Nghiên cứu này tiếp cận ở góc độ thực nghiệm, kết hợp
phỏng vấn bán cấu trúc với các chuyên gia AI kế toán và khảo sát nhóm nhỏ kế
toán đang ứng dụng AI để khám phá nhận thức, lợi ích và thách thức khi triển
khai AI tự chủ. Bài viết cũng tổng hợp các nguồn học thuật uy tín
trên Scopus/WoS và báo cáo của các tổ chức lớn (CAQ, EY, KPMG), nhằm bổ sung bối cảnh và
so sánh kết quả. Kết quả phỏng vấn cho thấy, chuyên gia tin rằng
AI tác nhân đem lại năng suất cao và hỗ trợ kiểm soát tuân thủ, song vẫn
lo ngại về độ tin cậy, ảo giác và trách nhiệm pháp lý. Khảo sát nhóm nhỏ kế toán viên tại các DN vừa và nhỏ, cho thấy 75 % đã sử dụng
AI ở mức độ nào đó; họ đánh giá cao khả năng tự động hóa quy trình, nhưng hơn
60 % vẫn cần kiểm tra thủ công vì lo lắng về sai sót. Nhìn chung, nghiên cứu
chỉ ra rằng AI tự chủ sẽ trở thành xu hướng quan
trọng, nhưng sự thành công phụ thuộc vào việc kết hợp công nghệ với đào tạo, quản
trị rủi ro và quy định pháp lý phù hợp.
1. Giới thiệu
Kế toán là lĩnh vực được định hình
bởi quy trình, dữ liệu và quy định. Những năm gần đây, sự bùng nổ của AI đã tạo ra nhiều công cụ hỗ
trợ ghi sổ, phát hiện gian lận và phân tích dữ liệu. Tuy nhiên, các hệ thống phổ
biến như tự động hóa
(RPA) hay chatbots thường phải
chờ lệnh; chúng chạy theo kịch bản được lập trình sẵn và không có khả năng
thích nghi linh hoạt. AI tự chủ
xuất hiện như một bước nhảy vọt, vì hệ thống này có thể tự nhận
biết mục tiêu, lập kế hoạch, phối hợp với các tác nhân khác và học hỏi từ phản
hồi. Trong bối cảnh kế toán đòi hỏi khóa sổ nhanh, báo cáo chính xác
và tuân thủ chặt chẽ, AI tự chủ
sẽ tăng năng suất và giúp nhân viên tập trung vào công việc chiến lược.
Nhiều bài báo học thuật đã mô tả
các thuộc tính của AI tự chủ.
Hosseini và Seilani (2025) nhấn mạnh rằng, AI tự chủ có
bốn đặc điểm: tự chủ, phản ứng, chủ động và khả năng học tập và chúng có thể
liên kết với các công cụ như LangChain, AutoGen, AutoGPT để thực hiện chuỗi nhiệm
vụ. Sapkota &
cộng sự (2025) phân biệt AI tác nhân
(AI agent) với AI tự chủ (agentic AI); theo họ, AI tự chủ tạo ra hệ thống đa tác
nhân có bộ nhớ lâu dài, phân rã nhiệm vụ động và phối hợp hiệu quả, nhưng cũng
đối mặt với nguy cơ ảo giác (hallucination) và thất bại trong phối hợp.
Trong quản trị DN, CAQ (2024) ghi nhận rằng 1/3 giám đốc kiểm toán đã triển khai hoặc
lên kế hoạch triển khai AI trong quy trình kiểm toán báo cáo
tài chính. Mặc dù vậy, niềm tin vào AI còn thấp. Khảo sát toàn cầu của KPMG
cho thấy,
chỉ 46 % người dùng sẵn sàng tin tưởng AI và đa số nhân viên không được
đào tạo đầy đủ (KPMG, 2025).
Nghiên cứu này hướng tới ba mục
tiêu: (i) Khám phá quan điểm của chuyên gia và kế toán thực tiễn về
AI tự chủ
thông qua phỏng vấn và khảo sát; (ii) So sánh các phát hiện với kết quả từ
tài liệu học thuật; (iii) Đề xuất khuyến nghị cho DN và nhà hoạch định
chính sách nhằm chuẩn bị cho sự xuất hiện của AI tự chủ.
2. Phương
pháp nghiên cứu
2.1. Thiết kế nghiên cứu
Nghiên
cứu áp dụng phương pháp hỗn hợp gồm hai thành phần chính: (1) Phỏng vấn
bán cấu trúc với chuyên gia và (2) Khảo sát với kế toán viên. Bên cạnh đó, chúng tôi thực
hiện tổng quan tài liệu có hệ thống để tham chiếu và so sánh. Cách tiếp cận này
nhằm tận dụng ưu điểm của cả nghiên cứu định tính (hiểu sâu quan điểm cá nhân)
và định lượng (đo lường xu hướng chung).
Chúng
tôi tiến hành các cuộc phỏng vấn bán cấu trúc
với chuyên gia: hai người là kiểm toán viên và hai người là chuyên gia công nghệ trong kế toán. Câu hỏi xoay
quanh bốn chủ đề: (i) Nhận thức về AI tự chủ và các ứng dụng; (ii) Lợi ích tiềm năng
trong kế toán; (iii) Rủi ro và thách thức; và (iv) Khuyến nghị về
quản trị và đào tạo.
Song
song với phỏng vấn, bảng câu hỏi khảo sát được
gửi tới một nhóm 20 kế toán đang làm việc tại các DN vừa
và nhỏ (SME) ở thành phố Hồ Chí Minh (đang tham gia là kế toán đang thử
nghiệm hoặc áp dụng AI trong công việc). Bảng hỏi tập trung
vào mức độ hiểu biết và sử dụng AI, đánh giá lợi ích, rủi
ro và nhu cầu đào tạo.
3. Tổng
quan và cơ sở lý thuyết
3.1. Xu
hướng nghiên cứu về AI tác nhân
Các công trình khoa học gần đây nhấn
mạnh rằng,
AI tự chủ không
chỉ đơn giản là một tác nhân (agent) mà nó là một mạng lưới các tác nhân tự
chủ có khả năng tương tác. Hosseini & Seilani (2025) mô tả AI tự chủ như hệ thống đa lớp, trong
đó tác nhân dữ liệu, tác nhân quy trình và tác nhân kiến thức phối hợp với nhau
để đạt mục tiêu. Họ cũng cho rằng,
AI tự chủ cần
khung chiến lược để quản lý an toàn và minh bạch. Tương tự, Sapkota & cộng sự (2025)
khẳng định rằng AI tự chủ có
bộ nhớ dài hạn và khả năng phân rã nhiệm vụ, nhưng dễ gặp phải hiện tượng ảo giác (hallucination) nếu không được giám sát.
Trong lĩnh
vực kế toán, Xie & Choi (2025) cung cấp bằng chứng thực nghiệm, rằng các công ty sử dụng AI tạo
sinh có sổ sách kế toán có mức độ chi
tiết hơn 12 % và giảm 7,5 ngày trong quy trình khóa sổ hàng tháng. Tuy nhiên, họ
cũng nhấn mạnh rằng 62 % kế toán lo lắng về lỗi và độ chính xác và những
người có kinh nghiệm cao sẽ can thiệp khi AI không đủ độ chính xác (Church,
Z.,
2025). Báo cáo CAQ lưu ý rằng AI tạo sinh
trong kiểm toán không thể thay thế con người, mà chỉ hỗ trợ và đặt ra câu hỏi về
kiểm soát nội bộ, rủi ro pháp lý (Center
for Audit Quality,
2024). Khảo sát của KPMG năm 2025, cho thấy 66 % nhân viên dựa
vào AI mà không kiểm tra, dẫn tới 56 % mắc sai sót, đồng thời 47 %
chưa được đào tạo về AI (KPMG, 2025).
3.2. Cơ sở lý thuyết
Để
phân tích kết quả phỏng vấn và khảo sát, bài viết đã sử dụng một
số khung lý thuyết sau:
- Mô
hình chấp nhận công nghệ (TAM) cho rằng quyết định sử dụng công nghệ phụ thuộc
vào nhận thức về tính hữu ích và dễ sử dụng. Trong bối cảnh AI tự chủ,
tính hữu ích bao gồm khả năng tự động hoá và hỗ trợ quyết định, tính
dễ sử dụng liên quan tới mức độ người dùng hiểu rõ hoạt động của hệ thống.
- Thuyết
đổi mới và khuyếch tán (Diffusion of Innovations) được
phát triển bởi E.M. Rogers (1962)
giải thích cách đổi mới lan tỏa qua các nhóm: tiên phong, chấp nhận sớm, số
đông, tụt hậu. Việc triển khai AI tự chủ
có thể xem như giai đoạn chấp nhận sớm; khảo sát Deloitte (2025) cho biết
80 % chuyên gia tài chính tin rằng AI sẽ trở nên phổ biến trong vòng
5 năm.
- Lý
thuyết thể chế (Institutional theory) nhấn
mạnh rằng,
tổ chức chịu ảnh hưởng của quy chuẩn xã hội, khung pháp lý và kỳ vọng từ bên
ngoài. Đạo luật AI của EU, Executive Order 14410 của Mỹ và Tiêu chuẩn
ISO 42001 là những yếu tố định hình hành vi DN trong giai đoạn hiện nay (Center
for Audit Quality,
2024) (EY, 2025).
- Khung
quản trị rủi ro AI
(NIST AI RMF) cung cấp hướng dẫn xây dựng chương trình quản lý rủi
ro, gồm bốn trụ cột: Quản trị (Govern);
Xác định và hiểu quy trình (Map);
Đo lường (Measure);
Quản lý và cải tiến (Manage) (Center
for Audit Quality,
2024). Đây là cơ sở để phân tích cách các DN kiểm soát AI tự chủ.
3.3.
Giới hạn toán học trong kiểm soát ảo giác
Để củng cố nền tảng lý thuyết, Karpowicz (2025) đề xuất một
định lý bất khả thi cho LLM: không mô hình nào, đồng
thời thỏa bốn thuộc tính trọng yếu, gồm (i)
trung thực, (ii) bảo toàn ngữ nghĩa, (iii) cung cấp đầy đủ tri thức liên quan và (iv) tối ưu trong ràng buộc tri
thức.
Dựa trên cơ chế thiết kế (định lý bất khả thi Green-Laffont), quy tắc chấm điểm đúng (Savage) và phân tích mô hình transformer (log-sum-exp), tác giả chỉ ra độ lệch Jensen khi tổng hợp niềm tin tạo ra độ tự tin không quy kết, nguồn gốc toán học của cả ảo giác lẫn tưởng tượng/sáng tạo. Như vậy, ảo giác là đặc tính không thể triệt tiêu mà cần quản trị theo
ngữ cảnh (ưu tiên cơ chế người-trong-vòng-lặp, chứng cứ, trích dẫn hoặc tạo sinh tăng cường truy xuất (RAG), nhật ký và truy vết,
ngưỡng dừng, kiểm định độc lập), đồng thời cân bằng giữa mục tiêu đúng sự thật
và sáng tạo có kiểm soát tùy nghiệp vụ. (Karpowicz, 2025).
4. Kết quả nghiên cứu và thảo luận
4.1. Kết
quả phỏng vấn chuyên gia
Phân tích các cuộc phỏng vấn đã cho thấy ba
nội dung chính như sau: (i) lợi ích và cơ hội,
(ii) rủi ro và thách thức, (iii) yêu cầu về quản trị và đào tạo.
4.1.1. Lợi
ích và cơ hội
Dưới góc nhìn các chuyên gia, AI tự chủ được kỳ vọng tạo ra bước nhảy vọt
về năng suất trong các quy trình kế toán, kiểm toán. Ở nghiệp vụ đối chiếu hàng
tồn kho, tác nhân AI có thể kết nối và đồng bộ dữ liệu từ hệ thống kho, đơn đặt
hàng và sổ cái, nhanh chóng phát hiện chênh lệch chỉ trong vài phút. Trong chuỗi
xử lý nợ phải trả, các tác nhân tự động phân loại hóa đơn, bổ sung các trường dữ
liệu còn thiếu và luân chuyển hồ sơ tới đúng cấp phê duyệt, qua đó giảm đáng kể
khối lượng tác vụ lặp lại ở vị trí nhập liệu/kiểm tra và giải phóng thời gian để
kế toán tập trung cho phân tích và tư vấn giá trị gia tăng.
Bên cạnh hiệu quả vận hành, tác nhân AI còn góp phần nâng cao chất lượng
dữ liệu và mức độ tuân thủ. Nhờ khả năng kiểm tra tính nhất quán đa hệ thống (từ
ERP, phần mềm kho đến các ứng dụng khai thuế) hệ thống có thể nhận diện sai sót
sớm, tăng tính toàn vẹn của thông tin tài chính. Đồng thời, các tác nhân có thể
theo dõi diễn biến quy định, đối chiếu với chính sách nội bộ và giao dịch phát
sinh để phát hiện nguy cơ vi phạm và phát cảnh báo kịp thời, vận hành như một lớp
kiểm soát tuân thủ tự động bao phủ liên tục. Tổng thể, AI tự chủ vừa nâng năng
suất, vừa củng cố kiểm soát, qua đó nâng cao vai trò của kế toán trong phân
tích, dự báo và tư vấn chiến lược.
4.1.2. Rủi ro
và thách thức
Dù triển vọng tích cực, mức độ tin cậy của AI tự chủ vẫn
là mối quan ngại trọng yếu. Hiện tượng ảo giác (hallucination) và hiệu ứng hộp
đen khiến kết quả gợi ý đôi khi thiếu căn cứ, khó giải thích. Trong bối cảnh
nghiệp vụ kế toán, nếu hệ thống đề xuất bút toán sai, trách nhiệm cuối cùng vẫn
thuộc về đơn vị lập và soát xét báo cáo tài chính. Vì vậy, không nên trao toàn
bộ quyền tự quyết cho AI; cần thiết kế cơ chế con người-trong-vòng-lặp
(human-in-the-loop), phân định rõ quyền hạn, áp dụng nguyên tắc kiểm soát bốn mắt
ở các bước phê duyệt và có cơ chế dừng khẩn cấp khi phát hiện tín hiệu bất thường.
Nhật ký xử lý, lưu vết kiểm toán và yêu cầu giải thích tối thiểu cho các quyết
định của các tác nhân là những thành phần bắt buộc để bảo đảm trách nhiệm giải
trình. Theo
định lý bất khả thi của Karpowicz (2025), ảo giác là đặc tính nội tại của suy
luận mô hình ngôn ngữ lớn (LLM); vì vậy khung kiểm soát phải
ưu tiên cơ chế con người-trong-vòng-lặp (HITL), truy vết và cơ chế dừng
khẩn cấp thay vì kỳ vọng loại bỏ hoàn toàn.
Rủi ro bảo mật đứng hàng đầu do tác nhân cần truy cập
khối lượng lớn dữ liệu, bao gồm thông tin tài chính nhạy cảm. Nếu thiếu kiểm
soát chặt chẽ, nguy cơ rò rỉ là đáng kể. Phương án được khuyến nghị là ưu tiên
triển khai nội bộ (on-premises) đối với tập dữ liệu nhạy cảm; hoặc khi dùng đám
mây, phải ràng buộc bằng thỏa thuận nghiêm ngặt với nhà cung cấp (quy định phạm
vi xử lý, lưu trữ, địa điểm dữ liệu, cơ chế mã hóa, quyền kiểm toán độc lập).
Đi kèm là các biện pháp kỹ thuật, nguyên tắc quyền truy cập tối thiểu, phân
tách môi trường, mã hóa khi truyền và khi lưu trữ, giám sát bất thường theo thời
gian thực, ngăn
ngừa thất thoát rò rỉ dữ liệu (DLP) và
ghi log đầy đủ, nhằm giảm thiểu bề mặt tấn công và bảo toàn tính mật của thông
tin.
4.1.3. Quản
trị và đào tạo
Các chuyên gia đồng thuận rằng, một khung
quản trị được xác lập rõ ràng là điều kiện tiên quyết khi triển khai AI tác
nhân. Ở cấp độ quản trị, hội đồng quản trị cần định nghĩa ranh giới ủy quyền của
hệ thống: quy định cụ thể các tình huống được tự động phê duyệt (ví dụ thanh
toán dưới ngưỡng rủi ro) và những trường hợp bắt buộc có kiểm tra thủ công.
Khung kiểm soát nên tham chiếu và nội địa hóa theo ISO/IEC 42001 (hệ thống quản
lý AI), NIST AI RMF (quản trị rủi ro AI) và các hướng dẫn của CAQ (đảm bảo và
kiểm soát trong bối cảnh nghề nghiệp), chuyển hóa thành quy trình vận hành gồm
cơ chế con
người-trong-vòng-lặp
(human-in-the-loop) và bốn mắt, phân tách nhiệm vụ, ngưỡng rủi ro, nhật ký và dấu
vết kiểm toán, giám sát liên tục, kiểm định độc lập trước và sau thay đổi, cùng
quy trình dừng khẩn cấp khi phát hiện bất thường.
Về năng lực con người, đào tạo được xem là yếu tố sống
còn. Chương trình cần giúp nhân sự hiểu nguyên lý tác nhân, nhận diện ảo giác
sai lệch (hallucination), biết đặt câu hỏi phản biện và xác minh kết quả, nắm vững
quy tắc bảo mật dữ liệu. Nội dung AI nên được tích hợp vào chương trình đào tạo
kiểm toán viên, kế toán viên và học cập nhật kiến thức liên tục; đồng thời tổ
chức các khóa ngắn hạn, học qua tình huống mô phỏng. Cách tiếp cận này bảo đảm
AI tự chủ vận hành trong hành lang kiểm soát phù hợp, đồng thời nâng cao kỹ
năng nghề nghiệp để hấp thụ và giám sát công nghệ một cách an toàn và hiệu quả.
4.2. Kết
quả khảo sát kế toán
Khảo sát n = 20, cho thấy mức độ tiếp nhận AI trong kế toán tại Việt
Nam đang hình thành nhưng còn phân hóa theo mức độ trưởng thành công nghệ, mẫu gồm: 12 người từ DN sản xuất (60%); 5 người thuộc dịch vụ (25%) và 3 người lĩnh vực thương
mại (15%); độ tuổi trung bình 32, kinh nghiệm trung bình 7 năm.
Về sử dụng, 15/20 người (75%) cho biết đã ứng dụng một
số dạng AI (phổ biến là OCR, phần mềm tự động nhập liệu và ChatGPT, chatbot); Về nhận thức lợi ích trên thang Likert 5 điểm, “tăng
năng suất” đạt trung bình 4,2; “giảm sai sót” 3,8; “hỗ trợ tuân thủ” 3,6, cho
thấy kỳ vọng nổi trội ở khía cạnh năng suất trong khi lợi ích về chất lượng dữ
liệu và tuân thủ được đánh giá tích cực ở mức trung bình-khá.
Rủi ro vẫn là mối quan ngại đáng kể: mức lo lắng “AI
có thể tạo ra sai sót nghiêm trọng” đạt 4,1 và “thiếu minh bạch khiến khó tin
tưởng” đạt 3,9; trên 60% người tham gia, khẳng định cần kiểm tra thủ công kết quả do AI tạo
ra. Kết quả này phù hợp với xu hướng được ghi nhận trong các khảo sát quốc tế
như KPMG, nhấn mạnh vai trò của cơ chế con
người-trong-vòng-lặp
(human-in-the-loop), khả năng giải thích và lưu vết kiểm toán khi triển khai thực
tế.
Về năng lực, 17/20 người (85%) chưa từng được đào tạo
chính thức về AI và bày tỏ nhu cầu cao với các khóa học ngắn hạn tập trung vào
sử dụng an toàn, hiểu cơ chế vận hành và yêu cầu pháp lý. Nhìn tổng thể, bằng
chứng khảo sát gợi ý: (i) Mức độ chấp nhận hiện nghiêng về các công cụ tự động
hóa tuyến đầu; (ii) Triển khai tác nhân AI cần đi kèm khung quản trị và kiểm
soát rõ ràng; và (iii) Khoảng trống đào tạo là rào cản chính đối với mở rộng
quy mô ứng dụng trong DN. Hạn chế của nghiên cứu này vẫn còn ở cỡ mẫu nhỏ có thể
ảnh hưởng tính khái quát, song các chỉ dấu nêu trên vẫn hữu ích cho thiết kế lộ
trình thí điểm và chương trình cập nhật kiến thức cho các kiểm toán viên, kế
toán viên trong giai đoạn đầu.
4.3. Thảo
luận và đối chiếu với tài liệu
4.3.1. Tổng
hợp lợi ích và thách thức
Kết quả phỏng vấn và khảo sát
nhất quán với dòng tài liệu học thuật gần đây: tác nhân AI mang lại mức tăng
năng suất rõ rệt và hỗ trợ tuân thủ hiệu quả (Xie & Choi, 2025). Song hành
với lợi ích, lo ngại về sai sót và trách nhiệm pháp lý vẫn hiện hữu, phù hợp với
quan điểm của CAQ rằng AI tự chủ không thể thay thế phán đoán nghề nghiệp của
con người. Những nhận định về hộp đen của mô hình cho thấy thách thức giải
thích, gắn với các vấn đề như tính mong manh và thất bại trong phối hợp được nhấn
mạnh bởi Sapkota và cộng sự (2025).
Một điểm cần quan tâm là tỷ lệ
người dùng thực sự thử nghiệm AI tự chủ còn rất thấp (cho thấy công nghệ này
chưa phổ biến tại Việt Nam), trái ngược mức kỳ vọng lạc quan ở một số dự báo quốc
tế (chẳng hạn Deloitte cho rằng khoảng 80% chuyên gia tài chính tin AI sẽ trở
thành chuẩn mực trong 5 năm tới). Sự chậm ứng dụng này có thể do hạn chế về nguồn
lực, dữ liệu và năng lực kỹ thuật của các DN nhỏ và vừa, cũng như chi phí tuân
thủ và kiểm soát đi kèm khi vận hành hệ thống tự chủ.
4.3.2. Vai
trò của quản trị và đào tạo
Kết quả nghiên cứu nhấn mạnh
vai trò trung tâm của hệ thống quản trị AI: cần khung chính sách rõ ràng về ủy
quyền, ngưỡng rủi ro, kiểm định và giám sát. ISO/IEC 42001 được xem là nền tảng
để quản lý rủi ro và đạo đức trong vòng đời hệ thống (EY, 2025); NIST AI RMF
cung cấp bộ nguyên tắc đánh giá rủi ro và kiểm soát liên quan (Center for Audit
Quality, 2024). Các khung này cần được điều chỉnh cho phù hợp với đặc thù kế
toán-kiểm toán của Việt Nam, chuyển hóa thành quy trình vận hành, lưu vết kiểm
toán, phân tách nhiệm vụ và cơ chế can thiệp của con người.
Về năng lực con người, khoảng
trống đào tạo là rào cản đáng kể: 85% người tham gia khảo sát chưa được đào tạo
chính thức, bức tranh tương đồng với ghi nhận của KPMG về tỷ lệ lớn nhân viên
chưa được trang bị (KPMG, 2025). Để triển khai AI tự chủ thành công, các trường
đại học, hiệp hội nghề nghiệp và DN cần phối hợp xây dựng chương trình bài bản,
nhấn mạnh tư duy phản biện, kỹ năng kiểm soát, hiểu biết công nghệ và pháp lý.
4.3.3. Tính
trách nhiệm và đạo đức
Quan điểm thống nhất từ phỏng vấn
là trách nhiệm cuối cùng thuộc về tổ chức triển khai khi AI gây sai sót. Tài liệu
thực hành khuyến nghị thiết lập ba lớp kiểm soát (quản trị, phòng ngừa và
giám sát) để bảo đảm tính toàn vẹn và khả năng
giải trình (EY, 2025). Kết quả định tính củng cố hướng tiếp cận này: không có ý
kiến ủng hộ trao toàn quyền cho AI; ngược lại, các chuyên gia đề xuất ngưỡng
can thiệp và cơ chế dừng hệ thống. Cách tiếp cận này hài hòa với khuyến nghị của
CAQ về tăng cường kiểm soát nội bộ và đánh giá rủi ro trong bối cảnh ứng dụng
genAI vào quy trình tài chính-kế toán.
4.3.4. Tác
động tới đào tạo nhân lực
Thực tiễn công việc đang tái cấu
trúc theo hướng chuyển từ tác vụ lặp lại sang giám sát, thẩm định và ra quyết định.
Các chuyên gia dự báo lực lượng kế toán trẻ sẽ đảm nhiệm vai trò người quản lý
AI nhiều hơn là người nhập liệu, tương hợp với luận điểm rằng sinh viên mới tốt
nghiệp sẽ tiến nhanh vào vai trò quản lý khi các công việc cơ bản được tự động
hóa (Thompson, 2025a) và với các dự báo điều chỉnh tuyển dụng trong ngành
(Thompson, 2025b; tham chiếu các thông tin liên quan đến PwC). Theo đó, định hướng
đào tạo cần dịch chuyển trọng tâm từ ghi sổ sang phân tích, quản trị rủi ro–đạo
đức công nghệ và kỹ năng vận hành/kiểm soát tác nhân AI, nhằm chuẩn bị nguồn
nhân lực đáp ứng chuẩn mực nghề nghiệp trong kỷ nguyên tự động hóa thông minh.
4.4. Khuyến nghị
Dựa
trên các phát hiện, bài viết đề xuất một số khuyến nghị:
Xây
dựng khung quản trị đa tầng: DN nên thiết kế mô hình quản
trị theo ba lớp (chiến lược, phòng ngừa, giám sát), giống khuyến nghị trong các
tài liệu. Hội đồng quản trị cần xác định phạm vi và giới hạn của AI; bộ phận kỹ
thuật triển khai sandbox và thử nghiệm; đội ngũ kế toán chịu trách nhiệm giám
sát đầu ra.
Đầu
tư đào tạo và thay đổi chương trình học: Các hiệp
hội nghề nghiệp nên phối hợp với trường đại học và DN để cập nhật chương trình
giảng dạy, đưa các môn về AI, dữ liệu và phân tích vào khung kiến thức. DN nên
tổ chức khóa học thực hành và khuyến khích nhân viên tham gia chứng chỉ về AI.
Tăng
cường hợp tác giữa con người và AI:
AI tự chủ cần được coi như đồng nghiệp
số; DN nên khuyến khích nhân viên làm việc cùng AI, nhưng phải có quy tắc
nghiêm ngặt về trách nhiệm và bảo mật. Cần tránh hiệu ứng hộp đen bằng cách yêu
cầu nhà cung cấp cung cấp giải thích mô hình và minh bạch dữ liệu.
Cải
thiện môi trường pháp lý: Cơ quan quản lý nhà nước
nên nghiên cứu áp dụng các tiêu chuẩn quốc tế (ISO 42001,
NIST AI RMF) và ban hành hướng dẫn cụ thể cho lĩnh vực kế toán. Quy định
rõ ràng về trách nhiệm pháp lý khi AI gây thiệt hại sẽ tạo niềm tin cho DN.
Do
việc triển khai AI tác nhân ở Việt Nam còn hạn chế, các nghiên cứu tương
lai nên mở rộng quy mô mẫu, so sánh giữa DN lớn
và DN vừa và nhỏ; và đánh
giá tác động lâu dài lên hiệu quả hoạt động.
5. Kết luận
Nghiên cứu sử dụng phương pháp phỏng
vấn chuyên gia và khảo sát kế toán thực tế đã cung cấp cái nhìn sâu sắc về
AI tự chủ
trong lĩnh vực kế toán. Kết quả cho thấy, chuyên gia và kế toán đánh giá cao
tiềm năng tự động hoá và nâng cao chất lượng dữ liệu mà AI mang lại, song họ vẫn
lo ngại về sai sót, ảo giác, bảo mật và trách nhiệm pháp lý. Điều này tương đồng
với kết quả từ các nguồn học thuật. Phần lớn kế toán tham gia khảo sát chưa được
đào tạo về AI và mong muốn có khóa học chuyên sâu, nhấn mạnh tầm quan trọng của
chương trình đào tạo.
AI tự chủ có thể trở thành xu hướng
lớn trong kế toán, nhưng thành công sẽ phụ thuộc vào sự kết hợp giữa công nghệ,
con người và quản trị rủi ro. Việc xây dựng khung pháp lý, áp dụng tiêu chuẩn
quốc tế, đào tạo nguồn nhân lực và giữ vững đạo đức nghề nghiệp sẽ quyết định
liệu AI có trở thành đồng nghiệp đáng tin cậy hay không? Nghiên cứu mở ra cơ hội cho
các DN Việt Nam tiếp cận công nghệ mới một cách thận trọng và có trách nhiệm.
