Pemimpin pemikiran
AI Hanya Sepintar Data Keuangan yang Mendukungnya

Poin utamaAI gagal ketika sistem tidak sepakat tentang arti satu bidang seperti tanggal…
Lihat selengkapnya
- AI gagal ketika sistem tidak sepakat tentang arti satu bidang seperti tanggal pembayaran.
- Data keuangan yang terhubung memungkinkan AI membedakan perubahan bermakna dari fluktuasi rutin.
- Kontrak data dan aliran berbasis peristiwa lebih penting daripada aplikasi AI itu sendiri.
AI telah menjadi bagian dari hampir setiap percakapan tentang masa depan keuangan. Organisasi berinvestasi dalam AI untuk mengotomatiskan pekerjaan rutin, meningkatkan akurasi perkiraan, dan membantu karyawan mengambil keputusan lebih cepat. Sebagian besar percakapan itu dimulai dengan model dan aplikasi. Menurut pengalaman saya, percakapan seharusnya dimulai dengan kualitas, keterhubungan, dan tata kelola data yang menjadi andalan sistem tersebut.
Sepanjang karier, saya telah membangun dan mengembangkan infrastruktur pembayaran, dan masalah tersulit jarang berkaitan dengan algoritma. Masalahnya justru terletak pada infrastruktur dasar yang dibutuhkan platform akuntansi, bank, penyedia layanan penggajian, dan jaringan pembayaran agar dapat mendeskripsikan peristiwa bisnis yang sama dengan cara yang sama.
Tantangan ini sangat terlihat di bidang keuangan. Akuntansi, perbankan, penggajian, penagihan, dan pembayaran semuanya menghasilkan informasi yang membentuk keputusan bisnis. Ketika sistem-sistem tersebut beroperasi secara terpisah, terciptalah lingkungan data yang terfragmentasi sehingga AI jauh lebih sulit memahami konteks di seluruh organisasi. AI dapat mengidentifikasi pola dalam masing-masing sistem, tetapi tidak dapat menjelaskan secara andal apa yang terjadi di seluruh bisnis tanpa gambaran keuangan organisasi yang saling terhubung. Pada masa-masa awal di Melio, kami menghadapi persoalan yang terdengar sepele, tetapi sebenarnya tidak: apa arti “dibayar”? Pelanggan menyetujui pembayaran pada hari Senin. Dana keluar dari rekening mereka pada hari Selasa. Bank vendor menyediakan dana tersebut pada hari Kamis. Transaksi itu dicocokkan dengan faktur pada minggu berikutnya. Ada empat cap waktu dan empat jawaban yang dapat dipertanggungjawabkan untuk pertanyaan “kapan pembayaran ini dilakukan”; tak satu pun keliru. Akuntan manusia dapat mengatasi ketidakjelasan itu tanpa perlu memikirkannya. Namun, model peramalan yang memperlakukan “tanggal pembayaran” sebagai satu kolom akan menghasilkan prediksi yang sangat yakin tetapi keliru secara sistematis tentang waktu pembayaran—padahal ketepatan waktu adalah satu hal yang harus benar dalam peramalan arus kas. Menghubungkan sistem-sistem tersebut adalah langkah awal yang diperlukan. Namun, menyelaraskan pemahaman tentang arti setiap kolomlah yang membuat keterhubungan itu benar-benar bernilai. Dalam keuangan, kesiapan untuk AI dimulai dari keterhubungan, dan keterhubungan baru berarti jika sistem-sistem tersebut mendeskripsikan peristiwa yang sama dengan cara yang sama.
Visibilitas yang Lebih Baik Menghasilkan Keputusan yang Lebih Baik
Kebutuhan akan data keuangan yang saling terhubung kian mendesak. Laporan Small Business Insights dari Xero menunjukkan bahwa usaha kecil di AS kini menunggu rata-rata 29,3 hari hingga dibayar, sementara pertumbuhan penjualan tahunan sebesar 4,0% masih di bawah rata-rata jangka panjangnya. Ketika waktu pembayaran, pengeluaran, dan permintaan berubah secara terpisah, organisasi membutuhkan sistem yang mampu menghubungkan sinyal-sinyal tersebut, bukan menganalisisnya satu per satu—dan hal ini sama pentingnya bagi operasi perbendaharaan perusahaan besar maupun bisnis dengan 10 karyawan.
Bayangkan sebuah bisnis yang sedang mempertimbangkan apakah mampu merekrut satu karyawan lagi sebelum akhir kuartal. Keputusan itu bergantung pada lebih dari sekadar saldo bank hari ini: perkiraan pembayaran dari pelanggan, kewajiban penggajian, pengeluaran berulang, kewajiban pajak yang akan datang, dan proyeksi pendapatan semuanya turut menjadi pertimbangan. Tidak ada satu metrik pun yang dapat memberikan jawaban andal. Menggabungkan semua masukan tersebut membantu para pemimpin memahami posisi keuangan mereka dengan lebih jelas dan memberi AI bahan yang bermakna untuk dianalisis. Otomatisasi membutuhkan akses ke transaksi. Penalaran membutuhkan konteks.
Tim keuangan dapat menghabiskan bagian awal setiap bulan untuk merekonsiliasi data dari berbagai sistem sebelum analisis yang bermakna dapat dimulai. Saat gambaran lengkap akhirnya tersedia, perubahan arus kas yang ingin mereka pahami mungkin sudah terjadi berminggu-minggu sebelumnya. Keterlambatan inilah yang dapat dikurangi dengan data yang saling terhubung.
AI Memberi Nilai Tambah Saat Memahami Bisnis
Generasi pertama AI di bidang keuangan berfokus pada efisiensi: mengategorikan transaksi, memproses faktur, dan membantu tim menyelesaikan tugas rutin dengan lebih cepat. Kemampuan tersebut tetap memberikan nilai, tetapi ekspektasi kini bergeser dari otomatisasi tugas ke dukungan pengambilan keputusan yang memahami konteks—visibilitas lebih dini terhadap risiko arus kas, akurasi perkiraan yang lebih baik, serta pemahaman tentang bagaimana perubahan perilaku pembayaran, pengeluaran, atau pola pendapatan dapat memengaruhi kinerja di masa mendatang.
Untuk mewujudkannya, AI perlu menganalisis data keuangan dengan mempertimbangkan konteks. Makna suatu transaksi bergantung pada kondisi di sekitarnya: kenaikan pengeluaran dapat menunjukkan pemborosan atau mencerminkan pembelian persediaan untuk mengantisipasi permintaan musiman; penurunan cadangan kas dapat menandakan tekanan likuiditas atau sekadar dipengaruhi waktu pembayaran pajak triwulanan. AI menjadi bernilai ketika mampu melakukan hal serupa—menghubungkan pola dalam transaksi historis, posisi kas, piutang, dan sinyal operasional untuk membedakan perubahan yang bermakna dari fluktuasi rutin.
Membangun Fondasi yang Tepat
Bagi para pemimpin teknologi yang mengevaluasi AI di bidang keuangan, pertanyaan pentingnya bukan aplikasi mana yang harus diterapkan lebih dahulu, melainkan apakah lingkungan data yang mendasarinya mampu menyediakan konteks yang lengkap dan tepat waktu sebagaimana dibutuhkan aplikasi tersebut. Dalam membangun sistem ini, beberapa investasi paling penting meliputi:
Perlakukan integrasi sebagai kontrak, bukan sekadar koneksi. Sinkronisasi satu kali antara platform akuntansi dan sistem pembayaran akan semakin tidak selaras seiring waktu. Tetapkan kontrak data yang jelas—skema, definisi kolom, dan jaminan kesegaran data—agar ketika sistem hulu berubah, kinerja AI di sistem hilir tidak menurun tanpa disadari.
Beralihlah dari rekonsiliasi batch ke aliran data berbasis peristiwa. Jika data keuangan direkonsiliasi setiap minggu atau bulan, AI membuat prakiraan berdasarkan informasi yang sudah usang. Pipeline berbasis peristiwa yang meneruskan transaksi saat terjadi memberi model data terkini yang dibutuhkan untuk mendeteksi perubahan lebih awal.
Bangun lapisan semantik untuk metrik keuangan. “Posisi kas”, “piutang yang belum tertagih”, dan “pendapatan” harus memiliki arti yang sama di setiap sistem. Tanpa definisi yang konsisten, AI akan dengan yakin memberikan jawaban yang ditafsirkan secara berbeda oleh setiap tim.
Evaluasi keluaran AI berdasarkan data acuan. Buku besar merupakan keunggulan bidang keuangan dibandingkan sebagian besar ranah AI: tersedia catatan yang dapat diverifikasi. Wawasan keuangan yang dihasilkan AI harus memenuhi standar yang sama dengan pekerjaan analis junior, diuji terhadap angka aktual, dan akurasinya diukur dari waktu ke waktu. Kepercayaan terhadap rekomendasi AI diperoleh melalui pengukuran, bukan sekadar dinyatakan.
Investasi ini kurang mendapat perhatian dibandingkan aplikasi AI yang dibangun di atasnya, tetapi menentukan apakah aplikasi tersebut dapat berfungsi.
Pembeda Sesungguhnya
Seiring AI semakin terintegrasi dalam pengelolaan keuangan, tantangan teknis bergeser dari kemampuan masing-masing model ke seberapa efektif model tersebut beroperasi dalam arsitektur data keuangan yang lebih luas.
Organisasi yang berinvestasi pada data yang saling terhubung akan lebih cepat mengidentifikasi perubahan arus kas dan lebih yakin terhadap prakiraan yang dihasilkan AI. Perbedaannya bukan pada modelnya, melainkan pada data yang mendasarinya.












