Perencanaan Skenario dengan AI bagi Pemimpin Keuangan

Oleh Jane Ha · Diperbarui 11 Oktober 2026

Perencanaan skenario dengan AI adalah pemakaian pembelajaran mesin dan model bahasa untuk membangun, menjalankan, dan menjelaskan beberapa versi masa depan keuangan Anda sekaligus, sehingga pimpinan dapat melihat bagaimana pendapatan, margin, dan kas bereaksi terhadap asumsi yang berbeda sebelum mengambil komitmen. Model mengerjakan bagian yang berulang: membangun ulang prakiraan di bawah setiap rangkaian asumsi, meringkas driver mana yang penting, dan menyusun draf penjelasannya. Manusia tetap memilih skenario, memegang asumsi, dan memutuskan apa yang harus dilakukan.

Panduan ini ditujukan bagi CFO, pimpinan FP&A, dan direktur keuangan yang sudah menjalankan anggaran dan prakiraan bergulir serta ingin mendapat lebih banyak dari skenario. Panduan ini membahas perbedaan antara skenario, sensitivitas, dan Monte Carlo, di mana AI membantu, penyiapan langkah demi langkah, cara menyajikan hasil kepada dewan direksi, dan di mana pendekatan ini keliru. Untuk gambaran fungsi yang lebih luas, mulailah dari hub AI di FP&A. Untuk metode dasarnya, lihat perencanaan skenario.

Fakta Utama

• Dalam AFP FP&A Benchmarking Survey 2026 (332 praktisi keuangan korporat, dilaksanakan Agustus hingga September 2025), hanya 38% organisasi yang memakai perencanaan skenario terstruktur (AFP).
• Tim dalam survei itu yang memakai perencanaan skenario terstruktur menyusun anggaran dalam rata-rata 8,1 minggu, dibandingkan 9,2 minggu untuk rekan yang tidak memakainya, yang menurut AFP 11% lebih cepat (AFP).
• Survei yang sama melaporkan bahwa para perencana skenario menilai diri mereka 14% lebih tinggi pada keselarasan strategis dan 13% lebih tinggi pada pengintegrasian faktor eksternal (AFP). Ini adalah penilaian diri, jadi bacalah sebagai asosiasi, bukan bukti sebab-akibat.
• AFP membedakan analisis sensitivitas (ubah satu variabel, tahan yang lain tetap) dari perencanaan skenario terstruktur (memproyeksikan hasil pada serangkaian keadaan) dan menganggap yang pertama kurang matang (AFP).
• Tim perencanaan Shell memperingatkan para eksekutif tentang krisis energi 1973 lewat skenario, dalam laporan 1972 yang menyebut harga minyak bisa naik dari sekitar $2 hingga sebesar $10 per barel (strategy+business).

Skenario, Sensitivitas, dan Monte Carlo: Tiga Alat yang Berbeda

Ketiganya sering dikaburkan dalam paket rapat dewan, dan kekaburan itu menyebabkan keputusan yang buruk. Masing-masing menjawab pertanyaan yang berbeda.

Gagasan skenario punya sejarah panjang dalam perencanaan korporat. Tim Shell di bawah Pierre Wack memakai skenario sebagai kisah alternatif, bukan prediksi titik, dan tujuannya adalah mengubah cara manajer berpikir, bukan mendaftar setiap kemungkinan (strategy+business). Itu tetap bingkai yang tepat. Skenario bukan prakiraan dengan label berbeda. Ia adalah alat keputusan.

Monte Carlo lebih tua daripada kebanyakan perangkat lunak keuangan. Nicholas Metropolis dan Stanislaw Ulam menguraikannya dalam "The Monte Carlo Method," makalah 1949 di Journal of the American Statistical Association, dan gagasan intinya tidak berubah: jalankan model yang sama berkali-kali dengan masukan yang ditarik secara acak dan lihat sebaran hasilnya. Mekanismenya dibahas dalam simulasi Monte Carlo. Yang diubah AI adalah biaya menyiapkan dan menjelaskannya.

Di Mana AI Benar-Benar Membantu

AI tidak menciptakan skenario Anda. Ia menghilangkan gesekan di sekitarnya.

Membangun baseline (garis dasar). Model prakiraan yang dilatih pada riwayat dan musiman Anda memberi titik awal yang dapat dipertahankan, sehingga skenario adalah penyimpangan dari sesuatu yang terukur, bukan dari spreadsheet yang tidak dipercaya siapa pun.

Menemukan driver yang penting. Rutinitas feature-importance dan sensitivitas meringkas masukan mana yang paling menggerakkan EBITDA atau kas. Di bisnis SaaS, itu mungkin churn dan panjang siklus penjualan. Di distributor, mungkin biaya angkutan dan hari persediaan. Mengetahui hal ini menjaga rangkaian skenario tetap kecil dan relevan.

Membangun ulang model dengan cepat. Dalam proses manual, skenario baru berarti menyalin buku kerja, mengubah sel, dan merekonsiliasi hasilnya, yang bisa memakan waktu berhari-hari. Penyiapan berbasis model menghitung ulang tampilan tiga laporan secara penuh ketika sebuah driver berubah, sehingga seorang analis dapat menguji sepuluh variasi dalam waktu yang dipakai proses manual untuk menguji satu.

Memperkirakan rentang masukan. Untuk Monte Carlo, Anda membutuhkan rentang bagi setiap masukan yang tidak pasti. AI dapat mencocokkan distribusi dengan data historis, seperti sebaran laju kemenangan bulanan atau keterlambatan pembayaran, dan menyarankan korelasi antarmasukan. Seorang analis meninjau dan menimpanya.

Menyusun draf narasi. Model bahasa dapat mengubah keluaran skenario menjadi penjelasan draf pertama: apa yang berubah, driver mana penyebabnya, apa pemicunya. Ia harus diberi angka yang sudah dihitung dan diminta menjelaskannya, bukan mengingat atau menghitung ulangnya.

Memantau pemicu. Setelah skenario ada, model dapat mengamati data langsung terhadap penanda yang Anda tetapkan dan memberi tanda ketika kenyataan bergerak ke arah kasus sisi turun.

Contoh Nyata menurut Fungsi

• FP&A korporat: Tim keuangan dengan prakiraan bergulir 18 bulan menjalankan kasus dasar, kasus sisi turun (permintaan melemah, perekrutan berlanjut), dan kasus sisi naik (perpanjangan besar tiba lebih awal). Lapisan AI menjalankan ulang tampilan P&L dan kas untuk masing-masing dalam hitungan menit dan menulis jembatan di antara keduanya.
• Treasury dan likuiditas: Seorang bendahara menguji ketahanan arus kas terhadap pembayaran pelanggan yang lebih lambat dan putaran pendanaan yang tertunda. Pertanyaannya adalah berapa lama kas bertahan di setiap kasus. Lihat prakiraan arus kas dengan AI untuk cara prakiraan dasarnya dibangun.
• Penjualan dan operasi pendapatan: CRO dan CFO memodelkan pencapaian kuota di bawah laju konversi pipeline yang berbeda, memakai Monte Carlo untuk menunjukkan probabilitas mendarat dalam rentang pendapatan, bukan satu angka.
• Rantai pasok dan pengadaan: Seorang pabrikan memvariasikan harga komoditas, waktu tunggu pemasok, dan kurs secara bersamaan untuk melihat eksposur margin, lalu memutuskan di mana akan melakukan lindung nilai atau memakai dua pemasok.
• Perencanaan modal: Tim proyek menarik biaya capex, penundaan, dan permintaan dari rentang dan membaca sebaran imbal hasil, bukan satu tingkat pengembalian internal.
• Pemberi pinjaman dan kovenan: CFO memeriksa, di bawah setiap skenario, apakah rasio leverage atau cakupan akan terlanggar, dan kapan.

Contoh Hasil Monte Carlo

Angka di bawah ini rekaan untuk menunjukkan bentuk sebuah hasil, bukan tolok ukur. Bayangkan perusahaan dengan saldo kas akhir tahun kasus dasar sebesar 12 juta. Sebuah simulasi menarik 10.000 kombinasi pertumbuhan pendapatan, keterlambatan penagihan, dan inflasi biaya dari rentang yang disepakati tim.

Baris terakhir itulah yang berguna. Satu kasus dasar berkata "12 juta" dan mengundang rasa aman yang semu. Distribusi mengatakan ada peluang sekitar satu dari lima untuk menembus batas bawah Anda sendiri, yang mengarah pada percakapan berbeda tentang fasilitas kredit atau penghentian perekrutan.

Cara Menyiapkannya, Langkah demi Langkah

1. Mulailah dari keputusan, bukan model. Tuliskan apa yang harus dibantu diputuskan oleh skenario: menggalang modal, merekrut mendahului pendapatan, berkomitmen pada pabrik, atau menjaga kovenan. Skenario tanpa keputusan yang melekat menjadi latihan pelaporan.
2. Rapikan datanya. Model skenario mewarisi pemetaan akun, hierarki pelanggan dan produk, serta riwayat Anda. Perbaiki duplikat dan pemetaan yang tidak konsisten terlebih dahulu. Kesiapan data keuangan untuk AI mendaftar pemeriksaannya.
3. Bangun dan backtest (uji historis) baseline. Prakirakan periode yang sudah Anda ketahui jawabannya dan ukur kesalahannya. Jika baseline meleset jauh di masa normal, skenario yang dibangun di atasnya tidak akan lebih baik.
4. Pilih driver. Pakai uji sensitivitas untuk mengurutkan masukan, lalu pertahankan segelintir yang penting. Lima hingga delapan driver biasanya lebih dari cukup.
5. Tetapkan 3 hingga 5 skenario bernama. Beri masing-masing nama yang lugas, sebuah kisah, asumsi yang saling terkait, dan pemicu. "Permintaan melemah dan pelanggan memperpanjang tenggat pembayaran" lebih baik daripada "Skenario B."
6. Tambahkan rentang untuk Monte Carlo ketika keputusannya menyangkut risiko. Tetapkan nilai minimum, paling mungkin, dan maksimum untuk setiap masukan yang tidak pasti, dan putuskan masukan mana yang bergerak bersamaan. Korelasi adalah tempat kebanyakan simulasi gagal.
7. Pastikan seseorang memegang setiap asumsi. Setiap driver mendapat pemilik bernama di bisnis, seperti penjualan untuk laju kemenangan dan operasi untuk waktu tunggu. Itu pemeriksaan human-in-the-loop (manusia dalam proses) yang sungguhan, bukan formalitas persetujuan.
8. Hasilkan narasi dari keluaran yang sudah dihitung. Biarkan model bahasa menyusun draf, lalu minta analis mencocokkan setiap angka dengan model sebelum dibawa ke mana pun.
9. Tetapkan penanda dan jadwal tinjauan. Untuk setiap skenario, daftar dua atau tiga indikator yang dapat diamati yang memberi tahu bahwa skenario itu sedang berlangsung, serta siapa yang memeriksanya dan seberapa sering.
10. Jalankan ulang dan bandingkan. Pada setiap tutup buku, bandingkan realisasi dengan skenario, catat mana yang paling dekat, dan perbarui rentangnya.

Menyajikan Skenario kepada Dewan Direksi

Dewan direksi tidak menginginkan penelusuran model. Mereka ingin tahu apa yang bisa terjadi, seburuk apa jadinya, dan apa yang akan dilakukan manajemen. Struktur yang berhasil:

Beberapa kebiasaan membuat perbedaan. Tunjukkan rentang, bukan angka tunggal, dan bulatkan. Katakan dengan jelas bahwa rentang mencerminkan asumsi yang dipilih orang. Sebut skenario yang menurut Anda paling mungkin hanya jika Anda dapat mempertahankannya, dan siaplah menjelaskan apa yang akan mengubah pendapat Anda. Simpan mekanisme model di lampiran, bukan di materi utama.

Jebakan yang Perlu Dihindari

• Presisi semu. Simulasi yang mencetak 12.347.291 sebagai median mengundang pembaca percaya bahwa model tahu lebih banyak daripada kenyataannya. Bulatkan dan tunjukkan rentang.
• Rentang sampah. Monte Carlo tidak menciptakan informasi. Jika rentang masukan hanyalah tebakan, keluarannya adalah tebakan yang dipoles. Dokumentasikan dari mana setiap rentang berasal.
• Mengabaikan korelasi. Memperlakukan pendapatan, penagihan, dan biaya sebagai independen meremehkan sisi turun gabungan. Dalam kemerosotan nyata, ketiganya cenderung bergerak bersamaan.
• Terlalu banyak skenario. Sepuluh skenario berarti tidak ada yang ditindaklanjuti. Tiga hingga lima sudah cukup.
• Model bahasa yang berhitung. Simpan perhitungan di model atau spreadsheet dan pakai model bahasa untuk deskripsi. Model bisa menyebut angka yang salah dengan lancar, itulah masalah halusinasi AI.
• Skenario yang tergeletak di rak. Sejarah Shell sendiri menunjukkan bahwa memiliki skenario tidak menjamin tindakan, menurut strategy+business. Tanpa pemicu dan tanggapan yang disepakati lebih dulu, pekerjaannya tetap akademis.
• Baseline yang menengok ke belakang. Model yang dilatih pada tahun-tahun stabil akan meremehkan perubahan rezim. Perlakukan baseline sebagai satu sudut pandang dan pakai skenario untuk menguji apa yang tidak bisa ditunjukkan sejarah.
• Kepemilikan yang tidak jelas. Jika tidak ada yang memegang suatu asumsi, tidak ada yang akan memperbaruinya ketika fakta berubah.

Langkah Selanjutnya

Pilih satu keputusan yang sedang berjalan kuartal ini, seperti rencana perekrutan atau pendanaan, dan bangun tiga skenario di sekitarnya memakai driver yang sudah dapat Anda ukur. Lakukan backtest pada baseline, beri setiap asumsi seorang pemilik, dan tuliskan penandanya sebelum Anda mempresentasikannya. Jika keputusannya menyangkut likuiditas, bacalah prakiraan arus kas dengan AI berikutnya. Untuk gambaran lebih luas tentang di mana AI cocok dalam fungsi ini, lihat AI di bidang keuangan dan akuntansi, dan ketika Anda siap menjalankan model prakiraan, agen prakiraan AI membahas apa yang perlu dibangun.