{Bài viết đăng trên Tạp chí Kế toán và Kiểm toán (ISSN 1859 – 1914), số 210, Tháng 3/2021 của TS. Nguyễn Bích Ngọc –  Khoa Kế toán – Kiểm toán – Học viện Ngân hàng}

Sự phát triển của công nghệ thông tin (CNTT), đặc biệt là những phát triển to lớn gần đây như tự động hóa quy trình, trí tuệ nhân tạo (AI), trực quan hóa dữ liệu và Internet vạn vật đã có những tác động không nhỏ đến mọi ngóc ngách của đời sống kinh tế – xã hội, kế toán quản trị (KTQT) không phải là một ngoại lệ. Bài viết khái quát hóa một số thành tựu của công nghệ thông tin gần đây, cũng như xem xét tác động của sự phát triển đó đến vai trò và công việc của nhân viên kế toán quản trị. Từ đó, người quản lý doanh nghiệp, nhân viên kế toán quản trị có thể có những phán đoán và điều chỉnh về công việc quản trị trong tương lai.
Từ khóa: Công nghệ thông tin, kế toán quản trị, tác động.

1. Tự động hóa quy trình
Tự động hóa quy trình là khái niệm về các quy trình được thực hiện bởi máy móc, chứ không phải bởi con người. Máy móc có thể thực hiện một số quy trình lặp đi lặp lại theo một tiêu chuẩn nhất định, nhanh chóng và không có lỗi, do đó thường thực hiện những công việc này tốt hơn con người. Tự động hóa quy trình bằng robot, ngụ ý việc sử dụng phần mềm máy tính trong quá trình tự động hóa.

Trong các ngành công nghiệp sản xuất, robot rất phổ biến, ví dụ như trong dây chuyền sản xuất xe hơi, robot thường thực hiện nhiều nhiệm vụ lắp ráp. Trong các ngành dịch vụ cũng vậy, nhiều quy trình đang được tự động hóa, ví dụ như các giao dịch ngân hàng được xử lý hoàn toàn tự động mà không có sự tham gia của con người. Robot thậm chí còn hỗ trợ các thủ thuật phẫu thuật trong bệnh viện.

Tự động hóa không phải là một khái niệm mới. Quy trình công nghiệp hoàn toàn tự động đầu tiên là một nhà máy xay bột, được phát triển bởi Oliver Evans vào năm 1785. Những phát triển gần đây trong công nghệ máy tính đang cung cấp hoạt động tự động hóa cao hơn. Những phát triển này bao gồm phần cứng và phần mềm tốt hơn, sự phát triển của trí tuệ nhân tạo được mô tả bên dưới.

Một báo cáo của Mckinsey Global Institute công bố năm 2017, đã tuyên bố rằng trong nền kinh tế toàn cầu, 49% các nhiệm vụ hiện do con người thực hiện có thể được tự động hóa bằng công nghệ đã tồn tại. Chỉ 5% công việc có thể được tự động hóa hoàn toàn, nhưng ít nhất 30% hoạt động được thực hiện có thể được tự động hóa trong 60% công việc.

Trên quan điểm toàn cầu, Mckinsey cho rằng tự động hóa dẫn đến năng suất cao hơn và tăng trưởng kinh tế mạnh mẽ hơn. Họ dự đoán rằng, vì các công việc tự động hóa sẽ được thay thế bằng các loại hình việc làm mới nên tự động hóa sẽ không dẫn đến tỷ lệ thất nghiệp cao hơn. Đối với các DN, lợi ích của tự động hóa không chỉ giới hạn ở việc tiết kiệm lao động, mà còn bao gồm “sản lượng lớn hơn, chất lượng cao hơn, an toàn hơn, giảm biến động, giảm chất thải và khách hàng hài lòng hơn”.

Tự động hóa sẽ tác động như thế nào đến công việc của KTQT? Một số nhiệm vụ có nhiều khả năng sẽ được tự động hóa như thu thập và xử lý dữ liệu. Nhiều gói phần mềm kế toán tải lên các giao dịch ngân hàng từ hệ thống của ngân hàng và các hóa đơn của nhà cung cấp được quét bằng điện thoại thông minh có thể được đặt tự động. Tuy nhiên, vẫn có một số công việc của KTQT không thể tự động hóa như khía cạnh tư vấn của kế toán, bao gồm giải thích, phân tích thông tin và đưa ra các đề xuất. Điều này củng cố vai trò của KTQT như một nhà tư vấn và cố vấn cho các tổ chức, liên quan đến việc phát triển chiến lược, ra quyết định và tạo ra giá trị.

2. Trí tuệ nhân tạo (AI) và máy học
AI có thể được định nghĩa là “khả năng của máy móc thể hiện khả năng của con người trong các lĩnh vực liên quan đến tư duy, hiểu biết, lý luận, học tập hoặc nhận thức”.

Các nhà khoa học máy tính nói về hai cấp độ của AI – yếu và mạnh: AI yếu có nghĩa là máy móc có thể tự suy nghĩ, nhưng chỉ trong phạm vi thực hiện các nhiệm vụ cụ thể, ví dụ như ô tô có thể tự lái; AI mạnh có nghĩa là máy móc có mức thông minh chung và có thể suy nghĩ như con người. AI mạnh hiện chỉ tồn tại trong khoa học viễn tưởng, nhưng AI yếu là một lĩnh vực đang phát triển rất nhanh và có vô số ứng dụng vào kinh doanh và xã hội nói chung.

Các ứng dụng ban đầu của AI bao gồm các hệ thống chuyên gia. Máy tính được lập trình để đưa ra các quyết định mà các chuyên gia trước đây đã đưa ra, chẳng hạn như đưa ra báo giá cho bảo hiểm xe hơi. Thông tin liên quan về người nộp đơn, chẳng hạn như tuổi, giới tính và kinh nghiệm lái xe của họ có thể được nhập vào một hệ thống, sau đó sẽ đánh giá loại rủi ro của họ và đưa ra mức phí bảo hiểm thích hợp. Như vậy, trong trường hợp này, máy tính thực hiện vai trò của một chuyên gia tính toán. Các ví dụ khác bao gồm các hệ thống hỗ trợ bác sĩ, nhờ đó bác sĩ có thể nhập thông tin về các triệu chứng của bệnh nhân và hệ thống sẽ giúp đưa ra chẩn đoán.

Hệ thống chuyên gia chỉ có thể đưa ra quyết định dựa trên các quy tắc đã được các chuyên gia lập trình sẵn. Theo thời gian, đầu ra của chúng cho một nhóm hoàn cảnh nhất định không thay đổi, trừ khi chúng được lập trình lại. Với sự ra đời của “máy học”, máy móc có thể “học hỏi” từ kinh nghiệm của chúng, giống như con người làm và do đó cung cấp đầu ra chính xác hơn. Một số hệ thống kế toán “đoán” nơi ghi sổ bên nợ của khoản thanh toán hoặc bên có của biên lai, dựa trên những gì người ghi sổ đã làm lần trước khi phát sinh một biên lai hoặc khoản thanh toán tương tự.

Máy học được sử dụng rộng rãi trong phân tích dữ liệu, nơi các máy tính thực hiện phân tích tìm hiểu thêm về tập hợp dữ liệu với kinh nghiệm. Để lấy một ví dụ đơn giản, hãy tưởng tượng rằng chúng tôi muốn phân tích tất cả các công ty trên sàn chứng khoán để dự đoán công ty nào có thể phá sản trong vòng 12 tháng. Chúng tôi có thể lập trình máy tính để tính điểm, chẳng hạn như mô hình điểm Z của Altman và sử dụng mô hình này làm cơ sở cho các dự đoán của chúng tôi. Đây không phải là AI, vì máy tính chỉ làm những gì nó được lập trình để làm. Thật không may, mô hình Altman Z-score không dự đoán hoàn hảo, đôi khi phân loại các công ty có nguy cơ phá sản khi họ tồn tại sau đó hoặc không dự đoán được sự phá sản của những công ty khác. Những lỗi này được gọi là lỗi phân loại. Nếu không có máy học, việc lập trình máy tính chỉ đơn giản là tính điểm số Z sẽ không làm giảm xác suất của những lỗi này.

Ngoài ra, chúng tôi có thể lập trình một máy để phân tích một mẫu dữ liệu lịch sử và đưa ra phiên bản riêng của mô hình Z-score. Máy móc có thể phân tích khối lượng dữ liệu lớn hơn nhiều so với con người, vì vậy máy móc sẽ đưa ra phiên bản điểm Z đáng tin cậy hơn nhiều, có thể kết hợp nhiều biến hơn so với năm biến được sử dụng trong mô hình của Altman. Ở đây máy đang học từ dữ liệu, vì vậy đây là AI. Vẫn có xác suất xảy ra lỗi phân loại, nhưng có khả năng điều này sẽ thấp hơn nhiều so với trong mô hình Altman. Hơn nữa, máy sẽ liên tục cập nhật mô hình của nó khi nó phân tích ngày càng nhiều công ty. Điều này chứng tỏ một công dụng của AI trong việc phân loại dữ liệu.

Có một số lĩnh vực mà trí tuệ nhân tạo và máy học có liên quan đến KTQT. Thứ nhất, trong phân tích dữ liệu, phân tích kết hợp các kỹ thuật máy học có thể cung cấp những hiểu biết mới về quản lý. Một trong những vai trò của KTQT là phân tích dữ liệu cho mục đích lập kế hoạch, ra quyết định và kiểm soát chi phí. Vì vậy, để các kế toán viên quản trị tiếp tục có vai trò trong thế giới mới liên tục thay đổi này, điều cần thiết là họ phải hiểu và nhập dữ liệu vào AI được sử dụng trong phân tích.

AI cũng có thể được sử dụng để xác định các giao dịch bất thường, nhằm giúp kế toán viên dễ dàng hơn trong việc phát hiện gian lận. Khi những kẻ gian lận liên tục phát triển các phương pháp mới để thực hiện giao dịch của họ, máy học tạo cơ hội cho các kế toán viên theo kịp chúng.

AI cũng có thể giúp kế toán đưa ra dự báo chính xác hơn nhiều, dựa trên phân tích kỹ lưỡng hơn về môi trường bên ngoài, sử dụng công nghệ máy học để xác định chính xác hơn các yếu tố sẽ ảnh hưởng đến doanh thu và chi phí của DN.

3. Kỹ thuật trực quan hóa dữ liệu
Trực quan hóa dữ liệu đề cập đến việc trình bày dữ liệu bằng các kỹ thuật trực quan như biểu đồ và sơ đồ, để có thể nhìn thấy câu chuyện đằng sau dữ liệu một cách dễ dàng. Như người ta thường nói, một bức tranh có giá trị bằng 1.000 từ. Cung cấp thông tin một cách trực quan có thể giúp những người ra quyết định hiểu dữ liệu nhanh hơn nhiều, miễn là nó được trình bày theo cách giúp họ hiểu được.

Biểu đồ và sơ đồ đã gắn bó với chúng ta hàng trăm năm, vì vậy không có gì mới trong khái niệm trực quan hóa dữ liệu. Một ví dụ cổ điển là bản đồ của London Underground được thiết kế bởi Harry Beck, vào năm 1931. Điều đã thay đổi trong những năm gần đây là khối lượng dữ liệu có sẵn để sử dụng cho các DN, từ các thiết bị như điện thoại thông minh, thiết bị thông minh trên “Internet of things”, sự bùng nổ của phương tiện truyền thông xã hội và việc sử dụng các kỹ thuật phân tích dữ liệu phức tạp, để hỗ trợ phân tích tất cả dữ liệu này.

Nhiều công nghệ mới cũng đã xuất hiện, để hỗ trợ thực hiện trực quan hóa dữ liệu. Dẫn đầu thị trường là Microsoft Power BI, Tableau và Qlik. Các gói như vậy, cho phép người dùng truy cập dữ liệu từ nhiều nền tảng khác nhau và cung cấp các báo cáo cập nhật theo thời gian thực. Chúng giúp người dùng cung cấp nhiều kiểu trực quan khác nhau, bằng cách sử dụng các mẫu dựng sẵn với đồ họa chất lượng cao.

Trên quan điểm thực tế, DN cần xem xét dữ liệu cho các báo cáo đến từ đâu. Điều quan trọng là dữ liệu có thể được trích xuất dễ dàng, đặc biệt khi dữ liệu đến từ một số nguồn. Có thể cần phải có một kho dữ liệu, nơi dữ liệu từ các nguồn khác nhau được lưu trữ. Dữ liệu sau đó có thể được làm sạch, nếu cần thiết. Các báo cáo sẽ trích xuất dữ liệu từ kho dữ liệu, thay vì từ các nguồn ban đầu.

Các loại kỹ thuật trực quan hóa dữ liệu phổ biến như sau:

Bảng điều khiển kỹ thuật số
Bảng điều khiển kỹ thuật số chứa thông tin tóm tắt, thường bằng cách hiển thị một số lượng nhỏ các chỉ số hiệu suất chính. Chúng cho phép các nhà quản lý nhìn thấy bức tranh toàn cảnh một cách nhanh chóng, tập trung vào các yếu tố thành công quan trọng. Chúng cũng có thể bao gồm các số liệu chi tiết, theo đó người quản lý có thể nhấp vào số trong bảng điều khiển để xem phân tích chi tiết hơn. Điều này có thể cung cấp cho các nhà quản lý khả năng trả lời một số câu hỏi của riêng họ.

Biểu đồ thác nước
Biểu đồ thác nước có thể được sử dụng, để hiển thị các thành phần tạo nên tổng số. Các thành phần được hiển thị dưới dạng thanh, trong đó chiều dài của các thanh thể hiện giá trị của thành phần. Nó cũng sẽ hiển thị, liệu các thành phần tăng hoặc giảm tổng số. Biểu đồ thác nước đơn giản hiển thị các chênh lệch trong tháng được hiển thị ở Biểu đồ 1.

Biểu đồ 1 thể hiện những dữ liệu hiện tại về mặt địa lý, ví dụ các quốc gia hoặc khu vực có thể được nhấp vào và đi sâu để tìm thông tin cụ thể cho các khu vực đó.
Các phương pháp trình bày thông tin truyền thống, chẳng hạn như: bảng, bản đồ nhiệt, biểu đồ đường, thanh và hình tròn cũng là những cách để trực quan hóa thông tin.
Khi người dùng có thông tin được trình bày trực quan, sẽ giúp tập trung sự chú ý và cho phép xác định các ngoại lệ cũng như xu hướng dễ dàng hơn so với việc xem một bảng tính dữ liệu lớn.

4. Internet vạn vật
Internet vạn vật đề cập đến các thiết bị được kết nối với Internet và liên tục gửi thông tin. Ví dụ như điện thoại thông minh, loa thông minh, đồng hồ tập thể dục và thiết bị điều khiển máy. Nhiều ngôi nhà có công tắc thông minh hơn là cho phép chủ nhà điều khiển ánh sáng và sưởi ấm trong nhà của họ từ xa.
Máy móc có thể được trang bị các cảm biến cho phép các bộ phận bảo trì giám sát hoạt động của chúng, điều này có thể cho phép xác định các lỗi sớm hơn, trước khi chúng trở nên nghiêm trọng hơn. Thông tin hữu ích khác như nhiệt độ của tủ lạnh trong siêu thị cũng có thể được theo dõi bằng cách này.
Sự liên quan của Internet vạn vật đối với KTQT là nó cung cấp một lượng lớn dữ liệu có thể phân tích được và do đó là một nguồn thông tin hữu ích khác cho ban quản trị. Các DN có thể thu thập thông tin về hành vi của khách hàng từ các thiết bị như điện thoại thông minh và phân tích thông tin này, để cung cấp thêm thông tin chi tiết có thể được sử dụng theo nhiều cách.

Vấn đề đạo đức
Có những vấn đề đạo đức liên quan đến những phát triển này. Đặc biệt, những phát triển này cho phép các DN tìm hiểu thêm thông tin về các cá nhân và điều này đe dọa quyền riêng tư, thậm chí có thể dẫn đến nguy hại. Các chính phủ và các nhà hoạch định chính sách đang cố gắng điều chỉnh điều này, bằng các luật như Quy định bảo vệ dữ liệu (GDPR) do Liên minh châu Âu ban hành vào năm 2018, đã cập nhật luật hiện hành ở các quốc gia thành viên.

Tài liệu tham khảo
1. ‘A future that works: Automation, Employment, and Productivity’ (executive summary), Mckinsey Global Institute, January 2017
2. ‘Machine learning: more science than fiction’, ACCA, 2019.