NAMA: WALY TANTI FITRANI
NPM: 2413031031
ANALISIS KRITIS :
1. Tantangan pada penerapan teori akuntansi tradisional (di era automatisasi & blockchain)
a. Pengakuan dan timing (recognition & measurement)
Teori tradisional bergantung pada judgement manusia (estimasi cadangan, pengakuan pendapatan,
penilaian wajar). Saat proses itu diotomasi oleh AI/algoritma, muncul masalah: siapa yang menentukan asumsi dasar, dan bagaimana memastikan bahwa algoritma menerapkan prinsip pengakuan sesuai kerangka akuntansi (mis. revenue recognition, impairment)? Model bisa menunda pengakuan beban atau percepat pendapatan karena parameter yang “diperhalus” untuk menghasilkan angka yang stabil.
b. Transparansi & explainability
Banyak model AI (deep learning, ensemble) bersifat black-box: sulit menjelaskan mengapa sistem memilih angka tertentu. Teori akuntansi mensyaratkan pengungkapan dan dasar estimasi tetapi bila estimasi dihasilkan oleh model yang tidak bisa dijelaskan, prinsip transparansi menjadi sulit diterapkan.
c. Auditabilitas & bukti audit
Teori audit dan bukti audit tradisional mengasumsikan adanya dokumen/ bukti yang dapat diverifikasi. Blockchain menambah jejak immutable tetapi transformasi yang dilakukan oleh AI (pre-processing, feature engineering) mungkin tidak tercatat di ledger publik; ini mempersulit auditor merekonstruksi alur keputusan ekonomi yang melatarbelakangi angka dalam laporan.
d. Penafsiran konsep materialitas & relevansi
Otomatisasi memungkinkan banyak keputusan mikro (thresholds, rounding rules). Hal ini menuntut penyesuaian konsep materialitas: apakah banyak keputusan kecil yang diotomasi kumulatifnya menjadi material? Teori tradisional jarang membahas “mass automation” dari decisions.
e. Kecepatan & frekuensi laporan
Sistem digital bisa menghasilkan laporan real-time. Teori akuntansi dan proses pengendalian dirancang untuk periode (quarter, year). Perbedaan frekuensi menuntut mekanisme kontrol dan governance baru.
2. Peluang
• Efisiensi & konsistensi: Otomasi mengurangi kesalahan manual, standardisasi pengakuan, dan mempercepat closing.
• Audit trail lebih kuat (blockchain): Immutable ledger memudahkan verifikasi asal transaksi jika desainnya benar (on-chain proofs).
• Analitik untuk deteksi risiko: AI dapat mendeteksi anomali transaksi atau pola fraud lebih cepat daripada pemeriksaan manual.
Risiko manipulasi
• Manipulasi model / parameter tuning: Jika manajemen mengendalikan model, mereka bisa men-tune hyperparameter atau training data untuk “menghasilkan” hasil yang diinginkan (mis. understate allowance).
• Delay pengakuan biaya lewat algoritma: Rule-based scheduling bisa diset untuk menunda expense recognition (mis. shifting provisioning ke periode berikutnya).
• Data poisoning / input manipulation: Karena model bergantung pada data, pihak internal dapat mengubah/menyaring data input (mis. memfilter buruk invoices) sehingga output terlihat sehat.
• Opacity memberi celah moral hazard: Ketika keputusan diambil “oleh mesin”, aktor manusia bisa berlindung di balik algoritma untuk menghindari tanggung jawab.
• Automated scaling of small manipulations: Banyak keputusan mikro yang tampak tidak material bisa diotomasi sehingga akumulasi dampaknya menjadi material (needle moving).
ETIKA DAN TRANSPARANSI :
1. Risiko etika ketika estimasi dan judgement digantikan oleh algoritma AI
a. Akuntabilitas & tanggung jawab profesional
Akuntan harus tetap bertanggung jawab atas estimasi. Delegasi ke AI tidak menghilangkan tanggung jawab profesional tapi jika perusahaan tidak menetapkan human-in-the-loop, akuntan kehilangan kontrol dan etika profesional terancam (conflict of interest, pressure to conform).
b. Bias & diskriminasi dalam model
Model dapat memperkuat bias historis (misal: menilai risiko kredit tertentu lebih rendah/tinggi tanpa basis ekonomi yang sah). Ini bisa memengaruhi cadangan kerugian,
penilaian wajar, dan kebijakan provisioning.
c. Konflik kepentingan dan tekanan hasil
Tekanan manajemen untuk “menjaga citra” dapat mendorong penggunaan algoritma sebagai alat kosmetik: men-setting loss thresholds, reward function, atau objective function model agar menghasilkan angka yang menguntungkan.
d. Transparansi kepada pemakai laporan
Etika memerlukan pengungkapan asumsi material. Model yang tidak bisa dijelaskan menjadikan pengungkapan formal sulit dan mengurangi kemampuan pengguna laporan untuk mengevaluasi risiko.
e. Kegagalan model & overreliance
Kerap terjadi overreliance pada model ketika model gagal dalam kondisi pasar yang berubah (geopolitik, suku bunga tinggi), estimasi bisa jauh meleset dan menimbulkan kerugian material.
2. Sikap akuntan professional:
• Pertahankan prinsip profesional & independensi: akuntan harus menolak tekanan; dokumentasikan instruksi manajemen dan keputusan profesional.
• Human-in-the-loop mandatory: setiap output material dari AI harus mendapat review profesional yang terdokumentasi (reasonableness checks, sensitivity analysis).
• Model governance & approval: terapkan charter formal: siapa owner model, siapa yang boleh mengubahnya, change logs, approval board (termasuk independen komite risiko).
• Transparansi & disclosure: jelaskan penggunaan AI dan dampaknya terhadap estimasi material; ungkapkan asumsi utama, confidence intervals, serta back-testing hasil historis.
• Whistleblowing & protection: siapkan saluran aman untuk melaporkan manipulasi model/ data tampering.
RESPON STRATEGIS:
1. Rekomendasi praktis audit & pengawasan untuk sistem akuntansi berbasis teknologi tinggi
Untuk perusahaan (manajemen & board):
• AI/Model Governance Framework sertakan pengembangan, validasi, deployment, monitoring, dan decommissioning model. Libatkan fungsi audit internal, risk, compliance, dan independen data scientists.
• Data lineage & immutable logging pastikan semua preprocessing, transformasi, dan parameter model dicatat (audit trail) ledger blockchain harus menyimpan hash/ pointers ke sumber data & versi model.
• Human oversight & approval gates khususnya untuk estimasi yang mempengaruhi laba, harus ada sign-off level senior (CFO/financial controller).
• Back-testing & stress testing — jalankan skenario ekstrem (currency shock, liquidity crunch) untuk melihat sensitivitas model.
• Segregation of duties & access controls — batasi siapa yang dapat mengubah data, param, atau model code; gunakan key management dan multi-sig pada smart contracts.
Untuk auditor publik:
• Expand audit procedures auditor harus menguji: data pipeline, model training processes, validation results, and monitoring alerts. Bukti audit harus mencakup reproducibility tests.
• Use specialists (tech & ML audit teams) tambahkan data scientists & cyber experts untuk menilai model validity, overfitting, data poisoning risk.
• Obtain logs & hashes minta cryptographic proofs dari blockchain (transaction hashes, timestamps) untuk membuktikan tidak ada perubahan setelah pencatatan.
• Evaluate management’s model governance termasuk model change controls, model inventory, and independent validation.
• Continuous auditing / real-time monitoring mengingat tempo digital, auditor perlu mekanisme monitoring berkelanjutan, bukan hanya sampling periodik.
2. belum sepenuhnya.
• Standar akuntansi (IFRS/GAAP) menetapkan prinsip umum (pengakuan, pengukuran, pengungkapan) yang masih relevan, tapi kurang detail soal hal-hal spesifik digital: pengakuan transaksi on-chain, akuntansi smart contracts, algoritma-driven estimates, dan bukti audit berbasis kriptografi.
• Standar auditing juga sedang berevolusi, namun perlu pedoman praktis terkait audit model AI, penggunaan bukti elektronik immutable, dan audit atas sistem otomatis.
• Oleh karena itu, regulator dan standard setters perlu mengeluarkan guidance yang lebih rinci (mis. disclosure tentang penggunaan AI, requirement model governance, cyber risk disclosures, treatment for digital assets & smart contracts).