Ứng dụng trí tuệ nhân tạo trong kiểm toán báo cáo tài chính, phát hiện gian lận và hỗ trợ lập báo cáo kiểm toán

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.