Phần bị đánh giá thấp nhất của CSRD không phải là việc soạn thảo báo cáo. Đó chính là hệ thống vận hành cần thiết để hoàn thành nhiệm vụ này. Chỉ thị này yêu cầu báo cáo về hơn 1.000 điểm dữ liệu và đối với một doanh nghiệp sản xuất có 500 nhà cung cấp, điều này có thể đồng nghĩa với việc phân tích 1.500-2.000 tài liệu cho mỗi chu kỳ (phân tích thị trường về tự động hóa AI trong báo cáo ESG). Đối với một Giám đốc Tài chính (CFO), điều này có nghĩa là một điều đơn giản: vấn đề không chỉ nằm ở khía cạnh pháp lý, mà còn là vấn đề công nghiệp.
Tin tốt là AI đang trở thành một công cụ hữu hiệu để quản lý sự phức tạp này. Một phương pháp dựa trên AI cho báo cáo CSRD có thể giảm thời gian thu thập dữ liệu thủ công tới 70% và nâng độ chính xác của việc xử lý dữ liệu lên 95%, so với 78% của các quy trình thủ công, nếu dữ liệu đầu vào phù hợp (hướng dẫn thực hành về việc sử dụng AI cho kiểm toán CSRD). Tin xấu là nhiều doanh nghiệp Ý đang đánh giá thấp những rủi ro tiềm ẩn: dữ liệu phân tán, kiểm soát lỏng lẻo, các mô hình khó giải thích và quản trị chưa đủ chặt chẽ.
Nếu bạn đang xem xét việc tự động hóa báo cáo CSRD bằng trí tuệ nhân tạo, vấn đề không phải là mua một nền tảng. Vấn đề là xây dựng một quy trình đáp ứng được các yêu cầu về kiểm toán, thời gian và chất lượng dữ liệu. Tại đây, bạn sẽ tìm thấy một hướng dẫn thực tế, được viết theo cách tiếp cận mà tôi sẽ áp dụng khi làm việc với một Giám đốc Tài chính (CFO): các quy trình rõ ràng, những sự đánh đổi được nêu rõ, những lợi ích cụ thể và các rủi ro cần được xử lý trước khi chúng trở thành vấn đề.
Đối với nhiều doanh nghiệp vừa và nhỏ (SME) của Ý, vấn đề không phải là nhận ra rằng CSRD yêu cầu nhiều dữ liệu hơn. Vấn đề nằm ở việc tạo ra dữ liệu có thể bảo vệ được trong quá trình kiểm toán, với thời hạn hoàn thành phù hợp với tiến độ công việc của bộ phận tài chính và không làm gia tăng số lượng tệp tin, các hoạt động đối chiếu cũng như các phiên bản chưa được kiểm soát.
Khó khăn ngày càng gia tăng vì báo cáo theo tiêu chuẩn CSRD phải tổng hợp các nguồn dữ liệu rất đa dạng. Hệ thống ERP, dữ liệu mua hàng, nhân sự, hóa đơn, dữ liệu môi trường, bảng câu hỏi nhà cung cấp, tài liệu PDF và các ghi chú phương pháp luận đều phải được tích hợp vào một quy trình duy nhất, có thể kiểm chứng và lặp lại. Nếu bước này vẫn được thực hiện thủ công, Giám đốc Tài chính (CFO) sẽ mất khả năng theo dõi chính xác ở những lĩnh vực có rủi ro cao nhất: chất lượng dữ liệu, trách nhiệm vận hành và khả năng truy vết các điều chỉnh.
Ở các doanh nghiệp quy mô vừa, tôi thường thấy một mô hình lặp lại. Bộ phận tài chính chịu trách nhiệm điều phối công tác báo cáo, nhưng một phần đáng kể thông tin vẫn bị phân tán giữa các bộ phận, các đơn vị tư vấn bên ngoài và các nhà cung cấp. Hậu quả không chỉ là sự chậm trễ. Đó là một hệ thống kiểm soát lỏng lẻo.
Các dấu hiệu điển hình là:
Hầu hết các vấn đề liên quan đến CSRD không xuất phát từ báo cáo cuối cùng. Chúng bắt nguồn từ nhiều tháng trước đó, trong quá trình thu thập và làm sạch dữ liệu.
Đối với một doanh nghiệp vừa và nhỏ (SME) của Ý, vấn đề này có tác động lớn hơn so với các tập đoàn lớn. Cơ cấu tổ chức của họ gọn nhẹ hơn, các hệ thống ít được tích hợp hơn và việc đảm bảo tuân thủ phương pháp luận thường phụ thuộc vào một số ít người. Nếu một trong những người này thay đổi vị trí hoặc rời khỏi công ty, quy trình sẽ ngay lập tức bị suy yếu.
Trí tuệ nhân tạo (AI) đặc biệt hữu ích trong các hoạt động có khối lượng lớn và mức độ chuẩn hóa thấp. Nó có thể phân loại tài liệu, trích xuất dữ liệu từ các nguồn đa dạng, đề xuất mối liên hệ giữa các điểm dữ liệu và các yêu cầu ESRS, phát hiện các bất thường, xác định các giá trị thiếu sót và soạn thảo các bản tóm tắt nội dung phù hợp với dữ liệu hiện có.
Tuy nhiên, nó chỉ hoạt động hiệu quả khi được vận hành trên nền tảng có tổ chức. Nếu thiếu một bản đồ rõ ràng về các nguồn dữ liệu và trách nhiệm, ngay cả hệ thống AI tốt nhất cũng sẽ làm gia tăng sai sót, sự mơ hồ và thiếu nhất quán. Chính vì vậy, ưu tiên hàng đầu không phải là công cụ bản thân nó, mà là cấu trúc của các luồng thông tin và nguồn dữ liệu liên quan đến báo cáo CSRD.
Trên thực tế, tự động hóa chỉ thực sự có ý nghĩa khi nó giúp giảm bớt các công việc lặp đi lặp lại và tăng cường sự kiểm soát của con người đối với các bước quan trọng.
| Khu vực | Rủi ro trong quy trình thủ công | Ứng dụng hữu ích của trí tuệ nhân tạo |
|---|---|---|
| Tập hợp | dữ liệu đầu vào bị mất và liên tục bị trễ | thu thập và phân loại tài liệu |
| Tiêu chuẩn hóa | các định dạng khác nhau và lỗi chuyển đổi | tiêu chuẩn hóa các trường, đơn vị và cấu trúc |
| Kiểm tra | việc kiểm tra chậm trễ và chưa đầy đủ | cảnh báo về các bất thường, khoảng trống và sự không nhất quán |
| Dấu vết kiểm toán | các bằng chứng rời rạc | mối liên hệ giữa dữ liệu, nguồn và các bước kiểm toán |
Ở đây cần sự thực tế. Một hệ thống trí tuệ nhân tạo (AI) tạo ra một con số có vẻ hợp lý nhưng lại không giải thích rõ ràng rằng nó đã trích xuất dữ liệu đó từ tài liệu nào, đã xử lý dữ liệu đó theo logic nào và ai là người đã xác nhận, thì sẽ tạo ra một vấn đề mới thay vì giải quyết vấn đề cũ.
Trong lĩnh vực kiểm toán, câu hỏi không phải là liệu kết quả đầu ra có “trông có vẻ đúng” hay không. Câu hỏi là liệu quá trình dẫn đến kết quả đó có thể được tái hiện lại hay không. Đây chính là vấn đề cốt lõi của mô hình “hộp đen”. Nếu nhóm không thể chỉ ra nguồn gốc của dữ liệu, quy tắc đã áp dụng, các trường hợp ngoại lệ phát sinh và sự phê duyệt cuối cùng, thì tính thuyết phục của báo cáo sẽ bị suy giảm.
Chính vì vậy, tôi luôn khuyên mọi người nên coi AI như một công cụ xử lý sơ bộ và kiểm soát, chứ không phải là sự thay thế cho phán đoán chuyên môn. Trách nhiệm vẫn thuộc về nội bộ. Đặc biệt là đối với Phạm vi 3, tính trọng yếu kép và các nội dung giải thích liên quan đến các ước tính hoặc giả định phương pháp luận.
Lợi ích thực sự không phải là "hoàn thành báo cáo nhanh hơn" theo nghĩa chung chung. Mà là giảm thiểu ba rủi ro cụ thể sau:
Nếu ba kết quả này chưa được thể hiện, điều đó có nghĩa là doanh nghiệp chưa cải thiện được báo cáo CSRD. Họ chỉ đang áp dụng công nghệ vào một quy trình vẫn còn nhiều hạn chế.
Theo kinh nghiệm của tôi, các dự án tự động hóa CSRD tại các doanh nghiệp vừa và nhỏ (SME) của Ý thường thất bại do dữ liệu không được quản lý chặt chẽ hơn là do những hạn chế của nền tảng được lựa chọn. Vấn đề không phải là tích hợp trí tuệ nhân tạo (AI) vào quy trình hiện có. Vấn đề là xây dựng một quy trình làm việc có thể chịu được sự kiểm tra, với các bước có thể xác minh được và trách nhiệm rõ ràng.
Quyết định đầu tiên liên quan đến phạm vi thông tin. Cần xác định những điểm dữ liệu ESRS nào có ý nghĩa đối với doanh nghiệp, hiện chúng đang nằm trong những hệ thống nào, những dữ liệu nào còn thiếu và ai là người chịu trách nhiệm xác thực chúng. Nếu thiếu bản đồ này, việc tự động hóa sẽ chỉ làm gia tăng sai sót.
Đối với một doanh nghiệp vừa và nhỏ (SME) của Ý, khó khăn không chỉ nằm ở khía cạnh kỹ thuật. Thông thường, dữ liệu về môi trường, nhân sự và chuỗi cung ứng được phân tán giữa hệ thống ERP, bảng tính Excel, các cổng thông tin nhà cung cấp và tài liệu PDF. Trí tuệ nhân tạo (AI) có thể giúp phân loại các nguồn dữ liệu và đề xuất mối liên hệ ban đầu giữa các yêu cầu pháp lý và dữ liệu sẵn có, nhưng trách nhiệm xác nhận mối liên hệ đó vẫn thuộc về nội bộ doanh nghiệp.
Kết quả đầu ra hữu ích ở giai đoạn này là một ma trận hoạt động gồm sáu trường:
Nếu ma trận này chưa đầy đủ, rủi ro không chỉ là trên lý thuyết. Trong quá trình kiểm toán, sẽ rất khó để giải thích tại sao một chỉ số lại được đưa vào báo cáo với phạm vi và nguồn dữ liệu như vậy.
Việc lựa chọn nền tảng cần dựa trên các tiêu chí kiểm soát nội bộ, chứ không chỉ đơn thuần là năng suất. Một bản demo được trình bày tốt là chưa đủ. Cần phải xác định xem hệ thống có lưu lại dấu vết của các quá trình xử lý, lưu trữ các phiên bản, quản lý quyền truy cập và giúp người dùng theo dõi được lộ trình từ dữ liệu thô đến kết quả đầu ra cuối cùng hay không.
Đối với một Giám đốc Tài chính (CFO), có bốn câu hỏi cụ thể cần đặt ra cho nhà cung cấp:
Cũng nên kiểm tra ngay vấn đề kết nối ứng dụng. Một nền tảng kết nối kém với các hệ thống doanh nghiệp sẽ dẫn đến việc phải đối chiếu thủ công, các trường hợp ngoại lệ thường xuyên và thời gian hoàn tất báo cáo kéo dài. Vì vậy, nên kiểm tra trước chất lượng của các kết nối với các nguồn dữ liệu chính của doanh nghiệp.
Vấn đề về “hộp đen” đã xuất hiện ngay từ đây. Nếu nhà cung cấp không thể chứng minh được cách mô hình phân loại một tài liệu, phát hiện sự bất thường hay đề xuất một bản phác thảo nội dung, thì vấn đề sẽ bộc lộ sau này, thường là vào thời điểm tồi tệ nhất.
Đây là giai đoạn mà nhiều dự án mất đi tính xác thực. Trí tuệ nhân tạo (AI) có thể xử lý khối lượng dữ liệu khổng lồ trong thời gian ngắn, nhưng không thể tự động khắc phục các vấn đề như mã hóa không nhất quán, đơn vị đo lường khác nhau, phạm vi không đồng bộ hoặc các tệp được tải lên theo các quy trình khác nhau giữa các bộ phận.
Có ba hoạt động cần được giám sát:
Ở đây, một sự đánh đổi thực sự xuất hiện. Càng tự động hóa việc nhập liệu, bạn càng phải đầu tư nhiều hơn vào các quy tắc đảm bảo chất lượng ngay từ giai đoạn đầu. Nếu không làm vậy, đội ngũ tài chính sẽ phải dành thời gian để xác minh các trường hợp ngoại lệ do hệ thống tạo ra thay vì giảm bớt công việc thủ công.
Một nguyên tắc thực tiễn sẽ giúp tránh những sai sót trong quá trình thiết lập. Mỗi luồng tự động phải có một cơ chế kiểm tra đối chiếu mà ngay cả những người không có chuyên môn kỹ thuật cũng có thể hiểu được. Nếu cơ chế kiểm tra này chỉ rõ ràng đối với người đã thiết lập nền tảng, thì quy trình đó vẫn còn dễ gặp rủi ro.
Sau khi làm sạch dữ liệu, trí tuệ nhân tạo (AI) có thể tạo ra giá trị rõ rệt. Nó có thể phát hiện các bất thường, soạn thảo bản nháp văn bản và hỗ trợ việc điền vào các phần lặp lại. Tuy nhiên, không nên giao phó cho mô hình những phần nhạy cảm nhất, chẳng hạn như các giả định phương pháp luận, phạm vi hợp nhất hoặc các giải thích về ước tính và khoảng trống thông tin.
Các phương pháp đáng tin cậy nhất là:
Trong các doanh nghiệp vừa và nhỏ, rủi ro tiềm ẩn nằm ở việc quá tin tưởng vào những văn bản được soạn thảo trôi chảy. Một văn bản trau chuốt có thể che giấu một cơ sở tài liệu yếu kém. Chính vì vậy, tôi luôn yêu cầu kiểm tra hai điều trước khi phê duyệt: nguồn gốc của mỗi khẳng định và quy tắc nào đã dẫn đến việc hệ thống đưa ra khẳng định đó.
Việc đưa hệ thống vào hoạt động không có nghĩa là dự án đã kết thúc. Đó là bước khởi đầu cho giai đoạn mà hệ thống tự động hóa phải chứng minh khả năng vận hành ổn định qua từng tháng, với dữ liệu mới, các trường hợp ngoại lệ thực tế và những điều chỉnh đối với các mô hình hoặc mẫu.
Một cơ chế quản trị tối thiểu cần làm rõ những điểm sau:
| Phạm vi | Câu hỏi cần đóng |
|---|---|
| Quyền sở hữu | người phê duyệt số liệu trước khi công bố |
| Các trường hợp ngoại lệ | Ai là người quyết định khi nào một sự bất thường được coi là chấp nhận được? |
| Các phiên bản | phiên bản dữ liệu nào được đưa vào báo cáo |
| Dấu vết kiểm toán | bằng chứng được lưu trữ ở đâu |
| Mô hình AI | Khi nào được cập nhật và ai là người phê duyệt các thay đổi |
Ở các doanh nghiệp quy mô nhỏ, rủi ro hoạt động thường tập trung vào một số ít người. Nếu chỉ có một bộ phận duy nhất nắm rõ các quy tắc, trường hợp ngoại lệ và logic xử lý, thì việc tự động hóa vẫn phụ thuộc vào trí nhớ của cá nhân. Điều này không phải là một cải tiến về mặt cơ cấu.
Một quá trình triển khai hiệu quả sẽ mang lại ba kết quả có thể đo lường được. Ít phải điều chỉnh thủ công hơn, ít tranh cãi hơn trong quá trình kiểm toán, và thời gian hoàn tất công việc trở nên dễ dự đoán hơn. Nếu thiếu một trong ba yếu tố này, nên xem xét lại thiết kế quy trình trước khi mở rộng việc áp dụng trí tuệ nhân tạo (AI).
Trước khi đầu tư vào tự động hóa, bạn nên tiến hành đánh giá mức độ sẵn sàng nội bộ. Bạn không cần một hệ thống quy mô doanh nghiệp. Điều quan trọng là phải xác định rõ những gì bạn đang có, những gì còn thiếu và những gì không nên giao phó cho nền tảng.
Câu hỏi đúng không phải là “chúng ta có nhiều dữ liệu không?”. Mà là “chúng ta có dữ liệu có thể truy xuất nguồn gốc, nhất quán và được quản lý tốt không?”. Nếu câu trả lời còn mơ hồ, thì việc triển khai tự động hóa cần được chuẩn bị kỹ lưỡng hơn.
Hãy kiểm tra những điểm sau:
Một nền tảng ban đầu tốt không có nghĩa là hoàn hảo. Điều đó có nghĩa là mọi dữ liệu quan trọng đều có ít nhất một người chịu trách nhiệm, một nguồn gốc rõ ràng và một tiêu chí xác thực.
Nhiều dự án bị đình trệ vì những lý do không liên quan đến kỹ thuật. Nền tảng đã có sẵn, nhưng không ai xác định ranh giới, phê duyệt việc tuyển dụng hay giải quyết mâu thuẫn giữa các bộ phận.
Việc chuẩn bị về mặt tổ chức đòi hỏi ít nhất bốn quyết định rõ ràng:
Một dự án CSRD chỉ thực sự hiệu quả khi doanh nghiệp xác định rõ ai là người chịu trách nhiệm về dữ liệu, chứ không phải khi họ triển khai một lớp công nghệ mới.
Đối với một doanh nghiệp vừa và nhỏ, mô hình hiệu quả nhất thường là mô hình kết hợp. Tự động hóa mạnh mẽ trong việc thu thập, phân loại và kiểm tra tính nhất quán. Con người trực tiếp giám sát các quyết định về phạm vi, mức độ quan trọng, nội dung mô tả và phê duyệt cuối cùng.
Tự động hóa chỉ thực sự có ý nghĩa khi nó thay đổi công việc hàng ngày. Bán lẻ và tài chính là hai lĩnh vực mà điều này thể hiện rõ ràng ngay lập tức, nhưng vì những lý do khác nhau.
Trong ngành bán lẻ Ý, điểm nghẽn thường nằm ở chuỗi cung ứng. Việc đánh giá tính quan trọng kép (double materiality) gặp khó khăn khi dữ liệu tác động được cung cấp dưới các định dạng khó đọc hoặc không thể so sánh. Một báo cáo được Deloitte trích dẫn cho thấy 52% doanh nghiệp vừa và nhỏ (SME) trong ngành bán lẻ Ý không sở hữu dữ liệu chi tiết về tác động, và chính tại đây, trí tuệ nhân tạo (AI) có thể đẩy nhanh quá trình so sánh chuẩn (benchmarking), nhưng cần lưu ý đến các sai lệch do dữ liệu chuỗi cung ứng yếu kém gây ra (phân tích về tính quan trọng kép và AI).
Cụ thể, một quy trình làm việc được thiết kế tốt trong lĩnh vực bán lẻ sẽ tuân theo logic sau:
Kết quả hữu ích không chỉ là con số cuối cùng. Đó còn là danh sách các trường hợp ngoại lệ, chất lượng của các nguồn tham khảo và quá trình suy luận. Đây chính là những yếu tố thực sự hữu ích trong quá trình đánh giá.
Về khía cạnh trình bày nội dung, nhiều doanh nghiệp nhận ra quá muộn rằng chỉ biết phân tích thôi là chưa đủ. Cần phải trình bày kết quả một cách dễ hiểu. Về vấn đề này, hướng dẫn của Data Storytelling Academy về cách viết báo cáo hiệu quả sẽ rất hữu ích, vì nó giúp biến một tập hợp các dữ liệu kỹ thuật thành thông tin dễ tiếp thu đối với ban lãnh đạo, kiểm toán viên và các bên liên quan.
Trong lĩnh vực tài chính, quy trình hoạt động lại khác biệt. Vấn đề không chỉ nằm ở việc theo dõi các số liệu thực tế hay dữ liệu về nguồn cung, mà còn là việc kết nối các yếu tố rủi ro, mức độ tiếp xúc, chính sách nội bộ và công bố thông tin một cách nhất quán. Ở đây, trí tuệ nhân tạo (AI) đặc biệt hữu ích trong việc phân loại các vấn đề trọng yếu, phân tích các dữ liệu định tính và soạn thảo các bản nháp để đội ngũ tuân thủ có thể hoàn thiện.
Một quy trình làm việc điển hình bao gồm:
| Giai đoạn | Kết quả cụ thể |
|---|---|
| thu thập ý kiến nội bộ | Danh mục các rủi ro ESG có liên quan |
| phân tích tài liệu | Tổng quan về chính sách, các biện pháp kiểm soát và những điểm còn thiếu sót |
| phân loại | Bản đồ các chủ đề cho phần công bố thông tin |
| kiểm duyệt bởi con người | Phê duyệt phạm vi và ngôn ngữ |
| báo cáo | các phần nội dung và bảng điều khiển |
Trong lĩnh vực tài chính, lợi thế không phải là “ghi chép nhanh hơn”. Mà là giảm thiểu sự không nhất quán giữa các bộ phận khi họ tạo ra cùng một dữ liệu nhưng lại sử dụng các định nghĩa khác nhau.
Đối với một doanh nghiệp vừa và nhỏ, vấn đề không phải là tìm thêm một nền tảng nữa để bổ sung vào hệ thống. Vấn đề là phải tích hợp dữ liệu, các quy trình kiểm soát và kết quả đầu ra thành một quy trình mà đội ngũ thực sự có thể tận dụng được.
ELECTE, một nền tảng phân tích dữ liệu được hỗ trợ bởi trí tuệ nhân tạo (AI) dành cho các doanh nghiệp vừa và nhỏ (SME), rất hữu ích trong bối cảnh này vì nó hoạt động trên toàn bộ chuỗi quy trình. Nền tảng này kết nối các nguồn dữ liệu đa dạng, xử lý sơ bộ dữ liệu, giúp dễ dàng phát hiện các bất thường và chuyển đổi các tập dữ liệu phức tạp thành những thông tin dễ hiểu ngay cả đối với người dùng không có chuyên môn kỹ thuật.
Trong bối cảnh CSRD, cách tiếp cận này mang lại lợi ích chủ yếu ở ba khía cạnh sau:
Đối với giai đoạn công bố thông tin cuối cùng, khả năng tạo ra các sản phẩm đầu ra rõ ràng và có thể tái sử dụng là yếu tố đặc biệt quan trọng. Chính logic của một công cụ tạo báo cáo được thiết kế để tạo ra các báo cáo tự động và có thể tùy chỉnh lại là điều còn thiếu trong nhiều quy trình CSRD hiện vẫn đang được quản lý bằng các tài liệu rời rạc, các phiên bản song song và việc tổng hợp dữ liệu chậm trễ.
Một nền tảng phù hợp không thể thay thế cho sự phán đoán của ban lãnh đạo. Nó giúp loại bỏ những công việc lặp đi lặp lại vốn cản trở ban lãnh đạo thực hiện tốt vai trò của mình.
Đây chính là lúc phương pháp "phân tích trước tiên" phát huy tác dụng. Phương pháp này không coi báo cáo như một tài liệu hoàn chỉnh cần được trình bày, mà xem đó là kết quả tự nhiên của một quy trình xử lý dữ liệu có hệ thống hơn, minh bạch hơn và dễ kiểm soát hơn.
Việc áp dụng trí tuệ nhân tạo (AI) trong báo cáo bền vững không thất bại vì công nghệ này còn non trẻ. Nó thất bại khi doanh nghiệp giao cho AI những nhiệm vụ đòi hỏi sự phán đoán, bối cảnh hoặc những lời giải thích mà mô hình không thể tự mình đưa ra.
Tại Ý, sự thiếu minh bạch của trí tuệ nhân tạo (AI) là rào cản đối với 62% các doanh nghiệp vừa và nhỏ (SME) phải tuân thủ Chỉ thị về Báo cáo Bền vững của Liên minh Châu Âu (CSRD), và trong các bối cảnh tương tự, 28% trường hợp bị từ chối trong quá trình kiểm toán là do các mô hình không thể giải thích được (theo nghiên cứu về AI và báo cáo bền vững dành cho SME). Con số này cần được xem xét kỹ lưỡng. Rủi ro không phải là “AI sai”. Rủi ro là “doanh nghiệp không thể giải thích được cách thức AI đưa ra kết quả đó”.
Các biện pháp đối phó thực tế rất cụ thể:
Đối với nhiều Giám đốc Tài chính (CFO), vấn đề này còn liên quan đến khung quản trị quy định rộng lớn hơn. Cần lưu ý đến khung tuân thủ và các yêu cầu của Đạo luật Trí tuệ Nhân tạo Châu Âu (European AI Act), bởi vì xu hướng quản lý của châu Âu đang rõ ràng hướng tới sự minh bạch hơn, kiểm soát chặt chẽ hơn và giảm bớt sự phụ thuộc mù quáng vào các mô hình không thể giải thích được.
Một cạm bẫy khác tuy đơn giản hơn nhưng thường gây hại nhiều hơn. Nếu dữ liệu đầu vào không chính xác, quá trình tự động hóa sẽ chỉ làm cho lỗi vốn có trở nên trầm trọng hơn. Điều này thường xảy ra nhất với các tài liệu của nhà cung cấp thiếu chuẩn hóa, phạm vi công việc không thống nhất và các định nghĩa khác nhau giữa các bộ phận.
Các biện pháp phòng thủ hiệu quả nhất là những biện pháp thực tiễn, chứ không phải lý thuyết:
| Rủi ro | Các biện pháp giảm thiểu thực tiễn |
|---|---|
| dữ liệu chưa đầy đủ | Các quy tắc về trường bắt buộc và các quy định về ngoại lệ |
| các đơn vị không nhất quán | tiêu chuẩn hóa tập trung |
| nhiều phiên bản | Nguồn thông tin duy nhất cho mỗi lần công bố |
| các câu chuyện không có căn cứ | yêu cầu cung cấp bằng chứng chứng minh |
Mô hình hiệu quả nhất vẫn là mô hình “human-in-the-loop”. Trí tuệ nhân tạo (AI) thu thập, phân loại, báo cáo và chuẩn bị. Đội ngũ chuyên gia sẽ kiểm tra, phân tích và phê duyệt.
Đúng vậy, nhưng trong những giới hạn cụ thể. Trí tuệ nhân tạo (AI) hữu ích trong việc đọc các tệp PDF, bảng câu hỏi mở, tệp đính kèm và tài liệu không đồng nhất. Nó hoạt động hiệu quả khi cần trích xuất các trường dữ liệu, nhận diện các danh mục lặp lại và báo cáo thông tin thiếu sót. Tuy nhiên, chỉ riêng AI là chưa đủ để đảm bảo tính chính xác của dữ liệu trong phạm vi CSRD. Bạn luôn cần thiết lập các quy tắc xác thực và thực hiện kiểm tra thủ công đối với các trường hợp ngoại lệ.
Đây vẫn là một vai trò then chốt. Trí tuệ nhân tạo (AI) không thay mặt doanh nghiệp quyết định các yếu tố trọng yếu, phạm vi, phương pháp luận và các giả định cuối cùng. Đội ngũ tài chính và tuân thủ sẽ thiết lập các quy tắc, phê duyệt các trường hợp ngoại lệ, kiểm tra tính nhất quán của các thông tin công bố và đảm bảo báo cáo phản ánh đúng mô hình hoạt động thực tế. Về phần mình, kiểm toán viên cần có các dấu vết, bằng chứng và các bước thực hiện có thể tái hiện được.
Khi trí tuệ nhân tạo (AI) được ứng dụng vào lĩnh vực báo cáo, sự kiểm soát của con người không hề biến mất. Thay vào đó, nó trở nên quan trọng hơn và tập trung hơn.
Hơn cả những gì nhiều doanh nghiệp vừa và nhỏ (SME) tưởng tượng. Không cần phải quá cứng nhắc, nhưng cần có những quy định tối thiểu. Tên tệp nhất quán, các trường bắt buộc, quyền sở hữu dữ liệu, quy tắc phê duyệt và hệ thống lưu trữ tài liệu có trật tự. Nếu thiếu sự kỷ luật này, quá trình tự động hóa sẽ chỉ đạt được một phần.
Đúng vậy. Khi quy trình được thiết lập một cách bài bản, dữ liệu thu thập cho CSRD cũng sẽ trở nên hữu ích cho các hoạt động mua sắm, quản lý rủi ro, kiểm soát nội bộ và đối thoại với nhà đầu tư hoặc khách hàng. Lợi ích thực sự không chỉ nằm ở việc “lập báo cáo”. Mà còn là việc sở hữu một cơ sở dữ liệu tốt hơn để đưa ra những quyết định sáng suốt hơn.
Không. Thông thường, nên bắt đầu từ các quy trình quan trọng và lặp đi lặp lại nhất. Ví dụ như thu thập dữ liệu từ nhà cung cấp, đối chiếu giữa các bộ phận hoặc soạn thảo nội dung công bố thông tin cần cập nhật thường xuyên. Sai lầm là muốn tự động hóa tất cả cùng một lúc mà không thiết lập các quy tắc quản trị trước.
Đừng chỉ tập trung vào bản demo mà hãy chú ý nhiều hơn đến quy trình. Hãy tìm hiểu xem nền tảng có lưu lại lịch sử các bước xử lý hay không, có xử lý các trường hợp ngoại lệ hay không, có liên kết đầu ra với nguồn dữ liệu hay không, có thể được sử dụng bởi cả những người không có chuyên môn kỹ thuật hay không, và liệu nó có tích hợp được với các hệ thống hiện có của bạn hay không. Một giải pháp đáng tin cậy cho báo cáo CSRD phải giúp bạn làm việc hiệu quả hơn, chứ không chỉ đơn thuần là tạo ra các tài liệu nhanh hơn.
Nếu bạn muốn biến việc tuân thủ CSRD thành một quy trình có hệ thống, dễ theo dõi và mang lại giá trị cho doanh nghiệp, hãy tìm hiểu cách thực hiện ELECTE có thể giúp bạn kết nối các nguồn dữ liệu, tự động hóa báo cáo và thu được những thông tin chi tiết rõ ràng mà không gặp phải sự phức tạp của doanh nghiệp.
.svg)
.svg)
.svg)
