Adopsi kecerdasan buatan (AI) dalam audit dan forensic accounting mengubah cara profesi akuntansi mendeteksi dan merespons kecurangan. Berbagai studi menunjukkan bahwa mayoritas lembaga keuangan dan perusahaan besar sudah memanfaatkan AI untuk deteksi fraud, dengan survei perbankan internasional yang menemukan sekitar 90% institusi finansial menggunakan AI untuk mempercepat investigasi dan mendeteksi pola fraud baru secara real time, serta melaporkan peningkatan signifikan dalam akurasi deteksi (Feedzai, 2025; Patil, 2025). Implementasi AI memungkinkan auditor beralih dari pendekatan berbasis sampel ke analisis populasi 100% transaksi, sehingga anomali kecil yang sebelumnya luput dapat teridentifikasi lebih dini, sekaligus mengurangi beban kerja manual dan risiko human error (Patil, 2025; Sun, 2025). Dalam konteks ini, AI bukan sekadar alat bantu tambahan, melainkan komponen inti dari sistem pengendalian internal modern yang mampu beradaptasi dengan pola fraud yang terus berkembang.

Berbagai algoritma machine learning telah terbukti efektif dalam mendeteksi anomali pada data keuangan dan operasional perusahaan. Algoritma seperti Isolation Forest memisahkan observasi yang “menyendiri” dari mayoritas data, sementara autoencoder berbasis deep learning belajar merekonstruksi pola normal dan menandai transaksi yang memiliki reconstruction error tinggi sebagai indikasi penyimpangan (Azzahra, 2025; Patil, 2025). Model berbasis gradient boosting seperti XGBoost sering kali mencapai tingkat akurasi di atas 90% dalam studi deteksi fraud, dengan precision dan recall yang lebih baik dibandingkan pendekatan aturan statis tradisional, sehingga sistem dapat mengurangi false positive dan fokus pada kasus berisiko tinggi (Everant, 2025; Patil, 2025). Keunggulan utama pendekatan ini adalah kemampuan untuk memproses volume data yang sangat besar dalam waktu singkat, termasuk data transaksi, log sistem, dan informasi non‑struktural, serta melakukan pembelajaran berkelanjutan seiring munculnya pola kecurangan baru.

Transformasi ini memiliki implikasi besar terhadap peran auditor dan praktisi forensic accounting. Dengan kemampuan AI melakukan continuous auditing dan real-time monitoring, auditor tidak lagi hanya berfokus pada pengujian transaksi secara sampling di akhir periode, tetapi beralih menjadi insight provider yang menilai desain model, menginterpretasi hasil deteksi, dan mengintegrasikan temuan AI ke dalam penilaian risiko dan rekomendasi tata kelola (Fernanda, 2025; Patil, 2025). Auditor perlu mengembangkan kompetensi baru dalam pemahaman algoritma, kualitas data, serta isu etika dan explainability, karena keandalan sistem deteksi fraud bergantung pada desain model dan data yang digunakan. Tantangan seperti keterbatasan SDM terampil, kebutuhan infrastruktur teknologi yang memadai, dan kekhawatiran privasi data harus diatasi melalui roadmap implementasi yang terarah, pelatihan berkelanjutan, dan kolaborasi erat antara fungsi audit, TI, dan manajemen risiko (Azzahra, 2025; Patil, 2025). Dengan demikian, AI berpotensi besar untuk meningkatkan kualitas audit dan efektivitas

forensic accounting, asalkan diadopsi dengan pendekatan yang terukur, transparan, dan selaras dengan standar profesional.

Referensi:

  • Azzahra, A. S. (2025). The use of artificial intelligence (AI) in fraud detection by government auditors: A systematic literature review. International Conference on Management Studies.
  • Everant. (2025). AI-powered fraud detection in auditing using machine learning. Engineering & Technology Journal, 12(2), 45–58.
  • Feedzai. (2025, May 5). AI fraud trends 2025: Banks fight back. Feedzai.
  • Fernanda, I. A. (2025). Peran kecerdasan buatan (AI) dalam meningkatkan audit forensik. Owner: Riset dan Jurnal Akuntansi, 9(3), 210–225.
  • Patil, D. (2025). Artificial intelligence in financial risk assessment and fraud detection: Opportunities and ethical concerns. International Journal of Research and Innovation in Social Science, 9(4), 150–162.
  • Sun, G. (2025). Artificial intelligence and financial fraud. Journal of Financial Crime, 32(1), 1–19.