Artificial Intelligence memiliki kecerdasan dan memiliki basis pengetahuan yang luas dalam area yang terbatas, menggunakan pemikiran yang terstruktur, dan digunakan untuk pengambilan keputusan dan pemecahan masalah. Artificial Intelligence (AI) berfungsi untuk mengolah semua data dan memberikan hasil yang lebih sederhana berupa penjelasan dan hasil yang diperlukan.

 Kecerdasan buatan (AI) dirancang  seperti manusia, dan dalam hal pemrosesan data, analisis, dan pengambilan keputusan, ini lebih akurat dan berkinerja lebih baik daripada manusia. Kecerdasan buatan dianggap sebagai solusi utama untuk berbagai kasus  auditor yang tidak dapat mendeteksi kecurangan. Kita harus mengakui bahwa kebangkitan profesional akuntansi dengan munculnya kecerdasan buatan dan meningkatnya peran analitis akuntan bersama dengan data besar membawa peluang dan kekhawatiran baru bagi akuntan (Appelbaum, Kogan,  Vasarhelyi 2017).

Secara khusus, lahirnya kecerdasan buatan dalam akuntansi akan mendorong dan mengubah profesi akuntan dari akuntan menjadi jasa konsultan, seperti dikutip dari laporan Association of  Certified Accountants (ACCA). Dengan kata lain, setidaknya 50% pekerjaan  dunia dilakukan oleh kecerdasan buatan.

 Ilmuwan Universitas Oxford  Michael Osborne dan Carl Frey (2013) memiliki diskusi serupa tentang kalkulator online  yang dapat menghitung seberapa tinggi risiko ahli otomasi. Akibatnya, akuntan bersertifikat berisiko 95% mengalami otomatisasi selama 20 tahun ke depan. Andrew Anderson dari Celaton mengatakan teknologi maju lebih cepat, yang berarti bahwa robot lebih mungkin untuk “mencuri” pekerjaan manusia lebih cepat dari yang diharapkan (Burgess, A. 2017）

Dengan meninjau kondisi dan klaim dari kemampuan kecerdasan buatan yang berkembang, kita bisa mendapatkan gambaran tentang potensi kecerdasan buatan untuk dengan cepat menggantikan posisi pemeriksa dalam mendeteksi kecurangan dan memberikan opini audit.

Kecerdasan buatan (Artificial Intelligence) menggunakan pengetahuan khusus tugas tingkat lanjut yang  ditransfer dari manusia ke  komputer untuk memecahkan masalah yang kompleks dan membuat saran (Liao, 2005). Keputusan untuk menggunakan kecerdasan buatan dalam dunia audit terutama tergantung pada pertimbangan yang mereka terima, seperti mengurangi biaya pengembangan, meningkatkan ketersediaan keahlian, menghemat waktu, selalu memiliki respons yang stabil dan lengkap, serta otomatisasi proses.(Giarratano dan Riley, 2005). Kecerdasan buatan meliputi visi, rekayasa robot, bahasa, sistem kecerdasan buatan, sistem pakar “sistem pakar”, pemahaman, dan bahasa alami. Karena kecerdasan buatan yang peka terhadap pemikiran memiliki basis pengetahuan yang luas di area yang terbatas dan menggunakan pemikiran terstruktur untuk pengambilan keputusan. Menciptakan pemecahan masalah atau sekitarnya (Alles dan Gray, 2016).

Prinsip kerja Artificial Intelligence sangat mirip dengan kemampuan manusia dalam mengolah informasi dengan menerima, menyimpan, mengolah, mengambil keputusan, dan mentransformasikannya ke dalam berbagai bentuk. Langkah ini disebut siklus cerdas dalam kecerdasan buatan.  KPMG  bekerja  dengan IBM untuk berhasil mengimplementasikan dunia KAP Big Four dengan memanfaatkan sistem kognitif dalam bentuk superkomputer Watson. Watson menggunakan pembelajaran mesin dan teknologi kecerdasan buatan. Dia mampu meneliti ribuan halaman kontrak dan dokumen dan kemudian dengan cepat merangkumnya. Anda juga dapat melihat data debit dan kredit untuk setoran dan penarikan dan menganalisisnya untuk mendapatkan informasi keuangan yang akurat (Lin et al., 2015).

Sebelum mendeteksi laporan keuangan palsu audit, sistem kecerdasan buatan harus mampu mengumpulkan dan memilih data secara dinamis. Dalam penelitian Lin et al (2015), dengan menggunakan kecerdasan buatan, dengan menggunakan sampel  447 perusahaan yang sebelumnya tidak pernah ditemukan melakukan kecurangan,  129 perusahaan ditemukan melakukan kecurangan. Kecerdasan buatan memiliki akurasi deteksi penipuan yang tinggi. Semua sampel yang digunakan dibagi menjadi dua kelompok: kumpulan data latih dan kumpulan data uji. Dataset pelatihan adalah dataset yang digunakan untuk menemukan model prediktif yang sesuai, dan  dataset uji adalah dataset yang digunakan untuk memvalidasi model yang dihasilkan.

Menurut Lin et al (2015), pendeteksian 4.444 kasus kecurangan pelaporan keuangan menggunakan jaringan syaraf tiruan (JST) menghasilkan tingkat kebenaran sebesar 91% dan 92% dibandingkan dengan metode lainnya. Menggunakan kecerdasan buatan jauh lebih aman daripada mempertaruhkan waktu dan kegagalan audit yang mahal dan risiko kegagalan audit.

 AI dapat mengungkapkan laporan audit beserta kecukupan bukti audit. jangan khawatir. Catatan Anda diverifikasi ulang dengan aman dan disimpan secara akurat. Tentu saja, penilaian profesional  juga dapat didasarkan pada kemampuan kecerdasan buatan. Di antara hasil dari fairness ini, tingkat fairness berdasarkan faktor itulah mengapa artificial intelligence mengeluarkan paragraf penjelasan yang memuat outcome, seperti manual audit.

Keberhasilan AI dalam pendeteksian penipuan tidak terlepas dari potensi dan kerangka teoritis untuk menggabungkan fungsi bersama. Kecerdasan buatan yang dipadukan dengan jaringan syaraf tiruan (JST) dapat memproses ribuan atau ratusan ribu data dalam waktu yang relatif lebih cepat dibandingkan dengan  metode konvensional. Kita juga tahu bahwa menggunakan komputer mengurangi kesalahan karena kelalaian auditor.

Namun, tentu saja, ada peluang dan tantangan yang perlu dipertimbangkan sistem ini dalam menanggapi keberhasilan Artificial Intelligence. Peluang tersebut adalah:

  1. Auditor dapat memproses lebih banyak data daripada metode tradisional saat ini.
  2. Kualitas audit dapat ditingkatkan karena auditor dapat lebih memahami proses klien dan kecerdasan buatan memberikan hasil analisis yang optimal.
  3. Lebih mudah untuk mendeteksi kecurangan karena dapat meningkatkan alat yang digunakan auditor dan dapat membantu melakukan audit.
  4. Auditor dapat menggunakan data eksternal yang mereka terima untuk melayani pelanggan mereka dengan lebih baik.

Artificial neural network (ANN) dapat bekerja dengan sangat baik dan dapat digunakan sebagai alat bantu untuk membantu auditor. Ini berarti diperlukan pengembangan  lebih lanjut dari kecerdasan buatan yang dapat digunakan untuk mengevaluasi bukti audit.

DAFTAR PUSTAKA

  • Alles, M., dan Gray, G. L. 2016. Incorporating Big Data in Audits: Identifying Inhibitors and a Research Agenda to Address Those Inhibitors. International Journal of Accounting Information Systems. Vol.22. No.2. Pp. 44-59.
  • Appelbaum, D., Kogan, A., & Vasarhelyi, M. A. (2017). Big Data And Analytics In The Modern Audit Engagement: Research Needs. Auditing, 36(4), 1–27.
  • Burgess, A. 2017. The Executive Guide to Artificial Intelligence: How to identify and Implement applications for AI in your organization. Springer. Vol.3 No.1. Pp. 33-41.
  • Frey, C. B. (2013). Intellectual Property Rights and the Financing of Technological Innovation: Public Policy and the Efficiency of Capital Markets. Oxford University.
  • Giarratano, J. & G. Riley. (2005). Expert System Principles and Programming, Carlson, second edition. Boston: PWS Publishing Company.
  • Liao, S. H. 2005. Expert System Methodologies and Applications – a Decade Review from 1995 To 2004. Expert Systems with Applications. Vol.28. No. 1. Pp. 93–103.

Image Sources: Google Images