI khác nhau cũng đưa ra các kết quả khác nhau, tập trung hoặc thiên vị vào các nhóm dữ liệu có tần suất lớn mà bỏ qua các dữ liệu nhỏ tiềm năng. Các sai lệch này có thể dẫn sai lầm trong phân bổ các chi phí, đánh giá hiệu quả hoạt động của người làm KTQT [1].

3.1.2. Rủi ro về sự rò rỉ dữ liệu, tính bảo mật

Các mô hình AI hiện đại ngày nay phần lớn có khả năng lưu trữ và tái tạo lại các dữ liệu được đưa vào huấn luyện, dẫn đến nguy cơ rò rỉ thông tin nhạy cảm thông qua một số phương thức như kẻ tấn công có thể suy thông tin đầu vào từ nguồn dữ liệu đầu ra (model inversion) hoặc có khả năng đánh giá, xác định sự tồn tại của một mẫu dữ liệu có sẵn trong chương trình huấn luyện AI hay không (membership inference). Bên cạnh đó, đối với hệ thống có tính bảo mật kém, kẻ tấn công có thể chủ động đưa nguồn dữ liệu gây nhiễu, độc hại (data position) vào hệ thống khiên mô hình hoạt động bị sai lệch nên đòi hỏi DN phải có nhiểu biện pháp bảo vệ hệ thống thông tin. Ngoài ra, sử dụng nguồn dữ liệu có nguồn gốc không rõ ràng hoặc tính kiểm soát, bảo mật kém gây khó khăn cho các vấn đề về tính minh bạch, pháp lý khi truy vết và quản lý dữ liệu trong hệ thống AI [2], [7].

3.1.3. Suy giảm khả năng chuyên môn, tư duy phân tích

Xu hướng sử dụng AI hỗ trợ nghiệp vụ KTQT giúp tự động hóa quy trình, tăng tốc độ xử lý và giảm sai sót, nhưng đồng thời cũng đặt ra rủi ro đáng kể về suy giảm năng lực chuyên môn và tư duy phân tích của kế toán viên. Sự phụ thuộc quá mức vào thuật toán có thể dẫn đến tình trạng người dùng chỉ nhận kết quả đầu ra mà, không kiểm tra lại quy trình, số liệu, gây giảm khả năng phán đoán độc lập – vốn là trọng tâm của nghề kế toán. AI có khả năng đảm nhiệm nhiều tác vụ quan trọng như phân loại giao dịch, đối chiếu dữ liệu, phân tích biến động chi phí và dự báo dòng tiền, khiến nhân sự ít có cơ hội rèn luyện kỹ năng phân tích truyền thống, dẫn đến suy giảm năng lực chuyên môn cốt lõi theo thời gian [1].

Thời đại công nghệ hoá, tự động hóa có thể làm suy yếu tư duy phản biện (critical thinking) nếu người làm nghề kế toán dựa hoàn toàn vào mô hình mà không duy trì sự “nghi ngờ nghề nghiệp” hoặc “bản năng nghề nghiệp” cần có. Khi các mô hình “hộp đen” AI hoạt động, người dụng thường không hiểu rõ cách mà thuật toán đưa ra kết luận, từ đó giảm khả năng phân tích và nhận diện các dấu hiệu bất thường. Điều này làm tăng nguy cơ đánh giá sai rủi ro chi phí, bỏ sót gian lận hoặc sai lệch trong báo cáo [8]. Sự lệ thuộc công nghệ khiến nhân sự giảm động lực tự học, cập nhật, duy trì và nâng cao năng lực phân tích ở cấp độ cao. Trong bối cảnh cạnh tranh hiện nay, xã hội đòi hỏi KTQT ngày càng cao về khả năng đánh giá bối cảnh kinh doanh, xây dựng kịch bản và phân tích đa chiều, sự suy giảm này có thể ảnh hưởng trực tiếp đến chất lượng ra quyết định của DN. Do đó, các học giả và tổ chức nghề nghiệp khuyến nghị kết hợp giữa AI và giám sát của con người, và tăng cường yêu cầu minh bạch thuật toán để bảo đảm duy trì năng lực chuyên môn của kế toán viên nói chung và KTQT nói riêng trong thời đại số [11].

3.2. Các kĩ năng cần thiết của người làm KTQT để sử dụng hiệu quả công cụ AI trong thời đại số

Thông qua các rủi ro đã phân tích để có thể khai thác tối đa lợi ích của AI, đòi hỏi người làm nghề KTQT cần tập trung phát triển các nhóm kỹ năng sau:

3.2.1. Nâng cao năng lực hiểu biết về dữ liệu và hệ thống AI

Trong bối cảnh KTQT chuyển dịch sang mô hình ra quyết định dựa trên dữ liệu thì kỹ năng hiểu, diễn giải, đánh giá và sử dụng chúng trở thành năng lực cốt lõi. Điều này không đòi hỏi kế toán phải có kỹ năng của một lập trình viên mà có thể hiểu được dữ liệu từ AI thông qua kiến thức về cấu trúc DN, chất lượng dữ liệu, cách hoạt động cơ bản của phầm mềm kế toán có tích hợp AI từ đó có thể lường trước, giảm thiểu được các rủi ro về sai sót số liệu, hoạch định chi phí [6].

XERO là một trong các phần mềm kế toán được sử dụng phổ biến tại các DN tư nhân với các tiện ích có thể xem xét hồ sơ kế toán và duyệt lệnh theo từng phân cấp trong DN theo hình thức online, giản lược rất nhiều các bước hồ sơ giấy tờ không cần thiết và thời gian. Booke AI là được tích hợp AI vào phần mềm kế toán XERO với khả năng phân loại, tập hợp các bút toán theo các khoảng thời gian phù hợp, đối chiếu số liệu với các hóa đơn, biên lai tương ứng, hạn chế sai sót hơn là phương pháp nhập thủ công. Tuy nhiên, hiện nay Booke AI được khuyến khích sử dụng để truy xuất dữ liệu, do các lo lắng về rủi ro sai sót trong thuật toán, đưa ra các dự toán sai lầm, ảnh hưởng DN [10].

Hình 1. Hình ảnh về truy xuất dữ liệu, phát hiện lỗi số liệu của phần mềm XERO có Booke AI hỗ trợ [10]

(Nguồn: Tác giả cung cấp)

3.2.2. Khả năng đọc hiểu kết quả phân tích

Khả năng đọc hiểu và diễn giải kết quả phân tích từ dữ liệu lớn (Big Data) và các thuật toán AI (AI) ngày càng trở thành yếu tố then chốt quyết định mức độ phát huy giá trị của các hệ thống phân tích tiên tiến, hiện đại trong DN. Việc ứng dụng Big Data và AI cho phép tạo ra nhiều kết quả phân tích có độ phức tạp cao như mô hình dự báo, phát hiện bất thường và đánh giá rủi ro với mức độ chính xác và kịp thời vượt trội so với các phương pháp truyền thống. Tuy nhiên, các nghiên cứu trong lĩnh vực KTQT và hệ thống thông tin kế toán cho thấy rằng giá trị của các kết quả phân tích này không tự động chuyển hóa thành hiệu quả ra quyết định nếu các nhà quản trị không thể hiểu và vận dụng chúng một cách phù hợp. Trên thực tế, kết quả phân tích do AI tạo ra thường được trình bày dưới dạng mô hình thuật toán, chỉ số kỹ thuật hoặc xác suất thống kê, gây khó khăn cho các nhà quản trị không có nền tảng chuyên sâu về dữ liệu và công nghệ.

Trong hoàn cảnh cụ thể đặc trưng của từng DN, người làm KTQT ngày càng được kỳ vọng đảm nhận vai trò hoặc hoàn thiện kĩ năng của “người phiên dịch dữ liệu” (data translator), đóng vai trò trung gian giữa hệ thống phân tích dữ liệu và nhà quản trị. Vai trò này không chỉ đòi hỏi KTQT có khả năng đọc hiểu bản chất của các kết quả phân tích AI, bao gồm việc nhận diện các giả định, giới hạn và mức độ tin cậy của mô hình, mà còn yêu cầu năng lực chuyển hóa các kết quả kỹ thuật thành thông tin quản trị rõ ràng, dễ diễn giải và phù hợp với bối cảnh ra quyết định cụ thể của DN. Nhiều nghiên cứu thực nghiệm đã chỉ ra rằng việc trình bày thông tin phân tích thông qua cấu trúc báo cáo logic, lựa chọn biểu đồ trực quan phù hợp và sử dụng ngôn ngữ phi kỹ thuật có tác động tích cực đến khả năng tiếp nhận thông tin và chất lượng quyết định của nhà quản trị.

Ngoài ra, sự phát triển của các công cụ trực quan hóa và nền tảng phân tích tích hợp AI như Power BI, Tableau hoặc các hệ thống dashboard tự động hóa đã góp phần nâng cao hiệu quả truyền đạt thông tin phân tích trong DN. Các nghiên cứu cho thấy việc sử dụng các công cụ trực quan hóa dữ liệu giúp rút ngắn thời gian ra quyết định, cải thiện khả năng nhận diện xu hướng và rủi ro, đồng thời tăng cường sự tin cậy của nhà quản trị đối với các khuyến nghị dựa trên dữ liệu. Do đó, năng lực đọc hiểu và diễn giải kết quả phân tích Big Data và AI của KTQT không chỉ là một kỹ năng bổ trợ, mà còn là năng lực cốt lõi góp phần nâng cao chất lượng tư vấn quản trị và hiệu quả ra quyết định, qua đó khẳng định vai trò chiến lược của KTQT trong bối cảnh chuyển đổi số và ứng dụng AI hiện nay. [3]

3.2.3. Đạo đức nghề nghiệp

Việc ứng dụng AI (AI) trong xử lý dữ liệu lớn, xây dựng thuật toán dự báo và tự động hóa thông minh đang tạo ra những chuyển biến sâu sắc trong hoạt động kế toán, đặc biệt là KTQT, đặt ra nhiều thách thức mới liên quan đến đạo đức nghề nghiệp và trách nhiệm xã hội. Các rủi ro như quyền riêng tư dữ liệu, tính minh bạch của thuật toán, nguy cơ phân biệt đối xử do thiên lệch dữ liệu và trách nhiệm giải trình đối với các quyết định dựa trên AI ngày càng trở nên nổi bật trong bối cảnh DN đẩy mạnh chuyển đổi số nhưng thiếu sự huấn luyện nội bộ thích ứng phù hợp. Do đó, người làm công tác KTQT hiện nay được xã hội yêu cầu không chỉ cần am hiểu về kỹ thuật và nghiệp vụ chuyên môn, mà còn phải tuân thủ nghiêm ngặt các chuẩn mực đạo đức nghề nghiệp, đảm bảo rằng quá trình thu thập, xử lý và sử dụng dữ liệu tài chính cũng như phi tài chính luôn phù hợp với quy định pháp lý hiện hành và các nguyên tắc về quyền riêng tư, bảo mật thông tin.

Trong môi trường ứng dụng AI, chất lượng và tính minh bạch toàn vẹn của dữ liệu đầu vào đóng vai trò then chốt, tăng độ tin cậy của các mô hình phân tích. Việc thiếu kiểm soát đối với nguồn dữ liệu, dữ liệu không đầy đủ hoặc bị thiên lệch, cũng như việc lạm dụng dữ liệu vượt quá mục đích ban đầu có thể dẫn đến các kết quả phân tích sai lệch, từ đó đưa ra những quyết định quản trị không phù hợp và tiềm ẩn rủi ro đáng kể cho DN và các bên liên quan. Trước những rủi ro này, KTQT cần đóng vai trò như là một “cảnh sát liêm chính”, giám sát và kiểm soát việc sử dụng dữ liệu, hoạt động của AI. Từ đó, họ có thể chủ động đánh giá mức độ phù hợp của dữ liệu đầu vào, các mô hình giả định, tính minh bạch xác thực và kết quả đầu ra trước khi tập hợp thành khuyến nghị trình ban quản trị.

Bên cạnh đó, việc ứng dụng AI cũng làm gia tăng nguy cơ vi phạm đạo đức nghề nghiệp nếu DN và Nhà nước thiếu các cơ chế kiểm soát phù hợp. Các hành vi như thao túng dữ liệu nhằm làm sai lệch kết quả phân tích, sử dụng AI để phục vụ lợi ích cá nhân hoặc lợi ích nhóm, hay đưa ra các khuyến nghị quản trị dựa trên kết quả phân tích chưa được kiểm chứng đầy đủ về độ tin cậy và tính hợp lý của mô hình đều có thể làm suy giảm tính minh bạch và khách quan của thông tin KTQT. Trong bối cảnh này, việc phát triển và củng cố năng lực đạo đức nghề nghiệp của KTQT trong thời đại AI không chỉ góp phần giảm thiểu rủi ro về pháp lý và uy tín cho DN, mà còn đóng vai trò quan trọng trong việc duy trì và nâng cao niềm tin của nhà quản trị, nhà đầu tư và xã hội đối với nghề KTQT nói riêng và hệ thống thông tin quản lý DN nói chung [4], [8].

4. Kết luận

AI đang trở thành một công cụ ngày càng quan trọng trong hoạt động bổ trợ KTQT, giúp năng lực thu thập, kĩ năng xử lý và phân tích dữ liệu, cũng như cải thiện chất lượng thông tin hỗ trợ đưa ra quyết định nội bộ trong DN. Bên cạnh đó, AI về bản chất chỉ là công cụ hỗ trợ nên giá trị mà AI mang lại phụ thuộc lớn vào khả năng đọc hiểu, diễn giải và đánh giá kết quả phân tích do AI tạo ra của người làm công tác KTQT. Do đó, việc trang bị năng lực phân tích dữ liệu, hiểu biết về các rủi ro và giới hạn của mỗi mô hình AI, cùng với khả năng chuyên môn chuyển hóa kết quả kỹ thuật thành thông tin quản trị có ý nghĩa là yêu cầu không thể thiếu của người làm KTQT trong thời đại chuyển đổi số hiện nay.

Bên cạnh yêu cầu về năng lực chuyên môn của kế toán quản tri, việc tuân thủ các chuẩn mực đạo đức nghề nghiệp, tuân thủ pháp luật thì khả năng đảm bảo tính minh bạch, khách quan và bảo mật trong sử dụng dữ liệu đóng vai trò then chốt nhằm hạn chế các rủi ro chủ quan mà AI có thể mang lại. Tóm lại, sự kết hợp giữa nâng cao năng lực chuyên môn, cùng với ý thức đạo đức, trách nhiệm nghề nghiệp sẽ giúp KTQT khai thác hiệu quả AI, giảm thiểu các hệ quả tiêu cực đối với hoạt động DN và góp phần nâng cao năng lực nghề nghiệp cá nhân.