Peran fungsi treasury dalam organisasi mengalami evolusi signifikan dari sekadar pengelola risiko dan likuiditas jangka pendek menjadi mitra strategis yang berkontribusi langsung pada penciptaan nilai perusahaan. Jika sebelumnya fokus utama treasury adalah memastikan ketersediaan kas dan kepatuhan terhadap kebijakan pinjaman, kini banyak perusahaan memandang treasury sebagai “pusat saraf finansial” yang mengoptimalkan struktur modal, biaya pendanaan, dan penggunaan kas lintas entitas dan negara (Deloitte, 2024; BCG, 2025). Survei global menunjukkan bahwa CFO dan treasurer semakin mengandalkan data real-time dan skenario what‑if untuk mendukung keputusan investasi, pembiayaan, dan lindung nilai (hedging), sehingga kebutuhan akan sistem yang terotomasi dan terhubung dengan sumber data internal dan eksternal meningkat tajam (APQC, 2024). Dalam konteks ini, inovasi berbasis kecerdasan buatan (AI) dan machine learning (ML) memainkan peran sentral dalam mengubah cara treasury merencanakan, memprediksi, dan mengeksekusi strategi kas.

Penerapan AI dan ML dalam peramalan kas memungkinkan treasury memproyeksikan posisi kas harian atau mingguan dengan akurasi yang jauh lebih tinggi dibanding pendekatan spreadsheet tradisional. Model ML yang dilatih dengan data historis 3–5 tahun—meliputi arus kas masuk dan keluar, pola musiman, data penjualan, jadwal pembayaran pemasok, dan variabel makro seperti suku bunga atau kurs—dapat mengidentifikasi pola non‑linier dan hubungan kompleks yang sulit ditangkap oleh model konvensional (Deloitte, 2024; FIS, 2023). Dengan demikian, treasurer dapat melihat secara lebih jelas kapan perusahaan berpotensi mengalami surplus kas yang dapat diinvestasikan jangka pendek dan kapan diperlukan penarikan fasilitas kredit, sehingga mengurangi idle cash sekaligus meminimalkan biaya bunga (BCG, 2025). Di sisi lain, visualisasi dashboard real-time yang terhubung dengan rekening bank global melalui koneksi host‑to‑host atau API memberi visibilitas menyeluruh atas posisi likuiditas di seluruh entitas dan mata uang, sehingga keputusan dapat diambil lebih cepat dan berbasis fakta.

Inovasi lain yang mendukung strategi kas adalah pemanfaatan alat manajemen likuiditas canggih seperti centralized cash pooling, sweep accounts, dan interest arbitrage antar entitas dan mata uang. Cash pooling fisik maupun notional memungkinkan konsolidasi posisi kas berbagai anak perusahaan sehingga saldo positif dan negatif dapat saling mengimbangi, menurunkan kebutuhan pendanaan eksternal dan sering kali menghasilkan penghematan biaya keuangan 30–50% jika dibandingkan pengelolaan kas terdesentralisasi (HSBC, 2023; BCG, 2025). Sweep accounts mengotomatisasi pemindahan dana dari rekening operasi ke rekening investasi jangka pendek berdasarkan ambang batas yang ditetapkan, sementara algoritma AI dapat membantu mengoptimalkan threshold dan horizon penempatan dana untuk memaksimalkan pendapatan bunga tanpa mengorbankan likuiditas operasional (FIS, 2023). Dalam ranah

lindung nilai valuta asing, solusi treasury management system (TMS) berbasis AI dapat menganalisis pola eksposur, volatilitas pasar, dan efektivitas strategi hedging sebelumnya untuk merekomendasikan ukuran kontrak, tenor, dan instrumen yang optimal, sehingga menurunkan biaya lindung nilai dan meningkatkan perlindungan terhadap fluktuasi kurs (Deloitte, 2024; APQC, 2024). Dengan kombinasi teknologi ini, treasury bertransformasi menjadi fungsi yang tidak hanya melindungi nilai, tetapi juga secara aktif menciptakan nilai melalui optimalisasi kas, risiko, dan biaya keuangan.

Referensi:

  • APQC. (2024). Treasury and cash management: Benchmarking top performers. APQC.
  • Boston Consulting Group. (2025). The future of finance 2025: Fit for growth, built for purpose. Boston Consulting Group.
  • Deloitte. (2024). Reimagining treasury in the age of AI and real-time data. Deloitte Touche Tohmatsu Limited.
  • FIS. (2023). Global treasury and risk management survey 2023. FIS Global.
  • HSBC. (2023). Optimising liquidity: The value of cash pooling and virtual accounts. HSBC Holdings plc.