Tác động của tự động hóa và trí tuệ nhân tạo đến lập kế hoạch kiểm toán

TS. Nguyễn Thị Phương Thảo*

Khoa Kế toán – Kiểm toán, Học viện Ngân hàng

Tóm tắt

Bài viết phân tích các cơ hội để nâng cao chất lượng hoặc hiệu quả kiểm toán cũng như những thách thức hoặc cân nhắc khi triển khai tự động hóa và trí tuệ nhân tạo trong giai đoạn lập kế hoạch kiểm toán trong kiểm toán báo cáo tài chính. Bài viết cũng chỉ ra rằng, thông qua việc sử dụng tự động hóa, phân tích và trí tuệ nhân tạo, kết quả của việc thực hiện các quy trình trong một giai đoạn này có thể ngày càng cung cấp bằng chứng cho nhiều giai đoạn khác trong kiểm toán.

Từ khóa: kiểm toán, tự động hóa, trí tuệ nhân tạo, lập kế hoạch kiểm toán.

Abstract

The article analyzes opportunities to improve audit quality or effectiveness as well as challenges or considerations when implementing automation and artificial intelligence in the audit planning phase of financial audits. The article also points out that, through the use of automation and artificial intelligence, the results of implementing processes in this one phase can increasingly provide evidence for other stages in financial audits.

Keywords: auditing, automation, artificial intelligence, audit planning.

JEL Classifications: M40, M41, M49.

DOI: https://doi.org/10.59006/vnfa-jaa.06202314

Mở đầu

Từ việc sử dụng nhận dạng khuôn mặt để mở khóa điện thoại thông minh đến sử dụng xử lý ngôn ngữ tự nhiên (NLP) để cho phép con người nói chuyện với trợ lý ảo bằng tiếng Anh đơn giản… các chương trình hỗ trợ trí tuệ nhân tạo (AI) đang thay đổi cuộc sống cá nhân và nghề nghiệp hàng ngày của chúng ta. Dưới sự tác động của việc áp dụng và phát triển nhanh chóng các công nghệ trong thế giới ngày càng dựa trên dữ liệu như hiện nay, kiểm toán viên (KTV) và các doanh nghiệp mà họ kiểm toán đang sử dụng các công nghệ phát triển hơn bao giờ hết. Đối với nhiều KTV, sử dụng tự động hóa và phân tích là bước đầu tiên trong hành trình kỹ thuật số hướng tới kiểm toán có hỗ trợ của AI. Giống như những tiến bộ kỹ thuật số trước đó, AI sẽ thực hiện các nhiệm vụ lặp đi lặp lại và cung cấp thông tin chuyên sâu hơn. Đồng thời, nâng cao hiệu quả và chất lượng và cho phép KTV sử dụng tốt hơn các kỹ năng, kiến thức và khả năng phán đoán chuyên nghiệp của họ.

Tuy nhiên, khi tiến bộ kỹ thuật số ngày càng gia tăng, một số câu hỏi về vai trò và công việc của KTV đã được đặt ra như: KTV sẽ đóng vai trò gì trong một thế giới bị thống trị bởi AI? Công việc kiểm toán trong tương lai sẽ thay đổi như thế nào? Những hạn chế của AI là gì? Bài viết này sẽ phân tích những lợi ích của kiểm toán có hỗ trợ của tự động hóa và trí tuệ nhân tạo trong quá trình lập kế hoạch kiểm toán; đồng thời cũng chỉ ra những thách thức và cân nhắc khi thực hiện lập kế hoạch kiểm toán có sự hỗ trợ của tự động hóa và trí tuệ nhân tạo. 

 

Tự động hóa và trí tuệ nhân tạo: Cơ hội trong quá trình lập kế hoạch

Sử dụng trí tuệ tự động hóa trong quá trình lập kế hoạch kiểm toán đã tạo điều kiện thuận lợi hơn trong việc xác định mức trọng yếu và phạm vi kiểm toán, cũng như đánh giá rủi ro. Cụ thể như sau:

Về xác định mức trọng yếu và phạm vi kiểm toán

Tự động hóa quy trình bằng robot (RPA) và phân tích có thể được sử dụng để trích xuất dữ liệu từ các giai đoạn trước hoặc báo cáo tài chính giữa kỳ để xác định mức trọng yếu được đề xuất, dựa trên một số các tiêu chuẩn benchmarking. Các kỹ thuật tương tự có thể được sử dụng, để xác định mức trọng yếu trong một cuộc kiểm toán liên tục hoặc theo thời gian thực. RPA và phân tích có thể được áp dụng, để xác định các giao dịch bất thường hoặc các khu vực không tuân theo quy trình kinh doanh đã được tìm hiểu, để xác định phạm vi và tập trung kiểm tra các tài khoản hoặc giao dịch có nguy cơ sai sót cao hơn.

Về đánh giá rủi ro

RPA có thể được sử dụng để lấy thông tin từ cơ sở dữ liệu đăng ký và các nguồn thông tin có sẵn công khai, như một phần của quá trình lập kế hoạch.

Ví dụ:

- Khai thác thông tin từ báo cáo tài chính kỳ trước; các số liệu tài chính quan trọng được sử dụng trong đánh giá rủi ro; và trích xuất nội dung văn bản… Phân loại và ghi lại dữ liệu về vùng miền và ngành kinh doanh một cách hiệu quả để so sánh (ví dụ: phân tích tỷ lệ với ngành hoặc khu vực nhất định, nếu có).

- Thực hiện các thủ tục kiểm toán độc lập (không cần dùng đến xét đoán chuyên môn của KTV): xem xét cơ cấu tổ chức của doanh nghiệp với các bên liên quan, công ty liên doanh, liên kết với hồ sơ của bộ phận kiểm toán nội bộ và các khoản đầu tư được nắm giữ (để hỗ trợ đưa ra các quyết định phù hợp); kiểm tra hồ sơ lý lịch của giám đốc hoặc chủ sở hữu và doanh nghiệp. Những điều này sẽ cung cấp thông tin cho đánh giá của KTV về tính độc lập (trên thực tế và hình thức bên ngoài).

- Thu thập thông tin về các công ty niêm yết. Đăng ký kinh doanh theo khu vực và ngành nghề được tự động thu thập và lưu vào hồ sơ rủi ro của doanh nghiệp.

- Thu thập dữ liệu thị trường khách hàng. Ví dụ: KTV có thể thu thập thông tin về tỷ lệ phần trăm cổ phiếu của đơn vị được nắm giữ ở vị thế bán khống (short position), đây có thể là chỉ báo hàng đầu về các rủi ro tiềm ẩn liên quan.

Bên cạnh việc sử dụng tự động hóa và phân tích, trí tuệ nhân tạo (AI) cũng có vai trò quan trọng trong đánh giá rủi ro và xác định phạm vi kiểm toán phù hợp, cụ thể như sau:

Thứ nhất, hiểu được các kỹ thuật NLP về kinh doanh và đánh giá rủi ro cho phép công cụ AI xem xét thông tin thu được thông qua các kỹ thuật RPA trên cả thông tin công khai và không công khai. Các kỹ thuật NLP có thể cho phép KTV quét báo cáo hàng năm của một doanh nghiệp, hồ sơ quy định, lịch sử điện thoại với các nhà đầu tư, trang web, điều khoản của hiệp hội và biên bản cuộc họp, đồng thời gói gọn các tài liệu này thành một hồ sơ tóm tắt chung về doanh nghiệp cũng như mục đích và rủi ro của doanh nghiệp đó.

- Dựa trên kiến thức về các doanh nghiệp tương tự và các ngành của khách hàng, AI có thể đề xuất các tiêu chí rủi ro liên quan, ví dụ, các sai sót thường gặp được xác định đối với các khoản mục hàng báo cáo tài chính cụ thể, lĩnh vực quan tâm của nhà phân tích hoặc…

- AI đánh giá biên bản hội đồng quản trị, báo cáo kiểm toán nội bộ, các giao dịch quan trọng và bất thường, các vấn đề pháp lý, thị trường/khách hàng/nhân viên từ email, khiếu nại của khách hàng, tin bài, mạng xã hội và trò chuyện trực tuyến và tóm tắt cho KTV.

Thứ hai, AI có thể thực hiện phân tích để phát hiện bất thường trên báo cáo kết quả kinh doanh và bảng cân đối kế toán trong một số khoảng thời gian xác định, có

tính đến xu hướng của ngành, chu kỳ kinh doanh và các yếu tố liên quan khác.

Thứ ba, AI có thể tiến xa hơn để vạch ra các luồng giao dịch thông thường cho các đơn vị kinh doanh và mục hàng báo cáo tài chính nhất định. Việc thu thập thông tin này, cho phép KTV hình dung các luồng giao dịch và xác định các luồng quy trình điển hình (bao gồm khối lượng và số lượng giao dịch). AI cũng có thể xác định các giao dịch ngoại lệ không tuân theo quy trình kinh doanh thông thường; hoặc các sản phẩm và dịch vụ mới chưa được kiểm tra trước đó. Việc trực quan hóa sơ đồ giao dịch, cũng có thể giúp hỗ trợ KTV hiểu về quy trình kinh doanh và phạm vi kiểm tra. Dữ liệu này có thể được bổ sung bằng các dữ liệu khác, chẳng hạn như kết quả kiểm toán theo luật định (hoặc nội bộ), thông tin về chi nhánh và vị trí địa lý, cũng như lịch sử sai sót và điều chỉnh, tất cả đều có thể được sử dụng để hỗ trợ KTV đưa ra các quyết định về rủi ro và phạm vi phù hợp.

 

Tự động hóa và trí tuệ nhân tạo: Những thách thức và cân nhắc

Mặc dù, những lợi ích mà tự động hóa, phân tích và trí tuệ nhân tạo mang lại trong quá trình lập kế hoạch kiểm toán là không thể phủ nhận, nhưng KTV cũng cần cân nhắc một số vấn đề và thách thức khi sử dụng các công cụ này.

Thứ nhất, về dữ liệu đầu vào

Trừ khi sử dụng đầu vào được tiêu chuẩn hóa, mỗi lần KTV tạo hoặc sử dụng RPA họ sẽ phải xây dựng logic cho thông tin mà công cụ cần xác định. KTV sẽ cần xem xét cách xử lý dữ liệu đầu vào bị thiếu hoặc không đầy đủ và cách công cụ sẽ cần xử lý những vấn đề này (ví dụ: ủy quyền lại cho KTV hoặc áp dụng các giả định thay cho dữ liệu bị thiếu). Để KTV thực hiện thử nghiệm dựa trên dữ liệu, cần có nhiều dữ liệu hơn đáng kể so với yêu cầu của phương pháp lấy mẫu truyền thống. Tính đầy đủ của dữ liệu luôn là một thách thức cốt lõi đối với KTV, nhưng rủi ro này được cảm nhận rõ ràng hơn khi cần có khối lượng dữ liệu lớn. Một ví dụ đơn giản: nếu có một mẫu gồm 25 mục, KTV có thể nhanh chóng kiểm tra thông tin nhận được và xem liệu có các thông tin bị thiếu hay không; tuy nhiên, nếu khối lượng dữ liệu là hàng triệu nghiệp vụ thì cần có các công cụ xử lý để đánh giá dữ liệu nhằm xác định thông tin còn thiếu.

Thứ hai, đánh giá đầu ra cũng được yêu cầu

Điều quan trọng là KTV phải tự thỏa mãn (thông qua kiểm soát hoặc xác thực nội dung) rằng dữ liệu mà công cụ sử dụng là phù hợp và đáng tin cậy. KTV cũng cần phải yên tâm rằng, công cụ đã đưa ra phân tích thích hợp, xem xét đầu ra của công cụ trong bối cảnh kiến thức và hiểu biết của họ về khách hàng.

Thứ ba, về hiểu biết kinh doanh và đánh giá rủi ro

AI không thể cắm vào internet và chạy. Thay vào đó, các nguồn dữ liệu, trang web, thư mục hoặc cơ chế đầu vào đáng tin cậy khác cần được xác định. Ban đầu, công cụ cần được đào tạo hoặc hướng dẫn để xác định thông tin liên quan. Ví dụ: điều này có thể thông qua hướng công cụ đến các nguồn tin tức đáng tin cậy, kho lưu trữ thông tin, trang web riêng của khách hàng hoặc thông tin liên quan khác. Ngoài ra, KTV sẽ cần thiết lập các mức độ để AI phân tích, xem xét về độ tin cậy của các nguồn thông tin và chính dữ liệu. Sau khi được thu thập, KTV cũng xem xét thông tin được trình bày dựa trên kiến thức và hiểu biết về doanh nghiệp. Mặt khác, khi thu thập thông tin về ngành, công cụ cũng cần có hướng dẫn ban đầu về “nhóm ngang hàng” của doanh nghiệp là đối tượng nào (ví dụ: trong nước so với toàn cầu, ngành, nơi doanh nghiệp và đối thủ cạnh tranh làm việc trong chuỗi cung ứng).

Khách hàng có thể miễn cưỡng chia sẻ một số thông tin nhạy cảm bằng điện tử (ví dụ: biên bản hội đồng quản trị). Điều này có thể hạn chế khả năng của KTV trong việc sử dụng hết tiềm năng của các công cụ này. KTV sẽ cần xem xét cách chứng minh khả năng bảo vệ dữ liệu phù hợp (ví dụ: an ninh mạng và vòng đời của thông tin).

Thứ tư, đối với các ngoại lệ

AI cần dữ liệu trong một khoảng thời gian (ngày/tuần/tháng/năm) để thiết lập quy trình kinh doanh “bình thường”. Khoảng thời gian cần thiết tùy thuộc vào tần suất giao dịch (các giao dịch có tần suất lớn hơn sẽ yêu cầu dữ liệu lịch sử trong khoảng thời gian ngắn hơn). Những thay đổi trong quy trình cũng sẽ cần được xem xét, vì điều này có thể tạo ra một “bình thường” mới sau khi thực hiện. KTV cần xây dựng phương pháp đánh giá các khoản mục đáng chú ý hoặc các điểm khác biệt, để xác định xem chúng có chứa đựng rủi ro có sai sót trọng yếu hay không. Điều này có thể ngày càng trở nên khó khăn, khi số lượng các mục đáng chú ý hoặc ngoại lệ tăng lên (đôi khi lên đến hàng nghìn). Với quá trình đào tạo hoặc kinh nghiệm bổ sung theo thời gian, công cụ AI có thể làm giảm sự xuất hiện của các kết quả giả và số lượng các trường hợp ngoại lệ được xác định.

Kết luận

Với sự hỗ trợ của các công cụ trên trong giai đoạn lập kế hoạch kiểm toán, KTV sẽ dành ít thời gian hơn cho việc thu thập, đối chiếu, định dạng và tóm tắt thông tin. Thay vào đó, họ dành thời gian vào việc phân tích, đánh giá kết quả hoặc ý nghĩa của thông tin, dữ liệu. Điều này có thể cung cấp thông tin chi tiết hơn về đơn vị được kiểm toán, từ đó giúp KTV đánh giá rủi ro và xác định phạm vi kiểm toán phù hợp. Tuy nhiên, để thực sự sử dụng các công cụ này hiệu quả trong quá trình lập kế hoạch kiểm toán, KTV cần cân nhắc một số các yếu tố như dữ liệu đầu vào, đánh giá dữ liệu đầu ra về xác định các thông tin để tìm hiểu về DN và đánh giá rủi ro, cũng như việc xây dựng các phương pháp đánh giá các ngoại lệ.

Tài liệu tham khảo

AICPA and CPA Canada. (2020). The Data-Driven Audit: How Automation and AI are Changing the Audit and the Role of the Auditor. https://us.aicpa.org/content/dam/aicpa/interestareas/frc/assuranceadvisoryservices/downloadabledocuments/the-data-driven-audit.pdf

KPMG. (2021). Robotic process automation (RPA) powering up the audit.

https://kpmg.com/za/en/home/insights/2021/11/robotic-process-automation--rpa--

 

Nguồn: Tạp chí Kế toán và Kiểm toán