Manajemen Biaya dengan AI: Pemindaian Struk, Pemeriksaan Kebijakan, dan Audit

Oleh Jane Ha · Diperbarui 11 Oktober 2026

Manajemen biaya dengan AI adalah pemakaian pembelajaran mesin dan model bahasa untuk membaca struk, memeriksa setiap klaim terhadap kebijakan perjalanan dan biaya Anda, menandai item yang tampak janggal, serta meninjau setiap klaim, bukan hanya sampel. Karyawan memotret struk, sistem mengekstrak pedagang, tanggal, jumlah, dan pajak, membandingkan klaim dengan kebijakan, lalu hanya meneruskan pengecualian kepada seseorang. Pemberi persetujuan tidak lagi memeriksa sekilas ratusan makan siang yang bersih dan mulai menatap belasan klaim yang membutuhkan pertimbangan.

Panduan ini ditujukan bagi manajer keuangan, controller (kepala akuntansi), dan kepala keuangan yang memegang proses biaya dan ingin tahu apa yang sebenarnya dilakukan teknologi ini, di mana ia gagal, dan cara memperkenalkannya tanpa melemahkan kontrol. Pembahasan berhenti pada tingkat konsep dan proses. Jika Anda ingin sisi pembangunannya, dengan desain agen, perangkat, dan logika persetujuan, baca blueprint agen persetujuan biaya AI.

Fakta Utama

• Laporan ACFE Occupational Fraud 2026: A Report to the Nations menganalisis 2.402 kasus di 143 negara dan wilayah, dengan median kerugian $104.000 per kasus (ACFE).
• Dalam studi itu, skema median berjalan 12 bulan sebelum terdeteksi, dan penipuan yang terungkap dalam enam bulan memiliki median kerugian $40.000 (ACFE).
• Laporan (tips) menjadi metode deteksi teratas, menyumbang 43% kasus, dan lebih dari separuh kasus melibatkan kurangnya pengendalian internal atau penimpaan atas pengendalian yang ada (ACFE).
• IRS menyatakan bukti dokumenter seperti struk umumnya diperlukan untuk mendukung biaya bisnis, kecuali untuk biaya selain akomodasi di bawah $75, dan biasanya dianggap memadai bila menunjukkan jumlah, tanggal, tempat, dan sifat esensial dari biaya tersebut (IRS Publication 463).
• IRS juga mencatat bahwa dokumen pendukung seperti struk dan faktur penting karena mendukung entri dalam pembukuan dan SPT (surat pemberitahuan pajak) Anda (IRS).

Apa yang Dilakukan Manajemen Biaya dengan AI

Pengendalian biaya tradisional adalah permainan pengambilan sampel. Pemberi persetujuan melirik sebuah laporan, analis keuangan mengambil mungkin beberapa persen klaim untuk diaudit setelah kejadian, dan sisanya lolos atas dasar kepercayaan. Itu bukan kelalaian. Itu aritmetika. Tidak ada yang sanggup membaca setiap struk.

AI mengubah aritmetika itu. Membaca struk dan membandingkannya dengan aturan hampir tidak berbiaya per klaim, sehingga sistem dapat memeriksa semuanya, saat diajukan, sebelum uang berpindah. Ia melakukan empat pekerjaan:

1. Pengambilan data. Mengubah foto, PDF, atau email yang diteruskan menjadi bidang data terstruktur.
2. Pemeriksaan. Membandingkan bidang itu dengan kebijakan Anda, data kartu, dan klaim itu sendiri.
3. Penandaan. Menilai risiko setiap klaim dan menjelaskan alasannya.
4. Audit. Menyimpan catatan setiap keputusan agar peninjau dan auditor dapat menelusurinya.

Ini adalah irisan khusus dari gambaran yang lebih luas dalam AI di bidang keuangan dan akuntansi, dan berbagi saluran dengan pekerjaan faktur di AI dalam utang usaha (accounts payable).

Cara AI Membaca Struk

Struk adalah jenis dokumen terburuk: kusut, difoto dari sudut miring, dicetak dengan tinta termal yang pudar, dalam belasan bahasa dan tata letak. Dua lapisan menanganinya.

Pengenalan karakter optik (OCR) mengubah gambar menjadi teks. Model modern menangani kemiringan, silau, dan tulisan tangan jauh lebih baik daripada alat berbasis templat satu dekade lalu, tetapi masih tersandung pada kertas termal yang sudah memudar dan pada foto yang total harganya tertutup jempol.

Ekstraksi menentukan arti teks itu. Apakah "42.10" itu subtotal, total, atau tip? Baris mana yang pajak? Apakah ini restoran atau folio hotel dengan sepuluh baris item? Model bahasa atau model ekstraksi terlatih memetakan teks ke dalam bidang: pedagang, tanggal, mata uang, total, pajak, metode pembayaran, dan terkadang item baris.

Sistem yang baik kemudian menyematkan skor keyakinan pada setiap bidang. Skor itulah yang membuat proses ini aman. Total yang terbaca dengan keyakinan 99% langsung lanjut. Tanggal yang terbaca dengan keyakinan 60% dikembalikan kepada karyawan dengan permintaan memotret ulang. Perlakukan sistem apa pun yang mengembalikan nilai tanpa sinyal keyakinan sebagai alat bantu menyusun, bukan sebagai kontrol.

Pengambilan data juga menarik konteks yang tidak dibawa struk. Ia dapat mencocokkan klaim dengan transaksi kartu korporat, entri kalender, pemesanan perjalanan, atau catatan jarak tempuh, sehingga karyawan mengetik lebih sedikit dan peninjau melihat lebih banyak.

Cara AI Memeriksa Klaim terhadap Kebijakan

Kebijakan perjalanan dan biaya Anda adalah seperangkat aturan yang ditulis dalam prosa: batas makan, plafon hotel, kelas perjalanan, alkohol, tip, persetujuan di muka untuk item besar. Memeriksa klaim terhadapnya adalah tempat model bahasa membuktikan gunanya, karena ia dapat membaca teks kebijakan dan klaim secara bersamaan.

Dalam praktik, pemeriksaan terbagi menjadi tiga jenis:

• Aturan keras. Deterministik dan murah: tidak ada alkohol pada klaim makan dengan klien, struk wajib di atas ambang tertentu, tidak ada klaim yang lebih lama dari 60 hari. Simpan ini sebagai aturan biasa dalam sistem, bukan dalam pertimbangan model.
• Aturan kontekstual. Batasnya bergantung pada kota, golongan pelaku perjalanan, atau jenis perjalanan. Sistem mencarinya dari tabel yang Anda pelihara.
• Keputusan yang memerlukan pertimbangan. "Wajar dan perlu" atau "tujuan bisnis utama." Model dapat membandingkan tujuan yang dinyatakan dengan pedagang dan tanggal lalu menyatakan apakah tampak masuk akal. Ia harus merekomendasikan, dan manusia yang memutuskan.

Sudut pajak penting di sini. Di AS, IRS mengharapkan bukti dokumenter untuk biaya bisnis, dan menganggap struk memadai bila menunjukkan jumlah, tanggal, tempat, dan sifat esensial dari biaya tersebut (IRS Publication 463). Pemeriksaan AI yang memastikan setiap klaim di atas ambang Anda memiliki struk dengan bidang-bidang itu adalah kontrol langsung yang dapat diuji. Negara lain punya aturan sendiri, jadi pastikan persyaratan setempat dengan penasihat pajak Anda sebelum menetapkan ambangnya.

Apa yang Ditandai AI: Duplikat, Pemecahan, Struk yang Diubah, dan Lainnya

Penandaan adalah tempat "audit setiap klaim" menjadi konkret. Tabel ini mendaftar pola yang penting dan cara sistem menemukannya.

Sepatah kata tentang struk buatan. Alat gambar kini dapat menghasilkan struk yang meyakinkan dalam hitungan detik, sehingga struk yang tampak benar bukan bukti bahwa pembelian itu terjadi. Itu menggeser bobot verifikasi dari gambar ke bukti penguat: data kartu, catatan pedagang, konfirmasi pemesanan. Jika sebuah klaim memiliki gambar yang bersih dan tidak ada apa pun di baliknya, arahkan ke manusia.

Dua peringatan. Pertama, tanda adalah petunjuk, bukan temuan. Sebagian besar item yang ditandai ternyata tidak bersalah: makan malam grup yang sah dan dibayar terpisah, struk yang sudah dikoreksi, nama vendor yang berbeda dari nama hukumnya. Kedua, deteksi bersifat probabilistik. Anda akan menyetel ambang untuk menyeimbangkan masalah yang terlewat dengan beban peninjau yang berlebih, dan Anda harus siap menyetelnya ulang.

Mengapa Mengaudit Setiap Klaim Lebih Baik daripada Sampel

Argumen untuk peninjauan seluruh populasi berasal dari cara penipuan dan kesalahan berperilaku seiring waktu. Dalam studi ACFE 2026, skema median berjalan 12 bulan sebelum tertangkap, dan kasus yang tertangkap dalam enam bulan memiliki median kerugian $40.000 (ACFE). Waktu adalah pengali. Kontrol yang memeriksa setiap klaim saat diajukan memperpendek jendela itu dari bulan menjadi hari, karena pola terlihat pada kejadian kedua atau ketiga, bukan setelah audit tahunan.

Studi yang sama menemukan bahwa laporan (tips) adalah cara penipuan paling sering ditemukan, pada 43% kasus, dan bahwa lebih dari separuh kasus melibatkan kurangnya pengendalian internal atau penimpaan atas pengendalian yang ada (ACFE). Bacalah begini: orang yang memperhatikan sesuatu itu berharga, dan pengendalian yang lemah atau dilewati itu lazim. Peninjauan otomatis tidak menggantikan hotline atau tenaga kerja yang terlatih. Ia menambahkan lapisan yang tidak bergantung pada ada-tidaknya orang yang cukup berani bersuara.

Studi itu mencakup penipuan okupasional secara luas, bukan penipuan biaya saja, jadi pakailah sebagai bukti mengapa kecepatan deteksi penting, bukan sebagai ramalan apa yang akan ditemukan program biaya Anda. Baseline Anda sendirilah angka yang menentukan.

Peninjauan seluruh populasi juga membantu karyawan yang jujur. Ketika aturan diterapkan sama kepada semua orang, ruang untuk anggapan bahwa makan malam direktur penjualan dibiarkan lolos sementara milik analis junior dipertanyakan menjadi lebih kecil. Konsistensi adalah manfaat budaya yang tidak akan Anda temukan dalam laporan penipuan.

Di Mana Manusia Tetap Terlibat

Jangan biarkan alat menutup putaran sendirian. Pembagian yang masuk akal:

• Setujui otomatis klaim yang lolos semua aturan keras, cocok dengan transaksi kartu, dan berada di bawah ambang nilai yang Anda tetapkan.
• Arahkan ke manajer klaim dengan pertanyaan kebijakan yang dapat dijelaskan karyawan, seperti makan malam klien di atas batas.
• Arahkan ke keuangan klaim dengan tanda risiko: kemungkinan duplikat, struk yang diubah, pedagang terlarang.
• Arahkan ke audit internal atau HR pola berulang oleh orang yang sama, jangan pernah item tunggal.

Apa pun yang bisa berujung pada tindakan disipliner memerlukan manusia yang memeriksa buktinya lebih dulu. Skor model bukanlah bukti. Struk, baris kartu, dan penjelasanlah bukti. Rancang layar peninjauan agar menampilkan klaim, alasan penandaan, dan data pendukung berdampingan, sehingga peninjau dapat memutuskan dalam waktu kurang dari semenit.

Ini adalah disiplin human-in-the-loop (manusia dalam proses) yang sama seperti yang dijelaskan di seluruh koleksi ini. Kesiapan data keuangan untuk AI membahas input yang membuat pemeriksaan ini andal, seperti catatan pusat biaya dan karyawan yang bersih.

Cara Menerapkan Manajemen Biaya dengan AI, Langkah demi Langkah

1. Tetapkan baseline proses saat ini. Hitung klaim per bulan, rata-rata waktu pemrosesan, porsi yang butuh perbaikan, dan berapa banyak yang diaudit saat ini. Anda memerlukan ini untuk membuktikan perbaikan nanti.
2. Tulis ulang kebijakan sebagai aturan yang dapat diuji. Bahasa yang ambigu menghasilkan pemeriksaan yang tidak konsisten. Untuk setiap kalimat, tanyakan apakah mesin dapat membedakan yang patuh dari yang tidak. Jika tidak, tambahkan angka atau tandai sebagai pertimbangan manusia.
3. Tetapkan aturan struk Anda. Putuskan jumlah di atas mana struk diwajibkan, dan bidang mana yang harus terbaca, sesuai dengan persyaratan pajak setempat.
4. Hubungkan datanya. Data kartu korporat, pemesanan perjalanan, data induk karyawan, dan daftar pusat biaya adalah yang mengubah pembaca struk menjadi pemverifikasi.
5. Uji coba (pilot) dalam mode bayangan. Jalankan AI berdampingan dengan pemberi persetujuan Anda selama satu atau dua siklus. Bandingkan apa yang ditandainya dengan apa yang ditangkap manusia, dan catat apa yang terlewat oleh masing-masing.
6. Setel ambang. Pilih sensitivitas penandaan yang memberi peninjau antrean yang layak dikerjakan. Antrean sebesar 40% dari semua klaim menggagalkan tujuannya.
7. Luncurkan secara bertingkat. Mulailah dengan menyetujui otomatis klaim bernilai rendah yang paling bersih, pertahankan peninjauan manusia untuk semua yang ditandai, dan perluas pita setujui-otomatis hanya sejauh data kesalahan mendukungnya.
8. Beri tahu karyawan apa yang diperiksa. Komunikasi yang singkat dan lugas mengurangi kesalahan jujur sekaligus godaan untuk mencoba-coba. Ini juga mempermudah banding.
9. Tinjau setiap bulan. Lacak positif palsu, kesalahan yang lolos, dan penimpaan oleh peninjau, lalu masukkan koreksi kembali ke aturan.

Siapa mengerjakan apa juga merupakan pertanyaan tim. Tugas penyusun bergeser dari mengetik ke meninjau, yang dibahas rinci dalam AI dan peran tim keuangan. Jika Anda menimbang antara otomatisasi berskrip dan model terlatih untuk sebagian dari ini, AI vs RPA di bidang keuangan menguraikan untung ruginya.

Metrik yang Perlu Dilacak

Pantau tingkat penimpaan dengan cermat. Jika peninjau membatalkan sebagian besar tanda dalam satu kategori, aturannya yang salah. Jika mereka tidak pernah membatalkan apa pun, mungkin mereka sudah berhenti memeriksa.

Jebakan yang Perlu Dihindari

Menganggap akurasi OCR sebagai hal yang pasti. Uji pada struk Anda sendiri, termasuk yang jelek dari taksi, restoran kecil, dan vendor luar negeri. Demo vendor pada struk yang bersih tidak banyak memberi tahu Anda.

Mengotomatiskan kebijakan yang rusak. Jika kebijakan itu samar atau diabaikan, AI akan menerapkannya secara tidak konsisten dan dengan ribut. Perbaiki kebijakan dulu.

Mengumumkan aturan deteksi penipuan. Karyawan perlu tahu bahwa klaim ditinjau. Mereka tidak perlu tahu ambang persis dan sinyal deteksinya.

Memperlakukan tanda sebagai tuduhan. Peluncuran yang ceroboh, ketika pesan pertama kepada karyawan terbaca seperti pemberitahuan penipuan, menghancurkan kepercayaan dengan cepat. Rumuskan pertanyaan sebagai permintaan klarifikasi.

Mengabaikan privasi. Struk mengungkap di mana orang makan, bepergian, dan berbelanja. Batasi siapa yang dapat melihat data, tetapkan periode retensi, dan periksa aturan di setiap negara tempat Anda beroperasi sebelum memakai data lokasi atau kalender.

Membiarkan model menyetujui dan membayar sendirian. Letakkan pelepasan pembayaran di balik kontrol terpisah. Alat yang sama yang membaca klaim tidak boleh bisa memindahkan uang tanpa aturan atau orang di antaranya.

Melewatkan jejak audit. Untuk setiap klaim, simpan gambar asli, bidang yang diekstrak, skor keyakinan, aturan yang diterapkan, tanda yang muncul, dan siapa yang membuat keputusan akhir. Catatan itulah yang membuat proses dapat dipertanggungjawabkan.

Langkah Selanjutnya

Mulailah dengan baseline dari langkah pertama dan satu pertanyaan jujur: berapa banyak klaim Anda yang benar-benar dibaca seseorang saat ini? Lalu pilih satu tingkat klaim berisiko rendah untuk diotomatiskan dan daftar tanda yang sanggup Anda tangani dengan staf yang ada. Ketika Anda siap merancang agen di baliknya, gunakan blueprint agen persetujuan biaya AI. Untuk peta yang lebih luas tentang di mana AI berperan dalam fungsi ini, lihat kasus penggunaan AI di bidang keuangan, dan untuk proses yang bersebelahan, AI dalam utang usaha (accounts payable) serta pembukuan dengan AI.