Khi AI tham gia kiểm toán: Bằng chứng vẫn là nền tảng

Kiểm toán nhà nước Việt Nam và Cơ quan Kiểm toán quốc gia Trung Quốc tổ chức Hội thảo chung lần thứ 8, trao đổi kinh nghiệm về chuyển đổi số, khai thác dữ liệu lớn và ứng dụng AI trong hoạt động kiểm toán. Ảnh: PV

Từ nhận diện rủi ro đến xác minh bằng chứng

Sự phát triển của trí tuệ nhân tạo (AI) đang mở rộng cách thức tổ chức và thực hiện kiểm toán. Thay vì chủ yếu dựa vào việc kiểm tra từng hồ sơ, chứng từ hoặc lựa chọn mẫu theo phương pháp truyền thống, kiểm toán viên có thể sử dụng công nghệ để phân tích khối lượng dữ liệu lớn, phát hiện những điểm bất thường và xác định khu vực tiềm ẩn rủi ro. Qua đó, nguồn lực kiểm toán được tập trung hơn vào những nội dung có khả năng phát sinh sai sót, vi phạm hoặc sử dụng nguồn lực công chưa hiệu quả.

Kinh nghiệm của Cơ quan Kiểm toán quốc gia Trung Quốc (CNAO) cho thấy, AI đang được đưa vào nhiều công đoạn của quy trình kiểm toán, từ lập kế hoạch, triển khai đến lập báo cáo và theo dõi thực hiện kết luận, kiến nghị. Tại Việt Nam, Kiểm toán nhà nước (KTNN) cũng từng bước nghiên cứu, thí điểm ứng dụng AI trong tổng hợp kinh nghiệm kiểm toán, lựa chọn đơn vị được kiểm toán, kiểm soát chất lượng và phân tích dữ liệu.

Việc ứng dụng tự động hóa quy trình bằng robot (RPA) và AI trong kiểm toán đầu tư, công nghệ thông tin tại 13 tỉnh, thành phố còn hướng tới hỗ trợ thu thập dữ liệu, phân tích hồ sơ đấu thầu, lựa chọn mẫu và cảnh báo dấu hiệu bất thường, nguy cơ gian lận.

Những ứng dụng này mở ra khả năng nâng cao năng suất, mở rộng phạm vi phân tích và hỗ trợ kiểm toán viên xác định trọng tâm kiểm tra. Tuy nhiên, cần phân biệt rõ giữa dấu hiệu rủi ro do AI phát hiện và bằng chứng kiểm toán đủ căn cứ để đưa ra nhận định, kết luận.

Một giao dịch có giá trị khác thường, một hồ sơ có thông tin không nhất quán hoặc một mẫu chi tiêu lệch khỏi xu hướng chung có thể là tín hiệu cần kiểm tra, nhưng chưa tự thân chứng minh có sai phạm. Bất thường có thể xuất phát từ lỗi nhập liệu, đặc thù nghiệp vụ, thời điểm ghi nhận hoặc những điều kiện thực tế mà mô hình chưa phản ánh đầy đủ. Ngược lại, những sai phạm được che giấu tinh vi cũng có thể không tạo ra dấu hiệu đủ rõ để thuật toán nhận diện.

Vì vậy, kết quả phân tích của AI cần được xem là căn cứ gợi mở cho hoạt động kiểm tra tiếp theo, không phải kết luận thay cho kiểm toán viên. Mọi nhận định phải được đối chiếu với hồ sơ, chứng từ, dữ liệu nguồn, quy định pháp luật và bối cảnh phát sinh nghiệp vụ. Khi cần thiết, kiểm toán viên phải mở rộng phạm vi kiểm tra, thu thập thêm tài liệu hoặc xác minh với các bên liên quan để làm rõ bản chất sự việc.

Đối với KTNN Việt Nam, xây dựng cơ sở dữ liệu tập trung, chuẩn hóa thông tin và hoàn thiện quy trình quản trị dữ liệu cần được xem là một phần của chiến lược chuyển đổi số trong kiểm toán. Ảnh: PV

Dữ liệu đáng tin cậy tạo nên giá trị của kiểm toán số

Nếu AI mở rộng khả năng phát hiện rủi ro thì dữ liệu quyết định phần lớn chất lượng của quá trình phân tích. Dữ liệu thiếu, sai lệch, không đồng nhất hoặc không được cập nhật có thể khiến mô hình đưa ra cảnh báo không phù hợp, bỏ sót dấu hiệu quan trọng hoặc tạo ra những mối liên hệ không phản ánh đúng bản chất nghiệp vụ. Một kết quả được trình bày dưới dạng biểu đồ, điểm số hay báo cáo tự động không vì thế mà mặc nhiên trở nên chính xác.

Kinh nghiệm của CNAO cho thấy, việc tổ chức dữ liệu có hệ thống là một điều kiện quan trọng để triển khai kiểm toán số. Cơ quan này định kỳ thu thập dữ liệu từ 16 bộ, ngành; đồng thời xây dựng các kho dữ liệu chuyên ngành, trong đó có những lĩnh vực như tài chính, nông nghiệp và bảo hiểm. Dữ liệu được chuẩn hóa về định dạng, kết hợp với việc đánh giá tại các đơn vị có liên quan nhằm phục vụ khai thác và phân tích.

Muốn ứng dụng AI hiệu quả, không thể chỉ tập trung vào lựa chọn phần mềm hay phát triển mô hình mà cần đầu tư đồng bộ cho hạ tầng dữ liệu, quy trình kết nối, chuẩn hóa và quản trị thông tin. Dữ liệu phục vụ kiểm toán phải có nguồn gốc rõ ràng, có khả năng đối chiếu, truy xuất và xác định thời điểm cập nhật. Khi một kết quả phân tích dẫn đến việc lựa chọn mẫu hoặc mở rộng kiểm tra, kiểm toán viên cần biết dữ liệu được lấy từ đâu, đã qua xử lý như thế nào và những giả định nào ảnh hưởng đến kết quả.

Khả năng giải thích cũng là yêu cầu đáng quan tâm. Nếu hệ thống chỉ đưa ra cảnh báo mà không làm rõ căn cứ, dữ liệu đầu vào hoặc yếu tố tạo nên kết quả, kiểm toán viên sẽ gặp khó khăn khi đánh giá độ tin cậy và giải trình việc sử dụng công cụ. Trong môi trường kiểm toán công, nơi kết luận và kiến nghị có thể tác động đến trách nhiệm quản lý, sử dụng ngân sách, tài sản nhà nước, tính minh bạch của quy trình phân tích có ý nghĩa thiết yếu.

Cùng với đó là yêu cầu bảo đảm tính hợp pháp của dữ liệu và việc khai thác, chia sẻ dữ liệu. Phân loại thông tin theo mức độ nhạy cảm, kiểm soát quyền truy cập, lưu vết thao tác và bảo vệ dữ liệu cá nhân, bí mật nhà nước là những nội dung cần được đặt ra ngay từ khâu thiết kế hệ thống. Việc sử dụng dữ liệu ngoài đơn vị được kiểm toán có thể giúp mở rộng khả năng đối chiếu, nhưng phải đi cùng căn cứ pháp lý, thẩm quyền truy cập và quy trình bảo đảm an toàn thông tin.

Đối với Việt Nam, những thách thức đặt ra không chỉ nằm ở mức độ sẵn sàng của công nghệ mà còn ở sự đồng bộ của dữ liệu, cơ chế chia sẻ thông tin, quy định về sử dụng dữ liệu số làm bằng chứng và năng lực khai thác công nghệ của đội ngũ kiểm toán viên. Nếu các nền tảng dữ liệu vận hành rời rạc, thiếu chuẩn chung hoặc khó liên thông, khả năng phân tích tổng thể sẽ bị hạn chế. Nếu kết quả xử lý không thể truy xuất và kiểm chứng, việc chuyển hóa cảnh báo thành bằng chứng có sức thuyết phục cũng gặp trở ngại.

Bởi vậy, xây dựng cơ sở dữ liệu tập trung, chuẩn hóa thông tin và hoàn thiện quy trình quản trị dữ liệu cần được xem là một phần của chiến lược chuyển đổi số trong kiểm toán, chứ không phải công việc kỹ thuật tách rời nghiệp vụ.

Kinh nghiệm của CNAO cho thấy, việc tổ chức dữ liệu có hệ thống là một điều kiện quan trọng để triển khai kiểm toán số. Ảnh: PV

Công nghệ hỗ trợ, con người chịu trách nhiệm

AI có thể xử lý dữ liệu nhanh hơn con người, nhưng không tự động bảo đảm rằng kết quả phân tích phản ánh đầy đủ bối cảnh pháp lý, kinh tế và quản lý của đối tượng kiểm toán. Mô hình có thể phát hiện mối tương quan nhưng không phải lúc nào cũng xác định được quan hệ nhân quả; có thể đưa ra kết quả nhất quán về mặt tính toán nhưng vẫn bị ảnh hưởng bởi dữ liệu đầu vào không đầy đủ hoặc những giả định chưa phù hợp.

Do đó, năng lực chuyên môn của kiểm toán viên vẫn giữ vai trò quyết định trong việc đánh giá kết quả do AI cung cấp. Người sử dụng công nghệ phải hiểu giới hạn của mô hình, biết đặt câu hỏi đối với cảnh báo, kiểm tra khả năng sai lệch và xác định khi nào cần thu thập thêm bằng chứng. Năng lực này đòi hỏi sự kết hợp giữa kiến thức kiểm toán, kế toán, tài chính công, pháp luật với kỹ năng phân tích dữ liệu và hiểu biết về công nghệ.

Kinh nghiệm đào tạo và phát triển đội ngũ của CNAO cho thấy, yêu cầu kết hợp giữa chuyên môn tài chính, kế toán với năng lực công nghệ thông tin ngày càng quan trọng. Đồng thời, kinh nghiệm thực tiễn của kiểm toán viên cần được sử dụng để hoàn thiện quy trình, điều chỉnh mô hình và nâng cao chất lượng phân tích. AI không phải hệ thống bất biến: hiệu quả ứng dụng phụ thuộc vào cách tổ chức dữ liệu, thiết kế quy trình, đánh giá kết quả và cập nhật công cụ trong quá trình sử dụng.

Với KTNN, cùng với phát triển hạ tầng số, cơ sở dữ liệu về đơn vị được kiểm toán, cơ chế trao đổi thông tin và hồ sơ kiểm toán điện tử, cần chú trọng bồi dưỡng năng lực số cho đội ngũ. Kiểm toán viên không nhất thiết phải trở thành chuyên gia phát triển AI, nhưng cần đủ kiến thức để hiểu kết quả, đánh giá độ tin cậy, nhận diện rủi ro và sử dụng công nghệ đúng mục đích nghiệp vụ.

Quan trọng hơn, việc ứng dụng AI không làm thay đổi bản chất trách nhiệm của hoạt động kiểm toán. Công cụ có thể đề xuất đối tượng cần kiểm tra, hỗ trợ phân tích và cung cấp thông tin tham khảo; nhưng việc đánh giá tính đầy đủ, thích hợp của bằng chứng, xác định mức độ tuân thủ, xem xét nguyên nhân và đưa ra kết luận vẫn phải tuân thủ quy trình, chuẩn mực và quy định pháp luật. Trách nhiệm đối với kết luận, kiến nghị kiểm toán không thể được chuyển giao cho một mô hình thuật toán.

Điều đó cũng đặt ra yêu cầu duy trì khả năng kiểm tra lại toàn bộ quá trình ứng dụng công nghệ: từ dữ liệu đầu vào, phương pháp xử lý, kết quả phân tích đến cách kiểm toán viên sử dụng kết quả trong hồ sơ kiểm toán. Khi có thể truy xuất và giải thích các bước này, công nghệ mới thực sự hỗ trợ tính minh bạch, khả năng giải trình và chất lượng kiểm toán.

Chuyển đổi số không phải là thay thế quy trình kiểm toán bằng một hệ thống tự động, mà là nâng cao năng lực của quy trình ấy bằng dữ liệu và công nghệ. AI có thể giúp kiểm toán viên nhìn thấy nhiều dấu hiệu hơn, nhanh hơn và trên phạm vi rộng hơn. Nhưng để một dấu hiệu trở thành căn cứ cho nhận định kiểm toán, vẫn cần quá trình kiểm tra, đối chiếu và đánh giá độc lập.