Kasus Penggunaan AI di Keuangan Korporat: FP&A, Akuntansi, Treasury, dan Pajak

Oleh Jane Ha · Diperbarui 11 Oktober 2026

Kasus penggunaan AI di keuangan korporat adalah pekerjaan spesifik dan berulang di dalam fungsi keuangan, tempat pembelajaran mesin atau AI generatif dapat mengambil alih pekerjaan membaca, mencocokkan, memprakirakan, menyusun draf, atau menandai, sementara staf keuangan tetap memegang persetujuan dan pertimbangan. Ini bukan satu proyek besar. Ini adalah daftar proyek kecil, masing-masing dengan datanya sendiri, standar akurasinya sendiri, dan tingkat risikonya sendiri.

Halaman ini ditujukan bagi CFO, controller (kepala akuntansi), direktur keuangan, dan manajer keuangan yang diberi daftar panjang vendor dan perlu memutuskan apa yang dicoba lebih dulu. Halaman ini memetakan kasus penggunaan menurut fungsi (FP&A, akuntansi dan tutup buku, utang dan piutang usaha, treasury, pajak, audit dan pengendalian) dan ditutup dengan cara memeringkatnya. Jika Anda ingin detail tingkat pembangunan untuk agen tertentu, lihat agen AI untuk keuangan. Halaman ini tetap satu tingkat di atasnya, pada pilihan dari mana harus memulai.

Fakta Utama

• Dalam survei CFO Signals Amerika Utara Q2 2026 dari Deloitte terhadap 200 CFO di organisasi dengan pendapatan minimal US$1 miliar, 51% memakai AI untuk tugas produktivitas operasional, 44% untuk perencanaan keuangan dan penyusunan anggaran, dan 41% untuk menganalisis data keuangan demi mendapatkan wawasan (Deloitte CFO Signals, Q2 2026).
• Dalam 2026 AFP Treasury Benchmarking Survey (425 praktisi treasury, dilaksanakan Mei 2026), prakiraan kas dan likuiditas disebut sebagai aktivitas treasury yang paling menantang oleh 49% responden, dan kebijakan treasury tentang AI mendapat skor 2,9 dari 5, yang terendah di antara semua bidang kebijakan yang diukur (AFP).
• Laporan pajak korporat 2025 dari Thomson Reuters menemukan 43% responden pernah memakai AI untuk pekerjaan mereka sendiri, tetapi hanya 6% yang menggambarkan departemen mereka secara keseluruhan sebagai pengguna aktif (Thomson Reuters Institute).
• Penjangkauan oleh staf PCAOB pada 2024 menemukan bahwa firma audit memakai AI generatif terutama untuk pekerjaan administratif dan riset, sementara beberapa penyusun laporan memakainya untuk tugas berulang yang tidak terlalu kompleks, seperti menyiapkan rekonsiliasi akun (PCAOB staff Spotlight, Juli 2024).

Mengapa Keuangan Membutuhkan Peta Kasus Penggunaan, Bukan Daftar Alat

Keuangan cocok untuk AI karena begitu banyak pekerjaannya yang terstruktur, terikat aturan, dan bervolume tinggi. Keuangan juga tempat yang buruk untuk eksperimen sembarangan, karena keluarannya berakhir di pembukuan, di instruksi bank, atau di laporan resmi. Peta kasus penggunaan membantu karena satu kata yang sama, "AI," mencakup pekerjaan yang sangat berbeda:

• Membaca dokumen. Mengambil bidang dari faktur, kontrak, dan rekening koran. Ini berkaitan erat dengan RPA tetapi dapat menangani tata letak yang berantakan.
• Mencocokkan dan menandai. Merekonsiliasi dua set data, atau menemukan transaksi yang tidak cocok, yaitu deteksi anomali.
• Memprakirakan. Memprediksi pendapatan, kas, atau penagihan dari riwayat, yaitu analitik prediktif.
• Menyusun dan menjawab. Menulis komentar varians atau menjawab pertanyaan kebijakan dari dokumen Anda sendiri, yaitu AI generatif.

Setiap jenis gagal dengan cara berbeda. Prakiraan bisa meleset beberapa persen. Ekstraksi bisa salah membaca satu digit. Draf bisa menyatakan sesuatu yang keliru dengan penuh keyakinan, masalah yang dikenal sebagai halusinasi AI. Mengetahui jenis mana yang menjadi milik suatu kasus penggunaan memberi tahu Anda apa yang harus diuji.

Peta Kasus Penggunaan Menurut Fungsi Keuangan

Tabel di bawah adalah inti halaman ini. "Kematangan" adalah penilaian editorial atas seberapa teruji kasus penggunaan itu di tim keuangan saat ini (Tinggi: banyak diterapkan, Sedang: terbukti tetapi belum merata, Baru muncul: sebagian besar masih uji coba). "Risiko" adalah biaya dari kesalahan yang tidak terdeteksi.

Dua pola menonjol. Baris dengan kematangan "Tinggi" hampir semuanya berupa ekstraksi, pencocokan, atau penyusunan draf untuk ditinjau: pekerjaan yang keluarannya diperiksa manusia dalam alur normal. Baris dengan risiko "Tinggi" adalah yang kesalahannya keluar dari gedung, menjadi pembayaran, laporan resmi, atau opini audit.

Fungsi demi Fungsi

FP&A

FP&A adalah tempat para pemimpin keuangan melaporkan pemakaian nyata. Dalam survei Deloitte, 44% CFO memakai AI untuk perencanaan dan penyusunan anggaran dan 41% untuk menganalisis data keuangan demi wawasan. Kemenangan termudah adalah komentar varians. Alat menyusun draf "pendapatan meleset 3% karena perpanjangan kontrak enterprise yang tertunda" dari data aktual dan catatan driver, lalu analis mengoreksinya alih-alih menulis dari nol.

Prakiraan lebih sulit. Model dapat menambah nilai pada pos yang digerakkan volume (perpanjangan langganan, biaya karyawan, permintaan musiman), tetapi ia memerlukan riwayat yang belum ditulis ulang oleh reorganisasi dan pemetaan ulang akun. Perlakukan ia sebagai pendapat kedua di samping prakiraan manusia selama beberapa siklus sebelum Anda mengandalkannya.

Akuntansi dan tutup buku

Pekerjaan tutup buku bersifat berulang dan dikejar tenggat, sehingga menarik. Staf PCAOB mencatat bahwa beberapa penyusun laporan memakai AI generatif untuk proses berulang yang tidak terlalu kompleks seperti menyiapkan rekonsiliasi akun atau mengidentifikasi item rekonsiliasi. Mencocokkan baris bank dengan entri buku besar, menyarankan kemungkinan penyebab suatu selisih, dan menandai entri jurnal yang diposting pada jam janggal atau oleh pengguna yang tidak lazim adalah titik awal yang umum.

Kontrolnya lebih penting daripada modelnya. Rekonsiliasi yang disiapkan AI tetap memerlukan peninjau, dan peninjau perlu melihat mengapa pencocokan itu dibuat. Jika Anda tidak bisa menelusurinya, Anda tidak bisa menyetujuinya.

Utang dan piutang usaha

Utang usaha biasanya menjadi perhentian pertama karena volumenya tinggi dan pemeriksaannya terdefinisi dengan baik: baca faktur, cocokkan dengan pesanan pembelian dan tanda terima, kodekan, arahkan pengecualian. Risikonya adalah membayar jumlah yang salah atau membayar dua kali, jadi desain yang berhasil menyerahkan pengecualian kepada manusia dan menaruh pemeriksaan duplikat di depan proses pembayaran berkala (payment run). Pola vision-extract menjelaskan bagaimana pembacaan dokumen berperilaku dalam praktik.

Piutang usaha terbagi dua. Penerapan pembayaran (cash application, mencocokkan pembayaran masuk dengan faktur terbuka) sudah matang dan minim drama. Prioritas penagihan, memutuskan siapa yang ditelepon lebih dulu dan apa yang dikatakan, adalah masalah prediksi yang menguntungkan riwayat pembayaran yang bersih dan catatan pelanggan yang konsisten.

Treasury

Treasury memiliki kebutuhan paling jelas dan standar tersulit. Survei AFP 2026 menemukan prakiraan kas dan likuiditas adalah sekaligus prioritas treasury teratas (63%) dan aktivitas yang paling menantang (49%). AI cocok secara alami karena inputnya (saldo bank, jadwal piutang dan utang, kalender penggajian) bersifat numerik dan berulang. Namun prakiraan yang mendorong keputusan pendanaan harus dapat dijelaskan, dan harus diuji balik terhadap apa yang benar-benar terjadi.

Survei yang sama merupakan peringatan soal kesiapan. Kebijakan treasury tentang AI mendapat skor 2,9 dari 5, terendah di antara semua bidang kebijakan, dan 34% responden menganggap diri efektif dalam pengetahuan AI dibandingkan 50% yang menyatakan hal itu penting. Tulis kebijakannya sebelum Anda memperluas alatnya.

Pajak

Tim pajak bersemangat secara individu tetapi berhati-hati sebagai departemen. Thomson Reuters menemukan 43% responden pajak korporat pernah memakai AI sendiri, tetapi hanya 6% yang menyebut departemennya pengguna aktif, dan lebih dari separuh menilai sikap teknologi departemennya kacau atau reaktif. Pemakaian praktisnya adalah dukungan riset, meringkas putusan dan pemberitahuan, mengekstrak data dari dokumen pendukung, dan mengklasifikasikan transaksi untuk pajak tidak langsung. Karena kesalahan bisa mendarat di laporan pajak, jadikan penyusun yang kompeten sebagai pemilik setiap keluaran, dan simpan data wajib pajak yang sensitif di dalam alat yang disetujui.

Audit dan pengendalian

Staf PCAOB menemukan firma audit memakai AI generatif terutama untuk kegiatan administratif dan riset pada 2024, dengan pemakaian lain dipandang sebagai potensi, bukan rutinitas. Bagi tim audit internal dan pengendalian, pemakaian terkuat adalah menguji seluruh populasi transaksi terhadap suatu kontrol alih-alih sampel, dengan pengecualian didaftar dan bukti dilampirkan. Peringkasan kebijakan dan bukti adalah pemakaian kedua yang lebih baru. Pada keduanya, pengamatan PCAOB berlaku: orang yang memakai alat tetap bertanggung jawab atas hasil dan dokumentasinya. Alat AI tidak mengencerkan akuntabilitas.

Dari Mana Memulai: Prioritisasi Sederhana

Peringkatkan setiap kandidat dengan tiga pertanyaan, masing-masing diberi skor 1 sampai 3:

1. Nilai. Berapa jam atau dolar yang tersentuh setiap bulan?
2. Kesiapan data. Apakah datanya lengkap, konsisten, dan dapat diakses tanpa proyek pembersihan? Panduan kesiapan data untuk AI membahas pemeriksaannya.
3. Toleransi kesalahan. Jika keluarannya salah dan tidak ada yang menyadari, seberapa buruk akibatnya? Beri skor 3 untuk dampak rendah, 1 untuk dampak tinggi.

Jumlahkan skornya. Proyek pertama yang terbaik mendapat skor tinggi pada ketiganya. Di kebanyakan tim keuangan, itu mengarah ke kelompok yang sama:

• Gelombang pertama: penyusunan draf komentar varians, pengambilan data dan pengodean faktur, pencocokan rekonsiliasi bank, penerapan pembayaran (cash application). Nilai tinggi, data terstruktur, peninjau manusia sudah ada dalam alur.
• Gelombang kedua: penandaan anomali entri jurnal, prioritas penagihan, prakiraan berbasis driver, pengujian kontrol seluruh populasi. Ini membutuhkan riwayat yang lebih bersih dan lebih banyak penyetelan, dan menguntungkan gelombang pertama yang sudah membenahi datanya.
• Nanti, dengan tata kelola lebih dulu: prakiraan kas yang mendorong keputusan pendanaan, riset pajak yang mengisi laporan pajak, apa pun yang memulai pembayaran. Bukan karena terlarang, melainkan karena biaya kesalahan yang tidak terdeteksi tinggi.

Panduan memilih pola AI yang tepat memberikan logika yang sama dari sisi teknologi.

Cara Menjalankan Kasus Penggunaan Keuangan, Langkah demi Langkah

1. Tuliskan proses sebagaimana berjalan hari ini. Input, langkah, pemberi persetujuan, dan kegagalan yang paling sering Anda lihat. Jika tidak ada yang bisa menjelaskannya, ia belum siap.
2. Tetapkan baseline. Ukur waktu siklus, waktu sentuh, dan tingkat kesalahan sekarang, agar Anda dapat menunjukkan perubahan nanti.
3. Periksa datanya. Ambil sampel dan cari bidang yang hilang, vendor ganda, kode akun yang tidak konsisten, dan data induk yang usang.
4. Pilih titik periksa manusia. Tentukan siapa yang meninjau, apa yang mereka lihat, dan apa yang dapat mereka timpa. Ini adalah desain human-in-the-loop (manusia dalam proses), dan harus menjadi langkah nyata dengan bukti, bukan klik asal lewat.
5. Jalankan paralel dulu. Biarkan alat menghasilkan keluarannya di samping proses manual selama satu atau dua siklus tutup buku dan bandingkan hasilnya baris demi baris. Beberapa penyusun laporan mengatakan kepada PCAOB bahwa mereka menjalankan teknologi baru di lingkungan paralel sebelum diterapkan, dan disiplin yang sama cocok untuk keuangan.
6. Batasi izin. Beri alat akses baca bila akses baca sudah cukup. Pemisahan tugas tetap berlaku: alat yang menyiapkan tidak boleh sekaligus menyetujui.
7. Catat semuanya. Simpan input, keluaran, dan tindakan peninjau agar auditor dapat menelusuri transaksi dari ujung ke ujung.
8. Tinjau dan perluas. Setelah beberapa siklus, bandingkan dengan baseline, perbaiki masalah data yang Anda temukan, dan baru kemudian pilih kasus penggunaan berikutnya.

Kesalahan Umum

Memulai dengan kasus penggunaan yang glamor. Prakiraan otonom cocok untuk slide rapat dewan. Pengodean faktur menjadi proyek pertama yang lebih baik, karena volumenya tinggi dan kesalahannya mudah terlihat.

Mencampuradukkan demo dengan data Anda. Alat yang dilatih pada faktur yang rapi bisa tersandung pada PDF hasil pindai dari pemasok Anda. Uji pada bulan terburuk Anda, bukan yang terbaik.

Tanpa pemilik untuk keluaran. Jika AI menyusun penjelasan flux dan tidak ada yang ditunjuk bertanggung jawab, ia masuk ke paket tutup buku tanpa dibaca. Setiap kasus penggunaan membutuhkan orang yang ditunjuk.

Melewatkan kontrol. Keuangan berjalan di atas pemisahan tugas, persetujuan, dan jejak audit. Alat yang menerobosnya, bahkan tanpa sengaja, menimbulkan temuan. Tambahkan kasus penggunaan AI ke register risiko AI seperti Anda menambahkan sistem baru apa pun yang menyentuh buku besar.

Menunda kebijakan. Hasil AFP adalah peringatan di sini. Putuskan data apa yang boleh masuk ke alat mana, siapa yang dapat menyetujui kasus penggunaan baru, dan bagaimana kesalahan dilaporkan sebelum adopsi menyebar secara informal.

Hanya mengukur kecepatan. Jam yang dihemat mudah dihitung. Lacak juga kesalahan yang tertangkap, koreksi peninjau, dan pengecualian, atau Anda akan melewatkan alat yang cepat tetapi salah.

Bacaan Selanjutnya

Jika Anda sedang memilih antara pendekatan otomatisasi, AI vs RPA di bidang keuangan menjelaskan pekerjaan mana yang membutuhkan model dan mana yang cukup dengan aturan. Untuk landasannya, baca kesiapan data keuangan untuk AI, dan untuk gambaran besarnya, mulailah dengan AI di bidang keuangan. Pilih satu kasus penggunaan gelombang pertama, tunjuk peninjaunya, tetapkan baseline, dan jalankan paralel selama satu siklus. Itu langkah pertama yang lebih baik daripada slide strategi mana pun.