Implikasi terhadap Financial Intelligence, Corporate Governance, Risk Management, dan Peran CFO

Pendahuluan

Transformasi digital telah mengubah secara fundamental cara organisasi mengelola fungsi keuangan. Perkembangan teknologi pada awalnya diarahkan pada digitalisasi proses administratif dan otomasi pekerjaan yang bersifat repetitif, seperti pencatatan transaksi, rekonsiliasi, accounts payable, accounts receivable, dan financial reporting. Perkembangan berikutnya membawa organisasi menuju pemanfaatan advanced analytics, machine learning, dan generative artificial intelligence (AI) untuk meningkatkan kemampuan analisis dan prediksi.

Namun, perkembangan terbaru menunjukkan adanya pergeseran yang lebih fundamental. Artificial Intelligence tidak lagi hanya digunakan sebagai instrumen untuk mengotomatisasi aktivitas atau menghasilkan informasi, tetapi mulai dikembangkan menjadi AI agent yang mampu memahami tujuan, menyusun rencana, mengeksekusi tindakan, mengevaluasi hasil, dan melakukan penyesuaian berdasarkan kondisi lingkungan.

Perkembangan tersebut melahirkan konsep Agentic AI, yaitu pendekatan AI yang memberikan tingkat otonomi tertentu kepada sistem untuk mencapai tujuan yang telah ditetapkan. Dalam konteks manajemen keuangan, perubahan ini memiliki implikasi yang jauh lebih luas dibandingkan sekadar peningkatan efisiensi operasional. Agentic AI berpotensi mengubah arsitektur proses keuangan, mekanisme pengambilan keputusan, sistem pengendalian internal, manajemen risiko, hingga kompetensi yang dibutuhkan oleh Chief Financial Officer (CFO).

Deloitte melaporkan bahwa integrasi AI agents ke dalam fungsi keuangan menjadi salah satu agenda transformasi yang semakin penting bagi CFO. Dalam survei CFO yang diterbitkan pada 2026, 54% responden menyatakan integrasi AI agents ke dalam fungsi finance sebagai salah satu prioritas transformasi.

Dengan demikian, diskursus mengenai AI dalam keuangan perlu bergerak dari pertanyaan “bagaimana AI dapat membantu finance?” menuju pertanyaan yang lebih strategis: “bagaimana organisasi merancang hubungan antara manusia, AI, data, dan governance dalam proses pengambilan keputusan keuangan?”

1. Evolusi Artificial Intelligence dalam Fungsi Keuangan

Untuk memahami Agentic AI, penting untuk melihat evolusi teknologi dalam fungsi keuangan.

Secara konseptual, evolusi tersebut dapat digambarkan sebagai berikut:

Digitalization → Automation → Analytics → Predictive AI → Generative AI → Agentic AI

Pada tahap digitalisasi, organisasi mengubah dokumen dan proses manual menjadi format digital. Pada tahap otomasi, aktivitas yang memiliki aturan relatif stabil mulai dilakukan oleh sistem. Selanjutnya, analytics memungkinkan organisasi memahami pola historis, sedangkan predictive AI memberikan kemampuan untuk memperkirakan kondisi masa depan.

Generative AI kemudian memperluas kemampuan tersebut melalui kemampuan menghasilkan teks, analisis, ringkasan, kode, dan berbagai bentuk konten berdasarkan prompts serta konteks yang tersedia.

Agentic AI membawa perubahan lebih lanjut karena sistem tidak hanya menghasilkan output, tetapi dapat melakukan serangkaian tindakan untuk mencapai tujuan tertentu.

Perbedaannya dapat dirumuskan secara sederhana:

Teknologi	Fokus utama	Contoh dalam Finance
Automation	Menjalankan aturan	Rekonsiliasi transaksi
Analytics	Memahami data	Variance analysis
Predictive AI	Memprediksi	Cash-flow forecasting
Generative AI	Menghasilkan informasi	Financial analysis report
Agentic AI	Mencapai tujuan melalui tindakan	Autonomous cash-management workflow

Dengan demikian, Agentic AI bukan sekadar generative AI yang lebih canggih. Karakteristik utamanya terletak pada kemampuan sistem untuk menjalankan multi-step tasks dan melakukan tindakan berdasarkan tujuan serta batasan yang diberikan.

2. Dari Financial Information menuju Financial Intelligence

Transformasi paling fundamental yang mungkin terjadi adalah perubahan fungsi informasi keuangan.

Dalam paradigma tradisional, sistem informasi keuangan menghasilkan informasi untuk digunakan oleh manusia:

Transaction → Accounting System → Financial Report → Human Analysis → Decision

Dalam paradigma berbasis AI, rantainya berkembang menjadi:

Data → AI Analytics → Prediction → Recommendation → Human Decision

Sedangkan dalam paradigma Agentic AI, proses tersebut berpotensi berkembang menjadi:

Data → AI Reasoning → Planning → Action → Monitoring → Feedback → Adjustment

Perubahan ini menunjukkan pergeseran dari financial information menuju financial intelligence.

Financial information menjawab:

Apa yang telah terjadi?

Financial intelligence menambahkan pertanyaan:

Mengapa hal tersebut terjadi? Apa yang kemungkinan terjadi selanjutnya? Apa alternatif tindakan yang tersedia? Dan apa konsekuensi dari masing-masing alternatif?

Dalam konteks tersebut, nilai fungsi finance tidak lagi hanya ditentukan oleh kemampuan menghasilkan laporan yang akurat dan tepat waktu, tetapi juga oleh kemampuan organisasi mengubah data menjadi decision intelligence.

3. Agentic AI dan Transformasi Financial Planning & Analysis

Salah satu area yang paling potensial untuk penerapan Agentic AI adalah Financial Planning & Analysis (FP&A).

FP&A secara tradisional menjalankan aktivitas seperti:

• budgeting,
• forecasting,
• variance analysis,
• scenario analysis,
• profitability analysis,
• management reporting.

Aktivitas tersebut membutuhkan integrasi berbagai sumber data dan biasanya melibatkan siklus kerja yang cukup panjang.

Agentic AI berpotensi mengubah proses tersebut menjadi lebih dinamis.

Sebagai contoh, apabila actual revenue perusahaan berada 8% di bawah budget, AI agent dapat:

1. mendeteksi variance;
2. mengidentifikasi unit bisnis penyebab variance;
3. menganalisis faktor penyebab;
4. melakukan scenario modelling;
5. menghitung dampaknya terhadap profit dan cash flow;
6. menyusun alternatif tindakan;
7. menyampaikan rekomendasi kepada CFO;
8. melakukan monitoring terhadap realisasi tindakan.

Dengan demikian, FP&A dapat bergeser dari periodic reporting menjadi continuous financial intelligence.

Temuan Gartner pada 2026 menunjukkan bahwa investasi AI dalam fungsi finance masih banyak diarahkan pada peningkatan produktivitas, sementara proporsi yang lebih kecil secara eksplisit berorientasi pada peningkatan decision quality.

Temuan tersebut memiliki implikasi penting.

Organisasi seharusnya tidak berhenti pada pertanyaan:

“Berapa jam kerja yang dapat dihemat AI?”

Tetapi perlu memperluasnya menjadi:

“Apakah penggunaan AI menghasilkan keputusan keuangan yang lebih berkualitas?”

4. Agentic AI dalam Cash-Flow Management

Likuiditas merupakan salah satu aspek paling kritis dalam manajemen keuangan. Profitabilitas yang tinggi tidak secara otomatis menjamin kemampuan perusahaan memenuhi kewajiban jangka pendek.

Dalam sistem tradisional, cash-flow forecasting sering dilakukan berdasarkan data historis, asumsi manajemen, dan pembaruan periodik.

Agentic AI dapat mengintegrasikan:

Sales Data + Receivables + Payables + Bank Data + Budget + Historical Pattern + Business Forecast

untuk menghasilkan dynamic cash-flow forecast.

Misalnya, AI menemukan bahwa:

• collection period meningkat;
• beberapa pelanggan mengalami keterlambatan pembayaran;
• kewajiban tertentu jatuh tempo lebih cepat;
• cash inflow aktual lebih rendah dari forecast.

AI kemudian dapat menghitung potensi cash gap dan menyusun beberapa alternatif:

Scenario 1: mempercepat collection.

Scenario 2: melakukan penjadwalan ulang pembayaran tertentu.

Scenario 3: menggunakan liquidity buffer.

Scenario 4: melakukan penyesuaian investasi jangka pendek.

Dalam model Agentic AI, sistem bahkan dapat melakukan tindakan yang telah memperoleh pre-authorized limits.

Namun, di sinilah prinsip human oversight menjadi penting.

AI dapat diberi kewenangan untuk:

“Melakukan tindakan treasury sampai dengan batas tertentu.”

Tetapi keputusan di atas batas tertentu tetap harus mendapatkan persetujuan manusia.

Konsep ini menunjukkan bahwa autonomy seharusnya tidak bersifat absolut, melainkan risk-based.

5. Agentic AI dan Financial Risk Management

Penerapan Agentic AI juga berpotensi mengubah pendekatan manajemen risiko.

Pendekatan tradisional cenderung bersifat:

Identify → Assess → Monitor → Report → Mitigate

Agentic AI memungkinkan pendekatan yang lebih kontinu:

Sense → Analyze → Predict → Act → Monitor → Learn

Sebagai contoh, dalam fraud risk management, AI dapat mendeteksi pola transaksi abnormal.

Sistem kemudian:

• memberikan risk score;
• membandingkan dengan pola historis;
• mengidentifikasi indikator anomali;
• melakukan case prioritization;
• mengeskalasi kasus;
• dan memonitor tindak lanjut.

Dalam konteks investment risk, AI dapat memonitor perubahan pasar dan portofolio secara lebih kontinu serta memberikan peringatan ketika parameter risiko tertentu terlampaui.

Namun demikian, kemampuan AI untuk mendeteksi risiko tidak berarti bahwa AI harus secara otomatis menentukan seluruh tindakan mitigasi.

Justru semakin besar dampak keputusan, semakin penting human-in-the-loop governance.

6. Masalah Utama: Ketika AI Memiliki Kewenangan untuk Bertindak

Inilah pembeda utama antara AI biasa dan Agentic AI.

Jika AI hanya memberikan rekomendasi, tanggung jawab keputusan relatif jelas berada pada manusia.

Namun, ketika AI dapat melakukan tindakan, muncul pertanyaan governance yang jauh lebih kompleks:

Siapa yang bertanggung jawab terhadap keputusan AI?

Bagaimana jika AI salah memahami tujuan?

Bagaimana jika data yang digunakan salah?

Bagaimana jika AI melakukan tindakan yang tidak diharapkan?

Siapa yang memberikan otorisasi?

Apakah tindakan AI dapat diaudit?

Bagaimana organisasi menghentikan AI ketika terjadi kondisi abnormal?

Pertanyaan tersebut menunjukkan bahwa Agentic AI bukan hanya persoalan teknologi, tetapi merupakan persoalan corporate governance.

Gartner pada 2026 menekankan pentingnya governance-first approach sebelum organisasi melakukan perluasan penggunaan AI agents secara besar-besaran dalam fungsi keuangan.

7. AI Governance sebagai Bagian dari Financial Governance

Dalam paradigma tradisional, governance finance berfokus pada:

• internal control,
• authorization,
• segregation of duties,
• financial reporting,
• audit,
• compliance,
• risk management.

Agentic AI membutuhkan dimensi tambahan, yaitu:

AI Governance

yang mencakup:

1. Data Governance

Memastikan data yang digunakan AI akurat, relevan, konsisten, dan memiliki hak akses yang jelas.

2. Model Governance

Memastikan model AI dapat diuji, divalidasi, dimonitor, dan dievaluasi.

3. Access Governance

Menentukan sistem dan data apa yang boleh diakses AI.

4. Decision Governance

Menentukan keputusan apa yang boleh dilakukan secara otomatis.

5. Human Oversight

Menentukan kondisi yang mengharuskan manusia melakukan review atau approval.

6. Auditability

Memastikan seluruh aktivitas AI memiliki audit trail.

7. Accountability

Menentukan siapa yang bertanggung jawab atas keputusan dan tindakan yang dihasilkan AI.

Dalam konteks tersebut, AI governance tidak seharusnya berdiri terpisah dari financial governance. Keduanya perlu diintegrasikan.

8. Prinsip “Risk-Based Autonomy”

Salah satu prinsip yang relevan untuk implementasi Agentic AI adalah:

Semakin tinggi risiko suatu keputusan, semakin rendah tingkat autonomy yang diberikan kepada AI.

Misalnya:

Aktivitas	Tingkat Risiko	Autonomy
Rekonsiliasi data	Rendah	Tinggi
Financial reporting draft	Rendah–menengah	Tinggi
Cash-flow forecasting	Menengah	Tinggi
Collection reminder	Menengah	Tinggi dengan batasan
Pembayaran material	Tinggi	Human approval
Investment decision	Tinggi	Human approval
Regulatory reporting	Tinggi	Human validation

Pendekatan tersebut lebih realistis dibandingkan memberikan kewenangan yang sama kepada AI untuk seluruh aktivitas.

Dengan kata lain:

AI autonomy harus mengikuti risk appetite organisasi.

9. Perubahan Peran CFO

Perubahan teknologi pada akhirnya membawa perubahan terhadap kompetensi manusia.

Jika AI mengambil alih sebagian aktivitas:

• data processing,
• reconciliation,
• reporting,
• forecasting,
• variance analysis,

maka CFO memiliki kesempatan untuk lebih banyak berfokus pada:

• strategic planning,
• capital allocation,
• risk management,
• business transformation,
• stakeholder management,
• governance,
• dan organizational resilience.

Perubahan ini dapat dipahami sebagai transformasi:

CFO as Scorekeeper → CFO as Business Partner → CFO as Strategic Decision Architect

CFO masa depan bukan sekadar pengguna AI.

CFO harus memahami bagaimana AI bekerja, bagaimana AI memperoleh data, bagaimana AI membuat rekomendasi, serta bagaimana risiko AI dikendalikan.

Dengan demikian, kompetensi CFO berkembang menjadi kombinasi antara:

Financial Expertise + Business Acumen + Data Literacy + AI Literacy + Risk Governance.

10. Implikasi bagi Industri Asuransi

Konsep ini sangat relevan bagi industri asuransi karena proses bisnisnya menghasilkan volume data yang besar dan saling terhubung.

Misalnya:

Marketing → Agent → Policy → Premium → Claims → Investment → Finance → Risk → Customer Service

Agentic AI dapat digunakan untuk mengintegrasikan informasi tersebut.

Dalam manajemen keuangan perusahaan asuransi, misalnya, AI agent dapat membantu:

• memprediksi penerimaan premi;
• memonitor persistensi polis;
• memprediksi cash flow;
• melakukan analisis biaya;
• mendeteksi penyimpangan budget;
• menganalisis klaim;
• memonitor investment portfolio;
• mengidentifikasi liquidity risk;
• membuat management dashboard;
• dan melakukan early warning system.

Dalam konteks asuransi syariah, penerapan AI juga perlu mempertimbangkan Sharia governance, selain regulatory compliance dan corporate governance.

Artinya, arsitektur governance dapat diperluas menjadi:

AI Governance + Corporate Governance + Risk Governance + Sharia Governance + Regulatory Compliance

Hal tersebut menjadi penting karena keputusan berbasis AI tidak hanya harus efisien, tetapi juga harus dapat dipertanggungjawabkan dari perspektif regulasi, tata kelola, etika, dan prinsip syariah.

11. Menuju Model “AI-Augmented Finance”

Dari perspektif organisasi, pendekatan yang lebih realistis bukanlah menggantikan manusia dengan AI.

Model yang lebih tepat adalah:

AI-Augmented Finance

Dalam model ini:

Human menetapkan:

• strategy,
• objectives,
• risk appetite,
• ethical boundaries,
• authorization limits.

Sedangkan AI membantu:

• data processing,
• pattern recognition,
• forecasting,
• scenario analysis,
• recommendation,
• monitoring,
• dan execution dalam batas tertentu.

Dengan demikian, hubungan tersebut dapat digambarkan:

Human Strategy

↓

AI Financial Intelligence

↓

AI Recommendation

↓

Human Judgment

↓

Authorized AI Action

↓

Continuous Monitoring

↓

Human & AI Learning

Model tersebut menciptakan sebuah feedback loop yang memungkinkan fungsi finance menjadi lebih adaptif.

12. Kesimpulan

Agentic AI menandai perubahan penting dalam evolusi manajemen keuangan. Perubahan tersebut bukan sekadar peningkatan teknologi otomasi, tetapi pergeseran dari AI sebagai analytical tool menuju AI sebagai semi-autonomous actor dalam proses bisnis.

Perubahan ini memberikan peluang besar untuk meningkatkan efisiensi, kecepatan analisis, kualitas forecasting, manajemen likuiditas, risk management, dan kualitas pengambilan keputusan.

Namun, manfaat tersebut tidak dapat dipisahkan dari risiko.

Semakin tinggi kemampuan AI untuk bertindak secara mandiri, semakin besar kebutuhan organisasi terhadap governance, transparency, auditability, accountability, cybersecurity, dan human oversight.

Karena itu, masa depan manajemen keuangan bukanlah:

Human versus AI

melainkan:

Human + AI + Governance.

Pada akhirnya, keberhasilan Agentic AI dalam finance tidak ditentukan hanya oleh seberapa pintar algoritmanya, tetapi oleh seberapa baik organisasi merancang batas kewenangan, mekanisme pengawasan, kualitas data, dan akuntabilitas manusia.

Dengan perspektif tersebut, transformasi menuju Agentic Finance bukan sekadar proyek teknologi.

Ia merupakan transformasi model operasi fungsi keuangan.

Dan mungkin inilah perubahan paling penting yang akan dihadapi CFO dalam dekade mendatang:

Dari mengelola angka menjadi mengelola intelligence; dari menghasilkan laporan menjadi merancang keputusan; dan dari mengawasi proses menjadi mengorkestrasi manusia, data, AI, dan governance.