Auditing selalu menjadi suatu proses yang sangat panjang, biasanya diadakan bahkan sebelum tahun buku telah tutup. Apabila tahun buku mendekati akhir, biasanya audit akan dimulai dari bulan September untuk mulai memeriksa data untuk kuartal pertama, kemudian bulan Oktober dan November untuk kuartal ke-2, Desember untuk kuartal ke-3 dan Januari untuk kuartal ke-4. Dengan audit bertahap seperti ini akan mempercepat proses audit namun tetap saja merupakan tahap dari proses yang cukup lama dan sangat menguras sumber daya. Untuk memeriksa jumlah transaksi yang masif dan juga informasi yang berhubungan dengan berbagai cabang perusahaan, diperlukan sebuah alternatif yang dapat mengurangi penggunaan sumber daya serta mengotomisasikan pemeriksaan laporan keuangan. Oleh karena itu, muncul inovasi baru yang bernama XBRL.

XBRL (eXtensible Business Reporting Language) merupakan sebuah standar yang dapat menyesuaikan dengan semua perusahaan untuk melaporkan informasi keuangan dengan sederhana. Konsep berikut didesain untuk meningkatkan transparansi dan efisiensi dalam melaporkan informasi yang relevan. Meningkatnya penggunaan XBRL di berbagai bursa efek saham secara tidak langsung menunjukkan fungsionalitasnya yang berhasil dalam menyampaikan informasi secara sederhana. Namun meskipun begitu, tetap saja akan sangat rumit untuk membaca begitu panjang informasi yang tertera pada laporan tersebut. Untuk mempermudah proses pemeriksaan pun muncul model LLM dalam mengotomatisasikan proses pemeriksaan.

Mengikuti tren yang ada sekarang, LLM (Large Language Model) merupakan salah satu bagian dari AI yang mengotomatisasikan penarikan data, identifikasi anomali dan interpretasi naratif yang kompleks. Beringat atas istilah-istilah yang rumit di dalam laporan keuangan, akan diperlukan model AI yang memiliki spesifikasi dan keahlian tertentu dalam menganalisa laporan keuangan. Berbagai implikasi ada seperti kepada para investo dalam mempermudah pemahaman terhadap laporan keuangan, masyarakat awam yang ingin mempelajari pelaporan keuangan, regulator yang menetapkan standar, serta auditor yang memastikan bahwa laporan keuangan dapat digunakan sebagai dasar pemilihan keputusan managerial dan strategis. Dengan mempercepat proses yang dianggap redundan, LLM dapat sangat mempersingkat proses audit sehingga menjadi jauh lebih efisien dan lebih sedikit kemungkinan terjadinya human error. Secara proses, bisa dibilang bahwa LLM dan XBRL merupakan 2 konsep yang terikat, di mana XBRL menerjemah laporan yang begitu panjang menjadi sebuah format standar yang dapat dipahami oleh computer, kemudian LLM akan menganalisa lebih lanjut dengan label dan tag yang sudah disertai oleh XBRL sebelumnya.

Referensi:

  • Al-Okaily, M., Alkayed, H., & Al-Okaily, A. (2024). Does XBRL adoption increase financial information transparency in digital disclosure environment? Insights from emerging markets. International Journal of Information Management Data Insights, 4(1), 100228. https://doi.org/10.1016/j.jjimei.2024.100228
  • Al-Okaily, M., Boshnak, H., Alkayed, H., Shehadeh, E., & Alqam, M. (2024). From traditional to digital: the role of XBRL adoption in improving financial statements transparency. Global Knowledge Memory and Communication, 74(9–10), 3100–3113. https://doi.org/10.1108/gkmc-04-2023-0117
  • Lazirko, M., Gu, H., & Sharma, G. (2026). Automating Hypertext Assignment in Audit Documents: A Large Language Model-Based Approach. Accounting Open, 2, 100004. https://doi.org/10.1016/j.accop.2026.100004
  • Wang, R., Liu, J., Zhao, W., Li, S., & Zhang, D. (2025). Automating Financial Statement Audits with Large Language Models. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2506.17282