Dunia profesional akuntansi dan auditing saat ini sedang berada di persimpangan jalan evolusioner yang secara masif didorong oleh kemajuan teknologi informasi. Kehadiran Artificial Intelligence (AI) atau kecerdasan buatan bukan lagi sekadar wacana teoretis, melainkan sebuah realitas operasional yang secara fundamental mengubah cara auditor mengumpulkan, memproses, dan menafsirkan bukti audit (Suyono et al., 2025). Di tengah meledaknya volume data transaksi pada bisnis modern, metode audit tradisional yang sangat mengandalkan pengujian sampel dan prosedur manual mulai menunjukkan keterbatasan (Syahrudin et al., 2025).

Penggunaan AI, khususnya Machine Learning (ML), Natural Language Processing (NLP), dan Robotic Process Automation (RPA), telah menggeser paradigma audit dari yang sebelumnya bersifat retrospektif (pengambilan sampel historis) menjadi audit populasi penuh yang presisi dan prediktif (Suyono et al., 2025). ML memiliki kemampuan untuk memproses sekumpulan big data secara langsung guna mendeteksi pola, anomali, dan indikasi kecurangan (fraud) yang sangat sulit dideteksi oleh mata manusia (Syahrudin et al., 2025).

Misalnya, PwC telah menginvestasikan dana global yang sangat besar untuk memanfaatkan teknologi GPT-4 guna mengekstraksi dan menganalisis data tidak terstruktur seperti kontrak dan catatan laporan keuangan, yang berhasil meningkatkan efisiensi dan kualitas penugasan secara signifikan (Li, 2025). Penggunaan RPA juga membebaskan auditor dari tugas administratif berulang seperti entri data dan rekonsiliasi sehingga mereka dapat lebih berfokus pada analisis kritis dan penilaian risiko (Suyono et al., 2025).

Meskipun menjanjikan efisiensi yang revolusioner, implementasi AI dalam audit dihadapkan pada sejumlah tantangan krusial. Salah satu isu paling mendasar adalah masalah “kotak hitam” (black box), di mana algoritma pembuat keputusan yang sangat kompleks seringkali tidak dapat dijelaskan secara logis kepada pengguna atau auditor (Givisis et al., 2025). Jika auditor tidak mampu memahami bagaimana AI mencapai suatu kesimpulan, maka output tersebut akan sulit dipertanggungjawabkan sebagai bukti audit yang memadai. Selain itu, keberhasilan model AI sangat bergantung pada kualitas data input; jika data yang digunakan tidak lengkap atau bias, hasil prediksinya tidak dapat diandalkan (Suyono et al., 2025). Tantangan lainnya meliputi privasi keamanan siber yang rentan terhadap peretasan atau kebocoran data klien, biaya investasi yang tinggi, serta kurangnya keahlian teknologi di kalangan auditor tradisional. Di samping itu, AI tidak

memiliki pemahaman konteks dan skeptisisme profesional selayaknya insting yang dimiliki oleh auditor manusia.

Untuk mengatasi masalah transparansi algoritma, konsep Explainable AI (XAI) kini mulai diintegrasikan. Teknik XAI seperti metode SHAP (SHapley Additive exPlanations) dan LIME (Local Interpretable Model-Agnostic Explanations) digunakan untuk memberikan penjelasan lokal maupun global mengenai variabel apa saja yang memengaruhi prediksi model, sehingga dapat diverifikasi oleh auditor manusia (Hermosilla et al., 2025).

Dari sisi regulasi hukum dan etika, pengawasan terhadap AI semakin diperketat. Di tingkat internasional, lembaga pembuat standar seperti International Auditing and Assurance Standards Board (IAASB) terus menyusun kerangka panduan terkait penggunaan teknologi canggih untuk mempertahankan kualitas dan etika audit (IAASB, 2026). Di Indonesia, Otoritas Jasa Keuangan (OJK) telah merilis “Tata Kelola Kecerdasan Artifisial Perbankan Indonesia” pada April 2025. Panduan ini menetapkan tiga prinsip utama dalam mengimplementasikan AI: keandalan (reliability), akuntabilitas (accountability), dan pengawasan oleh manusia (human oversight) (Hendrikson, 2025). Regulasi ini dirancang agar inovasi digital tetap berjalan dalam koridor mitigasi risiko yang etis dan terkendali.

Sehingga dapat disimpulkan bahwa kecerdasan buatan menghadirkan lonjakan inovasi yang luar biasa untuk mendeteksi kecurangan keuangan, mengotomatiskan rutinitas, dan meningkatkan kualitas audit secara keseluruhan. Kendati demikian, secanggih apa pun teknologinya, keberadaan auditor manusia tidak dapat digantikan secara total oleh AI (Alicia et al., 2025). Sinergi yang optimal adalah ketika AI diperlakukan sebagai “asisten penguat” (enabler), sementara skeptisisme, kreativitas, dan penilaian akhir tetap berada di tangan profesional audit yang mengawasinya secara etis. Transformasi ini bukan sekadar pergantian teknologi, melainkan evolusi budaya yang menuntut auditor untuk terus meningkatkan literasi digitalnya.

 

Referensi

  • Alicia, R., Setiawan, T., Breliastiti, R., & Bwarleling, T. H. (2025). Artificial Intelligence (AI): Helping or Threatening Auditors? (Case in Indonesia). Jurnal Bina Akuntansi, 12(2), 72-82. https://doi.org/10.52859/jba.v12i2.752
  • Givisis, I., Kalatzis, D., Christakis, C., & Kiouvrekis, Y. (2025). Comparing Explainable AI Models: SHAP, LIME, and Their Role in Electric Field Strength Prediction over Urban Areas. Electronics, 14(23), 4766. https://doi.org/10.3390/electronics14234766
  • Hendrikson, V. A. (2025). Lexpress: OJK Terbitkan Tata Kelola Kecerdasan Artifisial: Bagaimana Regulasi Implementasi AI Dalam Industri Perbankan Di Indonesia?. LK2 Fakultas Hukum Universitas Indonesia (FHUI).
  • Hermosilla, P., Berríos, S., & Allende-Cid, H. (2025). Explainable AI for Forensic Analysis: A Comparative Study of SHAP and LIME in Intrusion Detection Models. Applied Sciences, 15(13), 7329. https://doi.org/10.3390/app15137329
  • IAASB. (2026). Technology Quality Management Roundtables: Outcomes and Next Steps. International Auditing and Assurance Standards Board (IAASB).
  • Li, X. (2025). Research on the Application of Artificial Intelligence Auditing–Taking PricewaterhouseCoopers as an Example. Advances in Economics Management and Political Sciences, 184(1), 13-19. https://doi.org/10.54254/2754-1169/2025.BL23233
  • Suyono, W. P., Puspa, E. S., Anugrah, S., & Firnanda, R. (2025). Artificial Intelligence in Auditing: A Systematic Review of Tools, Applications, and Challenges. Journal of Artificial Intelligence and Digital Business (RIGGS), 4(2), 3393-3401. https://doi.org/10.31004/riggs.v4i2.693
  • Syahrudin, M., Tampubolon, J., & Osmanov, F. F. (2025). Application of Machine Learning for Fraud Detection in Corporate Annual Financial Reports. Journal of Investigative Auditing & Financial Crime, 1(2). https://doi.org/10.70062/jiafc.v1i2.201