AI dalam Manajemen Treasury: Likuiditas, FX, dan Pembayaran

Oleh Jane Ha · Diperbarui 11 Oktober 2026

AI dalam manajemen treasury (perbendaharaan) adalah pemakaian pembelajaran mesin dan model bahasa untuk memprakirakan kas dan likuiditas, mengukur eksposur valuta asing, menyaring pembayaran dari penipuan, dan memperketat modal kerja, sementara staf treasury tetap memegang kewenangan atas pendanaan, lindung nilai, dan pelepasan uang. Treasury adalah tempat yang baik bagi AI karena datanya bersifat numerik dan berstempel waktu. Ini juga tempat di mana jawaban yang salah paling sulit dibatalkan, karena kas yang sudah keluar dari bank tidak bisa kembali.

Panduan ini ditujukan bagi bendahara, CFO, controller (kepala akuntansi), dan direktur keuangan yang sedang memutuskan di mana AI layak ditempatkan dalam fungsi treasury dan kontrol apa yang harus menyertainya. Untuk pandangan menyeluruh atas fungsi keuangan, mulailah dari AI di bidang keuangan dan akuntansi dan hub perencanaannya, AI dalam FP&A. Untuk mekanisme prakiraan, baca AI untuk prakiraan arus kas.

Fakta Utama

• Dalam AFP Payments Fraud and Control Survey 2026 (465 praktisi treasury, dilaksanakan Januari 2026), 76% organisasi di AS mengalami percobaan atau kejadian nyata penipuan pembayaran pada 2025, 74% terdampak kompromi email bisnis (BEC), dan cek adalah metode yang paling banyak disasar dengan 58%, diikuti debit ACH (30%) dan transfer kawat (25%) (AFP).
• Dalam survei AFP yang sama, hanya 17% organisasi yang memakai AI untuk memerangi penipuan pembayaran (AFP).
• Internet Crime Report FBI 2025 mencatat 24.768 pengaduan kompromi email bisnis dengan kerugian yang dilaporkan sebesar $3.046.598.558, naik dari $2.770.151.146 pada 2024 (FBI IC3).
• Dalam AFP Treasury Benchmarking Survey 2026 (425 responden, dilaksanakan Mei 2026), prakiraan kas dan likuiditas sekaligus menjadi prioritas treasury teratas (63%) dan aktivitas yang paling menantang (49%) (AFP).
• Dalam survei yang sama, kebijakan AI dan teknologi baru memperoleh skor 2,9 dari 5, terendah di antara semua area kebijakan yang diukur, dan 38% menyebut pengelolaan peluang dan risiko AI sebagai tantangan signifikan (AFP).
• Perdagangan valuta asing global mencapai $9,6 triliun per hari pada April 2025, naik 28% dari 2022, dengan dolar AS berada di salah satu sisi dari 89% transaksi (BIS).

Apa yang Dilakukan AI di Treasury

Treasury memiliki empat tugas yang dapat disentuh AI: mengetahui berapa banyak kas yang akan Anda miliki, mengetahui risiko mata uang dan suku bunga yang Anda tanggung, mengeluarkan pembayaran dengan aman, dan tidak mengikat modal kerja lebih banyak dari yang dibutuhkan. AI berkontribusi dengan tiga cara. Ia memprakirakan dari riwayat (analitik prediktif atas data bank dan buku besar). Ia menandai apa yang tampak salah (deteksi anomali pada pembayaran dan saldo). Dan ia menyusun atau meringkas (model bahasa yang mengubah laporan posisi menjadi ringkasan pagi).

Yang tidak boleh dilakukannya, setidaknya tanpa pengawasan, adalah memindahkan uang atau mengikat perusahaan pada suatu lindung nilai. Angka AFP menunjukkan mengapa titik awal itu penting: tim treasury menilai kematangan kebijakan AI mereka sendiri sebagai yang terlemah di antara area kebijakan, sementara percobaan penipuan menyerang tiga dari empat organisasi. Alatnya tiba lebih cepat daripada aturan yang mengelilinginya.

Di Mana AI Membantu, Menurut Fungsi Treasury

Contoh Nyata menurut Fungsi

Prakiraan likuiditas. Seorang bendahara yang mengelola 14 rekening bank di lima negara membangun ulang prakiraan 13 minggu secara manual setiap Senin dari spreadsheet yang dikirim tim keuangan regional. Model prakiraan menerima saldo bank harian beserta piutang dan utang yang terbuka, menghasilkan baseline dan rentang, lalu menunjukkan wilayah mana yang paling sering meleset. Bendahara menghabiskan hari Senin untuk membahas selisih, bukan mengumpulkan berkas. AI untuk prakiraan arus kas membahas pilihan model dan pengukuran akurasinya secara mendalam. Prakiraan kas adalah area yang disebut para pemimpin treasury sendiri sebagai yang tersulit, sehingga menjadi sasaran pertama yang alami.

Eksposur FX. Sebuah perusahaan menagih dalam euro, membayar pemasok dalam yen, dan mendanai anak usaha dalam dolar Singapura. Data untuk menghitung eksposur bersih tersebar di tiga sistem. Lapisan AI membaca faktur dan pesanan pembelian yang terbuka, memetakannya ke mata uang dan tanggal penyelesaian, lalu memperbarui laporan eksposur bersih setiap hari. Keputusan lindung nilai tetap pada bendahara dan kebijakan lindung nilai. Sebagai gambaran skala, peran dolar penting: dolar berada di salah satu sisi dari 89% perdagangan FX global pada April 2025, sehingga eksposur terhadap dolar jarang bisa dihindari, hanya bisa dikelola.

Penyaringan penipuan pembayaran. Kompromi email bisnis bekerja dengan membujuk seseorang mengirim pembayaran ke rekening bank yang telah diubah. Data pengaduan FBI untuk 2025 mencatat 24.768 kasus semacam itu dan kerugian yang dilaporkan lebih dari $3 miliar. Model yang menilai setiap pembayaran keluar terhadap riwayat vendor (nomor rekening baru, jumlah tak biasa, waktu janggal) dapat menahan sebagian kecil yang layak ditelepon. Ia tidak akan menangkap semuanya, dan ia harus mendampingi, bukan menggantikan, panggilan balik oleh manusia ke nomor yang sudah dikenal. Hanya 17% responden AFP yang memakai AI melawan penipuan pembayaran, jadi sebagian besar perusahaan masih mengandalkan tinjauan manual.

Modal kerja. Model AI yang membaca riwayat pembayaran memprediksi pelanggan mana yang akan membayar terlambat dan pembayaran pemasok mana yang bisa digeser beberapa hari tanpa melanggar persyaratan. Hasilnya tampak pada modal kerja: lebih sedikit kekurangan yang mengejutkan, pemanfaatan diskon pembayaran dini yang lebih baik. Masukannya datang dari piutang usaha dan utang usaha, itulah sebabnya treasury harus hadir di meja ketika proses-proses itu diotomatisasi.

Persyaratan Kontrol: Apa yang Harus Terpenuhi Sebelum AI Menyentuh Kas

Kontrol klasik treasury ada karena satu orang yang mengakses uang adalah risiko. AI menambahkan jenis pelaku baru yang juga bisa keliru, atau dimanipulasi. Pertahankan hal-hal berikut.

Pemisahan tugas. Orang atau sistem yang menyiapkan pembayaran tidak boleh sama dengan yang menyetujuinya, dan tidak satu pun boleh mengubah detail rekening bank vendor seorang diri. Agen AI yang menyusun batch pembayaran adalah penyiap. Jangan beri ia hak persetujuan, dan jangan biarkan satu akun layanan membuat sekaligus melepas pembayaran.

Persetujuan pelepasan pembayaran. Setiap pembayaran di atas ambang batas Anda membutuhkan penyetuju manusia yang memiliki informasi untuk berkata tidak: jumlah, penerima, riwayat perubahan pada rekening, dan skor risiko AI beserta alasannya. Penyetuju yang hanya melihat tanda centang hijau akan belajar untuk mengkliknya begitu saja. Ini adalah kontrol human-in-the-loop (manusia dalam proses), dan hanya berfungsi bila orangnya punya waktu dan kewenangan yang nyata.

Perubahan detail rekening bank. Perlakukan setiap perubahan pada rekening penerima sebagai berisiko tinggi. Wajibkan verifikasi independen memakai kontak yang sudah ada dalam berkas, bukan yang tercantum dalam permintaan. Inilah pertahanan terhadap kompromi email bisnis, dan AI membuat email penipuan lebih meyakinkan, sehingga kontrol ini semakin penting.

Pengawasan model. Beri setiap model seorang pemilik, tujuan yang terdokumentasi, data yang dipakainya, hasil pengujian, dan log perubahan. Lakukan backtest (uji historis) prakiraan terhadap kas aktual sesuai jadwal dan tetapkan toleransi yang memicu tinjauan. Catat apa yang direkomendasikan model dan apa yang dilakukan manusia.

Akses dan batas data. Model membutuhkan akses baca ke saldo dan transaksi. Ia jarang membutuhkan akses tulis ke portal perbankan. Jauhkan kredensial API untuk inisiasi pembayaran dari alat apa pun yang juga membaca email atau dokumen, dan jauhkan data bank yang sensitif dari chatbot publik yang tidak disetujui.

Rencana cadangan. Ketahui bagaimana treasury beroperasi jika alatnya salah atau tidak tersedia: prakiraan manual, daftar periksa penyaringan manual, seorang yang ditunjuk yang dapat menghentikan otomatisasi.

Cara Meluncurkan AI di Treasury, Langkah demi Langkah

1. Mulai dengan pekerjaan hanya-baca. Prakiraan, pelaporan eksposur, dan ringkasan posisi harian tidak dapat memindahkan uang. Semuanya membangun kepercayaan dan memunculkan masalah data dengan biaya murah.
2. Petakan datanya. Daftar semua bank feed, modul ERP, data TMS, dan spreadsheet. Benahi dulu kode akun yang tidak cocok, kontrapihak ganda, dan catatan vendor yang usang; kesiapan data keuangan membahas apa yang perlu diperiksa.
3. Tetapkan baseline akurasi saat ini. Catat seberapa jauh prakiraan Anda saat ini meleset menurut horizon (minggu depan, bulan depan, kuartal depan). Tanpa baseline Anda tidak bisa tahu apakah model membantu.
4. Jalankan secara paralel. Biarkan model memprakirakan berdampingan dengan proses yang ada setidaknya selama dua atau tiga siklus dan bandingkan baris demi baris.
5. Tambahkan penyaringan sebagai penanda, bukan pemblokir. Biarkan model penipuan mengajukan penahanan untuk ditinjau sebelum Anda mengizinkannya menahan apa pun secara otomatis. Lacak positif palsu, karena tim yang dibanjiri peringatan berhenti membacanya.
6. Tuliskan aturan persetujuan. Siapa menyetujui apa, pada ambang batas berapa, dengan informasi apa di layar. Minta audit internal membacanya sebelum peluncuran.
7. Uji coba satu entitas atau satu wilayah. Ukur galat prakiraan, peringatan yang diajukan, penipuan terkonfirmasi yang tertangkap, jam kerja yang dihemat, dan insiden.
8. Tinjau setiap kuartal. Lakukan backtest, periksa ulang hak akses, dan pastikan manusia masih melakukan peninjauan.

Kesalahan Umum

• Memperlakukan prakiraan sebagai fakta. Model memberikan estimasi pusat dan rentang. Rencanakan pendanaan sesuai rentang.
• Data bank yang buruk masuk. Kas yang salah diklasifikasikan di buku besar menghasilkan prakiraan yang secara konsisten salah ke arah yang sama.
• Menyerahkan kunci kepada agen. Hak inisiasi pembayaran pada akun layanan AI meruntuhkan pemisahan tugas menjadi satu kredensial.
• Kelelahan peringatan. Penyaringan yang menandai sebagian besar pembayaran akan diabaikan. Sesuaikan ambang batas bersama peninjau.
• Tanpa kebijakan. Tolok ukur AFP menemukan kebijakan AI sebagai area paling belum matang di treasury. Tulis aturannya sebelum uji coba, bukan setelah insiden pertama.
• Melewatkan pemantauan model. Perilaku pembayaran pelanggan bergeser setelah perubahan suku bunga atau guncangan pasar, dan model yang dilatih pada bulan-bulan tenang mengalami drift model. Jalankan ulang backtest sesuai jadwal.
• Narasi halusinasi. Model bahasa yang meringkas posisi kas dapat menyebutkan angka yang salah dengan lancar. Berikan angkanya, dan minta ia mengutipnya, bukan menyuruhnya mengingat.

Apa yang Perlu Diukur

• Kualitas prakiraan: galat menurut horizon, bias (konsisten terlalu tinggi atau rendah), dan proporsi minggu yang berada dalam toleransi.
• Hasil likuiditas: saldo kas menganggur, pemakaian fasilitas kredit, dan biaya pinjaman jangka pendek.
• Penipuan dan kontrol: pembayaran yang ditahan, kerugian yang terbukti tercegah, tingkat positif palsu, dan waktu menyelesaikan penahanan.
• Proses: jam yang dihabiskan untuk menyusun posisi kas dan proporsi pengecualian yang ditutup pada hari yang sama.

Langkah Selanjutnya

Jika Anda hanya melakukan satu hal kuartal ini, tetapkan baseline akurasi prakiraan kas Anda saat ini dan letakkan model di sampingnya dalam mode hanya-baca. Lalu baca AI untuk prakiraan arus kas untuk pembangunannya, AI dalam FP&A untuk menghubungkan treasury dengan perencanaan, dan gambaran umum AI di bidang keuangan untuk gambaran tata kelola yang lebih luas. Tuliskan aturan persetujuan dan perubahan rekening bank sebelum alat apa pun mendekati proses pembayaran berkala (payment run).