Otomatisasi berguna jika pekerjaan dasarnya beres
AI untuk tim keuangan adalah teknologi yang membantu mengolah dokumen dan data transaksi agar pekerjaan seperti pencatatan, rekonsiliasi, dan analisis dapat dilakukan lebih cepat dengan tetap melibatkan pemeriksaan manusia. Nilai praktisnya terlihat pada tugas yang repetitif: staf tidak perlu terus memindahkan informasi dari dokumen ke spreadsheet atau aplikasi akuntansi satu per satu. Sistem dapat membaca data invoice, menyeragamkan format, lalu menandai informasi yang perlu diperiksa. Itulah peluang otomatisasi invoice, tetapi bukan alasan untuk menyerahkan keputusan pembayaran kepada mesin tanpa kontrol.
Pengalaman Shipper Group menunjukkan dampak yang lebih nyata daripada sekadar penghematan waktu mengetik. CFO Leonard Pontoh mengatakan AI membantu mempercepat rekonsiliasi dokumen, penagihan, dan pembayaran kepada vendor. Perusahaan itu juga menggunakan AI untuk menstandarkan dokumen penagihan dari klien dan vendor dengan format berbeda-beda. Dalam proses penagihan, waktu yang dibutuhkan turun dari 21 hari menjadi lima hari; dana yang kembali lebih cepat dapat membantu menekan beban modal kerja. Namun, hasil ekstraksi tetap bisa keliru ketika dokumen buram atau datanya tidak lengkap. Kecepatan baru bernilai jika pemeriksaan atas selisih dan informasi penerima tetap dilakukan.
AI treasury menarik, tetapi kesiapan sistem tertinggal
Optimisme terhadap AI treasury berangkat dari tekanan nyata: perusahaan perlu mengelola transaksi, menjaga likuiditas, dan mengambil keputusan dengan informasi keuangan yang cepat. Dalam survei HSBC, 84% responden Indonesia memperkirakan AI akan sangat atau amat berguna bagi treasury dalam tiga tahun mendatang, lebih tinggi daripada rata-rata Asia Pasifik sebesar 72%. Angka itu menunjukkan harapan, bukan bukti bahwa semua perusahaan siap menerapkan AI ke proses inti.
Jarak antara minat dan kesiapan tampak pada hambatan integrasi. Sebanyak 80% responden Indonesia menyebut integrasi dengan sistem yang sudah ada sebagai kendala penerapan, dibandingkan 70% di Asia Pasifik. AI tidak bekerja dalam ruang kosong: ia membutuhkan data yang relevan, format yang dapat dibaca, serta sambungan ke alur kerja perusahaan. Perusahaan yang masih bergantung pada pencatatan manual atau spreadsheet menghadapi pekerjaan awal yang berbeda dari organisasi dengan ERP dan basis data terkonsolidasi. Karena itu, memasang perangkat baru tanpa membenahi aliran data berisiko menghasilkan otomatisasi yang rapuh.
Integrasi, keamanan, dan pengawasan bukan pekerjaan sampingan
Anne Suhandojo, Country Head of Global Payments Solutions HSBC Indonesia, menekankan bahwa kesiapan sistem dan kualitas data menentukan keberhasilan penerapan AI. Ia mengingatkan, “Kalau datanya pencar-pencar, datanya tidak akurat, bagaimana AI bisa membantu? Karena AI sejatinya hanya tools”. Pesan ini tepat: keputusan yang salah tidak menjadi lebih baik hanya karena dihasilkan lebih cepat. Data perlu dibersihkan dan disatukan sebelum digunakan, sementara aksesnya harus dibatasi kepada pihak yang berwenang.
Selain integrasi, 40% responden menyebut risiko teknologi dan 40% lainnya keterbatasan keahlian sebagai hambatan adopsi. Dalam rekonsiliasi pembayaran, AI dapat menandai ketidaksesuaian, tetapi manusia tetap perlu menilai apakah selisih dapat diterima atau harus ditindaklanjuti. Pemeriksaan ini bukan rem yang menghambat otomatisasi; justru ia menjaga agar kesalahan data tidak berubah menjadi pembayaran keliru. Keamanan informasi, aturan eskalasi, dan tanggung jawab atas keputusan harus dirancang bersama sistem, bukan ditambahkan setelah masalah muncul.
Mulai dari masalah yang paling jelas
Langkah yang masuk akal bukan menerapkan AI sekaligus ke seluruh fungsi keuangan, melainkan memilih proses sederhana dengan masalah terukur—misalnya membaca invoice atau mencocokkan dokumen—lalu menguji akurasi, waktu kerja, dan kebutuhan pemeriksaan. HSBC menyarankan perusahaan memulai dari proses sederhana sebelum memperluas penggunaan AI ke fungsi yang lebih kompleks. Implementasi juga perlu diawali dengan mengidentifikasi masalah yang paling membutuhkan penyelesaian dan melibatkan departemen terkait.
Pendekatan bertahap memberi ruang untuk memperbaiki kualitas data dan sambungan ke sistem lama sebelum otomatisasi memengaruhi pembayaran atau proyeksi kas. Perusahaan sebaiknya menetapkan kapan hasil AI harus ditinjau manusia, siapa yang bertanggung jawab atas pengecualian, dan bagaimana akses data dilindungi. Survei HSBC memperlihatkan minat yang besar, tetapi ukuran keberhasilan bukan banyaknya alat yang dipasang. Yang menentukan ialah apakah sistem dapat bekerja dengan data dan proses yang ada tanpa mengorbankan ketepatan. AI dapat meringankan beban tim keuangan; integrasi dan kontrol yang baiklah yang mengubah potensi itu menjadi hasil.
