AI Trong Kiểm Toán Nội Bộ Liên Tục: Phát Hiện Bút Toán Bất Thường Real-Time

Giới thiệu

Kiểm toán nội bộ truyền thống thường dựa trên phương pháp chọn mẫu: mỗi kỳ, kiểm toán viên chỉ kiểm tra một tỷ lệ nhỏ trong hàng chục nghìn bút toán được ghi nhận. Cách làm này giúp tiết kiệm thời gian nhưng để lọt rất nhiều rủi ro, đặc biệt là các bút toán gian lận thường chỉ xuất hiện với tần suất thấp và được cố tình "giấu" giữa khối lượng giao dịch hợp lệ. Kiểm toán nội bộ liên tục (Continuous Auditing) kết hợp AI đang thay đổi cách tiếp cận này: thay vì chọn mẫu định kỳ, hệ thống rà quét 100% bút toán ngay khi phát sinh và tự động gắn cờ những giao dịch bất thường để kiểm toán viên tập trung xử lý.

Bài viết phân tích cách mô hình AI phát hiện bút toán bất thường hoạt động, những dấu hiệu rủi ro phổ biến mà mô hình thường tìm kiếm, và gợi ý cách một bộ phận kế toán - kiểm toán nội bộ quy mô vừa có thể bắt đầu áp dụng mà không cần đầu tư hệ thống quá phức tạp.

Vì sao chọn mẫu truyền thống không còn đủ

Phương pháp chọn mẫu thống kê (ví dụ chọn ngẫu nhiên 5-10% số bút toán trong kỳ) có ba hạn chế:

• Bỏ sót giao dịch bất thường có giá trị nhỏ nhưng lặp lại nhiều lần — loại gian lận phổ biến là chia nhỏ nhiều giao dịch để né hạn mức phê duyệt, từng giao dịch không đủ lớn để lọt vào mẫu kiểm tra.
• Phát hiện muộn — sai sót hoặc gian lận chỉ được phát hiện vào kỳ kiểm toán tiếp theo, có khi cách xa thời điểm phát sinh nhiều tháng, gây khó khăn khi truy vết chứng từ gốc.
• Phụ thuộc kinh nghiệm người chọn mẫu — nếu tiêu chí chọn mẫu không bao quát hết loại rủi ro, những khu vực rủi ro cao nhưng ít được chú ý sẽ luôn nằm ngoài phạm vi kiểm tra.

Mô hình AI phát hiện bút toán bất thường hoạt động ra sao

1. Kết hợp quy tắc nghiệp vụ (rule-based) và học máy (machine learning)

Cách tiếp cận phổ biến hiện nay không dùng một mô hình duy nhất mà kết hợp hai lớp:

• Lớp quy tắc nghiệp vụ: các điều kiện được thiết lập sẵn dựa trên kinh nghiệm kiểm toán, ví dụ bút toán được ghi vào cuối tuần hoặc ngoài giờ hành chính, số tiền là số tròn bất thường (ví dụ đúng 100.000.000 đồng), bút toán điều chỉnh trực tiếp vào tài khoản doanh thu hoặc giá vốn sát ngày chốt sổ.
• Lớp học máy không giám sát (unsupervised learning): mô hình học từ toàn bộ dữ liệu bút toán lịch sử để nhận diện "hành vi ghi sổ bình thường" của từng nhân viên, từng tài khoản, từng phòng ban, sau đó gắn điểm bất thường (anomaly score) cho các bút toán mới lệch khỏi khuôn mẫu đó.

2. Các dấu hiệu bất thường mô hình thường tìm kiếm

• Bút toán được tạo và phê duyệt bởi cùng một người, vượt qua nguyên tắc phân quyền.
• Bút toán thủ công (manual journal entry) có giá trị lớn được ghi nhận ngay trước hoặc ngay sau ngày khóa sổ.
• Chuỗi bút toán được ghi nhận và đảo ngược (reverse) trong thời gian ngắn, có thể là dấu hiệu che giấu số liệu tạm thời để qua kỳ kiểm tra.
• Giao dịch với nhà cung cấp mới, chưa có lịch sử giao dịch, nhưng giá trị đã lớn ngay từ lần đầu.
• Tần suất bút toán đột biến bất thường tại một tài khoản cụ thể so với các kỳ trước.

3. Ưu tiên hóa để kiểm toán viên tập trung đúng chỗ

Điểm khác biệt quan trọng của mô hình AI so với việc chỉ đặt ra vài quy tắc cứng là khả năng xếp hạng mức độ rủi ro (risk scoring). Thay vì kiểm toán viên phải xem xét tất cả bút toán bị gắn cờ với mức độ ưu tiên như nhau, hệ thống sắp xếp theo điểm rủi ro giảm dần, giúp tập trung nguồn lực hạn chế vào những trường hợp có khả năng sai sót hoặc gian lận cao nhất trước.

Bảng so sánh kiểm toán chọn mẫu và kiểm toán liên tục có AI

Ứng dụng thực tế cho bộ phận kế toán - kiểm toán nội bộ quy mô vừa

Không phải doanh nghiệp nào cũng có ngân sách triển khai hệ thống continuous auditing chuyên dụng. Một số cách tiếp cận đơn giản hơn để bắt đầu:

• Thiết lập báo cáo cảnh báo tự động trên phần mềm kế toán hiện có: hầu hết phần mềm kế toán phổ biến đều cho phép trích xuất danh sách bút toán thủ công theo điều kiện (người tạo = người duyệt, giá trị vượt ngưỡng, ghi nhận ngoài giờ) — kế toán trưởng có thể yêu cầu chạy báo cáo này hàng tuần thay vì chỉ vào cuối kỳ.
• Dùng công cụ phân tích dữ liệu (Excel Power Query, Power BI) để xây dựng quy tắc rà soát cơ bản: lọc các bút toán có số tiền tròn, bút toán phát sinh cuối tuần, bút toán điều chỉnh sát ngày chốt sổ — đây chính là lớp "rule-based" mà không cần đầu tư AI phức tạp ngay từ đầu.
• Áp dụng công cụ AI tổng quát để rà soát nhanh file dữ liệu xuất ra: có thể dùng các trợ lý AI như Claude để phân tích file Excel sổ nhật ký chung, yêu cầu liệt kê các bút toán có đặc điểm bất thường theo tiêu chí đã đặt ra, trước khi đầu tư hệ thống chuyên dụng.
• Duy trì nguyên tắc phân quyền rõ ràng: AI chỉ phát huy hiệu quả khi dữ liệu về người tạo, người phê duyệt được ghi nhận đầy đủ và chính xác trong hệ thống — đây là điều kiện tiên quyết trước khi nghĩ đến việc ứng dụng mô hình phát hiện bất thường.

Cần lưu ý: kết quả từ mô hình AI chỉ là gợi ý để kiểm toán viên điều tra sâu hơn, không phải kết luận cuối cùng về gian lận hay sai sót. Một bút toán bị gắn cờ bất thường có thể chỉ đơn giản là một nghiệp vụ đặc thù, hợp lệ nhưng hiếm gặp.

Kết luận

Ứng dụng AI vào kiểm toán nội bộ liên tục giúp mở rộng phạm vi kiểm tra từ một mẫu nhỏ lên toàn bộ dữ liệu bút toán, đồng thời rút ngắn thời gian phát hiện sai sót từ hàng tháng xuống gần thời gian thực. Với các doanh nghiệp chưa đủ nguồn lực đầu tư hệ thống chuyên dụng, việc bắt đầu từ những quy tắc rà soát đơn giản trên dữ liệu sẵn có vẫn là bước đi thực tế và hiệu quả để từng bước xây dựng năng lực kiểm soát nội bộ dựa trên dữ liệu.