Ứng dụng trí tuệ nhân tạp (AI) nhằm nâng cao hiệu quả hoạt động kiểm toán nội bộ trong các doanh nghiệp

Thông qua phương pháp tổng hợp và phân tích tài liệu thứ cấp, nghiên cứu làm rõ cơ sở lý thuyết về AI và kiểm toán nội bộ, đồng thời đánh giá thực trạng cũng như tiềm năng ứng dụng AI trong lĩnh vực kiểm toán nội bộ trên thế giới và tại Việt Nam.

1. Giới thiệu

Trong bối cảnh Cách mạng Công nghiệp 4.0, trí tuệ nhân tạo (AI) đang nổi lên như động lực trọng yếu mạnh thúc đẩy đổi mới trên nhiều lĩnh vực. Đối với hoạt động kiểm toán nội bộ (KTNB) – chức năng bảo đảm và tư vấn độc lập trong quản trị doanh nghiệp – sự phát triển của AI mở ra đồng thời cơ hội và thách thức đáng kể. AI có khả năng xử lý khối lượng dữ liệu lớn theo thời gian thực, hỗ trợ phát hiện bất thường và gian lận với hiệu quả vượt trội so với cách tiếp cận thủ công truyền thống (FRC,2025). Thay vì chỉ dựa vào kiểm tra theo mẫu, công nghệ AI cho phép kiểm toán viên nội bộ mở rộng phạm vi kiểm tra tới toàn bộ tập dữ liệu, qua đó cung cấp bức tranh đầy đủ và kịp thời hơn về hệ thống kiểm soát (IIA,2024). Trên bình diện quốc tế, nhiều tổ chức đã tích hợp AI vào quy trình kiểm toán nhằm nâng cao chất lượng và hiệu suất (IFIAR,2025). Nghiên cứu học thuật hiện nay ghi nhận AI hỗ trợ KTNB chuyển dịch từ phương pháp tuân thủ và dựa trên mẫu sang mô hình kiểm toán bao phủ toàn bộ dữ liệu, có năng lực dự báo và phát hiện gian lận tốt hơn (Kokina et al.,2025).

Tại Việt Nam, vai trò của KTNB ngày càng được chú trọng, đặc biệt sau khi khung pháp lý yêu cầu các công ty niêm yết và doanh nghiệp nhà nước triển khai bộ phận KTNB từ năm 2021 (Nghị định 05/2019/NĐ-CP). Tuy nhiên, phần lớn các doanh nghiệp trong nước vẫn ở giai đoạn đầu của việc áp dụng công nghệ tiên tiến cho KTNB, mang tính chiến lược hơn. Trước sự bùng nổ dữ liệu và tốc độ số hóa của nền kinh tế, KTNB truyền thống với nguồn lực hạn chế đối mặt nguy cơ bỏ sót rủi ro trọng yếu nếu không đổi mới phương pháp tiếp cận(IIA,2024). Yêu cầu này trở nên cấp bách khi doanh nghiệp hội nhập sâu với thị trường quốc tế và phải tuân thủ các chuẩn mực quản trị ngày càng cao (FRC,2025). Vì vậy, việc nghiên cứu ứng dụng AI nhằm nâng cao hiệu quả KTNB có ý nghĩa thời sự và cần thiết về cả phương diện lý luận lẫn thực tiễn.

Nghiên cứu này được thiết kế nhằm phân tích tiềm năng, lợi ích và thách thức của việc tích hợp AI vào hoạt động KTNB trong doanh nghiệp. Trên cơ sở tổng quan tài liệu và các báo cáo khảo sát ngành, nghiên cứu đồng thời tổng hợp kinh nghiệm quốc tế, từ đó đề xuất định hướng và giải pháp điều chỉnh phù hợp với bối cảnh Việt Nam dựa trên Khung quản lý rủi ro AI và các hướng dẫn nghề nghiệp liên quan (NIST, 2023; IIA, 2024).

2. Cơ sở lý thuyết và phương pháp nghiên cứu

2.1. Cơ sở lý thuyết và khung phân tích

Cơ sở lý thuyết của bài viết được xây dựng xoay quanh ba nhóm nội dung chính: (i) khái niệm, vai trò và thước đo hiệu quả của kiểm toán nội bộ trong doanh nghiệp; (ii) khái niệm, đặc trưng và các dạng ứng dụng trí tuệ nhân tạo trong hoạt động kiểm toán nội bộ; (iii) các khung quản trị rủi ro và chuẩn mực nghề nghiệp liên quan đến việc áp dụng công nghệ trí tuệ nhân tạo.

Thứ nhất, kiểm toán nội bộ được nhìn nhận như một chức năng đảm bảo và tư vấn độc lập, có nhiệm vụ đánh giá và cải thiện hiệu quả của hệ thống quản trị, quản lý rủi ro và kiểm soát nội bộ trong tổ chức. Hiệu quả của kiểm toán nội bộ thường được tiếp cận thông qua mức độ hoàn thành kế hoạch kiểm toán, chất lượng phát hiện và kiến nghị, mức cải thiện hệ thống kiểm soát sau kiểm toán và mức độ tin cậy, hài lòng của các bên liên quan. Cách tiếp cận này là nền tảng để xem xét việc ứng dụng công nghệ mới nhằm gia tăng giá trị của kiểm toán nội bộ.

Thứ hai, trí tuệ nhân tạo được hiểu là tập hợp các kỹ thuật cho phép hệ thống máy tính thực hiện những nhiệm vụ thường gắn với trí tuệ con người, như học hỏi từ dữ liệu, nhận dạng mẫu, xử lý ngôn ngữ tự nhiên và đưa ra dự báo hoặc khuyến nghị. Trong bối cảnh kiểm toán nội bộ, trí tuệ nhân tạo bao gồm các công nghệ như học máy, khai phá dữ liệu, xử lý ngôn ngữ tự nhiên, tự động hóa quy trình bằng robot và các mô hình tạo sinh. Những công nghệ này hỗ trợ kiểm toán viên mở rộng phạm vi kiểm tra sang toàn bộ tập dữ liệu, tăng khả năng phát hiện bất thường và gian lận, thực hiện kiểm thử liên tục, cũng như tự động hóa các bước lặp lại trong quy trình kiểm toán.

Thứ ba, ứng dụng trí tuệ nhân tạo trong kiểm toán nội bộ cần được đặt trong khuôn khổ các nguyên tắc quản trị rủi ro và chuẩn mực nghề nghiệp. Các khung như Khung quản lý rủi ro trí tuệ nhân tạo (AI RMF) nhấn mạnh yêu cầu về quản trị dữ liệu, quản lý vòng đời mô hình, kiểm soát sai lệch, bảo đảm tính minh bạch, trách nhiệm giải trình và vai trò giám sát của con người trong quá trình thiết kế và vận hành hệ thống trí tuệ nhân tạo. Bên cạnh đó, các chuẩn mực và hướng dẫn nghề nghiệp của tổ chức nghề nghiệp kiểm toán nội bộ và các cơ quan giám sát chất lượng kiểm toán trên thế giới đều đề cập đến trách nhiệm của đơn vị kiểm toán trong việc hiểu, đánh giá và kiểm soát rủi ro phát sinh từ việc sử dụng công nghệ mới.

Trên nền tảng lý thuyết này, bài viết tập trung phân tích cách thức trí tuệ nhân tạo có thể được tích hợp vào từng khâu của hoạt động kiểm toán nội bộ, các lợi ích tiềm năng đối với hiệu quả kiểm toán, đồng thời chỉ ra các rủi ro và yêu cầu về quản trị khi doanh nghiệp triển khai công nghệ trí tuệ nhân tạo trong môi trường kiểm toán nội bộ.

2.2. Phương pháp nghiên cứu

Bài viết sử dụng phương pháp nghiên cứu định tính với trọng tâm là tổng quan tài liệu có hệ thống kết hợp phân tích mô tả các báo cáo khảo sát ngành liên quan đến việc ứng dụng trí tuệ nhân tạo trong kiểm toán nội bộ. Nghiên cứu không tiến hành khảo sát sơ cấp hay phỏng vấn trực tiếp, toàn bộ dữ liệu được khai thác từ nguồn thứ cấp. Trước hết, nhóm tác giả xác định câu hỏi nghiên cứu xoay quanh các nội dung: (i) tiềm năng và lợi ích của việc tích hợp trí tuệ nhân tạo vào hoạt động kiểm toán nội bộ; (ii) những thách thức, rủi ro và yêu cầu về quản trị khi triển khai công nghệ này; (iii) kinh nghiệm và định hướng ứng dụng trí tuệ nhân tạo trong kiểm toán nội bộ trên thế giới và gợi mở cho bối cảnh Việt Nam. Trên cơ sở đó, bài viết tiến hành tìm kiếm và lựa chọn các tài liệu học thuật, báo cáo nghiên cứu, hướng dẫn nghề nghiệp và báo cáo khảo sát của các tổ chức nghề nghiệp, cơ quan quản lý và hãng tư vấn trong giai đoạn gần đây. Tiêu chí lựa chọn tài liệu tập trung vào những nghiên cứu và báo cáo đề cập trực tiếp đến việc ứng dụng trí tuệ nhân tạo hoặc phân tích xu hướng số hóa trong kiểm toán nội bộ, có chất lượng học thuật hoặc thực tiễn được thừa nhận.

Nội dung các tài liệu được đọc, mã hóa và tổng hợp theo các nhóm chủ đề: (i) khung khái niệm về trí tuệ nhân tạo và kiểm toán nội bộ; (ii) các trường hợp ứng dụng trí tuệ nhân tạo trong kiểm toán nội bộ; (iii) khung quản trị rủi ro và yêu cầu về kiểm soát đối với hệ thống trí tuệ nhân tạo; (iv) kinh nghiệm và khuyến nghị chính sách từ các quốc gia và tổ chức nghề nghiệp. Bước này giúp hình thành bức tranh tổng thể về hiện trạng và xu hướng ứng dụng trí tuệ nhân tạo trong kiểm toán nội bộ. Cuối cùng, bài viết đối chiếu kết quả tổng hợp từ tài liệu và khảo sát ngành với bối cảnh phát triển kiểm toán nội bộ tại Việt Nam, từ đó rút ra các nhận định và đề xuất định hướng, giải pháp phù hợp. Cách tiếp cận này cho phép khai thác tối đa các bằng chứng và kinh nghiệm quốc tế đã được công bố, đồng thời bảo đảm sự nhất quán giữa cơ sở lý thuyết, phương pháp nghiên cứu và nội dung phân tích trong các phần tiếp theo của bài viết.

3. Kết quả và thảo luận

3.1. Kết quả nghiên cứu

3.1.1. Thực trạng và nhu cầu ứng dụng AI trong kiểm toán nội bộ tại Việt Nam

Dựa trên tổng hợp tài liệu, số liệu mô tả từ các khảo sát ngành và trao đổi chuyên gia, có thể thấy hoạt động kiểm toán nội bộ (KTNB) tại Việt Nam đang trong giai đoạn củng cố nền tảng và chuẩn hóa phương pháp; phạm vi công việc ở nhiều doanh nghiệp vẫn thiên về kiểm tra tuân thủ và quy trình thủ công, trong khi năng lực phân tích dữ liệu chuyên sâu và hệ thống công nghệ hỗ trợ còn hạn chế. Nhu cầu hiện đại hóa KTNB bằng công nghệ, đặc biệt là trí tuệ nhân tạo (AI), trở nên cấp bách nhằm nâng cao mức bao phủ kiểm thử, chất lượng phát hiện và tính kịp thời của tư vấn kiểm toán. Xu hướng này phù hợp với bức tranh quốc tế khi các tổ chức nghề nghiệp và cơ quan giám sát đều khuyến nghị KTNB tận dụng AI để chuyển đổi từ cách tiếp cận dựa trên thử mẫu sang kiểm tra liên tục trên toàn bộ dân số dữ liệu, đồng thời tăng cường vai trò tư vấn chiến lược cho quản trị rủi ro và điều hành doanh nghiệp (IIA, 2024; FRC, 2025; IFIAR, 2025). Những khảo sát ngành gần đây cho thấy mức độ áp dụng AI trong KTNB đang tăng, tập trung vào phân tích dữ liệu, hỗ trợ soạn thảo và tổng hợp tài liệu, và tự động hóa các thủ tục lặp lại—các bằng chứng này cung cấp cơ sở tham chiếu hữu ích cho lộ trình ứng dụng tại bối cảnh Việt Nam (Internal Audit Foundation & TeamMate, 2024; Gu et al., 2024; Leocádio et al., 2024).

3.1.2. Lợi ích và thách thức khi tích hợp AI vào hoạt động kiểm toán nội bộ

Trên cơ sở tổng quan có hệ thống các nghiên cứu học thuật và các số liệu mô tả từ báo cáo khảo sát ngành về ứng dụng AI trong KTNB, có thể nhận diện một số lợi ích và thách thức nổi bật. Tích hợp AI hứa hẹn mang lại cải thiện đáng kể về hiệu quả KTNB, các mô hình học máy, xử lý ngôn ngữ tự nhiên và tự động hóa quy trình bằng robot có thể giảm tải các tác vụ thu thập, đối chiếu, trích xuất và chuẩn hóa dữ liệu; đồng thời mở rộng phạm vi kiểm tra từ mẫu chọn sang toàn bộ dân số, tăng cường khả năng phát hiện bất thường và gian lận, rút ngắn thời gian chu kỳ và hỗ trợ giải thích phát hiện theo hướng “đồng phi công” giữa con người và hệ thống (Gu et al., 2024; Naqvi, 2020; Leocádio et al., 2024). Các trợ lý tạo sinh có thể hỗ trợ lập giấy tờ làm việc, tóm tắt bằng chứng và gợi ý thủ tục kiểm toán theo rủi ro, góp phần chuẩn hóa phương pháp và giảm phụ thuộc vào xét đoán cá nhân ở các bước lặp lại, qua đó giúp kiểm toán viên tập trung vào phân tích chuyên sâu và tư duy phản biện (Kokina et al., 2025; Internal Audit Foundation & TeamMate, 2024).

Chất lượng và quản trị dữ liệu là điều kiện tiên quyết do AI yêu cầu dữ liệu đầy đủ, sạch và có khả năng truy vết; sự phân tán và thiên lệch dữ liệu có thể làm suy giảm độ tin cậy của kết luận (NIST, 2023; ISACA, 2024). Năng lực hạ tầng và chi phí đầu tư—từ kho dữ liệu, năng lực tính toán đến cơ chế bảo mật—là rào cản phổ biến, đặc biệt với doanh nghiệp quy mô vừa và nhỏ (FRC, 2025; UK FRC, 2025). Năng lực con người đòi hỏi chương trình phát triển kỹ năng kết hợp kế toán–kiểm toán, phân tích dữ liệu và hiểu biết về mô hình; thiếu chuẩn bị có thể dẫn tới lạm dụng công cụ hoặc giảm mức hoài nghi nghề nghiệp (IIA, 2024; Kour & Schutte, 2025). Khía cạnh mô hình nêu bật yêu cầu về khả năng giải thích, kiểm soát thiên lệch, giám sát drift và quản lý vòng đời, vì nhiều thuật toán hiện đại vận hành như “hộp đen” và có rủi ro đạo đức–pháp lý nếu không có kiểm soát phù hợp (NIST, 2023; Marcella, 2025). Khung quản trị rủi ro AI cấp tổ chức vì vậy cần thiết lập chính sách và kiểm soát về dữ liệu, an ninh bảo mật, quyền truy cập, logging, kiểm định mô hình và cơ chế human-in-the-loop; các hướng dẫn từ FRC/UK FRC, IIA và thư viện kiểm soát của ISACA cung cấp chỉ dẫn thực hành để phê duyệt, vận hành và giám sát công cụ AI dùng trong kiểm toán, bảo đảm minh bạch, công bằng và khả năng giải trình (FRC, 2025; UK FRC, 2025; IIA, 2024; ISACA, 2024).

3.1.3. Kinh nghiệm quốc tế về ứng dụng AI trong kiểm toán nội bộ

Kinh nghiệm quốc tế cho thấy AI được định vị như “cộng sự số” nhằm khuếch đại năng lực của kiểm toán viên, chứ không thay thế vai trò chuyên môn; cách tiếp cận đồng phi công được ghi nhận giúp cải thiện năng suất, tính kịp thời và độ mạnh của bằng chứng (Gu et al., 2024; Kokina et al., 2025). Các tổ chức tiên phong triển khai AI theo lộ trình từng bước: thí điểm ở các quy trình có dữ liệu sẵn sàng và giá trị rõ ràng, sau đó mở rộng sang kiểm thử liên tục, khai phá quy trình và trợ lý tạo sinh cho lập kế hoạch, thực hiện và báo cáo kiểm toán—đi kèm các chỉ số theo dõi về bao phủ, độ chính xác phát hiện và thời gian chu kỳ (Internal Audit Foundation & TeamMate, 2024; Leocádio et al., 2024). Vai trò kép của KTNB vừa là người dùng AI để nâng cao hiệu quả, vừa là người kiểm toán AI nhằm đánh giá hệ thống AI của tổ chức được nhấn mạnh trong khung hướng dẫn cập nhật của IIA, trong đó yêu cầu trọng tâm bao gồm quản trị dữ liệu, bảo mật, quyền truy cập, kiểm soát vòng đời mô hình và tính minh bạch/giải thích của thuật toán (IIA, 2024; Marcella, 2025).

Tổ chức đội ngũ theo hướng liên ngành được xem là thông lệ giúp KTNB theo kịp tốc độ tiến hóa của công nghệ, đánh giá rủi ro trên cả chiều kỹ thuật, pháp lý và đạo đức (Kour & Schutte, 2025; ISACA, 2024). Hệ sinh thái chuẩn mực và giám sát tiếp tục hoàn thiện: IFIAR ghi nhận các rủi ro mới phát sinh khi công nghệ được dùng trong kiểm toán và khuyến nghị điều chỉnh phương pháp; FRC/UK FRC ban hành hướng dẫn về sử dụng AI trong hoạt động kiểm toán, nhấn mạnh yêu cầu tài liệu hóa, phê duyệt, thử nghiệm và giám sát công cụ; các thư viện kiểm soát của ISACA hỗ trợ thiết kế đánh giá độc lập và kiểm soát vận hành (IF IAR, 2025; FRC, 2025; UK FRC, 2025; ISACA, 2024). Những bài học này gợi mở cho bối cảnh Việt Nam một lộ trình kết hợp công nghệ–quản trị: lựa chọn use case ưu tiên, xây dựng năng lực dữ liệu và con người, thiết lập khung quản trị rủi ro AI theo NIST AI RMF cùng các chuẩn mực nghề nghiệp, và tăng cường học hỏi thực tiễn quốc tế để rút ngắn khoảng cách triển khai (NIST, 2023; IIA, 2024; COSO, 2024).

3.2. Thảo luận

Kết quả cho thấy tiềm năng AI phù hợp với nhu cầu nâng cao hiệu quả KTNB tại Việt Nam, nơi nhiều đơn vị còn thiếu nguồn lực và vẫn dựa vào kiểm mẫu. Việc mở rộng bao phủ lên toàn bộ dữ liệu, giám sát liên tục và cảnh báo sớm giúp KTNB chuyển từ phản ứng sang chủ động, đồng thời nâng chất lượng bằng chứng và giá trị tư vấn cho quản trị rủi ro trong môi trường kinh doanh biến động (Gu et al., 2024; Internal Audit Foundation & TeamMate, 2024; Wassie & Lakatos, 2024; IIA, 2024).

Triển khai AI trong doanh nghiệp Việt Nam dự kiến đối mặt thách thức tương tự quốc tế nhưng chịu tác động mạnh hơn bởi hạn chế hạ tầng và năng lực, đặc biệt là dữ liệu phân mảnh, thiếu chuẩn hóa, khó truy vết và chi phí đầu tư kho dữ liệu, năng lực tính toán, bảo mật đối với doanh nghiệp vừa và nhỏ (NIST, 2023; FRC, 2025; UK FRC, 2025). Khía cạnh nhân lực đòi hỏi đội ngũ KTNB có kỹ năng lai về kiểm toán, phân tích dữ liệu và hiểu biết mô hình, bao gồm diễn giải, giám sát drift và vận hành kiểm soát vòng đời, trong khi bằng chứng cho thấy còn khoảng trống lớn và cần lộ trình phát triển năng lực có hệ thống (Kokina et al., 2025; Kour & Schutte, 2025; IIA, 2024). Khung kiểm soát và quản trị công nghệ giữ vai trò điều kiện tiên quyết, với thư viện kiểm soát AI của ISACA và các hướng dẫn nghề nghiệp nhấn mạnh quản trị dữ liệu, quyền truy cập, bảo mật, đánh giá thiên lệch và cơ chế human-in-the-loop nhằm bảo đảm độ tin cậy và khả năng giải trình của kết luận kiểm toán (ISACA, 2024; IIA, 2024; Marcella, 2025).

Văn hóa tổ chức và nhận thức về rủi ro–lợi ích của AI quyết định tốc độ chấp nhận, trong đó mô hình “đồng phi công” được các nghiên cứu và khảo sát ngành chứng minh có thể tăng năng suất mà vẫn giữ vai trò xét đoán nghề nghiệp của kiểm toán viên, với điều kiện có lãnh đạo định hướng thay đổi, truyền thông rõ AI là công cụ hỗ trợ chứ không thay thế và tận dụng các dự án thí điểm thành công để tạo niềm tin, chuẩn hóa quy trình (Gu et al., 2024; Internal Audit Foundation & TeamMate, 2024; Wassie & Lakatos, 2024).

Môi trường pháp lý và định chế hỗ trợ giữ vai trò kiến tạo khi các khung và hướng dẫn như NIST AI RMF, IIA AI Auditing Framework, FRC/UK FRC và quan sát giám sát từ IFIAR cung cấp nền tảng để thiết kế chính sách, quy trình phê duyệt, thử nghiệm và giám sát công cụ AI dùng trong kiểm toán, qua đó giảm rủi ro mô hình và bảo đảm tuân thủ (NIST, 2023; IIA, 2024; FRC, 2025; UK FRC, 2025; IFIAR, 2025). Tham chiếu và nội địa hóa các chuẩn mực này vừa tạo niềm tin cho doanh nghiệp trong quyết định đầu tư vừa hỗ trợ cơ quan quản lý và hiệp hội nghề nghiệp ban hành hướng dẫn phù hợp với đặc thù thị trường.

Những phân tích trên cho thấy ứng dụng AI trong KTNB tại Việt Nam là khả thi và có ý nghĩa nâng cao hiệu quả nếu được triển khai theo lộ trình có kiểm soát, dựa trên nền tảng dữ liệu–hạ tầng vững, chương trình phát triển năng lực nhất quán và khung quản trị rủi ro–đạo đức phù hợp chuẩn mực quốc tế, đồng thời tạo cơ sở cho phần tiếp theo đề xuất giải pháp hiện thực hóa tiềm năng này (NIST, 2023; IIA, 2024; ISACA, 2024; FRC, 2025; UK FRC, 2025).

 4. Kết luận và khuyến nghị giải pháp

4.1. Kết luận

Nghiên cứu khẳng định trí tuệ nhân tạo giữ vai trò công cụ chiến lược giúp kiểm toán nội bộ gia tăng đồng thời hiệu suất và chất lượng trong bối cảnh dữ liệu lớn và số hóa mạnh mẽ. Năng lực mở rộng phạm vi kiểm tra lên toàn bộ dân số dữ liệu, phát hiện sớm dấu hiệu gian lận và bất thường, tự động hóa chuỗi thủ tục lặp lại, cũng như cung cấp phân tích dự báo tạo điều kiện để kiểm toán nội bộ chuyển dịch từ phương thức phản ứng sang chủ động, nâng cao giá trị tư vấn và năng lực hỗ trợ ra quyết định. Kết quả cũng cho thấy AI không thay thế kiểm toán viên mà đóng vai trò “đồng phi công”, khuếch đại năng lực chuyên môn, giúp tập trung nguồn lực vào các nhiệm vụ đòi hỏi phán đoán nghề nghiệp và tư duy phân tích cấp cao. Để hiện thực hóa lợi ích, tổ chức cần vượt qua các rào cản về dữ liệu, hạ tầng công nghệ, năng lực nhân sự và quản trị rủi ro, đồng thời thiết kế khung quản trị phù hợp đi kèm chuẩn hóa quy trình và hồ sơ. Đối với Việt Nam, nơi chức năng kiểm toán nội bộ đang tiếp tục hoàn thiện, tiến trình ứng dụng AI đòi hỏi nỗ lực cộng hưởng giữa doanh nghiệp, hiệp hội nghề nghiệp và cơ quan quản lý nhằm kiến tạo môi trường thuận lợi về nhận thức, kỹ thuật và thể chế.

4.2. Khuyến nghị giải pháp

Xây dựng chiến lược và lộ trình chuyển đổi số cho kiểm toán nội bộ

Doanh nghiệp cần xác định tầm nhìn tích hợp công nghệ vào chức năng kiểm toán nội bộ như một cấu phần của chiến lược chuyển đổi số toàn tổ chức, kèm lộ trình theo giai đoạn với mục tiêu, phạm vi và chỉ số kết quả then chốt. Giai đoạn khởi đầu nên tập trung các dự án thí điểm quy mô nhỏ ở quy trình dữ liệu đã sẵn sàng—chẳng hạn phân tích dữ liệu và RPA để tự động hóa khâu trích xuất, đối chiếu và lập giấy tờ làm việc—sau đó mở rộng dần sang các ứng dụng học máy phát hiện bất thường, kiểm thử liên tục và NLP phục vụ đọc hiểu tài liệu. Mỗi bước cần cơ chế đánh giá hiệu quả, quản trị thay đổi, phân bổ ngân sách và chuẩn hóa bài học kinh nghiệm trước khi nhân rộng.

Đầu tư phát triển hạ tầng dữ liệu và công nghệ

Nền tảng dữ liệu cần được ưu tiên thông qua việc thiết lập kho dữ liệu tập trung cho kiểm toán, tích hợp nguồn dữ liệu liên phòng ban với quy trình thu thập–làm sạch–chuẩn hóa, danh mục dữ liệu và cơ chế quản lý siêu dữ liệu, truy vết nguồn gốc. Lựa chọn và triển khai các công cụ phân tích/AI thân thiện với người dùng giúp kiểm toán viên khai thác dữ liệu ở chế độ tự phục vụ, đồng thời kiến trúc an toàn thông tin phải bảo đảm phân quyền truy cập, mã hóa, giám sát truy cập và phòng ngừa rò rỉ. Bối cảnh triển khai nên cân nhắc hạ tầng tại chỗ, đám mây hoặc mô hình kết hợp, cùng năng lực vận hành MLOps như kho mô hình, quản lý phiên bản và giám sát hiệu năng để bảo đảm tính bền vững.

Nâng cao năng lực và kỹ năng cho kiểm toán viên nội bộ

Tổ chức cần đánh giá khoảng cách năng lực giữa yêu cầu công việc mới và hiện trạng đội ngũ, từ đó xây dựng khung năng lực lai kết hợp kế toán–kiểm toán, phân tích dữ liệu và hiểu biết mô hình. Chương trình phát triển nên bao gồm đào tạo nền tảng về thống kê–khoa học dữ liệu, sử dụng công cụ phân tích, nguyên lý vận hành của thuật toán AI, tư duy dữ liệu và kỹ năng diễn giải kết quả. Song hành với đào tạo, có thể tuyển dụng bổ sung chuyên gia dữ liệu và CNTT vào bộ phận kiểm toán, thiết lập mô hình “Trung tâm xuất sắc” để hỗ trợ các nhóm kiểm toán xử lý bài toán dữ liệu phức tạp, chuyển giao phương pháp và chuẩn hóa thực hành.

Thiết lập khung quản trị rủi ro và chính sách về AI

Trước khi đưa AI vào vận hành, doanh nghiệp cần ban hành chính sách và quy trình điều chỉnh các khâu quản trị dữ liệu, phê duyệt–thử nghiệm–kiểm định công cụ, giám sát hiệu năng và kiểm soát thiên lệch, cùng cơ chế human-in-the-loop và trách nhiệm giải trình rõ ràng. Hệ thống chỉ số theo dõi nên phản ánh đóng góp của AI đối với kiểm toán (mức bao phủ, tỷ lệ phát hiện sai lệch, thời gian chu kỳ, chất lượng bằng chứng) và được rà soát định kỳ. Hồ sơ tài liệu phải mô tả mục đích, phạm vi, nguyên lý hoạt động, kết quả thử nghiệm và biện pháp giảm thiểu rủi ro, bảo đảm khả năng giải thích và kiểm tra độc lập khi cần.

Học hỏi và hợp tác với các đơn vị tiên phong

Doanh nghiệp có thể tăng tốc thông qua hợp tác với nhà cung cấp công nghệ, trường đại học, hiệp hội nghề nghiệp và các đối tác đã triển khai thành công. Cơ chế học hỏi bao gồm tham gia diễn đàn chuyên môn, trao đổi chuyên gia, đồng phát triển giải pháp và triển khai thử nghiệm trong môi trường sandbox nhằm đánh giá phù hợp trước khi mở rộng. Mạng lưới cộng đồng thực hành nội bộ giúp lan tỏa tri thức, chuẩn hóa quy trình và duy trì kỷ luật thực thi theo thời gian.

Hoàn thiện hướng dẫn và khung pháp lý từ cơ quan quản lý

Ở cấp hệ thống, cần sớm cập nhật chuẩn mực và hướng dẫn nghiệp vụ kiểm toán nội bộ trong bối cảnh số, xác lập yêu cầu tối thiểu khi sử dụng công cụ phân tích và AI như lưu vết kiểm tra, chuẩn bảo mật dữ liệu và nguyên tắc sử dụng có trách nhiệm. Chính sách khuyến khích—ví dụ ưu đãi thuế cho đầu tư hạ tầng phục vụ kiểm toán, hỗ trợ một phần kinh phí đào tạo—giúp giảm chi phí chuyển đổi và khuyến khích doanh nghiệp mạnh dạn áp dụng. Hoạt động giám sát chất lượng có thể tích hợp tiêu chí chuyển đổi số của chức năng kiểm toán nội bộ để tạo động lực cải thiện liên tục.

Phác thảo giải pháp trên cung cấp lộ trình khả thi để hiện thực hóa tiềm năng của AI trong kiểm toán nội bộ tại Việt Nam, đồng thời duy trì nguyên tắc an toàn, minh bạch và trách nhiệm trong mọi giai đoạn từ thí điểm đến vận hành ở quy mô toàn tổ chức.