Thông qua tổng hợp các nghiên cứu gần đây (từ năm 2022 - 2025), nghiên cứu này tập trung vào nội dung ứng dụng AI vào phân tích khối lượng dữ liệu lớn một cách nhanh chóng nhằm phát hiện các điểm bất thường, giúp kiểm toán viên nhận diện gian lận tiềm tàng nhanh hơn.
1.
Giới thiệu
Trong bối cảnh dữ liệu doanh nghiệp ngày càng lớn và phức
tạp, lĩnh vực kiểm toán BCTC sẽ và đang chịu tác động lớn của việc ứng dụng các
công nghệ AI. Kiểm toán viên truyền thống thường phải chọn mẫu và xử lý thủ
công, dẫn đến nguy cơ bỏ sót sai phạm trong lượng dữ liệu khổng lồ. Sự phát
triển của AI đang tạo ra bước ngoặt quan trọng trong lĩnh vực kiểm toán tài
chính (Alarcón và cộng sự, 2023). AI tạo sinh được huấn luyện trên tập dữ liệu
văn bản lớn và có khả năng tương tác bằng ngôn ngữ tự nhiên, có thể tự động học
từ dữ liệu và tạo ra văn bản phức tạp (Khan và Umer, 2024). Việc tích hợp AI
tạo sinh vào kiểm toán sẽ giúp xử lý và phân tích dữ liệu nhanh hơn, phát hiện
các bất thường, đồng thời hỗ trợ soạn thảo báo cáo tuân thủ chuẩn mực một cách
tự động.
Tuy nhiên, việc đưa một mô hình AI ngôn ngữ vào quy trình
kiểm toán cũng đặt ra nhiều câu hỏi: Liệu rằng AI tạo sinh có phát hiện gian
lận tốt hơn các công cụ phân tích dữ liệu hiện có? AI tạo sinh sẽ hỗ trợ kiểm
toán viên viết báo cáo ra sao và chất lượng văn bản có đảm bảo độ tin cậy? Ngoài
ra, so với những công nghệ AI khác, AI tạo sinh có ưu thế và hạn chế gì?
Nghiên cứu này nhằm trả lời những câu hỏi trên bằng cách
tổng quan các nghiên cứu mới nhất về ứng dụng AI trong kiểm toán, đặc biệt tập
trung vào AI tạo sinh trong 03 năm trở lại đây. Trọng tâm phân tích, gồm: (i)
AI tạo sinh hỗ trợ phân tích dữ liệu kiểm toán và chỉ ra sai lệch ra sao; (ii)
Khả năng của AI tạo sinh trong việc phát hiện gian lận, bất thường; (iii) và Ứng
dụng AI tạo sinh để hỗ trợ kiểm toán viên lập và viết báo cáo kiểm toán. Đồng
thời, bài viết so sánh AI tạo sinh với các công nghệ AI khác đã và đang được sử
dụng trong ngành, qua đó làm rõ vai trò bổ sung của AI tạo sinh trong hệ sinh
thái công cụ kiểm toán.
2. Phương pháp nghiên cứu
Để đạt được mục tiêu nghiên cứu, tác giả sử dụng phương
pháp nghiên cứu định tính dựa trên tổng quan tài liệu. Cụ thể, tác giả thực
hiện thu thập các công trình nghiên cứu, bài báo khoa học từ các tạp chí uy tín
và kỷ yếu hội thảo quốc tế về kiểm toán trong giai đoạn 2022 - 2025. Các từ
khóa chính được sử dụng khi tìm kiếm tài liệu bao gồm: “AI tạo sinh”, “kiểm
toán”, “BCTC”, “phát hiện gian lận”, “phân tích dữ liệu kiểm toán”,… Sau khi
thu thập, tác giả sàng lọc để lựa chọn các tài liệu phù hợp chủ đề, ưu tiên
những nghiên cứu có tính học thuật cao hoặc các báo cáo thực nghiệm từ các tổ
chức kiểm toán quốc tế.
Phương pháp nghiên cứu gồm hai bước chính: Thứ nhất, tổng
quan hệ thống các tài liệu để hiểu chung về việc ứng dụng AI trong kiểm toán,
đặc biệt là vai trò của AI tạo sinh và các công nghệ liên quan; Thứ hai, tiến hành phân tích so sánh, tổng hợp
các luận điểm về khả năng của AI tạo sinh trong từng khía cạnh (phân tích dữ
liệu, phát hiện gian lận, viết báo cáo) và so sánh với các giải pháp truyền
thống. Các thông tin, số liệu và dẫn chứng từ tài liệu thứ cấp sẽ được trích
dẫn cụ thể để đảm bảo độ tin cậy.
Do đây là nghiên cứu tổng quan mang tính chất khám phá, tác
giả không thực hiện thu thập dữ liệu sơ cấp hay thí nghiệm thực tế với AI tạo
sinh. Thay vào đó, bài viết dựa trên các kết quả nghiên cứu và báo cáo trường
hợp có sẵn. Bài viết tham khảo nghiên cứu tình huống về việc tích hợp AI tạo
sinh vào quy trình kiểm toán nội bộ của một công ty đa quốc gia (Emett và cộng
sự, 2023) và các khảo sát về hiệu quả của AI trong nâng cao chất lượng kiểm
toán (Fedyk và cộng sự, 2022). Từ việc tổng hợp và phân tích này, bài viết phát
triển một mô hình nghiên cứu đề xuất sử dụng AI tạo sinh trong kiểm toán BCTC
và tác động của nó đến kết quả kiểm toán. Mô hình đề xuất sẽ được trình bày
trong phần cơ sở lý thuyết.
3. Tổng quan và lý thuyết nghiên cứu
3.1.
Tổng quan
nghiên cứu
Ứng dụng AI trong kiểm toán vài năm gần đây, nhiều nghiên
cứu đã khẳng định tiềm năng lớn của AI trong việc nâng cao chất lượng và hiệu
quả kiểm toán. Các công ty kiểm toán hàng đầu đã đầu tư mạnh vào công nghệ như
phân tích dữ liệu lớn, học máy (machine learning) và tự động hóa quy trình nhằm
kiểm tra toàn bộ dữ liệu thay vì kiểm tra chọn mẫu. Fedyk và cộng sự (2022)
phân tích dữ liệu để đánh giá tác động của AI, cho thấy đầu tư vào AI giúp cải
thiện chất lượng kiểm toán và hiệu suất, giảm phí kiểm toán và thậm chí giảm
dần sự phụ thuộc vào nhân lực truyền thống nhờ tự động hóa nhiều thủ tục kiểm
toán thông thường (Bouziane Abdelmounim, 2025).
Điều này củng cố rằng, AI có thể hỗ trợ kiểm toán viên phát hiện sai sót và
gian lận hiệu quả hơn, nhờ khả năng quét và phân tích 100% giao dịch để tìm ra
điểm bất thường (điều mà con người khó làm được trong thời gian hạn chế).
Trước khi AI tạo sinh xuất hiện, các hình thức AI khác đã
được sử dụng trong kiểm toán. Chẳng hạn, thuật toán phát hiện gian lận bằng học
máy (phân cụm, mạng neuron) để tìm mẫu hình bất thường trong dữ liệu kế toán (Mallesha
và Hymavathi, 2024), hay các công
cụ phân tích như MindBridge, IDEA cho phép kiểm toán phân tích số liệu toàn bộ
và chỉ ra các bút toán rủi ro cao; Hay, KPMG đã tích hợp nền tảng MindBridge AI
vào hệ thống kiểm toán số của họ, giúp đánh giá mọi giao dịch ở mức độ chi tiết
nhằm xác định các giao dịch bất thường hoặc có rủi ro cao, qua đó nâng cao chất
lượng kiểm toán (KPMG, 2023). Những công nghệ này chủ yếu tập trung vào xử lý
dữ liệu có cấu trúc (số liệu tài chính, bảng tính) và sử dụng các thuật toán
thống kê, học máy để nhận diện các dấu hiệu bất thường (ví dụ: bút toán có số
tiền tròn triệu, hoặc giao dịch vào thời điểm bất thường). Bên cạnh đó, kỹ
thuật xử lý ngôn ngữ tự nhiên (NLP) cũng dần được áp dụng, như quét hợp đồng
hoặc thư từ để tìm từ khóa rủi ro (ví dụ: tìm kiếm cụm từ gợi ý gian lận trong
email nội bộ).
Sự phát triển nổi lên của AI tạo sinh vào cuối năm 2022,
đánh dấu một bước ngoặt, thu hút sự chú ý lớn từ cộng đồng kế toán-kiểm toán.
Khác với các AI truyền thống, AI tạo sinh là mô hình tổng quát hóa ngôn ngữ
được huấn luyện trên tập dữ liệu văn bản khổng lồ, cho phép nó hiểu ngữ cảnh và
tạo ra phản hồi bằng ngôn ngữ tự nhiên rất giống con người. Trong kiểm toán, AI
tạo sinh được kỳ vọng có thể đảm nhiệm những công việc đòi hỏi hiểu biết ngôn
ngữ và kiến thức rộng. Các tài liệu gần đây ghi nhận tính đa dụng của AI tạo
sinh trong nhiều lĩnh vực kế toán: từ trả lời câu hỏi về chuẩn mực kế toán, hỗ
trợ phân loại thông tin tài chính, đến phân tích và tóm tắt báo cáo thường niên
(Emett và cộng sự, 2023).
Các nghiên cứu về AI tạo sinh trong kế toán - tài chính
và nhận thấy ba hướng chính: (i) Ứng dụng AI tạo sinh trong các mảng kế toán - tài
chính (như kiểm toán, BCTC, thuế vụ); (ii) Sử dụng AI tạo sinh như một công cụ
nghiên cứu (hỗ trợ phân loại, tóm tắt văn bản kế toán, sinh dữ liệu giả lập,…);
(iii) Nghiên cứu tác động của việc áp dụng AI tạo sinh đối với nghề nghiệp kế
toán - kiểm toán (như ảnh hưởng đến vai trò kiểm toán viên, đạo đức nghề nghiệp),
(Akpan và cộng sự, 2023; Hadi Musadaq và cộng sự, 2023; Yi Ziwei và cộng sự,
2023). Kết quả từ các nghiên cứu này cho thấy, AI tạo sinh có thể cải thiện
hiệu suất công việc kiểm toán ở nhiều khâu, giúp tự động hóa các tác vụ lặp đi
lặp lại và cho phép kiểm toán viên tập trung hơn vào các vấn đề phức tạp (Emett
và cộng sự, 2023). Đồng thời, những lo ngại cũng được chỉ ra, bao gồm độ chính
xác chưa ổn định, tính minh bạch của mô hình và các hệ quả đạo đức (ví dụ: AI
có thể thiên lệch hoặc cung cấp thông tin sai).
Một số nghiên cứu tình huống đáng chú ý: Emett và cộng sự
(2023) cho thấy, việc một công ty đa quốc gia đã thử nghiệm tích hợp AI tạo
sinh vào quy trình kiểm toán nội bộ của họ. Kết quả cho thấy, AI tạo sinh giúp
tăng tốc nhiều quy trình (từ lập kế hoạch đến thực hiện kiểm toán) và tự động
hóa được một số tác vụ trước đây thủ công, qua đó nâng cao hiệu quả và giảm tải
công việc cho kiểm toán viên. Tuy nhiên, nghiên cứu cũng nhấn mạnh cần kiểm tra
cẩn thận tính chính xác của đầu ra AI tạo sinh và cần sự giám sát của con người
để đảm bảo không bỏ sót rủi ro. Tương tự, Bouziane (2025) trong một nghiên cứu
tại Ma-rốc ghi nhận việc sử dụng AI tạo sinh có khả năng cải thiện chất lượng
kiểm toán nội bộ, nhưng kết quả còn phụ thuộc nhiều vào cách thức sử dụng và
mức độ thành thạo của kiểm toán viên trong việc tương tác với công cụ AI.
3.2. Lý thuyết
nghiên cứu
Về mặt lý thuyết, việc tích hợp AI tạo sinh vào kiểm toán
có thể được nhìn nhận dưới lăng kính của mô hình “Kiểm toán hỗn hợp Con người &
AI”, trong đó AI đóng vai trò bổ trợ thay vì thay thế hoàn toàn kiểm toán viên.
Cơ sở cho cách tiếp cận này là các lý thuyết về quản trị công nghệ trong kiểm
toán và chất lượng kiểm toán. Theo đó, công nghệ AI được xem là một nguồn lực
giúp kiểm toán viên thực hiện công việc hiệu quả hơn, nhưng trách nhiệm cuối
cùng và sự xét chuyên môn vẫn thuộc về con người. Lý thuyết về sự chấp nhận
công nghệ (TAM, UTAUT) cũng cho rằng, kiểm toán viên sẽ chỉ tích hợp AI tạo
sinh vào quy trình nếu họ thấy nó dễ sử dụng và thực sự hữu ích, đồng thời tổ
chức có môi trường thuận lợi (chính sách, đào tạo, hạ tầng phù hợp). Tuy nhiên,
trong phạm vi nghiên cứu này, bài viết tập trung vào phương pháp tiếp cận ứng
dụng AI tạo sinh hơn là đi sâu phân tích các yếu tố hành vi hay tâm lý chấp
nhận.
Để định hướng cho việc phân tích, bài viết đề xuất mô
hình nghiên cứu tích hợp AI tạo sinh trong quy trình kiểm toán, Hình 1.
Hình 1: Mô hình tích hợp AI
tạo sinh trong quy trình kiểm toán BCTC - Minh họa mối quan hệ giữa các giai
đoạn ứng dụng AI tạo sinh và kết quả kiểm toán, cùng các yếu tố ảnh hưởng
Mô hình này dựa trên quy trình kiểm toán tài chính thông
thường, gồm các giai đoạn: Lập kế hoạch - Thực hiện kiểm toán (thu thập và phân
tích bằng chứng) - Báo cáo kết quả. AI tạo sinh có thể tham gia vào từng giai
đoạn với vai trò cụ thể, tạo nên các biến số độc lập trong mô hình: (i) Ứng
dụng AI tạo sinh trong phân tích dữ liệu kiểm toán (giai đoạn thực hiện); (ii)
Ứng dụng AI tạo sinh trong phát hiện gian lận và sai phạm (thực hiện); (iii) và
Ứng dụng AI tạo sinh hỗ trợ soạn thảo báo cáo (giai đoạn báo cáo). Nghiên cứu
giả thuyết rằng, việc ứng dụng AI tạo sinh ở các giai đoạn này sẽ ảnh hưởng
tích cực đến kết quả kiểm toán. Các biến kết quả có thể đo lường, gồm: Chất
lượng kiểm toán (ví dụ: mức độ phát hiện sai sót trọng yếu, khả năng ngăn ngừa
gian lận - đo lường qua việc giảm thiểu các sai sót trọng yếu bị bỏ sót), hiệu
quả kiểm toán (thời gian, chi phí thực hiện kiểm toán giảm, quy mô mẫu mở rộng)
và chất lượng báo cáo (báo cáo rõ ràng, đầy đủ thông tin hơn).
Trong mô hình này, bài viết cũng xét đến các yếu tố điều
tiết và bối cảnh ảnh hưởng: Thứ nhất, sự giám sát của kiểm toán viên được xem
là yếu tố bắt buộc AI tạo sinh chỉ đưa ra gợi ý, kiểm toán viên cần kiểm tra và
phê duyệt các kết luận. Điều này phù hợp với cảnh báo của nhiều chuyên gia rằng,
AI trong kiểm toán phải đi kèm kiểm soát chặt chẽ về đạo đức và tính chính xác;
Thứ hai, chất lượng dữ liệu đầu vào và môi trường công nghệ thông tin của doanh
nghiệp sẽ ảnh hưởng đến hiệu quả của AI tạo sinh. Nếu dữ liệu kế toán sai lệch
hoặc không đầy đủ, hoặc hệ thống không cho phép xuất dữ liệu để AI phân tích do
bảo mật, AI tạo sinh khó phát huy tác dụng; Cuối cùng, các chính sách và chuẩn
mực nghề nghiệp (ví dụ: hướng dẫn từ IFAC, quy định của chuẩn mực kiểm toán
quốc tế về sử dụng công cụ tự động) sẽ định hình mức độ và cách thức mà AI tạo
sinh được phép sử dụng.
Như vậy, mô hình nghiên cứu đề xuất xem AI tạo sinh là
một yếu tố công nghệ mới tích hợp vào chuỗi quy trình kiểm toán, với kỳ vọng
mang lại tác động tích cực đến chất lượng và hiệu quả đầu ra. Mô hình này sẽ
được kiểm chứng và thảo luận, thông qua các kết quả nghiên cứu và dẫn chứng
thực tiễn trong phần sau.
4. Kết quả nghiên cứu và khuyến nghị
4.1.
Kết quả nghiên
cứu
Hỗ trợ phân
tích dữ liệu
Một trong những lợi ích rõ nét nhất của AI tạo sinh đối
với kiểm toán là khả năng hỗ trợ phân tích khối lượng dữ liệu. Kiểm toán BCTC
đòi hỏi xử lý nhiều dạng dữ liệu: từ số liệu bút toán, sổ cái đến các tài liệu
văn bản như hợp đồng và biên bản. AI tạo sinh có thể đọc hiểu và tóm tắt thông
tin từ hàng nghìn trang tài liệu tài chính chỉ trong thời gian ngắn (điều mà
kiểm toán viên rất tốn công sức để thực hiện thủ công).
Theo Alarcón và cộng sự (2023), một ưu điểm chính của
việc tích hợp AI tạo sinh vào kiểm toán là khả năng xử lý tự động lượng dữ liệu
lớn một cách nhanh chóng, giảm thiểu sai sót do con người và qua đó nâng cao
chất lượng kiểm toán. AI tạo sinh có thể được dùng để phân tích xu hướng số
liệu (ví dụ: so sánh biến động các khoản mục giữa các năm, phát hiện khoản mục
nào tăng giảm bất thường) và cung cấp diễn giải bằng ngôn ngữ tự nhiên. Thay vì
kiểm toán viên phải dò từng con số, AI tạo sinh có thể tổng hợp biến động và
giải thích sơ bộ (dựa trên dữ liệu huấn luyện về quan hệ kinh tế) rằng “doanh
thu tăng 20% có thể do mở rộng thị trường, nhưng giá vốn chỉ tăng 5% cho thấy
cải thiện hiệu suất,…”, giúp kiểm toán viên định hướng các câu hỏi cần làm rõ.
Bên cạnh đó, AI tạo sinh có thể hỗ trợ kiểm toán phân
tích dữ liệu 100% tổng thể. Trong khi trước đây, kiểm toán thường chọn mẫu do
giới hạn nguồn lực, thì với AI, việc kiểm tra toàn bộ giao dịch là điều khả
thi. Mặc dù, AI tạo sinh không trực tiếp truy cập cơ sở dữ liệu kế toán để chạy
truy vấn, nhưng nó có thể tích hợp thông qua các công cụ trung gian. Chẳng hạn,
người ta có thể xuất dữ liệu từ ERP của khách hàng (sổ cái, nhật ký) dưới dạng
bảng và “đặt câu hỏi” cho AI tạo sinh: “Hãy tìm các giao dịch bất thường trong
bảng dữ liệu này”. Với năng lực xử lý, AI tạo sinh có thể duyệt qua từng dòng
(tất nhiên tùy giới hạn kỹ thuật hiện tại về dung lượng đầu vào) và tìm các nghiệp
vụ đáng ngờ (ví dụ: giao dịch số lớn vào giờ bất thường, hoặc tài khoản đối ứng
không theo như thông lệ). Một minh chứng từ hướng phát triển này, tích hợp mô
hình ngôn ngữ vào phần mềm Excel.
Bài viết của Kozlowski (2023) trên tạp chí Internal
Auditor hình dung viễn cảnh gần rằng, kiểm toán viên có thể nhập lệnh dạng ngôn
ngữ tự nhiên trong Excel như “hãy so sánh hai bảng dữ liệu này và liệt kê mọi chênh
lệch” và AI sẽ tự động thực hiện, trả về kết quả so sánh chi tiết (Irena
Ostojic, 2023). Điều này cho thấy, tiềm năng của AI tạo sinh (hoặc mô hình
tương tự) khi kết hợp với các công cụ phân tích dữ liệu truyền thống và tạo ra
một trải nghiệm phân tích mới một cách nhanh chóng, trực quan và toàn diện hơn.
Tuy nhiên, cần lưu ý rằng, AI tạo sinh không phải công cụ
phân tích định lượng chuyên biệt. Nó có hạn chế trong việc tính toán số liệu
chính xác hoặc thực hiện các phép tính thống kê phức tạp so với các phần mềm
phân tích dữ liệu truyền thống. Do đó, cách sử dụng tối ưu là để AI tạo sinh bổ
trợ giai đoạn phân tích: AI có thể xác định khu vực dữ liệu có vấn đề, giải thích
xu hướng một cách ngôn ngữ. Sau đó, kiểm toán viên hoặc các công cụ phân tích
khác sẽ xử lý kỹ thuật chi tiết (tính toán mức độ sai lệch, kiểm tra chứng từ
liên quan). Chẳng hạn, AI tạo sinh có thể báo cho kiểm toán viên: “Tài khoản
chi phí Marketing tăng đột biến 80% so với năm trước tập trung ở quý 4”. Kiểm
toán viên sẽ khoanh vùng và dùng công cụ khác để kiểm tra các bút toán quý 4
chi tiết hơn.
Phát hiện
gian lận
Phát hiện gian lận và sai sót là hoạt động kiểm toán viên
đặc biệt quan tâm. Các hành vi gian lận tài chính thường tinh vi và khó phát
hiện bằng quy trình kiểm toán thông thường, vì kẻ gian lận có thể cố ý che giấu
dấu vết trong vô vàn giao dịch hợp lệ. AI được kỳ vọng, giúp nhận diện các dấu
hiệu gian lận thông qua phân tích dữ liệu bất thường. Các thuật toán truyền
thống đã chứng minh hiệu quả trong việc phát hiện giao dịch bất thường dựa trên
mẫu hình dữ liệu, ví dụ: nhận diện giao dịch thẻ tín dụng gian lận dựa trên số
tiền, địa điểm và lịch sử mua hàng (ACFE, 2023). Trong kiểm toán, AI có thể học
từ dữ liệu kế toán quá khứ để tìm những tài khoản và số tiền bất thường, hoặc
sử dụng kỹ thuật phân cụm/điểm bất thường để cho mỗi bút toán một điểm rủi ro.
Mặc dù không được thiết kế riêng để phát hiện gian lận,
nhưng với kiến thức tích lũy rộng (bao gồm nhiều vụ gian lận kinh điển, thủ
thuật kế toán trong quá khứ) và khả năng hiểu ngôn ngữ, có thể đóng góp độc đáo
cho hoạt động này.
-
Thứ nhất, AI tạo sinh có thể phân tích các mô tả và chứng
từ bằng văn bản (những thứ mà thuật toán số có thể bỏ qua). Ví dụ, giả sử một
khoản mục chi phí lớn có mô tả “phí tư vấn dự án X”. AI tạo sinh có thể được
hỏi: “Mô tả này có dấu hiệu gì bất thường không?”. Nhờ kiến thức về các vụ gian
lận trước (như gian lận giấu chi phí dưới dạng tư vấn), AI tạo sinh có thể cảnh
báo rằng loại chi phí này thường được lợi dụng để lập quỹ đen hoặc hối lộ dựa trên
các vụ đã biết. Tương tự, AI tạo sinh có thể đọc email hoặc tin nhắn (nếu được
cung cấp hợp pháp trong cuộc kiểm toán, chẳng hạn điều tra gian lận) để phát
hiện ngôn ngữ đáng ngờ (ví dụ: cụm từ ám chỉ thông đồng, hối lộ). Khả năng xử
lý ngôn ngữ tự nhiên giúp AI tạo sinh trở thành công cụ hỗ trợ đắc lực cho kiểm
toán gian lận và kiểm toán điều tra (những lĩnh vực đòi hỏi đọc nhiều tài liệu
phi cấu trúc).
-
Thứ hai, AI tạo sinh có thể hoạt động như một chuyên gia
tham vấn ảo về gian lận cho kiểm toán viên. Khi gặp một tình huống bất thường,
kiểm toán viên có thể hỏi AI tạo sinh những câu như: “Những kịch bản nào có thể
giải thích hiện tượng doanh thu tăng vọt cuối năm mà không đi kèm chi phí tương
ứng?” hoặc “Các dấu hiệu nhận biết ban đầu của gian lận doanh thu là gì?”. Với
vốn kiến thức được huấn luyện, AI tạo sinh có thể liệt kê các khả năng (ví dụ:
ghi nhận doanh thu ảo, ghi nhận sớm doanh thu trước kỳ, thổi phồng hàng tồn kho
để tăng lợi nhuận,…) (ACFE, 2023). Những gợi ý này giúp kiểm toán viên mở rộng
hướng suy nghĩ và xây dựng thủ tục kiểm tra thích hợp. Thực tế, các chuyên gia
tại Hiệp hội Chống Gian lận (ACFE) khuyến nghị rằng, các nhà điều tra gian lận
có thể tận dụng AI tạo sinh để hỏi về các phương thức gian lận phổ biến, xây
dựng danh sách dấu hiệu gợi ý (các câu trả lời chỉ mang tính định hướng và cần
kiểm chứng lại). Điều này tương tự như việc một kiểm toán viên trẻ có thể hỏi ý
kiến một chuyên gia giàu kinh nghiệm về dấu hiệu gian lận; AI tạo sinh đóng vai
trò người cố vấn bước đầu, đặc biệt hữu ích khi đơn vị được kiểm toán thuộc
lĩnh vực mới mà kiểm toán viên chưa thành thạo.
-
Thứ ba, dù không thể tự mình truy cập dữ liệu thời gian
thực (trừ khi có kết nối đặc biệt), AI tạo sinh có thể được huấn luyện bổ sung
trên dữ liệu kế toán cụ thể để tạo ra mô hình phát hiện gian lận tùy biến. Ví
dụ, công ty kiểm toán có thể cung cấp cho AI tạo sinh (phiên bản nội bộ) bộ dữ
liệu về các bút toán gian lận đã phát hiện trong quá khứ, hoặc các báo cáo
thanh tra thuế, để mô hình học cách phân biệt giao dịch bình thường và giao
dịch gian lận. Khi đó, AI tạo sinh kết hợp cả kiến thức tổng quát lẫn trường
hợp cụ thể của doanh nghiệp, có thể đưa ra cảnh báo chính xác hơn. Khan và Umer
(2024) ghi nhận AI tạo sinh có thể được đào tạo cho mục đích phát hiện và phòng
ngừa gian lận, bằng cách phân tích dữ liệu khách hàng và giao dịch tài chính để
nhận diện hoạt động gian lận. Lợi thế là AI tạo sinh có thể phát hiện các bất
thường tinh vi trong thời gian thực và nhận diện các mẫu gian lận mới nổi mà có
thể chưa có trong từ điển gian lận của doanh nghiệp.
Mặc dù vậy, sử dụng AI tạo sinh trong phát hiện gian lận
cũng đòi hỏi thận trọng và kết hợp đa công cụ. AI tạo sinh thì đưa ra kết quả
dạng ngôn ngữ, có thể khó định lượng và dễ bị ảnh hưởng bởi cách đặt câu hỏi.
Do đó, khuyến nghị ở đây là dùng AI tạo sinh như công cụ bổ sung góc nhìn để cung
cấp bối cảnh, giải thích và gợi ý mà các mô hình khác khó làm. Kiểm toán viên
nên kết hợp kết quả phân tích dữ liệu của các mô hình truyền thống (ví dụ: danh
sách 50 bút toán rủi ro cao) với phân tích ngôn ngữ của AI tạo sinh (ví dụ: đọc
nội dung diễn giải của 50 bút toán đó để tìm dấu hiệu khả nghi). Sự kết hợp này
vừa đảm bảo không bỏ sót dữ liệu, vừa hiểu sâu được bản chất giao dịch, từ đó
nâng cao khả năng phát hiện gian lận.
Hỗ trợ viết báo cáo
Giai đoạn lập báo cáo kiểm toán thường đòi hỏi nhiều thời
gian để tổng hợp phát hiện, diễn đạt ý tưởng và đảm bảo văn phong chuyên nghiệp
và tuân thủ chuẩn mực. AI tạo sinh với khả năng tạo văn bản mạch lạc, cô đọng,
tỏ ra đặc biệt hữu ích trong khâu này. Thực tế, viết báo cáo là một trong những
ứng dụng phổ biến nhất của AI tạo sinh trong lĩnh vực tài chính - kế toán hiện
nay (Khan và Umer, 2024). Mô hình có thể dựa trên các điểm chính do kiểm toán
viên cung cấp để phát triển thành đoạn văn hoàn chỉnh, hoặc thậm chí tạo ra một
bản nháp báo cáo dựa trên dữ liệu đầu vào.
Thứ nhất, AI
tạo sinh có thể giúp tóm tắt kết quả kiểm toán một cách rõ ràng
Sau khi kiểm toán viên hoàn tất các thủ tục và thu thập
kết quả (các phát hiện sai sót, điểm chưa phù hợp,…), họ có thể yêu cầu AI tạo
sinh: “Hãy viết đoạn tóm tắt cho báo cáo kiểm toán, bao gồm phạm vi kiểm toán,
số lượng phát hiện, kết luận chung”. Nhờ được đào tạo trên vô số văn bản, AI
tạo sinh có thể tạo ra một đoạn tóm tắt có cấu trúc hợp lý, nhấn mạnh được
những thông tin quan trọng một cách súc tích. Ví dụ, AI có thể viết: “Kiểm toán
đã thực hiện trên BCTC năm 2024 của Công ty X, tập trung vào các khoản mục
Doanh thu, Hàng tồn kho và Chi phí quản lý. Nhóm kiểm toán đã phát hiện 3 bút
toán điều chỉnh (tổng giá trị 5 tỷ đồng) liên quan đến ghi nhận doanh thu và
trích lập dự phòng. Ngoài ra, không có dấu hiệu gian lận hay sai sót trọng yếu
nào khác được tìm thấy. BCTC, sau các điều chỉnh đã phản ánh trung thực và hợp
lý trên các khía cạnh trọng yếu”. Đoạn văn như vậy giúp chuẩn hóa phần mở đầu
hoặc kết luận của báo cáo, kiểm toán viên có thể hiệu chỉnh đôi chút là hoàn
thiện.
Thứ hai, AI hỗ
trợ viết chi tiết các phần mô tả và giải thích trong báo cáo/thư quản lý
Thông thường, kiểm toán viên phải viết phần mô tả phát
hiện và khuyến nghị cho từng vấn đề. Với AI, kiểm toán viên có thể cung cấp các
gạch đầu dòng như: “Phát hiện: Công ty chưa đối chiếu công nợ khách hàng thường
xuyên, dẫn đến một số sai lệch,…; Rủi ro: số dư phải thu có thể bị trình bày
cao hơn thực tế; Khuyến nghị: Đối chiếu công nợ định kỳ hàng quý và điều chỉnh
sổ sách kịp thời.” và nhờ AI diễn đạt thành đoạn văn hoàn chỉnh. Kết quả có thể
là: “Trong quá trình kiểm toán, chúng tôi nhận thấy quy trình đối chiếu công nợ
khách hàng của Công ty X chưa được thực hiện thường xuyên. Điều này dẫn đến
chênh lệch giữa sổ sách kế toán và xác nhận từ khách hàng không được phát hiện
và xử lý kịp thời. Rủi ro là số dư khoản phải thu có thể đang được trình bày
cao hơn thực tế, ảnh hưởng đến tính chính xác của BCTC. Chúng tôi khuyến nghị,
công ty thực hiện đối chiếu công nợ với khách hàng ít nhất mỗi quý một lần và
ghi nhận điều chỉnh cần thiết ngay sau khi phát hiện chênh lệch. Việc này sẽ
giúp, đảm bảo số liệu khoản phải thu phản ánh đúng thực trạng và giảm thiểu
nguy cơ sai sót trọng yếu. Đoạn văn do AI tạo ra thường đúng ngữ pháp, hành văn
chuyên nghiệp và đầy đủ ý, nhờ đó tiết kiệm thời gian cho kiểm toán viên trong
việc biên tập.
Thứ ba, AI có
thể hỗ trợ kiểm toán viên trau chuốt ngôn từ và đảm bảo tính nhất quán trong
báo cáo
Kiểm toán viên có thể sử dụng AI như một công cụ biên tập
viên: ví dụ “hãy làm cho giọng văn của đoạn này trang trọng và thuyết phục hơn”
hoặc “diễn đạt lại ý này ngắn gọn hơn”. Công cụ sẽ đề xuất phiên bản cải thiện,
giúp báo cáo cuối cùng mạch lạc và chuyên nghiệp hơn. Đặc biệt đối với các kiểm
toán viên không sử dụng tiếng mẹ đẻ (ví dụ viết báo cáo tiếng Anh), AI khá hữu ích
trong việc chỉnh sửa câu văn.
Một báo cáo kiểm toán chứa nhiều thông tin nhạy cảm về
tình hình tài chính doanh nghiệp. Nếu kiểm toán viên sử dụng phiên bản AI tạo
sinh công khai, việc nhập dữ liệu hoặc nội dung báo cáo chưa công bố có thể vi
phạm bảo mật, do dữ liệu gửi lên có thể được lưu trữ trên máy chủ OpenAI. Theo
khuyến cáo của IIA, thì hiện tại không nên đưa thông tin nhận diện khách hàng
hoặc dữ liệu mật vào AI (Irena Ostojic, 2023). Do
vậy, trong thực tế, việc ứng dụng AI vào viết báo cáo nên giới hạn ở những nội
dung không nhạy cảm hoặc phần chung chung. Ví dụ, kiểm toán viên có thể nhờ AI soạn
thảo thư quản lý mẫu, phần giải thích trách nhiệm kiểm toán viên theo chuẩn mực
(những nội dung có tính công khai, khuôn mẫu) thay vì nhập thẳng các con số cụ
thể của khách hàng. Một giải pháp an toàn hơn đang được các công ty kiểm toán
cân nhắc là triển khai mô hình ngôn ngữ lớn nội bộ, được huấn luyện riêng và
chạy trên môi trường máy chủ do công ty kiểm soát, nhằm đảm bảo dữ liệu khách
hàng không rời khỏi hệ thống. Với cách này, kiểm toán viên có thể tận dụng tối
đa AI trong viết báo cáo mà không lo rò rỉ thông tin.
AI có khả năng làm giảm đáng kể khối lượng công việc viết
lách cho kiểm toán viên, đặc biệt ở những phần lặp đi lặp lại hoặc có khuôn
mẫu. Kiểm toán viên có thể tập trung hơn vào việc đánh giá nội dung (số liệu,
kết luận), thay vì mất thời gian vào diễn đạt. Kết hợp AI một cách phù hợp, báo
cáo kiểm toán có thể vừa nhanh chóng hoàn thành và vừa đảm bảo rõ ràng, thuyết
phục. Qua đó, nâng cao chất lượng truyền thông thông tin tài chính đến các bên
liên quan.
So sánh AI tạo sinh với các công nghệ
AI khác trong kiểm toán
Trong quá trình phân tích trên, có thể thấy, AI tạo sinh
không hoạt động trong môi trường chân không, mà cần đặt bên cạnh các công nghệ
AI khác vốn đã hiện hữu trong kiểm toán. Việc so sánh AI tạo sinh với các công
nghệ AI khác, giúp xác định rõ vai trò bổ trợ của AI tạo sinh và tránh kỳ vọng
sai lệch. Dưới đây là một số điểm so sánh chính:
Phạm vi kiến thức và dữ liệu
AI tạo sinh được huấn luyện trên kiến thức tổng hợp rất
rộng (không chỉ về kế toán, mà còn kinh tế, luật pháp, ngôn ngữ đời sống,…), do
đó có thể áp dụng linh hoạt cho nhiều tình huống. Các công nghệ AI khác thường
chuyên biệt: ví dụ một mô hình ML phát hiện gian lận được huấn luyện chỉ trên
dữ liệu kế toán của doanh nghiệp, nên hiểu biết hẹp hơn nhưng lại sát với dữ
liệu thực tế của đơn vị đó. Do vậy, AI tạo sinh có lợi thế khi cần kiến thức đa
ngành hoặc hiểu bối cảnh chung, trong khi AI chuyên biệt mạnh hơn khi xử lý bài
toán hẹp với dữ liệu đặc thù.
Dạng dữ liệu xử lý
AI tạo sinh với dữ liệu ngôn ngữ (văn bản), có thể đọc và
tạo văn bản tự nhiên rất giống con người. Ngược lại, nhiều công cụ phân tích
trong kiểm toán (như MindBridge, các mô hình thống kê) xử lý dữ liệu số và bảng
biểu cực kỳ hiệu quả, nhưng không thể tự động diễn giải ý nghĩa kinh doanh của
những con số. Ví dụ, một thuật toán ML có thể chấm điểm rủi ro cho 10.000 bút
toán, nhưng để viết ra “Bút toán A có dấu hiệu đáng ngờ vì,…”, ta cần đến AI
tạo sinh. Vì vậy, AI tạo sinh bổ khuyết cho ngôn ngữ mà các AI khác thiếu.
Khả năng giải thích và giao tiếp
AI tạo sinh được thiết kế để giao tiếp với người dùng,
trả lời câu hỏi và giải thích kết quả. Điều này giúp tương tác người - máy
thuận tiện hơn; kiểm toán viên có thể “hỏi đáp” với AI tạo sinh để hiểu rõ một
kết quả phân tích. Trong khi đó, nhiều công cụ AI khác hoạt động như hộp đen:
cho đầu vào và nhận đầu ra, thường dưới dạng số liệu hoặc cảnh báo, đòi hỏi
người dùng phải diễn giải. Như vậy, AI tạo sinh đóng vai trò như giao diện thân
thiện giúp kiểm toán viên khai thác sức mạnh AI mà không cần kiến thức lập
trình phức tạp.
Độ chính xác và tính sáng tạo
Các mô hình AI truyền thống trong kiểm toán thường đơn
nhiệm nhưng rất chính xác trong nhiệm vụ được giao. AI tạo sinh có tính sáng
tạo và linh hoạt, nhưng đôi khi chính điều đó làm giảm độ chính xác khi nó đoán
các thông tin không chắc chắn (tạo ra thông tin không có thực). Chẳng hạn, AI
tạo sinh có thể viết một đoạn giải thích nghe rất hợp lý về nguyên nhân sai
lệch, nhưng thực tế lại không đúng với bối cảnh doanh nghiệp. Do đó, về độ tin
cậy của kết quả, các công cụ AI truyền thống (nếu được lập trình/huấn luyện
đúng) sẽ ổn định và đáng tin cậy hơn trong phạm vi nhiệm vụ hẹp; còn AI tạo
sinh cần được kiểm chứng lại bởi con người khi sử dụng trong kiểm toán để đảm
bảo không có sai sót nghiêm trọng.
Tính minh bạch và kiểm soát
Trong môi trường kiểm toán yêu cầu trách nhiệm giải trình
cao, các công cụ AI cần có dấu vết kiểm toán cho quyết định của mình. Một số
thuật toán cung cấp được tiêu chí cụ thể (ví dụ: bút toán X bị gắn cờ vì vượt
ngưỡng 3 lần độ lệch chuẩn). AI tạo sinh, dựa trên mạng nơ-ron phức tạp, và là
hộp đen khó giải thích, rất khó xác định chính xác tại sao nó đưa ra một phản
hồi nhất định. Điều này đặt ra thách thức khi sử dụng AI tạo sinh: làm sao kiểm
toán viên tin tưởng và kiểm chứng được các kết luận do AI tạo sinh gợi ý. Khả
năng giải thích của AI tạo sinh dưới dạng ngôn ngữ tự nhiên phần nào giúp hiểu
cách suy luận của nó, nhưng mức độ chắc chắn của suy luận đó không rõ ràng.
Ứng dụng trong quy trình hiện tại
Các công nghệ AI khác (như phân tích dữ liệu bằng ACL,
IDEA, mô hình rủi ro) đã được tích hợp vào quy trình kiểm toán một cách hệ
thống. AI tạo sinh lại chưa có chuẩn mực rõ ràng. Nhiều công ty kiểm toán đang
thử nghiệm AI tạo sinh ở quy mô nhỏ, trong khi các công cụ khác như RPA, phân
tích dữ liệu lớn đã ở giai đoạn triển khai rộng. Do đó, có thể nói AI tạo sinh
đang trong giai đoạn thăm dò, cần thời gian để xác định vị trí phù hợp trong
quy trình kiểm toán.
Nhìn chung, AI tạo sinh và các công nghệ AI khác không
loại trừ nhau mà bổ sung cho nhau. AI tạo sinh mang đến khả năng hiểu ngữ cảnh
và giao tiếp, giúp trí tuệ của các hệ thống AI kiểm toán trở nên gần gũi hơn
với người dùng. Trong khi đó, các công nghệ AI chuyên biệt đảm bảo xử lý dữ
liệu chính xác, tuân thủ quy tắc. Kết hợp chúng một cách hài hòa sẽ đem lại sức
mạnh cộng hưởng. Ví dụ, AI truyền thống quét dữ liệu phát hiện 10 điểm bất
thường, AI tạo sinh giúp giải thích và ưu tiên điểm nào nghiêm trọng để kiểm
toán viên xử lý trước; hoặc AI tạo sinh soạn thảo báo cáo về những phát hiện do
AI khác cung cấp. Điều quan trọng là xác định đúng vai trò, dùng AI tạo sinh
cho những việc cần tư duy linh hoạt, ngôn ngữ và dùng AI khác cho những việc
tính toán lặp lại lớn.
4.2. Khuyến nghị
Đối với các công ty kiểm toán muốn áp dụng AI tạo sinh,
cần xây dựng hướng dẫn nội bộ về phạm vi sử dụng AI tạo sinh cùng các công cụ
AI hiện có. Ví dụ: AI tạo sinh được phép dùng để viết báo cáo, tra cứu chuẩn
mực, hỗ trợ phân tích sơ bộ; nhưng không được phép dùng làm căn cứ cuối cùng
cho ý kiến kiểm toán nếu không có bằng chứng xác thực từ thủ tục khác. Đồng
thời, cần đào tạo kiểm toán viên về kỹ năng sử dụng AI tạo sinh hiệu quả (kỹ
năng đặt câu hỏi, đánh giá kết quả đầu ra của AI một cách hoài nghi). Các nhà
quản lý cần cập nhật các chính sách kiểm soát chất lượng để bao quát việc sử
dụng AI, đảm bảo tuân thủ các yêu cầu đạo đức và bảo mật thông tin.
5.
Kết luận
Sự xuất hiện của AI tạo sinh đánh dấu bước tiến mới trong
ứng dụng AI vào lĩnh vực kiểm toán BCTC. Nghiên cứu này đã tập trung làm rõ ba
ứng dụng tiêu biểu của AI tạo sinh: (i) Hỗ trợ phân tích dữ liệu, (ii) Phát
hiện gian lận và (iii) Hỗ trợ viết báo cáo; đồng thời so sánh AI tạo sinh với
các công nghệ AI kiểm toán khác. Kết quả nghiên cứu cho thấy, AI tạo sinh có khả
năng nâng cao đáng kể hiệu quả kiểm toán nếu được sử dụng đúng cách, từ việc
nhanh chóng xử lý và tóm tắt khối lượng lớn dữ liệu, phát hiện các bất thường
có thể dẫn đến gian lận nhanh hơn, cho đến việc hỗ trợ kiểm toán viên trong
soạn thảo và chuẩn hóa báo cáo. Những ưu điểm nổi trội của AI tạo sinh nằm ở
khả năng hiểu ngữ cảnh và sinh ngôn ngữ tự nhiên, điều mà các công cụ phân tích
dữ liệu truyền thống chưa làm được. Nhờ đó, AI tạo sinh đóng vai trò như một
trợ lý ảo thông minh, giúp kiểm toán viên đưa ra quyết định tốt hơn và giao
tiếp kết quả kiểm toán rõ ràng hơn.
Tuy nhiên, vẫn còn các hạn chế và thách thức khi áp dụng AI
tạo sinh. Về kỹ thuật, AI tạo sinh có thể gặp lỗi ảo giác thông tin, độ chính
xác chưa đảm bảo tuyệt đối, do đó không thể thay thế hoàn toàn các kiểm tra đối
chiếu truyền thống. Về mặt đạo đức và bảo mật, việc sử dụng AI tạo sinh cần
tuân thủ nguyên tắc bảo mật dữ liệu khách hàng, tránh cung cấp thông tin nhạy
cảm cho bên thứ ba. So sánh với các công nghệ AI khác cho thấy AI tạo sinh nên
được xem là công cụ bổ trợ, tích hợp vào một hệ sinh thái gồm nhiều công cụ
phân tích và kiểm toán kỹ thuật số. Sự kết hợp giữa AI tạo sinh (tư duy ngôn
ngữ, linh hoạt) và AI truyền thống (phân tích định lượng, chính xác) sẽ tạo ra
quy trình kiểm toán hiện đại, toàn diện hơn.
Mô hình nghiên cứu đề xuất trong nghiên cứu này đề xuất hướng
đi để kiểm thử và triển khai AI tạo sinh trong kiểm toán: bắt đầu từ những
nhiệm vụ cụ thể, đánh giá tác động đến chất lượng, hiệu quả, và dần dần mở rộng
phạm vi khi đã thiết lập được kiểm soát phù hợp. Trong tương lai, các nghiên
cứu thực nghiệm nên được tiến hành để đo lường định lượng hiệu quả của AI tạo
sinh. Ví dụ như so sánh tỷ lệ phát hiện gian lận, thời gian hoàn thành kiểm
toán giữa nhóm sử dụng AI tạo sinh và không sử dụng. Đồng thời, cần cập nhật
các chuẩn mực nghề nghiệp và hướng dẫn để kiểm toán viên có khung tham chiếu
khi áp dụng công nghệ mới.
AI tạo sinh mang đến cơ hội lớn để đổi mới phương pháp
kiểm toán, giúp kiểm toán viên thực hiện vai trò một cách thông minh và chủ
động hơn trong bối cảnh dữ liệu lớn và môi trường kinh doanh phức tạp. Với cách
tiếp cận thận trọng, bài bản và tuân thủ đạo đức, AI tạo sinh và các AI tương
tự có thể trở thành trợ thủ đắc lực, cùng kiểm toán viên nâng cao chất lượng BCTC
và niềm tin của nhà đầu tư. Kiểm toán trong kỷ nguyên số sẽ không còn là câu
chuyện hoàn toàn thủ công, mà là sự phối hợp nhịp nhàng giữa con người và trí
tuệ nhân tạo, hướng đến mục tiêu chung là tăng cường tính minh bạch và trung
thực của thông tin tài chính.
