Kalimat “AI mengaudit” terdengar seperti lompatan besar, tetapi gampang menyesatkan kalau dipakai tanpa konteks. AI dapat membantu auditor bekerja, menjadi objek yang diuji, atau dipakai perusahaan dalam proses yang berdampak pada laporan keuangan, pelaporan keberlanjutan, atau pengendalian internal. Ketiga situasi ini berbeda, sehingga bukti dan pertanyaan auditnya tidak boleh dicampur.
Pertama, AI sebagai alat auditor. Di sini auditor memakai teknologi untuk menelaah populasi transaksi, menemukan pola jurnal yang tidak biasa, mengelompokkan dokumen, atau menentukan area yang perlu diperiksa lebih lanjut. Hasil AI bisa mempercepat pencarian sinyal, tetapi sinyal belum merupakan kesimpulan audit. Auditor tetap harus memahami data, menguji pengecualian, menilai kecukupan bukti, dan mendokumentasikan alasan di balik kesimpulan profesionalnya.
Kedua, AI sebagai objek audit. Dalam situasi ini, auditor menilai apakah model atau sistem AI milik entitas bekerja sesuai kriteria yang telah ditetapkan, terlepas dari apakah auditor sendiri memakai AI. Contohnya, perusahaan menggunakan AI untuk menilai kelayakan kredit, mengelompokkan invoice, mengestimasi emisi, atau menyaring transaksi berisiko tinggi. Auditor perlu memahami tujuan sistem, data masukan, akses pengguna, versi model, validasi, perubahan parameter, pengendalian vendor, dan jalur human override. Output yang tampak meyakinkan tetap harus bisa ditelusuri ke proses yang menghasilkannya.
Ketiga, AI sebagai bagian dari proses bisnis entitas. Auditor mungkin tidak ditugaskan untuk mengaudit AI secara khusus, tetapi penggunaan AI dapat memengaruhi risiko salah saji atau keandalan informasi yang dipakai dalam audit. Kalau model menentukan pengakuan pendapatan, mengklasifikasikan biaya, atau menghasilkan angka emisi yang dipublikasikan, auditor perlu memahami dampaknya terhadap risiko dan bukti audit. Tingkat pengujian harus mengikuti materialitas dan risiko, apa pun tren teknologinya.
PCAOB telah memperbarui AS 1105, Audit Evidence, dan AS 2301, The Auditor’s Responses to the Risks of Material Misstatement. Amendemen itu secara spesifik membahas aspek perancangan dan pelaksanaan prosedur ketika auditor menganalisis informasi elektronik dengan alat berbasis teknologi, yang disebut technology-assisted analysis. Untuk audit dalam lingkup PCAOB, amendemen tersebut efektif bagi tahun fiskal yang dimulai pada atau setelah 15 Desember 2025. PCAOB juga menegaskan
tujuannya: mengurangi risiko auditor menerbitkan laporan tanpa memperoleh bukti audit yang cukup dan tepat.
Aturan tersebut mengatur cara auditor memperoleh bukti ketika menggunakan analisis berbantuan teknologi; aturan itu tidak mewajibkan setiap audit memakai AI. Tanggung jawab atas opini audit dan pertimbangan profesional tetap ada pada auditor. Perangkat lunak, model bahasa, atau penyedia teknologi tidak mengambil alih tanggung jawab itu.
Penggunaan AI yang baik juga butuh pagar pengaman. Simpan versi model dan prompt yang material, sumber data, hasil validasi, perubahan ambang pengecualian, serta alasan ketika manusia mengikuti atau menolak rekomendasi sistem. Periksa pula apakah vendor boleh memakai data perusahaan untuk pelatihan, bagaimana akses dibatasi, dan apakah ada log yang memadai ketika hasil model berubah. Rekomendasi IAASB tentang risiko ketergantungan berlebihan pada teknologi layak dibaca sebagai pengingat bahwa otomatisasi tidak menghapus kebutuhan akan skeptisisme profesional.
Perusahaan tidak perlu langsung memulai dengan proyek audit AI yang rumit. Buat dulu peta tiga kolom: AI yang dipakai auditor, AI yang dipakai entitas, dan AI yang menjadi objek penugasan khusus. Untuk masing-masing, tentukan keputusan bisnis yang dipengaruhi, data yang dipakai, pemilik proses, risiko utama, kontrol, dan bukti yang harus tersedia. Dengan peta ini, penggunaan AI dapat dikelola dan diuji seperti objek tata kelola lainnya.
Referensi 1. IAASB: Artificial Intelligence, A Primer. 2. IAASB: Risk of Overreliance on Technology. 3. PCAOB: Technology-Assisted Analysis. 4. NIST: AI Risk Management Framework. 5. ISO/IEC 42001:2023. 6. Raji et al., Closing the AI Accountability Gap.
