Model AI đọc hoá đơn và chứng từ: độ chính xác thực tế đến đâu

Cuối mỗi tháng, kế toán ở nhiều doanh nghiệp vừa và nhỏ vẫn phải ngồi gõ tay từng dòng trên hàng trăm hoá đơn giấy và hoá đơn điện tử vào phần mềm kế toán, việc lặp đi lặp lại này ngốn mất vài ngày làm việc mà vẫn có thể sai sót vì mỏi mắt, trong khi câu hỏi mà không ít quản lý SME đặt ra khi nghe tới AI đọc hoá đơn lại là: liệu độ chính xác có đủ tin cậy để giao hẳn việc này cho máy, hay vẫn cần người ngồi soát lại từng dòng như cũ?

Bối cảnh: vì sao nhập liệu hoá đơn vẫn ngốn nhiều ngày công

Ở phần lớn doanh nghiệp vừa và nhỏ tại Việt Nam, chứng từ đầu vào mỗi tháng thường là hỗn hợp giữa hoá đơn điện tử theo chuẩn của cơ quan thuế, hoá đơn giấy từ nhà cung cấp nhỏ lẻ, và phiếu chi tiêu nội bộ chụp lại bằng điện thoại. Với khối lượng vài trăm chứng từ mỗi tháng, kế toán viên phải tự đọc và gõ tay từng trường dữ liệu như số hoá đơn, ngày phát hành, tên người bán, số tiền trước thuế, tiền thuế GTGT và tổng tiền vào phần mềm kế toán, mỗi chứng từ mất trung bình vài phút, nhân lên cả tháng thành vài ngày làm việc thuần cho một việc lặp đi lặp lại.

Đây chính là loại công việc mà các dịch vụ AI trích xuất dữ liệu chứng từ (document extraction/document intelligence) được thiết kế để giải quyết, nhưng câu hỏi thực tế mà bài viết này muốn trả lời không phải "AI có làm được không" mà là "làm đúng đến đâu, và ở đâu vẫn cần người duyệt lại". Nếu bạn muốn hiểu rộng hơn các loại model AI khác đang có trên thị trường trước khi đọc riêng phần đọc chứng từ này, có thể xem thêm AI Model là gì và doanh nghiệp nên chọn model nào cho công việc.

AI trích xuất dữ liệu chứng từ hoạt động ra sao

Khác với phần mềm OCR (nhận dạng ký tự quang học) đời cũ chỉ đọc ra chữ nhưng không hiểu chữ đó nằm ở trường dữ liệu nào, các model AI đọc chứng từ hiện nay được huấn luyện để vừa đọc chữ vừa hiểu cấu trúc của một tờ hoá đơn: đâu là số hoá đơn, đâu là tên người bán, đâu là dòng chi tiết hàng hoá, đâu là dòng tổng tiền, dù bố cục mỗi nhà cung cấp trình bày một kiểu khác nhau. Kết quả trả về không chỉ là văn bản thô, mà là các cặp trường-giá trị đã được gắn nhãn sẵn (ví dụ "invoice_number": "0001234"), kèm theo một điểm số tin cậy (confidence score) cho từng trường, cho biết model "tự tin" đến mức nào với kết quả đọc được.

Ba dịch vụ lớn nhất trên thị trường hiện nay theo hướng này là Google Document AI, Microsoft Azure AI Document Intelligence và Amazon Textract, đều cung cấp sẵn model chuyên biệt cho hoá đơn/biên lai (invoice/expense) bên cạnh model đọc tài liệu tổng quát, để doanh nghiệp không cần tự huấn luyện từ đầu.

Chi phí và ngưỡng chính xác thực tế của ba dịch vụ lớn

Tính đến tháng 9/2026, theo trang giá chính thức của từng nhà cung cấp, chi phí xử lý mỗi trang chứng từ dao động ở mức khá thấp so với thời gian nhân sự bỏ ra để gõ tay, nhưng cách tính và ngưỡng miễn phí khác nhau đáng kể.

Vì sao độ chính xác không đồng đều giữa các loại chứng từ

Khi tự kiểm thử trên mẫu hoá đơn điện tử Việt Nam có bố cục chuẩn theo mẫu của cơ quan thuế (dạng PDF gốc, chữ rõ, bố cục cố định), các trường quan trọng như số hoá đơn, ngày lập, mã số thuế người bán và tổng tiền thường được các dịch vụ trên đọc đúng ở tỷ lệ rất cao, vì đây gần như là trường hợp lý tưởng: văn bản gốc dạng số hoá, không qua chụp ảnh lại, bố cục lặp lại theo đúng một khuôn mẫu quen thuộc.

Ngược lại, độ chính xác giảm rõ rệt ở ba tình huống: hoá đơn giấy chụp lại bằng điện thoại trong điều kiện ánh sáng kém hoặc bị nghiêng góc, chứng từ viết tay một phần (như phiếu chi tiêu có ghi chú tay), và các dòng chi tiết hàng hoá dài với nhiều cột số liệu chen chúc nhau, dễ khiến model đọc lệch hàng hoặc gán nhầm số tiền dòng này sang dòng khác. Đây là lý do vì sao hai chứng từ cùng là "hoá đơn" nhưng độ tin cậy của kết quả đọc được có thể chênh lệch rất xa nhau, và cũng là lý do doanh nghiệp không nên kỳ vọng một con số chính xác chung cho mọi loại chứng từ mình đang có.

Nếu doanh nghiệp bạn còn xử lý cả nội dung dạng ảnh, âm thanh cuộc gọi hay video trong quy trình vận hành, các nguyên tắc về việc AI "tự tin" khác nhau theo chất lượng đầu vào ở trên cũng áp dụng tương tự, có thể xem thêm ở Model đa phương thức: khi AI đọc được ảnh, âm thanh và video.

Điểm chốt kiểm tra bởi con người nên đặt ở đâu

Cách triển khai an toàn và hiệu quả nhất không phải là để AI tự động hoàn toàn, cũng không phải bắt người soát lại từng chứng từ như cũ, mà là dùng chính điểm số tin cậy do model trả về để phân luồng công việc.

Với cách phân luồng này, phần lớn khối lượng chứng từ "dễ" (hoá đơn điện tử chuẩn, bố cục quen thuộc) được xử lý gần như tự động, trong khi thời gian của kế toán viên chỉ tập trung vào đúng nhóm chứng từ khó mà máy không chắc, thay vì phải rải đều công sức cho cả nghìn chứng từ như quy trình thủ công cũ.

Bài học áp dụng cho bộ phận kế toán của bạn

• Luôn tự thử nghiệm trên đúng mẫu chứng từ thật của doanh nghiệp mình trước khi tin vào bất kỳ con số chính xác nào được quảng cáo chung chung.
• Dùng điểm số tin cậy làm ranh giới phân luồng tự động/cần người duyệt, thay vì để AI quyết định 100% hoặc bắt người kiểm tra 100%.
• Ưu tiên số hoá đơn dạng file gốc (PDF/XML từ hệ thống hoá đơn điện tử) thay vì chụp ảnh lại khi có thể, vì đây là dạng đầu vào cho độ chính xác cao nhất.
• Tính chi phí theo đúng số trang chứng từ thực tế mỗi tháng, so sánh với chi phí nhân sự hiện tại đang bỏ ra cho việc nhập liệu để thấy rõ mức tiết kiệm thực.

Sau khi dữ liệu chứng từ đã được trích xuất đáng tin cậy, bước tiếp theo nhiều doanh nghiệp hay làm là ghép luôn vào một quy trình duyệt chi tự động, có ngưỡng số tiền cần người quản lý phê duyệt trước khi hạch toán. Bạn có thể xem cách các quy trình này thường vận hành ở AI Agent kế toán và công nợ: làm được gì, cần người duyệt ở đâu, hoặc nhìn bức tranh tổng thể hơn về tự động hoá quy trình ở Tự động hoá quy trình kinh doanh bằng AI: bắt đầu từ đâu nếu muốn mở rộng ra ngoài phạm vi mỗi việc đọc chứng từ.