TÓM TẮT:
Nghiên cứu tập trung khám phá và cụ thể hóa các ứng dụng của trí tuệ nhân tạo trong việc xây dựng và củng cố 5 thành phần của hệ thống kiểm soát nội bộ (KSNB) theo khuôn khổ Committee Of Sponsoring Organization (viết tắt là COSO, một Ủy ban thuộc Hội đồng Quốc gia Hoa Kỳ về việc chống gian lận về Báo cáo tài chính) tại các doanh nghiệp vừa và nhỏ (DNVVN). Bài viết trình bày các bước xây dựng và triển khai các ứng dụng trí tuệ nhân tạo cụ thể, từ việc sử dụng xử lý ngôn ngữ tự nhiên để đánh giá môi trường kiểm soát, áp dụng các mô hình học máy để đánh giá rủi ro, triển khai tự động hóa quy trình bằng robot cho các hoạt động kiểm soát, đến việc sử dụng khai phá quy trình để giám sát liên tục. Kết quả nghiên cứu cung cấp khung hướng dẫn thực tiễn cho các DNVVN trong việc từng bước hiện đại hóa hệ thống KSNB, chuyển đổi từ mô hình kiểm soát bị động sang chủ động và dựa trên dữ liệu.
Từ khóa: trí tuệ nhân tạo, kiểm soát nội bộ, COSO, doanh nghiệp vừa và nhỏ, tự động hóa quy trình bằng Robot (RPA).
1. Đặt vấn đề
Trong nền kinh tế Việt Nam, khối DNVVN đóng vai trò xương sống, chiếm khoảng 97% tổng số doanh nghiệp và đóng góp tới 45% GDP (Cục Thống kê, 2023). Mặc dù có vai trò quan trọng, sự tồn tại và phát triển của DNVVN luôn tiềm ẩn nhiều rủi ro do hạn chế cố hữu về nguồn lực, dẫn đến hệ thống kiểm soát nội bộ thường yếu kém, phụ thuộc vào con người và các quy trình thủ công. Thực trạng này dẫn đến các hậu quả nghiêm trọng: các sai sót trong sổ sách kế toán không được phát hiện kịp thời, các hành vi gian lận nội bộ có cơ hội phát sinh gây thất thoát tài sản, và doanh nghiệp đối mặt với nguy cơ vi phạm các quy định pháp luật. Báo cáo của Hiệp hội các nhà kiểm tra gian lận chứng nhận (ACFE) các doanh nghiệp nhỏ thường chịu tổn thất do gian lận cao gấp đôi so với các doanh nghiệp lớn, chính vì sự thiếu vắng các hoạt động kiểm soát hiệu quả.
Trong bối cảnh cuộc cách mạng công nghiệp 4.0, khi khối lượng dữ liệu số gia tăng theo cấp số nhân, các phương pháp kiểm soát thủ công dựa trên việc kiểm tra mẫu dữ liệu nhỏ đã trở nên lỗi thời và không còn đủ sức bảo vệ doanh nghiệp. Sự chậm trễ trong việc phát hiện rủi ro có thể khiến DNVVN mất đi khả năng cạnh tranh và thậm chí đối mặt với nguy cơ phá sản. Do đó, việc tìm kiếm giải pháp có khả năng tự động hóa, giám sát toàn diện và nâng cao năng lực quản trị rủi ro không chỉ là lựa chọn cải tiến, mà là yêu cầu cấp thiết để đảm bảo sự tồn tại và phát triển bền vững của DNVVN. Trí tuệ nhân tạo với khả năng phân tích dữ liệu thông minh và tự động hóa, nổi lên như công cụ mang tính cách mạng, hứa hẹn sẽ giải quyết những yếu kém nền tảng của hệ thống KSNB truyền thống.
2. Cơ sở lý thuyết
Nền tảng của quản trị doanh nghiệp hiện đại được xây dựng trên hệ thống kiểm soát nội bộ vững chắc. Về bản chất, KSNB được định nghĩa là quy trình toàn diện, chịu sự chi phối của ban lãnh đạo và toàn thể nhân viên, được thiết kế nhằm cung cấp sự đảm bảo hợp lý cho việc đạt được các mục tiêu cốt lõi của tổ chức về hiệu quả hoạt động, sự tin cậy của báo cáo và tính tuân thủ pháp luật (COSO, 2013). Để hiện thực hóa các mục tiêu này, khuôn khổ COSO đã cấu trúc hệ thống KSNB thành 5 thành phần có mối liên hệ mật thiết và tương hỗ lẫn nhau, bao gồm Môi trường kiểm soát, Đánh giá rủi ro, Hoạt động kiểm soát, Thông tin - Truyền thông, và Giám sát. Môi trường kiểm soát đóng vai trò là nền tảng, trong khi các thành phần còn lại hình thành nên cơ chế năng động để nhận diện, phản ứng và giám sát các rủi ro trong quá trình vận hành.
Tuy nhiên, khuôn khổ COSO đang đối mặt với những thách thức chưa từng có trong bối cảnh môi trường kinh doanh hiện đại, đặc biệt là tại các doanh nghiệp vừa và nhỏ, dựa trên các tiêu chí về lao động và nguồn vốn, thường vận hành với nguồn lực tài chính và nhân sự chuyên môn hết sức hạn chế. Chính trong bối cảnh này, trí tuệ nhân tạo nổi lên như lực lượng công nghệ có khả năng định hình lại và dân chủ hóa các hoạt động kiểm soát tinh vi. Trí tuệ nhân tạo, được định nghĩa là ngành của khoa học máy tính chuyên tạo ra các hệ thống có thể thực hiện các nhiệm vụ đòi hỏi trí thông minh của con người (Russell & Norvig, 2021), mang đến bộ công cụ mạnh mẽ. Trong đó, học máy cho phép hệ thống tự động nhận diện các mẫu bất thường từ dữ liệu mà con người có thể bỏ sót. Tự động hóa quy trình bằng Robot có khả năng giải phóng con người khỏi các tác vụ kiểm soát lặp đi lặp lại với độ chính xác gần như tuyệt đối, lĩnh vực đã được chứng minh là giúp tăng hiệu suất và giảm chi phí đáng kể trong các chức năng tài chính (Moffitt và cộng sự, 2018). Cùng với đó, khai phá quy trình được tiên phong bởi Van der Aalst (2016), cung cấp khả năng phân tích các quy trình kinh doanh từ dữ liệu hệ thống, mang lại sự minh bạch chưa từng có. Việc tích hợp các công nghệ này vào khuôn khổ COSO không chỉ là sự cải tiến, mà là bước nhảy vọt, hiện thực hóa lý thuyết về giám sát liên tục đã được đề xuất từ lâu bởi Vasarhelyi và Halper (1991), biến thành giải pháp khả thi cho cả các DNVVN.
3. Ứng dụng chi tiết của trí tuệ nhân tạo trong việc xây dựng hệ thống kiểm soát nội bộ
Thành phần nền tảng của hệ thống là môi trường kiểm soát, vốn bao gồm các yếu tố vô hình như sự chính trực và giá trị đạo đức, thường được xem là khó đo lường một cách khách quan. Trí tuệ nhân tạo, thông qua công nghệ xử lý ngôn ngữ tự nhiên, cung cấp phương pháp mới để lượng hóa các khía cạnh này. Cụ thể, các mô hình phân tích cảm xúc có thể được triển khai để phân tích dữ liệu văn bản thu thập từ các cuộc khảo sát nhân viên ẩn danh hoặc các kênh giao tiếp nội bộ. Các thuật toán này không chỉ phân loại cảm xúc thành tích cực, tiêu cực hay trung tính mà còn có thể nhận diện các chủ đề chính và các mối bận tâm của nhân viên. Nghiên cứu của García-Méndez và cộng sự (2023) đã chứng minh kỹ thuật khai phá văn bản có thể phân tích hiệu quả các báo cáo trách nhiệm xã hội của doanh nghiệp để đánh giá các khía cạnh văn hóa và đạo đức. Đối với doanh nghiệp vừa và nhỏ, việc áp dụng dịch vụ xử lý ngôn ngữ tự nhiên trên nền tảng đám mây để phân tích phản hồi của nhân viên sẽ giúp cho ban lãnh đạo đo lường văn hóa tổ chức theo thời gian thực, giúp nhận diện sớm các vấn đề tiềm ẩn về sự bất mãn hoặc suy giảm tinh thần tuân thủ.
Tiếp đến, trí tuệ nhân tạo cách mạng hóa quy trình đánh giá rủi ro, vốn theo truyền thống thường mang tính định kỳ và phụ thuộc vào kinh nghiệm chủ quan. Công nghệ này cho phép chuyển đổi sang mô hình đánh giá rủi ro liên tục, dựa trên dữ liệu và có khả năng dự báo. Các mô hình Học máy có thể được huấn luyện trên dữ liệu lịch sử để dự báo các rủi ro tài chính và hoạt động. Trong việc đánh giá rủi ro tín dụng của khách hàng, Leo, Sharma và Maddulety (2019) đã hệ thống hóa nhiều nghiên cứu cho thấy các thuật toán học máy như mạng Nơron hay máy Vector hỗ trợ có độ chính xác vượt trội so với các mô hình chấm điểm tín dụng truyền thống. Đối với doanh nghiệp vừa và nhỏ, việc xây dựng mô hình dự báo dòng tiền đơn giản dựa trên dữ liệu bán hàng quá khứ và các biến số kinh tế vĩ mô có thể cung cấp những cảnh báo sớm về nguy cơ thiếu hụt thanh khoản.
Trong phạm vi các hoạt động kiểm soát, trí tuệ nhân tạo và tự động hóa mang lại những tác động hữu hình và mạnh mẽ nhất. Công nghệ tự động hóa quy trình bằng Robot là ví dụ điển hình, có khả năng tự động hóa các tác vụ kiểm soát lặp đi lặp lại và dựa trên quy tắc. Cooper và cộng sự (2019) đã ghi nhận việc triển khai thành công một robot phần mềm để tự động hóa quy trình đối chiếu ngân hàng, giúp giảm 90% thời gian thực hiện và đạt độ chính xác 100%. Đối với doanh nghiệp vừa và nhỏ, việc tự động hóa quy trình đối chiếu 3 chiều giữa hóa đơn, đơn đặt hàng và báo cáo nhận hàng sẽ giải phóng nhân viên kế toán khỏi công việc thủ công, cho phép họ tập trung vào việc phân tích các giao dịch ngoại lệ.
Đối với thành phần thông tin và truyền thông, trí tuệ nhân tạo đóng vai trò cải thiện chất lượng và tốc độ của dòng thông tin quản trị. Các nền tảng phân tích kinh doanh thông minh hiện đại không chỉ trực quan hóa dữ liệu mà còn tích hợp tính năng tạo sinh ngôn ngữ tự nhiên. Công nghệ này có thể tự động tạo ra các đoạn văn diễn giải các xu hướng và các điểm bất thường nổi bật trên biểu đồ. Nghiên cứu của Lopes và cộng sự (2021) đã chỉ ra các báo cáo được bổ sung diễn giải tự động bằng ngôn ngữ tự nhiên giúp những người ra quyết định không chuyên về tài chính hiểu và nắm bắt thông tin nhanh hơn đáng kể.
Cuối cùng, trí tuệ nhân tạo hiện thực hóa khái niệm Giám sát liên tục một cách triệt để, đặc biệt thông qua công nghệ khai phá quy trình, công nghệ này có thể tái tạo lại một cách trực quan toàn bộ các luồng quy trình thực tế đã diễn ra. Điều này cho phép ban lãnh đạo trả lời các câu hỏi kiểm soát quan trọng như: “Quy trình phê duyệt chiết khấu có luôn được tuân thủ không?” hay “Có trường hợp nào một nhân viên vừa tạo nhà cung cấp mới vừa phê duyệt thanh toán cho chính nhà cung cấp đó không?”. Nghiên cứu của Jans, Van Der Werf, và cộng sự (2019) đã áp dụng công nghệ này trong chu trình mua sắm, qua đó phát hiện nhiều vi phạm về phân chia nhiệm vụ mà các phương pháp kiểm toán truyền thống đã bỏ qua.
4. Kết luận và kiến nghị
Nghiên cứu này đã tiến hành cuộc khảo sát và phân tích chuyên sâu về tiềm năng ứng dụng của trí tuệ nhân tạo trong việc tái cấu trúc và nâng cao hiệu quả hệ thống kiểm soát nội bộ tại các doanh nghiệp vừa và nhỏ. Kết quả phân tích cho thấy, trong bối cảnh các phương pháp kiểm soát thủ công, dựa trên mẫu đang ngày càng tỏ ra yếu thế trước sự phức tạp và quy mô của dữ liệu số, trí tuệ nhân tạo không chỉ là giải pháp công nghệ đơn thuần mà là động lực chiến lược có khả năng tạo ra sự chuyển đổi mô hình căn bản. Bằng cách tích hợp các công nghệ như học máy, tự động hóa quy trình bằng Robot và khai phá quy trình vào khuôn khổ 5 thành phần của COSO, doanh nghiệp có thể dịch chuyển từ cơ chế kiểm soát mang tính phản ứng, bị động sang hệ thống giám sát chủ động, liên tục và có khả năng dự báo. Nghiên cứu đã chứng minh các ứng dụng này hoàn toàn khả thi, giúp tự động hóa các tác vụ lặp lại, nhận diện các rủi ro mới nổi, phát hiện các hành vi gian lận tinh vi và cung cấp cái nhìn minh bạch, toàn diện về sự tuân thủ quy trình trong toàn tổ chức.
TÀI LIỆU THAM KHẢO:
Bộ Khoa học và Công nghệ (2022). Báo cáo thực trạng chuyển đổi số và ứng dụng công nghệ trong doanh nghiệp Việt Nam.
Chính phủ nước Cộng hòa xã hội chủ nghĩa Việt Nam (2021). Nghị định số 80/2021/NĐ-CP ngày 26/08/2021 quy định chi tiết và hướng dẫn thi hành một số điều của Luật Hỗ trợ doanh nghiệp nhỏ và vừa.
Cục Thống kê (2023). Sách trắng Doanh nghiệp Việt Nam năm 2023. Nhà xuất bản Thống kê, Hà Nội.
Hiệp hội Phần mềm và Dịch vụ Công nghệ thông tin Việt Nam (VINASA) (2024). Báo cáo Toàn cảnh Chuyển đổi số Việt Nam 2024.
Quốc hội nước Cộng hòa xã hội chủ nghĩa Việt Nam (2015). Luật Kế toán (Số 88/2015/QH13).
Võ Văn Nhị, Trần Thị Thanh Hải, Nguyễn Thị Kim Oanh (2018). Thực trạng kiểm soát nội bộ tại các doanh nghiệp nhỏ và vừa trên địa bàn TP. Hồ Chí Minh. Tạp chí Phát triển Kinh tế, 298, 64-82.
Arrieta A. B., Díaz-Rodríguez N., Del Ser, J. Bennetot, A., Tabik S., Barbado A., ... & Herrera F. (2020). Explainable Artificial Intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI. Information Fusion, 58, 82-115. Available at https://doi.org/10.1016/j.if.2019.12.012.
Association of Certified Fraud Examiners (ACFE) (2024). Occupational fraud 2024: A report to the nations. Available at https://www.acfe.com/report-to-the-nations/2024/.
Bao Y., Ke B., Li B., Yu Y. J., & Zhang J. (2020). Using text-based data in financial reporting to detect fraud. Journal of Accounting Research, 58(3), 585-631. Available at https://doi.org/10.1111/1475-679X.12310.
Committee of Sponsoring Organizations of the Treadway Commission (COSO). (2013). Internal control – Integrated framework: Executive summary. Available at https://www.coso.org/documents/990025p-executive-summary-final-may20.pdf.
Cooper L. A., Holderness D. K., Sorensen T. L., & Wood D. A. (2019). Robotic process automation in public accounting. Accounting Horizons, 33(4), 15-35. Available at https://doi.org/10.2308/acch-52466.
Deloitte. (2022). Risk sensing: The evolving state of the art. Deloitte Insights.
García-Méndez S., de-Pablos-Heredero C., & Blanco-González-Tejero C. (2023). Using text mining to analyze corporate social responsibility reports for cultural and ethical indicators. Heliyon, 9(6), e16738. Available at https://doi.org/10.1016/j.heliyon.2023.e16738.
Gartner (2024). Magic quadrant for analytics and business intelligence platforms. Gartner, Inc.
International Finance Corporation (IFC). (2021). Corporate governance for small and medium enterprises: A practical guide. World Bank Group.
ISACA. (2023). Continuous monitoring for effective internal control. ISACA Journal, 4. Available at https://www.isaca.org/resources/isaca-journal/issues/2023/volume-4/continuous-monitoring-for-effective-internal-control
Jans M., Alles M. G., & Vasarhelyi M. A. (2014). A field study on the use of process mining of event logs as an analytical procedure in auditing. The Accounting Review, 89(5), 1751-1773. Available at https://doi.org/10.2308/accr-50809
Jans M., Van Der Werf J. M., Lybaert N., & Vanhoof K. (2019). A case study on the application of process mining for internal control analysis. International Journal of Accounting Information Systems, 32, 26-42. Available at https://doi.org/10.1016/j.accinf.2018.12.002
KPMG (2023). Global Tech Report 2023: The future of technology in a connected world. KPMG International.
Leo M., Sharma S., & Maddulety K. (2019). Machine learning in banking risk management: A literature review. Risks, 7(1), 29. Available at https://doi.org/10.3390/risks7010029
Lopes R., Frazão L., & Nunes V. (2021). The impact of natural language generation on the comprehensibility of financial reports. In Proceedings of the 54th Hawaii International Conference on System Sciences (p. 6649) . Available at https://hdl.handle.net/10125/71391
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. Available at https://doi.org/10.2308/jeta-52048
Pistoni E., & Kurent T. (2020). Using sentiment analysis to monitor the corporate ethical environment. Journal of Business Ethics, 167(1), 185-199. Available at https://doi.org/10.1007/s10551-019-04179-8
Russell S. J., & Norvig P. (2021). Artificial intelligence: A modern approach (4th ed.). Pearson.
Van der Aalst W. M. P. (2016). Process mining: Data science in action. Springer.
Vasarhelyi M. A., & Halper F. B. (1991). The continuous audit of online systems. Auditing: A Journal of Practice & Theory, 10(1), 110-125.
Wang Z., Zhang Z., Zhang J., & Li J. (2022). Graph-based fraud detection in financial scenes: A survey. IEEE Transactions on Knowledge and Data Engineering, 34(7), 3105-3124. Available at https://doi.org/10.1109/TKDE.2020.3020612.
Application of Artificial Intelligence in Establishing Internal Control Systems at Small and Medium-sized Enterprises
Bui Thi Hong Ngan
Master Student at Van Lang University
Abstract
This study focuses on exploring and detailing the applications of Artificial Intelligence in establishing and strengthening the five components of the internal control system (ICS) according to the COSO framework within small and medium-sized enterprises (SMEs). In the context where SMEs in Vietnam face numerous risks due to manual control systems, resource shortages, and the inability to conduct comprehensive monitoring, Artificial Intelligence emerges as a revolutionary technological solution. The paper presents in detail the steps for building and implementing specific AI applications, from using Natural Language Processing to assess the control environment and applying machine learning models for risk assessment, to deploying robotic process automation for control activities and utilizing process mining for continuous monitoring. The study's findings provide a practical framework for SMEs to progressively modernize their internal control systems, transitioning from a reactive to a proactive, data-driven control model.
Keywords: Artificial Intelligence (AI), Internal Control, COSO, Small and Medium-sized Enterprises (SMEs), Robotic Process Automation (RPA).
