Từ kiểm tra mẫu sang giám sát rủi ro liên tục
Kiểm toán số là cách tiếp cận sử dụng dữ liệu và công nghệ để phân tích hoạt động tài chính trên phạm vi rộng, chuyển trọng tâm từ kiểm tra hồ sơ thủ công sang nhận diện rủi ro liên tục và có căn cứ. Đây không phải việc đưa quy trình giấy lên máy tính: hướng dẫn quốc tế nhấn mạnh rằng đổi mới đòi hỏi thay đổi cả tư duy lẫn phương pháp, từ lấy mẫu xác suất sang phân tích toàn bộ tập dữ liệu và tiến tới cảnh báo rủi ro theo thời gian thực.
Sự chuyển dịch này có lý do rõ ràng. Giao dịch, hợp đồng, thanh toán và việc thực hiện nhiệm vụ khi được số hóa sẽ tạo điều kiện để đối chiếu thông tin, phát hiện điểm bất thường, rút ngắn thời gian xử lý và dồn nguồn lực kiểm toán vào nơi có nguy cơ cao. Với các chương trình an sinh, dữ liệu còn giúp theo dõi dòng tiền, kiểm tra đối tượng thụ hưởng và so sánh kết quả thực hiện. Giá trị lớn nhất của kiểm toán số vì thế không nằm ở số lượng phần mềm, mà ở khả năng biến dữ liệu thành giám sát có ích cho việc sử dụng nguồn lực công.
Ấn Độ cho thấy hạ tầng là nền móng, không phải phần phụ
Kinh nghiệm của Cơ quan Tổng Kiểm toán và Kiểm soát Ấn Độ (CAG) cho thấy tham vọng phân tích phải bắt đầu từ hạ tầng dữ liệu. Tại hội thảo quốc tế do Kiểm toán nhà nước Việt Nam tổ chức, Tổng Kiểm toán và Kiểm soát Shri K. Sanjay Murthy chia sẻ rằng CAG phát triển hạ tầng số, khai thác dữ liệu lớn và AI, đồng thời chú trọng đào tạo để mở rộng phạm vi kiểm toán và nâng năng lực phát hiện rủi ro.
Quy mô quản trị khiến nhu cầu ấy trở nên cấp thiết: Ấn Độ có khoảng 1,46 tỷ dân, hơn 600.000 ngôi làng và 22 ngôn ngữ chính thức. CAG phải xử lý dữ liệu có thể lên tới hàng petabyte cùng khoảng 10 triệu tài liệu mỗi năm. Trong bối cảnh ấy, kiểm tra thủ công khó theo kịp cả tốc độ lẫn phạm vi. Nền tảng giao dịch và mua sắm công trực tuyến tạo dấu vết dữ liệu để đối chiếu, nhưng chỉ khi dữ liệu được kết nối, chuẩn hóa và kiểm chứng thì phân tích mới đáng tin. Công nghệ không thể bù cho dữ liệu phân tán hoặc sai lệch.
Dữ liệu lớn và AI hỗ trợ phát hiện, không thay thế phán đoán
Dữ liệu lớn kiểm toán giúp kiểm toán viên sàng lọc thông tin, so khớp nhiều tập dữ liệu, nhận ra xu hướng và tìm giao dịch hoặc khoản chi có dấu hiệu bất thường. AI trong kiểm toán có thể hỗ trợ phân loại tài liệu, xử lý thông tin và phân tích theo tiêu chí đã thiết lập; các công cụ này giúp chỉ ra nơi cần xem xét sâu hơn, chứ không tự đưa ra kết luận nghề nghiệp thay con người.
Kinh nghiệm quốc tế cũng nhấn mạnh điều kiện triển khai. Trung Quốc xây dựng trung tâm phân tích dữ liệu kiểm toán quốc gia trên nền tảng đám mây chuyên dụng, tích hợp dữ liệu tài chính, thuế, ngân hàng và nhiều lĩnh vực khác, xử lý hơn 50 tỷ bản ghi mỗi năm. Australia phát triển nền tảng dùng AI và học máy để phân tích dữ liệu tài chính công, kết nối cơ sở dữ liệu của hơn 100 cơ quan chính phủ nhằm hỗ trợ phát hiện rủi ro theo thời gian thực. Những mô hình này gợi ý rằng hiệu quả không đến từ thuật toán riêng lẻ: quyền truy cập hợp pháp, chuẩn dữ liệu, bảo mật và giám sát việc thực hiện kiến nghị đều phải được thiết kế cùng nhau.
Việt Nam cần nối dữ liệu với năng lực con người
Kiểm toán nhà nước Việt Nam đã có gần 40 phần mềm đang vận hành, triển khai cổng trao đổi thông tin và ký quy chế chia sẻ dữ liệu với Bộ Tài chính, Bảo hiểm xã hội Việt Nam, Ngân hàng Nhà nước cùng một số đơn vị; cơ quan cũng thí điểm kiểm toán từ xa. Đây là nền tảng đáng kể, nhưng số lượng ứng dụng chưa bảo đảm dữ liệu được kết nối hay phân tích nhất quán. Những điểm nghẽn về khung pháp lý, chất lượng dữ liệu và hạ tầng công nghệ cần được xử lý song song, thay vì kỳ vọng AI sẽ tự khắc phục các thiếu hụt ấy.
Đào tạo nhân lực là điều kiện vận hành, không phải phần việc đi sau. Kiểm toán viên cần biết làm việc với dữ liệu, sử dụng công cụ phân tích và đánh giá kết quả hệ thống hỗ trợ; công nghệ vẫn không thay thế phán đoán chuyên môn và đạo đức nghề nghiệp. Giai đoạn 2026–2030, định hướng được nêu là mở rộng hạ tầng dữ liệu lớn, hiện đại hóa chuyên sâu, triển khai rộng kiểm toán từ xa và liên tục, đồng thời ứng dụng AI vào đánh giá rủi ro và phát hiện gian lận. Cách đi thuyết phục là đánh giá mức độ sẵn sàng, chọn lĩnh vực phù hợp để thí điểm, đo kết quả rồi mới mở rộng và thể chế hóa. Đó là con đường để dữ liệu thực sự nâng chất lượng phát hiện rủi ro, thay vì chỉ làm đẹp danh mục công nghệ.
