Applying artificial intelligence to detect indicators of accounting fraud
ThS. Cao Thị Huyền Nga
Trường Đại học Lao động – Xã hội
ThS. Đặng Thị Kim Anh
Trường Đại học Công nghệ Giao thông vận tải
TS. Đồng Thị Ngọc Lan
Học viện Tài chính
Email: ngacth@ulsa.edu.vn
(Quanlynhanuoc.vn) – Trí tuệ nhân tạo (AI) mở ra khả năng hỗ trợ nhận diện dấu hiệu gian lận trong dữ liệu kế toán. Tuy nhiên, giá trị của cảnh báo phụ thuộc vào chất lượng dữ liệu, khả năng kiểm chứng và trách nhiệm xử lý. Trên cơ sở phân tích, tổng hợp tài liệu nghiên cứu, chuẩn mực nghề nghiệp và quy định pháp luật Việt Nam, bài viết đề xuất khung ứng dụng AI gồm các bước: xác định mục tiêu và phạm vi; chuẩn bị dữ liệu; phân tích và tạo cảnh báo; giải thích và ưu tiên kiểm tra; kiểm chứng và xử lý theo thẩm quyền; phản hồi và giám sát. Khung liên kết dấu hiệu kế toán với dữ liệu, phương pháp phân tích và thủ tục kiểm chứng; đồng thời, xác định các điều kiện triển khai về thể chế, dữ liệu, công nghệ, nhân lực và tổ chức. Bài viết nhấn mạnh vai trò của con người trong đánh giá bằng chứng, làm rõ hàm ý đối với quản lý nhà nước nhằm nâng cao tính minh bạch, trách nhiệm giải trình và chất lượng giám sát tài chính.
Từ khóa: Trí tuệ nhân tạo; gian lận kế toán; phát hiện bất thường; kiểm soát nội bộ; quản trị dữ liệu; giám sát tài chính.
Abstract: Artificial intelligence (AI) offers opportunities to identify indicators of fraud in accounting data. However, the usefulness of its alerts depends on data quality, verification procedures, and accountability for subsequent action. Drawing on an analysis and synthesis of research literature, professional standards, and Vietnamese legislation, this article proposes a six-stage AI application framework: defining objectives and scope; preparing data; analyzing data and generating alerts; explaining alerts and prioritizing reviews; verifying alerts and taking action within assigned authority; and providing feedback and monitoring. The framework links accounting indicators to data, analytical methods, and verification procedures, while identifying institutional, data, technological, human resource, and organizational conditions for implementation. The article emphasizes the role of human judgment in evaluating evidence and discusses implications for state management to improve transparency, accountability, and the quality of financial supervision.
Keywords: Artificial intelligence; accounting fraud; anomaly detection; internal control; data governance; financial supervision.
1. Đặt vấn đề
Thông tin kế toán là căn cứ quan trọng cho việc đánh giá hoạt động doanh nghiệp, phân bổ nguồn lực và giám sát tài chính. Khi thông tin bị cố ý làm sai lệch, các quyết định có thể dựa trên nhận thức không chính xác về tài sản, nghĩa vụ và kết quả kinh doanh. Vì vậy, phát hiện dấu hiệu gian lận kế toán có ý nghĩa đối với quản trị doanh nghiệp và quản lý nhà nước, nhất là trong việc bảo đảm tính minh bạch, trách nhiệm giải trình và độ tin cậy của thông tin tài chính.
Số hóa hoạt động kế toán mở rộng khả năng khai thác dữ liệu từ chứng từ, giao dịch và bút toán đến báo cáo tài chính. Tuy nhiên, khối lượng dữ liệu lớn và sự phức tạp của nghiệp vụ đặt ra yêu cầu bổ sung phương pháp phân tích bên cạnh các quy tắc kiểm tra và thủ tục chọn mẫu. Schreyer & cộng sự (2017) đề xuất sử dụng mạng tự mã hóa để nhận diện bất thường trong dữ liệu kế toán; Bao & cộng sự (2020) nghiên cứu ứng dụng học máy trong dự báo gian lận ở cấp doanh nghiệp. Fedyk & cộng sự (2022) ghi nhận mối liên hệ giữa đầu tư vào AI với chất lượng và hiệu quả kiểm toán tại Hoa Kỳ. Những nghiên cứu này gợi mở triển vọng ứng dụng AI; đồng thời, đặt ra yêu cầu xem xét điều kiện vận dụng trong từng môi trường cụ thể.
Một vấn đề cần làm rõ là sự khác biệt giữa phát hiện bất thường và xác định gian lận. Giao dịch bất thường có thể xuất phát từ mùa vụ, thay đổi điều kiện kinh doanh, sai sót hoặc nghiệp vụ hợp lệ (do bất cẩn). Do đó, cảnh báo của AI chỉ là căn cứ lựa chọn đối tượng kiểm tra; việc xác định gian lận cần dựa trên bằng chứng, bản chất nghiệp vụ và yếu tố cố ý. Vì vậy, giá trị ứng dụng phụ thuộc vào cách kết nối kết quả phân tích với thủ tục kiểm chứng, khả năng truy vết, nguồn lực thẩm định và trách nhiệm xử lý của cơ quan có thẩm quyền.
Trên cơ sở phân tích, tổng hợp tài liệu nghiên cứu và quy định của pháp luật, bài viết đề xuất khung ứng dụng AI trong phát hiện dấu hiệu gian lận kế toán. Nội dung tập trung vào quy trình ứng dụng có cơ chế phản hồi; ma trận liên kết dấu hiệu với dữ liệu và thủ tục kiểm chứng; tiêu chí đánh giá và điều kiện triển khai. Từ đó, bài viết đề xuất hàm ý đối với quản lý nhà nước, hướng tới tổ chức ứng dụng AI phù hợp với năng lực doanh nghiệp và yêu cầu giám sát tài chính tại Việt Nam.
2. Cơ sở lý luận về phát hiện dấu hiệu gian lận kế toán bằng AI
2.1. Gian lận kế toán, nhầm lẫn và bất thường trong dữ liệu
Chuẩn mực Kiểm toán Việt Nam số 240 của Bộ Tài chính (2012) xác định tính cố ý là căn cứ để phân biệt gian lận với nhầm lẫn. Theo đó, sai sót trong báo cáo tài chính có thể xuất phát từ hành vi gian lận hoặc từ nhầm lẫn trong quá trình xử lý thông tin. Việc phát hiện một khoản mục ghi nhận không đúng là chưa đủ để xác định nguyên nhân thuộc trường hợp nào.
Trong phạm vi bài viết, gian lận kế toán được xem xét ở các hành vi cố ý làm sai lệch việc ghi nhận, đo lường hoặc trình bày thông tin kế toán, bao gồm: việc sử dụng chứng từ và bút toán để che giấu hành vi chiếm đoạt tài sản. Cách tiếp cận này tập trung vào những dấu vết có thể kiểm tra trong dữ liệu và hồ sơ nghiệp vụ.
Bất thường trong dữ liệu là khái niệm khác với gian lận. Một giao dịch có thể khác biệt về giá trị, thời điểm, tài khoản đối ứng hoặc người thực hiện nhưng vẫn có căn cứ kinh tế hợp lý. Chẳng hạn, doanh thu tăng mạnh vào cuối kỳ có thể liên quan đến việc hoàn thành hợp đồng lớn; sự thay đổi của khoản dự phòng có thể xuất phát từ thông tin mới về khả năng thu hồi nợ. Ngược lại, hành vi gian lận được thực hiện nhiều lần theo cùng một cách có thể tạo thành mẫu dữ liệu phổ biến và ít nổi bật về mặt thống kê. Bởi vậy, tính hiếm gặp của giao dịch và mức độ đáng ngờ về nghiệp vụ cần được đánh giá riêng.
Từ sự phân biệt trên, bài viết sử dụng khái niệm dấu hiệu gian lận kế toán để chỉ những đặc điểm hoặc mối quan hệ trong dữ liệu, khi được đặt vào hoàn cảnh nghiệp vụ cụ thể, tạo cơ sở cho việc xem xét khả năng có hành vi cố ý làm sai lệch thông tin. Kết quả phân tích của AI thuộc giai đoạn nhận diện và lựa chọn đối tượng cần kiểm tra. Việc xác định gian lận đòi hỏi phải đối chiếu từ chứng từ, điều kiện ghi nhận, quá trình phê duyệt và các bằng chứng có liên quan.
2.2. Tiếp cận từ quan hệ đại diện, rủi ro gian lận và kiểm soát nội bộ
Theo lý thuyết đại diện của Jensen & Meckling (1976), khi chủ sở hữu giao quyền quản lý cho người khác, lợi ích của hai bên có thể không hoàn toàn thống nhất. Vì vậy, chủ sở hữu cần giám sát việc sử dụng nguồn lực và thực hiện trách nhiệm của người quản lý. Chi phí cho hoạt động này là một bộ phận của chi phí đại diện. Từ cách tiếp cận đó, bài viết xem AI là công cụ hỗ trợ giảm sự chênh lệch thông tin giữa các bên thông qua phân tích dữ liệu giao dịch và xác định những vấn đề cần kiểm tra. Giá trị của AI phụ thuộc vào việc các cảnh báo có giúp người kiểm tra làm rõ vấn đề và đưa ra quyết định phù hợp hay không.
Tiếp cận dựa trên rủi ro gian lận giúp xác định những nội dung cần ưu tiên phân tích. Ba nhóm yếu tố thường được xem xét là động cơ hoặc áp lực thúc đẩy hành vi gian lận; cơ hội thực hiện hành vi và những lý do được đưa ra để biện minh cho hành vi đó. Chuẩn mực Kiểm toán Việt Nam số 240 cũng đề cập các nhóm yếu tố này; đồng thời lưu ý rằng, có yếu tố rủi ro không đồng nghĩa với việc gian lận đã xảy ra. Chẳng hạn, áp lực đạt chỉ tiêu lợi nhuận hoặc khó khăn tài chính có thể là thông tin cần xem xét khi đánh giá rủi ro, nhưng chưa đủ để kết luận người quản lý có ý định gian lận.
Kiểm soát nội bộ giúp phòng ngừa, phát hiện và xử lý rủi ro trong hoạt động của doanh nghiệp. Theo hướng dẫn của COSO & ACFE (2023), đánh giá rủi ro gian lận cần gắn với các biện pháp kiểm soát, điều tra, khắc phục và giám sát thường xuyên. Trong kế toán, phân quyền, phê duyệt, đối chiếu số liệu và ghi lại lịch sử thao tác vừa giúp hạn chế cơ hội vi phạm, vừa cung cấp căn cứ để kiểm tra các cảnh báo. Chẳng hạn, khi một bút toán điều chỉnh bị cảnh báo, người kiểm tra cần xác định ai thực hiện, người đó có đúng thẩm quyền hay không và hồ sơ giải trình có đầy đủ, hợp lý hay không. Những thông tin này giúp làm rõ nguyên nhân của bút toán bất thường. Vì vậy, mô hình AI cần phân tích dữ liệu kế toán cùng với thông tin về phân quyền, phê duyệt và lịch sử thao tác có liên quan.
2.3. Vai trò và giới hạn của các nhóm phương pháp AI
Việc lựa chọn phương pháp AI cần căn cứ vào mục tiêu và đối tượng phân tích. Mô hình đánh giá rủi ro gian lận của doanh nghiệp theo kỳ báo cáo sử dụng dữ liệu khác với mô hình phát hiện bút toán bất thường trong sổ kế toán. Vì vậy, kết quả cảnh báo ở cấp doanh nghiệp cần được phân tích tiếp để xác định những nghiệp vụ cần kiểm tra, không thể trực tiếp dùng làm căn cứ điều chỉnh một giao dịch cụ thể.
Học máy có giám sát sử dụng dữ liệu đã được phân loại, gọi là dữ liệu có nhãn, để học cách nhận diện hoặc dự báo các trường hợp tương tự. Bao & cộng sự (2020) nghiên cứu việc kết hợp kiến thức kế toán với học máy trong phát hiện gian lận tại các doanh nghiệp niêm yết ở Hoa Kỳ. Điều kiện quan trọng khi áp dụng phương pháp này là nhãn dữ liệu phải đáng tin cậy và phù hợp với mục tiêu phân tích. Chẳng hạn, việc doanh nghiệp điều chỉnh báo cáo tài chính hoặc nhận ý kiến kiểm toán sửa đổi chưa đủ để gắn nhãn gian lận, vì những trường hợp này có thể liên quan đến sai sót hoặc các nguyên nhân khác.
Học máy không giám sát tìm kiếm các đặc điểm và trường hợp khác biệt trong dữ liệu mà không cần có sẵn nhãn gian lận. Schreyer & cộng sự (2019) nghiên cứu sử dụng mạng tự mã hóa đối kháng để phát hiện bất thường trong dữ liệu bút toán. Phương pháp này có thể hỗ trợ lựa chọn giao dịch cần rà soát khi dữ liệu về các trường hợp gian lận đã được xác minh còn ít. Tuy nhiên, điểm bất thường chỉ thể hiện mức độ khác biệt của giao dịch theo cách phân tích của mô hình, không tự động cho biết khả năng giao dịch đó là gian lận. Việc diễn giải điểm số cần dựa trên mục tiêu sử dụng và kết quả kiểm định mô hình.
Xử lý ngôn ngữ tự nhiên có thể hỗ trợ trích xuất thông tin từ diễn giải bút toán, hợp đồng và thuyết minh báo cáo tài chính để đối chiếu với số liệu kế toán. Ví dụ, khi kiểm tra thời điểm ghi nhận doanh thu, người sử dụng có thể đối chiếu ngày hạch toán với điều khoản giao hàng và hồ sơ nghiệm thu. AI tạo sinh có thể hỗ trợ tổng hợp tài liệu, nhưng nội dung tạo ra phải được kiểm tra với nguồn gốc. Trong tài liệu hướng dẫn về quản trị rủi ro AI tạo sinh do Viện Tiêu chuẩn và Công nghệ Quốc gia Hoa Kỳ (NIST) công bố năm 2023, Autio & cộng sự (2024) lưu ý rằng, AI tạo sinh có thể đưa ra thông tin sai nhưng diễn đạt như một thông tin chắc chắn. Vì vậy, người sử dụng cần kiểm chứng kết quả trước khi đưa vào công việc chuyên môn.
Các phương pháp giải thích mô hình giúp người sử dụng hiểu vì sao một trường hợp được cảnh báo. Zhang & cộng sự (2022) nghiên cứu việc sử dụng LIME và SHAP trong kiểm toán để làm rõ những đặc điểm ảnh hưởng đến kết quả phân tích. Tuy nhiên, một đặc điểm có ảnh hưởng lớn đến dự báo chưa chứng minh rằng đặc điểm đó là nguyên nhân gây ra gian lận hoặc thể hiện ý định gian lận. Người kiểm tra vẫn cần đối chiếu với hồ sơ và xem xét bản chất nghiệp vụ.
Việc đánh giá các phương pháp AI cần có sự so sánh với những công cụ hiện có, như kiểm tra theo quy tắc và phân tích tỷ số. Một mô hình phức tạp chỉ có giá trị ứng dụng khi mang lại lợi ích có thể kiểm chứng, chẳng hạn nâng cao chất lượng cảnh báo hoặc sử dụng hiệu quả hơn nguồn lực kiểm tra.
2.4. Nguyên tắc hình thành khung ứng dụng
Thứ nhất, gắn cảnh báo với nội dung kế toán có thể kiểm tra. Mỗi cảnh báo cần chỉ rõ giao dịch hoặc khoản mục liên quan, dữ liệu được sử dụng, lý do cảnh báo và vấn đề cần xác minh. Nhờ đó, người kiểm tra có thể xác định hồ sơ cần đối chiếu và thủ tục cần thực hiện. Quá trình kiểm tra và căn cứ đưa ra quyết định cũng cần được lưu lại để phục vụ việc truy vết và giải trình.
Thứ hai, đánh giá hiệu quả theo mục tiêu sử dụng và khả năng kiểm tra của đơn vị. Khi gian lận chiếm tỷ lệ nhỏ, mô hình có thể đạt độ chính xác chung cao nhưng vẫn bỏ sót những trường hợp cần phát hiện. Vì vậy, việc đánh giá cần xem xét khả năng phát hiện và mức độ bỏ sót gian lận trên cơ sở dữ liệu đã được xác minh; tỷ lệ cảnh báo có căn cứ sau kiểm tra; thời gian và chi phí xử lý. Ngưỡng cảnh báo cần phù hợp với giá trị giao dịch, tính chất nghiệp vụ và nguồn lực rà soát của đơn vị.
Thứ ba, phân định trách nhiệm và quản lý rủi ro trong suốt quá trình ứng dụng. Khung quản trị rủi ro AI do NIST công bố nhấn mạnh các hoạt động quản trị, xác định bối cảnh, đo lường và xử lý rủi ro trong suốt vòng đời hệ thống (Tabassi, 2023). Vận dụng tài liệu tham chiếu tự nguyện này, bài viết đề xuất xác định rõ trách nhiệm của người cung cấp dữ liệu, người xây dựng và vận hành mô hình, người kiểm tra cảnh báo và người quyết định xử lý. Hệ thống cũng cần được rà soát, cập nhật khi chính sách kế toán hoặc đặc điểm giao dịch thay đổi. AI hỗ trợ lựa chọn và phân tích thông tin; kết luận chuyên môn cần dựa trên bằng chứng đã được kiểm tra và do người có thẩm quyền chịu trách nhiệm.
3. Phương pháp nghiên cứu
Bài viết sử dụng phương pháp nghiên cứu định tính, kết hợp tổng quan tài liệu với phân tích, so sánh và tổng hợp lý luận. Nguồn tài liệu gồm các nghiên cứu về phát hiện gian lận kế toán bằng AI, chuẩn mực kiểm toán và hướng dẫn quản trị rủi ro. Tài liệu được lựa chọn theo mức độ liên quan, tính xác thực của nguồn và khả năng làm rõ phương pháp, giới hạn ứng dụng.
Quá trình phân tích tập trung vào mối liên hệ giữa rủi ro gian lận, đặc điểm dữ liệu, phương pháp AI và yêu cầu xác minh. Trên cơ sở đó, bài viết xây dựng khung ứng dụng, xác định điều kiện triển khai và phân định trách nhiệm của các chủ thể tham gia.
4. Khung ứng dụng trí tuệ nhân tạo trong phát hiện dấu hiệu gian lận kế toán
4.1. Tổ chức quy trình ứng dụng
Bài viết đề xuất quy trình gồm sáu bước, kết nối việc phân tích dữ liệu với kiểm tra nghiệp vụ và quyết định xử lý. Ở mỗi bước, cần xác định rõ thông tin cần sử dụng, kết quả cần đạt được và người chịu trách nhiệm.
Bước 1. Xác định mục tiêu và phạm vi phân tích.
Đơn vị triển khai cần lựa chọn những nội dung kế toán có nguy cơ gian lận để tập trung phân tích, như: ghi nhận doanh thu không đúng kỳ, chi phí thiếu căn cứ, bút toán điều chỉnh cuối kỳ hoặc giao dịch với bên liên quan. Cần xác định rõ nhóm nghiệp vụ được xem xét, kỳ kế toán và cấp độ phân tích: từng bút toán hay toàn bộ doanh nghiệp. Việc phân tích từng bút toán để lựa chọn giao dịch cần kiểm tra đòi hỏi dữ liệu và phương pháp khác với việc đánh giá rủi ro chung của doanh nghiệp theo kỳ báo cáo. Đồng thời, cần phân công rõ người phụ trách dữ liệu, người vận hành mô hình, người kiểm tra cảnh báo và người phê duyệt biện pháp xử lý.
Bước 2. Chuẩn bị và kiểm tra dữ liệu.
Dữ liệu được tập hợp từ sổ kế toán, chứng từ, hợp đồng, hồ sơ phê duyệt và lịch sử thao tác có liên quan. Cần thống nhất cách ghi mã tài khoản, ngày giờ, đơn vị tiền tệ và mã nhận diện các đối tượng liên quan; đồng thời, kiểm tra dữ liệu có đầy đủ và khớp với hồ sơ gốc hay không. Những giao dịch có giá trị hoặc đặc điểm bất thường cần được giữ lại để xem xét, tránh loại bỏ như lỗi kỹ thuật khi chưa xác định rõ nguyên nhân. Dữ liệu sau xử lý phải đối chiếu với bản gốc và các thao tác xử lý cần được ghi lại. Nếu sử dụng học máy có giám sát, việc gắn nhãn “gian lận” phải dựa trên bằng chứng đã được xác minh; những trường hợp chưa được kiểm tra không được tự động xem là “không gian lận”.
Bước 3. Lựa chọn phương pháp và thực hiện phân tích.
Phương pháp phân tích cần phù hợp với mục tiêu, cách tổ chức dữ liệu và độ tin cậy của các nhãn “gian lận”, “không gian lận”. Học máy có giám sát có thể được sử dụng khi có dữ liệu đã được phân loại dựa trên kết quả xác minh. Học máy không giám sát có thể hỗ trợ tìm những giao dịch khác biệt cần kiểm tra. Với dữ liệu văn bản, có thể sử dụng AI để trích xuất thông tin và đối chiếu diễn giải bút toán với hợp đồng hoặc hồ sơ nghiệp vụ. Kết quả phân tích cần được so sánh với kết quả kiểm tra theo quy tắc để xác định lợi ích của việc sử dụng AI. Trước khi đưa vào sử dụng, mô hình phải được đánh giá trên dữ liệu riêng, chưa được dùng để xây dựng hoặc điều chỉnh mô hình. Việc chia dữ liệu cần xét đến trình tự thời gian, tránh sử dụng thông tin chỉ xuất hiện sau thời điểm cần đưa ra cảnh báo.
Bước 4. Giải thích cảnh báo và xác lập thứ tự kiểm tra.
Mỗi cảnh báo cần chỉ rõ giao dịch hoặc khoản mục liên quan, lý do đưa ra cảnh báo, nguồn dữ liệu và vấn đề cần xác minh. Việc ưu tiên kiểm tra cần căn cứ vào mức độ đáng ngờ, giá trị giao dịch, đặc điểm của khoản mục và thông tin về kiểm soát nội bộ. Một giao dịch có giá trị nhỏ vẫn cần được chú ý nếu có dấu hiệu sử dụng quyền truy cập không đúng thẩm quyền hoặc lặp lại những thao tác đáng ngờ. Điểm bất thường thể hiện mức độ khác biệt của giao dịch theo cách tính của mô hình, không nên được trình bày như xác suất gian lận khi chưa có cơ sở kiểm định. Kết quả của bước này là danh sách các trường hợp cần ưu tiên kiểm tra, kèm theo lý do và thông tin để đối chiếu.
Bước 5. Xác minh và quyết định xử lý theo thẩm quyền.
Người được giao nhiệm vụ cần đối chiếu chứng từ, kiểm tra giao dịch có đáp ứng điều kiện ghi nhận kế toán hay không, xác định thời điểm thực hiện nghiệp vụ và xem xét quá trình phê duyệt. Khi cần thiết, phải thu thập thêm thông tin xác nhận từ nguồn độc lập. Sau kiểm tra, cần phân biệt rõ giao dịch có căn cứ hợp lý, nhầm lẫn cần điều chỉnh, trường hợp còn nghi vấn và trường hợp có bằng chứng cần chuyển cho người có thẩm quyền xem xét, xử lý. Những hồ sơ chưa đủ thông tin phải được ghi nhận riêng để tiếp tục xác minh. Nếu nghi vấn liên quan đến người có quyền phê duyệt, việc xem xét cần được chuyển đến cấp giám sát có thẩm quyền. Cảnh báo của AI giúp xác định nội dung cần kiểm tra; kết luận chuyên môn phải dựa trên bằng chứng đã được xem xét và đánh giá, phù hợp với nguyên tắc xử lý rủi ro gian lận trong Chuẩn mực Kiểm toán Việt Nam.
Bước 6. Phản hồi kết quả và giám sát hệ thống.
Kết quả xác minh cần được ghi lại để đánh giá chất lượng cảnh báo, điều chỉnh quy tắc và cập nhật mô hình. Việc cập nhật phải dựa trên thông tin đã được kiểm chứng, tránh dùng những nhận định chưa có căn cứ để huấn luyện mô hình. Bên cạnh việc theo dõi số cảnh báo có căn cứ, thời gian xử lý và khối lượng công việc, đơn vị cần kiểm tra một mẫu giao dịch không được hệ thống cảnh báo để đánh giá khả năng bỏ sót. Khi chính sách kế toán, quy trình nghiệp vụ hoặc đặc điểm dữ liệu thay đổi, cần đánh giá lại mô hình và mức điểm dùng để phát cảnh báo. Việc theo dõi thường xuyên trong quá trình vận hành phù hợp với định hướng quản trị rủi ro AI của NIST.
4.2. Ma trận liên kết dấu hiệu với dữ liệu và kiểm chứng
Ma trận được xây dựng nhằm chuyển từng nhóm dấu hiệu thành nội dung phân tích và kiểm tra cụ thể. Việc lựa chọn dấu hiệu tham chiếu các rủi ro liên quan đến ghi nhận doanh thu, bút toán điều chỉnh, ước tính kế toán và bản chất kinh tế của giao dịch trong Chuẩn mực Kiểm toán Việt Nam số 240. Trên cơ sở đó, bài viết đề xuất liên kết bốn thành phần: dấu hiệu cần xem xét, dữ liệu cần sử dụng, hướng phân tích và nội dung kiểm chứng.
Ma trận giúp xác định, đối với từng nhóm dấu hiệu, cần sử dụng dữ liệu nào, phân tích ra sao và kiểm tra những nội dung gì. Việc lựa chọn dấu hiệu tham chiếu các rủi ro về ghi nhận doanh thu, bút toán điều chỉnh, ước tính kế toán và bản chất giao dịch trong Chuẩn mực Kiểm toán Việt Nam. Trên cơ sở đó, bài viết đề xuất liên kết bốn thành phần: dấu hiệu cần xem xét, dữ liệu cần sử dụng, hướng phân tích và nội dung kiểm chứng.
Bảng 1. Ma trận liên kết dấu hiệu, dữ liệu, phương pháp phân tích và kiểm chứng
| Nhóm dấu hiệu cần xem xét | Dữ liệu cần liên kết | Hướng phân tích đề xuất | Nội dung kiểm chứng |
| Doanh thu tập trung bất thường vào cuối kỳ; giao dịch sớm bị hủy hoặc điều chỉnh giảm | Sổ doanh thu, hóa đơn, hợp đồng, hồ sơ giao hàng hoặc nghiệm thu, công nợ và chứng từ điều chỉnh sau kỳ báo cáo. | Phát hiện bất thường theo thời gian và nhóm giao dịch tương đồng; trích xuất điều khoản hợp đồng để đối chiếu thời điểm ghi nhận. | Kiểm tra giao dịch có thực, điều kiện và kỳ ghi nhận doanh thu; làm rõ nguyên nhân hủy hoặc điều chỉnh. Xem xét yếu tố mùa vụ và hợp đồng lớn phát sinh hợp lý. |
| Chi phí hoặc thanh toán có nội dung trùng lặp; nhiều khoản chi được chia nhỏ gần ngưỡng phê duyệt | Chứng từ chi phí, đơn đặt hàng, hồ sơ nghiệm thu, thông tin nhà cung cấp, tài khoản nhận tiền và lịch sử phê duyệt. | Phân cụm, so khớp gần đúng tên đối tác và nội dung chứng từ; nhận diện chuỗi khoản chi tương đồng, kết hợp kiểm tra quy tắc phê duyệt. | Đối chiếu hàng hóa, dịch vụ thực nhận và nghĩa vụ thanh toán. Phân biệt thanh toán theo tiến độ với chi trùng; kiểm tra căn cứ chia nhỏ khoản chi và thẩm quyền phê duyệt. |
| Bút toán thủ công cuối kỳ có tài khoản đối ứng ít gặp, thiếu giải trình hoặc dấu vết phê duyệt không phù hợp | Sổ nhật ký, bút toán điều chỉnh, hồ sơ giải trình, thời điểm thao tác, người thực hiện và nhật ký truy cập. | Phát hiện tổ hợp thuộc tính khác biệt so với các bút toán tương đồng; đối chiếu quy tắc phân quyền và quy trình khóa sổ. | Kiểm tra căn cứ điều chỉnh, người lập và người duyệt; đối chiếu với chính sách kế toán. Làm rõ bút toán khóa sổ thông thường, thao tác tự động và điều chỉnh có dấu hiệu can thiệp. |
| Số dư tồn kho không nhất quán với vận động hàng hóa hoặc kết quả kiểm kê | Sổ kho, phiếu nhập – xuất, mã hàng, địa điểm lưu giữ, biên bản kiểm kê và thông tin hàng chậm luân chuyển. | Phân cụm mặt hàng theo đặc điểm vận động; phát hiện chênh lệch giữa số dư, lượng nhập – xuất và lịch sử luân chuyển. | Kiểm tra sự hiện hữu, quyền sở hữu và tình trạng hàng hóa; đối chiếu thời điểm cập nhật chứng từ. Xem xét hàng giữ hộ, hàng gửi bán và sai lệch do cập nhật dữ liệu. |
| Mức dự phòng phải thu thay đổi lớn hoặc thiếu nhất quán với đặc điểm khoản nợ | Tuổi nợ, lịch sử thanh toán, hồ sơ khách hàng, tài sản bảo đảm, chính sách dự phòng và các giả định ước tính. | Phân nhóm khoản nợ có đặc điểm tương đồng; phát hiện mức dự phòng khác biệt và sự thay đổi bất thường của giả định. | Đánh giá thông tin sẵn có tại thời điểm lập ước tính, khả năng thu hồi và căn cứ thay đổi giả định. Phân biệt điều chỉnh do thông tin mới với lựa chọn giả định thiếu cơ sở. |
| Giao dịch giữa các đối tác có liên hệ sở hữu, kiểm soát hoặc dấu vết định danh cần làm rõ | Hồ sơ đối tác, thông tin sở hữu và quản lý, mã định danh, tài khoản thanh toán, hợp đồng và thuyết minh bên liên quan. | Biểu diễn mạng lưới quan hệ; xem xét học máy trên dữ liệu đồ thị khi thông tin định danh đủ tin cậy để xác lập các liên kết. | Xác minh danh tính và quan hệ thực tế; kiểm tra mục đích kinh tế, điều kiện giao dịch, phê duyệt và trình bày thông tin. Sự trùng địa chỉ hoặc người liên hệ cần được đối chứng trước khi xác lập quan hệ. |
Các phương pháp trong ma trận là gợi ý để lựa chọn; việc áp dụng cần phù hợp với dữ liệu và mục tiêu của từng đơn vị. Khi sử dụng ma trận, đơn vị cần xác định sẽ so sánh những nhóm giao dịch nào, trong khoảng thời gian nào và dựa vào đâu để đặt ngưỡng cảnh báo. Chẳng hạn, doanh thu cuối kỳ cần được xem xét cùng đặc điểm mùa vụ và tiến độ thực hiện hợp đồng. Mức dự phòng phải được đánh giá dựa trên thông tin có tại thời điểm lập ước tính. Cách xem xét này giúp tránh suy đoán hành vi cố ý chỉ từ những khác biệt hợp lý hoặc những biến động xảy ra sau thời điểm ghi nhận.
Mỗi cảnh báo cần chỉ rõ giao dịch gốc để có thể đối chiếu. Hồ sơ kiểm tra phải ghi lại nội dung đã xác minh, tài liệu được sử dụng, kết quả xem xét và người chịu trách nhiệm. Những trường hợp thiếu dữ liệu cần được ghi nhận để bổ sung hồ sơ, tránh đưa ra kết luận chỉ dựa trên điểm số của mô hình.
4.3. Tình huống minh họa cơ chế vận hành
Để minh họa quy trình, bài viết xây dựng tình huống giả định tại doanh nghiệp A kinh doanh thiết bị. Đối với hai hợp đồng được xem xét, việc giao hàng và nghiệm thu là căn cứ xác định thời điểm ghi nhận doanh thu; các điều kiện khác được giả định đã đáp ứng. Đầu tháng 01 năm N+1, bộ phận kiểm soát rà soát doanh thu của năm N, tập trung vào những bút toán có giá trị lớn được ghi nhận sát ngày kết thúc kỳ kế toán.
Dữ liệu phân tích, gồm: sổ doanh thu, mã hợp đồng, hồ sơ giao hàng, biên bản nghiệm thu và lịch sử phê duyệt. Giả định mô hình cảnh báo hai bút toán G1 và G2 vì có giá trị lớn so với các giao dịch có đặc điểm tương tự và đều được nhập thủ công vào ngày 31/12 năm N. Mỗi cảnh báo nêu rõ lý do lựa chọn và chỉ ra hồ sơ gốc để kiểm tra. Công cụ xử lý ngôn ngữ tự nhiên hỗ trợ lấy thông tin về điều khoản hợp đồng và các mốc thời gian trong tài liệu. Sau đó, thời điểm ghi nhận doanh thu được đối chiếu với điều kiện hợp đồng theo các quy tắc nghiệp vụ đã xác định.
Với giao dịch G1, hồ sơ cho thấy, việc giao hàng và nghiệm thu hoàn thành ngày 05/01 năm N+1. Người kiểm tra đối chiếu biên bản nghiệm thu, chứng từ vận chuyển và xác nhận của bên mua, từ đó, xác định giao dịch chưa đủ điều kiện ghi nhận doanh thu vào ngày 31/12 năm N. Bộ phận có thẩm quyền xem xét điều chỉnh doanh thu sang đúng kỳ; đồng thời, kiểm tra lịch sử phê duyệt và yêu cầu người thực hiện giải trình. Cần tiếp tục làm rõ đây là nhầm lẫn hay hành vi cố ý. Nếu có bằng chứng cho thấy, người thực hiện biết giao dịch chưa đủ điều kiện nhưng vẫn ghi nhận theo chỉ đạo nhằm đạt mục tiêu lợi nhuận, hồ sơ cần được chuyển đến cấp giám sát có thẩm quyền để xác minh và xử lý. Việc phân biệt hành vi cố ý với nhầm lẫn phù hợp với Chuẩn mực Kiểm toán Việt Nam.
Với giao dịch G2, biên bản gốc và xác nhận của bên mua cho thấy việc giao hàng, nghiệm thu đã hoàn thành ngày 30/12 năm N. Tuy nhiên, bản điện tử của tài liệu được đưa lên hệ thống ngày 04/01 năm N+1. Sau khi kiểm tra tính xác thực của hồ sơ và các điều kiện liên quan, người kiểm tra xác định có đủ căn cứ ghi nhận doanh thu trong năm N. Trường hợp này cho thấy, cần phân biệt ngày nghiệp vụ thực tế diễn ra với ngày tài liệu được đưa lên hệ thống. Nếu dùng nhầm hai mốc thời gian, hệ thống có thể đưa ra cảnh báo không cần thiết.
Kết quả rà soát được lưu cùng tài liệu kiểm chứng và thông tin về người chịu trách nhiệm. G1 được ghi nhận là trường hợp hạch toán sai kỳ, cần điều chỉnh và tiếp tục xác minh nguyên nhân; G2 là cảnh báo đã được giải thích bằng hồ sơ hợp lệ. Kết quả kiểm tra được sử dụng để bổ sung quy tắc phân biệt các mốc thời gian, liên kết đầy đủ hơn các hồ sơ và đánh giá chất lượng cảnh báo. Khi cập nhật dữ liệu huấn luyện, cần phản ánh đúng kết quả xác minh: trường hợp sai kỳ nhưng chưa rõ nguyên nhân như G1 không được tự động gắn nhãn “gian lận”.
4.4. Tiêu chí đánh giá khi kiểm nghiệm khung
Việc kiểm nghiệm khung cần đánh giá chất lượng phát hiện và mức độ hữu ích của cảnh báo đối với công việc kiểm tra. Trước khi thực hiện, cần xác định rõ đối tượng phân tích, căn cứ xác minh kết quả, phương pháp dùng để so sánh và ngưỡng cảnh báo. Dữ liệu dùng để xây dựng, điều chỉnh mô hình phải tách biệt với dữ liệu dùng để kiểm nghiệm. Thông tin đưa vào mô hình phải là thông tin đã có tại thời điểm tạo cảnh báo. Để đánh giá khả năng áp dụng cho kỳ sau, cần kiểm nghiệm trên dữ liệu của kỳ sau. Để đánh giá khả năng áp dụng tại doanh nghiệp khác, cần kiểm nghiệm trên dữ liệu của những doanh nghiệp chưa được sử dụng để xây dựng hoặc điều chỉnh mô hình.
Bài viết đề xuất 5 nhóm tiêu chí trong Bảng 2. Việc lựa chọn các chỉ tiêu cụ thể cần căn cứ vào mục tiêu và điều kiện kiểm nghiệm, phù hợp với định hướng của NIST về đánh giá hệ thống AI trong điều kiện sử dụng thực tế.
Bảng 2. Tiêu chí đánh giá khi kiểm nghiệm khung ứng dụng
| Nhóm tiêu chí | Chỉ tiêu cần xem xét | Căn cứ đánh giá |
| Chất lượng phát hiện | Tỷ lệ cảnh báo đúng; tỷ lệ phát hiện; số trường hợp cảnh báo sai và bỏ sót. | Đối chiếu cảnh báo với nhãn có căn cứ xác minh. Cảnh báo đúng phản ánh tỷ lệ trường hợp gian lận trong nhóm bị cảnh báo; tỷ lệ phát hiệnphản ánh tỷ lệ gian lận được cảnh báo trong tổng số gian lận của tập kiểm nghiệm. |
| Khả năng giải thích và kiểm chứng | Tỷ lệ cảnh báo truy xuất được dữ liệu gốc; mức độ rõ ràng của căn cứ cảnh báo và nội dung cần kiểm tra. | Người có chuyên môn đánh giá khả năng đối chiếu kết quả với chứng từ, điều kiện ghi nhận và hoàn cảnh nghiệp vụ; lưu lại những trường hợp giải thích thiếu hoặc không phù hợp. |
| Hiệu quả nghiệp vụ và chi phí | Thời gian xử lý; khối lượng hồ sơ cần rà soát; chi phí vận hành và xác minh; số trường hợp phát hiện có giá trị xử lý. | So sánh với quy trình kiểm tra hiện có trên cùng phạm vi dữ liệu và nguồn lực. Thống kê riêng gian lận được xác minh, sai sót cần điều chỉnh và cảnh báo được giải trình hợp lý. |
| Độ ổn định và khả năng chuyển giao | Mức thay đổi của chất lượng phát hiện giữa các kỳ, nhóm nghiệp vụ và đơn vị; ảnh hưởng của dữ liệu thiếu hoặc thay đổi quy trình. | Kiểm nghiệm trên dữ liệu ngoài giai đoạn xây dựng mô hình; xác định phạm vi sử dụng và những hoàn cảnh cần hiệu chỉnh hoặc đánh giá lại. |
| Khả năng kiểm soát và giải trình trách nhiệm | Mức đầy đủ của hồ sơ xác minh, nhật ký xử lý và thông tin phiên bản; khả năng tái lập kết quả. | Kiểm tra việc lưu phiên bản dữ liệu, mô hình, ngưỡng cảnh báo và quyết định xử lý; xác định người chịu trách nhiệm ở từng khâu. |
Khi gian lận chiếm tỷ lệ nhỏ, cần đánh giá đồng thời tỷ lệ cảnh báo đúng và tỷ lệ phát hiện được gian lận, thay vì chủ yếu dựa vào độ chính xác chung. Cảnh báo đúng cho biết, tỷ lệ trường hợp gian lận trong tổng số trường hợp được cảnh báo; phát hiện gian lận cho biết, tỷ lệ gian lận được phát hiện trong tổng số trường hợp gian lận của dữ liệu kiểm nghiệm. Nếu dữ liệu đã được phân loại đáng tin cậy, có thể sử dụng đường cong precision-recall để xem hai tỷ lệ này thay đổi như thế nào khi tăng hoặc giảm ngưỡng cảnh báo. Davis & Goadrich (2006) cho thấy, cách đánh giá này hữu ích khi số trường hợp gian lận ít hơn nhiều so với số trường hợp không gian lận. Khả năng giải thích của mô hình cũng cần được xem xét: lời giải thích có giúp người kiểm tra hiểu lý do cảnh báo và đối chiếu với hồ sơ nghiệp vụ hay không. Cách đánh giá này phù hợp với nghiên cứu của Zhang & cộng sự (2022) về AI có thể giải thích trong kiểm toán.
Để đánh giá nguy cơ bỏ sót, cần kiểm tra cả những giao dịch không được hệ thống cảnh báo. Nếu chỉ kiểm tra một mẫu giao dịch, cần nêu rõ cách chọn mẫu, xác suất mỗi giao dịch được chọn và cách sử dụng kết quả kiểm tra mẫu để ước lượng mức bỏ sót. Khi có đủ cơ sở, cần báo cáo sai số hoặc khoảng tin cậy để thể hiện mức độ không chắc chắn của ước lượng. Những hồ sơ chưa đủ chứng cứ phải được thống kê riêng, không tự động xem là trường hợp không có gian lận. Các mức yêu cầu để chấp nhận kết quả kiểm nghiệm cần được xác định trước, dựa trên mục tiêu phát hiện, mức độ ảnh hưởng của sai lệch và khả năng xử lý cảnh báo của đơn vị.
5. Điều kiện triển khai và hàm ý đối với quản lý nhà nước
5.1. Điều kiện triển khai tại doanh nghiệp
Doanh nghiệp cần xác định AI được sử dụng ở những khâu nào trong quy trình kiểm soát kế toán và phân công rõ trách nhiệm của người quản lý dữ liệu, nhà cung cấp công nghệ, người kiểm tra cảnh báo và người quyết định xử lý. Quy trình nội bộ phải quy định ai được truy cập dữ liệu, cách tiếp nhận cảnh báo, hồ sơ cần lưu giữ và cách chuyển hồ sơ đến cấp giám sát có thẩm quyền khi nghi vấn liên quan đến người phê duyệt. Con người phải có khả năng kiểm soát, can thiệp và chịu trách nhiệm đối với việc sử dụng AI, phù hợp với nguyên tắc tại Điều 4 Luật Trí tuệ nhân tạo năm 2025 (Quốc hội, 2025b).
Chất lượng dữ liệu quyết định khả năng sử dụng kết quả phân tích để kiểm tra nghiệp vụ. Doanh nghiệp cần thống nhất mã nhận diện giao dịch, đối tác, tài khoản và cách ghi các mốc thời gian; bảo đảm có thể đối chiếu sổ kế toán với chứng từ, hợp đồng và hồ sơ phê duyệt. Những thay đổi về chính sách kế toán cần được ghi lại để giải thích chênh lệch giữa các kỳ. Chẳng hạn, Thông tư số 99/2025/TT-BTC ngày 27/10/2025 được áp dụng cho năm tài chính bắt đầu từ ngày 01/01/2026 trở đi (Bộ Tài chính, 2025). Khi so sánh dữ liệu trước và sau thời điểm áp dụng, cần làm rõ ảnh hưởng của thay đổi chế độ kế toán trước khi đánh giá các chênh lệch là dấu hiệu đáng ngờ.
Việc sử dụng dữ liệu cá nhân liên quan đến nhân viên, khách hàng và đối tác phải có căn cứ pháp lý phù hợp, đúng mục đích và bảo đảm quyền của người có dữ liệu được sử dụng. Luật Bảo vệ dữ liệu cá nhân năm 2025 quy định các yêu cầu về phạm vi, mục đích xử lý và trách nhiệm của các bên tham gia (Quốc hội, 2025a). Khi thuê dịch vụ công nghệ, doanh nghiệp cần thỏa thuận rõ dữ liệu nào được cung cấp, được dùng vào việc gì, ai được truy cập, lưu giữ trong bao lâu và ai chịu trách nhiệm khi xảy ra sự cố. Việc lựa chọn cách lưu trữ, truyền dữ liệu và vận hành mô hình phải đáp ứng những yêu cầu này.
Về công nghệ, hệ thống cần kết nối được với phần mềm kế toán, cho phép tìm lại hồ sơ gốc và ghi lại phiên bản dữ liệu, mô hình, ngưỡng cảnh báo được sử dụng ở từng thời điểm. Nhà cung cấp cần giải thích rõ chức năng, giới hạn của hệ thống và cách hiểu các kết quả phân tích. Sau khi triển khai, doanh nghiệp cần tiếp tục đánh giá chất lượng hoạt động, nhất là khi quy trình nghiệp vụ hoặc đặc điểm dữ liệu thay đổi. Cách thực hiện này phù hợp với định hướng của NIST về theo dõi và đánh giá hệ thống trong quá trình sử dụng.
Nhân sự tham gia cần phối hợp kiến thức kế toán, kiểm toán và phân tích dữ liệu. Người kiểm tra phải hiểu vì sao giao dịch được cảnh báo, nhận biết giới hạn của mô hình và xác định cần bổ sung bằng chứng nào. Người phụ trách kỹ thuật cần hiểu nghiệp vụ kế toán để lựa chọn, xử lý đúng dữ liệu và tránh tạo ra cảnh báo sai. Việc đào tạo nên sử dụng các tình huống có chứng từ, giải trình và kết quả kiểm tra cụ thể. Đồng thời, cần bảo đảm người xác minh có thể đánh giá độc lập với người tạo lập giao dịch hoặc vận hành mô hình.
Doanh nghiệp nên bắt đầu thí điểm ở những nghiệp vụ có dữ liệu tương đối đầy đủ và nội dung kiểm tra rõ ràng. Trong giai đoạn đầu, cảnh báo của AI được đưa vào quy trình rà soát đang có để đánh giá khả năng phát hiện, thời gian xác minh và chi phí xử lý. Kết quả thí điểm là căn cứ để quyết định mở rộng, điều chỉnh hoặc tạm dừng những chức năng chưa phù hợp. Với doanh nghiệp có nguồn lực hạn chế, việc lựa chọn giải pháp cần tính cả chi phí chuẩn hóa dữ liệu, đào tạo nhân sự và kiểm tra cảnh báo.
5.2. Hàm ý đối với quản lý nhà nước
Một là, hoàn thiện hướng dẫn ứng dụng theo đặc điểm nghiệp vụ và mức độ rủi ro. Cơ quan quản lý về tài chính, kế toán và kiểm toán cần phối hợp với cơ quan quản lý về AI và bảo vệ dữ liệu để ban hành hướng dẫn trong phạm vi thẩm quyền. Hướng dẫn nên làm rõ AI được sử dụng vào việc gì, dữ liệu phải đáp ứng yêu cầu nào, hồ sơ cảnh báo cần lưu những thông tin gì, cách kiểm tra cảnh báo và trách nhiệm xử lý. Các yêu cầu quản lý cần được xác định theo phân loại hệ thống và quy định áp dụng cho từng loại. Cách thực hiện này phù hợp với nguyên tắc quản lý theo rủi ro của Luật Trí tuệ nhân tạo năm 2025.
Hai là, ưu tiên chuẩn hóa dữ liệu và hỗ trợ đánh giá độc lập. Cần nghiên cứu hướng dẫn thống nhất các thông tin phục vụ đối chiếu, như mã giao dịch, nguồn chứng từ, ngày phát sinh nghiệp vụ, ngày ghi sổ và lịch sử điều chỉnh. Đồng thời, có thể xây dựng bộ dữ liệu dùng để kiểm nghiệm mô hình từ dữ liệu mô phỏng hoặc dữ liệu được phép sử dụng. Bộ dữ liệu phải ghi rõ nguồn gốc, có biện pháp bảo vệ phù hợp và phân biệt các trường hợp gian lận đã được xác minh, sai sót kế toán và giao dịch hợp lý. Khi các giải pháp được đánh giá trên cùng dữ liệu, tiêu chí và điều kiện thử nghiệm, doanh nghiệp có thêm căn cứ lựa chọn và kiểm tra thông tin về hiệu quả do nhà cung cấp công bố.
Ba là, gắn hỗ trợ ứng dụng với phát triển năng lực của doanh nghiệp. Các chương trình hỗ trợ nên kết hợp tư vấn cách tổ chức dữ liệu, củng cố kiểm soát nội bộ, đào tạo người sử dụng và đánh giá kết quả thí điểm. Trường đại học, tổ chức nghề nghiệp và doanh nghiệp công nghệ có thể cùng xây dựng tình huống thực hành, bồi dưỡng kỹ năng và kiểm nghiệm phương pháp. Đối với doanh nghiệp nhỏ và vừa, nội dung và mức hỗ trợ cần phù hợp với nguồn lực, khả năng sử dụng công nghệ và chi phí duy trì hệ thống. Kết quả chương trình nên được đánh giá qua khả năng doanh nghiệp tự vận hành, kiểm tra cảnh báo và cải thiện chất lượng kiểm soát kế toán.
Bốn là, bảo đảm căn cứ nghiệp vụ khi sử dụng AI trong giám sát. Khi cơ quan nhà nước sử dụng kết quả phân tích để lựa chọn đối tượng kiểm tra, cần ghi rõ nguồn dữ liệu, thời điểm đánh giá và lý do ưu tiên kiểm tra. Người có thẩm quyền phải xem xét bằng chứng và giải trình của các bên liên quan trước khi đưa ra quyết định. Cần thường xuyên rà soát những cảnh báo đã được giải thích bằng hồ sơ hợp lệ và những sai lệch hệ thống không phát hiện để điều chỉnh cách sử dụng AI. Hồ sơ đánh giá phải đủ thông tin để kiểm tra chất lượng mô hình và căn cứ ra quyết định, qua đó làm rõ trách nhiệm và bảo vệ quyền, lợi ích hợp pháp của các bên liên quan.
6. Kết luận
Bài viết đề xuất khung ứng dụng AI trong phát hiện dấu hiệu gian lận kế toán, kết nối việc phân tích dữ liệu với kiểm tra nghiệp vụ và trách nhiệm xử lý. Quy trình sáu bước, ma trận liên kết dấu hiệu với dữ liệu và các tiêu chí đánh giá giúp xác định mỗi cảnh báo cần được kiểm tra như thế nào. AI hỗ trợ lựa chọn những trường hợp cần xem xét và cung cấp thông tin phục vụ kiểm tra; kết luận về gian lận phải dựa trên bằng chứng đã được xác minh.
Việc triển khai cần có dữ liệu đối chiếu được với hồ sơ gốc, công nghệ phù hợp, nhân sự đủ năng lực và quy định rõ về giám sát, xử lý cảnh báo. Đối với quản lý nhà nước, cần ưu tiên hướng dẫn ứng dụng theo mức độ rủi ro, chuẩn hóa dữ liệu, hỗ trợ đánh giá độc lập và yêu cầu giải trình căn cứ sử dụng kết quả phân tích.
Khung đề xuất được xây dựng từ tổng hợp lý luận và tài liệu chuyên môn, với tình huống minh họa giả định. Nghiên cứu tiếp theo cần kiểm nghiệm trên dữ liệu thực tế để đánh giá khả năng phát hiện, mức độ bỏ sót và chi phí xác minh so với quy trình kiểm tra đang áp dụng. Kết quả kiểm nghiệm sẽ là căn cứ xác định khung phù hợp với những nghiệp vụ, doanh nghiệp nào và cần đáp ứng điều kiện gì để mở rộng ứng dụng.
Tài liệu tham khảo:
Autio, C., Schwartz, R., Dunietz, J., Jain, S., Stanley, M., Tabassi, E., Hall, P., & Roberts, K. (2024). Artificial intelligence risk management framework: Generative artificial intelligence profile (NIST AI 600-1). National Institute of Standards and Technology. https://doi.org/10.6028/NIST.AI.600-1.
Bao, Y., Ke, B., Li, B., Yu, Y. J., & Zhang, J. (2020). Detecting accounting fraud in publicly traded U.S. firms using a machine learning approach. Journal of Accounting Research, 58(1), 199-235. https://doi.org/10.1111/1475-679X.12292.
Bộ Tài chính (2012). Chuẩn mực kiểm toán Việt Nam số 240: Trách nhiệm của kiểm toán viên liên quan đến gian lận trong quá trình kiểm toán báo cáo tài chính. Ban hành kèm theo Thông tư số 214/2012/TT-BTC ngày 06/12/2012.
Bộ Tài chính (2025). Thông tư số 99/2025/TT-BTC ngày 27/10/2025 hướng dẫn chế độ kế toán doanh nghiệp.
Committee of Sponsoring Organizations of the Treadway Commission (COSO) & Association of Certified Fraud Examiners (ACFE) (2023). Fraud risk management guide: Executive summary (2nd ed.). COSO/ACFE.
Davis, J., & Goadrich, M. (2006). The relationship between precision-recall and ROC curves. In Proceedings of the 23rd International Conference on Machine Learning (pp. 233-240). ACM. https://doi.org/10.1145/1143844.1143874.
Fedyk, A., Hodson, J., Khimich, N., & Fedyk, T. (2022). Is artificial intelligence improving the audit process? Review of Accounting Studies, 27, 938-985. https://doi.org/10.1007/s11142-022-09697-x.
Jensen, M. C., & Meckling, W. H. (1976). Theory of the firm: Managerial behavior, agency costs and ownership structure. Journal of Financial Economics, 3(4), 305-360. https://doi.org/10.1016/0304-405X(76)90026-X.
Quốc hội (2015). Luật Kế toán năm 2015.
Quốc hội (2025a). Luật Bảo vệ dữ liệu cá nhân năm 2025.
Quốc hội (2025b). Luật Trí tuệ nhân tạo năm 2025.
Schreyer, M., Sattarov, T., Borth, D., Dengel, A., & Reimer, B. (2017). Detection of anomalies in large scale accounting data using deep autoencoder networks arXiv. https://doi.org/10.48550/arXiv.1709.05254.
Schreyer, M., Sattarov, T., Schulze, C., Reimer, B., & Borth, D. (2019). Detection of accounting anomalies in the latent space using adversarial autoencoder neural networks. arXiv. https://doi.org/10.48550/arXiv.1908.00734.
Tabassi, E. (2023). Artificial intelligence risk management framework (AI RMF 1.0) (NIST AI 100-1). National Institute of Standards and Technology. https://doi.org/10.6028/NIST.AI.100-1.
Zhang, C., Cho, S., & Vasarhelyi, M. (2022). Explainable Artificial Intelligence (XAI) in auditing. International Journal of Accounting Information Systems, 46, 100572. https://doi.org/10.1016/j.accinf.2022.100572.
