LLM trong kiểm toán Việt Nam: Khung lựa chọn và triển khai
Sự phát triển nhanh của trí tuệ nhân tạo tạo sinh (GenAI) và mô hình ngôn ngữ lớn (LLM) đang mở ra nhiều cơ hội mới cho ngành kế toán – kiểm toán. Tuy nhiên, với đặc thù liên quan trực tiếp đến dữ liệu nhạy cảm, bằng chứng kiểm toán và trách nhiệm nghề nghiệp, việc ứng dụng LLM không thể chỉ dựa trên tiêu chí “mô hình nào mạnh nhất”. Từ thực tế đó, một khung chiến lược phù hợp cần đồng thời xem xét năng lực chuyên môn, tính giải trình, bảo mật dữ liệu, đặc thù pháp lý Việt Nam và khả năng triển khai thực tế.
1. LLM đang thay đổi hoạt động kiểm toán như thế nào?
Trí tuệ nhân tạo tạo sinh (GenAI) và mô hình ngôn ngữ lớn (LLM) đang dần được ứng dụng trong nhiều công việc kế toán – kiểm toán như tra cứu tài liệu, tổng hợp hồ sơ, phân tích tình huống, đối chiếu thông tin và hỗ trợ soạn thảo báo cáo. Không chỉ dừng lại ở việc “hỏi – đáp” đơn thuần, các mô hình này còn có khả năng hỗ trợ kiểm toán viên xử lý khối lượng lớn dữ liệu văn bản, rút ngắn thời gian đọc hiểu tài liệu, gợi ý các hướng phân tích ban đầu và giúp hệ thống hóa thông tin từ nhiều nguồn khác nhau. Tuy nhiên, với đặc thù nghề nghiệp kiểm toán vốn phải dựa trên bằng chứng đầy đủ, tuân thủ chuẩn mực chặt chẽ và đặc biệt là yêu cầu xét đoán nghề nghiệp mang tính chuyên môn cao, việc đưa LLM vào thực tiễn không thể chỉ đơn giản là lựa chọn một mô hình có khả năng trả lời “thông minh” hay diễn đạt trôi chảy.
Tại Việt Nam, vấn đề này càng trở nên phức tạp hơn do hoạt động kiểm toán được tổ chức theo ba trụ cột chính gồm kiểm toán nhà nước (KTNN), kiểm toán nội bộ (KTNB) và kiểm toán độc lập (KTĐL). Mỗi loại hình không chỉ khác nhau về phạm vi và đối tượng kiểm toán, mà còn khác biệt sâu sắc về mục tiêu sử dụng kết quả kiểm toán, mức độ tuân thủ pháp lý, yêu cầu về tính độc lập, cũng như cách thức thu thập và đánh giá bằng chứng. Chẳng hạn, KTNN thường gắn với việc kiểm tra, giám sát việc sử dụng tài chính công và tài sản công nên yêu cầu rất cao về tính minh bạch và trách nhiệm giải trình; KTNB lại tập trung vào việc cải thiện hệ thống kiểm soát nội bộ và quản trị rủi ro trong tổ chức; trong khi KTĐL nhấn mạnh tính độc lập và độ tin cậy của báo cáo tài chính đối với bên thứ ba. Chính sự khác biệt này khiến cho một mô hình LLM có thể phù hợp trong bối cảnh hỗ trợ kiểm toán nội bộ nhưng lại chưa chắc đáp ứng được các yêu cầu nghiêm ngặt hơn của kiểm toán nhà nước hoặc các chuẩn mực khắt khe trong kiểm toán độc lập.
Từ thực tế đó, việc ứng dụng LLM trong ngành kiểm toán không thể triển khai một cách tự phát hay đồng nhất, mà cần được xây dựng dựa trên một khung chiến lược tổng thể. Khung này không chỉ bao gồm việc lựa chọn mô hình công nghệ phù hợp, mà còn phải đi kèm với hệ thống tiêu chí đánh giá năng lực chuyên môn, cơ chế kiểm soát rủi ro, yêu cầu về bảo mật dữ liệu và lộ trình triển khai theo từng cấp độ rủi ro khác nhau. Chỉ khi được thiết kế một cách có hệ thống như vậy, LLM mới có thể thực sự trở thành công cụ hỗ trợ hiệu quả cho kiểm toán viên thay vì tạo ra thêm rủi ro trong quá trình ra quyết định nghề nghiệp.
2. Những yêu cầu quan trọng đối với LLM trong kiểm toán
2.1. Tính giải trình và khả năng kiểm chứng
Một LLM được sử dụng trong lĩnh vực kiểm toán không thể chỉ dừng lại ở việc tạo ra các câu trả lời nghe có vẻ hợp lý, mạch lạc hay phù hợp về mặt ngôn ngữ. Quan trọng hơn, mô hình cần đóng vai trò như một công cụ hỗ trợ kiểm toán viên trong việc truy vết, kiểm chứng và đánh giá lại toàn bộ cơ sở dẫn đến kết luận mà nó đưa ra. Nói cách khác, giá trị của LLM trong kiểm toán không nằm ở “kết quả cuối cùng” mà nằm ở khả năng giúp người dùng hiểu được vì sao kết quả đó được hình thành.
Cụ thể, một mô hình LLM phù hợp cho kiểm toán cần có khả năng chỉ rõ nguồn tài liệu hoặc dữ liệu đầu vào đã được sử dụng để tạo ra câu trả lời, chẳng hạn như chuẩn mực kế toán, quy định pháp lý, hồ sơ kiểm toán, báo cáo tài chính hoặc các tài liệu nội bộ liên quan. Bên cạnh đó, mô hình cũng cần minh bạch về các tiêu chí phân tích mà nó áp dụng, ví dụ như tiêu chí đánh giá rủi ro, nguyên tắc kế toán, hoặc các quy định kiểm toán cụ thể được viện dẫn trong quá trình lập luận.
Không chỉ dừng lại ở đó, LLM còn cần thể hiện rõ các giả định (assumptions) mà nó dựa vào khi đưa ra kết luận. Trong thực tế kiểm toán, nhiều nhận định không thể được xây dựng trên dữ liệu hoàn toàn đầy đủ, mà phải dựa trên một số giả định nhất định về tính hợp lý, tính nhất quán hoặc tính đầy đủ của thông tin. Nếu những giả định này không được làm rõ, người sử dụng sẽ rất khó đánh giá mức độ tin cậy của kết quả mà mô hình cung cấp.
Yêu cầu này trở nên đặc biệt quan trọng trong bối cảnh kiểm toán vì bản chất của nghề nghiệp này luôn gắn liền với bằng chứng kiểm toán và trách nhiệm giải trình nghề nghiệp. Mọi kết luận đưa ra đều phải có cơ sở rõ ràng, có thể kiểm tra lại và có thể được bên thứ ba xem xét độc lập. Do đó, một câu trả lời từ LLM, dù có vẻ chính xác về mặt nội dung, nhưng nếu không thể truy ngược về nguồn dữ liệu, không làm rõ được cách lập luận hoặc không minh bạch về giả định, thì vẫn không đáp ứng được yêu cầu của quy trình kiểm toán chuyên nghiệp. Nói cách khác, trong môi trường kiểm toán, giá trị của LLM không chỉ nằm ở “đáp án” mà quan trọng hơn là khả năng giải thích, chứng minh và cho phép kiểm tra lại toàn bộ quá trình hình thành đáp án đó.
2.2. Bảo mật dữ liệu
Hồ sơ kiểm toán thường không chỉ đơn thuần là các tài liệu kế toán thông thường, mà còn bao gồm một tập hợp rất rộng các thông tin có mức độ nhạy cảm cao và giá trị chiến lược đối với doanh nghiệp. Trong đó có thể kể đến báo cáo tài chính chi tiết, sổ sách kế toán, hợp đồng kinh tế, dữ liệu giao dịch ngân hàng, thông tin về dòng tiền, hồ sơ nhân sự, chính sách lương thưởng, cũng như các tài liệu quản trị nội bộ như biên bản họp, kế hoạch kinh doanh, đánh giá rủi ro và các trao đổi nội bộ mang tính bảo mật. Những dữ liệu này không chỉ phản ánh tình hình tài chính mà còn liên quan trực tiếp đến năng lực cạnh tranh, chiến lược phát triển và mức độ tuân thủ pháp lý của tổ chức.
Chính vì vậy, khi ứng dụng các mô hình ngôn ngữ lớn (LLM) trong môi trường kiểm toán, doanh nghiệp và tổ chức kiểm toán cần đặc biệt thận trọng trong toàn bộ vòng đời của dữ liệu. Điều này bao gồm việc xác định rõ dữ liệu nào được phép đưa vào hệ thống AI, dữ liệu nào cần được ẩn danh hoặc loại bỏ trước khi xử lý, cũng như thiết lập cơ chế kiểm soát chặt chẽ đối với quá trình lưu trữ, truy cập và sử dụng dữ liệu. Ngoài ra, việc tích hợp LLM vào hệ thống kiểm toán cũng cần đi kèm với các chính sách phân quyền rõ ràng, đảm bảo chỉ những cá nhân có thẩm quyền mới được tiếp cận các thông tin nhạy cảm hoặc các kết quả phân tích có mức độ rủi ro cao.
Bên cạnh các yêu cầu về bảo mật thông tin truyền thống, việc sử dụng AI trong kiểm toán còn đặt ra nhiều rủi ro mới mang tính đặc thù của công nghệ. Một trong số đó là nguy cơ “tiêm lệnh” (prompt injection), khi các chỉ dẫn độc hại được chèn vào dữ liệu đầu vào nhằm thao túng hành vi của mô hình, khiến LLM đưa ra kết quả sai lệch hoặc vượt ra ngoài phạm vi cho phép. Ngoài ra, còn có rủi ro rò rỉ thông tin nhạy cảm thông qua đầu ra của mô hình, đặc biệt khi hệ thống không được thiết kế tốt về cơ chế lọc và kiểm soát phản hồi.
Một vấn đề khác là khả năng xử lý đầu ra không an toàn, khi mô hình có thể tạo ra các nội dung không phù hợp với chuẩn mực nghề nghiệp kiểm toán, hoặc đưa ra các kết luận thiếu cơ sở nhưng lại được trình bày một cách thuyết phục. Bên cạnh đó, nếu dữ liệu huấn luyện hoặc dữ liệu truy xuất (trong trường hợp sử dụng RAG) không được kiểm soát tốt, hệ thống cũng có thể bị ảnh hưởng bởi dữ liệu sai lệch, thiên lệch hoặc bị thao túng có chủ đích, từ đó làm giảm độ tin cậy của toàn bộ quy trình phân tích.
Do đó, việc triển khai LLM trong kiểm toán không chỉ là bài toán về công nghệ, mà còn là bài toán về quản trị rủi ro, quản trị dữ liệu và tuân thủ chuẩn mực nghề nghiệp. Các tổ chức cần xây dựng một khung kiểm soát toàn diện, kết hợp giữa giải pháp kỹ thuật, quy trình vận hành và giám sát của con người để đảm bảo rằng việc ứng dụng AI vừa mang lại hiệu quả, vừa duy trì được tính an toàn và độ tin cậy của hoạt động kiểm toán.
2.3. Am hiểu chuyên môn và bối cảnh Việt Nam
Một mô hình có năng lực ngôn ngữ tốt chưa chắc đã hiểu đúng hệ thống pháp luật, chuẩn mực và nghiệp vụ kiểm toán tại Việt Nam, bởi khả năng “nói trôi chảy” không đồng nghĩa với việc “hiểu đúng bối cảnh pháp lý và nghề nghiệp”. Trong thực tế, nhiều LLM được huấn luyện trên dữ liệu toàn cầu có xu hướng ưu tiên các chuẩn mực quốc tế hoặc các mô hình lý thuyết phổ biến, trong khi hệ thống kiểm toán Việt Nam lại có những đặc thù riêng về pháp luật, quy định hành chính, chuẩn mực kế toán – kiểm toán và cơ chế quản lý nhà nước.
Do đó, LLM sử dụng trong lĩnh vực này cần có khả năng xử lý thuật ngữ chuyên ngành Việt – Anh một cách chính xác, không chỉ ở mức dịch nghĩa mà còn phải hiểu được sắc thái sử dụng trong từng ngữ cảnh nghiệp vụ. Đồng thời, mô hình phải có năng lực nhận diện đúng văn bản áp dụng, bao gồm việc phân biệt giữa luật, nghị định, thông tư, chuẩn mực kiểm toán và các hướng dẫn nghiệp vụ liên quan, tránh nhầm lẫn giữa các cấp độ hiệu lực pháp lý.
Bên cạnh đó, một yêu cầu quan trọng là khả năng phân biệt rõ đặc điểm và phạm vi áp dụng của ba loại hình kiểm toán: kiểm toán nhà nước (KTNN), kiểm toán nội bộ (KTNB) và kiểm toán độc lập (KTĐL). Mỗi loại hình có mục tiêu, đối tượng kiểm toán, cơ chế báo cáo và chuẩn mực nghề nghiệp khác nhau, vì vậy nếu mô hình không hiểu rõ sự khác biệt này, rất dễ dẫn đến việc đưa ra khuyến nghị sai lệch hoặc không phù hợp với bối cảnh thực tế.
Đặc biệt, trong quá trình vận hành, mô hình cần hạn chế tối đa việc sử dụng thông tin cũ, lỗi thời hoặc không còn hiệu lực, vì lĩnh vực pháp lý và kiểm toán tại Việt Nam thường xuyên có sự cập nhật, thay đổi. Ngoài ra, LLM cũng không nên tự động áp dụng các quy định hoặc thông lệ quốc tế trong những tình huống đòi hỏi phải căn cứ chặt chẽ vào pháp luật và thực tiễn Việt Nam, bởi điều này có thể dẫn đến sai lệch trong đánh giá, kết luận hoặc đề xuất nghiệp vụ. Thay vào đó, mô hình cần được thiết kế để ưu tiên nguồn tri thức nội địa hóa, có kiểm chứng và được cập nhật thường xuyên theo hệ thống pháp luật Việt Nam.
2.4. Năng lực chuyên môn phải đo lường được
Năng lực của LLM không nên được đánh giá chỉ bằng khả năng trả lời các câu hỏi tổng quát hoặc các bài kiểm tra mang tính học thuật chung chung, vốn thường chỉ phản ánh mức độ hiểu biết ngôn ngữ hoặc khả năng suy luận ở mức khái quát. Trong bối cảnh kiểm toán – nơi các quyết định và kết luận đều phải dựa trên bằng chứng cụ thể, chuẩn mực nghề nghiệp và quy trình chặt chẽ – việc đánh giá mô hình cần được thiết kế sát hơn với thực tiễn công việc.
Cụ thể, LLM cần được kiểm thử thông qua những tình huống mô phỏng gần với hoạt động kiểm toán thực tế, chẳng hạn như khả năng tra cứu và áp dụng đúng các chuẩn mực kế toán – kiểm toán trong từng bối cảnh cụ thể; khả năng phân tích một bộ hồ sơ tài liệu phức tạp để xác định các điểm bất thường hoặc thiếu nhất quán; khả năng đối chiếu giữa các nguồn bằng chứng khác nhau để kiểm tra tính hợp lý và độ tin cậy của thông tin; cũng như năng lực nhận diện rủi ro kiểm toán dựa trên dữ liệu đầu vào không đầy đủ hoặc có dấu hiệu sai lệch. Quan trọng hơn, mô hình không chỉ cần đưa ra câu trả lời, mà còn phải giải thích được cơ sở dẫn đến kết luận đó, bao gồm việc chỉ rõ dữ liệu nào được sử dụng, lập luận nào được áp dụng và vì sao các phương án khác bị loại trừ.
Trong bối cảnh này, ngành kiểm toán có một lợi thế đáng kể khi xây dựng các bộ benchmark chuyên ngành cho LLM. Khác với nhiều lĩnh vực còn thiếu chuẩn hóa, kiểm toán đã phát triển một hệ thống chuẩn mực nghề nghiệp tương đối đầy đủ, bao gồm các quy định về lập kế hoạch kiểm toán, thu thập bằng chứng, đánh giá rủi ro, hình thành ý kiến kiểm toán và báo cáo kết quả. Bên cạnh đó, nghề kiểm toán cũng có các khung năng lực rõ ràng cho từng cấp độ kiểm toán viên, cùng với các quy trình đánh giá chất lượng công việc mang tính hệ thống.
Chính nền tảng chuẩn hóa này cho phép ngành kiểm toán có thể chuyển hóa các yêu cầu nghề nghiệp thành những bộ tiêu chí kiểm thử cụ thể cho LLM. Thay vì chỉ đánh giá mô hình theo các chỉ số kỹ thuật chung, có thể xây dựng các bài kiểm tra dựa trên tình huống nghiệp vụ thực tế, từ đó đo lường chính xác hơn mức độ phù hợp của LLM với công việc kiểm toán. Điều này không chỉ giúp lựa chọn mô hình hiệu quả hơn, mà còn tạo cơ sở để kiểm soát rủi ro khi ứng dụng AI trong một lĩnh vực có yêu cầu trách nhiệm nghề nghiệp cao như kiểm toán.
2.5. Hiệu quả chi phí và khả năng triển khai
Một mô hình có năng lực cao chưa chắc là phương án tối ưu nếu chi phí vận hành, tích hợp, bảo mật và quản trị quá lớn. Khi lựa chọn LLM, tổ chức cần tính đến toàn bộ chi phí liên quan, từ xây dựng kho dữ liệu, tích hợp hệ thống, đào tạo nhân sự đến kiểm soát rủi ro. Do đó, tiêu chí lựa chọn không nên đơn thuần là “mô hình nào thông minh nhất”, mà phải là “mô hình nào tạo ra giá trị phù hợp nhất với nguồn lực và mức độ rủi ro mà tổ chức có thể kiểm soát”.
3. Fine-tuning, RAG và cách xây dựng năng lực cho LLM kiểm toán
Hai hướng tiếp cận phổ biến để chuyên môn hóa LLM là fine-tuning và RAG. Fine-tuning giúp mô hình thích nghi tốt hơn với thuật ngữ, văn phong và cấu trúc dữ liệu của một lĩnh vực chuyên biệt. Trong khi đó, RAG cho phép mô hình truy xuất thông tin từ kho tài liệu bên ngoài trước khi tạo câu trả lời. Đối với kiểm toán, RAG có thể đặc biệt hữu ích trong giai đoạn đầu triển khai. Thay vì phụ thuộc hoàn toàn vào kiến thức có sẵn trong mô hình, hệ thống có thể truy xuất các văn bản pháp luật, chuẩn mực, quy trình nội bộ hoặc tài liệu đã được phê duyệt để làm căn cứ trả lời. Fine-tuning lại phù hợp hơn khi tổ chức có dữ liệu chuyên ngành chất lượng cao và muốn mô hình thích nghi sâu hơn với nghiệp vụ. Tuy nhiên, phương pháp này đòi hỏi nguồn lực kỹ thuật, dữ liệu huấn luyện và cơ chế kiểm soát chặt chẽ hơn. Để đánh giá năng lực của LLM trong kiểm toán, có thể nhìn nhận quá trình hình thành năng lực theo mô hình DIKW – Data, Information, Knowledge, Wisdom. Ở tầng Dữ liệu, mô hình cần được tiếp cận với nguồn tài liệu có chất lượng và được kiểm soát. Ở tầng Thông tin, dữ liệu được đặt vào đúng bối cảnh và kết nối với các tài liệu liên quan. Đến tầng Tri thức, LLM phải có khả năng vận dụng thông tin để phân tích tình huống, lựa chọn tiêu chí và hình thành lập luận. Cao hơn nữa là tầng Trí tuệ, khi mô hình có khả năng hỗ trợ xét đoán trong những tình huống phức tạp, đồng thời nhận biết giới hạn của chính mình. Đây cũng là điểm quan trọng trong kiểm toán: LLM không chỉ cần biết trả lời mà còn phải biết khi nào chưa đủ bằng chứng để trả lời và khi nào cần chuyển vấn đề cho kiểm toán viên xem xét.4. Khung lựa chọn và đánh giá LLM cho kiểm toán Việt Nam
Thay vì lựa chọn một mô hình duy nhất cho toàn ngành, việc đánh giá LLM nên được thực hiện theo nhiều tầng và gắn với mục đích sử dụng cụ thể.4.1. Đánh giá ở cấp độ mô hình
Ở cấp độ mô hình, cần xem xét độ ổn định, khả năng xử lý thuật ngữ chuyên môn, tính nhất quán, khả năng truy xuất nguồn và mức độ an toàn. Đây là bước giúp xác định mô hình có đủ điều kiện kỹ thuật để được đưa vào thử nghiệm hay không.4.2. Đánh giá ở cấp độ ứng dụng
Một mô hình có thể hoạt động tốt ở tác vụ này nhưng không phù hợp ở tác vụ khác. Chẳng hạn, LLM có thể được sử dụng để tra cứu, tóm tắt tài liệu hoặc hỗ trợ soạn thảo sơ bộ nhưng cần được kiểm soát chặt hơn khi tham gia vào các công việc liên quan trực tiếp đến xét đoán nghề nghiệp. Do đó, benchmark cần được xây dựng theo từng nhóm nghiệp vụ thay vì đánh giá mô hình một cách chung chung.4.3. Đánh giá ở cấp độ quản trị
Cuối cùng là khả năng kiểm soát của tổ chức. Cần xem xét chính sách sử dụng AI, phân quyền truy cập, quy trình phê duyệt, lưu nhật ký, rà soát đầu ra và xử lý sự cố. Một mô hình có kết quả tốt nhưng được triển khai trong môi trường quản trị yếu vẫn có thể tạo ra rủi ro lớn.5. Định hướng triển khai LLM cho KTNN, KTNB và KTĐL
Việc triển khai LLM nên được thực hiện theo hướng phân tầng, bởi ba loại hình kiểm toán có những yêu cầu khác nhau. Đối với KTNN, ưu tiên nên là môi trường có mức độ kiểm soát cao, khả năng lưu vết và bảo vệ dữ liệu, đặc biệt khi xử lý các tài liệu liên quan đến tài chính công, đầu tư công và tài sản công. Đối với KTNB, mô hình có thể được kết hợp với kho tri thức nội bộ và hệ thống phân quyền của doanh nghiệp để hỗ trợ các công việc như tổng hợp rủi ro, rà soát chính sách, lập kế hoạch hoặc soạn thảo báo cáo. Trong KTĐL, có thể bắt đầu từ những tác vụ có rủi ro thấp như tra cứu, tóm tắt, tổng hợp hồ sơ và hỗ trợ soạn thảo. Những công việc gắn trực tiếp với xét đoán nghề nghiệp trọng yếu vẫn cần được kiểm toán viên kiểm tra và chịu trách nhiệm. Lộ trình phù hợp có thể bắt đầu bằng giai đoạn thí điểm có kiểm soát, trong đó AI chỉ được sử dụng cho các tác vụ rủi ro thấp và đầu ra bắt buộc phải được con người rà soát. Sau đó, tổ chức có thể chuyển sang giai đoạn triển khai có điều kiện, mở rộng phạm vi sử dụng nhưng đi kèm phân quyền, nhật ký sử dụng, tiêu chí đánh giá và quy trình xử lý ngoại lệ. Cuối cùng là giai đoạn mở rộng và giám sát định kỳ, khi tổ chức đã có đủ dữ liệu đánh giá, quy trình kiểm soát và năng lực quản trị. Lúc này, việc cập nhật kho tri thức, đánh giá lại mô hình và theo dõi rủi ro cần được thực hiện thường xuyên.
6. Kết luận: LLM nên hỗ trợ, không thay thế xét đoán kiểm toán
LLM đang tạo ra cơ hội đáng kể để nâng cao hiệu quả xử lý thông tin và tri thức trong ngành kiểm toán Việt Nam. Tuy nhiên, giá trị của công nghệ này không nằm ở việc tìm ra một mô hình “mạnh nhất”, mà ở việc xây dựng được hệ thống phù hợp với yêu cầu nghề nghiệp và có khả năng kiểm soát rủi ro.
Một LLM được sử dụng trong kiểm toán cần đồng thời đáp ứng năm nhóm yêu cầu gồm tính giải trình, bảo mật, am hiểu bối cảnh Việt Nam, năng lực chuyên môn có thể đo lường và hiệu quả chi phí. Bên cạnh đó, việc kết hợp RAG, fine-tuning, DIKW và cơ chế giám sát của con người có thể giúp chuyển LLM từ một công cụ tạo sinh văn bản thành công cụ hỗ trợ tri thức chuyên ngành.
Theo hướng này, LLM không nên được xem là công nghệ nhằm thay thế kiểm toán viên. Vai trò phù hợp hơn là hỗ trợ kiểm toán viên xử lý dữ liệu, tìm kiếm tri thức, phân tích thông tin và nâng cao chất lượng xét đoán, trong khi trách nhiệm nghề nghiệp cuối cùng vẫn thuộc về con người.
Nguồn: Khung chiến lược lựa chọn, đánh giá và triển khai mô hình ngôn ngữ lớn (LLM) cho ngành kiểm toán Việt Nam - https://tapchiketoankiemtoan.vn/khung-chien-luoc-lua-chon-danh-gia-va-trien-khai-mo-hinh-ngon-ngu-lon-llm-cho-nganh-kiem-toan-viet-nam-d6437.html
