Checklist phát hiện giao dịch bất thường trước khi kiểm toán AI
21/09/2026
Hiểu lầm về dữ liệu sạch và thực tế triển khai
Nhiều người phụ trách tài chính tin rằng chỉ cần mua phần mềm là hệ thống sẽ tự động bắt được mọi hành vi tuân thủ thuế sai lệch. Họ nghĩ dữ liệu từ ERP sẽ vào, thuật toán sẽ ra, và việc của họ chỉ là xem báo cáo. Thực tế triển khai cho thấy điều này sai hoàn toàn. Dữ liệu tài chính trong các doanh nghiệp Việt Nam, cũng như tại các thị trường lân cận như Thái Lan hay Philippines, thường rất "bẩn". Các mã hóa đơn không đồng nhất, tên đối tác viết tắt khác nhau, và định dạng ngày tháng tháng-ngày-năm lẫn lộn. Nếu bạn không làm sạch dữ liệu trước, hệ thống sẽ phát hiện ra một mớ hỗn độn thay vì các phát hiện giao dịch bất thường có giá trị pháp lý. Chúng tôi đã từng triển khai dự án cho một tập đoàn phân phối lớn, nơi 20% dữ liệu đầu vào bị lỗi định dạng. Kết quả là mô hình báo động giả liên tục, khiến bộ phận kiểm toán mất niềm tin vào hệ thống ngay trong tuần đầu tiên. Bài học rút ra là: đừng bắt đầu bằng thuật toán, hãy bắt đầu bằng quy trình làm sạch dữ liệu. Đây là nền tảng của mọi hệ thống kiểm toán AI hiệu quả.
Những quyết định kỹ thuật cần chọn ngay từ đầu
Khi xây dựng hệ thống, bạn không chỉ là người dùng, mà là người ra quyết định kỹ thuật. Dưới đây là các ngã rẽ quan trọng mà bạn phải chọn, mỗi lựa chọn đều đi kèm một đánh đổi rõ ràng.
- Chọn ngưỡng cảnh báo tĩnh hay động? Ngưỡng tĩnh (ví dụ: cảnh báo mọi giao dịch trên 100 triệu) dễ thiết lập nhưng dễ bị lờ đi do quá nhiều cảnh báo lặp lại. Ngưỡng động dựa trên hành vi lịch sử của từng đối tác cụ thể. Cách này chính xác hơn, phát hiện được các giao dịch nhỏ lẻ dồn dập, nhưng yêu cầu ít nhất 6 tháng dữ liệu lịch sử để mô hình học được "bình thường". Nếu doanh nghiệp bạn mới chuyển đổi số, hãy chấp nhận ngưỡng tĩnh trong 3 tháng đầu, sau đó chuyển sang động.
- Xử lý dữ liệu thiếu thế nào? Trong chuỗi cung ứng đa quốc gia, dữ liệu từ nhà máy ở Mexico hoặc kho hàng ở Indonesia thường thiếu trường địa chỉ hoặc mã số thuế. Bạn có thể loại bỏ những dòng này, nhưng sẽ mất khoảng một phần ba dữ liệu. Hoặc bạn có thể suy luận (impute) dựa trên dữ liệu liên quan. Suy luận rủi ro hơn vì có thể tạo ra các mẫu giả, nhưng giúp giữ lại bức tranh tổng thể. Với mục đích kiểm toán pháp lý, chúng tôi thường khuyên dùng phương pháp loại bỏ kèm theo ghi chú lý do, để đảm bảo tính minh bạch khi đối diện với cơ quan thuế.
- Tần suất chạy hệ thống: theo thời gian thực hay theo lô? Chạy theo thời gian thực (real-time) giúp chặn giao dịch ngay lập tức, nhưng đòi hỏi hạ tầng cloud mạnh và chi phí cao. Chạy theo lô (batch) hàng đêm rẻ hơn và đủ cho đa số trường hợp kiểm toán sau sự kiện. Đối với các doanh nghiệp sản xuất lớn như trong ngành bia hoặc mì ăn liền mà AIVISION từng đồng hành, chạy theo lô hàng đêm là đủ để bắt kịp các xu hướng bất thường trước khi báo cáo cuối tháng.
- Ai là người xử lý cảnh báo? Đây là quyết định tổ chức quan trọng nhất. Nếu giao cảnh báo cho kế toán viên, họ sẽ quá tải vì khối lượng. Nếu giao cho kiểm toán nội bộ, tốc độ phản hồi chậm. Cách hiệu quả nhất là tạo một nhóm nhỏ chuyên trách, gồm một người IT và một người tài chính, sử dụng dashboard tập trung. Họ không cần xử lý mọi cảnh báo, mà chỉ tập trung vào các trường hợp có điểm rủi ro cao. Điều này giảm tải áp lực và tăng độ chính xác của phản hồi.
Những điều khách hàng hay hỏi
Trong quá trình tư vấn, chúng tôi thường nhận được ba câu hỏi này từ các CFO và Giám đốc Tài chính. Dưới đây là câu trả lời thẳng thắn, không vòng vo.
Hệ thống có thay thế được kiểm toán viên con người không?
Không. Hệ thống chỉ làm phần việc lặp lại: so sánh, đối chiếu, tìm kiếm mẫu. Kiểm toán viên con người mới là người đưa ra phán đoán cuối cùng, đánh giá bối cảnh kinh doanh và quyết định có vi phạm hay không. AI là công cụ hỗ trợ, không phải là người phán xét. Hãy kỳ vọng nó giúp bạn tiết kiệm thời gian tìm kiếm dữ liệu, chứ không phải thay thế tư duy chuyên môn.
Mất bao lâu để thấy kết quả thực tế?
Thời gian trung bình từ khi bắt đầu triển khai đến khi có báo cáo đầu tiên đáng tin cậy là từ 3 đến 4 tháng. Một tháng làm sạch dữ liệu, một tháng huấn luyện mô hình, và hai tháng chạy thử nghiệm song song với quy trình cũ để hiệu chỉnh. Nếu ai đó hứa cho bạn kết quả trong 2 tuần, hãy cẩn thận. Họ có thể đang dùng một công cụ đơn giản không đủ sâu cho việc kiểm toán AI phức tạp.
Chi phí bảo trì hàng năm có cao không?
Chi phí ban đầu nằm ở tích hợp dữ liệu và tùy chỉnh mô hình. Chi phí bảo trì hàng năm chủ yếu là chi phí cloud và cập nhật mô hình khi quy định thuế thay đổi. So với chi phí thuê thêm nhân sự kiểm toán thủ công, hệ thống thường rẻ hơn khoảng một nửa sau năm đầu tiên. Tuy nhiên, con số này phụ thuộc rất lớn vào quy mô giao dịch của bạn. Doanh nghiệp có hàng triệu giao dịch mỗi tháng sẽ thấy lợi ích kinh tế rõ rệt hơn nhiều so với doanh nghiệp chỉ có vài nghìn giao dịch.
Cách dùng danh sách này trong cuộc họp và những hạn chế
Đừng để danh sách này nằm trong file PDF. Hãy in ra hoặc chiếu lên màn hình trong cuộc họp tiếp theo với bộ phận IT và Tài chính. Bắt đầu bằng cách hỏi: "Chúng ta đang ở ngã rẽ nào trong 4 quyết định trên?". Nếu chưa chọn, hãy dành 15 phút đầu giờ để chốt. Việc này giúp mọi người thống nhất kỳ vọng ngay từ đầu, tránh tình trạng mỗi bên hiểu một kiểu. Sau khi chốt, phân công rõ người phụ trách từng mục. Ví dụ, IT chịu trách nhiệm làm sạch dữ liệu, Tài chính chịu trách nhiệm xác định ngưỡng cảnh báo ban đầu.
Tuy nhiên, tôi cần nói thẳng về những gì hệ thống chưa giải quyết được. AI phát hiện tốt các mẫu lặp lại, nhưng nó yếu trong việc hiểu bối cảnh bất thường một lần. Ví dụ, một giao dịch lớn đột ngột do hợp đồng đặc biệt có thể bị đánh dấu là rủi ro cao, dù hoàn toàn hợp lệ. Hệ thống không biết rằng đó là một thương vụ chiến lược. Vì vậy, bạn cần thêm vào quy trình một bước "xác nhận ngoại lệ" thủ công, nơi người phụ trách tài chính có thể đánh dấu các giao dịch đặc biệt để hệ thống học và không báo động lần sau. Ngoài ra, hệ thống này chỉ hoạt động tốt khi dữ liệu đầu vào có chất lượng tối thiểu. Nếu doanh nghiệp vẫn đang dùng Excel rời rạc và không có ERP trung tâm, việc triển khai sẽ gặp khó khăn rất lớn. Bạn cần thêm bước chuẩn hóa dữ liệu cơ bản trước, hoặc chấp nhận một phiên bản đơn giản hơn, chỉ tập trung vào một vài loại giao dịch chính. Không có giải pháp nào hoàn hảo, nhưng có cách tiếp cận thực dụng. Hãy bắt đầu nhỏ, đo lường kết quả, và mở rộng dần. Đó là cách mà các doanh nghiệp thành công trong lĩnh vực này đã làm, từ các tập đoàn lớn đến những công ty phân phối khu vực.
Nếu bạn đang cân nhắc một bài toán tương tự, đội ngũ AIVISION có thể ngồi lại cùng bạn để bóc tách phạm vi trước khi chi một đồng nào. Tham khảo dịch vụ AI hoặc đặt một buổi trao đổi.