Khung năng lực nghề nghiệp của kế toán viên trong bối cảnh ứng dụng trí tuệ nhân tạo tại Việt Nam

Trần Thị Kim Phượng

Viện NIIE, Trường Đại học Nguyễn Tất Thành, Thành phố Hồ Chí Minh

Email: [email protected]

Tóm tắt

Nghiên cứu này đề xuất khung năng lực dành cho kế toán viên trong bối cảnh ứng dụng trí tuệ nhân tạo (AI) tại Việt Nam. Phương pháp phân tích tài liệu kết hợp tổng quan tường thuật có cấu trúc được sử dụng. Kết quả đề xuất năng lực gồm 8 lĩnh vực: nền tảng kế toán - kinh doanh; hiểu biết AI; dữ liệu và phân tích; đổi mới quy trình; phán đoán và kiểm chứng đầu ra; đạo đức và quản trị AI có trách nhiệm; giao tiếp và tư vấn; thích ứng và học tập suốt đời. Mỗi lĩnh vực được mô tả ở 3 cấp độ: nền tảng, thành thạo và dẫn dắt. Khung có thể định hướng đào tạo và phát triển nghề nghiệp, nhưng cần kiểm chứng thực nghiệm trước khi áp dụng chính thức.

Từ khóa: Trí tuệ nhân tạo, khung năng lực, kế toán viên, chuyển đổi số

Abstract

This study proposes a competency framework for accountants in the context of artificial intelligence (AI) adoption in Viet Nam. A document analysis method combined with a structured narrative review is employed. The results propose eight competency domains: accounting and business foundations; AI literacy; data and analytics; process innovation; judgment and output verification; ethics and responsible AI governance; communication and advisory skills; and adaptability and lifelong learning. Each domain is described at three levels: foundational, proficient, and leading. The framework can guide training and career development, but empirical validation is required before its formal adoption.

Keywords: Artificial intelligence, competency framework, accountants, digital transformation

GIỚI THIỆU

AI được tích hợp ngày càng nhiều vào quy trình tài chính - kế toán để nhận dạng chứng từ, phân loại và đối chiếu giao dịch, phát hiện bất thường, dự báo dòng tiền, phân tích biến động và tạo bản nháp báo cáo. Không chỉ nâng cao tốc độ xử lý, AI còn làm thay đổi sự phân công giữa con người và hệ thống. Khi các tác vụ thường quy được tự động hóa, kế toán viên (KTV) chuyển trọng tâm sang quản lý ngoại lệ, bảo đảm chất lượng dữ liệu, kiểm chứng đầu ra và diễn giải thông tin phục vụ quản lý. Pargmann và cộng sự (2023) cho thấy vai trò của phân tích, giao tiếp và tư vấn ngày càng tăng. Leitner-Hanetseder và cộng sự (2021) cũng nhận diện các vai trò mới liên quan đến quản trị và khai phá dữ liệu, thiết kế bảng điều khiển, quản trị quy trình, ứng dụng AI và giám sát pháp lý - đạo đức.

Sự dịch chuyển công việc tạo ra khoảng cách năng lực đáng kể. Khảo sát của ACCA (2020) cho thấy, kỹ năng số được đánh giá là cần thiết. Khi AI được ứng dụng sâu hơn, yêu cầu này mở rộng sang quản trị dữ liệu, kiểm chứng kết quả, giám sát của con người, phối hợp liên chức năng và sử dụng AI có trách nhiệm (ACCA, 2024). Busulwa và cộng sự (2025) nhận thấy, kiến thức tự đánh giá của KTV tại Australia và New Zealand về công nghệ đã ổn định gần với yêu cầu của IES 2, trong khi kiến thức về công nghệ mới nổi thấp hơn đáng kể. Tương tự, Steens và cộng sự (2024) ghi nhận mức năng lực số hiện tại của 453 kiểm soát viên cao cấp tại Hà Lan thấp hơn mức cần thiết, đồng thời, nhấn mạnh kiến thức chuyên môn theo nhiệm vụ là điều kiện để vận dụng công nghệ hiệu quả. Do đó, năng lực trong môi trường AI không thể đồng nhất với khả năng sử dụng một phần mềm hoặc viết câu lệnh cho công cụ AI.

Tại Việt Nam, yêu cầu phát triển năng lực xuất phát từ cả thực tiễn và thể chế. Pham và cộng sự (2025) cho thấy, năng lực số khác nhau giữa sinh viên và người hành nghề; Abu Afifa và cộng sự (2025) xác nhận, chuyển đổi số và lãnh đạo chuyển đổi thúc đẩy ứng dụng AI trong kế toán. Chiến lược kế toán - kiểm toán đến năm 2030 yêu cầu tăng cường công nghệ, chuyển đổi số và cơ sở dữ liệu (Thủ tướng Chính phủ, 2022). Từ năm 2026, Luật Bảo vệ dữ liệu cá nhân và Luật Trí tuệ nhân tạo đặt ra các yêu cầu về mục đích xử lý, quản trị rủi ro, giám sát con người, minh bạch, lưu vết và xử lý sự cố (Quốc hội, 2025a, 2025b). Những nghĩa vụ này liên quan trực tiếp đến KTV, do họ xử lý nhiều dữ liệu nhạy cảm và có thể sử dụng đầu ra AI cho báo cáo, dự báo và quyết định.

Mặc dù đã có nhiều danh sách kỹ năng số, Việt Nam vẫn thiếu một khung tích hợp kiến thức, hành vi, trách nhiệm và cấp độ thành thạo. Nghiên cứu đặt ra 3 câu hỏi: (1) AI và số hóa làm thay đổi nhiệm vụ, vai trò kế toán như thế nào? (2) Những lĩnh vực năng lực nào hội tụ giữa chuẩn quốc tế, nghiên cứu bình duyệt và bối cảnh Việt Nam? (3) Các lĩnh vực đó có thể phân cấp ra sao để hỗ trợ tuyển dụng, đào tạo và phát triển nghề nghiệp?

CƠ SỞ LÝ THUYẾT VÀ PHƯƠNG PHÁP NGHIÊN CỨU

Cơ sở lý thuyết

Khái niệm năng lực nghề nghiệp và Cấu trúc khung

Năng lực nghề nghiệp là khả năng vận dụng tổng hợp kiến thức, kỹ năng, giá trị, thái độ và phán đoán để thực hiện hiệu quả một vai trò trong bối cảnh cụ thể. Theo IES 3, năng lực nghề nghiệp bao gồm: năng lực kỹ thuật, kỹ năng nghề nghiệp cùng các giá trị, đạo đức và thái độ nghề nghiệp (IFAC, 2026b). Vì vậy, khung năng lực cần thể hiện không chỉ những gì KTV cần biết, mà còn cả hành vi, mức độ tự chủ và phạm vi trách nhiệm.

Khung được xây dựng theo nguyên tắc: tích hợp công nghệ với chuyên môn kế toán, kiểm soát và đạo đức; không phụ thuộc vào công cụ cụ thể; phản ánh sự phát triển về tính độc lập, độ phức tạp và trách nhiệm; đồng thời có thể truy nguyên đến các nguồn bằng chứng. Trên cơ sở cấu trúc 3 mức của IMA (2025), nghiên cứu sử dụng các cấp độ nền tảng, thành thạo và dẫn dắt. Mức “dẫn dắt” nhấn mạnh khả năng thiết kế cơ chế quản trị, quản lý thay đổi và phát triển người khác. Các cấp độ tạo thành hồ sơ năng lực đa chiều và không đồng nhất hoàn toàn với chức danh công việc.

AI, sự thay đổi nhiệm vụ và vai trò kế toán

Các tài liệu được nghiên cứu cho thấy, công nghệ tác động ở 3 mức: thay thế tác vụ hiện có; sắp xếp lại quy trình và điểm kiểm soát; hoặc tạo khả năng mới như dự báo liên tục và phát hiện bất thường trên toàn bộ dữ liệu. Pargmann và cộng sự (2023) nhận thấy, phần lớn hoạt động kế toán vẫn ở giai đoạn thay thế, nhưng nhiệm vụ tương tác đòi hỏi xét đoán đã chuyển mạnh hơn sang thay đổi quy trình. Điều này có nghĩa là, năng lực không chỉ là thao tác công cụ; KTV phải hiểu chuỗi giá trị, điểm kiểm soát và hậu quả của việc phân bổ lại nhiệm vụ giữa người và máy.

Leitner-Hanetseder và cộng sự (2021) mô tả 8 vai trò tương lai của KTV: người ghi nhận giao dịch; người quản trị dữ liệu và thông tin; người khai phá dữ liệu; người thiết kế bảng điều khiển; nhà tư vấn; chuyên gia công nghệ AI; người quản trị quy trình; và người giám sát pháp lý - đạo đức. Các vai trò này không nhất thiết trở thành 8 chức danh tách biệt. Đây là những gói trách nhiệm có thể kết hợp tùy quy mô doanh nghiệp. KTV có lợi thế khi kết nối hiểu biết quy trình với tự động hóa, nhưng cần học cách phát hiện cơ hội, mô tả quy tắc nghiệp vụ, kiểm thử và phối hợp với chuyên gia công nghệ (Kokina và cộng sự, 2021).

Các nhóm năng lực nổi lên trong nghiên cứu quốc tế

Nghiên cứu quốc tế cho thấy, năng lực của KTV trong môi trường AI tập trung vào 6 nhóm chính.

Thứ nhất, hiểu biết AI và công nghệ số: bao gồm khả năng nhận diện các loại công cụ, hiểu tính năng và giới hạn, xác định yêu cầu tác vụ, lựa chọn công cụ phù hợp và biết khi nào cần hỗ trợ chuyên môn. Moran (2025) nhấn mạnh sự kết hợp giữa kiến thức AI, quản trị dữ liệu, phân tích và đánh giá đầu ra, trong khi năng lực về công nghệ mới nổi của KTV vẫn chưa đáp ứng đầy đủ yêu cầu nghề nghiệp (Busulwa và cộng sự, 2025; Steens và cộng sự, 2024).

Thứ hai, năng lực dữ liệu và phân tích trải từ truy nguyên nguồn, làm sạch, tích hợp và phân tích đến trực quan hóa, diễn giải và quản trị vòng đời dữ liệu. Yêu cầu này phù hợp với IES 2 về quản trị và kiểm soát dữ liệu (IFAC, 2026a), IESBA (2026a) về chất lượng và thiên lệch dữ liệu, cùng xu hướng phát triển các vai trò quản trị, khai phá dữ liệu và thiết kế bảng điều khiển thông tin (Leitner-Hanetseder và cộng sự, 2021).

Thứ ba, phán đoán, hoài nghi và kiểm chứng trở nên thiết yếu vì AI có thể tạo ra kết quả sai, thiếu căn cứ hoặc thiên lệch, trong khi người dùng dễ chấp nhận do thiên lệch tự động hóa. Trách nhiệm nghề nghiệp không thể chuyển giao cho công nghệ (IESBA, 2026a); do đó, KTV cần kiểm tra dữ liệu, giả định và bằng chứng, đối chiếu nguồn độc lập, đánh giá tính hợp lý và ghi nhận cơ sở quyết định trên nền tảng tư duy phản biện và phán đoán nghề nghiệp (IFAC, 2026b, 2026c).

Thứ tư, đạo đức và quản trị AI có trách nhiệm, bao gồm: tính khách quan, thận trọng nghề nghiệp, bảo mật, quyền riêng tư, khả năng giải thích, lưu vết, giám sát con người và ứng phó sự cố (IESBA, 2026b). Pháp luật Việt Nam cũng yêu cầu phân loại và tăng cường kiểm soát đối với hệ thống AI rủi ro cao (Quốc hội, 2025b; Chính phủ, 2026), đòi hỏi KTV không chỉ biết quy định mà còn phải nhận diện rủi ro và vận hành kiểm soát phù hợp.

Thứ năm, giao tiếp, tư vấn và hợp tác liên chức năng thể hiện ở khả năng đặt vấn đề, diễn giải kết quả, trình bày mức độ không chắc chắn, chuyển yêu cầu kế toán thành quy tắc hệ thống và chuyển phân tích thành thông tin phục vụ quyết định (Kroon và cộng sự, 2021).

Cuối cùng, thích ứng và học tập suốt đời bao gồm: chủ động cập nhật kiến thức, thử nghiệm an toàn, học từ sai lệch, chia sẻ thực hành tốt và thay đổi công cụ không còn phù hợp (Jackson và cộng sự, 2022), nhất quán với yêu cầu phát triển nghề nghiệp liên tục của IES 7 (IFAC, 2020).

Bối cảnh Việt Nam và yêu cầu bản địa hóa

Bằng chứng Việt Nam tuy đang phát triển nhưng cho thấy các đặc trưng như sau:

Một là, năng lực số không đồng đều và phụ thuộc cơ hội học tập. Pham và cộng sự (2025) cho thấy số khóa học ngắn hạn liên quan đáng kể đến năng lực số của người hành nghề trong mẫu nghiên cứu. Điều này gợi ý khung phải có cấp độ và lộ trình phát triển, thay vì giả định mọi KTV có cùng điểm xuất phát. Nghiên cứu sinh viên của Bui và cộng sự (2025), dù không đại diện cho người hành nghề, cũng cho thấy, thông thạo về AI và điều kiện hỗ trợ liên quan đến mức chấp nhận AI. Tuy nhiên, bằng chứng này được dùng như ngữ cảnh đào tạo, không dùng làm căn cứ độc lập cho năng lực nghề nghiệp.

Hai là, năng lực tổ chức ảnh hưởng đến năng lực cá nhân. Kết quả của Abu Afifa và cộng sự (2025) cho thấy, chuyển đổi số và lãnh đạo chuyển đổi hỗ trợ ứng dụng AI trong kế toán. Một cá nhân có kiến thức nhưng không có dữ liệu đáng tin cậy, công cụ được phê duyệt, quyền truy cập phù hợp, môi trường thử nghiệm hay cơ chế chuyển cấp thì khó biểu hiện năng lực.

Ba là, trách nhiệm pháp lý về dữ liệu và AI đã cụ thể hơn. Luật Bảo vệ dữ liệu cá nhân có hiệu lực từ ngày 1/1/2026, yêu cầu xử lý đúng mục đích, phạm vi và thời hạn; thực hiện biện pháp quản lý - kỹ thuật, đánh giá tác động và thông báo sự cố trong các trường hợp luật định (Quốc hội, 2025a; Chính phủ, 2025). Luật Trí tuệ nhân tạo có hiệu lực từ ngày 1/3/2026, cùng Nghị định số 142/2026/NĐ-CP, yêu cầu phân loại rủi ro, đánh giá lại khi thay đổi mục đích/chức năng hoặc xảy ra sự cố nghiêm trọng, và thiết lập cơ chế giám sát của con người (Quốc hội, 2025b; Chính phủ, 2026). Vì KTV có thể đưa dữ liệu nhạy cảm vào công cụ AI, dùng mô hình để phát hiện gian lận hoặc dự báo, và dựa vào đầu ra để báo cáo/ra quyết định, khung phải phản ánh những nghĩa vụ này ở cấp hành vi công việc.

Phương pháp nghiên cứu

Nghiên cứu sử dụng phân tích tài liệu kết hợp tổng quan tường thuật có cấu trúc. Phân tích tài liệu phù hợp khi câu hỏi nghiên cứu hướng tới việc diễn giải văn bản chính thức, khung nghề nghiệp và phát hiện nghiên cứu để hình thành phạm trù khái niệm; quy trình bao gồm: lựa chọn, thẩm định, đọc, mã hóa và tổng hợp tài liệu (Bowen, 2009). Tổng quan tường thuật có cấu trúc cho phép tích hợp các loại bằng chứng khác nhau và phát triển lập luận khái niệm, miễn là mục tiêu, tiêu chí chọn nguồn và cách tổng hợp được trình bày minh bạch (Snyder, 2019; Sukhera, 2022).

Tài liệu được thu thập từ 3 nhóm: (i) chuẩn mực, khung và báo cáo chính thức của IFAC, IESBA, IMA và ACCA về năng lực, đạo đức, công nghệ, dữ liệu và AI; (ii) các bài báo bình duyệt, ưu tiên giai đoạn 2019-2026, nghiên cứu sự thay đổi nhiệm vụ, vai trò và năng lực của KTV; và (iii) văn bản pháp luật, chính sách cùng nghiên cứu thực nghiệm tại Việt Nam liên quan đến kế toán doanh nghiệp, AI, chuyển đổi số và dữ liệu cá nhân.

Tài liệu được lựa chọn khi có nội dung rõ ràng về kiến thức, kỹ năng, hành vi, trách nhiệm hoặc thay đổi vai trò; liên quan trực tiếp hoặc có khả năng vận dụng vào kế toán doanh nghiệp; có thông tin xuất bản và nguồn truy cập kiểm chứng được; có mô tả phương pháp nghiên cứu nếu là nguồn học thuật. Sau sàng lọc, các tài liệu được phân tích và được tổng hợp thành các lĩnh vực năng lực trên cơ sở hội tụ giữa chuẩn mực nghề nghiệp, nguồn có thẩm quyền và bằng chứng thực nghiệm. Độ tin cậy được tăng cường thông qua đối chiếu, truy nguyên và rà soát các nguồn tài liệu.

KẾT QUẢ NGHIÊN CỨU

Sự dịch chuyển nhiệm vụ và trách nhiệm của kế toán viên

Kết quả tổng hợp cho thấy có sự dịch chuyển nhiệm vụ của KTV: từ ghi nhận giao dịch sang quản trị dữ liệu và ngoại lệ; từ tạo báo cáo định kỳ sang diễn giải và tư vấn; từ thực hiện kiểm soát thủ công sang thiết kế, giám sát kiểm soát số; từ soạn thảo nội dung sang kiểm chứng và phê duyệt; và từ chịu trách nhiệm đối với phần việc cá nhân sang đồng chịu trách nhiệm trong hệ sinh thái người-AI, gồm: dữ liệu, mô hình, nền tảng và nhà cung cấp. Sự dịch chuyển này không loại bỏ mà tái phân bổ trách nhiệm nghề nghiệp. KTV phải tập trung hơn vào mục đích, dữ liệu, kiểm soát, ngoại lệ và giải thích kết quả.

Bảng 1: Dịch chuyển công việc và hàm ý năng lực

Nguồn: Tác giả tổng hợp từ kết quả khảo cứu tài liệu

Khung năng lực đề xuất

Nghiên cứu đề xuất khung năng lực gồm 8 lĩnh vực.

Nền tảng kế toán, kiểm soát và hiểu biết kinh doanh

Đây là nền móng để công nghệ tạo thông tin đúng bản chất. KTV phải vận dụng quy định kế toán - thuế, hiểu mô hình kinh doanh và đánh giá kiểm soát trước khi sử dụng đầu ra AI. Năng lực còn bao gồm: kết nối thông tin tài chính - phi tài chính và, ở cấp cao, chuyển tri thức chuyên môn thành quy tắc, tiêu chí kiểm thử và cơ chế phê duyệt hệ thống.

Hiểu biết AI và sử dụng công cụ số

Năng lực gồm: hiểu khả năng, giới hạn của công nghệ tự động hóa quy trình, học máy và GenAI; sử dụng công cụ được phê duyệt; xây dựng chỉ dẫn; lựa chọn theo mục đích, dữ liệu, rủi ro và chi phí. Khung không yêu cầu mọi KTV lập trình, nhưng phải biết AI có thể sai, dữ liệu nào không được đưa vào công cụ và khi nào cần so sánh phương án hoặc tham vấn chuyên gia.

Quản trị dữ liệu, phân tích và trực quan hóa

Năng lực trải từ xác định nguồn gốc, chất lượng, quyền sử dụng; làm sạch, kết nối dữ liệu; đến phân tích và trực quan hóa. Kết quả phải tái lập được, thể hiện đúng đơn vị, kỳ, quy mô và bất định. Ở cấp dẫn dắt, KTV tham gia thiết lập từ điển dữ liệu, chủ sở hữu, quy tắc chất lượng, phân quyền và cơ chế lưu vết xuyên hệ thống.

Ứng dụng AI và đổi mới quy trình kế toán

Lĩnh vực này tập trung thiết kế quy trình: xác định cơ hội, phân công người-AI, điểm kiểm soát, ngưỡng, ngoại lệ, đường chuyển cấp và kiểm thử. Hiệu quả phải được đo bằng độ chính xác, ngoại lệ, cảnh báo giả/bỏ sót và sự cố, không chỉ thời gian tiết kiệm. Thay đổi mục đích hoặc chức năng hệ thống phải dẫn đến đánh giá lại rủi ro.

Phán đoán nghề nghiệp, hoài nghi và kiểm chứng đầu ra AI

KTV cần duy trì tư duy phản biện; kiểm tra dữ liệu, giả định, bằng chứng và tính nhất quán; nhận biết thông tin sai lệch, không có căn cứ hoặc thiên lệch do AI tạo ra; ghi lại cơ sở phán đoán nghề nghiệp. Mức kiểm chứng tỷ lệ với rủi ro: bút toán trọng yếu, dự báo thanh khoản hoặc thuyết minh báo cáo cần đối chiếu nguồn, tái tính, rà soát và phê duyệt chặt hơn bản nháp nội bộ.

Đạo đức, bảo mật, an ninh và quản trị AI có trách nhiệm

Lĩnh vực này tích hợp chính trực, khách quan, thận trọng và bảo mật với phân loại rủi ro AI, bảo vệ dữ liệu, sở hữu trí tuệ, an ninh, minh bạch, lưu vết và giám sát con người. Đưa dữ liệu bảng lương vào GenAI công cộng, chẳng hạn, có thể đồng thời vi phạm quyền riêng tư và nghĩa vụ nghề nghiệp. Ở cấp cao, KTV phối hợp quản lý trường hợp sử dụng, nhà cung cấp và sự cố.

Giao tiếp, hợp tác liên chức năng và tư vấn

Năng lực này gồm: khả năng chuyển kết quả phân tích thành nhận định hữu ích; giải thích các giả định, giới hạn và mức độ không chắc chắn; chuyển yêu cầu kế toán thành tiêu chí dữ liệu - kiểm soát; phối hợp với các bộ phận công nghệ thông tin, pháp lý, an ninh mạng và vận hành. Mức độ thành thạo tăng từ trình bày rõ kết quả đến điều phối ngoại lệ, so sánh các phương án, chi phí và rủi ro, mà vẫn giữ tính độc lập nghề nghiệp.

Thích ứng, quản trị thay đổi và học tập suốt đời

Năng lực gồm: tự đánh giá khoảng trống, lập kế hoạch phát triển, thử nghiệm có trách nhiệm, học từ sai lệch và quản trị thay đổi. Mục tiêu không phải chạy theo mọi công cụ mới, mà là lựa chọn theo vai trò, thử nghiệm bằng dữ liệu an toàn, đo lường kết quả và dừng các sáng kiến không tạo giá trị. Cấp dẫn dắt còn bao gồm: xây lộ trình, phân bổ nguồn lực và phát triển người khác.

Bảng 2: Khung năng lực đề xuất

Nguồn: Tác giả xây dựng trên cơ sở tổng hợp các chuẩn mực nghề nghiệp và kết quả nghiên cứu liên quan

Ba cấp độ năng lực

Ba cấp độ được phân biệt theo tính độc lập, độ phức tạp, phạm vi ảnh hưởng, trách nhiệm và phát triển người khác, gồm: cấp độ nền tảng, cấp độ thành thạo, và cấp độ dẫn dắt. Cấp độ Nền tảng là khả năng thực hiện theo quy trình và biết chuyển cấp. Cấp độ Thành thạo là khả năng tự lựa chọn cách tiếp cận, xử lý ngoại lệ và chịu trách nhiệm trong phạm vi. Cấp độ Dẫn dắt là khả năng thiết kế chuẩn, cơ chế quản trị, quyết định vấn đề mơ hồ và phát triển người khác.

Bảng 3: Ba cấp độ năng lực

Nguồn: Tác giả xây dựng từ kết quả nghiên cứu, tham khảo IMA (2025)

KẾT LUẬN

Đóng góp

Nghiên cứu đề xuất khung năng lực gồm 8 lĩnh vực và 3 cấp độ cho KTV trong doanh nghiêp Việt Nam. Năng lực trong bối cảnh AI phải tích hợp các trách nhiệm: hiểu nghiệp vụ; sử dụng và cải tiến công nghệ; kiểm chứng đầu ra bằng phán đoán độc lập; và bảo đảm dữ liệu/AI được sử dụng có đạo đức, hợp pháp, có giám sát con người. Giao tiếp, tư vấn và học tập liên tục giúp chuyển các năng lực đó thành giá trị.

Khung phù hợp với cấu trúc kỹ thuật - kỹ năng - đạo đức của IFAC (2026a, 2026b, 2026c) và cụ thể hóa AI, dữ liệu, an ninh, chuyển đổi số của IMA (2025). Đóng góp chính là tách sử dụng công cụ khỏi đổi mới quy trình, và tách kiểm chứng bằng phán đoán khỏi quản trị đạo đức - pháp lý. Nhờ đó, khung tránh đồng nhất thành thạo ứng dụng với thiết kế quy trình hoặc biết chính sách với khả năng phát hiện đầu ra sai.

Khung củng cố quan điểm “chuyên môn trước công nghệ nhưng không tách khỏi công nghệ”. Kiến thức nhiệm vụ là điều kiện hình thành năng lực số (Steens và cộng sự, 2024), trong khi vai trò tương lai vẫn cần tư vấn và giám sát đạo đức (Leitner-Hanetseder và cộng sự, 2021). Đào tạo, vì vậy, phải kết hợp chuyên môn với tái thiết kế công việc.

Hàm ý

Đối với doanh nghiệp, khung hỗ trợ mô tả công việc, tuyển dụng và lộ trình phát triển. Đánh giá nên dựa trên hồ sơ kiểm thử, sản phẩm phân tích, nhật ký quyết định, thiết kế kiểm soát và xử lý ngoại lệ, thay vì chỉ dùng tự đánh giá hoặc chứng chỉ. Năng lực cá nhân phải được xem cùng điều kiện tổ chức như dữ liệu, công cụ, phân quyền, chính sách và hỗ trợ chuyên gia, bởi lãnh đạo và mức chuyển đổi số cũng ảnh hưởng đến ứng dụng AI (Abu Afifa và cộng sự, 2025).

Đối với cơ sở đào tạo, 8 lĩnh vực nên được tích hợp theo chiều dọc thay vì tập trung vào một môn học AI. Giai đoạn đầu tập trung dữ liệu, kiểm soát và kiến thức AI; môn chuyên ngành lồng ghép tự động hóa, kiểm chứng, đạo đức; giai đoạn cuối dùng dự án liên chức năng. Nhà trường, doanh nghiệp và tổ chức nghề nghiệp có vai trò bổ sung trong quá trình hình thành các năng lực này (Jackson và cộng sự, 2023).

Đối với tổ chức nghề nghiệp và cơ quan quản lý, khung năng lực là căn cứ thiết kế các chương trình phát triển nghề nghiệp liên tục theo vai trò và mức độ rủi ro. Nội dung cần vượt ra ngoài kỹ năng sử dụng GenAI, tích hợp dữ liệu, kiểm chứng, đạo đức, pháp luật và các tình huống kế toán thực tế.

Hạn chế và hướng nghiên cứu tương lai

Nghiên cứu có một số hạn chế.

Thứ nhất, đây là tổng quan tường thuật có cấu trúc, do đó không thể khẳng định bao phủ toàn bộ tài liệu.

Thứ hai, nghiên cứu thực hiện thủ tục truy nguyên, kiểm tra độ nhạy và mã hóa lại không loại bỏ hoàn toàn tính chủ quan của tác giả.

Thứ ba, bằng chứng thực nghiệm tại Việt Nam còn ít, một số nghiên cứu có phạm vi địa lý hoặc cách công bố hạn chế.

Thứ tư, công nghệ và pháp luật thay đổi nhanh; khung cần cơ chế cập nhật.

Nghiên cứu tiếp theo nên thực hiện các bước kiểm định: (i) Thực hiện phỏng vấn hoặc khảo sát chuyên gia nhiều vòng để đánh giá tính đầy đủ và rõ ràng của khung năng lực; (ii) khảo sát quy mô lớn và phân tích cấu trúc thang đo; (iii) thử nghiệm tại doanh nghiệp để kiểm tra độ tin cậy giữa người đánh giá, giá trị dự báo đối với hiệu quả công việc và sự khác biệt theo bối cảnh doanh nghiệp. Trước khi có các kiểm định này, khung năng lực nên được sử dụng như tài liệu tham khảo để thiết kế và thảo luận, không phải căn cứ duy nhất cho quyết định nhân sự.

(*) Nghiên cứu được tài trợ bởi Trường Đại học Nguyễn Tất Thành, Thành phố Hồ Chí Minh

Tài liệu tham khảo:

1. Abu Afifa, M. M., Nguyen, T. H., Le, M. T. T., Nguyen, L., & Tran, T. T. H. (2025). Accounting going digital: A Vietnamese experimental study on artificial intelligence in accounting. VINE Journal of Information and Knowledge Management Systems, 55(4), 1031-1050.

2. Association of Chartered Certified Accountants (2024). The smart alliance: Accounting expertise meets machine intelligence. ACCA.

3. Association of Chartered Certified Accountants (2020). The digital accountant: Digital skills in a transformed world.

4. Bowen, G. A. (2009). Document analysis as a qualitative research method. Qualitative Research Journal, 9(2), 27-40.

5. Bui, H. Q., Phan, Q. T. B., & Nguyen, H. T. (2025). AI adoption: A new perspective from accounting students in Vietnam. Journal of Asian Business and Economic Studies, 32(1), 40-51

6. Busulwa, R., Birt, J., Gepp, A., & Oates, G. (2025). Current state of accountants’ knowledge of digital technologies: Evidence from Australia and New Zealand. Accounting & Finance, 65(3), 2649-2664.

7. Chính phủ (2025). Nghị định số 356/2025/NĐ-CP ngày 31/12/2025 quy định chi tiết một số điều và biện pháp thi hành Luật Bảo vệ dữ liệu cá nhân.

8. Chính phủ (2026). Nghị định số 142/2026/NĐ-CP ngày 30/4/2026 quy định chi tiết một số điều và biện pháp thi hành Luật Trí tuệ nhân tạo.

9. Institute of Management Accountants (2025). Expanded management accounting competency framework.

10. International Ethics Standards Board for Accountants (2026a). Ethics and independence considerations for the use of technology: Staff snapshot. https://www.ethicsboard.org/news-events/2026-06/iesba-snapshot-ethics-and-independence-approach-use-technology

11. International Ethics Standards Board for Accountants (2026b). Ethical considerations for professional accountants using emerging technologies. https://www.ethicsboard.org/news-events/2026-07/new-iesba-staff-publication-highlights-ethical-considerations-accountants-using-emerging

12. International Federation of Accountants (2020). International Education Standard 7: Continuing professional development. https://education.ifac.org/part/ies-7

13. International Federation of Accountants (2026a). International Education Standard 2: Initial professional development-Technical competence. https://education.ifac.org/part/ies-2

14. International Federation of Accountants (2026b). International Education Standard 3: Initial professional development-Professional skills. https://education.ifac.org/part/ies-3

15. International Federation of Accountants (2026c). International Education Standard 4: Initial professional development-Professional values, ethics, and attitudes. https://education.ifac.org/part/ies-4

16. Jackson, D., Michelson, G., & Munir, R. (2022). New technology and desired skills of early career accountants. Pacific Accounting Review, 34(4), 548-568.

17. Jackson, D., Michelson, G., & Munir, R. (2023). Developing accountants for the future: New technology, skills, and the role of stakeholders. Accounting Education, 32(2), 150-177.

18. Kokina, J., Gilleran, R., Blanchette, S., & Stoddard, D. (2021). Accountant as digital innovator: Roles and competencies in the age of automation. Accounting Horizons, 35(1), 153-184.

19. Kroon, N., Alves, M. D. C., & Martins, I. (2021). The impacts of emerging technologies on accountants’ role and skills: Connecting to open innovation-A systematic literature review. Journal of Open Innovation: Technology, Market, and Complexity, 7(3), Article 163.

20. Leitner-Hanetseder, S., Lehner, O. M., Eisl, C., & Forstenlechner, C. (2021). A profession in transition: Actors, tasks and roles in AI-based accounting. Journal of Applied Accounting Research, 22(3), 539-556.

21. Moran, G. (2025). Artificial intelligence and the changing competency requirements of accounting professionals. Journal of Management and Business Education, 8(2), 147-167.

22. Pargmann, J., Riebenbauer, E., Flick-Holtsch, D., & Berding, F. (2023). Digitalisation in accounting: A systematic literature review of activities and implications for competences. Empirical Research in Vocational Education and Training, 15, Article 1.

23. Pham, T. L., Tran, T. P. T., Dau, T. K. T., & Tran, A. H. (2025). The determinants of digital competencies in accounting: An empirical study in Vietnam. Higher Education, Skills and Work-Based Learning, 15(2), 319-334.

24. Quốc hội (2025a). Luật Bảo vệ dữ liệu cá nhân số 91/2025/QH15.

25. Quốc hội (2025b). Luật Trí tuệ nhân tạo số 134/2025/QH15.

26. Snyder, H. (2019). Literature review as a research methodology: An overview and guidelines. Journal of Business Research, 104, 333-339.

27. Steens, B., Bots, J., & Derks, K. (2024). Developing digital competencies of controllers: Evidence from the Netherlands. International Journal of Accounting Information Systems, 52, Article 100667.

28. Sukhera, J. (2022). Narrative reviews: Flexible, rigorous, and practical. Journal of Graduate Medical Education, 14(4), 414-417.

29. Thủ tướng Chính phủ (2022). Quyết định số 633/QĐ-TTg ngày 23/5/2022 phê duyệt Chiến lược kế toán-kiểm toán đến năm 2030.