Tạp chí Đổi mới Mở: Công nghệ, Thị trường và độ phức tạp 10 (2024) 100218

Danh sách nội dung có sẵn tại ScienceDirect

Tạp chí Đổi mới Mở: Công nghệ, Thị trường,

và Độ phức tạp
Trang chủ tạp chí: www.sciencedirect.com/journal/journal-of-open-innovation-technology- Thị trường và sự phức tạp

Tác động của trí tuệ nhân tạo và Công nghiệp 4.0 đối với việc chuyển đổi hoạt động đào
tạo và hành nghề kế toán, kiểm toán
Abdulwahid Ahmad Hashed Abdullah a,1, Faozi A. Almaqtari b,*,2
Bộ
phận Kế toán, Đại học Hoàng tử Sattam Bin Abdulaziz, Al-Kharj, Ả Rập Xê Út b Khoa Kế toán và Tài chính, Đại học Quản trị
Kinh doanh, Đại học A'Sharqiyah (ASU), Ibra, Oman

ARTICLEINFO ABSTRACT

Phân loại JEL: Mục đích chính là điều tra tác động của trí tuệ nhân tạo (AI), sự sẵn sàng của Công nghiệp 4.0 và các biến Mô hình chấp nhận công nghệ M410 (TAM) đối với các khía cạnh
khác nhau của hoạt động kế toán và kiểm toán. Để đánh giá mối liên hệ M420 giữa các biến, thiết kế nghiên cứu sử dụng phương pháp hòa giải và đường dẫn bằng cách sử dụng
M490
SMART PLS. Nghiên cứu sử dụng một phương pháp lấy mẫu thuận tiện, được tăng cường với lấy mẫu quả cầu tuyết. Các

Từ khoá: Sự sẵn sàng của ngành công nghiệp trí tuệ nhân tạo 4.0
Mô hình chấp nhận công nghệ Kích thước mẫu được xác định bằng các kỹ thuật khác nhau, mang lại mẫu cuối cùng gồm 228 người
trả lời. Các phát hiện chỉ ra rằng việc tận dụng AI, phân tích dữ liệu lớn, điện toán đám mây và các tiến bộ học sâu có thể cải thiện thực tiễn kế toán và kiểm toán. Công nghệ AI hỗ trợ
các doanh nghiệp tăng hiệu quả, độ chính xác và

Khả năng ra quyết định giáo dục kế toán, dẫn đến cải thiện quy trình báo cáo và kiểm toán tài chính. Nghiên cứu về thực tiễn kiểm toán tôn vinh lời giải thích lý thuyết về ảnh hưởng
của việc áp dụng AI trong thực tiễn kế toán và kiểm toán trong bối cảnh thực tiễn Kế toán của một quốc gia mới nổi, Ả Rập Saudi. Những phát hiện của nghiên cứu có ý nghĩa thực tế
đối với ac-
đếm và kiểm toán các học viên, nhà hoạch định chính sách và học giả. Những phát hiện của nghiên cứu này có thể hỗ trợ các
doanh nghiệp tận dụng hiệu quả sự phát triển của AI để cải thiện hoạt động kế toán và kiểm toán của họ. Các nhà hoạch
định chính sách có thể sử dụng những phát hiện này để tạo ra các khuôn khổ và quy định hỗ trợ khuyến khích việc áp dụng
và tích hợp trí tuệ nhân tạo trong lĩnh vực này. Những phát hiện này góp phần vào kho kiến thức hiện có về việc sử dụng AI
trong kế toán và kiểm toán, cũng như cung cấp bằng chứng về lợi ích của nó trong bối cảnh một quốc gia mới nổi.

Giới thiệu Việc sử dụng CNTT cũng giúp tiết kiệm thời gian trong các nhiệm vụ kiểm
toán, cho phép kiểm toán viên phân công nỗ lực của họ hiệu quả hơn
Kế toán và kiểm toán là những vai trò quan trọng đảm bảo độ tin cậy, uy (Thottoli et al., 2022). Do đó, tác động đáng kể của công nghệ đối với kiểm
tín và ổn định tài chính của một công ty. Chúng cung cấp sự đảm bảo khách toán là rõ ràng, vì thực tế rất khó để thực hiện kiểm toán hiệu quả mà không
quan và đóng góp vào niềm tin của thị trường, khiến chúng trở nên cần thiết nắm bắt CNTT (Al-Hattami và cộng sự, 2021; Al-Hattami, năm 2021; Thottoli
cho sức khỏe tổng thể của nền kinh tế (Feliciano và Quick, 2022; Al-Hattami và cộng sự, 2022). Do đó, với các công nghệ hiện đại như Trí tuệ nhân tạo (AI)
và cộng sự, 2021). Trong lịch sử, các chức năng này chủ yếu phụ thuộc vào và Công nghiệp 4.0, ngành kế toán và kiểm toán đã được phát triển vượt bậc
các quy trình thủ công và chuyên môn của con người. Tuy nhiên, khi công (Jamwal et al., 2021; Enholm và cộng sự, 2022; Polak, 2021; Munoko và cộng
nghệ thông tin (CNTT) phát triển, một sự thay đổi mô hình trong cách xử lý kế sự, 2020; Hàn và cộng sự, 2023; Al-Sayyed và cộng sự, 2021 ). Điều này đã
toán và kiểm toán đã xảy ra. Nhận thấy sự liên quan của CNTT trong bối cảnh được xác nhận bởi một số nghiên cứu (Lasi et al., 2014; Tjahjono và cộng sự,
này, các tổ chức, kế toán, kiểm toán viên, cơ quan chuyên môn, học giả và cơ 2017; Jamwal và cộng sự, 2021; Loureiro và cộng sự, 2021; Enholm và cộng
quan quản lý đã chuyển trọng tâm sang cải thiện quy trình kiểm toán và kế sự, 2022; Polak, 2021). Bên cạnh đó, tích hợp công nghệ trong thủ tục kế
toán bằng công nghệ (Al-Hattami, 2022; Al-Hattami, 2023). toán cũng được xác định là một kỹ thuật để nâng cao hiệu quả kiểm soát
Curtis và Payne (2008) chỉ ra rằng việc sử dụng công nghệ, đặc biệt là quản trị (Al-Hattami và Kabra, 2022).
công nghệ thông tin, đã được chứng minh là rất quan trọng để thúc đẩy Sự trỗi dậy của AI đã thay đổi đáng kể nghề kế toán, nâng cao độ chính
xác và chất lượng dữ liệu (Bin-Abbas và Bakry, 2014; Erasmus và Marnewick,
2021; Manita và cộng sự, 2020; Papagiannidis và cộng sự, 2022; Rezaee và
* Tác giả tương ứng. cộng sự, 2018; Rushinek và Rushinek, 1989; Tsai và cộng sự, 2015; Willson và
kiểm toán chất lượng và hiệu quả. Nó có một số lợi thế, bao gồm nâng cao độ Pollard, 2009). Flowerday et al. (2006), Sledgianowski et al. (2017), Tiberius
tin cậy, năng suất, hiệu quả và giảm chi phí kiểm toán (Correia et al., 2020). and Hirth (2019) báo cáo rằng những thách thức mới đang trở nên phổ biến
1
Địa chỉ email: fouzi_gazim2005@yahoo.com, faozi.almaqtari@asu.edu.om (F.A. Almaqtari).
2
https://orcid.org/0000-0002-6791-235X ORCID.ID/0000–0002-5625–3643
https://doi.org/10.1016/j.joitmc.2024.100218
Nhận ngày 22/10/2023; Đã nhận theo mẫu sửa đổi ngày 12 tháng 01 năm 2024; Được chấp nhận 17 January 2024
Có sẵn trực tuyến 22 January 2024
2199-8531/ © 2024 (Các) tác giả. Được xuất bản bởi Elsevier Ltd thay mặt cho Giáo sư JinHyo Joseph Yun. Đây là một bài viết truy cập mở theo giấy phép CC BY-NC-ND
(http://creativecommons.org/licenses/by-nc-nd/4.0/).
A.A.H. Abdullah và F.A. Almaqtari
and Complexity 10 (2024) 100218
hơn đòi hỏi phải đổi mới trong thực tiễn kế toán. Các liên kết chính để đổi
mới bao gồm tự động hóa các nhiệm vụ thường ngày, cải thiện độ chính xác,
báo cáo thời gian thực, phân tích dữ liệu, thách thức an ninh mạng, học tập
liên tục, cân nhắc đạo đức, tiêu chuẩn hóa toàn cầu và các vai trò mới nổi
(Baldwin et al., 2006; Curtis và Payne, 2014; Tiberius và Hirth, 2019). Trong
bối cảnh này, các công ty kế toán có thể sử dụng hiệu quả AI bằng cách tự
động hóa các nhiệm vụ lặp đi lặp lại, thực hiện phân tích dự đoán, kết hợp
các công cụ AI, quy trình kiểm toán, công nghệ blockchain và chatbot hỗ trợ
AI. Do đó, thực tiễn kế toán có thể cải thiện hiệu quả, độ chính xác và ra
quyết định chiến lược thông qua các công nghệ hiện đại và tận dụng khả
năng của Công nghiệp 4.0 (Burritt và Christ, 2016; Cổ tử cung, 2017; Di Vaio
và cộng sự, 2020; Ghobakhloo, 2018; Sirisomboonsuk và cộng sự, 2018). Từ
lập luận trên, rõ ràng là công nghệ, đặc biệt là AI (Munoko et al., 2020; Hàn
và cộng sự, 2023; Al-Sayyed và cộng sự, 2021; Zhang và cộng sự, 2020) và
Công nghiệp 4.0 (Tavares và cộng sự, 2022; Fülop và cộng sự, 2022; ̈ Ozcan và
̈ được phát triển trong Phần 2. Phần 3 thảo luận về phương pháp luận. Phần 4
Akkaya, 2020 ), đã tác động đáng kể đến kế toán và kiểm toán trên toàn thế
giới. Việc sử dụng các công nghệ này đã trở nên quan trọng đối với hiệu quả
và hiệu quả của hoạt động kế toán và kiểm toán. Các nghiên cứu (ví dụ:
ACCA, 2019; Curtis và Payne, 2008; Correia và cộng sự, 2020; Thottoli et al.,
2022) ủng hộ quan điểm rằng CNTT có tiềm năng cải thiện chất lượng kiểm
toán, độ tin cậy, năng suất, giảm chi phí và tiết kiệm thời gian cho các nhiệm
vụ kiểm toán. Bên cạnh đó, việc tích hợp AI, học máy, học sâu, phân tích dữ
liệu lớn, khai thác dữ liệu và điện toán đám mây vào các quy trình kế toán và
kiểm toán cho phép phân tích khối lượng lớn dữ liệu tài chính, xác định các
mẫu, xu hướng và sự bất thường và cải thiện việc ra quyết định (Coman et
al., 2022; Lehner và cộng sự, 2022; Yoon, 2020).
Trong khi việc sử dụng công nghệ trong kế toán và kiểm toán đã được
nghiên cứu rộng rãi ở các nước phát triển, nghiên cứu ở các nước đang phát
triển, chẳng hạn như Ả Rập Xê Út, rất khan hiếm (Al-Hattami et al., 2021; Al-
Mohammedi, 2020). Ví dụ, sự phát triển Công nghiệp 4.0 của Trung Quốc phụ
thuộc rất nhiều vào sự tích hợp của Công nghiệp 4.0 và cải thiện hiệu suất trí
tuệ nhân tạo. Hơn nữa, sự phát triển của Công nghiệp 4.0 của Trung Quốc
phụ thuộc vào việc cung cấp trí tuệ nhân tạo ở mức độ cao, nguồn tài chính
cần thiết, hình thành các khu công nghiệp cấp cao và tiên tiến, tăng cường
quy trình sản xuất và hợp tác nghiên cứu. Kết quả là, Công nghiệp 4.0 tiên
tiến với sản xuất thông minh đã đạt được (Hou et al., 2020).
Saudi Arabia đã đầu tư đáng kể vào các công nghệ mới như trí tuệ nhân
tạo, 5G và quản lý dữ liệu (Alanazi, 2023; Ghazwani và cộng sự, 2022; Khan
và cộng sự, 2022). Những khoản đầu tư này đã hỗ trợ vị trí của đất nước như
một nhà lãnh đạo trong các ngành công nghiệp tiên tiến này, thúc đẩy tăng
trưởng kinh tế. Công nghệ cũng là một chủ đề quan trọng và quan trọng
trong Tầm nhìn 2030 của Saudi Arabia, với các kế hoạch chuyển đổi kỹ thuật
số được nhân lên trong những năm gần đây (Hassan, 2020; Alanazi, năm
2023; Dhar Dwivedi và cộng sự, 2021). Chính phủ Ả Rập Xê Út cũng chú trọng
đến an ninh mạng, mã hóa, trí tuệ nhân tạo và chơi game (Sairete et al.,
2021). Theo Sairete et al. (2021), công ty tư vấn PwC, mạng lưới dịch vụ
chuyên nghiệp lớn thứ hai thế giới, AI có thể đóng góp 135 tỷ USD, tương
đương 12,4%, vào GDP của Saudi Arabia vào năm 2030. Một trong những chủ
đề cơ bản của Tầm nhìn Saudi 2030 là AI đã tạo ra một nhóm cơ hội cho
chuyển đổi kỹ thuật số và các dịch vụ sáng tạo. Do đó, có những nỗ lực đáng
chú ý của chính phủ ở Ả Rập Xê Út đối với chuyển đổi kỹ thuật số; tuy nhiên,
sự sẵn sàng của các doanh nghiệp Ả Rập Xê Út cho quá trình chuyển đổi kỹ
thuật số này cần được khám phá về các yếu tố ảnh hưởng đến sự sẵn sàng
của họ và những thách thức tiềm ẩn có thể phát sinh. Cuối cùng, mục đích
của nghiên cứu này là lấp đầy khoảng trống nghiên cứu trong tài liệu. Do đó,
mục đích của nghiên cứu này là điều tra tác động của sự sẵn sàng của AI và
Công nghiệp 4.0 đối với các quy trình kế toán và kiểm toán ở Ả Rập Saudi.
Nghiên cứu này dự định cung cấp những hiểu biết quan trọng về các yếu tố,
trở ngại và lợi ích của việc áp dụng và sử dụng công nghệ trong kế toán và
kiểm toán trong nước bằng cách tập trung vào bối cảnh cụ thể của Ả Rập
Saudi.
Nghiên cứu này đóng góp vào tài liệu kiểm toán bằng cách giải quyết một
số lỗ hổng nghiên cứu. Đầu tiên, đây là một trong những nghiên cứu đầu tiên
nghiên cứu các yếu tố ảnh hưởng đến ý định áp dụng và sử dụng công nghệ
kiểm toán mới nổi ở Ả Rập Saudi, mang lại những hiểu biết sâu sắc về bối
cảnh của một quốc gia đang phát triển. Nghiên cứu này mở rộng sự hiểu biết
của chúng tôi về việc áp dụng và sử dụng các công nghệ mới nổi bằng cách
tính đến các yếu tố cụ thể của quốc gia bằng cách tập trung vào Ả Rập Saudi.
2
Journal of Open Innovation: Technology, Market,
Thứ hai, nghiên cứu này bổ sung thêm sự hiểu biết của chúng tôi về các yếu
tố ảnh hưởng đến việc áp dụng và sử dụng công nghệ kiểm toán đang phát
triển. Nghiên cứu này góp phần vào sự hiểu biết của chúng ta về các yếu tố
quan trọng thúc đẩy việc áp dụng các công nghệ này bằng cách phát triển và
thử nghiệm thực nghiệm một mô hình lý thuyết. Bằng chứng và hiểu biết
thực nghiệm của nghiên cứu này có thể giúp các học viên, nhà hoạch định
chính sách và nhà nghiên cứu ở Ả Rập Xê Út phát triển các chiến lược và
chính sách để thúc đẩy việc áp dụng và sử dụng thành công các công nghệ
mới nổi trong kế toán và kiểm toán. Thứ ba, nghiên cứu hiện tại kết hợp mô
hình TAM để đánh giá mức độ sẵn sàng và ý định sử dụng AI và sự sẵn sàng
của Công nghiệp 4.0 trong hoạt động kế toán và kiểm toán. Cuối cùng, nghiên
cứu hiện tại có thể phục vụ như một mô hình cho nghiên cứu trong tương lai
ở các quốc gia sáp nhập, đặc biệt là các quốc gia ở vùng Vịnh và các nước Ả
Rập có nền văn hóa và quan điểm tương đương.
Nghiên cứu hiện tại được cấu trúc như sau: Các giả thuyết nghiên cứu
cung cấp phân tích và thảo luận dữ liệu. Phần 5 chứa phân tích bổ sung. Phần
6 thảo luận về kết quả và nêu bật ý nghĩa nghiên cứu, và phần 7 tóm tắt kết
quả và thảo luận về những hạn chế của nghiên cứu cũng như nghiên cứu
trong tương lai. Mô hình nghiên cứu và phát triển giả thuyết
Mô hình chấp nhận công nghệ
Mô hình chấp nhận công nghệ đầu tiên (TAM) được đề xuất bởi Davis et
al. (1989). Mô hình này thường xuyên được các nhà nghiên cứu sử dụng để
đánh giá khả năng chấp nhận công nghệ thông tin (CNTT) của người dùng
(Usman et al., 2022; Qasim, Kharbat, 2020; Pedrosa và cộng sự, 2020;
Varzaru, 2022 ̆ ). Mô hình này được đặc trưng bởi tính dễ sử dụng và tính
hữu ích nhận thức: hai biến số ảnh hưởng đến ý định sử dụng hệ thống CNTT
của người dùng. Các tài liệu trước đây chỉ ra rằng mô hình này là một mô
hình được công nhận rộng rãi, đã được thừa nhận rộng rãi để cung cấp cái
nhìn sâu sắc về mức độ chấp nhận và áp dụng các hệ thống CNTT (King &;
He, 2006; Usman và cộng sự, 2022; Varzaru, 2022 ̆ ). Ngoài ra, TAM được
thiết lập như một mô hình đơn giản nắm bắt hành vi và kinh nghiệm của các
chuyên gia về việc sử dụng và triển khai CNTT (Gefen, Karahanna, &; Straub,
2003). Nó được xây dựng trên tiền đề rằng hành vi và kinh nghiệm của các
chuyên gia trong việc áp dụng CNTT thúc đẩy việc triển khai và sử dụng CNTT,
điều này cũng bị ảnh hưởng bởi tính dễ sử dụng và hữu ích của các học viên.
Tuy nhiên, nó có thể bỏ qua các yếu tố khác ảnh hưởng đến hành vi của
người dùng, chẳng hạn như đặc điểm, trải nghiệm và động lực cá nhân. TAM
giả định một bản chất tĩnh, ngụ ý rằng nhận thức của người dùng vẫn nhất
quán theo thời gian, nhưng thái độ và niềm tin có thể thay đổi khi các cá
nhân có được kinh nghiệm hoặc công nghệ phát triển (Muthia &; Siti, 2023).
Nó cũng không tính đến các biến số bên ngoài như đặc điểm xã hội hoặc văn
hóa tổ chức, hạn chế khả năng giải thích của nó trong các tình huống phức
tạp trong thế giới thực (Muthia &; Siti, 2023; Tulasi, 2022). Nó tập trung vào
ý định hành vi hơn là hành vi thực tế và không tính đến nguyên nhân ngược
hoặc tương tác hai chiều (Bara'ah và cộng sự, 2022; Meiryani và cộng sự,
2021). Nó cũng nhấn mạnh quá mức việc ra quyết định hợp lý, giả sử người
tiêu dùng đưa ra lựa chọn hợp lý dựa trên tính dễ sử dụng và tiện ích (Malatji
et al., 2020).
Theo Ferri et al. (2021b), nhận thức dễ sử dụng và nhận thức hữu ích là
hai yếu tố thúc đẩy ý định sử dụng CNTT.
Tiện ích nhận thức phản ánh kỳ vọng của một người về cách một hệ thống
CNTT mới sẽ tăng hiệu suất công việc của họ. Yếu tố thứ hai, được nhận thức
dễ sử dụng, là nhận thức của một cá nhân về nỗ lực liên quan đến việc áp
dụng một mô hình làm việc mới (Ferri et al., 2021a). Nó cũng liên quan đến
nhận thức của người dùng về những lợi ích được cung cấp bởi một công nghệ
cụ thể (Grani'c, Maranguni'c, 2019). Theo nghĩa này, tính hữu dụng nhận
thức của mô hình TAM đóng một vai trò quan trọng trong việc hiểu hành vi
của người dùng và mong muốn sử dụng công nghệ (Davis, 1989). Thật thú vị,
tính hữu ích của một công nghệ bị ảnh hưởng bởi tính đơn giản của việc sử
dụng (Davis, 1989; Davis và cộng sự, 1989; Venkatesh và cộng sự, 2003).
Pedrosa et al. (2020) đã xác nhận mối liên hệ này giữa hai yếu tố trong một
nghiên cứu về trình điều khiển sử dụng các công cụ kiểm toán có sự hỗ trợ
của máy tính (CAAT) giữa các kiểm toán viên theo luật định ở một quốc gia
châu Âu.
A.A.H. Abdullah và F.A. Almaqtari
and Complexity 10 (2024) 100218
Tính hữu ích nhận thức của CNTT cũng là một yếu tố quan trọng ảnh
hưởng đến sự chấp nhận của nó trong một số doanh nghiệp, bao gồm cả
kiểm toán (Pedrosa et al., 2020). Nghiên cứu cho thấy rằng nếu một công
nghệ mang lại lợi ích cao, người dùng có nhiều khả năng ưu tiên nó hơn các
ứng dụng thay thế (Davis, 1989; Mei và Aun, 2019; Pháp và cộng sự, 2017; Al-
Okaily, năm 2022; Thottoli và cộng sự, 2022). Pedrosa et al. (2020) và
Dharma et al. (2017) cũng chỉ ra rằng lợi ích nhận thức có ảnh hưởng đáng kể
đến việc áp dụng kiểm toán CNTT, hỗ trợ lập luận về ảnh hưởng của lợi ích
công nghệ đối với khả năng chấp nhận của nó. Do đó, nếu một công nghệ
được coi là thiếu lợi ích, nó khó có thể được áp dụng (Mei và Aun, 2019),
điều này giải thích tại sao việc áp dụng kiểm toán CNTT có thể cải thiện nghề
nghiệp và thực tiễn kiểm toán (Dowling, 2009; Thottoli &; Thomas, 2022;
Purnamasari và cộng sự, 2022; Pedrosa và cộng sự, 2020). Mặt khác, một số
nhà nghiên cứu đã phát hiện ra rằng lợi ích nhận thức có ảnh hưởng cận biên
đến việc áp dụng kiểm toán CNTT, ví dụ (Kim et al., 2016).
Mặc dù nhiều nghiên cứu đã sử dụng mô hình này để điều tra khả năng
chấp nhận công nghệ trong kế toán và kiểm toán (Venkatesh và Bala, 2008;
Varzaru, 2022; Alshurafat và cộng sự, 2021; Ferri và cộng sự, 2021a; Ferri và
cộng sự, ̆ 2021b; Usman và cộng sự, 2022; Qasim, Kharbat, 2020; Pedrosa et
al., 2020), rất ít người khám phá tính hữu ích và dễ sử dụng của AI và Công
nghiệp 4.0 trong kiểm toán và kế toán ở các quốc gia đang phát triển. Do đó,
nghiên cứu này sử dụng mô hình này, cũng đã được theo sau bởi nhiều
nghiên cứu trước đó, để đánh giá việc chấp nhận và sử dụng CNTT mới (ví dụ:
Siew et al., 2020; Thottoli &; Thomas, 2022; Pedrosa và cộng sự, 2020). Để
đạt được điều này, nghiên cứu hiện tại điều tra cách Mô hình chấp nhận công
nghệ (TAM) làm trung gian tác động của AI và Công nghiệp 4.0 đối với thực
tiễn kế toán và kiểm toán. Dựa trên cuộc thảo luận này, các giả thuyết được
xây dựng như sau:
H1. . Nhận thức hữu ích và dễ sử dụng làm trung gian cho mối quan hệ giữa ý
định sử dụng AI và thực tiễn kế toán và kiểm toán ở Ả Rập Saudi.
Giả thuyết này có thể được chia thành các giả thuyết phụ sau:
H1a. . Tính hữu ích nhận thức làm trung gian cho mối quan hệ giữa ý định
sử dụng AI và thực tiễn kế toán và kiểm toán ở Ả Rập Saudi.
H1b. . Nhận thức dễ sử dụng làm trung gian cho mối quan hệ giữa ý định
sử dụng AI và thực tiễn kế toán và kiểm toán ở Ả Rập Saudi.
H2. . Nhận thức hữu ích và dễ sử dụng làm trung gian cho mối quan hệ
giữa ý định sử dụng Công nghiệp 4.0 và thực tiễn kế toán và kiểm toán ở Ả
Rập Saudi.
Dựa trên giả thuyết này, các giả thuyết phụ sau đây được đóng khung:
H2a. . Tính hữu ích nhận thức làm trung gian cho mối quan hệ giữa ý định
sử dụng Công nghiệp 4.0 và thực tiễn kế toán và kiểm toán ở Ả Rập Saudi.
H2b. . Nhận thức dễ sử dụng làm trung gian cho mối quan hệ giữa ý định
sử dụng Công nghiệp 4.0 và thực tiễn kế toán và kiểm toán ở Ả Rập Saudi.
Tác dụng của AI
Vai trò của trí tuệ nhân tạo (AI) trong hoạt động kinh doanh đã được
nghiên cứu và công nhận rộng rãi về tác động đáng kể của nó trên nhiều lĩnh
vực khác nhau (Dhamija &; Bag, 2020). Một trong những lĩnh vực mà AI đã
cho thấy tiềm năng là thu hút nhân tài và việc áp dụng nó có thể bị ảnh
hưởng bởi các yếu tố như phù hợp với công nghệ nhiệm vụ (Dishaw &;
Strong, 1999). Sự liên kết giữa các nhiệm vụ được thực hiện và khả năng
công nghệ AI đóng một vai trò quan trọng trong việc chấp nhận nó. Ngoài ra,
hiểu được việc áp dụng các công nghệ dựa trên AI trong các bối cảnh khác
nhau là rất quan trọng (Dhamija &; Bag, 2020). Khi các doanh nghiệp sử dụng
AI để phát minh lại các quy trình và tạo ra phân tích dữ liệu dựa trên bằng
chứng, quản trị AI rất quan trọng đối với đổi mới kỹ thuật số ( Papagiannidis
et al., 2022). Singapore dẫn đầu khu vực về thử nghiệm AI trong nhiều ngành
công nghiệp, trong khi Malaysia đang dần sử dụng AI theo TN50 và IR 4.0.
Những nước áp dụng sớm như Singapore, Malaysia, Việt Nam, Indonesia,
Philippines và Thái Lan có thể có được lợi thế cạnh tranh bằng cách áp dụng
AI làm nguồn doanh thu tiềm năng, tuy nhiên các nước ASEAN như
Campuchia, Myanmar, Brunei và Lào có tỷ lệ áp dụng thấp (Mohd Noor và
Mansor, 2019). Do đó, nghiên cứu là rất quan trọng trong việc sắp xếp lý
3
Journal of Open Innovation: Technology, Market,
thuyết và thực hành trong kiểm toán, với một số công ty hàng đầu tích hợp
dữ liệu lớn vào thực tiễn của họ (Gepp et al., 2018; Schmitz và Leoni, 2019).
AI đã mang lại nhiều lợi ích và biến đổi khác nhau trong nghề kế toán. Nó
có thể tự động hóa các thủ tục đơn điệu, đơn giản hóa việc phân tích dữ liệu,
đưa ra quyết định tốt hơn và hợp lý hóa các quy trình kiểm toán (Dhamija &;
Bag, 2020). Việc áp dụng công nghệ, cụ thể là trí tuệ nhân tạo (AI) ( Munoko
và cộng sự, 2020; Hàn và cộng sự, 2023; Al-Sayyed và cộng sự, 2021; Zhang
và cộng sự, 2020) và Công nghiệp 4.0 (Tavares và cộng sự, 2022; Fülop và
̈
cộng sự, 2022; ̈ Ozcan và Akkaya, 2020 ), đã có tác động đáng kể đến lĩnh vực
kế toán và kiểm toán trên toàn thế giới. Sử dụng AI bao gồm học máy, học
sâu, phân tích dữ liệu lớn, khai thác dữ liệu và điện toán đám mây trong thực
tiễn kế toán và kiểm toán đã tận dụng khả năng xử lý khối lượng lớn dữ liệu
tài chính, tạo điều kiện xác định các mẫu, xu hướng và sự bất thường. Hơn
nữa, việc sử dụng AI trong kế toán và kiểm toán đã cải thiện khả năng ra
quyết định (Coman et al., 2022; Lehner và cộng sự, 2022; Yoon, 2020).
AI đã cách mạng hóa kế toán và kiểm toán bằng cách tự động hóa các
hoạt động phổ biến như nhập dữ liệu (Varzaru, 2022 ̆ ) và đối chiếu (Shaffer
et al., 2020), cho phép kế toán viên tập trung vào các nhiệm vụ khó khăn hơn
(Munoko et al., 2020; Varzaru, ̆ 2022; Zhang và cộng sự, 2020). Các giải pháp
tự động hóa được hỗ trợ bởi AI, chẳng hạn như hệ thống tự động hóa quy
trình robot (RPA) (Gotthardt et al., 2020; Losbichler và Lehner, 2021), trích
xuất (Sledgianowski và cộng sự, 2017), phân loại (Issa và cộng sự, 2016;
O'Leary, 2009; Sledgianowski và cộng sự, 2017) và nhập dữ liệu (Varzaru, ̆
2022), cho phép dự báo tài chính nhanh hơn và xác định sự bất thường trong
hồ sơ tài chính (Chen, 2021; Faccia và cộng sự, 2019; Losbichler và Lehner,
2021; Zhang và cộng sự, 2020). AI cũng cải thiện việc ra quyết định bằng cách
phân tích lượng dữ liệu khổng lồ (Gomez, 2018; Kopalle và cộng sự, 2022;
Yoon, 2020) và khám phá các mẫu trong thời gian thực (Sledgianowski và
cộng sự, 2017; Sutton và cộng sự, 2016). Các công cụ kiểm toán liên tục,
được phát triển bởi AI, cho phép giám sát thời gian thực các hoạt động tài
chính (Sledgianowski et al., 2017; Sutton và cộng sự, 2016), giảm lỗi và cho
phép đánh giá kỹ lưỡng hơn về dữ liệu tài chính (Faccia et al., 2019; Varzaru,
2022 ̆ ). AI có thể dự đoán xu hướng trong tương lai dựa trên dữ liệu lịch sử
(Gomez, 2018; Sutton và cộng sự, 2016), cải thiện dự báo tài chính (Chen,
2021; Losbichler và Lehner, 2021), lập ngân sách và phát hiện các giao dịch
gian lận (Gepp et al., 2018; Sledgianowski và cộng sự, 2017; Yoon, 2020). Xử
lý ngôn ngữ tự nhiên (NLP) cho phép AI phân tích văn bản phi cấu trúc
(Munoko et al., 2020; Mặt trời và Vasarhelyi, 2018; Tiberius và Hirth, 2019),
cải thiện sự tuân thủ và xử lý các yêu cầu tài chính (Sun và Vasarhelyi, 2018).
AI cũng tự động phát hiện các giao dịch vi phạm các tiêu chuẩn quy định,
giảm rủi ro không tuân thủ (Gepp et al., 2018; Sledgianowski và cộng sự,
2017). Hệ thống tự động hóa quy trình robot (RPA) có thể tự động hóa các
hoạt động kế toán thường xuyên (Earley, 2015; Faccia và cộng sự, 2019),
giảm thiểu nhu cầu tham gia của con người (Gotthardt và cộng sự, 2020;
O'Leary, 2009). Các thuật toán AI cũng có thể nhanh chóng phân tích các bộ
dữ liệu lớn (Brown-Liburd và Vasarhelyi, 2015; Cockcroft và Russell, 2018;
Salijeni và cộng sự, 2019), phát hiện các mẫu, xu hướng và bất thường
(Gomez, 2018; Kopalle và cộng sự, 2022; Sledgianowski và cộng sự, 2017;
Sutton và cộng sự, 2016; Yoon, 2020). Điều này cho phép kiểm toán viên phát
hiện ra những bất thường hoặc mô hình có thể chỉ ra gian lận (Gomez, 2018;
Kopalle và cộng sự, 2022; Yoon, 2020).
Các thuật toán AI có thể tự động hóa các quy trình kế toán điển hình như
nhập dữ liệu và xử lý giao dịch, tiết kiệm thời gian và giảm lỗi của con người
(Dhamija &; Bag, 2020; Handoko, 2021). Bên cạnh đó, các hệ thống AI có thể
đánh giá lượng dữ liệu tài chính khổng lồ một cách nhanh chóng và hiệu quả,
hỗ trợ phát hiện các mẫu, sự bất thường và xu hướng mà mọi người có thể
bỏ lỡ (Dhamija &; Bag, 2020; Coman và cộng sự, 2022). Khả năng phân tích
dữ liệu nâng cao này cũng hỗ trợ phát hiện và đánh giá gian lận (Dhamija &;
Bag, 2020). Việc ra quyết định tốt hơn cũng đã xuất hiện từ việc sử dụng AI
trong kế toán và kiểm toán vì AI có thể cung cấp thông tin chi tiết theo thời
gian thực và phân tích dự đoán, giúp kế toán và kiểm toán viên đưa ra quyết
định sáng suốt hơn (Dhamija &; Bag, 2020). Nó có thể giúp dự báo tài chính
và phân tích kịch bản, đưa ra các dự đoán tài chính đáng tin cậy (Coman et
al., 2012). Ngoài ra, AI có thể nâng cao hiệu quả và hiệu quả kiểm toán bằng
cách đánh giá báo cáo tài chính, xác định các mối nguy tiềm ẩn và đề xuất các
lĩnh vực để kiểm tra bổ sung (Dhamija &; Bag, 2020).
Mặc dù công nghệ AI có nhiều ưu điểm, nhưng điều quan trọng cần lưu ý
là nó không nhằm thay thế kế toán và kiểm toán viên con người mà là để bổ
A.A.H. Abdullah và F.A. Almaqtari Journal of Open Innovation: Technology, Market,
and Complexity 10 (2024) 100218
sung tài năng của họ (Dhamija &; Bag, 2020). Do đó, phán đoán và ra quyết và Công nghiệp 4.0 hoạt động như các yếu tố dự đoán, ảnh hưởng đến ý định
định của con người vẫn rất quan trọng (Coman et al., 2022; Yoon, 2020). Việc sử dụng AI trong thực tiễn kế toán và kiểm toán. Mục đích để áp dụng CNTT,
kết hợp AI trong các quy trình kế toán đòi hỏi phải phát triển các khả năng cũng như các lợi ích dự kiến, hoạt động như những người thiền định ảnh
mới và thích ứng với việc chuyển đổi trách nhiệm cho kế toán và kiểm toán hưởng đến đầu ra cuối cùng, đó là thực hành kế toán và kiểm toán.
viên (Coman et al., 2022). Họ cần trở nên thành thạo trong việc sử dụng các Việc đưa các hoạt động kế toán và kiểm toán vào các biến phụ thuộc cho
công cụ AI, diễn giải những hiểu biết do AI tạo ra và hiểu những hạn chế và phép đánh giá sâu hơn về ảnh hưởng của CNTT đối với các phần khác nhau
cân nhắc đạo đức liên quan đến công nghệ AI (Coman et al., 2022; Lehner và của các hoạt động này. Ví dụ, điều tra sự sẵn sàng của AI và Công nghiệp 4.0
cộng sự, 2022). Do đó, giả thuyết sau đây được phát triển: ảnh hưởng đến giáo dục kế toán như thế nào có thể cung cấp cái nhìn sâu sắc
về các bộ kỹ năng phát triển cần thiết của kế toán viên trong kỷ nguyên kỹ
H3. . Việc sử dụng AI có tác động tích cực đến hoạt động kế toán và kiểm
thuật số. Tương tự, khám phá tác động của sự sẵn sàng của AI và Công
toán ở Ả Rập Saudi.
nghiệp 4.0 đối với thực tiễn kiểm toán, chẳng hạn như lập kế hoạch, quy
trình và báo cáo kiểm toán, có thể làm sáng tỏ những cải tiến về hiệu quả và
Hiệu quả của Công nghiệp 4.0 hiệu quả do hai công nghệ mang lại. Cuối cùng, kiểm tra ảnh hưởng sẵn sàng
của AI và Công nghiệp 4.0 đối với thực tiễn kế toán, bao gồm lập kế hoạch
Một số nghiên cứu đã điều tra vai trò của Công nghiệp 4.0 trong các bối chiến lược và ngân sách, báo cáo và thuế và chi phí, có thể cung cấp cái nhìn
cảnh khác nhau (Burritt và Christ, 2016; Ghobakhloo, 2020; Kamble và cộng sâu sắc về cách áp dụng công nghệ ảnh hưởng đến quản lý tài chính và quá
sự, 2018; Kiel và cộng sự, 2017; Masood và Sonntag, 2020; Müller và cộng sự, trình ra quyết định.
2018; Nascimento và cộng sự, 2019; Chứng khoán và Seliger, 2016). Trong khi
một số nghiên cứu điều tra sự sẵn sàng áp dụng Công nghiệp 4.0 (Masood và
Sonntag, 2020; Schumacher và cộng sự, 2016), một số nghiên cứu điều tra
những thách thức, cơ hội và lợi ích của Công nghiệp 4.0 (Alaloul và cộng sự,
2020; Ghobakhloo, 2020, 2020; Ivanov và cộng sự, 2021; Kiel và cộng sự,
2017; Masood và Sonntag, 2020; Müller và cộng sự, 2018; Chứng khoán và
Seliger, 2016). Gần đây, trọng tâm của Công nghiệp 4.0 là nâng cao hiệu suất
bằng cách giảm lỗi, tăng chất lượng sản phẩm, giải phóng con người khỏi các
nhiệm vụ tầm thường và / hoặc nguy hiểm và cung cấp cho người tiêu dùng
những sản phẩm họ mong muốn vào những thời điểm họ mong muốn
(Burritt và Christ, 2016). Trong mô hình Công nghiệp 4.0 mới, Boyer, Kokosy
(2022) đã nghiên cứu cách các công cụ đổi mới CNTT có thể hỗ trợ quản trị
hợp tác. Boyer, Kokosy (2022) nhấn mạnh mức độ tương tác phức tạp giữa
các tác nhân có thể khơi dậy những ý tưởng mới và thực hiện thành công
những tiến bộ của Công nghiệp 4.0. Điều này có thể đòi hỏi phải tích hợp các
công cụ đổi mới CNTT và quản trị hợp tác, có thể giải quyết hiệu quả các mối
quan tâm của Công nghiệp 4.0, kích thích sự sáng tạo và giải quyết các xung
đột liên chính phủ tiềm ẩn (Hwang, 2017).
Sự phát triển Công nghiệp 4.0 của Trung Quốc phụ thuộc rất nhiều vào sự
tích hợp của Công nghiệp 4.0 và cải thiện hiệu suất trí tuệ nhân tạo. Hơn nữa,
sự phát triển của Công nghiệp 4.0 của Trung Quốc phụ thuộc vào việc cung
cấp trí tuệ nhân tạo ở mức độ cao, nguồn tài chính cần thiết, hình thành các
khu công nghiệp cấp cao và tiên tiến, tăng cường quy trình sản xuất và hợp
tác nghiên cứu. Kết quả là, Công nghiệp 4.0 tiên tiến với sản xuất thông minh
đã đạt được (Hou et al., 2020). Mặc dù ngày càng có nhiều tài liệu về tiềm
năng của AI, nhưng vẫn thiếu các nghiên cứu toàn diện về tất cả các công
nghệ Công nghiệp 4.0, bao gồm Internet of Things, phân tích dữ liệu lớn và
điện toán đám mây. Một nghiên cứu toàn diện liên kết các công nghệ này với
AI trong kế toán và kiểm toán có thể giúp hiểu được sự hiệp lực và thách
thức của các công nghệ này trong lĩnh vực tài chính. Theo đó, nghiên cứu
hiện tại đưa ra giả thuyết rằng:
H4. . Sự sẵn sàng của Công nghiệp 4.0 có tác động tích cực đến thực tiễn kế

toán và kiểm toán ở Ả Rập Saudi. Thiết kế nghiên cứu

Khung khái niệm và thiết kế nghiên cứu

Thiết kế nghiên cứu được nêu trong Hình 1 tập trung vào việc kiểm tra
ảnh hưởng của AI đối với thực tiễn kế toán và kiểm toán. Các biến độc lập là
AI (dữ liệu lớn, học sâu và điện toán đám mây), mức độ sẵn sàng của Công
nghiệp 4.0 và các biến Mô hình chấp nhận công nghệ (TAM) (dễ sử dụng, tính
hữu ích nhận thức và ý định sử dụng AI). Các biến phụ thuộc liên quan đến
các khía cạnh khác nhau của thực tiễn kế toán và kiểm toán, bao gồm giáo
dục kế toán, thực hành kiểm toán (lập kế hoạch kiểm toán, quy trình kiểm
toán và báo cáo kiểm toán) và thực tiễn kế toán (lập kế hoạch chiến lược và
ngân sách, báo cáo và thuế, và chi phí). Nghiên cứu dự định điều tra cách AI,
sự sẵn sàng của Công nghiệp 4.0 và các thành phần TAM ảnh hưởng đến thực
tiễn kế toán và kiểm toán bằng cách thêm các biến này vào phương pháp
nghiên cứu.
Mô hình nghiên cứu trình bày một khuôn khổ hòa giải và con đường để
đánh giá sự tương tác giữa các yếu tố này. Nó ngụ ý rằng sự sẵn sàng của AI

4
A.A.H. Abdullah và F.A. Almaqtari
and Complexity 10 (2024) 100218
Dữ liệu và mẫu
Dân số của nghiên cứu bao gồm những người trả lời từ Ả Rập Saudi, phù
hợp với mục tiêu nghiên cứu là kiểm tra tác động của AI và sự sẵn sàng của
Công nghiệp 4.0 đối với thực tiễn kế toán và kiểm toán trong bối cảnh này.
Nghiên cứu sử dụng phương pháp lấy mẫu thuận tiện không xác suất, cũng
như lấy mẫu quả cầu tuyết, điều này được chứng minh bằng nghiên cứu
trước đây cho thấy sự phù hợp của chúng để xử lý dữ liệu đa biến và ước tính
kết quả. Nghiên cứu đã sử dụng tài liệu và nghiên cứu trước đây để ước tính
kích thước mẫu, dựa trên kích thước hiệu ứng giả định có liên quan đến cuộc
điều tra. Các nhà nghiên cứu đã sử dụng các phương pháp và tiêu chuẩn
được thiết lập từ các nghiên cứu trước đây của Bollen (1989), Christopher
Westland (2010) và Long et al. (1990) để xác định kích thước mẫu tối thiểu
cần thiết cho nghiên cứu. Họ đã tính toán kích thước mẫu bằng phần mềm
thống kê miễn phí dựa trên mô hình đường dẫn PLS, tính đến cả các biến
tiềm ẩn và có thể quan sát được, cường độ hiệu ứng, mức công suất thống kê
và mức xác suất. Kích thước mẫu được tính toán mang lại 148 người tham
Journal of Open Innovation: Technology, Market,
tất cả các câu hỏi và sử dụng cụm từ thân thiện với người trả lời cho các câu
hỏi đóng đã được thực hiện để đảm bảo dữ liệu kỹ lưỡng. Các nhà nghiên
cứu cũng sử dụng các nền tảng phân phối được nhắm mục tiêu với các chữ
cái ngắn gọn nhấn mạnh sự ngắn gọn, dẫn đến tỷ lệ phản hồi tăng 20%.
Cuối cùng, kích thước mẫu cuối cùng của nghiên cứu được xác định là 228
người trả lời khảo sát, được coi là đủ thống kê để dự đoán kết quả. Kết luận
này được hỗ trợ bởi các phân tích lấy mẫu và tính đầy đủ của mẫu được trình
bày trong Bảng 1. Biện pháp đo lường tính đầy đủ lấy mẫu Kaiser-Meyer-
Olkin trả về giá trị lớn hơn 0,7, được coi là thỏa đáng. Hơn nữa, mức độ quan
trọng đối với thử nghiệm này khá cao ở mức 1%, cho thấy mẫu phù hợp và
phù hợp. Với giá trị 8927,44 và 789 bậc tự do, thử nghiệm của Bartlett cũng
xác nhận tính đầy đủ của phân tích yếu tố.
Bảng 1
Xét nghiệm tính đầy đủ lấy mẫu.

Hình 1. Khung nghiên cứu.

gia. Các đầu vào khác bao gồm mức độ tin cậy và sức mạnh thống kê mong Cụ thể Tất cả
muốn, với mục tiêu đạt được mức độ tin cậy là 95% để đảm bảo tính chính Tổng số khảo sát đã hoàn thành (Trực tuyến) 228
xác của các phát hiện. Về vấn đề này, phần mềm G- Power đã được sử dụng, Số lượng khảo sát chưa hoàn thành (0)
cho thấy kích thước mẫu là 163 người trả lời. Tuy nhiên, phương pháp thu Tổng số mẫu câu hỏi được xử lý 228
thập dữ liệu thực tế đã dẫn đến việc thu thập 228 cuộc khảo sát bằng cách sử Thử nghiệm của KMO và Bartlett
dụng bảng câu hỏi trực tuyến được gửi qua Google Docs. Để phổ biến cuộc "Biện pháp lấy mẫu đầy đủ của Kaiser-Meyer-Olkin". 0.927
khảo sát và thu thập dữ liệu, các nhà nghiên cứu đã sử dụng một số nền tảng "Thử nghiệm hình cầu của Bartlett"
Xấp xỉ Chi-Square 8927.44
truyền thông xã hội như Facebook, WhatsApp và email. Để nâng cao tỷ lệ
Mức độ tự do 789
phản hồi và giảm các câu trả lời chất lượng thấp, các biện pháp như bắt buộc
5
A.A.H. Abdullah và F.A. Almaqtari Journal of Open Innovation: Technology, Market,
and Complexity 10 (2024) 100218
Sig. 0.000 Ý định sử dụng Venkatesh et al. (2012), Cao et
al. (2021), và Razi và
Dụng cụ nghiên cứu
Madani (2013)
Giáo dục kế toán Giáo dục kế toán Xu và Babaian (2021),Guan et al.
Nghiên cứu hiện tại đã sử dụng một cuộc khảo sát bảng câu hỏi trực (2020), vàZhang et al.
tuyến để thu thập dữ liệu từ nhiều người trả lời, bao gồm kiểm toán viên bên (2020)
ngoài, thành viên hội đồng quản trị, CFO, giám đốc điều hành cấp cao, kiểm Thực hành nghe Lập kế hoạch, quy trình và báo Issa và cộng sự (2016)
toán viên nội bộ và kế toán từ các tổ chức khác nhau của Ả Rập Saudi. Công cáo kiểm toán
Thực hành kế Chi phí, báo cáo và thuế, lập kế Aqlan (2021)
cụ nghiên cứu được phát triển dựa trên các tài liệu liên quan để đảm bảo
toán hoạch chiến lược và lập ngân
rằng nó giải quyết tất cả các chủ đề chính liên quan đến các mục tiêu nghiên sách
cứu. Công cụ nghiên cứu bao gồm 58 mục được xây dựng cẩn thận để đại
Bảng 3
diện cho từng khía cạnh cụ thể của nghiên cứu hiện tại. Các mục được phát Hồ sơ của người trả lời.
triển để nhận thức nhận thức của người trả lời về tác động của AI và sự sẵn Kinh nghiệm làm việc
sàng của Công nghiệp 4.0 đối với các quy trình kế toán và kiểm toán ở Ả Rập
Saudi. Tất cả các hạng mục trong cuộc khảo sát đều được xây dựng theo Loại Băn khoăn. %
thang điểm Likert 5 điểm. Thang đo dao động từ 1 đến 5. Trong khi 1 biểu thị 5 năm trở xuống 62 27%
"hoàn toàn không đồng ý", thang điểm 5 thể hiện "hoàn toàn đồng ý". Điều 6:10 95 42%
này cho phép các nhà nghiên cứu điều tra mức độ đồng ý hoặc không đồng ý 11:15 50 22%
với các tuyên bố của cuộc khảo sát. Để đảm bảo tính toàn diện, bảng câu hỏi Hơn 15 21 9%
được cấu trúc thành mười bốn chiều. Các khía cạnh này bao gồm các khía Tất cả 228 100%
CPA vị trí hiện tại
cạnh khác nhau liên quan đến các mục tiêu nghiên cứu, bao gồm các chủ đề
57 25%
như dữ liệu lớn, học sâu, điện toán đám mây, sự sẵn sàng của Công nghiệp Thành viên Hội đồng quản trị 41 18%
4.0, dễ sử dụng, tính hữu ích nhận thức, ý định sử dụng AI, giáo dục kế toán, CFO/ Kiểm toán viên nội bộ/ Kế toán 96 42%
lập kế hoạch kiểm toán, quy trình kiểm toán, báo cáo kiểm toán, lập kế hoạch Viện 34 15%
chiến lược kế toán và ngân sách, báo cáo và thuế, và chi phí. Bảng 2 cung cấp Tất cả 228 100%
các thang đo được tổng hợp từ các nghiên cứu trước và Phụ lục I trình bày đề xuất bởi Chin et al. (2008). Ví dụ: mục AIINT2 thể hiện tải hệ số là 0,958,
định nghĩa hoạt động của các biến. ngụ ý rằng nó có liên kết đáng kể với cấu trúc "AI". Tương tự, các mục liên
quan đến "Dễ sử dụng" (EASE1, EASE2, EASE3) và "Lập kế hoạch chiến lược &
Kết quả thực nghiệm Ngân sách" (STRPLN1, STRPLN2, STRPLN3) có tải yếu tố vượt quá 0,75 cho
thấy phương sai chung mạnh mẽ với các cấu trúc tiềm ẩn.
Phân tích nhân khẩu học của mẫu Tải trọng yếu tố cung cấp bằng chứng cho tính hợp lệ hội tụ của mô hình
đo lường được sử dụng trong nghiên cứu vì chúng chỉ ra rằng các mục đo
Bảng 3 cung cấp một cái nhìn tổng quan về hồ sơ của người trả lời về kinh lường hiệu quả các cấu trúc tương ứng của chúng và đóng góp đáng kể vào
nghiệm làm việc và vị trí hiện tại của họ. Các phát hiện chỉ ra rằng trong số mô hình đo lường tổng thể. Do đó, những phát hiện này cũng nâng cao độ tin
những người tham gia, 27% có 5 năm kinh nghiệm làm việc trở xuống, trong cậy và tính hợp lệ của công cụ đo lường của nghiên cứu. Hình 2 cũng thể hiện
khi 42% có 6 đến 10 năm kinh nghiệm. phân tích yếu tố xác nhận.
Tổng cộng 22% có từ 11 đến 15 năm kinh nghiệm và 9% có hơn 15 năm
kinh nghiệm. Phần lớn những người được hỏi (42%) làm việc với tư cách là Hiệu lực và độ tin cậy
CFO, kiểm toán viên nội bộ hoặc kế toán trong vai trò hiện tại của họ. CPA Bảng 5 hiển thị các biện pháp độ tin cậy và hợp lệ cho từng cấu trúc trong
chiếm 25% mẫu, thành viên hội đồng quản trị chiếm 18% và học giả chiếm nghiên cứu. Các phát hiện cho thấy các chỉ số cho alpha, Rho_A, độ tin cậy
15%. tổng hợp và phương sai trung bình được trích xuất (AVE) của Cronbach.
Alpha của Cronbach đo độ tin cậy nhất quán bên trong, cho biết các mục
trong cấu trúc có liên quan chặt chẽ với nhau như thế nào. Trong nghiên cứu
Đo lường của mô hình Tải hệ số này, tất cả các cấu trúc đều có giá trị alpha của Cronbach trên 0,70, dao động
Bảng 4 cho thấy kết quả phân tích yếu tố xác nhận bằng cách sử dụng từ 0,770 đến 0,945. Các giá trị này cho thấy tính nhất quán nội bộ tốt, chỉ ra
Bình phương tối thiểu một phần (PLS). Các phát hiện cho thấy các hạng mục rằng các mục trong mỗi cấu trúc đang đo lường một cách đáng tin cậy cùng
được sử dụng để đo lường từng cấu trúc có mối quan hệ cao với các cấu trúc một khái niệm cơ bản. Hơn nữa, Rho_A, một thước đo độ tin cậy khác, hiển
mà chúng đang đo. Giá trị tải trọng yếu tố của mỗi mặt hàng vượt quá thị các giá trị cao cho tất cả các cấu trúc, dao động từ 0,771 đến 0,946. Các
ngưỡng tiêu chí 0,50, theo đề xuất của Chin (2010). Điều này cho thấy mức giá trị này thêm vào tính nhất quán bên trong của các mục đo lường.
độ hiệu lực hội tụ cao. Các phát hiện về tải yếu tố cho thấy các giá trị nằm Độ tin cậy tổng hợp đánh giá độ tin cậy của cấu trúc bằng cách xem xét cả
trong khoảng từ 0,515 đến 0,992, cho thấy mối liên hệ chặt chẽ giữa các mục tính nhất quán nội bộ của các hạng mục và mối tương quan của chúng. Giống
và cấu trúc cơ bản của chúng. Giá trị tải hệ số mặt hàng trên giá trị ngưỡng như alpha và Rho_A của Cronbach, các giá trị độ tin cậy tổng hợp lớn hơn
được đề xuất (0,50) là 0,70 ngụ ý độ tin cậy cao. Vì tất cả các cấu trúc trong cuộc điều tra này có giá
trị độ tin cậy tổng hợp từ 0,748 đến 0,945, nên có độ tin cậy cao. Cuối cùng,
Bảng 2 phương sai trung bình được trích xuất (AVE) đánh giá lượng phương sai được
Định nghĩa hoạt động của các biến. cấu trúc thu được so với sai số đo. Giá trị AVE lớn hơn 0,50 thường được coi
Xây dựng Bằng chứng là thỏa đáng, cho thấy các mục đo giải thích hơn một nửa phương sai trong
cấu trúc. Tất cả các cấu trúc trong nghiên cứu này có giá trị AVE lớn hơn 0,50,
AI Dữ liệu lớn Mikalef và Gupta (2021) dao động từ 0,517 đến 0,790, điều này cho thấy rằng các cấu trúc nắm bắt
Học sâu Sun and Vasarhelyi (2018) và Issa đúng phương sai cơ bản. Nhìn chung, các cấu trúc trong nghiên cứu có các
et al. (2016) biện pháp độ tin cậy và hợp lệ cao. Độ tin cậy alpha, Rho_A, composite và
Điện toán đám mây Mikalef và Gupta (2021) AVE của Cronbach đều nằm trong phạm vi chấp nhận được, cho thấy tính
nhất quán bên trong tốt, độ tin cậy và tính hợp lệ hội tụ, ngụ ý rằng các mục
Công nghiệp 4.0 Sẵn sàng cho Công nghiệp 4.0 Müller et al. (2018), Elazhary et al.
đo trong nghiên cứu thể hiện độ tin cậy và tính hợp lệ trong việc đánh giá các
(2022),và Amoozad
Mahdiraji và cộng sự (2022) cấu trúc tương ứng của chúng.
TAM Nhận thấy dễ sử dụng Damerji và Salimi (2021) và Davis
(1989) Hiệu lực phân biệt đối xử
Tính hữu dụng của Percievd Damerji và Salimi (2021) Razi và Bảng 6 cho thấy kết quả phân tích tính hợp lệ phân biệt đối xử. Chúng ta
Madani (2013)
có thể quan sát thấy rằng các phần tử đường chéo lớn hơn mối tương quan

6
A.A.H. Abdullah và F.A. Almaqtari Journal of Open Innovation: Technology, Market,
and Complexity 10 (2024) 100218
giữa các cấu trúc trong hầu hết các trường hợp, cho thấy tính hợp lệ phân
biệt tốt. Các phát hiện chứng minh giá trị tương quan mạnh mẽ giữa các mặt
hàng

7
Bảng 4
Tải yếu tố.
Mục 1 2 3 4 5 6 7 8 9 10 11 12 13 14

BIGD1 0.868
A.A.H. Abdullah và F.A. Almaqtari Journal of Open Innovation: Technology, Market,
BIGD2 0.806
and Complexity 10 (2024) 100218
BIGD3 0.734
CLOD1 0.718
CLOD2 0.643

CLOD3 0.752

DEEEPL1 0.864

DEEPL2 0.74

DEEPL3 0.876

IR4.0_1 0.66

IR4.0_2 0.866

IR4.0_3 0.886

IR4.0_4 0.908

EASE1 0.846

EASE2 0.786

EASE3 0.788

USEFUL1 0.858

USEFUL2 0.834

USEFUL3 0.827

USEFUL4 0.787

USEFUL5 0.749

USEFUL6 0.719

AIINT1 0.765

AIINT2 0.958

ITEDU1 0.751

ITEDU2 0.924

ITEDU3 0.794

ITEDU4 0.691

ITEDU5 0.992

AUDPLN1 0.691

AUDPLN2 0.809

AUDPLN3 0.817

AUDPR1 0.904

AUDPR2 0.77

AUDPR3 0.556

AUDPR4 0.827

AUDREP1 0.784

AUDREP2 0.799

STRPLN1 0.867

STRPLN2 0.85

STRPLN3 0.819

REP &TAX1 8 0.836

REP &TAX2 0.844

A.A.H. Abdullah và F.A. Almaqtari Journal of Open Innovation: Technology, Market,
and Complexity 10 (2024) 100218
đánh giá cùng một cấu trúc, chỉ ra rằng các hạng mục này thể hiện chính xác Mô hình kết cấu
cấu trúc tương ứng của chúng chứ không phải bất kỳ cấu trúc nào khác. Quan
sát này được hỗ trợ bởi thực tế là các giá trị tương quan giữa mỗi cấu trúc và Hình 3 hiển thị cách tiếp cận cấu trúc giả thuyết hoặc dự đoán cho các
các cấu trúc khác thấp hơn các giá trị tự tương quan của chính cấu trúc biến nghiên cứu hiện tại. Nó cung cấp mô hình hiệu ứng trực tiếp như được
(Fornell và Larcker, 1981). trình bày trong Hình 1.

Thống kê mô tả
Bảng 7 cung cấp số liệu thống kê mô tả cho các biến của nghiên cứu. Kết
quả cho thấy phạm vi của các biến là 4, nằm trong khoảng từ giá trị tối thiểu
là 1 đến giá trị tối đa là 5 ngoại trừ IR4.0, AIINT, AUDPR, AUDREP, REP &TAX,
STRPLN có giá trị phạm vi là 3 (Min. = 2 và Max. = 5). Hơn nữa, kết quả chỉ ra
rằng giá trị trung bình của các biến là khoảng 4, cho thấy những người được
hỏi nhận thấy nhận thức tích cực về các tuyên bố được hỏi. Kết quả cũng cho
thấy độ lệch và các giá trị kurtosis nằm trong phạm vi ( ± 1) cho độ lệch và ( ±
3) cho kurtosis, điều này cho thấy dữ liệu thường được phân phối.
Ước tính kết quả- hiệu quả trực tiếp
Bảng 8 cung cấp các ước tính về phân tích SEM. Các phát hiện cho thấy
mối liên hệ tích cực tiềm năng giữa AI và nhận thức dễ sử dụng. Hệ số dương
mạnh vừa phải (β += 0,408) với mức độ quan trọng cao (p = 0,001) cho thấy
ảnh hưởng có thể có của AI đối với Tính dễ sử dụng. Bằng chứng dự kiến này
cho thấy các công nghệ AI có thể được coi là thân thiện với người dùng và
tương đối đơn giản để sử dụng trong bối cảnh thực hành kế toán và kiểm
toán. Ngoài ra, nghiên cứu chỉ ra mối liên hệ tiềm năng giữa AI và tính hữu
ích của công nghệ. Hệ số dương (β += 0,349) và kết nối rất có ý nghĩa (p =
0,005) tạm thời ủng hộ ý tưởng rằng AI có thể được coi là lợi thế và có giá trị
để tăng cường nhiệm vụ kế toán và kiểm toán ở Ả Rập Saudi. Điều này phù
hợp với một số nghiên cứu (ví dụ: Munoko

Hình 2. Phân tích yếu tố xác nhận.

và cộng sự, 2020; Hàn và cộng sự, 2023; Al-Sayyed và cộng sự, 2021; Zhang và cộng sự, 2020)

Bảng 5: Hiệu lực và độ tin cậy cho các cấu trúc.

điều đó chỉ ra rằng thực tiễn kế toán và kiểm toán bị ảnh hưởng đáng kể bởi AI ở các quốc gia khác nhau. Correia et al.
(2020) và Thottoli et al. (2022) chỉ ra rằng việc ứng dụng AI đã trở nên quan
trọng đối với hiệu lực và hiệu quả của hoạt động kế toán và kiểm toán.
Kết quả của nghiên cứu hiện tại chứng minh rằng các khía cạnh AI như Dữ liệu lớn, Điện toán đám mây và Học sâu liên kết tích cực với việc chấp nhận và sử
dụng AI. Ảnh hưởng của Big Data đối với khả năng chấp nhận AI đặc biệt đáng kể, với hệ số dương (β += 0,538) và ý nghĩa cao (p = 0,001). Mối quan hệ mạnh
mẽ này nhấn mạnh vai trò quan trọng của Big Data trong việc thúc đẩy việc áp dụng AI trong thực tiễn kế toán và kiểm toán. Trong cùng một bối cảnh, mối
tương quan thuận (β += 0,460) và mối liên hệ đáng kể (p = 0,001) hỗ trợ ảnh hưởng của Điện toán đám mây đối với AI. Điều này cho thấy rằng việc sử dụng công
nghệ dựa trên đám mây có thể được coi là tạo điều kiện tích hợp và triển khai AI dễ dàng hơn trong lĩnh vực kế toán và kiểm toán. Ngoài ra, kết quả đã chứng
minh mối quan hệ đáng kể giữa Deep Learning và AI, được chứng minh bằng hệ số dương (β += 0,438) và mức độ quan trọng cao (p = 0,001). Điều này nhấn
mạnh tầm quan trọng của các phương pháp học máy tiên tiến, chẳng hạn như Học sâu, trong việc tăng cường khả năng của AI cho các ứng dụng trong kế toán
và kiểm toán.
Kết quả nghiên cứu cũng nhấn mạnh tầm quan trọng của việc dễ sử dụng trong việc ảnh hưởng đến ý định sử dụng AI. Hệ số dương (β += 0,239) và ý nghĩa
thống kê (p = 0,009) hỗ trợ ảnh hưởng của Tính dễ sử dụng đối với ý định sử dụng AI, cho thấy những người được hỏi tin rằng AI đơn giản để sử dụng có nhiều
khả năng có mong muốn mạnh mẽ
Bảng 6
Giá trị phân biệt đối xử.

Biến Alpha của rho_A Độ tin cậy tổng Trung bình

Cronbach hợp Phương sai
Trích xuất (AVE)
AI 0.832 0.840 0.833 0.50
Giáo dục kế toán 0.923 0.934 0.921 0.702

Kế toán 0.945 0.946 0.945 0.657

Thực tiễn
Báo cáo kiểm toán 0.770 0.771 0.770 0.627
Lập kế hoạch kiểm 0.812 0.823 0.817 0.600
toán
Quy trình kiểm toán 0.858 0.875 0.854 0.601
Thực tiễn kiểm toán 0.905 0.907 0.906 0.517
Dữ liệu lớn 0.844 0.851 0.846 0.647
_Computing đám 0.751 0.752 0.748 0.51
mây
Chi phí 0.919 0.919 0.919 0.790
Sâu _Learning 0.866 0.874 0.868 0.687
Dễ sử dụng 0.849 0.850 0.848 0.651
Sẵn sàng cho Công 0.897 0.913 0.902 0.699
nghiệp 4.0
Ý định sử dụng AI 0.846 0.876 0.857 0.751

Nhận thức 0.913 0.915 0.913 0.636

_Usefulness
Báo cáo &_Taxation 0.877 0.877 0.877 0.703 9

Chiến lược 0.882 0.883 0.883 0.715

_Kế hoạch
&_Budgeting
A.A.H. Abdullah và F.A. Almaqtari Journal of Open Innovation: Technology, Market,
and Complexity 10 (2024) 100218
Var 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17

1 0.60

2 0.25 0.84

3 0.50 0.32 0.81

4 0.59 0.33 0.81 0.79

5 0.60 0.38 0.72 0.68 0.77

6 0.53 0.26 0.79 0.78 0.86 0.78

7 0.61 0.35 0.84 0.94 1.02 1.05 0.72

8 0.98 0.25 0.46 0.46 0.53 0.43 0.51 0.81

9 0.90 -0.13 0.30 0.43 0.36 0.40 0.42 0.50 0.71

10 0.49 0.26 0.99 0.78 0.69 0.76 0.80 0.47 0.32 0.89

11 0.87 0.40 0.37 0.48 0.47 0.40 0.48 0.47 0.38 0.32 0.83

12 0.73 0.07 0.55 0.39 0.49 0.57 0.55 0.67 0.65 0.51 0.36 0.81

13 0.63 0.01 0.54 0.37 0.46 0.51 0.50 0.39 0.56 0.51 0.53 0.77 0.84

14 0.67 0.40 0.63 0.54 0.62 0.58 0.63 0.52 0.37 0.63 0.64 0.61 0.62 0.87

15 0.68 0.29 0.66 0.60 0.69 0.76 0.76 0.56 0.52 0.64 0.50 0.69 0.67 0.70 0.80

16 0.42 0.35 1.02 0.83 0.65 0.72 0.78 0.33 0.23 0.87 0.40 0.43 0.48 0.57 0.58 0.84

17 0.50 0.30 1.00 0.70 0.71 0.77 0.79 0.50 0.29 0.83 0.32 0.60 0.53 0.59 0.66 0.88 0.85
Lưu ý: (1) AI, (2) Giáo dục kế toán, (3) Thực hành kế toán, (4) Báo cáo kiểm toán, (5) Lập kế hoạch kiểm toán, (6) Quy trình kiểm toán, (7) _Practices kiểm toán, (8) Dữ liệu lớn, (9)
_Computing đám mây, (10) Chi phí, (11) Học sâu, (12) Dễ sử dụng, (13) Sự sẵn sàng của Công nghiệp 4.0, (14) Ý định sử dụng AI, (15) Nhận thức _Usefulness, (16), Báo cáo
&_Taxation, (17) _Planning chiến lược &_Budgeting

Bảng 7
Thống kê mô tả.
Biến Phút. Max. Phạm vi Trung bình Lỗi Thánh Trung tuyến Chế độ Thánh Dev. Kurtosis Độ lệch

AI 1 5 4 3.81 0.05 4 4 0.77 1.2 -0.76

BIGD 1 5 4 3.59 0.05 3.83 4 0.74 1.22 -0.78
CỤC MÁU ĐÔNG 2 5 3 3.78 0.04 4 4 0.67 0.2 -0.5
SÂU SẮC 1 5 4 3.48 0.05 3.67 4 0.77 0.19 -0.31
CMCN 4.0 2 5 3 3.95 0.05 4 4 0.7 0.49 -0.7
NỚI 1 5 4 3.84 0.05 4 4 0.77 1.74 -1.07
CÓ ÍCH 1 5 4 3.94 0.05 4 4 0.73 1.42 -0.88
AIINT 2 5 4 3.47 0.05 3.58 4 0.72 0.06 -0.62
ITEDU 1 5 4 3.34 0.06 3.4 4 0.85 0.25 -0.71
AUDPLN 1 5 4 3.6 0.05 3.67 4 0.69 1.47 -0.78
AUDPR 2 5 4 3.61 0.05 3.75 4 0.71 0 -0.33
AUDREP 2 5 4 3.61 0.05 4 4 0.7 0.34 -0.47
ĐẠI DIỆN &THUẾ 2 5 3 3.7 0.04 4 4 0.68 -0.03 -0.1
PLN &COS 1 5 4 3.8 0.05 4 4 0.73 0.46 -0.48
STRPLN 2 5 3 3.65 0.05 4 4 0.76 -0.2 -0.34
Ghi chú: AI là Trí tuệ nhân tạo, BIGD là Dữ liệu lớn, CLOD là Điện toán đám mây, DEEPL là Học sâu, IR4.0 là Công nghiệp 4.0 sẵn sàng, EASE là Dễ sử dụng, HỮU ÍCH là Tính hữu ích nhận
thức, AIINT là Ý định sử dụng AI, ITEDU là Giáo dục Kế toán, Lập kế hoạch Kiểm toán AUDPLN, AUDPR là Quy trình Kiểm toán, AUDREP là Báo cáo Kiểm toán, REP & _Taxation TAX là
Báo cáo, PLN &COS là Chi phí, và STRPLN là _Planning chiến lược &_Budgeting.
ứng dụng và ứng dụng công nghệ AI trong hoạt động chuyên môn của mình. trọng của sự sẵn sàng của Công nghiệp 4.0 trong việc tác động đến khả năng
Tuy nhiên, nghiên cứu chỉ ra mối liên hệ tích cực yếu giữa tính dễ sử dụng và sử dụng và giá trị nhận thức của AI trong hoạt động kế toán và kiểm toán.
Nghiên cứu tìm thấy mối liên hệ giữa ý định sử dụng AI và giáo dục kế
tính hữu ích nhận thức của AI, bằng chứng là hệ số dương (β += 0,199). Tuy
toán, quy trình kế toán và phương pháp kiểm toán. Một hiệp hội tích cực (β
nhiên, mối quan hệ không có ý nghĩa thống kê (p = 0,254).
Các phát hiện cũng cho thấy sự sẵn sàng của Công nghiệp 4.0 có tác động += 0,399) và hiệu ứng đáng kể (p = 0,001) hỗ trợ hiệu quả của Ý định sử dụng
đáng kể đến tính dễ sử dụng và hữu ích của AI. Hệ số dương mạnh vừa phải AI đối với giáo dục kế toán.
(β += 0,511) và ý nghĩa thống kê (p = 0,001) hỗ trợ ảnh hưởng của sự sẵn sàng Tương tự, các hệ số dương lớn (β += 0,631 và β += 0,629, tương ứng) và ý
nghĩa cao (p = 0,001) hỗ trợ hiệu quả của Ý định sử dụng AI đối với thực tiễn
của Công nghiệp 4.0 đối với Tính dễ sử dụng. Tương tự, hệ số dương (β +=
kế toán và kiểm toán.
0,302) và ý nghĩa thống kê (p = 0,014) hỗ trợ ảnh hưởng của sự sẵn sàng của
Công nghiệp 4.0 đối với tính hữu ích nhận thức. Điều này cho thấy tầm quan

10
A.A.H. Abdullah và F.A. Almaqtari
and Complexity 10 (2024) 100218
Ước tính kết quả- tác động gián tiếp Tác dụng của AI
Các kết quả trong Bảng 9 cho thấy hệ số dương (β += 0,132) và mối quan
hệ đáng kể (p = 0,001) của việc tích hợp AI trong giáo dục kế toán. Người ta
cũng thấy rằng AI ảnh hưởng tích cực đến các quy trình kế toán (AI -> Thủ tục
kế toán) với hệ số (β += 0,208) và mối liên hệ đáng kể (p = 0,001). Điều này
làm nổi bật khả năng của AI để cải thiện hệ thống kế toán bằng cách tự động
hóa các nhiệm vụ, tăng độ chính xác của dữ liệu và đưa ra khả năng phân tích
nâng cao.
Ngoài ra, kết quả chỉ ra rằng AI có ảnh hưởng đáng kể đến báo cáo kiểm
toán với (β += 0,194) và đáng kể (p = 0,001), hỗ trợ AI có thể hỗ trợ kiểm toán
Journal of Open Innovation: Technology, Market,
viên phân tích khối lượng lớn dữ liệu tài chính, phát hiện bất thường và cải
thiện chất lượng báo cáo kiểm toán.
Hơn nữa, AI có tác động đáng kể đến việc lập kế hoạch kiểm toán với (β +=
0,211) và ảnh hưởng đáng kể (p = 0,001), có nghĩa là bằng cách đánh giá dữ
liệu trước đó và đưa ra các thủ tục kiểm toán áp dụng, công nghệ AI có thể
giúp tăng cường phân bổ nguồn lực và hiệu quả.
Nghiên cứu hiện tại cũng xác định mối quan hệ tích cực (p = 0,001) giữa AI
và toàn bộ quá trình kiểm toán (AI -> Quy trình kiểm toán) (β += 0,218). Điều
này chỉ ra rằng AI có thể tự động hóa một số hoạt động kiểm toán nhất định,
giảm lỗi thủ công và giải phóng kiểm toán viên để tập trung vào giá trị cao
hơn

Hình 3. Mô hình phương trình cấu trúc- Hiệu ứng trực tiếp.
Bảng 8
Ước tính SEM - Mô hình hiệu ứng trực tiếp.
Bảng 9
Ước tính SEM - Mô hình hiệu ứng gián tiếp - AI.
Con đường β STDEV T Stat Giá trị P

AI -> Giáo dục Kế toán 0.132 0.032 4.119 0.000

Thực hành kế toán AI -> 0.208 0.050 4.147 0.000
Báo cáo kiểm toán AI -> 0.194 0.050 3.908 0.000
Lập kế hoạch kiểm toán AI -> 0.211 0.053 3.988 0.000
Quy trình kiểm toán AI -> 0.218 0.054 4.072 0.000
Thực tiễn kiểm toán AI -> 0.208 0.051 4.060 0.000
AI -> Chi phí 0.205 0.050 4.111 0.000
AI -> ý định sử dụng AI 0.330 0.064 5.124 0.000
AI -> Nhận thức _Usefulness 0.081 0.076 1.070 0.285
AI -> Báo cáo &_Taxation 0.211 0.052 4.090 0.000
AI -> _Planning chiến lược &_Budgeting 0.208 0.050 4.140 0.000
Con đường β Chuẩn Thống kê T (| P Deep _Learning -> AI 0.438 0.040 10.921 0.000
Độ lệch (STDEV) O/STDEV|) Giá trị Dễ sử dụng -> ý định sử 0.239 0.091 2.636 0.009
dụng AI
Dễ sử dụng -> nhận thức 0.199 0.174 1.141 0.254
AI -> Dễ sử dụng 0.408 0.078 5.217 0.000
_Usefulness
AI -> Nhận thức _Usefulness 0.349 0.123 2.842 0.005 Sự sẵn sàng của Công 0.511 0.078 6.545 0.000
nghiệp 4.0 -> Dễ sử
Dữ liệu lớn -> AI 0.538 0.036 15.079 0.000 dụng
Cloud _Computing -> AI 0.460 0.038 11.971 0.000 Sẵn sàng cho Công nghiệp 0.302 0.122 2.468 0.014

11
A.A.H. Abdullah và F.A. Almaqtari Journal of Open Innovation: Technology, Market,
and Complexity 10 (2024) 100218
4.0 những hiểu biết dựa trên dữ liệu và hiểu được việc sử dụng nó trong kế toán.
-> Nhận thức _Usefulness Điều này phù hợp với các nghiên cứu khác cho rằng sự liên quan của việc kết
Ý định sử dụng AI 0.399 0.065 6.141 0.000
hợp các hệ thống thông tin và công nghệ vào chương trình giảng dạy kế toán
-> Giáo dục Kế toán
(ví dụ: Behn et al., 2012; Lawson và cộng sự, 2014; Apostolou và cộng sự,
Ý định sử dụng AI 0.631 0.066 9.596 0.000 2014). Tương tự, Sledgianowski et al. (2017) lập luận rằng các giảng viên có
-Kế toán > thể tích cực liên quan đến sinh viên kế toán và phi kế toán trong việc học kế
Thực tiễn toán bằng cách tận dụng công nghệ và Dữ liệu lớn.
Ý định sử dụng thực tiễn 0.629 0.064 9.775 0.000 Bằng cách phân tích dữ liệu liên quan đến chi phí, tối ưu hóa phân bổ chi
kiểm toán AI ->
phí và cải thiện dự báo chi phí, Deep Learning tăng cường thực tiễn chi phí
Nhận thức _Usefulness -> 0.541 0.107 5.076 0.000
ý định sử dụng AI
của các tổ chức và ra quyết định liên quan đến phân bổ tài nguyên. Bằng cách
phát triển giao diện thân thiện với người dùng, tự động hóa thông minh và
nhiệm vụ, làm tăng hiệu quả và hiệu quả. trực quan hóa dữ liệu nâng cao, Deep Learning cải thiện trải nghiệm người
Xét về quy trình kiểm toán chung (AI -> Thủ tục kiểm toán), AI có hệ số dùng, đơn giản hóa các tác vụ phức tạp và giảm các rào cản đối với việc áp
dương (β += 0,208) và mối liên hệ đáng kể (p = 0,001). Điều này có nghĩa là dụng.
việc tích hợp các công nghệ AI có thể cải thiện quy trình kiểm toán bằng cách Ý định sử dụng AI trong kế toán bị ảnh hưởng tích cực bởi Deep Learning,
tự động hóa việc thu thập và phân tích dữ liệu, tăng đánh giá rủi ro và cung học tập đóng vai trò là thành phần cơ bản của công nghệ AI, ảnh hưởng đến
cấp những hiểu biết có giá trị. Trong cùng bối cảnh, AI có tác động tích cực nhận thức và sự chấp nhận của cá nhân về AI trong thực tiễn kế toán. Các cá
nhân nhận thấy Deep Learning là hữu ích trong kế toán. Các kỹ thuật học sâu
đáng kể đến chi phí (AI -> Chi phí), (β += 0,205; p = 0,001 < 0,01). Các tổ chức tăng cường phân tích dữ liệu, khả năng ra quyết định và tạo ra những hiểu
có thể cải thiện quản lý chi phí và ra quyết định bằng cách sử dụng AI để tối biết có giá trị, do đó cải thiện tính hữu ích nhận thức của thực tiễn kế toán.
ưu hóa quy trình kế toán chi phí, phân tích dữ liệu sản xuất và xác định trình Bằng cách tự động hóa các quy trình thu thập, phân tích và báo cáo dữ liệu,
điều khiển chi phí. Hơn nữa, tiếp xúc với AI có mối liên hệ tích cực và đáng kể Deep Learning cải thiện tính chính xác, kịp thời và tuân thủ các hoạt động
về ý định sử dụng AI (AI -> Ý định sử dụng AI), (β += 0,330; p = 0,001). Những báo cáo và thuế. Bằng cách cung cấp các phân tích, khả năng dự báo và phân
người được hỏi nhận thấy những lợi ích của AI như tăng hiệu quả và độ chính tích kịch bản nâng cao, Deep Learning tăng cường quy trình lập kế hoạch
xác, dẫn đến ý định mạnh mẽ hơn để triển khai AI vào các hoạt động chuyên chiến lược và lập ngân sách của các tổ chức, cho phép đưa ra quyết định dựa
nghiệp của họ. trên dữ liệu, dự báo chính xác cũng như các kế hoạch và ngân sách được tối
ưu hóa.
Mặc dù mối liên hệ giữa AI và tính hữu ích nhận thức (AI - > Tính hữu ích
nhận thức) là yếu (β = 0,081), nhưng nó không có ý nghĩa thống kê (p = Hiệu quả của Công nghiệp 4.0
0,285). Điều này cho thấy bằng chứng không hỗ trợ tác động của AI đối với Kết quả trong Bảng 11 cho thấy sự sẵn sàng của Công nghiệp 4.0 có tác
nhận thức của người trả lời về tính hữu ích trong thực tiễn kế toán và tài động tích cực đáng kể đến các khía cạnh khác nhau của kế toán. Về Giáo dục
chính. Cuối cùng, AI có mối quan hệ tích cực đáng kể với báo cáo và thuế (AI - Kế toán, sự sẵn sàng của Công nghiệp 4.0 cho thấy mối quan hệ tích cực. Điều
> Báo cáo và thuế) (β += 0,211). Điều này có nghĩa là AI có thể tự động hóa này có nghĩa là kết hợp các khái niệm và công cụ liên quan đến tự động hóa,
phân tích dữ liệu và trí tuệ nhân tạo vào chương trình giảng dạy kế toán, sinh
các thủ tục thu thập, xử lý và báo cáo dữ liệu, dẫn đến báo cáo tài chính và
viên có thể phát triển các kỹ năng để thích ứng với những tiến bộ công nghệ
tính chính xác và kịp thời của báo cáo tài chính và tuân thủ thuế.
trong lĩnh vực này. Tương tự như vậy, sự sẵn sàng của Công nghiệp 4.0 có tác
Các kết quả trong Bảng 10 cho thấy Dữ liệu lớn, Điện toán đám mây và
động tích cực đến Thực tiễn Kế toán, như được biểu thị bằng hệ số 0,215.
Học sâu có ảnh hưởng tích cực có ý nghĩa thống kê đối với thực tiễn kế toán
Điều này chỉ ra rằng sự sẵn sàng của Công nghiệp 4.0, chẳng hạn như tự động
và kích thước mô hình TAM. Điều này chỉ ra rằng việc sử dụng các công nghệ
hóa, tích hợp dữ liệu và phân tích nâng cao, cải thiện hiệu quả và hiệu quả
Big Data trong giáo dục kế toán có thể giúp sinh viên học tập hiệu quả hơn.
của các quy trình kế toán, giảm lỗi thủ công và tăng cường khả năng ra quyết
Ngoài ra, bằng cách nắm bắt Big Data, các tổ chức giáo dục có thể cung cấp
định.
cho sinh viên kinh nghiệm thực hành đánh giá các bộ dữ liệu khổng lồ, tạo ra
Bảng 10
Ước tính SEM - Mô hình hiệu ứng gián tiếp - Kích thước AI.
Con đường β STDEV T Stat P
Giá trị
Dữ liệu lớn -> Giáo dục Kế toán 0.071 0.018 3.881 0.000
Dữ liệu lớn -> Thực hành kế toán 0.112 0.027 4.084 0.000
Dữ liệu lớn -> Báo cáo kiểm toán 0.105 0.027 3.838 0.000
Dữ liệu lớn -> lập kế hoạch kiểm toán 0.114 0.029 3.876 0.000
Quy trình kiểm toán Big Data -> 0.118 0.030 3.971 0.000
Dữ liệu lớn -> thực hành kiểm toán 0.112 0.028 3.957 0.000
Dữ liệu lớn -> Chi phí 0.111 0.027 4.045 0.000
Dữ liệu lớn -> Dễ sử dụng 0.219 0.046 4.729 0.000
Dữ liệu lớn - > ý định sử dụng AI 0.178 0.036 4.931 0.000
Dữ liệu lớn -> nhận thức _Usefulness 0.232 0.051 4.557 0.000
Dữ liệu lớn -> Báo cáo &_Taxation 0.114 0.028 4.036 0.000
Dữ liệu lớn -> _Planning chiến lược 0.112 0.027 4.084 0.000
&_Budgeting
Cloud _Computing -> Giáo dục Kế toán 0.061 0.016 3.757 0.000

Thực hành kế toán _Computing > đám mây 0.096 0.027 3.609 0.000

Báo cáo kiểm tra _Computing > đám mây 0.089 0.026 3.467 0.001
Lập kế hoạch kiểm toán _Computing > đám 0.097 0.027 3.538 0.000
mây
Quy trình kiểm tra _Computing -> đám mây 0.100 0.028 3.608 0.000
Các phương pháp kiểm tra _Computing > đám 0.096 0.027 3.602 0.000
mây
Chi phí _Computing đám mây -> 0.095 0.026 3.578 0.000
Cloud _Computing -> Dễ sử dụng 0.188 0.041 4.538 0.000
Cloud _Computing -> ý định sử dụng AI 0.152 0.034 4.495 0.000

12
A.A.H. Abdullah và F.A. Almaqtari Journal of Open Innovation: Technology, Market,
and Complexity 10 (2024) 100218
Cloud _Computing -> Nhận thức _Usefulness 0.198 0.047 4.228 0.000

Cloud _Computing -> Báo cáo &_Taxation 0.097 0.027 3.572 0.000

Cloud _Computing -> _Planning chiến lược 0.096 0.026 3.611 0.000
&_Budgeting
Giáo dục Kế toán _Learning > sâu 0.058 0.014 4.067 0.000
Thực hành kế toán _Learning -> sâu 0.091 0.021 4.272 0.000
Báo cáo kiểm toán chuyên sâu _Learning -> 0.085 0.021 4.110 0.000
Lập kế hoạch kiểm toán _Learning > sâu 0.092 0.022 4.144 0.000
Quy trình kiểm toán > _Learning chuyên sâu 0.096 0.023 4.199 0.000
Thực tiễn kiểm toán _Learning > sâu 0.091 0.022 4.213 0.000
Chi phí _Learning sâu -> 0.090 0.021 4.263 0.000
Deep _Learning -> Dễ sử dụng 0.178 0.033 5.448 0.000
Deep _Learning -> ý định sử dụng AI 0.145 0.028 5.081 0.000
_Learning sâu sắc -> nhận thức _Usefulness 0.188 0.041 4.552 0.000
Deep _Learning -> Báo cáo &_Taxation 0.093 0.022 4.210 0.000
Deep _Learning -> _Planning chiến lược 0.091 0.021 4.270 0.000
&_Budgeting
Ngoài ra, một mối liên hệ tích cực đã được tìm thấy giữa Báo cáo kiểm toán và sự sẵn sàng của Công nghiệp 4.0, với hệ số 0,200, ngụ ý rằng các công cụ tự
động hóa, phân tích dữ liệu và trực quan hóa được cung cấp bởi các công nghệ Công nghiệp 4.0 nâng cao độ chính xác và hiệu quả của các quy trình báo cáo
kiểm toán, cho phép kiểm toán viên tạo báo cáo toàn diện và theo thời gian thực. Điều này có nghĩa là đánh giá rủi ro và phân bổ nguồn lực đều có thể được tối
ưu hóa bằng cách sử dụng tự động hóa, dẫn đến các kế hoạch kiểm toán chính xác và hiệu quả hơn. Tương tự như vậy, sự sẵn sàng của Công nghiệp 4.0 có ảnh
hưởng đáng kể (p = 0,000) đến Quy trình kiểm toán, cho thấy tự động hóa quy trình robot và phân tích dữ liệu tiên tiến cải thiện hiệu quả và hiệu quả của hoạt
động kiểm toán, cho phép kiểm toán viên hoàn thành trách nhiệm của mình nhanh hơn và phát hiện ra những rủi ro và khó khăn tiềm ẩn. Do đó, kiểm toán viên
có thể sử dụng tự động hóa, phân tích dữ liệu và trí tuệ nhân tạo để tăng độ chính xác, hiệu quả và hiệu quả của hoạt động kiểm toán bằng cách thu thập thông
tin chi tiết sâu hơn, tìm ra các mẫu và đưa ra các phán đoán có giáo dục.
Sự sẵn sàng của Công nghiệp 4.0 cũng liên quan tích cực đến chi phí, với hệ số 0,212. Các công nghệ của nó có thể cải thiện ước tính chi phí, phân bổ chi phí
và quản lý chi phí thông qua tự động hóa, tích hợp dữ liệu thời gian thực và phân tích nâng cao. Tương tự, Công nghiệp 4.0

Bảng 11
Con đường β STDEV T Stat P
Giá trị

Sẵn sàng cho Công nghiệp 4.0 -> Giáo dục Kế 0.136 0.030 4.497 0.000
toán
Sự sẵn sàng của Công nghiệp 4.0 -> Thực hành 0.215 0.045 4.767 0.000
kế toán
Sẵn sàng cho Công nghiệp 4.0 -Báo cáo kiểm 0.200 0.041 4.866 0.000
toán >
Sẵn sàng cho Công nghiệp 4.0 -Lập kế hoạch 0.218 0.043 5.015 0.000
kiểm toán >
Sự sẵn sàng của Công nghiệp 4.0 -> Quy trình 0.225 0.045 4.976 0.000
kiểm toán
Sự sẵn sàng của Công nghiệp 4.0 -> Thực tiễn 0.214 0.043 4.951 0.000
kiểm toán
Sự sẵn sàng của Công nghiệp 4.0 -> Chi phí 0.212 0.044 4.774 0.000
Sự sẵn sàng của Công nghiệp 4.0 -> ý định sử 0.340 0.062 5.474 0.000
dụng AI
Sự sẵn sàng của Công nghiệp 4.0 -> Nhận thức 0.102 0.093 1.093 0.275
_Usefulness
Sẵn sàng cho Công nghiệp 4.0 -> Báo cáo 0.218 0.046 4.723 0.000
&_Taxation
Sẵn sàng cho Công nghiệp 4.0 -> _Planning 0.214 0.045 4.729 0.000
chiến lược &_Budgeting
Ước tính SEM - Mô hình hiệu ứng gián tiếp - Sự sẵn sàng của Công nghiệp 4.0.
Công nghệ thúc đẩy một bầu không khí thuận lợi cho việc áp dụng và sử dụng cực đến Giáo dục Kế toán, và thực tiễn kiểm toán và kế toán. Ba khía cạnh
trí tuệ nhân tạo trong các hoạt động kế toán, thúc đẩy việc ra quyết định, tự thể hiện tác động tích cực có ý nghĩa thống kê đối với báo cáo, lập kế hoạch
động hóa các thủ tục và tăng hiệu quả tổng thể. Hơn nữa, tự động hóa, tích và xử lý kiểm toán. Họ cũng tiết lộ một tác động tích cực có ý nghĩa thống kê
hợp dữ liệu và phân tích tinh vi cải thiện tính chính xác, kịp thời và hiệu quả về chi phí, báo cáo và thuế, và lập kế hoạch chiến lược và báo cáo. Do đó,
của các thủ tục báo cáo và thuế, do đó nâng cao hiệu suất tổng thể. Cuối việc sử dụng các công nghệ AI thân thiện với người dùng trong các thủ tục kế
cùng, các tổ chức có tham vọng cao hơn để sử dụng AI có nhiều khả năng áp toán và kiểm toán làm tăng năng suất và độ chính xác vì các công nghệ này
dụng công nghệ trong các nhiệm vụ kế toán, chẳng hạn như báo cáo kiểm làm cho các hoạt động dễ tiếp cận hơn và ít phức tạp hơn đối với các chuyên
toán, lập kế hoạch kiểm toán, quy trình kiểm toán, chi phí, báo cáo và thuế, gia. Ví dụ, sử dụng AI trong báo cáo kiểm toán có thể hợp lý hóa quy trình tạo
lập kế hoạch chiến lược và ngân sách. Các công ty có thể sử dụng các công cụ báo cáo, giúp kiểm toán viên dễ dàng thu thập và truyền đạt hiệu quả những
AI để tự động hóa hoạt động, phân tích dữ liệu hiệu quả hơn, cải thiện độ phát hiện của họ. Hơn nữa, các giải pháp này hợp lý hóa việc chuẩn bị kế
chính xác và cải thiện khả năng ra quyết định trong các lĩnh vực khác nhau hoạch kiểm toán, phân bổ nguồn lực và thực hiện thủ tục kiểm toán, tái cấu
trúc các giai đoạn lập kế hoạch và thực hiện. Các giải pháp AI thân thiện với
(Burritt và Christ, 2016; Fernandez-Caram ' es và cộng sự, 2019; Ghobakhloo,
người dùng có thể cải thiện việc thu thập, phân tích và quản lý dữ liệu liên
2018; Nagy và cộng sự, 2018).
quan đến chi phí trong các thủ tục kế toán, nâng cao độ chính xác và hiệu
quả. Cuối cùng, bằng cách cung cấp giao diện và chức năng trực quan, các
Tác dụng của kích thước TAM công cụ và phần mềm AI thân thiện với người dùng giúp phát triển các kế
Kết quả trong Bảng 12 cho thấy tính dễ sử dụng, tính hữu ích nhận thức hoạch chiến lược và ngân sách.
và ý định sử dụng AI và sự sẵn sàng của Công nghiệp 4.0 có ảnh hưởng tích

13
A.A.H. Abdullah và F.A. Almaqtari
and Complexity 10 (2024) 100218
Phân tích bổ sung
Phân tích nhóm con được tiến hành để đánh giá xem có sự khác biệt đáng
kể trong kết quả được quy cho các biến nhân khẩu học hay không. Kết quả
trong Phụ lục II và III Cung cấp phân tích phương sai và nhiều so sánh dựa
trên phân tích nhóm con. Đáng ngạc nhiên, kết quả cho thấy có sự khác biệt
đáng kể giữa các nhóm kinh nghiệm (6 năm, 6 đến 10 năm, 11 đến 15 năm và
>15 năm). Tuy nhiên, có sự khác biệt đáng kể trong phần lớn các biến số dựa
trên các nhóm vị trí công việc (CPA, ban giám đốc, kế toán và học giả). Điều
này có thể là do khả năng thích ứng và cởi mở với sự thay đổi, vai trò- Mức
độ liên quan cụ thể và tiếp xúc đồng đều giữa các vai trò. Những người được
hỏi có nhiều năm kinh nghiệm khác nhau có thể quen với những phát triển
gần đây, trong khi những người có ít năm hơn có thể cởi mở hơn để thay đổi.
Sự liên quan đến vai trò cụ thể cũng có thể ảnh hưởng đến nhận thức, vì các
Bảng 12
Ước tính SEM - Mô hình hiệu ứng gián tiếp - Kích thước TAM.
Con đường β STDEV T Stat P
Giá trị
Journal of Open Innovation: Technology, Market,
chuyên gia trên các vai trò có thể cảm nhận được ảnh hưởng của AI tương tự
do các ứng dụng rộng rãi của nó. Có ý kiến cho rằng việc tích hợp các kỹ năng
kế toán và kiểm toán là rất quan trọng để đạt được kết quả tích cực và quản
lý rủi ro trong AI (Batiz-Lazo ' và Boyns, 2004). Nhìn chung, các phát hiện
nhấn mạnh tầm quan trọng của các can thiệp cá nhân hoặc các hoạt động
giáo dục nhận ra sự khác biệt sắc thái trong nhận thức tùy thuộc vào kinh
nghiệm đồng thời nhận ra sự liên kết tổng thể của các quan điểm giữa các
ngành nghề chuyên nghiệp khác nhau. Sự gia tăng của AI trong ngành kế toán
đã dẫn đến sự thay đổi từ vai trò số học có tay nghề thấp hơn sang vai trò có
tay nghề cao hơn, làm nổi bật khả năng phục hồi của ngành và khả năng của
AI để nâng cao khả năng của con người (Batiz-Lazo và Boyns, 2004; Ogaluzor,
2019' ). Sự chuyển đổi này đã dẫn đến sự xuất hiện của các vị trí đòi hỏi
kỹ năng phân tích nâng cao, tư duy phê phán và ra quyết định chiến lược.
Pro-

Dễ sử dụng -> Giáo dục Kế toán 0.138 0.052 2.677 0.008

Dễ sử dụng -> thực hành kế toán 0.218 0.078 2.802 0.005
Dễ sử dụng -> Báo cáo kiểm toán 0.204 0.075 2.722 0.007
Dễ sử dụng -> Lập kế hoạch kiểm toán 0.221 0.078 2.835 0.005
Dễ sử dụng -> Quy trình kiểm toán 0.229 0.081 2.837 0.005
Dễ sử dụng -> thực hành kiểm toán 0.218 0.077 2.815 0.005
Dễ sử dụng -> chi phí 0.215 0.077 2.800 0.005
Dễ sử dụng -> ý định sử dụng AI 0.107 0.090 1.193 0.234
Dễ sử dụng -> Báo cáo &_Taxation 0.222 0.079 2.807 0.005
Dễ sử dụng -> _Planning chiến lược 0.218 0.077 2.818 0.005
&_Budgeting
Sẵn sàng cho Công nghiệp 4.0 -> _Planning 0.214 0.045 4.729 0.000
chiến lược &_Budgeting
Ý định sử dụng AI -> Báo cáo kiểm toán 0.589 0.066 8.950 0.000
Ý định sử dụng AI -> lập kế hoạch kiểm toán 0.640 0.067 9.565 0.000
Ý định sử dụng quy trình kiểm toán AI -> 0.662 0.067 9.831 0.000
Ý định sử dụng AI -> chi phí 0.623 0.066 9.420 0.000
Ý định sử dụng AI -> Báo cáo &_Taxation 0.640 0.068 9.415 0.000

Ý định sử dụng AI -> _Planning chiến lược 0.630 0.067 9.453 0.000
&_Budgeting
Nhận thức _Usefulness -> Giáo dục Kế toán 0.216 0.055 3.901 0.000

Nhận thức _Usefulness -> thực hành kế toán 0.341 0.091 3.744 0.000

Nhận thức _Usefulness -> Báo cáo kiểm toán 0.319 0.084 3.779 0.000
Nhận thức _Usefulness -> lập kế hoạch kiểm 0.346 0.092 3.781 0.000
toán
Nhận thức _Usefulness -> Quy trình kiểm toán 0.358 0.093 3.857 0.000
Nhận thức _Usefulness -> thực hành kiểm 0.340 0.089 3.842 0.000
toán
Nhận thức _Usefulness -> Chi phí 0.337 0.090 3.730 0.000
Nhận thức _Usefulness -> Báo cáo &_Taxation 0.346 0.093 3.710 0.000

Nhận thức _Usefulness -> _Planning chiến lược 0.341 0.092 3.722 0.000
&_Budgeting
Fessionals hiện đang nắm bắt các công cụ AI để cung cấp phân tích tài chính sâu sắc hơn và tư vấn chiến lược, tạo ra các cơ hội nghề nghiệp và chuyên môn hóa
mới. Sự tăng trưởng của ngành kế toán nhấn mạnh sự cần thiết của nhân viên có thể thích ứng với công nghệ AI, tập trung vào các kỹ năng của con người như
sáng tạo, giải quyết vấn đề và giao tiếp giữa các cá nhân. Thảo luận và hàm ý

Theo kết quả nghiên cứu hiện tại, các công nghệ Big Data cho phép kế toán xử lý và phân tích hiệu quả lượng dữ liệu khổng lồ. Ví dụ, kế toán viên có thể đạt
được những hiểu biết quan trọng, xác định các mẫu và xu hướng và đưa ra quyết định dựa trên dữ liệu bằng cách sử dụng phân tích Dữ liệu lớn, giúp cải thiện
quy trình kế toán. Hơn nữa, Big Data có ảnh hưởng quan trọng đến báo cáo, lập kế hoạch, quy trình và thủ tục kiểm toán. Kết quả chỉ ra rằng kiểm toán viên có
thể sử dụng phân tích Dữ liệu lớn để trích xuất thông tin liên quan từ các bộ dữ liệu khổng lồ, phát hiện các rủi ro và bất thường tiềm ẩn, hợp lý hóa các thủ tục
kiểm toán và cải thiện tính chính xác, hiệu quả và hiệu quả của quy trình kiểm toán. Dữ liệu lớn cũng cho thấy mối quan hệ tích cực với Chi phí. Điều này ngụ ý
rằng những người được hỏi nhận thấy rằng dữ liệu lớn có thể có lợi cho các tổ chức kinh doanh về khía cạnh chi phí.
Vì phân tích Dữ liệu lớn cung cấp những hiểu biết quan trọng và cải thiện quy trình ra quyết định, chúng làm tăng tính hữu ích nhận thức của các chuyên gia
kế toán. Phân tích dữ liệu lớn cũng có thể giúp các tổ chức có được báo cáo chính xác và kịp thời, duy trì tuân thủ quy định và cải thiện các thủ tục báo cáo và
thuế tổng thể. Do đó, các phân tích cung cấp cho các công ty tầm nhìn hữu ích và khả năng dự đoán cho các quy trình ra quyết định chiến lược và lập ngân sách.
Theo nghĩa này, các tổ chức có thể cải thiện độ chính xác của dự báo, khám phá các khả năng phát triển và tối ưu hóa phân bổ nguồn lực. Một số nghiên cứu
(Brown-Liburd và Vasarhelyi, 2015; Huerta và Jensen, 2017; Salijeni và cộng sự, 2019; Mặt trời và Vasarhelyi, 2018; Warren et al., 2015 ) cũng chỉ ra rằng dữ liệu
lớn có thể hợp lý hóa các nhiệm vụ kế toán và kiểm toán, nâng cao độ chính xác và
kịp thời báo cáo, nâng cao hiệu quả và hiệu quả của các nhiệm vụ, dẫn đến Nó cũng có thể được suy ra từ kết quả mà các công nghệ Dữ liệu lớn
hiệu quả kế toán và kiểm toán hiệu quả và sâu sắc hơn. thêm vào khả năng sử dụng của các hệ thống và ứng dụng kế toán bằng cách

14
A.A.H. Abdullah và F.A. Almaqtari
and Complexity 10 (2024) 100218
đơn giản hóa các hoạt động quản lý dữ liệu, cung cấp khả năng báo cáo và
trực quan trực quan và tăng trải nghiệm người dùng tổng thể. Trong cùng bối
cảnh, các phát hiện xác nhận rằng phân tích Dữ liệu lớn đóng vai trò là nền
tảng cho các công nghệ AI kế toán, cung cấp dữ liệu cần thiết để đào tạo các
mô hình AI và đưa ra dự báo chính xác. Các tổ chức có thể phát triển một bầu
không khí khuyến khích việc áp dụng và sử dụng AI trong các quy trình kế
toán bằng cách khai thác Dữ liệu lớn. Điều này phù hợp với (Brown-Liburd và
Vasarhelyi, 2015; Cockcroft và Russell, 2018; Gepp và cộng sự, 2018; Salijeni
và cộng sự, 2019; Sledgianowski và cộng sự, 2017; Warren và cộng sự, 2015).
Liên quan đến điện toán đám mây, nó được thể hiện trong kết quả rằng
việc triển khai công nghệ vào giáo dục kế toán có thể cải thiện trải nghiệm
học tập bằng cách tăng cường truy cập vào tài liệu và công cụ, tạo cơ hội học
tập hợp tác và mô hình hóa các kịch bản kế toán trong thế giới thực. Kế toán
viên có thể hưởng lợi từ các tài nguyên điện toán có thể mở rộng, lưu trữ dữ
liệu từ xa và các nền tảng cộng tác của Điện toán đám mây, cho phép họ
hoàn thành công việc hiệu quả hơn, làm việc trơn tru với các thành viên
trong nhóm và truy cập thông tin tài chính theo thời gian thực từ mọi nơi.
Kiểm toán viên cũng có thể sử dụng các công nghệ Điện toán đám mây để lưu
trữ và phân tích khối lượng lớn dữ liệu kiểm toán, hợp lý hóa quy trình báo
cáo, nâng cao tính chính xác và kịp thời của báo cáo kiểm toán, nâng cao hiệu
quả và hiệu quả của các quy trình lập kế hoạch kiểm toán, thực hiện các
nhiệm vụ sử dụng nhiều dữ liệu, phân tích các bộ dữ liệu lớn và tự động hóa
các quy trình kiểm toán nhất định, dẫn đến kiểm toán hiệu quả và sâu sắc
hơn.
Trong bối cảnh Chi phí, các tổ chức có thể tối ưu hóa thực tiễn chi phí của
họ bằng cách xử lý và phân tích hiệu quả dữ liệu liên quan đến chi phí thông
qua các tài nguyên điện toán hiệu quả về chi phí và các tùy chọn lưu trữ dữ
liệu của Điện toán đám mây. Lập luận ủng hộ (Bianchi và Sousa, 2016; Faccia
và cộng sự, 2019; Frank và cộng sự, 2019; Schumacher và cộng sự, 2016).
Guan et al. (2020), Issa et al. (2016), Sun and Vasarhelyi (2018) cũng chỉ ra
rằng điện toán đám mây cải thiện hiệu quả và hiệu quả của hoạt động kinh
doanh.
Hiệu quả của học sâu đối với giáo dục kế toán có thể dẫn đến việc giải
thích rằng sinh viên có thể phát triển các kỹ năng và thông tin thực tế liên
quan đến việc áp dụng các công nghệ tinh vi, tự động hóa các nhiệm vụ và
nhận được trải nghiệm học tập cá nhân bằng cách kết hợp các kỹ thuật Deep
Learning vào giáo dục kế toán. Deep Learning cũng có mối quan hệ tích cực
với Thực tiễn Kế toán. Học sâu làm tăng độ chính xác, hiệu quả và hiệu quả
của các hoạt động kế toán bằng cách tự động hóa các nhiệm vụ lặp đi lặp lại,
phân tích lượng dữ liệu khổng lồ và khám phá các mẫu hoặc bất thường
trong dữ liệu tài chính. Deep Learning cải thiện báo cáo kiểm toán, lập kế
hoạch kiểm toán, quy trình kiểm toán và thực tiễn kiểm toán. Hơn nữa, các
thuật toán Deep Learning có thể phân tích và giải thích dữ liệu kiểm toán, xác
định rủi ro và tạo báo cáo kiểm toán chính xác hơn, do đó cung cấp thông tin
chi tiết có giá trị cho các bên liên quan và nâng cao quy trình kiểm toán tổng
thể.
Việc tích hợp các công nghệ AI và chuyên môn kế toán và kiểm toán là rất
quan trọng để giảm thiểu rủi ro và đạt được kết quả có lợi (Batiz-Lazo và
Boyns, 2004 ' ). Sự hợp tác này cải thiện hiệu quả và độ chính xác, đồng thời
đảm bảo bảo mật dữ liệu, triển khai AI có đạo đức và tuân thủ quy định. Kế
toán đóng một vai trò quan trọng trong việc đảm bảo các ứng dụng AI phù
hợp với các giá trị của tổ chức và tránh ra quyết định vô đạo đức. Cách tiếp
cận toàn diện này làm nổi bật tiềm năng biến đổi của AI trong các tổ chức
kinh tế và tầm quan trọng của sự hợp tác hài hòa giữa công nghệ AI và kỹ
năng kế toán và kiểm toán. Hơn nữa, hệ sinh thái quản trị AI đang phải đối
mặt với những thách thức do việc thực hiện kiểm soát nội bộ không đầy đủ
và sử dụng không đúng mức các hoạt động kiểm toán, đặc biệt là ở các tập
đoàn lớn. Percy et al. (2021) ủng hộ rằng hệ sinh thái hiện tại đang mất cân
bằng, đòi hỏi sự minh bạch hơn thông qua AI, tài liệu đầy đủ và chính thức
hóa quy trình để tạo điều kiện thuận lợi cho kiểm toán nội bộ và các quy
trình công nhận bên ngoài. Trong bối cảnh này, Anderljung et al. (2023) chỉ ra
rằng quản trị AI liên quan đến các chính sách, luật pháp và khuôn khổ đạo
đức để phát triển và sử dụng AI có trách nhiệm. Nó đòi hỏi thông tin đáng tin
cậy từ các nguồn bên ngoài như kiểm toán và nghiên cứu của bên thứ ba.
Khung ASPIRE vạch ra các tiêu chí để giám sát bên ngoài hiệu quả các LLM
biên giới bao gồm quyền truy cập, cách tiếp cận tìm kiếm, tỷ lệ rủi ro, tính
độc lập, nguồn lực và chuyên môn (Anderljung et al., 2023). Theo đó, các
chuyên gia kế toán và tài chính có thể giúp giải quyết những vấn đề này bằng
cách cải thiện quản trị dữ liệu, nâng cao độ chính xác của dữ liệu và tăng
15
Journal of Open Innovation: Technology, Market,
cường đánh giá và quản lý rủi ro. Họ cũng góp phần tuân thủ, đánh giá hiệu
suất, khả năng hiển thị tài chính, quản lý rủi ro chiến lược và cách tiếp cận
toàn diện để quản trị. Tích hợp các chuyên gia tài chính vào quản trị AI có thể
cung cấp cái nhìn sâu sắc về ý nghĩa tài chính của các khoản đầu tư AI, phù
hợp với các mục tiêu ngân sách và mang lại lợi thế chiến lược trong việc điều
hướng những điều không chắc chắn liên quan đến việc áp dụng AI
(Anderljung et al., 2023; Percy và cộng sự, 2021; Ogaluzor, 2019).
Việc tích hợp trí tuệ nhân tạo (AI) vào các quy trình kế toán và kiểm toán
đã làm dấy lên lo ngại về sự dịch chuyển công việc, đặc biệt là trong các
nhiệm vụ lặp đi lặp lại (Chen và Wen, 2021; Zhang và Dafoe, 2019). Ban đầu,
những lo ngại này là về tình trạng mất việc làm trong lao động thể chất. Tuy
nhiên, khi ngành công nghiệp mở rộng, cơ hội mới cho các chuyên gia có tay
nghề cao hơn xuất hiện, tạo ra một lĩnh vực kế toán năng động và dựa trên
tri thức. AI có thể tự động hóa các tác vụ như toán học và nhập dữ liệu
nhưng cũng cho phép các chuyên gia tập trung vào tư duy phê phán, ra quyết
định chiến lược và giải quyết vấn đề phức tạp (Ogaluzor, 2019). Điều này
nhấn mạnh tầm quan trọng của việc phát triển và thích ứng chuyên môn liên
tục, vì chuyên môn của con người bổ sung cho khả năng AI (Ba'tiz-Lazo &;
Boyns, 2004; Ogaluzor, 2019). Do đó, các tổ chức và tổ chức giáo dục rất
quan trọng trong việc chuẩn bị các chuyên gia cho quá trình chuyển đổi này
(Zhang và Dafoe, 2019).
Kết thúc
Nghiên cứu này đã điều tra tác động của trí tuệ nhân tạo, Công nghiệp 4.0
và các yếu tố Mô hình chấp nhận công nghệ (TAM) đối với phương pháp kế
toán và kiểm toán. Sự sẵn sàng của AI và Công nghiệp 4.0 đã được sử dụng
như các biến độc lập, trong khi giáo dục kế toán và thực hành kiểm toán và
kế toán được coi là các biến phụ thuộc. Hơn nữa, các chiều TAM đã được coi
là các biến trung gian làm trung gian cho mối quan hệ giữa AI và sự sẵn sàng
của Công nghiệp 4.0 và thực tiễn kế toán và kiểm toán. Nghiên cứu đã phát
hiện ra một số liên kết quan trọng giữa AI, Dữ liệu lớn, Điện toán đám mây,
Học sâu, nhận thức dễ sử dụng, tiện ích nhận thức, ý định sử dụng AI và các
lĩnh vực khác nhau của quy trình kế toán và kiểm toán. Các phương pháp lấy
mẫu thuận tiện và quả cầu tuyết đã được sử dụng để thu thập dữ liệu từ các
tổ chức khác nhau của Ả Rập Xê Út và kích thước mẫu được xác định bằng
các kỹ thuật khác nhau, mang lại mẫu cuối cùng gồm 228 người trả lời.
Nghiên cứu cho thấy mối quan hệ tích cực giữa AI và tính hữu dụng nhận
thức, ngụ ý rằng AI được coi là có lợi cho việc tăng cường phương pháp kế
toán và kiểm toán ở Ả Rập Saudi. Nghiên cứu cũng kết luận rằng tính dễ sử
dụng ảnh hưởng đến tiện ích nhận thức và ý định sử dụng AI, ngụ ý rằng các
giải pháp AI thân thiện với người dùng giúp kế toán và kiểm toán hiệu quả
hơn. Theo các phát hiện, Big Data, Cloud Computing và Deep Learning có mối
liên hệ tích cực và có ý nghĩa thống kê với thực tiễn kế toán và kiểm toán.
Mối quan hệ tích cực này nhấn mạnh vai trò tích cực của Big Data, Cloud
Computing và Deep Learning trong việc thúc đẩy việc áp dụng AI trong thực
tiễn kế toán và kiểm toán, nhấn mạnh cách các công cụ này thúc đẩy tích hợp
và ứng dụng AI trong thực tiễn kế toán và kiểm toán.
Nghiên cứu cũng chỉ ra mức độ dễ sử dụng ảnh hưởng đến việc áp dụng
AI. Những người được hỏi tin rằng AI dễ sử dụng có nhiều khả năng sử dụng
công nghệ AI trong các hoạt động chuyên môn của họ. Theo đó, Big Data,
Cloud Computing và Deep Learning có tác động đáng kể đến các quy trình kế
toán vì người trả lời nhận thấy rằng họ hợp lý hóa các quy trình kiểm toán,
tối ưu hóa chi phí và tăng cường ra quyết định.
Nghiên cứu góp phần vào sự hiểu biết về việc chấp nhận và sử dụng AI
trong thực tiễn kế toán và kiểm toán của Ả Rập Xê Út. Nghiên cứu này làm
sáng tỏ cách các yếu tố này tương tác và ảnh hưởng đến việc áp dụng và
triển khai công nghệ AI trong lĩnh vực này. Nghiên cứu cũng bổ sung vào khối
kiến thức hiện có bằng cách nhấn mạnh tầm quan trọng của Dữ liệu lớn, Điện
toán đám mây và Học sâu trong việc thúc đẩy việc áp dụng AI trong các thủ
tục kế toán và kiểm toán. Nghiên cứu nhấn mạnh tầm quan trọng của các
công nghệ này trong việc tăng cường khả năng và hiệu quả của kế toán và
kiểm toán. Hơn nữa, nghiên cứu này góp phần hiểu rõ hơn về các đặc điểm
cho phép tích hợp và sử dụng thành công AI trong các thủ tục kế toán và
kiểm toán chuyên nghiệp.
Một đóng góp khác của nghiên cứu là xử lý mối quan hệ giữa nhận thức
dễ sử dụng và ý định sử dụng AI. Nghiên cứu nhấn mạnh tầm quan trọng của
các công cụ thân thiện với người dùng và hệ thống AI trực quan trong việc
A.A.H. Abdullah và F.A. Almaqtari
and Complexity 10 (2024) 100218
ảnh hưởng đến ý định của các chuyên gia trong việc áp dụng và sử dụng công
nghệ AI. Kết luận này ngụ ý rằng những nỗ lực thiết kế và triển khai các hệ
thống AI thân thiện với người dùng có thể có tác động đáng kể đến việc áp
dụng và chấp nhận chúng trong hoạt động kế toán và kiểm toán. Hơn nữa,
nghiên cứu bổ sung vào cơ thể kiến thức bằng cách đưa ra ý nghĩa cho các
học viên, nhà hoạch định chính sách và nhà nghiên cứu.
Những phát hiện của nghiên cứu hiện tại có ý nghĩa đối với các nhà hoạch
định chính sách, kế toán, kiểm toán viên, nhà giáo dục và các chuyên gia
khác. Việc triển khai AI có thể dẫn đến tăng hiệu quả, độ chính xác và khả
năng ra quyết định trong một số lĩnh vực chuyên môn nhất định. Do đó,
những phát hiện của nghiên cứu này có thể giúp các công ty cải thiện hoạt
động kế toán và kiểm toán của họ bằng cách tận dụng các công nghệ AI, phân
tích Dữ liệu lớn, Điện toán đám mây và các công cụ Học sâu. Việc áp dụng AI
cho phép các học viên tự động hóa các hoạt động trần tục, giảm lỗi của con
người và sử dụng các phân tích nâng cao để thu thập những hiểu biết quan
trọng từ lượng dữ liệu khổng lồ. Điều này có thể dẫn đến chất lượng kiểm
toán cao hơn, khả năng cạnh tranh hơn và dịch vụ hữu ích hơn cho khách
hàng. Các học viên có thể điều tra việc sử dụng các công nghệ này để xử lý và
phân tích hiệu quả lượng dữ liệu khổng lồ, cải thiện bảo mật dữ liệu và khả
năng truy cập thông qua các nền tảng dựa trên đám mây và sử dụng các
thuật toán học máy mạnh mẽ để phân tích dự đoán và phát hiện bất thường.
Những phát hiện của nghiên cứu này có thể được các nhà hoạch định chính
sách sử dụng để tạo ra các khuôn khổ và quy định hỗ trợ khuyến khích việc
áp dụng và tích hợp công nghệ AI trong lĩnh vực kế toán và kiểm toán. Điều
này có thể bao gồm việc cung cấp các ưu đãi tài chính, khuyến khích chia sẻ
kiến thức và hợp tác giữa các học viên và tạo quan hệ đối tác giữa ngành và
các học giả để hỗ trợ nghiên cứu và phát triển AI theo lĩnh vực cụ thể. Các
nhà hoạch định chính sách cũng có thể giải quyết các vấn đề có thể liên quan
đến việc áp dụng AI, chẳng hạn như đạo đức, quyền riêng tư dữ liệu và an
ninh mạng, bằng cách ban hành các quy tắc và tiêu chuẩn nghiêm ngặt.
Những tác động không chỉ giới hạn ở các nhà hoạch định chính sách; Ý
nghĩa nghiên cứu mở rộng đến các nhà nghiên cứu kế toán và kiểm toán.
Những phát hiện này mở ra những hiểu biết sâu sắc cho nghiên cứu trong
tương lai, đặc biệt là ở các thị trường mới nổi, cho phép các học giả điều tra
các khía cạnh và cài đặt bổ sung liên quan đến việc áp dụng AI, bao gồm điều
tra tầm quan trọng của văn hóa kinh doanh, hỗ trợ lãnh đạo và đào tạo nhân
viên trong việc thúc đẩy tích hợp AI thành công. Các nhà nghiên cứu cũng có
thể điều tra tác động của trí tuệ nhân tạo đối với các chức năng kế toán và
kiểm toán cụ thể, chẳng hạn như phát hiện gian lận, đánh giá rủi ro và báo
cáo tài chính. Nghiên cứu trong tương lai về ứng dụng AI trong các phương
pháp kế toán và kiểm toán nên sử dụng các phương pháp định tính như
nghiên cứu trường hợp, phỏng vấn và phương pháp dân tộc học để khám
phá những thách thức cụ thể mà các chuyên gia ở các nền kinh tế mới nổi
phải đối mặt. Nghiên cứu cũng khuyến khích hợp tác nghiên cứu liên ngành.
Ví dụ, kế toán, khoa học máy tính và các nhà nghiên cứu trong các lĩnh vực
liên quan khác có thể làm việc cùng nhau để tạo ra các giải pháp AI mới
hướng đến nhu cầu của khu vực kế toán và kiểm toán. Nghiên cứu liên ngành
có thể nâng cao kiến thức về tiềm năng của AI trong việc giải quyết những
thách thức khó khăn mà các chuyên gia kế toán và kiểm toán phải đối mặt, từ
đó góp phần vào sự phát triển của lĩnh vực này.
Mặc dù những phát hiện quan trọng của nghiên cứu hiện tại, điều quan
trọng là phải xem xét những hạn chế có thể ảnh hưởng đến việc khái quát
hóa kết quả do những hạn chế vốn có cần được xem xét. Ví dụ, những phát
hiện có thể không thể khái quát hóa trên toàn cầu vì nghiên cứu điều tra
nhận thức của những người được hỏi từ các nền văn hóa và môi trường kinh
doanh khác nhau. Nghiên cứu trong tương lai có thể bao gồm một loạt các
ngành công nghiệp, quy mô tổ chức, văn hóa và khu vực địa lý để nắm bắt sự
khác biệt trong việc áp dụng và sử dụng AI. Hơn nữa, nghiên cứu tập trung
vào tình trạng áp dụng AI hiện tại trong thực tiễn kế toán và kiểm toán, mặc
dù thực tế là lĩnh vực AI đang liên tục phát triển. Các nghiên cứu theo chiều
dọc có thể được xem xét trong nghiên cứu trong tương lai để theo dõi các
cập nhật trong việc áp dụng AI theo thời gian, cung cấp sự hiểu biết tốt hơn
về ảnh hưởng lâu dài đến hiệu suất, hiệu quả và hiệu quả. Hơn nữa, nghiên
cứu khám phá những lợi ích và cơ hội của việc áp dụng AI trong kế toán và
kiểm toán. Tuy nhiên, nó thừa nhận những hạn chế, chẳng hạn như sự thiên
vị lạc quan trong thiết kế khảo sát và thiếu câu hỏi giải quyết những nhược
điểm tiềm ẩn. Nghiên cứu kêu gọi đánh giá cân bằng hơn về các mối quan
tâm liên quan đến AI. Cuộc khảo sát đặc biệt, với mẫu thuận tiện là 224, cho
thấy sự thiên vị tích cực, đòi hỏi phải giải thích thận trọng. Các phát hiện nêu
16
Journal of Open Innovation: Technology, Market,
bật những lợi ích nhận thức của AI, nhưng cần nghiên cứu thêm để khám phá
những trở ngại và vấn đề tiềm ẩn để hiểu toàn diện hơn về tác động của AI
đối với phương pháp kế toán và kiểm toán. Hơn nữa, cuộc khảo sát có sự
tham gia của những người tham gia từ các tổ chức khác nhau của Ả Rập Xê
Út, nhưng điều quan trọng là phải thừa nhận rằng thành phần mẫu có thể
đưa ra mức độ thiên vị lựa chọn người trả lời. Sự thiên vị này có thể bị ảnh
hưởng bởi các yếu tố như vai trò chuyên môn và sự tập trung cụ thể vào các
cá nhân quan tâm đến công nghệ AI trong kế toán và kiểm toán. Điều này
nhấn mạnh tầm quan trọng của việc giải thích thận trọng và khái quát hóa
các phát hiện của nghiên cứu và đề xuất nghiên cứu trong tương lai để giảm
sự thiên vị và tăng các quan điểm đa dạng. Các nỗ lực nghiên cứu trong
tương lai có thể xem xét các biện pháp để giảm sự thiên vị và tăng cường
đưa vào các quan điểm khác nhau trong cộng đồng được khảo sát.
Nghiên cứu hiện tại tập trung chủ yếu vào việc áp dụng và sử dụng các
công nghệ AI trong hoạt động kế toán và kiểm toán. Tuy nhiên, nó không đi
sâu vào chi tiết về những trở ngại và rào cản mà doanh nghiệp có thể gặp
phải trong quá trình thực hiện. Do đó, nghiên cứu trong tương lai có thể xem
xét các thách thức về tổ chức, kỹ thuật và văn hóa đối với việc áp dụng AI
trong các lĩnh vực khác nhau. Hiểu được những vấn đề này có thể cung cấp
những hiểu biết quan trọng và hỗ trợ các công ty trong việc phát triển các
cách để giải quyết các vấn đề.
Bên cạnh đó, nghiên cứu hiện tại chỉ giới hạn ở các tổ chức lớn và kết quả
có thể không áp dụng cho các doanh nghiệp vừa và nhỏ (SMEs). Do đó, các
nghiên cứu trong tương lai có thể xem xét những trở ngại và cơ hội cụ thể
mà các doanh nghiệp vừa và nhỏ gặp phải khi áp dụng và triển khai các công
nghệ AI trong thực tiễn kế toán và kiểm toán của họ.
Một lĩnh vực khác để điều tra trong tương lai là tác động của AI đối với
lực lượng lao động kế toán và kiểm toán. Mặc dù nghiên cứu chỉ đề cập ngắn
gọn đến chức năng tương tác giữa người và máy, nhưng nhiều nghiên cứu
hơn có thể xem xét các nhiệm vụ và trách nhiệm cụ thể có thể bị ảnh hưởng
bởi việc áp dụng AI. Hiểu được hậu quả đối với các vị trí công việc, nhu cầu kỹ
năng và động lực lực lượng lao động có thể giúp các công ty quản lý quá trình
chuyển đổi và đảm bảo rằng các công nghệ AI được tích hợp trơn tru. Nghiên
cứu trong tương lai cũng có thể điều tra kết hợp các phương pháp định tính
như nghiên cứu dân tộc học và khảo sát để hiểu tác động của việc áp dụng AI
trong ngành kế toán và kiểm toán. Cuối cùng, nghiên cứu này đã khám phá
những lợi thế và triển vọng liên quan đến việc áp dụng AI trong kế toán và
kiểm toán. Các mối nguy hiểm và trở ngại tiềm ẩn, chẳng hạn như các mối đe
dọa an ninh mạng, các vấn đề toàn vẹn dữ liệu và tuân thủ quy định, là nền
tảng tốt cho nghiên cứu trong tương lai. Điều tra những rủi ro này có thể hỗ
trợ các tổ chức phát triển các chính sách mạnh mẽ để giảm thiểu mọi kết quả
tiêu cực và đảm bảo sử dụng đúng các công nghệ AI. Tóm lại, các học giả có
thể cải thiện sự hiểu biết của chúng ta về ý nghĩa, vấn đề và triển vọng của
việc áp dụng AI trong lĩnh vực kế toán và kiểm toán bằng cách giải quyết
những hạn chế này và điều tra các con đường nghiên cứu trong tương lai.
Kiến thức này có thể giúp các học viên, nhà hoạch định chính sách và học giả
đưa ra quyết định sáng suốt đồng thời hỗ trợ việc sử dụng hiệu quả và có
trách nhiệm các công nghệ trí tuệ nhân tạo.
Tuyên bố đạo đức
Không áp dụng vì nghiên cứu được thực hiện cho bài báo này không liên
quan đến thử nghiệm trên các đối tượng động vật hoặc con người. Các cân
nhắc và phê duyệt đạo đức đã được tuân thủ hợp lệ trong việc tiến hành
nghiên cứu này.
Tuyên bố đóng góp của tác giả CRediT
Faozi A. Almaqtari, Abdulwahid Ahmad Hashed Abdullah: khái niệm hóa,
phương pháp luận, tài nguyên, phần mềm, xác nhận,
Trực quan hóa, Viết - bản nháp gốc, Viết - xem xét & ; chỉnh sửa, Hình thành
và thiết kế các thí nghiệm, Thực hiện các thí nghiệm, Phân tích và giải thích
dữ liệu, Thuốc thử đóng góp, Vật liệu, Công cụ phân tích hoặc dữ liệu, Viết
bài báo. Faozi A. Almaqtari: Phân tích chính thức. Abdulwahid Ahmad
Hashed Abdullah: Quản lý dự án.
Tuyên bố về lợi ích cạnh tranh
A.A.H. Abdullah và F.A. Almaqtari Journal of Open Innovation: Technology, Market,
and Complexity 10 (2024) 100218
Các tác giả tuyên bố không có xung đột lợi ích. Chúng tôi, tác giả của điều xung đột lợi ích này. Chúng tôi cam kết duy trì các nguyên tắc công bằng,
này khách quan và vô tư trong quá trình nghiên cứu và xuất bản của chúng tôi.

Thừa nhận
Phụ lục I. Khảo sát bảng câu hỏi
Dự án này được hỗ trợ bởi Trưởng khoa Nghiên cứu Khoa học tại Đại học
Prince Sattam bin Abdulaziz theo dự án nghiên cứu # 2022/02/23557.
Của họ Xây dựng Acrynom Mục / chỉ số
bản thảo, tuyên bố rằng chúng tôi không có xung đột lợi ích để tiết lộ. Chúng Tuyên bố
tôi xác nhận rằng không có mối quan hệ tài chính, nghề nghiệp hoặc cá nhân
nào có thể được coi là có khả năng ảnh hưởng đến công việc nghiên cứu
Chúng tôi ghi nhận việc sử dụng ChatGPT để hiệu đính và chỉnh sửa ngôn
hoặc diễn giải của nó. Tất cả các tác giả đã xem xét và đồng ý với tuyên bố
ngữ tiếng Anh trong công việc này.
AI Dữ liệu lớn BIGD1 Chúng tôi có quyền truy cập vào dữ liệu kế toán và kiểm toán rất lớn, không có cấu trúc hoặc chuyển động nhanh để phân tích
BIGD2 Chúng tôi kết hợp dữ liệu bên ngoài với dữ liệu nội bộ để tạo điều kiện phân tích giá trị cao về môi trường kinh doanh của chúng tôi

BIGD3 Chúng tôi có thể chuẩn bị, phân loại và phân tích dữ liệu một cách hiệu quả và đánh giá nó cho mục đích kế toán và kiểm toán

Học sâu DEEPL1 Tôi sử dụng các kỹ thuật và công cụ học sâu để nhận dạng hình ảnh

DEEPL2 Tôi sử dụng các kỹ thuật và công cụ deep learning để phân tích ngôn ngữ (xử lý ngôn ngữ tự nhiên) và khai thác siêu dữ liệu

DEEPL3 Tôi sử dụng các kỹ thuật và công cụ học sâu để nhận dạng giọng nói

Điện toán đám mây CLOD1 Dịch vụ của chúng tôi dựa trên điện toán đám mây để xử lý dữ liệu kế toán và kiểm toán

CLOD2 Chúng tôi đã đầu tư cơ sở hạ tầng mạng tiên tiến và dịch vụ đám mây để lưu trữ dữ liệu kế toán và kiểm toán CLOD3
Chúng tôi làm việc để đảm bảo rằng dữ liệu kế toán và hành chính được bảo mật từ đầu đến cuối bằng cách sử dụng các công nghệ mới nhất
Công nghiệp 4.0 Sẵn sàng cho Công nghiệp 4.0 IR4.0_1 Công nghiệp 4.0 Cải thiện hiệu quả kinh tế thông qua kết nối tích hợp bên trong và bên ngoài cơ sở (đối với
ví dụ, tăng chất lượng, tăng tính linh hoạt trong sản xuất, v.v.) IR4.0_2
Công nghiệp 4.0 Giảm chi phí vận hành và lưu trữ hàng hóa
IR4.0_3 Công nghiệp 4.0 giúp chia sẻ thông tin thời gian thực và đồng bộ hóa để giảm thời gian hoàn thành quy trình

IR4.0_4 Công nghiệp 4.0 Thực hiện nhiều đơn hàng (đáp ứng nhu cầu người tiêu dùng - tùy biến hàng loạt, cải thiện quản lý quan hệ khách
hàng) với ít thời gian hơn và hiệu quả cao
TAM Nhận thấy dễ sử dụng EARN1 Sẽ rất dễ dàng để tôi trở nên thành thạo trong việc sử dụng các hệ thống AI trong kế toán hoặc kiểm toán.
EARN2 Tôi thấy linh hoạt khi làm cho các hệ thống AI làm những gì tôi muốn chúng làm trong kế toán hoặc kiểm

EARN3 Tôi thấy các hệ thống AI trong kế toán hoặc kiểm toán dễ sử dụng.

Tính hữu dụng của Percievd USEFUL1 Sử dụng công nghệ AI sẽ giúp tôi thực hiện công việc kế toán hoặc kiểm toán trong tương lai dễ dàng và nhanh chóng hơn.

USEFUL2 Sử dụng các kỹ thuật AI sẽ cải thiện hiệu suất công việc trong tương lai của tôi trong kế toán hoặc kiểm toán
USEFUL3 Sử dụng công nghệ AI sẽ nâng cao hiệu quả và năng suất của tôi trong các nhiệm vụ kế toán hoặc kiểm toán
USEFUL4 Công ty chúng tôi có rất nhiều cơ hội để thử các công cụ AI khác nhau
USEFUL5 Sử dụng các công cụ AI sẽ nâng cao hiệu quả kiểm toán và kế toán
USEFUL6 Ban quản lý nhận thức được những lợi ích có thể đạt được với việc sử dụng các công cụ AI.
Ý định sử dụng AIINT1 Tôi dự định áp dụng các kỹ thuật trí tuệ nhân tạo trong các nhiệm vụ kế toán và kiểm toán.

AIINT2 Tôi dự định xem xét các kỹ thuật trí tuệ nhân tạo khi thực hiện các nhiệm vụ kế toán và kiểm toán Kế toán Giáo
giáo dục
dục kế toán ITEDU1 Ở mức độ nào các chủ đề sau đây được đề cập trong giáo trình của bằng đại học của bạn: ITEDU2 Các khái niệm cơ bản về trí tuệ
nhân tạo
ITEDU3 Cây tư duy xác suất và quyết định
ITEDU4 Thực tế ảo (VR)
ITEDU5 Công nghiệp 4.0
(tiếp tục ở trang tiếp theo)

17
A.A.H. Abdullah và F.A. Almaqtari Journal of Open Innovation: Technology, Market,
and Complexity 10 (2024) 100218

(còn tiếp)
Quản trị CNTT
ITEDU1
Thực hành nghe Lập kế hoạch kiểm toán AUDPLN1 Chúng tôi phân tích dữ liệu lớn và cơ sở dữ liệu hợp đồng bằng trí tuệ nhân tạo

AUDPLN2 Dữ liệu liên quan đến cơ cấu tổ chức, phương pháp hoạt động, hệ thống kế toán và tài chính của khách hàng là đầu vào
chính cho hệ thống AI
AUDPLN3 Trí tuệ nhân tạo được sử dụng để ước tính mức độ rủi ro kiểm toán và tính toán phí kiểm toán và số giờ Quy trình kiểm toán

AUDPR1 Trí tuệ nhân tạo được sử dụng để:

AUDPR2 Thu thập dữ liệu để xác định các yếu tố rủi ro cho gian lận và hành động bất hợp pháp
AUDPR3 Quy trình xác minh để đảm bảo rằng kiểm soát nội bộ được thực hiện đúng
AUDPR4 Chi tiết được kiểm tra 100% hoạt động mọi lúc
AUDPR1 Nhận dạng mẫu liên tục, các hoạt động bất thường, điểm chuẩn và vẽ đồ thị
Báo cáo kiểm toán AUDREP1 AI sử dụng mô hình dự đoán để ước tính các rủi ro được xác định khác nhau có thể được sử dụng để phát hành báo cáo kiểm toán

AUDREP2 Báo cáo kiểm toán có thể liên tục (ví dụ từ 1 đến 100) thay vì phân loại (sạch, bảo thủ, tiêu cực, v.v.)
Kế toán Báo cáo và thuế Hệ thống thông tin kế toán của công ty được hỗ trợ bởi trí tuệ nhân tạo để đóng góp: thực tiễn REP&THUẾ1 Cung cấp thông tin liên quan
đến nguồn lực tài chính, danh mục nhu cầu tiền mặt và dòng tiền trong tương lai
REP &TAX2 Lập kế hoạch dòng tiền và quản lý thuế
REP &TAX3 Phân tích dòng tiền theo các hoạt động khác nhau và ước tính thuế theo cách phục vụ việc ra quyết định hành chính

Chi phí và giá cả Hệ thống thông tin kế toán của công ty được hỗ trợ bởi trí tuệ nhân tạo để góp phần vào:

PLN&COS1 Cung cấp số liệu, thông tin kế toán chính xác, kịp thời phục vụ việc xác định chi phí và quyết định giá
PLN &COS2 Trong việc lập kế hoạch và phân tích chi phí ở cấp độ hoạt động của các đơn vị hành chính và sản phẩm
PLN &COS3 Dự toán ngân sách để hợp lý hóa các quyết định tài chính.
Lập kế hoạch chiến lược và Trí tuệ nhân tạo được sử dụng trong:

Ngân sách
STRPLN1 Dự toán ngân sách, dự báo và lập kế hoạch tài chính để hợp lý hóa các quyết định tài chính.
STRPLN2 Tích hợp hệ thống thông tin kế toán với các hệ thống kinh doanh khác để cung cấp thông tin với sức mạnh dự đoán giúp
quản lý lập kế hoạch cho tương lai.
STRPLN3 Tiếp cận các quyết định hoạch định tài chính và chiến lược tốt nhất

Phụ lục II. Phân tích bổ sung (So sánh nhóm)

Biến Kinh nghiệm Vị trí công việc

Tổng bình phương Quảng trường trung F Sig. Tổng bình phương Quảng trường trung F Sig.
bình bình
6.384 2.128 3.721 .012 1.938 .646 1.092 .353
128.125 .572 132.570 .592

134.509 134.509

5.005 1.668 3.167 .025 3.036 1.012 1.889 .132

117.999 .527 119.968 .536

123.004 123.004

3.927 1.309 3.001 .031 1.829 .610 1.369 .253

97.702 .436 99.800 .446

101.630 101.630

3.679 1.226 2.126 .098 4.265 1.422 2.476 .062

129.225 .577 128.640 .574

132.904 132.904

14.285 4.762 10.882 .000 3.301 1.100 2.261 .082

98.010 .438 108.994 .487

112.295 112.295

18
A.A.H. Abdullah và F.A. Almaqtari Journal of Open Innovation: Technology, Market,
and Complexity 10 (2024) 100218

(còn tiếp)
9.209 3.070 5.555 .001 3.596 1.199 2.075 .104
123.789 .553 129.402 .578

132.998 132.998

10.476 3.492 7.052 .000 .495 .165 .306 .821

110.914 .495 120.895 .540

121.390 121.390

.361 .120 .231 .875 1.441 .480 .929 .427

116.881 .522 115.801 .517

117.242 117.242

AI

BIGD

CLOD

DEEPL

IR 4.0

EARN

USEFUL

AIINT

ITEDU 7.091 2.364 3.370 .019 16.465 5.488 8.321 .000 157.119 .701 147.745 .660
(tiếp tục ở trang tiếp theo)
164.211 164.211

AUDPLN 1.343 .448 .950 .417 2.387 .796 1.706 .167

105.534 .471 104.490 .466

106.877 106.877

AUDPR 7.331 2.444 5.096 .002 2.053 .684 1.360 .256

107.427 .480 112.705 .503

114.759 114.759

AUDREP 1.498 .499 1.031 .380 1.397 .466 .960 .412

108.537 .485 108.638 .485

110.035 110.035

REP &TAX 4.244 1.415 3.186 .025 1.339 .446 .976 .405
99.475 .444 102.381 .457

103.719 103.719

PLAN &; COS 6.372 2.124 4.147 .007 .101 .034 .063 .979
114.743 .512 121.014 .540

121.115 121.115

STRPLN 7.383 2.461 4.505 .004 1.463 .488 .851 .467

19
A.A.H. Abdullah và F.A. Almaqtari Journal of Open Innovation: Technology, Market,
and Complexity 10 (2024) 100218

(còn tiếp)
122.364 .546 128.284 .573

129.747 129.747

Nhận thức hữu ích, AIINT là Ý định sử dụng AI, ITEDU là Giáo dục Kế toán, Lập kế hoạch kiểm toán
Lập kế
AUDPLN,
hoạch &_Budgeting.
AUDPR là Quy trình kiểm toán, AUDREP là Báo cáo kiểm toán,
REP &TAX là Báo cáo &_Taxation, PLN &COS là Chi phí và STRPLN là Chiến lược _

Phụ lục III. Phân tích bổ sung (Nhiều so sánh)

Kinh nghiệm Vị trí công việc

Biến phụ thuộc Có nghĩa làDif. Sig. 95% Conf. Int. Biến phụ thuộc Có nghĩa làDif. Sig. 95% Conf. Int.

Thấp hơn. Thượng. Thấp hơn. Thượng.

AIINT <6 6 đến 10 -.03 1.00 -.34 .29 CPA HĐQT và CEO .05 .99 -.36 .45
11 đến 15 -.29 .17 -.67 .08 ACT, IAUD / CFO .13 .73 -.20 .47

> 15 -.51 .04 -1.00 -.01 Viện sĩ -.13 .85 -.57 .30

6 đến 10 11 đến 15 -.27 .18 -.61 .07 HĐQT và CEO ACT, IAUD / CFO .09 .93 -.29 .46

> 15 -.48 .04 -.95 -.01 Viện sĩ -.18 .74 -.64 .28

11 đến 15 > 15 -.21 .71 -.72 .30 ACT, IAUD / CFO Viện sĩ -.27 .31 -.66 .13

BIGD <6 6 đến 10 -.14 .64 -.45 .17 CPA HĐQT và CEO -.07 .96 -.46 .32
11 đến 15 -.22 .37 -.58 .13 ACT, IAUD / CFO .12 .75 -.19 .44

> 15 -.55 .02 -1.02 -.07 Viện sĩ -.20 .58 -.61 .21

6 đến 10 11 đến 15 -.08 .91 -.41 .24 HĐQT và CEO ACT, IAUD / CFO .20 .48 -.16 .55

> 15 -.41 .09 -.86 .04 Viện sĩ -.13 .87 -.57 .31

11 đến 15 > 15 -.32 .32 -.81 .16 ACT, IAUD / CFO Viện sĩ -.32 .12 -.70 .05
CLOD <6 6 đến 10 .02 1.00 -.26 .30 CPA HĐQT và CEO .25 .27 -.11 .60
11 đến 15 -.26 .18 -.58 .07 ACT, IAUD / CFO .05 .98 -.24 .33

> 15 -.30 .29 -.73 .14 Viện sĩ .16 .69 -.21 .53

6 đến 10 11 đến 15 -.28 .08 -.58 .02 HĐQT và CEO ACT, IAUD / CFO -.20 .37 -.52 .12

> 15 -.32 .19 -.73 .09 Viện sĩ -.09 .94 -.49 .31

11 đến 15 > 15 -.04 1.00 -.48 .40 ACT, IAUD / CFO Viện sĩ .11 .83 -.23 .46
DEEPL <6 6 đến 10 -.21 .35 -.53 .11 CPA HĐQT và CEO -.03 1.00 -.43 .37
11 đến 15 -.27 .24 -.64 .10 ACT, IAUD / CFO -.12 .79 -.44 .21

> 15 -.42 .13 -.91 .08 Viện sĩ -.42 .05 -.85 .00

6 đến 10 11 đến 15 -.06 .96 -.41 .28 HĐQT và CEO ACT, IAUD / CFO -.09 .92 -.45 .28

> 15 -.21 .65 -.69 .26 Viện sĩ -.39 .12 -.85 .06

11 đến 15 > 15 -.15 .88 -.66 .36 ACT, IAUD / CFO Viện sĩ -.31 .18 -.70 .09
IR 4.0 <6 6 đến 10 -.10 .77 -.38 .17 CPA HĐQT và CEO .21 .46 -.16 .58
11 đến 15 -.63 .00 -.95 -.30 ACT, IAUD / CFO -.02 1.00 -.32 .28

> 15 -.50 .01 -.94 -.07 Viện sĩ -.21 .52 -.60 .18

6 đến 10 11 đến 15 -.52 .00 -.82 -.22 HĐQT và CEO ACT, IAUD / CFO -.23 .29 -.57 .11

> 15 -.40 .06 -.81 .01 Viện sĩ -.42 .05 -.84 .00

11 đến 15 > 15 .12 .89 -.32 .57 ACT, IAUD / CFO Viện sĩ -.19 .54 -.55 .17
EASE <6 6 đến 10 -.24 .22 -.55 .08 CPA HĐQT và CEO .27 .31 -.13 .67
11 đến 15 -.54 .00 -.90 -.17 ACT, IAUD / CFO .20 .39 -.13 .53

20
A.A.H. Abdullah và F.A. Almaqtari Journal of Open Innovation: Technology, Market,
and Complexity 10 (2024) 100218

(còn tiếp)
> 15 -.49 .05 -.97 .00 Viện sĩ -.07 .97 -.50 .36

6 đến 10 11 đến 15 -.30 .09 -.64 .03 HĐQT và CEO ACT, IAUD / CFO -.07 .97 -.43 .30

> 15 -.25 .49 -.72 .21 Viện sĩ -.34 .22 -.79 .12

11 đến 15 > 15 .05 .99 -.45 .55 ACT, IAUD / CFO Viện sĩ -.27 .28 -.67 .12

USEFUL <6 6 đến 10 -.24 .15 -.54 .06 CPA HĐQT và CEO .03 1.00 -.36 .42
11 đến 15 -.57 .00 -.92 -.23 ACT, IAUD / CFO -.05 .97 -.37 .27

> 15 -.52 .02 -.98 -.06 Viện sĩ -.12 .88 -.53 .29

6 đến 10 11 đến 15 -.33 .04 -.65 -.01 HĐQT và CEO ACT, IAUD / CFO -.08 .94 -.43 .28

> 15 -.28 .36 -.72 .16 Viện sĩ -.15 .83 -.59 .30

(tiếp tục ở trang tiếp theo)

Kinh nghiệm Vị trí công việc

11 đến 15 > 15 .05 .99 -.42 .52 ACT, IAUD / CFO Viện sĩ -.07 .97 -.45 .31

AIINT <6 6 đến 10 .01 1.00 -.29 .32 CPA HĐQT và CEO .12 .85 -.26 .50
11 đến 15 .05 .98 -.30 .41 ACT, IAUD / CFO .10 .85 -.21 .41

> 15 .14 .87 -.33 .61 Viện sĩ .26 .35 -.14 .66

6 đến 10 11 đến 15 .04 .99 -.29 .37 HĐQT và CEO ACT, IAUD / CFO -.02 1.00 -.37 .32

> 15 .13 .89 -.33 .58 Viện sĩ .14 .84 -.29 .57

11 đến 15 > 15 .09 .97 -.40 .57 ACT, IAUD / CFO Viện sĩ .16 .67 -.21 .53
ITEDU <6 6 đến 10 -.21 .40 -.57 .14 CPA HĐQT và CEO -.68 .00 -1.11 -.25
11 đến 15 .25 .41 -.17 .66 ACT, IAUD / CFO -.61 .00 -.96 -.26

> 15 -.09 .98 -.63 .46 Viện sĩ -.33 .24 -.79 .12

6 đến 10 11 đến 15 .46 .01 .08 .84 HĐQT và CEO ACT, IAUD / CFO .07 .97 -.33 .46

> 15 .13 .92 -.40 .65 Viện sĩ .34 .26 -.14 .83

11 đến 15 > 15 -.33 .42 -.90 .23 ACT, IAUD / CFO Viện sĩ .28 .32 -.14 .70
AUDPLN <6 6 đến 10 -.14 .59 -.43 .15 CPA HĐQT và CEO .30 .14 -.06 .66
11 đến 15 -.21 .38 -.55 .13 ACT, IAUD / CFO .08 .88 -.21 .38

> 15 -.09 .96 -.54 .36 Viện sĩ .18 .60 -.20 .57

6 đến 10 11 đến 15 -.07 .94 -.38 .24 HĐQT và CEO ACT, IAUD / CFO -.21 .34 -.54 .12

> 15 .05 .99 -.38 .48 Viện sĩ -.11 .89 -.52 .30

11 đến 15 > 15 .12 .90 -.34 .58 ACT, IAUD / CFO Viện sĩ .10 .89 -.25 .45
AUDPR <6 6 đến 10 -.10 .81 -.39 .19 CPA HĐQT và CEO .29 .18 -.08 .67
11 đến 15 -.48 .00 -.82 -.14 ACT, IAUD / CFO .12 .73 -.18 .43

> 15 -.29 .35 -.74 .16 Viện sĩ .12 .86 -.28 .52

6 đến 10 11 đến 15 -.38 .01 -.69 -.06 HĐQT và CEO ACT, IAUD / CFO -.17 .57 -.51 .17

> 15 -.19 .67 -.62 .24 Viện sĩ -.17 .73 -.60 .25

11 đến 15 > 15 .19 .72 -.28 .65 ACT, IAUD / CFO Viện sĩ .00 1.00 -.37 .37
AUDREP <6 6 đến 10 .01 1.00 -.29 .30 CPA HĐQT và CEO .11 .86 -.26 .48
11 đến 15 -.19 .50 -.53 .16 ACT, IAUD / CFO -.03 1.00 -.33 .27

> 15 -.13 .89 -.58 .33 Viện sĩ .18 .64 -.21 .57

6 đến 10 11 đến 15 -.19 .39 -.51 .12 HĐQT và CEO ACT, IAUD / CFO -.14 .70 -.48 .20

> 15 -.13 .86 -.57 .30 Viện sĩ .07 .98 -.35 .48

21
A.A.H. Abdullah và F.A. Almaqtari Journal of Open Innovation: Technology, Market,
and Complexity 10 (2024) 100218

(còn tiếp)
11 đến 15 > 15 .06 .99 -.41 .53 ACT, IAUD / CFO Viện sĩ .21 .45 -.15 .57
REP & TAX <6 6 đến 10 .05 .97 -.23 .33 CPA HĐQT và CEO .15 .70 -.21 .51
11 đến 15 -.30 .08 -.63 .03 ACT, IAUD / CFO -.05 .97 -.34 .24

> 15 -.05 .99 -.48 .39 Viện sĩ .08 .94 -.30 .46

6 đến 10 11 đến 15 -.35 .02 -.65 -.05 HĐQT và CEO ACT, IAUD / CFO -.20 .38 -.53 .12

> 15 -.09 .93 -.51 .32 Viện sĩ -.07 .97 -.47 .34

11 đến 15 > 15 .25 .46 -.19 .70 ACT, IAUD / CFO Viện sĩ .13 .76 -.22 .48
PLAN &; COS <6 6 đến 10 .04 .98 -.26 .34 CPA HĐQT và CEO .04 .99 -.35 .43
11 đến 15 -.38 .03 -.73 -.03 ACT, IAUD / CFO .02 1.00 -.30 .34

> 15 -.16 .82 -.63 .31 Viện sĩ -.03 1.00 -.44 .39

6 đến 10 11 đến 15 -.42 .01 -.74 -.10 HĐQT và CEO ACT, IAUD / CFO -.02 1.00 -.38 .33

> 15 -.20 .66 -.65 .25 Viện sĩ -.07 .98 -.51 .37

11 đến 15 > 15 .22 .64 -.26 .70 ACT, IAUD / CFO Viện sĩ -.05 .99 -.42 .33
STRPLN <6 6 đến 10 -.05 .98 -.36 .27 CPA HĐQT và CEO .19 .59 -.21 .60
11 đến 15 -.46 .01 -.83 -.10 ACT, IAUD / CFO .03 .99 -.29 .36

> 15 -.20 .71 -.68 .28 Viện sĩ .18 .68 -.24 .61

6 đến 10 11 đến 15 -.42 .01 -.75 -.08 HĐQT và CEO ACT, IAUD / CFO -.16 .66 -.53 .20

> 15 -.15 .83 -.61 .31 Viện sĩ -.01 1.00 -.47 .44

11 đến 15 > 15 .27 .51 -.23 .76 ACT, IAUD / CFO Viện sĩ .15 .76 -.24 .54

Ghi chú: AI là Trí tuệ nhân tạo, BIGD là Dữ liệu lớn, CLOD là Điện toán đám mây, DEEPL là Học sâu, IR4.0 là Công nghiệp 4.0 sẵn sàng, EASE là Dễ sử dụng, USEFUL là Tính hữu ích nhận
thức, AIINT là Ý định sử dụng AI, ITEDU là Giáo dục Kế toán, AUDPLN Lập kế hoạch Kiểm toán, AUDPR là Quy trình Kiểm toán, AUDREP là Báo cáo Kiểm toán, REP &_TAX là Báo cáo và
tiền thuế , PLN &COS là tính chi phí và STRPLN là lập kế hoạch chiến lược & ngân sách.
Tham khảo

Alaloul, W.S., Liew, MS, Zawawi, NAWA, Kennedy, I.B., 2020. Cách mạng công nghiệp 4.0 trong
ngành xây dựng: Thách thức và cơ hội cho các bên liên quan. Ain Shams Anh J. 11 (1),
225–230. https://doi.org/10.1016/j.asej.2019.08.010.
Alanazi, F., 2023. Phát triển cơ sở hạ tầng di động thông minh ở Ả Rập Saudi: Cách tiếp cận
điểm chuẩn. Tính bền vững 15 (4), 3158. https://doi.org/10.3390/ Su15043158.
Al-Hattami, HM, 2021. Chương trình giảng dạy kế toán đại học, CNTT và nhu cầu thị trường việc
làm: Bằng chứng từ Yemen. SAGE Open,, trang 1–14. https://doi.org/10.1177/
215824402110071.
Al-Hattami, H.M. (2022). Tác động của thành công AIS đối với hiệu quả ra quyết định của các
doanh nghiệp vừa và nhỏ ở các nước kém phát triển. Công nghệ thông tin để phát triển,
1–21. https://doi.org/10.1080/02681102.2022.2073325.
Al-Hattami, H.M., năm 2023. Hiểu nhận thức của các học giả đối với sự chấp nhận công nghệ
trong giáo dục kế toán. Heliyon 9 (1). https://doi.org/10.1016/j. heliyon.2023.e13141, 1-
11.
Al-Hattami, HM, &; Kabra, JD (2022). Ảnh hưởng của hệ thống thông tin kế toán đến hiệu quả
kiểm soát quản lý: Quan điểm của các doanh nghiệp vừa và nhỏ ở Yemen. Phát triển thông
tin, một người đứng đầu in ấn (một người đứng đầu in ấn). https://doi.org/10.1177
/02666669221087184.
Al-Hattami, HM, Hashed, A.A., Alnuzaili, K.M., Alsoufi, MA, Alnakeeb, A.A., Rageh, H., 2021.
Ảnh hưởng của rủi ro sử dụng AIS trên máy vi tính đến chất lượng công việc của kiểm toán
viên bên ngoài tại Yemen. Quốc tế J. Adv. Appl. Khoa học 8 (1), 75–81.
https://doi.org/10.21833/ ijaas.2021.01.010.
Al-Mohammedi, YA (2020, Tháng Mười Một). Vai trò của số hóa trong phát triển
Thực hành kiểm toán nội bộ trong môi trường CNTT. Năm 2020, Hội nghị quốc tế thường
niên lần thứ 2 về Thông tin và Khoa học (AiCIS) (trang 230–236). IEEE. https://doi.
org/10.1109/AiCIS51645.2020.00043.
Al-Okaily, M., 2022. Hướng tới một mô hình tích hợp cho các tiền đề và hậu quả của việc sử
dụng AIS ở cấp độ tổ chức (Vol. ahead-of-print No. ahead-of-print). Eur. J. Xe buýt..
https://doi.org/10.1108/EMJB-05-2022-0100.
Al-Sayyed, S., Al-Aroud, S., Zayed, L., 2021. Ảnh hưởng của công nghệ trí tuệ nhân tạo đối với
bằng chứng kiểm toán. Kế toán 7 (2), 281–288. https://doi.org/ 10.5267/j.ac.2020.12.003.

22
A.A.H. Abdullah và F.A. Almaqtari
and Complexity 10 (2024) 100218
Alshurafat, H., Al Shbail, MO, Masadeh, WM, Dahmash, F., Al-Msiedeen, JM, 2021. Các yếu tố
ảnh hưởng đến giáo dục kế toán trực tuyến trong đại dịch COVID-19: Một quan điểm tích
hợp của lý thuyết vốn xã hội, lý thuyết về hành động lý luận và mô hình chấp nhận công
nghệ. Giáo dục. Inf. Technol. 26 (6), 6995–7013. https://doi. org/10.1007/s10639-021-
10550-y.
Anderljung, M., Smith, ET, O'Brien, J., Soder, L., Bucknall, B., Bluemke, E., Chowdhury, R., 2023.
Hướng tới các LLM biên giới có trách nhiệm công khai: Xây dựng một hệ sinh thái giám sát
bên ngoài theo Khuôn khổ ASPIRE. Máy tính. Soc. 15 (tháng 11), 1–13.
https://doi.org/10.48550/arXiv.2311.14711.
Apostolou, B.A., Dorminey, JW, Hassell, JM, Rebele, JE, 2014. Một bản tóm tắt và phân tích
nghiên cứu giáo dục trong hệ thống thông tin kế toán (AIS). J. Tài khoản.
Giáo dục 32 (1), 99–112. https://doi.org/10.1016/j.jaccedu.2014.02.002.
Baldwin, AA, Brown, CE, Trinkle, BS, 2006. Cơ hội phát triển trí tuệ nhân tạo trong lĩnh vực kế
toán: trường hợp kiểm toán. Trí tuệ. Syst. Tài khoản., Tài chính. Quản lý. 14 (3), 77–86.
https://doi.org/10.1002/isaf.277.
Batiz-Lazo, Bernardo, Boyns, Trevor, 2004. Lịch sử kinh doanh và tài chính của ' cơ giới hóa và
thay đổi công nghệ trong ngân hàng thế kỷ XX. Tài khoản., Xe buýt. Tài chính. Hist. 14 (3),
225–232. https://doi.org/10.1080/ 0958520042000277720.
Behn, B., Ezzell, WF, Murphy, LA, Rayburn, JD, Stith, M.T., Strawser, JR, 2012. Ủy ban Pathways
về giáo dục đại học kế toán: lập biểu đồ chiến lược quốc gia cho thế hệ kế toán tiếp theo.
Phát hành tài khoản. Giáo dục 27 (3), 595–600.
https://doi.org/10.2308/iace-10300.
Bianchi, I.S., Sousa, R.D., 2016. Cơ chế quản trị CNTT trong giáo dục đại học.
Procedia Comput. Khoa học 100 (1), 941–946. https://doi.org/10.1016/j.
Procs.2016.09.253.
Bin-Abbas, H., Bakry, S.H., 2014. Đánh giá quản trị CNTT trong các tổ chức: Một cách tiếp cận
tích hợp đơn giản. Máy tính. Hừ. Hành xử. 32 (1), 261–267. https://doi.org/
10.1016/j.chb.2013.12.019.
Boyer, J., Kokosy, A., 2022. Chiến lược thúc đẩy công nghệ và kéo thị trường: ảnh hưởng của
hệ sinh thái đổi mới sáng tạo đối với sự tham gia của các công ty vào mô hình Công
nghiệp 4.0. J. Tài chính rủi ro. 23 (5), 461–479. https://doi.org/10.1108/JRF-12-2021-0193.
Brown-Liburd, H., Vasarhelyi, MA, 2015. Dữ liệu lớn và bằng chứng kiểm toán. J. Emerg.
Technol. Tài khoản. 12 (1), 1–16. https://doi.org/10.2308/jeta-10468.
Burritt, R., Chúa Kitô, K., 2016. Công nghiệp 4.0 và kế toán môi trường: một cuộc cách mạng
mới? Châu Á J. Duy trì. Sóc. Chịu trách nhiệm. 1 (1), 23–38. https://doi.org/10.1186/
S41180-016-0007-y.
Cổ tử cung, H.F., 2017. Thực hiện quản trị CNTT: một mồi cho các nhà tin học. Ngón.
Thư viện. Quang cảnh. 33 (4), 282–287. https://doi.org/10.1108/dlp-07-2017-0023.
Chen, S. (2021). Tác động của trí tuệ nhân tạo và công nghệ hợp nhất dữ liệu đối với ngành kế
toán và các biện pháp đối phó của nó. Chuỗi kỷ yếu hội nghị quốc tế ACM, Manchester
Vương quốc Anh Tháng Mười 23 - 25, 2021. 877–881.
https://doi.org/10.1145/3495018.3495295.
Chen, Yi-Ning Katherine, Wen, Chia-Ho. Ryan, năm 2021. Tác động của thái độ đối với
Chính phủ và các tập đoàn về niềm tin của công chúng vào trí tuệ nhân tạo. Xã.
Đinh tán 72 (1), 115–131. https://doi.org/10.1080/10510974.2020.1807380.
Cockcroft, S., Russell, M., 2018. Cơ hội dữ liệu lớn cho thực hành và nghiên cứu kế toán và tài
chính. Tài khoản Aust. Khải Huyền 28 (3), 323–333. https://doi.org/ 10.1111/auar.12218.
Curtis, MB, Payne, EA, 2008. Kiểm tra các yếu tố bối cảnh và đặc điểm cá nhân ảnh hưởng đến
quyết định triển khai công nghệ trong kiểm toán. Tài khoản Int. J. Inf. Syst. 9 (2), 104–121.
https://doi.org/10.1016/j.accinf.2007.10.002.
Curtis, MB, Payne, EA, 2014. Mô hình hóa các quyết định sử dụng CAAT tự nguyện trong kiểm
toán. Quản lý. Kiểm tra. J. 29 (4), 304–326. https://doi.org/10.1108/MAJ-07-2013-0903.
Davis, FDJ, 1989. Nhận thức hữu ích, nhận thức dễ sử dụng và sự chấp nhận của người dùng
đối với công nghệ thông tin. MIS Q. 13 (3), 319–340. https://doi.org/10.2307/249008. Dhar
Dwivedi, A., Singh, R., Kaushik, K., Rao Mukkamala, R., Alnumay, W.S., 2021. Blockchain và trí
tuệ nhân tạo cho Internet of Things hỗ trợ 5G: Thách thức, cơ hội và giải pháp. Trans. Emerg.
Viễn thông. Kỹ thuật., một cái đầu. In. (một cái đầu. In. ), E4329.
https://doi.org/10.1002/ett.4329.
Pháp, DPB, Sandhyaduhita, PI, Pinem, A.A., Hidayanto, A.N., 2017. Tiền đề của ý định sử dụng
hệ thống kiểm toán điện tử: một trường hợp của Ban kiểm toán Cộng hòa Indonesia.
Quốc tế J. Bus. Inf. Syst. 26 (2), 185–204. https://doi.org/10.1504/ IJBIS.2017.086331.
Di Vaio, A., Palladino, R., Hassan, R., Escobar, O., 2020. Trí tuệ nhân tạo và mô hình kinh doanh
trong quan điểm mục tiêu phát triển bền vững: Đánh giá tài liệu có hệ thống. J. Bus. Res.
121 (tháng Chín), 283–314. https://doi.org/10.1016/j. jbusres.2020.08.019.
Dowling, C., 2009. Sử dụng hệ thống hỗ trợ kiểm toán phù hợp: Ảnh hưởng của kiểm toán
viên, nhóm kiểm toán và các yếu tố của công ty. Tài khoản. Khải Huyền 84 (3), 771–810.
https://doi.org/10.2308/ accr.2009.84.3.771.
Earley, CE, 2015. Phân tích dữ liệu trong kiểm toán: Cơ hội và thách thức. Xe buýt. Horiz. 58
(5), 493–500. https://doi.org/10.1016/j.bushor.2015.05.002.
Enholm, Ida Merete, Papagiannidis, Emmanouil, Mikalef, Patrick, Krogstie, John, 2022. Trí tuệ
nhân tạo và giá trị kinh doanh: Một đánh giá tài liệu. Inf. Syst. Mặt trước. 24 (5), 1709–
1734. https://doi.org/10.1007/s10796-021-10186-w.
Erasmus, W., Marnewick, C., 2021. Một khung quản trị CNTT để quản lý danh mục đầu tư IS.
Quốc tế J. Manag. GS. Xe buýt 14 (3), 721–742. https://doi.org/10.1108/ IJMPB-04-2020-
0110.
Faccia, A., Al Naqbi, M.Y.K., & Lootah, SA (2019, tháng Tám). Chu trình kế toán tài chính đám
mây tích hợp: trí tuệ nhân tạo, blockchain và XBRL sẽ thay đổi thực tiễn kế toán, tài chính
và kiểm toán như thế nào. Trong Kỷ yếu của Hội nghị quốc tế lần thứ 3 về điện toán đám
mây và dữ liệu lớn năm 2019 (trang 31–37). ICCBDC, Oxford Vương quốc Anh ngày 28 - 30
tháng 8 năm 2019. https://doi.org/10.1145/335850 5.3358507.
23
Journal of Open Innovation: Technology, Market,
Feliciano, C., Nhanh, R., 2022. Công nghệ thông tin tiên tiến trong kiểm toán: Nhận thức của
kiểm toán viên về tầm quan trọng trong tương lai và chuyên môn của kiểm toán viên hiện
tại. Tài khoản. 19 (2), 311–331. https://doi.org/10.1080/17449480.2022.2046283.
Fernandez-Caram' 'es, TM, Blanco-Novoa, O., Froiz-Míguez, I., Fraga-Lamas, P., 2019.
Hướng tới một nhà kho công nghiệp 4.0 tự trị: một hệ thống dựa trên UAV và blockchain
cho các ứng dụng hàng tồn kho và truy xuất nguồn gốc trong quản lý chuỗi cung ứng dựa
trên dữ liệu lớn. Cảm biến 19 (10), 1–31. https://doi.org/10.3390/s19102394.
Ferri, L., Spano, R., Ginesti, G., Theodosopoulos, G., 2021a. Xác định kiểm toán viên'
' Ý định sử dụng công nghệ blockchain: Bằng chứng từ các công ty kế toán Big 4 ở
Ý. Tài khoản Meditari. Res. 29 (5), 1063–1087. https://doi.org/10.1108/ MEDAR-03-2020-
0829.
Ferri, L., Spano, R., Maffei, M., Fiondella, C., 2021b. Nhận thức rủi ro ảnh hưởng như thế nào
Các quyết định công nghệ của CEO: mở rộng mô hình chấp nhận công nghệ cho những
người ra quyết định công nghệ của các doanh nghiệp vừa và nhỏ. Eur. J. Innov. Quản lý.
24 (3), 777–798. https://doi.org/10.1108/EJIM-09-2019-0253.
Ngày hoa, S., Blundell, A.W., Von Solms, R., 2006. Các công nghệ và mô hình kiểm toán liên tục:
Một cuộc thảo luận. Máy tính. Bảo mật. 25 (5), 325–331. https://doi.org/
10.1016/j.cose.2006.06.004.
Frank, A.G., Dalenogare, LS, Ayala, NF, 2019. Công nghệ công nghiệp 4.0:
Mô hình thực hiện trong các công ty sản xuất (Tháng Tư). Quốc tế J. Prod. Econ.
(2019), 15–26. https://doi.org/10.1016/j.ijpe.2019.01.004.
Fülop, M.T., Topor, D.I., Ionescu, C.A., C ̈ apușneanu, S., Breaz, T.O., Stanescu, SG, 2022. ̆ Kế
toán Fintech và Công nghiệp 4.0: chứng minh tương lai hoặc các mối đe dọa đối với nghề
kế toán? J. Xe buýt. Econ. Manag. 23 (5), 997–1015. https://doi.org/10.3846/
JBEM.2022.17695.
Gepp, A., Linnenluecke, MK, O'Neill, TJ, Smith, T., 2018. Kỹ thuật dữ liệu lớn trong nghiên cứu
và thực hành kiểm toán: Xu hướng hiện tại và cơ hội trong tương lai. J. Tài khoản.
Lit. 40 (tháng Hai), 102–115. https://doi.org/10.1016/j.acclit.2017.05.003.
Ghazwani, S., van Esch, P., Cui, Y.(G., Gala, P., 2022. Trí tuệ nhân tạo, lo lắng tài chính và thanh
toán không có nhân viên thu ngân: quan điểm của Ả Rập Saudi. Int. J. Ngân hàng Mark.
40 (6), 1200–1216. https://doi.org/10.1108/IJBM-09-2021-0444.
Ghobakhloo, M., 2020. Công nghiệp 4.0, số hóa và cơ hội phát triển bền vững. J. Sạch sẽ. Prod.
252 (10 tháng Tư), 1–21. https://doi.org/10.1016/j.
jclepro.2019.119869.
Ghobakhloo, Morteza, 2018. Tương lai của ngành sản xuất: lộ trình chiến lược hướng tới Công
nghiệp 4.0. J. Manuf. Kỹ thuật. Manag. 29 (6), 910–936. https://doi.org/ 10.1108/JMTM-
02-2018-0057.
Gomez, J., 2018. Hôm nay tôi nên mặc gì? Một trợ lý trang phục dựa trên IoT cho xã hội điện
tử. Trong: Al-Sharhan, S., et al. (Eds.), Thách thức và cơ hội trong kỷ nguyên kỹ thuật số.
I3E 2018. Ghi chú bài giảng trong Khoa học Máy tính. Springer, Chăm. https://
doi.org/10.1007/978-3-030-02131-3_23.
Gotthardt, M., Koivulaakso, D., Paksoy, O., Saramo, C., Martikainen, M., Lehner, O., 2020. Thực
trạng và thách thức trong việc thực hiện tự động hóa quy trình robot thông minh trong kế
toán và kiểm toán. ACRN J. Tài chính. Rủi ro Perspect. 9 (1), 90–102.
https://doi.org/10.35944/JOFRP.2020.9.1.007.
Grani'c, A., Maranguni'c, N., 2019. Mô hình chấp nhận công nghệ trong bối cảnh giáo dục: Một
đánh giá tài liệu có hệ thống. Br. J. Educ. Kỹ thuật. 50 (5), 2572–2593. https://doi.
org/10.1111/bjet.12864.
Quan, C., Mou, J., Giang, Z., 2020. Đổi mới trí tuệ nhân tạo trong giáo dục: Một phân tích lịch
sử dựa trên dữ liệu hai mươi năm. Quốc tế J. Innov. Stud. 4 (4), 134–147.
https://doi.org/10.1016/j.ijis.2020.09.001.
Han, H., Shiwakoti, RK, Jarvis, R., Mordi, C., Botchie, D., 2023. Kế toán và kiểm toán với công
nghệ blockchain và Trí tuệ nhân tạo: Một đánh giá tài liệu.
Int. J. Account. Inf. Syst. 48 (tháng Ba), 1–16. https://doi.org/10.1016/j.
accinf.2022.100598.
Hassan, O., 2020. Trí tuệ nhân tạo, Neom và sự đa dạng hóa kinh tế của Saudi Arabia từ dầu
khí. Chính trị Q. 91 (1), 222–227. https://doi.org/ 10.1111/1467-923X.12794.
Huerta, E., Jensen, S., 2017. Một quan điểm hệ thống thông tin kế toán về phân tích dữ liệu và
dữ liệu lớn. J. Inf. Syst. 31 (3), 101–114. https://doi.org/10.2308/isys- 51799.
Hwang, S., 2017. Hợp tác quản trị và đổi mới công nghệ thông tin: quan hệ đối tác công-phi lợi
nhuận để xây dựng hệ thống thông tin khu phố. Quốc tế Rev.
Công cộng Adm. 22 (4), 321–343. https://doi.org/10.1080/12294659.2017.1368005.
Issa, H., Mặt trời, T., Vasarhelyi, MA, 2016. Ý tưởng nghiên cứu về trí tuệ nhân tạo trong kiểm
toán: Chính thức hóa kiểm toán và bổ sung lực lượng lao động. J. Emerg.
Technol. Tài khoản. 13 (2), 1–20. https://doi.org/10.2308/jeta-10511.
Ivanov, D., Tang, C.S., Dolgui, A., Battini, D., Das, A., 2021. Quan điểm của các nhà nghiên cứu
về Công nghiệp 4.0: phân tích đa ngành và cơ hội quản lý hoạt động. Quốc tế J. Prod. Res.
59 (7), 2055–2078. https://doi.org/10.1080/ 00207543.2020.1798035.
Jamwal, A., Agrawal, R., Sharma, M., Giallanza, A., 2021. Công nghệ công nghiệp 4.0 cho sự
bền vững sản xuất: Một đánh giá có hệ thống và hướng nghiên cứu trong tương lai.
Phụ lục Khoa học 11 (12), 1–25. https://doi.org/10.3390/app11125725.
Kamble, SS, Gunasekaran, A., Gawankar, SA, 2018. Khung công nghiệp bền vững 4.0: Một đánh
giá tài liệu có hệ thống xác định các xu hướng hiện tại và triển vọng tương lai. Quy trình
Saf. Môi trường. Châm Ngôn 117 (1), 408–425. https://doi.org/10.1016/
j.psep.2018.05.009.
Khan, MA, Khojah, M., Vivek, 2022. Trí tuệ nhân tạo và dữ liệu lớn: Sự ra đời của phương pháp
sư phạm mới trong hệ thống học tập điện tử thích ứng trong các tổ chức giáo dục đại học
của Ả Rập Saudi. Educ. Res. Quốc tế 2022 (1), 1–10. https://doi.org/
10.1155/2022/1263555.
A.A.H. Abdullah và F.A. Almaqtari
and Complexity 10 (2024) 100218
Kiel, D., Müller, JM, Arnold, C., Voigt, K.I., 2017. Tạo ra giá trị công nghiệp bền vững: Lợi ích và
thách thức của công nghiệp 4.0. Quốc tế J. Innov. Quản lý. 21 (8), 1–15. https://
doi.org/10.1142/S1363919617400151.
Kim, H.-J., Kotb, A., Eldaly, MK, 2016. Việc sử dụng phần mềm kiểm toán tổng quát của kiểm
toán viên bên ngoài Ai Cập: Tác dụng của các tính năng phần mềm kiểm toán. J. Appl. Tài
khoản.
Res. 17 (4), 456–478. https://doi.org/10.1108/JAAR-10-2015-0079.
Kopalle, P.K., Gangwar, M., Kaplan, A., Ramachandran, D., Reinartz, W., Rindfleisch, A., 2022.
Kiểm tra các công nghệ trí tuệ nhân tạo (AI) trong tiếp thị thông qua lăng kính toàn cầu:
Xu hướng hiện tại và cơ hội nghiên cứu trong tương lai. Quốc tế J. Res. Mark. 39 (2), 522–
540. https://doi.org/10.1016/j.ijresmar.2021.11.002.
Lasi, H., Fettke, P., Kemper, H.G., Feld, T., Hoffmann, M., 2014. Công nghiệp 4.0. Xe buýt. Inf.
Syst. Eng. 6 (2014), 239–242. https://doi.org/10.1007/s12599-014-0334-4.
Losbichler, H., Lehner, O.M., 2021. Giới hạn của trí tuệ nhân tạo trong việc kiểm soát và con
đường phía trước: một lời kêu gọi nghiên cứu kế toán trong tương lai. J. Appl. Tài khoản.
Res. 22 (2), 365–382. https://doi.org/10.1108/JAAR-10-2020-0207.
Loureiro, SMC, Guerreiro, J., Tussyadiah, I., 2021. Trí tuệ nhân tạo trong kinh doanh: Nhà nước
của nghệ thuật và chương trình nghiên cứu trong tương lai. J. Bus. Res. 129 (tháng Năm),
911–926. https:// doi.org/10.1016/j.jbusres.2020.11.001.
Malatji, W.R., Eck, R.V., Zuva, T., 2020. Hiểu cách sử dụng, sửa đổi, hạn chế và phê bình của mô
hình chấp nhận công nghệ (TAM). Adv. Sci., Technol. Eng. Syst. J. 5 (6), 113–117.
〈https://www.astesj.com/publications/ ASTESJ_050612.pdf〉.
Manita, R., Elommal, N., Baudier, P., Hikkerova, L., 2020. Sự chuyển đổi số của kiểm toán độc
lập và tác động của nó đối với quản trị doanh nghiệp. Technol. Dự báo. Soc.
Thay đổi 150 (tháng 1), 1–19. https://doi.org/10.1016/j.techfore.2019.119751.
Masood, T., Sonntag, P., 2020. Công nghiệp 4.0: Thách thức và lợi ích áp dụng cho các doanh
nghiệp vừa và nhỏ.
Máy tính. Ind 121 (1), 103261 https://doi.org/10.1016/j.compind.2020.103261.
Mei, YC, Aun, NB, 2019. Các yếu tố ảnh hưởng đến tính hữu dụng của người tiêu dùng đối với
M- Wallet ở thung lũng Klang, Malaysia. Đánh giá kinh doanh và kinh tế tích hợp. Nghiên
cứu 8 (4), 1–23. 〈https://sibresearch.org/uploads/3/4/0/9/34097180/riber _8-
s4_00_k19-089_1-23.pdf〉.
Meiryani, Meiryani, Andreas, Chang, Brilliant, Alfred, Lorenzo, Zaidi, Mat, Daud (2021). Phân
tích phương pháp tiếp cận mô hình chấp nhận công nghệ (TAM) đối với chất lượng của hệ
thống thông tin kế toán. ICCCM '21: Kỷ yếu Hội nghị Quốc tế lần thứ 9 về Quản lý Máy tính
và Truyền thông, Singapore, Singapore 16-18 tháng 7.
37–45. https://doi.org/10.1145/3479162.3479168.
Mohd Noor, NRA, Mansor, N., 2019. Khám phá sự thích ứng của trí tuệ nhân tạo trong thực
tiễn tố giác của kiểm toán viên nội bộ tại Malaysia. Máy tính Procedia.
Khoa học 163 (1), 434–439. https://doi.org/10.1016/j.procs.2019.12.126.
Müller, JM, Kiel, D., Voigt, K.I., 2018. Điều gì thúc đẩy việc triển khai Công nghiệp 4.0?
Vai trò của cơ hội và thách thức trong bối cảnh phát triển bền vững.
Tính bền vững 10 (1), 1–21. https://doi.org/10.3390/su10010247.
Munoko, I., Brown-Liburd, H.L., Vasarhelyi, M., 2020. Ý nghĩa đạo đức của việc sử dụng trí tuệ
nhân tạo trong kiểm toán. J. Xe buýt. Đạo đức 167 (2), 209–234. https://doi.org/
10.1007/s10551-019-04407-1.
Nagy, J., Olah, J., Erdei, E., M 'tại ''e, D., Popp, J., 2018. Vai trò và tác động của công nghiệp 4.0
và internet vạn vật đối với chiến lược kinh doanh của chuỗi giá trị - trường hợp của
Hungary. Tính bền vững 10 (10), 1–23. https://doi.org/10.3390/su10103491.
Nascimento, DLM, Alencastro, V., Quelhas, OG, Caiado, RGG, Garza-Reyes, JA, Lona, LR,
Tortorella, G., 2019. Khám phá các công nghệ Công nghiệp 4.0 để cho phép thực hành
kinh tế tuần hoàn trong bối cảnh sản xuất: Đề xuất mô hình kinh doanh. J. Manuf. Kỹ
thuật. Manag. 30 (3), 607–627. https://doi.org/10.1108/JMTM-03- 2018-0071.
O'Leary, D.E., 2009. Tải xuống và trích dẫn trong Hệ thống thông minh trong Kế toán, Tài chính
và Quản lý. Trí tuệ. Syst. Tài khoản., Tài chính. Quản lý. 16 (1–2), 21–31.
https://doi.org/10.1002/isaf.291.
Ogaluzor, O.I., 2019. Số hóa và công việc của kế toán: mối đe dọa hay bạn đồng hành? Quốc tế
J. Xe buýt. Đánh dấu. Quản lý. (IJBMM) 4 (11), 28–39.
mặt
Ozcan, E.Ç., Akkaya, B., 2020. Ảnh hưởng của Công nghiệp 4.0 đối với kế toán về quản lý
kinh doanh. Trong các phương pháp lãnh đạo kinh doanh nhanh nhẹn cho Công nghiệp
4.0. Emerald Publishing Limited,, trang 139–154. https://doi.org/10.1108/978-1-80043-
380-920201009 .
Papagiannidis, E., Enholm, I.M., Dremel, C., Mikalef, P., Krogstie, J., 2022. Hướng tới quản trị
AI: Xác định các phương pháp hay nhất và các rào cản và kết quả tiềm năng. Inf.
Mặt trận Syst. 25 (2023), 123–141. https://doi.org/10.1007/s10796-022-10251-y.
Pedrosa, I., Costa, CJ, Aparicio, M., 2020. Các yếu tố quyết định áp dụng các công cụ kiểm toán
có sự hỗ trợ của máy tính (CAAT). Cogn., Technol. Công việc 22 (3), 565–583.
https://doi.org/ 10.1007/s10111-019-00581-4.
Percy, C., Dragicevic, S., d'Avila Garcez, A., Sarkar, S., 2021. Trách nhiệm giải trình trong AI: Từ
nguyên tắc đến công nhận cụ thể của ngành. Xã AI. 34 (3), 181–196. https://
doi.org/10.3233/AIC-210080.
Polak, P., 2021. Chào mừng bạn đến với kỷ nguyên kỹ thuật số - tác động của AI đối với doanh
nghiệp và xã hội.
Xã hội 58 (3), 177–178. https://doi.org/10.1007/s12115-021-00588-6.
Purnamasari, P., Amran, NA, Hartanto, R., 2022. Mô hình hóa các kỹ thuật kiểm toán hỗ trợ
máy tính (CAAT) trong việc tăng cường khu vực công của Indonesia. F1000Nghiên cứu 11
(2022), 539–559. https://doi.org/10.12688/f1000research.121674.2.
Qasim, A., Kharbat, F.F., 2020. Công nghệ blockchain, phân tích dữ liệu kinh doanh và trí tuệ
nhân tạo: Sử dụng trong nghề kế toán và ý tưởng để đưa vào chương trình giảng dạy kế
toán. J. Emerg. Technol. Tài khoản. 17 (1), 107–117. https:// doi.org/10.2308/jeta-52649.
24
Journal of Open Innovation: Technology, Market,
Rezaee, Z., Sharbatoghlie, A., Elam, R., McMickle, PL, 2018. Kiểm toán liên tục: Xây dựng năng
lực kiểm toán tự động. Contin. Kiểm tra. 21 (1), 169–190. https:// doi.org/10.1108/978-1-
78743-413-420181008.
Rushinek, A., Rushinek, SF, 1989. Đánh giá bảo vệ tài sản và tính toàn vẹn dữ liệu trong kiểm
toán EDP. Quản lý. Kiểm tra. J. 4 (2), 3–6. https://doi.org/10.1108/ EUM0000000001746.
Sairete, A., Balfagih, Z., Brahimi, T., Mousa, MEGA, Lytras, M., Visvizi, A., 2021.
Trí tuệ nhân tạo: Hướng tới chuyển đổi số cuộc sống, công việc và giáo dục.
Procedia Comput. Sci. 194 (2021), 1–8. https://doi.org/10.1016/j.
Procs.2021.11.001.
Salijeni, G., Samsonova-Taddei, A., Turley, S., 2019. Dữ liệu lớn và những thay đổi trong công
nghệ kiểm toán: dự tính một chương trình nghiên cứu. Tài khoản. Xe buýt. Res. 49 (1), 95–
119. https://doi.org/10.1080/00014788.2018.1459458.
Schmitz, J., Leoni, G., 2019. Kế toán và Kiểm toán tại thời điểm công nghệ Blockchain: Chương
trình nghiên cứu. Tài khoản Aust. Khải Huyền 29 (2), 331–342. https://doi.
org/10.1111/auar.12286.
Schumacher, A., Erol, S., Sihn, W., 2016. Một mô hình trưởng thành để đánh giá và trưởng
thành của các doanh nghiệp sản xuất. Procedia CIRP 52 (1), 161–166. https://doi.org/
10.1016/j.procir.2016.07.040.
Shaffer, KJ, Gaumer, CJ, Bradley, KP, 2020. Các sản phẩm trí tuệ nhân tạo định hình lại kế toán:
thời gian để đào tạo lại. Dev. Tìm hiểu. Cơ quan. 34 (6), 41–43. https://doi.org/
10.1108/DLO-10-2019-0242.
Siew, ví dụ: Rosli, K., Yeow, P.H., 2020. Ảnh hưởng của tổ chức và môi trường trong việc áp
dụng các công cụ và kỹ thuật kiểm toán có sự hỗ trợ của máy tính (CAATT) của các công ty
kiểm toán ở Malaysia. Tài khoản Int. J. Inf. Syst. 36 (tháng Ba), 1–19. https://doi.org/
10.1016/j.accinf.2019.100445.
Sirisomboonsuk, P., Gu, V.C., Cao, R.Q., Bỏng, JR, 2018. Mối quan hệ giữa quản trị dự án và
quản trị công nghệ thông tin và tác động của chúng đối với hiệu suất dự án. Quốc tế J.
Proj. Quản lý. 36 (2), 287–300. https://doi.org/10.1016/j. IJProman.2017.10.003.
Sledgianowski, D., Gomaa, M., Tan, C., 2017. Hướng tới tích hợp năng lực Big Data, công nghệ
và hệ thống thông tin vào chương trình kế toán. J. Tài khoản. Giáo dục 38 (1), 81–93.
https://doi.org/10.1016/j.jaccedu.2016.12.008.
Chứng khoán, T., Seliger, G., 2016. Cơ hội sản xuất bền vững trong Công nghiệp 4.0. Procedia
CIRP 40 (ICC), 536–541. https://doi.org/10.1016/j.procir.2016.01.129.
Chủ nhật, T., Vasarhelyi, MA, 2018. Áp dụng phân tích dữ liệu văn bản trong kiểm toán với
deep learning. Int. J. Chữ số. Tài khoản. Res. 18 (tháng Ba), 49–67.
https://doi.org/10.4192/ 1577-8517-v18_3.
Sutton, SG, Holt, M., Arnold, V., 2016. "Các báo cáo về cái chết của tôi bị phóng đại rất nhiều" -
Nghiên cứu trí tuệ nhân tạo trong kế toán. Tài khoản Int. J. Inf.
Syst. 22 (1), 60–73. https://doi.org/10.1016/j.accinf.2016.07.005.
Tavares, MC, Zimba, LN, Azevedo, G., 2022. Ý nghĩa của Công nghiệp 4.0 đối với nghề kiểm
toán. Quốc tế J. Xe buýt. Innov. 1 (1), 1–21-E27625. https://doi.org/
10.34624/ijbi.v1i1.27625.
Thottoli, M.M., Ahmed, E.R., Thomas, K.V., 2022. Công nghệ mới nổi và thực hành kiểm toán:
phân tích cho các định hướng trong tương lai. Eur. J. Manag. Stud. 27 (1), 99–119. https://
doi.org/10.1108/EJMS-06-2021-0058.
Tiberius, V., Hirth, S., 2019. Tác động của số hóa đối với kiểm toán: Một nghiên cứu của Delphi
đối với Đức. J. Int. Account., Kiểm toán. Thuế. 37 (tháng Mười Hai), 1–23. https://doi.org/
10.1016/j.intaccaudtax.2019.100288.
Tjahjono, B., Esplugues, C., Ares, E., Pelaez, G., 2017. Công nghiệp 4.0 có ý nghĩa gì đối với
chuỗi cung ứng? Procedia Manuf. 13 (2017), 1175–1182. https://doi.org/10.1016/j.
Promfg.2017.09.191.
Tsai, W.H., Chou, YW, Leu, J.Der, Chen, DC, Tsaur, T.S., 2015. Điều tra các tác động trung gian
của việc cung cấp giá trị quản trị CNTT đối với chất lượng dịch vụ và hiệu suất ERP. Enterp.
Inf. Syst. 9 (2), 139–160. https://doi.org/10.1080/ 17517575.2013.804952.
Usman, H., Projo, NWK, Chủ tịch, C., Haque, M.G., 2022. Vai trò thăm dò của việc tuân thủ
Sharia trong mô hình chấp nhận công nghệ cho ngân hàng điện tử (ví dụ: Ngân hàng Hồi
giáo ở Indonesia). J. Hồi giáo. Nốt. 13 (5), 1089–1110. https://doi.org/10.1108/JIMA-08-
2020-0230.
Varzaru, A.A., 2022. Đánh giá sự chấp nhận công nghệ trí tuệ nhân tạo trong 'Kế toán
quản trị. Điện tử 11 (14), 1–22. https://doi.org/10.3390/ điện tử11142256.
Venkatesh, V., Bala, H., 2008. Mô hình chấp nhận công nghệ 3 và chương trình nghiên cứu về
can thiệp. Quyết địnhKhoa học 39 (2), 273–315. https://doi.org/10.1111/j.1540-
5915.2008.00192.x.
Venkatesh, V., Morris, M.G., Davis, G.B., Davis, F.D., 2003. Sự chấp nhận của người dùng về
công nghệ thông tin: Hướng tới một cái nhìn thống nhất. MIS CÂU 27 (3), 425–478.
https://doi.
org/10.2307/30036540.
Warren, JD, Moffitt, K.C., Byrnes, P., 2015. Dữ liệu lớn sẽ thay đổi kế toán như thế nào.
Tài khoản. Horiz. 29 (2), 397–407. https://doi.org/10.2308/acch-51069.
Willson, P., Pollard, C., 2009. Khám phá quản trị CNTT trong lý thuyết và thực hành trong một
tổ chức đa quốc gia lớn ở Úc. Inf. Syst. Manag. 26 (2), 98–109. https://
doi.org/10.1080/10580530902794760.
Yoon, S., 2020. Một nghiên cứu về chuyển đổi kế toán dựa trên các công nghệ mới: Bằng
chứng từ Hàn Quốc. Chịu. (Switz. ) 12 (20), 1–23. https://doi.org/10.3390/ Su12208669.
Zhang, Baobao và Dafoe, Allan, Trí tuệ nhân tạo: Thái độ và xu hướng của người Mỹ (ngày 9
tháng 1 năm 2019). Có sẵn tại SSRN: https://ssrn.com/abstract=3312874 hoặc
https://doi.org/10.2139/ssrn.3312874.
Zhang, Y., Xiong, F., Xie, Y., Fan, X., Gu, H., 2020. Tác động của trí tuệ nhân tạo và blockchain
đối với nghề kế toán. IEEE Access 8 (tháng 6), 110461–110477.
https://doi.org/10.1109/ACCESS.2020.3000505.