Ảnh hưởng của TRÍ TUỆ NHÂN TẠO (AI) đến lĩnh vực kiểm toán

 

*NCS. Th.S. Phạm Huy Hùng

*Trường Đại học Tài nguyên và Môi trường Hà Nội

 

Tóm tắt

Bài viết xem xét tác động của trí tuệ nhân tạo (AI) đối với lĩnh vực kiểm toán, cụ thể ở khía cạnh nâng cao chất lượng và hiệu quả kiểm toán. Mục đích của bài viết là cung cấp cái nhìn tổng quan về các công nghệ AI khác nhau đang được sử dụng trong kiểm toán, lợi ích và hạn chế của chúng cũng như những thách thức cần giải quyết để ứng dụng thành công. Bằng phương pháp nghiên cứu định tính, như: phương pháp tổng hợp; phương pháp hồi quy và diễn giải, dựa trên khảo cứu các nguồn tài liệu học thuật để cung cấp cái nhìn tổng quan toàn diện về chủ đề này. Ý nghĩa của bài viết này nằm ở sự đóng góp của nó vào sự hiểu biết về cách AI đang thay đổi nghề kiểm toán, nghiên cứu cũng đề xuất một số gợi ý và khuyến nghị với các bên liên quan để đảm bảo rằng AI được sử dụng một cách thích hợp và hiệu quả trong bối cảnh kiểm toán nhằm nâng cao chất lượng kiểm toán ở Việt Nam.        

Từ khóa: AI, kiểm toán.

Abstract

The article examines the impact of artificial intelligence on the field of auditing, specifically in terms of improving audit quality and efficiency. The purpose of the article is to provide an overview of the various artificial intelligence technologies being used in auditing, their benefits and limitations, and the challenges that need to be addressed for successful application. By qualitative research methods, such as synthesis methods; regression and interpretation methods, based on the study of academic resources to provide a comprehensive overview of the topic. The significance of this article lies in its contribution to the understanding of how artificial intelligence is changing the audit profession, the study also proposes a number of suggestions and recommendations to stakeholders to ensure that artificial intelligence is used appropriately and effectively in the context of auditing in order to improve the quality of audits in Vietnam.

Keywords: AI, auditing, artificial intelligence.

JEL Classification: M40, M42, M49.

DOI: https://doi.org/10.59006/vnfa-jaa.04202321

1. Đặt vấn đề

Khi kinh doanh trở nên khó khăn hơn trong môi trường doanh nghiệp ngày nay, việc sử dụng tối đa các công cụ hỗ trợ ra quyết định dựa trên công nghệ ngày càng trở nên quan trọng. Tổ chức Hợp tác và Phát triển Kinh tế (OECD) coi AI là một hệ thống dựa trên máy có thể đưa ra dự đoán, đề xuất hoặc phán đoán ảnh hưởng đến môi trường thực tế hoặc ảo cho một số mục tiêu nhất định do con người chỉ định (OECD, 2021).

Trong lĩnh vực kiểm toán, những tiến bộ công nghệ đã tạo ra nhiều khả năng nghiên cứu đáng kể. Khi các kiểm toán viên độc lập tiếp cận với các khách hàng kiểm toán có hệ thống quản trị tinh vi, hiện đại thì một nhu cầu đặt ra là làm thế nào để đảm bảo cuộc kiểm toán có chất lượng. Kết quả là, để duy trì lợi thế cạnh tranh, nghề kiểm toán đang phát triển bằng cách áp dụng các công nghệ AI.

AI có khả năng tác động đáng kể đến chất lượng kiểm toán bằng cách cho phép kiểm toán viên xử lý và phân tích lượng lớn dữ liệu một cách hiệu quả. AI có thể giúp kiểm toán viên xác định các mẫu, xu hướng và điểm bất thường trong dữ liệu tài chính mà có thể không được chú ý, điều này có thể dẫn đến cuộc kiểm toán được thực hiện kỹ lưỡng và chính xác hơn. Bên cạnh đó, việc sử dụng công nghệ dựa trên AI trong kiểm toán cung cấp cho kiểm toán viên tùy chọn các thủ tục kiểm toán tự động từ giai đoạn này sang giai đoạn khác (Moffitt và cộng sự, 2018). Từ trước khi tham gia đến khi trình bày ý kiến của một báo cáo kiểm toán hiệu quả là rất quan trọng ở mỗi giai đoạn (Kokina & Davenport 2017).

Tuy nhiên, điều quan trọng cần lưu ý rằng, AI không phải là “thuốc chữa bách bệnh” cho tất cả các thách thức liên quan đến kiểm toán và việc sử dụng AI trong kiểm toán sẽ cần được xem xét và đánh giá cẩn trọng để đảm bảo rằng nó được sử dụng phù hợp và hiệu quả. Ngoài ra, việc sử dụng AI trong kiểm toán đặt ra câu hỏi về các vấn đề đạo đức và quy định, chẳng hạn như quyền riêng tư dữ liệu, tính minh bạch và trách nhiệm giải trình, những vấn đề này sẽ cần được giải quyết khi AI trở nên phổ biến hơn trong nghề kiểm toán. Do vậy, việc xem xét tác động của AI đối với lĩnh vực kiểm toán, cụ thể ở khía cạnh nâng cao chất lượng và hiệu quả kiểm toán là một vấn đề đang được đặt ra cho giới nghiên cứu. Mục đích của bài viết là cung cấp cái nhìn tổng quan về các công nghệ AI khác nhau đang được sử dụng trong kiểm toán, lợi ích và hạn chế của chúng cũng như những thách thức cần giải quyết để ứng dụng thành công.

2. Bản chất của AI

AI không phải là một công nghệ mới trong nghề kiểm toán, nhưng có thể dẫn đến những thay đổi to lớn trong tương lai. “AI là một hệ thống máy tính thể hiện một số hình thức AI, bao gồm một số công nghệ liên kết với nhau như: khai thác dữ liệu, học máy, nhận dạng giọng nói, nhận dạng hình ảnh và phân tích cảm xúc” (Boillet, 2018).

Từ điển Anh ngữ thương mại Cambridge định nghĩa: “AI là công nghệ máy tính cho phép thực hiện điều gì đó theo cách tương tự như cách con người làm” (Dictionary, 2015). 

Hiệp hội Tiêu chuẩn IEEE đã định nghĩa: “AI là thiết kế và phát triển các thuật toán và hệ thống có thể thực hiện các nhiệm vụ thường yêu cầu trí thông minh của con người, chẳng hạn như nhận thức thị giác, nhận dạng giọng nói, ra quyết định và dịch ngôn ngữ".

Những định nghĩa này phản ánh phạm vi rộng lớn của các ứng dụng và cách tiếp cận nằm dưới sự bảo trợ của AI. Do đó, có thể hiểu: “AI là một lĩnh vực khoa học máy tính nhằm phát triển các thuật toán và hệ thống máy tính có khả năng thực hiện các nhiệm vụ thường yêu cầu trí thông minh của con người, chẳng hạn như nhận thức thị giác, nhận dạng giọng nói, ra quyết định và xử lý ngôn ngữ tự nhiên. Các hệ thống AI này được thiết kế để nhận đầu vào từ môi trường, xử lý thông tin và thực hiện các hành động dựa trên hiểu biết của chúng về dữ liệu mà chúng nhận được”.

 

3. Các loại AI và ảnh hưởng của chúng đến kiểm toán

AI có thể được chia thành 03 loại: AI dựa trên quy tắc, máy học và học sâu. Mỗi loại AI có thể có những tác động khác nhau đến lĩnh vực kiểm toán, tùy thuộc vào cách nó được sử dụng.

3.1. AI dựa trên quy tắc

AI dựa trên quy tắc, còn được gọi là hệ thống chuyên gia hoặc hệ thống dựa trên tri thức, là một loại AI tạo sử dụng một bộ quy tắc được xác định trước và các suy luận logic để suy luận về một vấn đề hoặc đưa ra quyết định. Nó dựa trên ý tưởng rằng một chuyên gia trong một lĩnh vực cụ thể có thể cung cấp một bộ quy tắc hoặc tiêu chí để đưa ra quyết định, sau đó có thể được mã hóa thành chương trình máy tính để tự động hóa quá trình ra quyết định trong lĩnh vực đó.

Trong một hệ thống AI dựa trên quy tắc, một cơ sở tri thức được tạo ra có chứa một tập hợp các quy tắc, sự kiện và mối quan hệ có liên quan đến nhiều vấn đề. Sau đó, hệ thống sử dụng một tập hợp các quy tắc suy luận để suy luận về vấn đề và đưa ra kết luận. Ví dụ: trong bối cảnh kiểm toán, một hệ thống dựa trên quy tắc có thể sử dụng một bộ quy tắc kiểm toán để xác định xem báo cáo tài chính có tuân thủ các chuẩn mực kế toán hay không.

Ưu điểm của AI dựa trên quy tắc trong kiểm toán bao gồm khả năng tự động hóa các tác vụ thông thường và quy trình ra quyết định, giảm sai sót, đồng thời nâng cao hiệu quả của kiểm toán. Các hệ thống AI dựa trên quy tắc có thể được đào tạo để tuân theo các quy trình và quy tắc kiểm tra cụ thể, đảm bảo rằng các cuộc kiểm tra được nhất quán và chuẩn hóa. Ngoài ra, họ có thể xử lý khối lượng lớn dữ liệu một cách nhanh chóng, điều này có thể giúp kiểm toán viên xác định các rủi ro và sự bất thường tiềm ẩn. Trong nghiên cứu của Eric và cộng sự (2016) sử dụng một thử nghiệm để kiểm tra xem kiểm toán viên sử dụng AI dựa trên quy tắc có thể phát hiện nhiều điểm bất thường hơn trong báo cáo tài chính so với kiểm toán viên không sử dụng AI hay không. Kết quả cho thấy, kiểm toán viên sử dụng AI dựa trên quy tắc có thể xác định nhiều điểm bất thường hơn so với những người không sử dụng AI, nhưng hiệu quả của AI phụ thuộc vào chất lượng và tính toàn diện của các quy tắc được sử dụng. Nghiên cứu của Kwang và cộng sự (2019) đã thử nghiệm tính hiệu quả của hệ thống AI dựa trên quy tắc trong việc phát hiện gian lận báo cáo tài chính. Kết quả cho thấy hệ thống AI dựa trên quy tắc có thể phát hiện gian lận chính xác hơn so với các phương pháp kiểm toán truyền thống. Điều này cũng đã được khẳng định trong nghiên cứu của Yacob & Desta (2018).

Tuy nhiên, cũng có một số nhược điểm của AI dựa trên quy tắc trong kiểm toán. Một trong những hạn chế chính là chúng dựa trên một tập hợp các quy tắc được xác định trước, có thể không xử lý được các tình huống mới hoặc bất ngờ. Ngoài ra, việc phát triển và duy trì một cơ sở tri thức có thể tốn nhiều thời gian và chi phí, đồng thời yêu cầu đầu vào trình độ chuyên môn cao của các chuyên gia trong lĩnh vực. Một hạn chế khác là các hệ thống dựa trên quy tắc có thể không linh hoạt và không thể thích ứng với việc thay đổi các quy định kiểm toán hoặc chuẩn mực kế toán.

3.2. Máy học

Máy học là một loại AI liên quan đến việc sử dụng các thuật toán và mô hình thống kê để cho phép các hệ thống máy tính học hỏi từ dữ liệu và cải thiện hiệu suất của chúng theo thời gian. Không giống như AI dựa trên quy tắc, các hệ thống máy học không dựa vào một bộ quy tắc được xác định trước mà thay vào đó sử dụng các mẫu và mối tương quan trong dữ liệu để xác định thông tin chuyên sâu và đưa ra dự đoán.

Máy học có thể được chia thành 03 loại chính: học có giám sát, học không giám sát và học tăng cường. Trong máy học có giám sát, hệ thống máy học được đào tạo trên tập dữ liệu được gắn nhãn, nơi cung cấp kết quả chính xác. Sau đó, hệ thống sẽ sử dụng dữ liệu đào tạo này để đưa ra dự đoán về dữ liệu mới, chưa thấy. Trong học tập không giám sát, hệ thống không được cung cấp dữ liệu được dán nhãn và thay vào đó phải tự xác định các mẫu và mối quan hệ trong dữ liệu. Học tăng cường liên quan đến việc hệ thống học thông qua thử và sai, đồng thời nhận phản hồi dưới dạng phần thưởng hoặc hình phạt đối với một số hành động nhất định.

Có rất nhiều lợi thế của việc áp dụng học máy vào lĩnh vực kiểm toán. Các hệ thống máy học có thể phân tích khối lượng lớn dữ liệu một cách nhanh chóng và chính xác, khiến chúng rất phù hợp với nhiệm vụ phát hiện sự bất thường và gian lận tiềm ẩn trong dữ liệu tài chính. Máy học cũng có thể được sử dụng để xác định các xu hướng và mẫu trong dữ liệu tài chính, giúp kiểm toán viên xác định các cơ hội và rủi ro tiềm ẩn. Ngoài ra, công nghệ máy học có thể tự động hóa các tác vụ thông thường, giúp kiểm toán viên rảnh tay hơn để tập trung vào các tác vụ phức tạp hơn và phân tích chiến lược. Nghiên cứu của Tim và cộng sự (2019) xem xét việc sử dụng máy học để hỗ trợ kiểm toán viên trong xác định ngưỡng trọng yếu cho các khoản mục báo cáo tài chính. Kết quả cho thấy kiểm toán viên sử dụng máy học có thể đưa ra đánh giá mức độ trọng yếu chính xác hơn so với kiểm toán viên không sử dụng AI. Bên cạnh đó, Erik & Christian (2020) sử dụng một thử nghiệm để kiểm tra tính hiệu quả của hệ thống máy học trong việc cải thiện chất lượng kiểm toán. Kết quả cho thấy kiểm toán viên sử dụng hệ thống máy học có khả năng phát hiện sai sót trong báo cáo tài chính cao hơn so với kiểm toán viên không sử dụng AI. Những phát hiện này được hỗ trợ bởi Naresh & John (2021), những người đã lập luận rằng, việc sử dụng máy học đã cải thiện khả năng phát hiện gian lận, vì nó cho phép kiểm toán viên xác định nhiều giao dịch gian lận hơn so với các phương pháp kiểm toán truyền thống.

Tuy nhiên, cũng có một số nhược điểm khi áp dụng học máy trong kiểm toán. Một thách thức lớn là cần có một lượng lớn dữ liệu chất lượng cao để huấn luyện các thuật toán máy học. Điều này có thể khó đạt được trong một số trường hợp và có thể yêu cầu làm sạch và xử lý trước dữ liệu trên diện rộng. Một thách thức khác là khả năng hệ thống máy học tạo ra kết quả sai lệch hoặc không chính xác, đặc biệt nếu dữ liệu đào tạo không đại diện cho tổng thể đang được nghiên cứu.

3.3. Học sâu

Loại AI này là một tập hợp con của học máy sử dụng mạng thần kinh nhân tạo để mô phỏng cách thức hoạt động của bộ não con người. Học sâu có thể được sử dụng trong kiểm toán để xác định các mẫu phức tạp trong dữ liệu tài chính, chẳng hạn như phát hiện các điểm bất thường trong các giao dịch phức tạp hoặc xác định các điểm bất thường trong báo cáo tài chính. Nghiên cứu của Xuan (2019) điều tra tác động của học sâu đối với chất lượng kiểm toán bằng cách phát triển mô hình học sâu để dự đoán những sai phạm trong báo cáo tài chính được công bố. Kết quả cho thấy mô hình học sâu có độ chính xác cao hơn trong việc dự đoán các sai sót trong báo cáo tài chính so với các mô hình thống kê truyền thống, cho thấy tiềm năng học sâu để cải thiện chất lượng kiểm toán. Những phát hiện này được hỗ trợ bởi Manpreet & Rashmi (2019); Xiaohua (2018); Yan & Colleagues (2018), những người đã lập luận rằng, học sâu có thể được sử dụng để cải thiện chất lượng kiểm toán bằng cách phát hiện gian lận và sai sót trong báo cáo tài chính một cách chính xác và hiệu quả hơn.

Tuy nhiên, các thuật toán học sâu rất phức tạp và yêu cầu lượng dữ liệu đáng kể để đào tạo, điều này có thể khiến chúng khó triển khai hơn trong các ứng dụng kiểm toán.

4. Một số gợi ý nhằm nâng cao hiệu quả ứng dụng của AI trong kiểm toán

Giám sát của con người: kiểm toán viên cần có các kỹ năng và chuyên môn cần thiết để hiểu cách thức hoạt động của các hệ thống AI, để giải thích các kết quả do các hệ thống này tạo ra và cung cấp sự giám sát cần thiết để đảm bảo rằng AI được sử dụng một cách hiệu quả và có trách nhiệm. Sự giám sát của con người có thể giúp đảm bảo các hệ thống AI được sử dụng theo cách nhất quán với các mục tiêu của cuộc kiểm toán, rằng chúng không được sử dụng để thay thế sự đánh giá của con người và chúng được sử dụng để bổ sung và nâng cao công việc của kiểm toán viên chứ không phải thay thế nó.

Thực hiện kiểm tra: để hạn chế rủi ro sai sót hoặc sai lệch trong các hệ thống AI, điều cần thiết là phải có sẵn các quy trình kiểm tra và xác nhận mạnh mẽ. Kiểm toán viên cần xác thực và kiểm tra các hệ thống AI được sử dụng trong kiểm toán để đảm bảo rằng chúng chính xác, đáng tin cậy và nhất quán. Điều này liên quan đến việc kiểm tra hiệu suất của hệ thống AI trên một loạt bộ dữ liệu, bao gồm cả những bộ dữ liệu không được sử dụng trong đào tạo hệ thống AI, để đảm bảo rằng hệ thống đầy đủ và có thể dựa vào để tạo ra kết quả chính xác và đáng tin cậy.

Tính minh bạch và khả năng giải thích: các hệ thống AI được sử dụng trong kiểm toán phải minh bạch và có thể giải thích được. Kiểm toán viên cần hiểu cách thức hoạt động của các hệ thống này và họ cần có khả năng giải thích kết quả do các hệ thống này tạo ra cho khách hàng và các bên liên quan khác. Điều này liên quan đến việc cung cấp các giải thích rõ ràng và ngắn gọn về các thuật toán và phương pháp được sử dụng trong hệ thống AI, cũng như các kết quả do hệ thống tạo ra. Điều quan trọng nữa là phải cung cấp lộ trình kiểm tra rõ ràng và minh bạch về đầu vào, quá trình xử lý và đầu ra của hệ thống AI, để đảm bảo rằng các kết quả có thể được xác minh và xác thực.

Chất lượng và tính toàn vẹn của dữ liệu: để đảm bảo tính chính xác và độ tin cậy của các hệ thống AI được sử dụng trong kiểm toán, điều cần thiết là phải có dữ liệu chất lượng cao. Kiểm toán viên cần đảm bảo rằng dữ liệu được sử dụng trong kiểm toán là chính xác, đầy đủ và có liên quan và dữ liệu đó được lấy từ các nguồn đáng tin cậy. Điều này liên quan đến việc đảm bảo dữ liệu được sử dụng trong hệ thống AI không có lỗi, đồng thời dữ liệu đó phù hợp với các mục tiêu của cuộc kiểm toán. Điều quan trọng nữa là phải đảm bảo rằng dữ liệu được sử dụng trong hệ thống AI được bảo vệ đúng cách và dữ liệu đó tuân thủ tất cả các quy định về quyền riêng tư và bảo vệ dữ liệu có liên quan.

Cân nhắc về đạo đức và pháp lý: để hạn chế tác động tiêu cực của AI trong kiểm toán, điều cần thiết là phải xem xét ý nghĩa đạo đức và pháp lý của việc sử dụng AI trong kiểm toán. Kiểm toán viên cần đảm bảo rằng các hệ thống AI được sử dụng một cách có trách nhiệm và có đạo đức, đồng thời tuân thủ tất cả các luật và quy định hiện hành liên quan đến quyền riêng tư, bảo mật và bảo vệ dữ liệu. Điều này liên quan đến việc xem xét các rủi ro pháp lý và đạo đức tiềm ẩn liên quan đến việc sử dụng AI trong kiểm toán, chẳng hạn như rủi ro thiên vị, phân biệt đối xử hoặc xâm phạm quyền riêng tư và phát triển các biện pháp bảo vệ thích hợp để giảm thiểu những rủi ro này. Điều quan trọng nữa, là phải đảm bảo rằng việc sử dụng AI trong kiểm toán phù hợp với các tiêu chuẩn nghề nghiệp và đạo đức, chẳng hạn như các tiêu chuẩn do cơ quan tiêu chuẩn kiểm toán hoặc tổ chức nghề nghiệp đặt ra.

5. Một số khuyến nghị

Khuyến nghị với Bộ Tài chính

Xây dựng các hướng dẫn và tiêu chuẩn: Bộ Tài chính có thể đóng một vai trò quan trọng trong việc xây dựng các hướng dẫn và tiêu chuẩn cho việc sử dụng AI trong kiểm toán. Các hướng dẫn nên phác thảo các bước cần thiết để đảm bảo rằng AI được sử dụng một cách có đạo đức và chính xác, đồng thời chất lượng kiểm toán được cải thiện.

Đào tạo và bồi dưỡng: Bộ Tài chính nên ưu tiên đào tạo và bồi dưỡng kiểm toán viên về việc sử dụng AI. Điều này có thể được thực hiện thông qua các hội thảo, buổi đào tạo hoặc chia sẻ tài nguyên trực tuyến. Điều quan trọng là kiểm toán viên phải hiểu các khả năng và hạn chế của AI để đảm bảo rằng nó được sử dụng hiệu quả.

Khuyến khích cộng tác: Bộ Tài chính có thể khuyến khích cộng tác giữa kiểm toán viên, nhà phát triển AI và các bên liên quan khác để thúc đẩy đổi mới và nâng cao chất lượng kiểm toán. Điều này có thể được thực hiện thông qua quan hệ đối tác công-tư hoặc các sáng kiến ​​hợp tác khác.

Khuyến khích nghiên cứu và phát triển: Bộ Tài chính nên thúc đẩy nghiên cứu và phát triển trong lĩnh vực AI và kiểm toán để giải quyết mọi thách thức hoặc hạn chế. Điều này có thể được thực hiện thông qua tài trợ hoặc các sáng kiến ​​khác hỗ trợ nghiên cứu và phát triển.

Giám sát và đánh giá việc sử dụng AI: Bộ Tài chính cần giám sát và đánh giá việc sử dụng AI trong kiểm toán để đảm bảo rằng nó được sử dụng một cách hiệu quả và có đạo đức. Điều này có thể được thực hiện thông qua kiểm tra thường xuyên hoặc các cơ chế đánh giá khác.

Khuyến nghị đối với các công ty kiểm toán

Xây dựng chiến lược AI: Các công ty kiểm toán nên xây dựng chiến lược AI vạch ra những lĩnh vực mà AI có thể được sử dụng để cải thiện chất lượng kiểm toán. Chiến lược cũng nên phác thảo các nguồn lực cần thiết để triển khai AI và những rủi ro liên quan đến việc sử dụng nó.

Chất lượng dữ liệu: Các công ty kiểm toán phải đảm bảo rằng dữ liệu được sử dụng trong kiểm toán là chính xác, đầy đủ và có liên quan. Điều này sẽ đảm bảo rằng AI được sử dụng hiệu quả và chất lượng kiểm toán được cải thiện.

Đào tạo nhân viên: Các công ty kiểm toán nên ưu tiên đào tạo nhân viên về việc sử dụng AI. Điều này có thể được thực hiện thông qua các hội thảo, buổi đào tạo hoặc chia sẻ tài nguyên trực tuyến. Điều quan trọng là kiểm toán viên phải hiểu các khả năng và hạn chế của AI để đảm bảo rằng nó được sử dụng hiệu quả. Đồng thời, cần có cơ chế hợp tác với các nhà phát triển AI và các bên liên quan khác để thúc đẩy đổi mới và cải thiện chất lượng kiểm toán. Điều này có thể được thực hiện thông qua quan hệ đối tác công-tư hoặc các sáng kiến ​​hợp tác khác.

Khuyến nghị cho Hội Kiểm toán viên hành nghề Việt Nam (VACPA)

Xây dựng hướng dẫn và tiêu chuẩn: VACPA nên xây dựng hướng dẫn và tiêu chuẩn cho việc sử dụng AI trong kiểm toán. Các hướng dẫn nên phác thảo các bước cần thiết để đảm bảo rằng AI được sử dụng một cách có đạo đức và chính xác, đồng thời chất lượng kiểm toán được cải thiện.

Vận động chính sách: VACPA nên ủng hộ việc sử dụng AI có trách nhiệm và đạo đức trong kiểm toán. Điều này có thể được thực hiện thông qua các tuyên bố công khai, chiến dịch truyền thông hoặc các sáng kiến vận động chính sách khác.

Nghiên cứu và phát triển: VACPA nên thúc đẩy nghiên cứu và phát triển trong lĩnh vực AI và kiểm toán để giải quyết mọi thách thức hoặc hạn chế. Điều này có thể được thực hiện thông qua tài trợ hoặc các sáng kiến khác hỗ trợ nghiên cứu và phát triển.

6. Kết luận

Các loại AI khác nhau có thể có tác động tích cực đến chất lượng kiểm toán, nhưng hiệu quả của AI phụ thuộc nhiều vào chất lượng và tính đại diện của dữ liệu được sử dụng để huấn luyện các thuật toán, cũng như độ phức tạp của nhiệm vụ kiểm toán đang được thực hiện. Nghiên cứu cũng đề xuất một số gợi ý và khuyến nghị với các bên liên quan, để đảm bảo rằng AI được sử dụng một cách thích hợp và hiệu quả trong bối cảnh kiểm toán nhằm nâng cao chất lượng kiểm toán ở Việt Nam trong thời gian tới.

 

 

Tài liệu tham khảo

Boillet, J. (2018). How artificial intelligence will transform the audit.Earnest & Young Reporting.

Dictionary, C. (2015). Cambridge dictionaries online.

Eric N. J, David H. S, & Ryan J. W. (2016), Using Rule-Based Reasoning to Improve Auditors' Detection of Financial Reporting Irregularities, Accounting Research. 2(2), 124-135.

Kokina, J., & Davenport, T. H. (2017). The emergence of artificial intelligence: How automation is changing auditing.Journal of emerging technologies in accounting,14(1), 115-122.

Kwang Y. L, Min-Soo K, & Jong-H. K. (2019), A Study on the Application of Rule-Based Reasoning for Financial Statement Fraud Detection. Information Science and Engineering, 2(1), 186-197.

Manpreet Kaur & Rashmi Aggarwal. (2019), Deep Learning in Auditing: A New Wave of Future, Accounting and Management Information Systems. 2(2), 145-156.

Moffitt, K. C., Rozario, A. M., & Vasarhelyi, M. A. (2018). Robotic process automation for auditing.Journal of emerging technologies in accounting,15(1), 1-10.

The Organization for Economic Co-operation and Development (OECD). (2021). Available online: Oecd.org (accessed on 3 May 2022).

Tim B, Jere R. F. & Xian H. S. (2019). Auditor Materiality Assessments in the Presence of Machine Learning, Accounting Research, 2(1), 224-235.

Xiaohua Fang. (2018). Deep Learning Applications in Accounting Research, Emerging Technologies in Accounting, 2(2),287-298.

Xuan Jiang. (2019). Using Deep Learning to Improve the Quality of Auditing Services, Intelligent & Fuzzy Systems, 2(3), 352-363.

Yacob M., & Desta D. (2018). The Effect of Rule-Based Expert Systems on Auditor's Detection of Misstatements in Financial Statements. Accounting and Taxation, 1(2), 248-259.

Yan Liu & Colleagues. (2018). Artificial Intelligence and Auditing: The Use of Deep Learning for Fraud Detection", Information Systems, 1(3), 198-209.

 

Nguồn: Tạp chí Kế toán và Kiểm toán