Nama: Refamei Kudadiri
Npm:2413031014
1. Perbandingan Pendekatan Tradisional vs. AI dalam Penilaian Fair Value Pendekatan tradisional berlandaskan teori akuntansi yang menekankan judgement manusia, observabilitas data pasar, serta teknik valuasi yang dapat dijelaskan seperti market approach, income approach, dan cost approach. Prosesnya transparan karena setiap asumsi, parameter, dan langkah perhitungan dapat ditelusuri. Sebaliknya, pendekatan berbasis AI memanfaatkan model algoritmik yang mengolah big data dan pola non-linear yang mungkin tidak terjangkau metode tradisional. Walaupun lebih cepat dan dapat menangkap sinyal pasar secara real-time, prosesnya sering tidak dapat dijelaskan secara eksplisit. Dari sudut teori akuntansi, ini menantang prinsip verifiability dan understandability karena nilai wajar menjadi hasil dari mekanisme yang tidak mudah diuji atau ditelusuri.
2. Implikasi Epistemologis: Sumber dan Validitas Pengetahuan Akuntansi
Penggunaan AI menimbulkan pertanyaan mengenai dari mana pengetahuan akuntansi diperoleh dan bagaimana validitasnya diuji. Dalam epistemologi akuntansi tradisional, nilai wajar dianggap “valid” bila didasarkan pada bukti empiris yang dapat diuji serta asumsi yang dapat dipertanggungjawabkan. Dengan AI, pengetahuan tersebut dihasilkan dari pola statistik, machine learning, dan fungsi algoritmik yang tidak sepenuhnya dapat dijelaskan secara normatif. Ini menciptakan epistemic opacity—ketidakjelasan mengenai mengapa suatu nilai muncul. Selain itu, bias data, kualitas data historis, serta preferensi model dapat membentuk nilai wajar tanpa terdeteksi. Akibatnya, kebenaran akuntansi tidak lagi berdiri pada bukti dan judgement manusia, tetapi pada performa model, yang memerlukan bentuk validasi baru.
3. Strategi Akuntabilitas dan Pelaporan sesuai IFRS 13
Untuk mempertahankan kepatuhan terhadap IFRS 13, perusahaan harus memastikan bahwa pendekatan AI tetap dapat diaudit dan diverifikasi. Strateginya meliputi dokumentasi rinci tentang desain model, termasuk variabel yang digunakan, sumber data, metode pelatihan, serta evaluasi performa model. Perusahaan harus menyediakan penjelasan alternatif (model interpretability layer) yang dapat menerjemahkan hasil algoritma ke dalam bahasa akuntansi, misalnya sensitivitas nilai terhadap input tertentu. Pengujian berkala terhadap akurasi model dibandingkan dengan transaksi pasar aktual perlu dilakukan sebagai bentuk validasi. Selain itu, perusahaan wajib mengungkapkan tingkat hierarki nilai wajar dalam IFRS 13, menjelaskan ketidakpastian estimasi, serta memperjelas sejauh mana AI digunakan dalam menentukan hasil akhir. Dengan langkah-langkah ini, penggunaan AI tetap dapat memenuhi prinsip relevansi, reliabilitas, dan transparansi sesuai standar pelaporan keuangan internasional.