Trí tuệ nhân tạo và thách thức trong kỷ nguyên số: Bối cảnh kế toán và kiểm toán

ThS. Nguyễn Thị Thu Vân

Khoa Kế toán - Kiểm toán, Trường Đại học Văn Lang

Email: [email protected]

Tóm tắt

Nghiên cứu xem xét cách trí tuệ nhân tạo (AI) đang định hình lại hoạt động kế toán, kiểm toán, kiểm soát nội bộ và hỗ trợ quyết định trong môi trường số. Trên cơ sở tổng hợp có định hướng các nghiên cứu liên quan, nghiên cứu làm rõ 2 mặt của quá trình ứng dụng AI: năng lực mở rộng phạm vi phân tích và tự động hóa, đồng thời phát sinh rủi ro về chất lượng dữ liệu, thiên kiến, khả năng giải thích, bảo mật và phân định trách nhiệm. Từ các kết quả tổng hợp, nghiên cứu đề xuất cách tiếp cận quản trị theo vòng đời, kết nối quản trị dữ liệu, thẩm định mô hình, kiểm toán thuật toán, cơ chế phê duyệt và giám sát có ý nghĩa của con người. Lập luận trung tâm là AI nên được tổ chức như một năng lực hỗ trợ và tăng cường trí tuệ nghề nghiệp. Phán đoán chuyên môn, thái độ hoài nghi và trách nhiệm cuối cùng của kế toán viên, kiểm toán viên vẫn phải được duy trì nhằm bảo vệ tính liêm chính của thông tin và niềm tin của công chúng.

Từ khóa: Trí tuệ nhân tạo, kế toán, kiểm toán, đạo đức AI, quản trị thuật toán

Abstract

This study examines how artificial intelligence (AI) is reshaping accounting, auditing, internal control, and decision support in the digital environment. Drawing on a focused synthesis of relevant studies, it highlights the dual implications of AI adoption: enhanced analytical capabilities and automation, alongside risks related to data quality, bias, explainability, security, and accountability. Based on the synthesis, the study proposes a lifecycle-based governance approach that integrates data governance, model validation, algorithmic auditing, approval mechanisms, and meaningful human oversight. The central argument is that AI should be positioned as a capability that supports and augments professional judgment. Accountants and auditors must retain their professional judgment, professional skepticism, and ultimate accountability to safeguard information integrity and public trust.

Keywords: Artificial intelligence, accounting, auditing, AI ethics, algorithmic governance

GIỚI THIỆU

AI đang chuyển dịch vai trò của công nghệ trong kế toán và kiểm toán từ hỗ trợ xử lý giao dịch sang tham gia phân tích, nhận diện mẫu hình và đề xuất quyết định. Học máy, khai phá dữ liệu và các mô hình tạo sinh có thể xử lý khối lượng dữ liệu lớn với tốc độ vượt xa phương pháp thủ công. Trong kiểm toán, những công cụ này tạo điều kiện mở rộng kiểm tra từ một số mẫu được lựa chọn sang phạm vi dữ liệu giao dịch rộng hơn, qua đó hỗ trợ phát hiện bất thường và đánh giá rủi ro (Issa và cộng sự, 2016). Ở cấp độ quản trị, phân tích dựa trên dữ liệu cũng góp phần rút ngắn thời gian tổng hợp thông tin và nâng cao năng lực dự báo (Brynjolfsson và McElheran, 2016).

Lợi ích công nghệ không tự động chuyển thành chất lượng nghề nghiệp. Kết quả của mô hình phụ thuộc vào nguồn dữ liệu, cách thiết kế, tiêu chí tối ưu và bối cảnh triển khai. Khi cơ chế xử lý khó quan sát, người sử dụng có thể nhận được một khuyến nghị mà không đủ căn cứ để giải thích tại sao hệ thống tạo ra kết quả đó. Vấn đề này đặc biệt quan trọng trong kiểm toán vì ý kiến nghề nghiệp phải đi kèm bằng chứng, khả năng truy nguyên và trách nhiệm giải trình (Burrell, 2016). Bên cạnh đó, dữ liệu quá khứ có thể chứa sai lệch xã hội hoặc sai sót vận hành; nếu được đưa vào mô hình mà thiếu kiểm soát, những sai lệch ấy có nguy cơ được lặp lại ở quy mô lớn.

Một rủi ro khác là sự dịch chuyển âm thầm của quyền ra quyết định. Khi nhân sự quá tin vào đầu ra tự động, thái độ hoài nghi nghề nghiệp có thể suy giảm và trách nhiệm giữa nhà phát triển, đơn vị cung cấp, người quản lý và người sử dụng trở nên khó xác định. Vì vậy, câu hỏi cốt lõi không chỉ là AI thực hiện được những tác vụ nào, mà còn là tổ chức phải thiết kế cơ chế kiểm soát ra sao để bảo đảm các quyết định có thể kiểm chứng, sửa sai và quy trách nhiệm.

Từ khoảng trống trên, nghiên cứu tổng hợp sự phát triển của AI và phân tích thách thức trong bốn lĩnh vực có quan hệ chặt chẽ: kế toán, kiểm toán, kiểm soát nội bộ và hỗ trợ quyết định. Đóng góp của nghiên cứu nằm ở việc kết nối góc nhìn công nghệ với yêu cầu đạo đức và quản trị, từ đó đề xuất một hệ thống kiểm soát AI xuyên suốt vòng đời thay vì chỉ đánh giá kết quả đầu ra.

TỔNG QUAN NGHIÊN CỨU

Tiến trình phát triển của AI trong kế toán và kiểm toán

Giai đoạn hệ chuyên gia và tự động hóa dựa trên quy tắc

Những thử nghiệm AI trong kế toán và kiểm toán đã xuất hiện từ cuối thế kỷ XX. Các hệ chuyên gia thời kỳ đầu mã hóa tri thức của chuyên gia thành tập hợp quy tắc để hỗ trợ lập kế hoạch kiểm toán, đánh giá rủi ro và xem xét dấu hiệu gian lận. Nghiên cứu của Baldwin-Morgan (1993) cho thấy, tiềm năng của công nghệ trong việc làm nhất quán một số bước suy luận nghề nghiệp. Tuy nhiên, khả năng học từ dữ liệu còn hạn chế; đầu ra phần lớn phụ thuộc vào bộ quy tắc được con người xây dựng và cập nhật.

Cùng với sự trưởng thành của hệ thống thông tin kế toán, tư duy kiểm toán liên tục bắt đầu hình thành. Thay vì chờ kết thúc kỳ báo cáo mới thu thập và đánh giá bằng chứng, dữ liệu có thể được theo dõi thường xuyên hơn để nhận diện sớm biến động đáng chú ý. Vasarhelyi và cộng sự (2010) xem đây là sự thay đổi quan trọng về thời điểm và cách thức cung cấp bảo đảm.

Giai đoạn dữ liệu lớn và học máy

Từ những năm 2010, năng lực tính toán cao hơn và sự gia tăng của dữ liệu số tạo điều kiện để mô hình học máy được sử dụng rộng hơn. Khác với hệ quy tắc tĩnh, mô hình có thể học quan hệ từ dữ liệu, phân loại giao dịch, dự báo rủi ro và xếp hạng các trường hợp cần kiểm tra. Khả năng phân tích tập dữ liệu lớn giúp kiểm toán viên chuyển nguồn lực từ thao tác cơ học sang điều tra ngoại lệ, đánh giá nguyên nhân và xem xét tác động (Issa và cộng sự, 2016).

Sự chuyển đổi này đồng thời thay đổi nội dung công việc. Kiểm toán viên không còn chỉ thực hiện thủ tục, mà còn phải hiểu nguồn dữ liệu, điều kiện vận hành của mô hình và giới hạn của kết quả phân tích. Sutton và cộng sự (2016) lập luận rằng, AI có xu hướng tái cấu trúc công việc hơn là loại bỏ hoàn toàn vai trò của chuyên gia. Do đó, năng lực dữ liệu và quản trị rủi ro công nghệ trở thành một phần của năng lực nghề nghiệp.

Giai đoạn AI tạo sinh và tự động hóa thích ứng

Sự phổ biến của mô hình ngôn ngữ lớn từ năm 2022 mở rộng phạm vi tự động hóa sang các tác vụ sử dụng ngôn ngữ: tóm tắt hợp đồng, dự thảo thuyết minh, truy vấn chính sách và hỗ trợ phân tích văn bản. AI vì thế có thể kết hợp dữ liệu có cấu trúc, như sổ cái, với dữ liệu phi cấu trúc, như email, hợp đồng hoặc báo cáo quản trị. Lợi thế này giúp tăng tốc độ xử lý, nhưng đầu ra mang tính xác suất có thể chứa thông tin không chính xác hoặc được trình bày rất thuyết phục dù thiếu căn cứ.

Trong môi trường như vậy, minh bạch không chỉ có nghĩa là công bố rằng tổ chức sử dụng AI. Người kiểm tra cần biết phiên bản mô hình, dữ liệu đầu vào, mục tiêu sử dụng, quy tắc phê duyệt và lịch sử điều chỉnh. Tính khó giải thích của mô hình học sâu tiếp tục là trở ngại đối với trách nhiệm giải trình (Burrell, 2016), trong khi việc phụ thuộc vào nhà cung cấp bên ngoài làm phát sinh thêm rủi ro về bảo mật, thay đổi mô hình và khả năng truy xuất bằng chứng (Lehner và cộng sự, 2022).

Các mức độ tự chủ của hệ thống AI

Dựa trên cách phân loại của Munoko và cộng sự (2020), AI trong hoạt động nghề nghiệp có thể được xem xét theo 3 mức. Phân loại theo mức tự chủ hữu ích hơn việc chỉ gọi tên công nghệ, bởi mức tự chủ càng cao thì yêu cầu kiểm soát, phê duyệt và trách nhiệm càng nghiêm ngặt.

Bảng: Mức độ tự chủ của hệ thống AI

Nguồn:Tác giả tổng hợp

NHẬN DIỆN THÁCH THỨC ĐỐI VỚI CÁC LĨNH VỰC KHI ỨNG DỤNG AI

Kế toán tài chính và thuế

Chuyển đổi số không bảo đảm năng suất tăng nếu doanh nghiệp chỉ số hóa một quy trình vốn đã nhiều bước và thiếu hợp lý. Khi dữ liệu nguồn không đồng nhất hoặc quyền phê duyệt chưa được thiết kế lại, AI có thể làm quy trình cũ chạy nhanh hơn nhưng không khắc phục nguyên nhân gây lãng phí. Greenman và cộng sự (2024) lưu ý rằng, giá trị của AI phụ thuộc vào việc tái thiết kế công việc, mà không đơn thuần là bổ sung một công cụ mới.

Trong tư vấn và tuân thủ thuế, sai sót của chatbot có thể dẫn đến kê khai không đúng, bỏ sót điều kiện hoặc diễn giải quy định thiếu bối cảnh. Các thử nghiệm được Greenman và cộng sự (2024) tổng hợp cho thấy, câu trả lời của một số công cụ thuế tiêu dùng có tỷ lệ không chính xác hoặc không hữu ích đáng kể. Do đó, kế toán viên không thể xem câu trả lời do AI tạo ra như nguồn thẩm quyền; mọi khuyến nghị phải được đối chiếu với văn bản pháp lý còn hiệu lực và hồ sơ cụ thể của người nộp thuế.

Bảo mật là vấn đề đặc biệt nhạy cảm vì dữ liệu kế toán chứa thông tin về thu nhập, công nợ, đầu tư, nghĩa vụ thuế và giao dịch nội bộ. Việc nhập tài liệu vào dịch vụ AI bên ngoài mà không đánh giá điều khoản lưu trữ có thể khiến dữ liệu vượt khỏi phạm vi kiểm soát của doanh nghiệp. Nguy cơ còn tăng khi hệ thống kết hợp dữ liệu tài chính với dấu vết hành vi hoặc dữ liệu định vị để xây dựng hồ sơ chi tiết về cá nhân (Schweitzer, 2024; Perdana và cộng sự, 2024).

Kiểm toán

Thiên kiến có thể xuất hiện ở dữ liệu đào tạo, nhãn do con người gán, tiêu chí tối ưu hoặc cách người dùng diễn giải kết quả. Nếu lịch sử tín dụng phản ánh bất bình đẳng đã tồn tại, một mô hình được tối ưu để dự đoán từ lịch sử có thể tiếp tục tạo kết quả bất lợi cho một số nhóm. Vì vậy, đánh giá công bằng phải xem xét cả độ chính xác tổng thể lẫn sự khác biệt về sai số và tác động giữa các nhóm liên quan (Celestin, 2024; Zweers và cộng sự, 2025).

Vấn đề “hộp đen” xuất hiện khi mối quan hệ giữa dữ liệu đầu vào và kết quả quá phức tạp để người sử dụng giải thích một cách có ý nghĩa. Trong kiểm toán, việc không hiểu vì sao hệ thống gắn cờ một giao dịch hoặc lựa chọn một mẫu sẽ làm suy yếu khả năng bảo vệ kết luận nghề nghiệp. Một mô hình có hiệu năng dự báo tốt chưa đủ; kiểm toán viên còn cần bằng chứng về tính phù hợp của dữ liệu, điều kiện sử dụng và độ ổn định của kết quả (Munoko và cộng sự, 2020; Zweers và cộng sự, 2025).

Tự động hóa tác vụ cấp thấp cũng đặt ra thách thức phát triển nghề nghiệp. Các thủ tục đối chiếu, truy tìm sai lệch và xem xét hồ sơ từng là môi trường để nhân sự trẻ hình thành trực giác và thái độ hoài nghi. Nếu toàn bộ quá trình được chuyển cho hệ thống mà không có hoạt động học tập thay thế, năng lực phán đoán của đội ngũ trong tương lai có thể bị suy giảm (Munoko và cộng sự, 2020).

Kiểm soát nội bộ

“Shadow AI” mô tả tình huống nhân viên tự sử dụng công cụ chưa được phê duyệt để hoàn thành công việc. Hành vi này thường xuất phát từ nhu cầu tăng tốc, nhưng có thể phá vỡ phân quyền, làm mất dấu vết xử lý và đưa dữ liệu mật vào môi trường không được kiểm soát. Tổ chức cần kết hợp danh mục công cụ được phép, hướng dẫn dữ liệu nào không được nhập, đào tạo thực tế và kênh đề xuất công cụ mới, thay vì chỉ ban hành lệnh cấm (Zweers và cộng sự, 2025).

AI đồng thời làm thay đổi điều kiện thực hiện và che giấu gian lận. Khái niệm “AI-Fraud Diamond” bổ sung sự mờ đục kỹ thuật vào các điều kiện gian lận truyền thống, nhấn mạnh rằng tính phức tạp của hệ thống có thể tạo cơ hội thao túng dữ liệu, mô hình hoặc lời giải thích mà thủ tục kiểm soát thông thường khó phát hiện (Zweers và cộng sự, 2025). Khoảng cách giữa nguyên tắc đạo đức cấp cao và công cụ kiểm soát vận hành vì thế cần được thu hẹp bằng kiểm thử, nhật ký, phân quyền và cơ chế báo cáo sự cố (Manheim và cộng sự, 2025).

Hỗ trợ quyết định chiến lược

Khi hệ thống tham gia sâu hơn vào quyết định, việc phân định trách nhiệm dễ trở nên mơ hồ. Một quyết định sai có thể liên quan đồng thời đến dữ liệu của doanh nghiệp, mô hình của nhà cung cấp, cấu hình của nhóm triển khai và hành vi phê duyệt của nhà quản lý. Việc quy trách nhiệm cho “AI” không có ý nghĩa quản trị; tổ chức phải chỉ định chủ sở hữu cho từng trường hợp sử dụng và xác định rõ ai chịu trách nhiệm cuối cùng (Lehner và cộng sự, 2022; Siregar và Hasanah, 2024).

AI mạnh ở xử lý khối lượng lớn và phát hiện mối liên hệ thống kê, nhưng không tự nhiên hiểu đầy đủ bối cảnh xã hội, mục tiêu đạo đức hoặc quan hệ nhân quả. Đầu ra vì vậy cần được đặt cạnh tri thức ngành, dữ liệu định tính và đánh giá của con người. Rủi ro lệ thuộc thuật toán xuất hiện khi người dùng mặc định máy khách quan hơn, từ đó bỏ qua tín hiệu trái chiều hoặc không kiểm tra giả định của mô hình (Munoko và cộng sự, 2020; Stratopoulos và Wang, 2025).

THẢO LUẬN VÀ HÀM Ý QUẢN TRỊ

Tổ chức sự cộng sinh giữa con người và AI

Thiết kế phù hợp không đặt con người và AI vào quan hệ thay thế đơn giản. AI đảm nhận việc tìm kiếm, đối chiếu và sàng lọc dữ liệu ở quy mô lớn; chuyên gia xác định vấn đề, đánh giá ngoại lệ, cân nhắc hệ quả và chịu trách nhiệm với quyết định. Cách tổ chức này phù hợp với quan niệm AI tăng cường: công nghệ mở rộng năng lực nhận biết nhưng không loại bỏ vai trò của phán đoán nghề nghiệp (Schweitzer, 2024; Stratopoulos và Wang, 2025).

Giám sát của con người chỉ có ý nghĩa khi người giám sát có đủ thông tin, năng lực và quyền can thiệp. Một nút “phê duyệt” mang tính hình thức không thể thay thế việc hiểu mục tiêu mô hình, các trường hợp dễ sai và hậu quả của quyết định. Vì vậy, quy trình cần buộc người phê duyệt ghi nhận căn cứ, cho phép bác bỏ khuyến nghị và chuyển trường hợp rủi ro cao sang đánh giá chuyên sâu.

Quản trị AI theo vòng đời

Quản trị hiệu quả nên bắt đầu trước khi mua hoặc xây dựng mô hình và tiếp tục sau khi triển khai. Ở giai đoạn khởi tạo, doanh nghiệp cần xác định mục đích, nhóm chịu tác động, dữ liệu cần thiết và mức độ rủi ro chấp nhận được. Trong phát triển và thử nghiệm, trọng tâm chuyển sang chất lượng dữ liệu, độ chính xác, công bằng, khả năng giải thích và an ninh. Khi vận hành, tổ chức phải theo dõi sai lệch hiệu năng, thay đổi dữ liệu, sự cố và hành vi vượt ngoài phạm vi cho phép.

Một khung kiểm soát tối thiểu nên gồm 5 lớp liên kết: (1) quản trị dữ liệu và quyền truy cập; (2) đánh giá thiên kiến và kiểm thử theo tình huống; (3) tài liệu hóa phiên bản, giả định và giới hạn; (4) bảo đảm độc lập hoặc kiểm toán thuật toán đối với trường hợp rủi ro cao; và (5) giám sát có ý nghĩa của con người. Các lớp này tạo chuỗi bằng chứng để người quản lý và kiểm toán viên có thể truy nguyên quyết định, phát hiện sai lệch và thực hiện biện pháp khắc phục (Siregar và Hasanah, 2024).

Pháp lý, trách nhiệm và tư cách của AI

Tranh luận về tư cách pháp lý của AI không làm thay đổi yêu cầu thực tiễn rằng trách nhiệm phải gắn với con người hoặc tổ chức có quyền kiểm soát. Doanh nghiệp không nên trì hoãn cơ chế trách nhiệm trong khi chờ pháp luật hoàn thiện. Hợp đồng với nhà cung cấp cần quy định quyền kiểm tra, thông báo thay đổi mô hình, xử lý sự cố, xóa dữ liệu và cung cấp bằng chứng. Đồng thời, chính sách nội bộ phải chỉ rõ người sở hữu mô hình, người phê duyệt sử dụng và cấp có thẩm quyền dừng hệ thống (Perdana và cộng sự, 2024).

Đổi mới đào tạo và phát triển năng lực

Đào tạo kế toán và kiểm toán cần dịch chuyển từ thao tác lặp lại sang năng lực đặt câu hỏi, quản trị dữ liệu, đánh giá mô hình và giải thích kết quả. Sinh viên nên được thực hành với tình huống có đầu ra AI sai hoặc mâu thuẫn, qua đó học cách kiểm tra nguồn, phát hiện giả định ẩn và lập hồ sơ cho quyết định. Kỹ thuật viết lệnh có giá trị, nhưng không thể thay thế kiến thức chuyên môn, tư duy nhân quả, đạo đức và giao tiếp với các bên liên quan (Stratopoulos và Wang, 2025).

Cơ chế xây dựng và cập nhật chuẩn mực

Tốc độ thay đổi của AI khiến hướng dẫn tĩnh dễ lạc hậu. Vì vậy, cần một cơ chế chuyên trách có sự tham gia của cơ quan nghề nghiệp, nhà nghiên cứu, doanh nghiệp công nghệ, đơn vị sử dụng và đại diện lợi ích công chúng. Cơ chế này không nhất thiết thay thế cơ quan ban hành chuẩn mực hiện có, nhưng phải hỗ trợ thử nghiệm, cảnh báo rủi ro mới và cập nhật hướng dẫn linh hoạt. Phạm vi bảo đảm nên bao quát toàn bộ vòng đời của hệ thống, bao gồm thiết kế, dữ liệu, thay đổi phiên bản, vận hành và ngừng sử dụng, thay vì chỉ kiểm tra đầu ra cuối cùng (Manheim và cộng sự, 2025).

KẾT LUẬN

AI mở ra khả năng phân tích sâu hơn, giám sát nhanh hơn và tự động hóa nhiều nhiệm vụ trong kế toán và kiểm toán. Tuy nhiên, giá trị của công nghệ phụ thuộc vào cách tổ chức kiểm soát dữ liệu, mô hình và quyết định. Nếu thiếu khả năng giải thích, quản trị truy cập và cơ chế can thiệp, AI có thể khuếch đại sai lệch, làm mờ trách nhiệm và tạo cảm giác chắc chắn giả tạo. Đạo đức vì thế không phải phần bổ sung sau triển khai, mà là một điều kiện thiết kế giúp củng cố niềm tin và tính bền vững của ứng dụng (Varzaru, 2022; Greenman và cộng sự, 2024).

Để chuyển từ nguyên tắc sang thực hành, ngành kế toán - kiểm toán cần triển khai đồng thời 4 nhóm hành động. Thứ nhất, xây dựng quy tắc về bảo vệ dữ liệu, minh bạch và trách nhiệm giải trình phù hợp với mức độ rủi ro. Thứ hai, duy trì quyền kiểm soát thực chất của chuyên gia đối với các quyết định quan trọng. Thứ ba, hỗ trợ doanh nghiệp nhỏ tiếp cận hướng dẫn, công cụ và năng lực kiểm soát để hạn chế khoảng cách công nghệ. Thứ tư, cập nhật chương trình đào tạo và bồi dưỡng nghề nghiệp theo hướng kết hợp kiến thức ngành, năng lực dữ liệu và đạo đức số (Perdana và cộng sự, 2024; Siregar và Hasanah, 2024).

Tương lai nghề nghiệp không được quyết định bởi việc chống lại AI hay giao toàn bộ quyền cho AI. Năng lực cạnh tranh và tính chính danh sẽ thuộc về những tổ chức biết kết hợp hiểu biết chuyên môn với công nghệ, đồng thời giữ được khả năng giải thích, sửa sai và chịu trách nhiệm. Trong cấu trúc đó, AI là một thành phần của hệ thống ra quyết định; con người vẫn là chủ thể bảo vệ tính liêm chính và niềm tin công chúng.

Tài liệu tham khảo:

1. Baldwin-Morgan, A. A. (1993). The impact of expert system audit tools on auditing firms in the year 2001: A Delphi investigation. Journal of Information Systems, 7(1), 17-33.

2. Brynjolfsson, E., & McElheran, K. (2016). The rapid adoption of data-driven decision-making. American Economic Review, 106(5), 133-139.

3. Burrell, J. (2016). How the machine “thinks”: Understanding opacity in machine learning algorithms. Big Data & Society, 3(1), 2053951715622512.

4. Celestin, M. (2024). Ethical implications of artificial intelligence in accounting practices: A Rwandan perspective. International Journal of Current Research and Modern Education, 9(2), 57-65.

5. Greenman, C., Esplin, D., Johnston, R., & Richards, J. (2024). An analysis of the impact of artificial intelligence on the accounting profession. Journal of Accounting, Ethics & Public Policy, 25(2), 188-207.

6. Issa, H., Sun, T., & Vasarhelyi, M. A. (2016). Research ideas for artificial intelligence in auditing: The formalization of audit and workforce supplementation. Journal of Emerging Technologies in Accounting, 13(2), 1-20.

7. Lehner, O. M., Ittonen, K., Silvola, H., Ström, E., & Wührleitner, A. (2022). Artificial intelligence based decision-making in accounting and auditing: Ethical challenges and normative thinking. Accounting, Auditing & Accountability Journal, 35(9), 109-135.

8. Manheim, D., Martin, S., Bailey, M., Samin, M., & Greutzmacher, R. (2025). The necessity of AI audit standards boards. AI & Society, 40(8), 6609-6624.

9. Munoko, I., Brown-Liburd, H. L., & Vasarhelyi, M. (2020). The ethical implications of using artificial intelligence in auditing. Journal of Business Ethics, 167(2), 209-234.

10. Perdana, A., Wang, T., & Arifin, S. (2024). Artificial intelligence in accounting: Ethical challenges and legal perspectives. In Digital Transformation in Accounting and Auditing: Navigating Technological Advances for the Future (pp. 321-345). Springer International Publishing.

11. Schweitzer, B. (2024). Artificial intelligence (AI) ethics in accounting. Journal of Accounting, Ethics & Public Policy, 25(1), 67-85.

12. Siregar, Z. A., & Hasanah, U. (2024). Risk management and ethical perspectives in the implementation of artificial intelligence (AI) in the accounting profession. Indonesia Auditing Research Journal, 13(4), 256-264.

13. Stratopoulos, T. C., & Wang, V. X. (2025). Artificial intelligence and accounting research: A framework and agenda. International Journal of Accounting Information Systems, 56, 100760.

14. Sutton, S. G., Holt, M., & Arnold, V. (2016). “The reports of my death are greatly exaggerated”: Artificial intelligence research in accounting. International Journal of Accounting Information Systems, 22, 60-73.

15. Vasarhelyi, M. A., Alles, M., & Williams, K. T. (2010). Continuous assurance for the now economy. Institute of Chartered Accountants in Australia.

16. Varzaru, A. A. (2022). Assessing the impact of AI solutions’ ethical issues on performance in managerial accounting. Electronics, 11(14), 2221.

17. Zweers, B., Dey, D., & Bhaumik, D. (2025). The AI-Fraud Diamond: A novel lens for auditing algorithmic deception. arXiv preprint arXiv:2508.13984.