Design: Freepik
Wawancara yang
dilakukan oleh Forrester menunjukkan bahwa kecerdasan buatan (AI) belum
membantu mengubah keuangan, namun berkembang pesat di beberapa bidang.
Procure-to-pay (P2P),
misalnya, menggunakan pemrosesan bahasa alami (NLP) dan pembelajaran mesin (ML)
dan telah menunjukkan pengembalian langsung, sementara order-to-cash dan
analitik audit menunjukkan manfaat jangka pendek dari AI. Selanjutnya, analitik
prediktif dapat meningkatkan pelaporan intelijen bisnis dasar (BI) untuk
perencanaan keuangan.
Empat Cara Ai Memberdayakan Keuangan dan Akuntansi
Analitik audit,
pengadaan untuk membayar, pesanan hingga uang tunai, dan perencanaan keuangan
adalah empat proses keuangan dan akuntansi (F&A) di mana teknologi AI yang
diperlukan untuk meningkatkan proses sudah ada. Ada juga komunitas aktif
penyedia teknologi dan referensi pelanggan menunjukkan kemajuan yang kuat.
Forrester memberikan empat kasus penggunaan ini skor yang kuat untuk diadopsi,
seperti kesenjangan keterampilan yang dapat dikelola, data yang stabil, dan
hasil bisnis yang jelas.
Analisis Audit
Dimulai dengan
analitik audit, auditor cenderung menghabiskan terlalu banyak waktu terkubur
dalam daftar periksa kepatuhan dan membuat laporan yang hanya dibaca sedikit
orang, dengan sedikit waktu untuk mencari anomali dalam setiap transaksi.
Daripada mengambil sampel titik data secara manual, Forrester mengatakan
pembelajaran mesin digunakan untuk penilaian risiko transaksi.
Asosiasi industri
berbasis anggota American Institute of Certified Public Accountants (AICPA)
sedang mengembangkan panduan untuk ML dalam fungsi audit. Penyedia dukungan
audit yang matang seperti Thomson Reuters dan Wolters Kluwer, serta perusahaan
baru seperti Caseworks Cloud dan MindBridge, menanamkan AI ke dalam platform
audit mereka.
Kesiapan teknologi
tinggi, dengan ML yang matang, sementara ekstraksi NLP menghadirkan konten
tidak terstruktur seperti email ke dalam permainan. Profil adopsi juga kuat,
dengan sedikit masalah tata kelola, nilai bisnis yang tinggi, dan potensi
gangguan yang kuat. Namun, pelatihan auditor dalam aspek ML memperlihatkan
kesenjangan keterampilan saat ini.
Pengadaan Untuk Membayar
Melihat proses
procure-to-pay (P2P), Forrester menemukan bahwa P2P dapat memanfaatkan ML untuk
menstandardisasi dan menganalisis data pembelanjaan, kontrak, pasar, dan
pemasok. Augmented BI dapat mengisolasi pembayaran yang pernah menyebabkan
denda keterlambatan pembayaran dan dapat memunculkan pengecualian faktur,
mengklasifikasikan pengeluaran ke dalam kategori untuk ditindaklanjuti,
memasukkan pemasok baru lebih cepat dan secara otomatis mendeteksi penipuan.
Area yang menonjol
adalah pemrosesan faktur, di mana penangkapan level 1, pengenalan karakter
optik (OCR) dan pola otomatisasi alur kerja telah diterapkan selama beberapa
dekade. Solusi awal berbasis template, di mana aturan ekstraksi diselaraskan
dengan faktur tertentu atau template pesanan pembelian. Pendekatan baru
menggunakan NLP untuk menyediakan ekstraksi template-free dan zone-free. Untuk
memastikan kualitas digitalisasi, setiap ekstraksi dapat dicap dengan tingkat
kepastian.
ML dapat menangani
struktur dokumen yang kompleks dengan lebih mudah, tanpa prakonfigurasi. NLP
dan ML tradisional sudah matang, memberikan skor kesiapan teknologi yang kuat.
Profil adopsi juga kuat karena potensi gangguan yang tinggi dan campuran data
yang stabil dari formulir dan data semi-terstruktur.
Pesan Uang Tunai
Order to cash adalah
kandidat lain yang belum dimanfaatkan untuk otomatisasi berbasis AI. Uang tunai
adalah sumber kehidupan sebagian besar perusahaan, namun tetap tidak terlayani
oleh praktik otomatisasi terbaru, terutama jika dibandingkan dengan P2P.
Dalam kebanyakan
kasus, perangkat lunak otomatisasi faktur piutang (AR) menghasilkan faktur
pelanggan dalam format seperti CXML (XML commerce), ebXML (XML bisnis
elektronik) dan Edifact, dan melacak statusnya, sementara F&A menangani
uang tunai. Solusi order-to-cash modern meningkatkan peran profesional AR,
karena banyak tugas beralih ke bot berbasis AI yang dapat mengambil alih
komunikasi email atau membuat surat koleksi berdasarkan klasifikasi otomatis,
data sistem inti, dan tahap sengketa.
Analytics akan
mengontrol aplikasi uang tunai. AI akan mendorong siklus pembayaran otomatis,
manajemen kredit, dan perkiraan pengiriman uang prediktif. Profil adopsi kuat
karena hasil bisnis yang jelas, seperti peningkatan kinerja kas. Alur kerja dan
keputusan berbasis aturan mulai digantikan oleh yang berbasis AI, tetapi nilai
bisnisnya sekarang sedang. Teknologinya sudah siap hari ini, dengan ML, robotic
process automation (RPA) dan text analytics yang siap membantu.
Baca juga: 10 Rekomendasi Plugin Wordpress
Perencanaan Keuangan
Kasus penggunaan
keempat, perencanaan dan analisis keuangan, mulai bergerak melampaui Excel.
Analisis keuangan memiliki potensi yang kuat untuk dukungan AI, namun sebagian
besar departemen keuangan bergantung pada Excel atau pelaporan dasar dari
platform pemasok spesialis.
Namun, perencanaan dan
peramalan anggaran di masa mendatang akan menggunakan simulasi, pengoptimalan,
dan pemodelan statistik berbasis ML yang menghubungkan strategi perusahaan
dengan eksekusi. Salah satu contohnya adalah Vena Solutions, yang menawarkan
produk F&A berorientasi Microsoft dengan Power BI yang disematkan untuk
menyediakan jalur yang mudah ke analitik prediktif dan pembelajaran mesin (PAML).
Empat area di mana AI
di bidang keuangan dan akuntansi membutuhkan pengembangan lebih lanjut
Analisis Kontrak
Analisis kontrak
memiliki potensi luas di sejumlah kasus penggunaan. Analisis kontrak bukanlah
fungsi inti keuangan dan akuntansi, tetapi semakin menarik bagi chief financial
officer (CFO) dan staf mereka.
Penggunaan utama AI
adalah untuk mengotomatiskan pengimporan dan penandaan metadata dari kontrak
lama dan pihak ketiga. Platform seperti ContractPodAI dan Icertis dan penyedia
AI spesialis seperti Corticol.io menyematkan fungsi AI dalam manajemen siklus
hidup kontrak (CLM).
ML dapat membantu
menilai risiko dan anomali dalam keseluruhan portofolio kontrak, menemukan
kontrak dengan kata-kata yang terkait dengan masalah atau topik baru seperti
Brexit atau undang-undang pajak baru, dan memberi makan CLM atau platform
otomatisasi alur kerja lainnya untuk mendukung perjanjian tingkat layanan (SLA)
dan syarat dan ketentuan lainnya. Forrester melihat kemajuan awal dalam
menyediakan chatbot untuk membantu menyusun draf kontrak.
Blok bangunan AI utama
adalah analitik teks, yang memberikan skor kesiapan teknologi sedang hingga
kuat. Skor profil adopsi Forrester menunjukkan nilai bisnis yang tinggi tetapi
hasil yang kurang jelas, dan berbagai format dokumen membuat data kurang
stabil.
Rekonsiliasi Akun
AI juga dapat
digunakan dalam rekonsiliasi akun untuk menyelesaikan masalah data. Banyak
tugas di bidang keuangan dan akuntansi memerlukan dua atau bahkan tiga set
catatan untuk disetujui, terutama ketika uang meninggalkan rekening bank. Biaya
dibayar di muka, piutang tak tertagih, aset tetap, rekening kas, dan tugas buku
besar dan buku pembantu adalah target khas untuk direkonsiliasi. Transaksi yang
hilang atau hilang, akun yang tidak direkonsiliasi, atau penggunaan
roll-forward yang tidak tepat adalah tipikal.
ML dapat menangani
berbagai macam sumber data terstruktur dalam banyak format (CSV, XML, SQL, atau
NoSQL) di mana ML dapat "mempelajari" sumber dan pola data, dengan
aturan kontrol data di lokasi pusat. Sebagian besar rekonsiliasi hanya
menangani dua sumber data, tetapi AI dapat memperluasnya ke berbagai sumber.
Bot RPA membantu mengekstrak data, memberikan dukungan entri data, dan
menjalankan proses persetujuan.
Dalam rekonsiliasi
akun, Forrester menilai kesiapan teknologi sebagai yang tinggi, tetapi profil
adopsi rata-rata karena stabilitas data yang buruk dan nilai bisnis dan
gangguan yang moderat. Rekonsiliasi seringkali merupakan fungsi subset yang
diperlukan dari proses penutupan.
Penutupan Otomatis
Otomatisasi penutupan
bulanan dan triwulanan bergantung pada alur kerja dasar. Mengotomatiskan proses
penutupan adalah hal utama bagi banyak departemen F&A. Penutupan yang
dikelola dengan baik adalah tanda perusahaan yang dikelola dengan baik.
Transparansi, kecepatan, akurasi, dan memenuhi tenggat waktu pelaporan menjadi
perhatian utama. Otomatisasi tertutup harus terintegrasi dengan aplikasi
perusahaan, spreadsheet, dan berbagai sistem akuntansi untuk mendokumentasikan
data yang relevan dan mengidentifikasi inkonsistensi.
AI memiliki potensi
untuk mengumpulkan data dari berbagai sumber, menyusun dan menggabungkannya,
mempercepat proses bulanan, dan lebih akurat. Otomasi berpusat pada daftar
periksa dan tugas individu, melacak proses penutupan, jadwal waktu, dan persetujuan.
Tingkat Forrester
menutup pembukuan dengan skor kesiapan teknologi rata-rata tetapi profil adopsi
yang tinggi, didorong oleh nilai bisnis yang tinggi dan potensi yang mengganggu
– meskipun akuisisi dan konversi sistem inti membuat data menjadi kurang
stabil.
Manajemen Biaya
Area lain di mana AI
dan otomatisasi dapat digunakan adalah dalam manajemen biaya. Forrester belum
melihat dorongan kuat untuk menggunakan bentuk AI tingkat lanjut di area ini.
Otomatisasi cerdas yang berpusat pada RPA telah menjadi peningkatan utama.
Misalnya, satu agen federal menggunakan bot RPA untuk mengaudit detail item
baris, yang sebelumnya dilakukan manusia. Ketika perjalanan meningkat lagi,
fungsi back-office ini akan sekali lagi menjadi pokok dari setiap perusahaan yang
dikelola dengan baik. Pemain pasar utama seperti SAP Concur belum mendorong AI,
CFO juga tidak mencari efisiensi atau deteksi anomali.
Forrester
menilai kesiapan teknologi untuk penggunaan AI dalam manajemen biaya tinggi
karena ketergantungan pada bot RPA dan ML tradisional. Namun, terlepas dari
hasil yang jelas, profil adopsi lebih rendah karena nilai bisnis yang dirasakan
rendah, potensi gangguan minimal, dan data yang kurang stabil.
Kesimpulannya, Forrester mencatat bahwa banyak proses keuangan dan akuntansi penuh dengan variasi yang tidak perlu. AI bekerja paling baik terhadap tindakan standar dan berulang. Tetapi langkah-langkah proses ekstra, perilaku offline, spreadsheet jahat, dan pintasan pribadi adalah hal biasa. Kurangnya standarisasi tugas di seluruh perusahaan mencegah penyedia perangkat lunak membangun AI yang ditargetkan dan mudah diterapkan untuk proses keuangan dan akuntansi.
Artikel ini didasarkan pada kutipan dari laporan “AI di bidang keuangan dan akuntansi” Forrester. Craig Le Clair adalah wakil presiden dan analis utama di Forrester.
