Ứng dụng AI trong kiểm toán tạo ra nhiều lợi ích cho kiểm toán viên

Khái quát về ứng dụng AI trong kiểm toán

Trong quá trình kiểm toán, AI có thể được sử dụng theo nhiều cách khác nhau, bao gồm thực hiện kiểm tra mục nhật ký bằng cách xác định các giao dịch bất thường giữa một lượng lớn dữ liệu phi cấu trúc và phân tích các giao dịch đó để tìm các mẫu và điểm bất thường. AI cũng có thể được sử dụng trong giai đoạn lập kế hoạch kiểm toán và khi thực hiện các thủ tục xác định, đánh giá rủi ro.

AI có thể xử lý lượng lớn dữ liệu (chẳng hạn như đọc báo cáo ngân hàng và hợp đồng pháp lý) và đối chiếu tài khoản nhanh hơn nhiều lần so với khả năng của KTV và ít lỗi hơn. Bằng cách sử dụng các công cụ công nghệ được hỗ trợ bởi AI, kiểm toán viên có thể vượt xa các phương pháp truyền thống để phân tích thông tin khách hàng hiệu quả hơn và dễ dàng xác định rủi ro hơn, từ đó nâng cao chất lượng kiểm toán.

Những ứng dụng cơ bản của AI trong kiểm toán gồm:  AI dựa trên quy tắc - 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. 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. Khi áp dụng AI dựa trên quy tắc, KTV có thể xử lý khối lượng lớn dữ liệu một cách nhanh chóng, điều này có thể giúp KTV xác định các rủi ro và sự bất thường tiềm ẩn.

Tuy nhiên, cũng có một số nhược điểm của AI dựa trên quy tắc trong kiểm toán 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 hoặc có thể không linh hoạt và không thể thích ứng với việc thay đổi các quy định kiểm toán hoặc chuẩn mực kế toán.

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 với việc sử dụng các mẫu và mối tương quan trong dữ liệu để xác định thông tin chuyên sâu và đưa ra dự đoán. 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.

Một thách thức lớn là cần có một lượng lớn dữ liệu chất lượng cao để huấn luyện các thuật toán máy học; 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; cùng các vấn đề về bảo mật dữ liệu.

Học sâu là loại AI 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. 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.

 Tự động hóa quy trình bằng robot (RPA) là một loại tự động hóa quy trình thông minh (IPA) mô tả các robot điều khiển logic tuân theo các quy tắc được lập trình sẵn và hoạt động với dữ liệu có cấu trúc chủ yếu. RPA là giải pháp công nghệ sử dụng tập lệnh để tự động hóa các tác vụ được tiêu chuẩn hóa và dựa trên quy tắc. Bằng cách sao chép hành động của con người trong khi truy cập vào các hệ thống, tài liệu và ứng dụng khác nhau, robot phần mềm có thể được đào tạo hoặc lập trình dễ dàng để thực hiện các hoạt động có khối lượng lớn, lặp đi lặp lại, dựa trên quy tắc.

 Xử lý ngôn ngữ tự nhiên (NLP) là khả năng máy tính nhận dạng và hiểu giọng nói của con người. Các dữ liệu về thông tin doanh nghiệp có thể là bản ghi âm các cuộc gọi điện thoại, biên bản hội đồng quản trị hoặc các bài đăng trên phương tiện truyền thông xã hội… Với các dữ liệu không có cấu trúc như vậy, NLP sẽ đáp ứng yêu cầu hiểu biết về ngôn ngữ tự nhiên. NPL sẽ giúp kiểm toán viên tương tác khách hàng tự động; phân tích và tổng hợp dữ liệu; phân tích tích hợp; dịch và giao tiếp đa ngôn ngữ.

Ứng dụng AI trong xác định mức trọng yếu

Ứng dụng AI cải thiện đáng kể việc đánh giá tính trọng yếu bằng cách cung cấp phân tích dữ liệu chính xác, khách quan và toàn diện hơn, đồng thời cho phép các công ty thực hiện đánh giá của họ hiệu quả hơn. Ví dụ. các công cụ hỗ trợ AI như IBM Watson, Google Cloud Natural Language hoặc Deloitte Gnosis áp dụng xử lý ngôn ngữ tự nhiên - một lĩnh vực AI tập trung vào việc cho phép máy tính hiểu, diễn giải và tạo ra ngôn ngữ của con người có thể giúp tự động đánh giá cảm xúc thông qua phân tích văn bản.

Các mô hình AI tổng quát, chẳng hạn như GPT của OpenAI, PaLM của Google, LLaMa của Meta hoặc Luminous… có thể giúp tự động hóa việc tạo báo cáo tiếp theo. Bằng cách này, các tổ chức có thể đạt được khả năng không chỉ phân tích các tác động hiện tại dưới dạng ảnh chụp nhanh một lần mà còn liên tục nhận biết các xu hướng mới nổi, công nghệ mới và các quy định tiềm năng trong tương lai có thể ảnh hưởng đến nỗ lực phát triển bền vững và các hoạt động kinh doanh liên quan của tổ chức.

Các công cụ AI có thể nâng cao đáng kể hiệu quả, độ chính xác trong việc đánh giá tính trọng yếu. Điều quan trọng là độ tin cậy cùng tính bảo mật của dữ liệu và các công nghệ cần thiết (chẳng hạn như AI và máy học) cũng như kết hợp chuyên môn của con người và trí tuệ nhân tạo trong tổ chức.

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.

Mặc dù ứng dụng AI trong kiểm toán tạo ra nhiều lợi ích cho KTV, tuy nhiên trong quá trình ứng dụng xác định mức trọng yếu, các KTV cần lưu ý: Khi đánh giá mức trọng yếu cần liên kết với chiến lược và mục tiêu cốt lõi của doanh nghiệp; đánh giá mức trọng yếu cần chú ý tới các vấn đề về biến đổi khí hậu, môi trường và các xu hướng toàn cầu mới nổi khác đối với đơn vị được kiểm toán và các bên liên quan.

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, KTV sử dụng máy học có thể đưa ra đánh giá mức độ trọng yếu chính xác hơn so với KTV không sử dụng AI.

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.

Ứng dụng AI trong đánh giá rủi ro

Bằng cách sử dụng AI kiểm toán viên có thể xem xét thử nghiệm tổng thể đầy đủ thông qua 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. KTV có thể ứng dụng AI trong thực hiện thử nghiệm đầu vào dữ liệu từ rất sớm trong quá trình kiểm toán, thông qua việc thực hiện đánh giá rủi ro ban đầu.

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. 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. Điều này có thể cho phép kiểm toán viên, nhận diện các lỗi, thiếu sót, trùng lặp, phân loại sai và các vấn đề tương tự đặc biệt là cập nhật hồ sơ (sổ) rủi ro.

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 báo cáo tài chính cụ thể, lĩnh vực quan tâm của nhà phân tích , 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.

Bằng cách sử dụng kết quả từ các cuộc kiểm toán trước đó và các báo cáo khác, cũng như phân tích dữ liệu, AI có thể giúp điền vào sổ rủi ro, định lượng các phần phức tạp của nó và cập nhật xếp hạng rủi ro như tác động, khả năng xảy ra và tần suất xảy ro rủi ro. Điều này làm giảm đáng kể khối lượng công việc cũng như thời gian kiểm toán của KTV. 

AI có thể đánh giá dữ liệu phi cấu trúc và các mẫu liên quan đến sự cố trong quá khứ có thể được xác định và biến thành yếu tố dự báo rủi ro. Sau đó, máy có thể phát hiện các mẫu và xu hướng. Bằng cách sử dụng các mô hình này, các kịch bản hợp lý trong tương lai có thể được xây dựng để dự đoán các sự kiện và rủi ro của dự án.

Ngoài ra, AI còn cung cấp mối liên kết minh bạch hơn giữa quy trình kinh doanh và rủi ro. Do đó, KTV sử dụng AI để phân tích các nhóm dữ liệu và giao dịch hoàn chỉnh thay vì lấy mẫu. Điều này dẫn đến một cuộc kiểm toán đầy đủ hơn và giúp KTV xác định những điểm bất thường có thể được gắn cờ để xem xét kỹ lưỡng hơn. Nó cũng đảm bảo rằng các giao dịch nhỏ hơn sẽ được giám sát ở mức độ mà trước đây chúng có thể bị bỏ qua vì những hạn chế về mặt trọng yếu.

Điều quan trọng nữa là xác định dữ liệu nào cần được thu thập và cách xử lý chúng dựa trên khung rủi ro hiện tại và các giá trị của tổ chức. Mô hình AI xử lý tập dữ liệu có thể được xác định dựa trên các đánh giá rủi ro trước đó. Loại dữ liệu sẽ sử dụng và các nguồn thu thập dữ liệu cần đặc biệt quan tâm. Nguồn dữ liệu rất quan trọng đối với việc triển khai hệ sinh thái, ngay cả ở cấp độ vận hành, vì nó ảnh hưởng đến chất lượng của kết quả. Cũng như các công cụ quản lý rủi ro khác, AI phải được đánh giá và điều chỉnh liên tục.

Khi KTV hiểu về xử lý ngôn ngữ (NLP), 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.

Ứng dụng AI có thể phân tích dữ liệu phi cấu trúc và đưa ra các mẫu thông tin, nhưng KTV sẽ được yêu cầu nhập các thông số đánh giá phù hợp. KTV hiểu rõ nhất dữ liệu này; do đó, họ cần có bộ kỹ năng để quản lý nó một cách hiệu quả. Họ cũng cần sử dụng các kỹ thuật trực quan hóa dữ liệu để trình bày kết quả phát hiện cho các bên liên quan. Vai trò của kiểm toán viên thay đổi từ người đánh giá sang người phân tích, ứng dụng các kết quả của hệ thống AI vào quá trình kiểm toán.

Phương Thuỳ

Theo Báo Kiểm toán