Tích hợp trí tuệ nhân tạo (AI) vào mô hình thẻ điểm cân bằng (BSC) nhằm nâng cao hiệu quả đánh giá thành quả hoạt động tại các đơn vị sự nghiệp công lập

1. Đặt vấn đề

Trong những năm gần đây, việc đổi mới cơ chế quản lý và đẩy mạnh mức độ tự chủ tài chính tại các ĐVSNCL, đặc biệt là các cơ sở giáo dục đại học và y tế tuyến đầu – đã trở thành một trong những trọng tâm của cải cách hành chính nhà nước. Theo tinh thần của Nghị định số 60/2021/NĐ-CP ngày 21/06/2021 của Chính phủ quy định cơ chế tự chủ tài chính của ĐVSNCL, các đơn vị không chỉ được trao quyền chủ động trong việc khai thác nguồn thu, mà còn phải nâng cao trách nhiệm giải trình về hiệu quả sử dụng ngân sách và chất lượng cung cấp dịch vụ công. Điều này đặt ra yêu cầu cấp thiết về việc thiết lập một hệ thống đánh giá thành quả hoạt động toàn diện, đa chiều thay vì chỉ đơn thuần dựa vào các báo cáo quyết toán tài chính truyền thống.

Mô hình BSC (Balanced Scorecard) do Kaplan và Norton (1992) phát triển từ lâu đã được công nhận là một công cụ KTQT chiến lược hữu hiệu. BSC giúp gắn kết các mục tiêu tài chính với các chỉ tiêu phi tài chính thông qua bốn khía cạnh: Tài chính, Khách hàng (người thụ hưởng), Quy trình nội bộ, và Học hỏi - Phát triển. Tuy nhiên, thực tiễn vận dụng BSC tại các ĐVSNCL ở Việt Nam hiện nay vẫn gặp nhiều rào cản. Việc thu thập và xử lý dữ liệu đo lường chủ yếu được thực hiện thủ công hoặc phân tán trên các phần mềm quản lý rời rạc, dẫn đến độ trễ lớn về mặt thời gian báo cáo. Hơn nữa, các chỉ tiêu phi tài chính (như mức độ hài lòng của người học, người dân hay chất lượng quy trình cung cấp dịch vụ) thường mang tính định tính, khó đo lường chính xác và thiếu tính cảnh báo kịp thời để phục vụ công tác ra quyết định của ban lãnh đạo.

Song song với quá trình tự chủ, Quyết định số 749/QĐ-TTg ngày 03/06/2020 của Thủ tướng Chính phủ phê duyệt "Chương trình Chuyển đổi số quốc gia đến năm 2025, định hướng đến năm 2030" đã đặt ra nhiệm vụ ứng dụng công nghệ số toàn diện trong công tác quản lý điều hành. Sự phát triển bứt phá của AI (AI), đặc biệt là công nghệ phân tích dữ liệu lớn (Big Data) và thuật toán học máy (Machine Learning), mang đến một giải pháp đột phá để khắc phục những hạn chế của BSC. AI có khả năng tự động hóa việc tổng hợp khối lượng dữ liệu khổng lồ, phân tích các biến động phức tạp và dự báo xu hướng tương lai theo thời gian thực (real-time).

Xuất phát từ cơ sở pháp lý và đòi hỏi thực tiễn nêu trên, bài báo nghiên cứu "Tích hợp AI vào mô hình BSC nhằm nâng cao hiệu quả đánh giá thành quả hoạt động tại các ĐVSNCL" được thực hiện. Nghiên cứu tập trung phân tích cơ sở lý luận và đề xuất khung tích hợp AI vào hệ thống đánh giá BSC, qua đó cung cấp một góc nhìn mới về ứng dụng công nghệ trong KTQT công, giúp các ĐVSNCL chuyển đổi từ việc "đo lường quá khứ" sang "quản trị tương lai", tối ưu hóa nguồn lực và hoàn thành tốt sứ mệnh phục vụ xã hội.

2. Cơ sở lý thuyết

2.1. Mô hình BSC trong khu vực công

BSC (Balanced Scorecard - BSC) ban đầu được Kaplan và Norton (1992) thiết kế dành cho các doanh nghiệp tối đa hóa lợi nhuận, với khía cạnh Tài chính được đặt ở vị trí cao nhất. Tuy nhiên, đối với các ĐVSNCL, mục tiêu cốt lõi không phải là lợi nhuận tài chính mà là việc thực hiện thành công các sứ mệnh chính trị, xã hội do Nhà nước giao phó và tối đa hóa giá trị phục vụ cộng đồng.

Nhận thức được sự khác biệt này, Kaplan (2001) đã điều chỉnh cấu trúc BSC dành riêng cho khu vực công và tổ chức phi lợi nhuận. Sự thay đổi mang tính nền tảng bao gồm việc đặt khía cạnh Sứ mệnh (Mission) hoặc Khách hàng/Người thụ hưởng (Customer/Beneficiary) lên vị trí đỉnh của mô hình. Trong bối cảnh các trường đại học công lập hay bệnh viện công, khía cạnh này đại diện cho sự hài lòng của sinh viên, bệnh nhân và đóng góp cho xã hội.

Lúc này, khía cạnh Tài chính (Financial) đóng vai trò là nguồn lực hỗ trợ (enabler) và là điều kiện ràng buộc thay vì là mục tiêu cuối cùng. Để đáp ứng sứ mệnh và tối ưu hóa tài chính, ĐVSNCL cần hoàn thiện Quy trình nội bộ (Internal Processes) (như nâng cao chất lượng giảng dạy, tinh gọn thủ tục hành chính). Nền tảng để cải tiến quy trình chính là khía cạnh Học hỏi và Phát triển (Learning and Growth), tập trung vào việc bồi dưỡng năng lực cán bộ viên chức và hiện đại hóa hệ thống thông tin.

Sự chuyển dịch này hoàn toàn phù hợp với định hướng tự chủ tài chính theo Nghị định 60/2021/NĐ-CP, đòi hỏi các đơn vị công lập phải cân bằng giữa việc khai thác nguồn thu hợp pháp với trách nhiệm giải trình về chất lượng dịch vụ công.

2.2. AI trong KTQT và Đo lường hiệu quả

Trong kỷ nguyên số, AI đang định hình lại bản chất của KTQT. Theo Liên đoàn Kế toán Quốc tế (IFAC), AI không thay thế vai trò của kế toán viên mà dịch chuyển trọng tâm công việc từ xử lý dữ liệu thủ công sang phân tích chiến lược.

Trong công tác đo lường hiệu quả hoạt động, AI thể hiện sức mạnh thông qua ba cấp độ phân tích:

Phân tích mô tả và chẩn đoán (Descriptive & Diagnostic Analytics): Nhờ công nghệ Tự động hóa quy trình bằng Robot (RPA) kết hợp AI, dữ liệu từ nhiều phòng ban khác nhau (nhân sự, đào tạo, tài vụ) được thu thập và làm sạch tự động. Điều này giúp hệ thống BSC luôn được cập nhật theo thời gian thực (real-time) thay vì có độ trễ hàng tháng, hàng quý như trước đây.

Phân tích dự báo (Predictive Analytics): Thông qua các thuật toán Học máy (Machine Learning), hệ thống có khả năng nhận diện các quy luật từ dữ liệu quá khứ. Ví dụ, AI có thể dự báo xu hướng tuyển sinh, biến động nguồn thu học phí hoặc chi phí vận hành trong tương lai, từ đó giúp ban lãnh đạo lập dự toán ngân sách chính xác hơn.

Xử lý dữ liệu phi cấu trúc: Đo lường các chỉ tiêu phi tài chính thường là "điểm nghẽn" của BSC truyền thống. Bằng công nghệ Xử lý ngôn ngữ tự nhiên (NLP - Natural Language Processing), AI có thể đọc và phân tích hàng ngàn phiếu khảo sát, phản hồi của người học/người dân để tự động đánh giá mức độ hài lòng (Sentiment Analysis), lượng hóa các chỉ tiêu định tính thành các con số có thể đo lường được trên BSC.

Tóm lại, việc đưa AI vào KTQT không chỉ giúp giảm thiểu sai sót do con người mà còn biến BSC từ một công cụ "đánh giá hậu kiểm" (đo lường những gì đã xảy ra) trở thành một "hệ thống cảnh báo sớm và dự báo" chiến lược, hỗ trợ đắc lực cho ban giám hiệu và thủ trưởng đơn vị trong việc ra quyết định.

3. Hạn chế của việc vận dụng BSC truyền thống tại các ĐVSNCL hiện nay

Việc vận dụng BSC tại các ĐVSNCL, điển hình là các trường đại học công lập, đã mang lại những chuyển biến tích cực trong tư duy quản trị chiến lược. Tuy nhiên, dưới áp lực tự chủ tài chính theo Nghị định 60/2021/NĐ-CP và sự phức tạp của môi trường giáo dục hiện đại, mô hình BSC truyền thống đang bộc lộ một số hạn chế cốt lõi, cản trở hiệu quả ra quyết định của ban giám hiệu.

3.1. Khía cạnh Thu thập và Xử lý dữ liệu: Sự phân mảnh và độ trễ thông tin

Tại đa số các trường đại học công lập, hệ thống cơ sở dữ liệu thường trong tình trạng "phân mảnh" (siloed data). Các phòng ban chức năng sử dụng những phần mềm quản lý độc lập, thiếu sự liên thông đồng bộ: Phòng Kế toán - Tài vụ sử dụng phần mềm kế toán riêng, Phòng Đào tạo quản lý điểm số trên hệ thống khác, trong khi Phòng Công tác Sinh viên lại lưu trữ dữ liệu khảo sát trên nền tảng tách biệt.

Do đó, việc thu thập dữ liệu để tính toán các chỉ số cốt lõi (Key Performance Indicators - KPIs) cho thẻ điểm BSC thường được thực hiện thủ công, đòi hỏi nhiều thời gian tổng hợp và đối chiếu (reconciliation) giữa các bộ phận. Hậu quả là các báo cáo BSC thường mắc phải "độ trễ" (time lag) rất lớn, thường chỉ được lập vào cuối quý hoặc cuối năm học. Các số liệu này mang tính chất "hậu kiểm" (báo cáo những gì đã xảy ra) thay vì cung cấp thông tin kịp thời (real-time) để điều hành tác nghiệp hàng ngày.

3.2. Khía cạnh Đánh giá chỉ tiêu phi tài chính: Tính chủ quan và khó định lượng

Đặc thù của khu vực công là sự tập trung vào các mục tiêu phi tài chính, đặt khía cạnh "Khách hàng/Người thụ hưởng" và "Quy trình nội bộ" làm trọng tâm. Tại trường đại học, đó là mức độ hài lòng của sinh viên đối với chất lượng giảng dạy, hay hiệu quả của quy trình cung cấp dịch vụ hành chính một cửa.

Hạn chế lớn nhất của BSC truyền thống là việc đo lường các chỉ tiêu định tính này chủ yếu dựa vào các đợt khảo sát định kỳ bằng bảng hỏi (survey) truyền thống. Phương pháp này không chỉ tiêu tốn nhiều chi phí, nhân lực mà kết quả thu về thường có độ tin cậy không cao do tỷ lệ phản hồi thấp hoặc tâm lý đánh giá chiếu lệ của người học. Bên cạnh đó, các phản hồi dạng văn bản tự do (open-ended feedback) rất khó để lượng hóa thành các điểm số chính xác trên BSC nếu chỉ dùng sức người để phân tích, dẫn đến việc đánh giá thành quả thường mang nặng cảm tính của người làm báo cáo.

3.3. Khía cạnh Dự báo rủi ro: Thiếu khả năng cảnh báo sớm

Các chỉ tiêu trong BSC truyền thống phần lớn là các "chỉ số kết quả" (Lagging indicators) phản ánh hiệu suất trong quá khứ, trong khi lại thiếu hụt các "chỉ số dẫn dắt" (Leading indicators) có khả năng dự báo tương lai. Đối với các trường đại học công lập đang thực hiện tự chủ chi thường xuyên và chi đầu tư, nguồn thu chủ yếu phụ thuộc vào học phí.

Hệ thống BSC thủ công hiện tại không thể phân tích chéo các biến số phức tạp (như xu hướng việc làm xã hội, tỷ lệ sinh viên nhập học, biến động kinh tế vĩ mô) để đưa ra các kịch bản rủi ro tài chính. Khi thiếu đi khả năng dự báo sớm tình trạng sụt giảm quy mô tuyển sinh hay những rủi ro chênh lệch thu - chi, các trường đại học sẽ rơi vào thế bị động, ảnh hưởng trực tiếp đến tính bền vững của tổ chức và chất lượng đào tạo.

4. Khung đề xuất: tích hợp AI vào 4 khía cạnh của BSC tại ĐVSNCL

Để giải quyết triệt để những hạn chế của phương pháp đo lường truyền thống, việc tích hợp AI vào BSC (AI-Augmented BSC) là xu hướng tất yếu. Cốt lõi của sự tích hợp này là khả năng biến đổi các dữ liệu phi cấu trúc và phân mảnh thành các chỉ số định lượng theo thời gian thực, hỗ trợ ban lãnh đạo ĐVSNCL ra quyết định dựa trên dữ liệu (Data-driven decision making). Khung đề xuất được cụ thể hóa qua 4 khía cạnh như sau:

4.1. Khía cạnh Khách hàng/Người thụ hưởng (Sinh viên, Người dân): Phân tích cảm xúc theo thời gian thực

Trong khu vực công, đặc biệt là tại các trường đại học, sự hài lòng của người thụ hưởng (ở đây chủ yếu là sinh viên) chính là thước đo cao nhất cho sự thành công. Tuy nhiên, thách thức hiện nay là các dữ liệu phản hồi thường tồn tại dưới dạng văn bản phi cấu trúc, chẳng hạn như bình luận trên diễn đàn, ý kiến từ các câu hỏi khảo sát mở hay email góp ý, khiến việc tổng hợp và phân tích gặp nhiều hạn chế.

Giải pháp công nghệ đề xuất: Để giải quyết vấn đề này, nghiên cứu đề xuất việc tích hợp công nghệ Xử lý Ngôn ngữ Tự nhiên (Natural Language Processing - NLP) kết hợp cùng các thuật toán Phân tích Cảm xúc (Sentiment Analysis).

Phương thức thu thập và xử lý dữ liệu: Thay vì quy trình truyền thống là chờ đến cuối học kỳ để tổng hợp phiếu khảo sát thủ công, hệ thống AI sẽ hoạt động liên tục nhằm thu thập và quét các luồng dữ liệu phản hồi từ đa dạng các "điểm chạm" kỹ thuật số (như cổng thông tin sinh viên hay hệ thống quản lý học tập trực tuyến LMS). Từ những dữ liệu này, thuật toán sẽ nhận diện, phân loại các từ khóa thành ba nhóm cảm xúc chính (Tích cực, Tiêu cực, Trung tính) và tự động quy đổi thành điểm số cập nhật trực tiếp trên hệ thống BSC.

Lợi ích đối với công tác quản trị: Việc ứng dụng AI giúp Ban giám hiệu nắm bắt tức thời (real-time) mức độ hài lòng của sinh viên về nhiều khía cạnh khác nhau như: cơ sở vật chất, chất lượng giảng dạy hay thái độ phục vụ của bộ phận hành chính. Thông qua đó, nhà trường có thể chủ động đưa ra các biện pháp can thiệp và điều chỉnh ngay lập tức khi phát hiện những biến động tiêu cực, góp phần nâng cao chất lượng dịch vụ công một cách toàn diện và kịp thời.

4.2. Khía cạnh Tài chính/Ngân sách: Tối ưu hóa công tác dự báo và kiểm soát tuân thủ

Trong bối cảnh đẩy mạnh tự chủ tài chính theo Nghị định 60/2021/NĐ-CP, áp lực cân đối thu - chi và quản trị rủi ro tài chính đang đặt ra những thách thức lớn đối với các ĐVSNCL, đặc biệt là tại các trường đại học. Do đó, khía cạnh tài chính trong mô hình BSC, đòi hỏi một sự chuyển đổi chiến lược: từ trạng thái thuần túy "ghi chép dữ liệu quá khứ" sang nâng cao năng lực "dự báo tương lai".

Giải pháp công nghệ đề xuất: Nghiên cứu đề xuất ứng dụng mô hình Học máy (Machine Learning) nhằm nâng cao năng lực dự báo tài chính, kết hợp cùng thuật toán Nhận diện bất thường (Anomaly Detection) để tối ưu hóa hệ thống kiểm soát nội bộ.

Quy trình vận hành và xử lý: Cơ chế này được triển khai đồng bộ trên hai phương diện quản trị:

- Thứ nhất, về dự báo ngân sách: AI sẽ phân tích chuỗi dữ liệu lịch sử kết hợp với các biến số vĩ mô (như xu hướng ngành nghề, lộ trình học phí, tỷ lệ lạm phát) để thiết lập các kịch bản mô phỏng (What-if analysis). Thông qua đó, hệ thống có khả năng dự báo dòng tiền đầu vào (nguồn thu từ học phí, dự án nghiên cứu khoa học) và xác định nhu cầu phân bổ ngân sách cho từng khoa, phòng ban với độ chính xác cao.

- Thứ hai, về kiểm soát chi phí: Thuật toán Anomaly Detection sẽ tự động và liên tục đối chiếu các giao dịch thanh toán với hệ thống định mức nội bộ. Mọi khoản chi vượt định mức, sai lệch quy định hoặc có dấu hiệu trùng lặp chứng từ đều được AI nhận diện và gắn cờ cảnh báo (flag) ngay trước khâu phê duyệt.

- Thứ ba, tác động đến hiệu quả quản trị tài chính: Việc ứng dụng các thuật toán này không chỉ giúp tối ưu hóa hiệu quả phân bổ và sử dụng nguồn lực công, mà còn đóng vai trò then chốt trong việc chủ động ngăn ngừa rủi ro gian lận, từ đó nâng cao tính minh bạch và trách nhiệm giải trình của đơn vị.

4.3. Khía cạnh Quy trình nội bộ (Internal Process): Đo lường khách quan và tự động hóa

Trong mô hình quản trị của các cơ sở giáo dục đại học, hiệu suất của quy trình nội bộ đóng vai trò quyết định trực tiếp đến chất lượng đào tạo và nghiên cứu khoa học. Tuy nhiên, thực tiễn cho thấy việc đo lường năng suất làm việc của cán bộ, giảng viên theo các phương pháp truyền thống thường tiêu tốn nhiều thời gian và dễ bị chi phối bởi yếu tố cảm tính cá nhân, đặc biệt là trong công tác đánh giá, bình bầu thi đua.

Giải pháp công nghệ đề xuất: Nghiên cứu đề xuất việc tích hợp công nghệ Tự động hóa quy trình bằng Robot (Robotic Process Automation - RPA) kết hợp cùng AI nhằm kiến tạo một hệ thống Tự động hóa thông minh (Intelligent Automation).

Quy trình vận hành và xử lý: Trong cơ chế này, công nghệ RPA đảm nhiệm vai trò như những "trợ lý ảo", thực hiện chức năng tự động trích xuất dữ liệu liên thông từ các nền tảng quản lý phân tán (bao gồm hệ thống phần mềm tính giờ giảng, phần mềm quản lý đề tài nghiên cứu khoa học, và hệ thống hoạch định nguồn lực nhân sự - ERP). Toàn bộ khối lượng dữ liệu này sau đó được đồng bộ hóa và đẩy trực tiếp vào bảng điều khiển (dashboard) của hệ thống BSC mà hoàn toàn không cần đến sự can thiệp thủ công từ các kế toán viên hay chuyên viên nhân sự.

Tác động đến hiệu quả vận hành nội bộ: Nhờ sự hỗ trợ của công nghệ, các chỉ số hiệu suất cốt lõi (KPIs) của đội ngũ giảng viên và cán bộ (như số giờ lên lớp, số lượng bài báo khoa học, hay tiến độ giải ngân các dự án công) được đo lường một cách minh bạch và khách quan tuyệt đối dựa trên nền tảng dữ liệu thực tế (data-centric). Sự chuyển đổi này không chỉ xóa bỏ triệt để tình trạng đánh giá mang tính chủ quan, cảm tính mà còn giúp nhà trường tiết kiệm hàng ngàn giờ công lao động hành chính mỗi năm.

4.4. Khía cạnh Học hỏi và Phát triển (Learning & Growth): Cá nhân hóa lộ trình nâng cao năng lực

Để vận hành thành công và bền vững các quy trình số hóa, nhân tố con người luôn đóng vai trò là nền tảng cốt lõi. Tuy nhiên, thực trạng tại nhiều ĐVSNCL hiện nay cho thấy công tác đào tạo, bồi dưỡng cán bộ thường mang tính đại trà, chưa thực sự bám sát và đáp ứng đúng năng lực thực tiễn cũng như nhu cầu phát triển của từng cá nhân.

Giải pháp công nghệ đề xuất: Nghiên cứu đề xuất ứng dụng AI trong việc phân tích khoảng trống kỹ năng (Skill gap analysis) kết hợp với các hệ thống khuyến nghị thông minh (Recommendation engines).

Quy trình vận hành và xử lý: Kế thừa các dữ liệu đo lường từ khía cạnh "Quy trình nội bộ", hệ thống AI sẽ tiến hành đối chiếu năng lực hiện tại của từng giảng viên, cán bộ với các yêu cầu chuẩn đầu ra (competency framework) của từng vị trí việc làm. Dựa trên kết quả phân tích này, AI sẽ tự động thiết kế và đề xuất các lộ trình đào tạo, bồi dưỡng mang tính "cá nhân hóa" cao. Chẳng hạn, hệ thống có thể tự động đề xuất các khóa học chuyên sâu về ứng dụng công nghệ trong giảng dạy đối với những giảng viên có điểm số đánh giá về kỹ năng công nghệ còn hạn chế.

Tác động đến công tác phát triển nhân lực: Giải pháp này đảm bảo nguồn vốn nhân lực của nhà trường được đầu tư và phát triển đúng hướng, đáp ứng kịp thời các mục tiêu chiến lược trong kỷ nguyên số hóa. Đồng thời, việc thấu hiểu và đáp ứng đúng nhu cầu phát triển của từng cá nhân sẽ tạo ra động lực làm việc mạnh mẽ, nâng cao sự gắn kết của đội ngũ cán bộ, giảng viên với tổ chức.

Bảng 1: Ma trận tích hợp AI vào mô hình BSC tại ĐVSNCL

(Nguồn: Tác giả tự đề xuất và tổng hợp)

5. Thách thức và Khuyến nghị giải pháp triển khai mô hình AI-BSC tại các ĐVSNCL

Mặc dù tiềm năng của việc tích hợp AI vào hệ thống BSC là rất lớn, quá trình chuyển đổi từ lý thuyết đến thực tiễn tại các ĐVSNCL, đặc biệt là các trường đại học, đang phải đối mặt với nhiều rào cản đa chiều.

5.1. Các rào cản và thách thức chủ yếu

Thách thức về chất lượng dữ liệu và hạ tầng công nghệ: Hệ thống AI chỉ có thể đưa ra kết quả phân tích chính xác nếu dữ liệu đầu vào chuẩn hóa theo nguyên tắc "Garbage In, Garbage Out" (Dữ liệu rác tạo ra Kết quả rác). Hiện nay, dữ liệu tại các ĐVSNCL phần lớn bị phân mảnh, chưa được số hóa đồng bộ hoặc thiếu tính nhất quán giữa các phòng ban. Bên cạnh đó, hạ tầng máy chủ và phần cứng tại nhiều đơn vị chưa đủ năng lực để xử lý dữ liệu lớn (Big Data) theo thời gian thực.

Thách thức về hành lang pháp lý và bảo mật thông tin: Việc ứng dụng AI đòi hỏi thu thập lượng lớn dữ liệu cá nhân của người học, người bệnh và cán bộ viên chức. Điều này đặt ĐVSNCL trước rủi ro vi phạm các quy định về an toàn thông tin theo Luật An ninh mạng 2018 và đặc biệt là Nghị định số 13/2023/NĐ-CP của Chính phủ về bảo vệ dữ liệu cá nhân. Các thuật toán AI (hộp đen) cũng đặt ra thách thức về trách nhiệm giải trình khi có sai sót xảy ra trong khâu đánh giá KPIs.

Thách thức về nguồn lực tài chính: Dưới áp lực tự chủ tài chính theo Nghị định số 60/2021/NĐ-CP, việc phân bổ một nguồn ngân sách lớn cho nghiên cứu, mua sắm bản quyền phần mềm AI và bảo trì hệ thống là một bài toán khó đối với ban lãnh đạo, đòi hỏi phải cân đối chặt chẽ với các khoản chi thường xuyên khác.

Thách thức về nhân lực và tâm lý tiếp nhận công nghệ: Đây là một trong những rào cản lớn nhất. Đội ngũ kế toán và chuyên viên quản lý giáo dục hiện nay chủ yếu được đào tạo theo nghiệp vụ truyền thống, thiếu hụt các kỹ năng về phân tích dữ liệu số. Đặc biệt, lực lượng cán bộ, giảng viên lớn tuổi có thể gặp nhiều khó khăn, thao tác chậm khi làm quen với các phần mềm công nghệ thông tin mới. Điều này dễ dẫn đến tâm lý e ngại, sợ mắc lỗi, hoặc nảy sinh tâm lý kháng cự sự thay đổi do lo sợ AI sẽ thay thế vị trí công việc của mình.

5.2. Khuyến nghị giải pháp triển khai

Để vượt qua các rào cản trên và hiện thực hóa mô hình AI-BSC, bài viết đề xuất một số giải pháp đồng bộ từ góc độ quản trị, pháp lý đến nhân sự:

Chuẩn hóa cơ sở dữ liệu và triển khai công nghệ theo lộ trình: Các ĐVSNCL không nên áp dụng AI ồ ạt mà cần thực hiện theo từng giai đoạn. Bước đầu tiên là đầu tư làm sạch và tập trung hóa dữ liệu (Data Centralization) thông qua hệ thống hoạch định nguồn lực doanh nghiệp (ERP). Nên ưu tiên triển khai AI ở những khía cạnh có sẵn lượng dữ liệu lớn và dễ số hóa nhất (ví dụ: dùng AI phân tích đánh giá của sinh viên ở khía cạnh Khách hàng) trước khi mở rộng sang các dự báo tài chính phức tạp.

Tăng cường cơ chế bảo mật và tuân thủ pháp lý: Các đơn vị cần xây dựng bộ quy chế nội bộ rõ ràng về quyền truy cập, phân quyền sử dụng và khai thác dữ liệu hệ thống BSC để tuân thủ tuyệt đối Nghị định 13/2023/NĐ-CP. Cần tích hợp các công nghệ mã hóa đầu cuối và yêu cầu các nhà cung cấp giải pháp AI cam kết tính minh bạch của thuật toán, đảm bảo dữ liệu của đơn vị và người học được lưu trữ an toàn trên các hệ thống điện toán đám mây đạt chuẩn quốc gia.

Đa dạng hóa nguồn vốn đầu tư công nghệ: Để giải quyết bài toán chi phí, các trường đại học công lập có thể tận dụng cơ chế hợp tác công tư (PPP) trong lĩnh vực công nghệ giáo dục (EdTech), hoặc trích lập hiệu quả quỹ phát triển hoạt động sự nghiệp để từng bước đầu tư cho hạ tầng số, coi đây là một khoản đầu tư dài hạn mang lại giá trị thặng dư cao.

Phát triển nguồn nhân lực và giải quyết bài toán tâm lý:

- Đổi mới phương pháp đào tạo nội bộ: Không chỉ tổ chức các khóa học đại trà, đơn vị cần triển khai các buổi tập huấn theo hình thức "cầm tay chỉ việc", kiên nhẫn hỗ trợ từng bước thao tác thực hành trên máy tính.

- Thiết kế hệ thống thân thiện: Cần yêu cầu đơn vị phát triển phần mềm thiết kế giao diện AI-BSC thật trực quan, tối giản các thao tác phức tạp để đảm bảo mọi cán bộ, không phân biệt lứa tuổi hay nền tảng tin học, đều có thể dễ dàng tiếp cận và sử dụng.

- Truyền thông nội bộ: Ban lãnh đạo cần khẳng định rõ thông điệp: "AI là công cụ hỗ trợ để nâng cao năng suất, không phải là công cụ để sa thải nhân sự". Việc ứng dụng AI giúp cán bộ giảm tải khối lượng công việc thủ công, từ đó tập trung vào công tác chuyên môn sâu và nghiên cứu.

6. Kết luận

Trong lộ trình hiện thực hóa mục tiêu tự chủ tài chính theo Nghị định số 60/2021/NĐ-CP và thích ứng với Chương trình Chuyển đổi số quốc gia (Quyết định số 749/QĐ-TTg), việc nâng cấp các công cụ quản trị nội bộ tại các ĐVSNCL là một yêu cầu mang tính chiến lược và cấp bách. Bài báo đã đi sâu phân tích và chứng minh rằng, mô hình BSC truyền thống – dù mang lại nhiều giá trị nền tảng – đang dần bộc lộ những giới hạn về độ trễ thông tin và khả năng dự báo trong một môi trường hoạt động ngày càng phức tạp.

Sự tích hợp AI vào bốn khía cạnh của BSC mang lại một sự chuyển đổi về chất cho công tác KTQT công. Bằng việc ứng dụng thuật toán học máy (Machine Learning), xử lý ngôn ngữ tự nhiên (NLP) và tự động hóa robot (RPA), AI-BSC giúp giải quyết triệt để bài toán phân mảnh dữ liệu, lượng hóa khách quan các chỉ tiêu định tính và cung cấp khả năng cảnh báo sớm rủi ro tài chính. Nhờ đó, ban lãnh đạo các đơn vị, đặc biệt là các cơ sở giáo dục đại học công lập, được trang bị một hệ thống "quản trị tương lai" thay vì chỉ "ghi nhận quá khứ", nâng cao tính minh bạch và trách nhiệm giải trình trước xã hội.

Tuy nhiên, nghiên cứu cũng nhấn mạnh rằng, công nghệ không sinh ra để thay thế con người. Sự thành công của mô hình AI-BSC phụ thuộc rất lớn vào việc tuân thủ chặt chẽ các quy định pháp luật về bảo mật dữ liệu (Nghị định số 13/2023/NĐ-CP) và một chiến lược quản trị sự thay đổi nhân sự tinh tế. AI nên được nhìn nhận là một trợ lý đắc lực, giúp giải phóng đội ngũ kế toán viên và cán bộ quản lý khỏi các tác vụ thủ công, tạo không gian để họ tập trung vào công tác phân tích chiến lược và tư vấn định hướng.

Từ những nền tảng lý luận và khung đề xuất này, các nghiên cứu tiếp theo có thể mở rộng đi sâu vào các nghiên cứu thực nghiệm (empirical research) để đánh giá hiệu quả triển khai hệ thống AI-BSC tại một đơn vị cụ thể. Đồng thời, một hướng đi đầy tiềm năng khác là nghiên cứu tác động của AI đến việc đổi mới phương pháp giảng dạy các học phần thuộc khối kiến thức nguyên lý kế toán và kế toán công tại các trường đại học, nhằm chuẩn bị hành trang số hóa vững chắc cho thế hệ kế toán viên tương lai.