Bóc trần quan niệm sai về phân loại doanh thu tự động

20/09/2026

Có một bài học tôi vẫn hay kể lại mỗi khi bắt đầu một dự án mới. Đó là một dự án triển khai cho một tập đoàn bán lẻ lớn ở khu vực Đông Nam Á cách đây vài năm. Khách hàng muốn tự động hóa việc gán mã dịch vụ và phân loại doanh thu cho hàng trăm nghìn dòng hóa đơn mỗi ngày. Chúng tôi tin rằng với mô hình machine learning, hệ thống sẽ đạt độ chính xác 99% ngay trong tháng đầu tiên. Thực tế thì không phải vậy. Trong ba tháng đầu, sai sót tài chính vẫn chiếm khoảng một phần ba so với trước khi can thiệp. Vấn đề không nằm ở thuật toán, mà nằm ở chỗ chúng tôi đã cố gắng để AI tự suy luận từ dữ liệu thô trong khi các quy tắc nghiệp vụ của khách hàng vẫn còn mơ hồ. Bài học đó khiến tôi phải thay đổi cách tư vấn: trước khi nói về giải pháp, chúng ta phải đối mặt với các hiểu lầm phổ biến đang làm chậm tiến độ và gây rủi ro cho báo cáo tài chính.

"AI sẽ tự hiểu quy tắc kế toán nếu có đủ dữ liệu"

Đây là hiểu lầm dễ gặp nhất. Nhiều người phụ trách tin rằng chỉ cần nạp dữ liệu lịch sử vào hệ thống, AI sẽ tự học được cách phân loại doanh thu và gán mã dịch vụ cho các sản phẩm mới. Thực tế triển khai cho thấy điều này chỉ đúng một phần. AI rất giỏi trong việc nhận diện các trường hợp lặp lại, nhưng nó lại yếu trong việc xử lý các ngoại lệ nghiệp vụ phức tạp. Ví dụ, một sản phẩm mới có thể có cùng tên gọi nhưng lại thuộc hai nhóm thuế khác nhau tùy thuộc vào kênh bán hàng. Nếu không có quy tắc rõ ràng, AI sẽ dự đoán sai khoảng 15-20% các trường hợp biên. Tại AIVISION, chúng tôi thường bắt đầu bằng việc xây dựng một bộ quy tắc nghiệp vụ (business rules) trước, sau đó mới dùng AI để xử lý phần còn lại. Cách tiếp cận này giúp giảm đáng kể lỗi hệ thống và tăng độ tin cậy của báo cáo tài chính ngay từ khâu nhập liệu đầu.

"Chỉ cần gán mã tự động là đã đủ chính xác tài chính"

Nhiều doanh nghiệp cho rằng vấn đề chính là gán mã dịch vụ đúng, còn phần phân loại doanh thu thì có thể kiểm tra sau. Đây là một đánh đổi nguy hiểm. Gán mã sai chỉ là lỗi dữ liệu, nhưng phân loại doanh thu sai ảnh hưởng trực tiếp đến báo cáo kết quả kinh doanh và nghĩa vụ thuế. Trong một dự án cho ngành dầu nhớt, chúng tôi nhận ra rằng việc chỉ tập trung vào gán mã đã khiến khoảng 5% doanh thu bị xếp vào sai nhóm, dẫn đến phải điều chỉnh báo cáo hàng quý. Để đảm bảo chính xác tài chính, hệ thống phải kiểm tra chéo giữa mã dịch vụ và phân loại doanh thu theo thời gian thực. Chúng tôi đã triển khai một cơ chế kiểm tra quy tắc ngay tại điểm nhập liệu, thay vì chờ đến cuối kỳ kế toán mới phát hiện lỗi. Cách này giúp giảm thời gian đóng sổ sách xuống một nửa và loại bỏ gần như hoàn toàn các điều chỉnh bất ngờ.

"Quản lý danh mục sản phẩm là việc của bộ phận IT"

Một hiểu lầm khác là cho rằng việc quản lý danh mục và phân loại doanh thu là trách nhiệm của đội IT. Thực tế, đây là sự phối hợp chặt chẽ giữa bộ phận tài chính, kế toán và vận hành. IT chỉ cung cấp công cụ, nhưng quy tắc phân loại phải do nghiệp vụ định nghĩa. Trong các dự án tại Thái Lan và Philippines, chúng tôi thấy rằng khi bộ phận tài chính tham gia sớm vào việc thiết kế quy tắc, độ chính xác của hệ thống tăng gấp đôi so với khi IT tự quyết định. Đặc biệt với các sản phẩm mới phức tạp, sự tham gia của người am hiểu nghiệp vụ giúp phát hiện các trường hợp ngoại lệ mà thuật toán có thể bỏ qua. Đây không phải là việc thêm nhân sự, mà là thay đổi quy trình làm việc để đảm bảo dữ liệu đầu vào luôn nhất quán.

"Tự động hóa sẽ loại bỏ hoàn toàn việc kiểm tra thủ công"

Nhiều người kỳ vọng rằng sau khi triển khai AI, không ai cần phải kiểm tra lại dữ liệu nữa. Đây là một sai lầm nghiêm trọng. AI có thể xử lý hàng triệu dòng dữ liệu trong vài phút, nhưng nó không thể hiểu được bối cảnh kinh doanh thay đổi liên tục. Trong năm 2026, với tốc độ ra mắt sản phẩm mới nhanh chóng, các quy tắc phân loại doanh thu cũng phải thay đổi thường xuyên. Vì vậy, việc kiểm tra thủ công vẫn cần thiết, nhưng ở mức độ giám sát và điều chỉnh, không phải là nhập liệu lại. Chúng tôi thường thiết kế hệ thống để hiển thị các trường hợp có độ tin cậy thấp, giúp đội ngũ kế toán tập trung kiểm tra những phần này. Cách tiếp cận này cân bằng giữa tốc độ tự động hóa và độ chính xác tài chính, đảm bảo rằng báo cáo luôn phản ánh đúng thực tế.

"Chi phí triển khai AI luôn cao hơn làm thủ công"

Đây là một quan niệm cũ, không còn phù hợp với thực tế 2026. Chi phí ban đầu cho hệ thống AI có thể cao hơn, nhưng khi xét trên vòng đời dài hạn, tự động hóa luôn tiết kiệm hơn. Một doanh nghiệp tại Mexico cho biết, sau khi triển khai hệ thống phân loại doanh thu tự động, họ giảm được 70% thời gian xử lý cuối kỳ kế toán và cắt giảm chi phí nhân sự kiểm tra. Quan trọng hơn, họ tránh được các khoản phạt thuế do sai sót. Tuy nhiên, cần lưu ý rằng chi phí không chỉ là phần mềm, mà còn là chi phí đào tạo và tích hợp với hệ thống hiện có. Đánh đổi ở đây là sự thay đổi quy trình làm việc, nhưng lợi ích về độ chính xác và tốc độ là rất đáng kể. Chúng tôi luôn khuyến nghị doanh nghiệp tính toán tổng chi phí sở hữu (TCO) thay vì chỉ nhìn vào giá mua phần mềm.

"Một hệ thống AI có thể dùng cho tất cả các quốc gia"

Nhiều tập đoàn đa quốc gia cho rằng chỉ cần một hệ thống AI là đủ cho tất cả các thị trường. Thực tế, mỗi quốc gia có quy định kế toán và thuế khác nhau. Một quy tắc phân loại doanh thu đúng tại Việt Nam có thể sai tại Thái Lan hoặc Philippines. Vì vậy, hệ thống cần được cấu hình linh hoạt để hỗ trợ nhiều chế độ kế toán. Trong các dự án cho tập đoàn TTN và Masan, chúng tôi đã xây dựng các module riêng cho từng thị trường, nhưng dùng chung một nền tảng dữ liệu. Cách này giúp đảm bảo tính nhất quán trong báo cáo hợp nhất, đồng thời tuân thủ quy định địa phương. Đây là một thách thức lớn, nhưng cũng là cơ hội để tối ưu hóa quy trình tài chính trên toàn cầu. Khi triển khai, chúng tôi luôn nhấn mạnh vào khả năng mở rộng và cấu hình lại hệ thống khi có thay đổi chính sách, đảm bảo rằng doanh nghiệp luôn sẵn sàng cho những thay đổi trong tương lai.

Còn nhiều thứ không gói được trong một bài viết. Bạn có thể đọc tiếp các bài khác của AIVISION, xem giải pháp chấm điểm trưng bày hoặc nói chuyện trực tiếp với chúng tôi.