ICAEW PIKIRAN KEPEMIMPINAN

FAKULTAS TI

Kecerdasan buatan
dan masa depan akuntansi
KECERDASAN ARTIFISIAL DAN MASA DEPAN AKUNTANSI

Tentang Fakultas IT ICAEW

Fakultas TI ICAEW menyediakan produk dan layanan untuk membantu anggotanya memanfaatkan TI
sebaik mungkin.

Ini mewakili minat dan keahlian terkait IT akuntan charter, berkontribusi pada urusan publik terkait IT dan
membantu mereka yang berada dalam bisnis untuk tetap up to date dengan masalah dan perkembangan TI.
Fakultas juga bekerja untuk mempelajari lebih lanjut penerapan TI untuk bisnis dan akuntansi, termasuk
pengembangan kepemimpinan pemikiran dan penelitian. Sebagai badan independen, Fakultas TI mampu
mengambil pandangan yang benar-benar objektif dan melewati hype seputar TI, memimpin dan
membentuk debat, menantang asumsi umum, dan mengklarifikasi argumen. Untuk informasi lebih lanjut
tentang Fakultas TI, silakan kunjungi icaew.com/itfac

Hak Cipta © ICAEW 2018

Seluruh hak cipta. Jika Anda ingin memperbanyak atau mendistribusikan kembali materi apa pun dalam publikasi ini, Anda harus mendapatkan izin tertulis dari ICAEW terlebih
dahulu. ICAEW tidak akan bertanggung jawab atas ketergantungan Anda pada informasi dalam publikasi ini. Anda harus mencari nasihat independen.

ISBN 978-1-78363-816-1

2
 KECERDASAN ARTIFISIAL DAN MASA DEPAN AKUNTANSI

Ringkasan bisnis plan

AI - VISI JANGKA PANJANG

Dalam beberapa dekade mendatang, sistem cerdas akan mengambil alih lebih banyak tugas pengambilan
keputusan dari manusia. Sementara akuntan telah menggunakan teknologi selama bertahun-tahun untuk
meningkatkan apa yang mereka lakukan dan memberikan nilai lebih bagi bisnis, ini adalah peluang untuk menata
ulang dan secara radikal meningkatkan kualitas keputusan bisnis dan investasi - yang merupakan tujuan akhir dari
profesi. Untuk mewujudkan potensi ini, profesi perlu fokus pada masalah bisnis mendasar yang ingin
diselesaikannya, dan membayangkan bagaimana teknologi baru dapat mengubah pendekatannya terhadap
masalah tersebut.

TEKNOLOGI AI
Sistem kecerdasan buatan (AI) bisa sangat kuat dan meningkat dengan cepat. Mereka memberikan
hasil yang bisa sangat akurat, menggantikan dan, dalam beberapa kasus, jauh melebihi upaya
manusia. Namun, mereka tidak meniru kecerdasan manusia. Kita perlu mengenali kekuatan dan
batasan dari bentuk kecerdasan yang berbeda ini, dan membangun pemahaman tentang cara terbaik
bagi manusia dan komputer untuk bekerja sama.

AI DAN AKUNTANSI
Meskipun teknik AI seperti pembelajaran mesin bukanlah hal baru, dan laju perubahannya cepat, adopsi
yang luas dalam bisnis dan akuntansi masih dalam tahap awal. Untuk membangun visi masa depan yang
positif, kita perlu mengembangkan pemahaman yang mendalam tentang bagaimana AI dapat
menyelesaikan masalah akuntansi dan bisnis, tantangan praktis, dan keterampilan yang dibutuhkan
akuntan untuk bekerja bersama sistem cerdas.

AI DAN ICAEW: LANGKAH BERIKUTNYA

ICAEW memiliki tempat unik sebagai badan profesional independen dengan keahlian lama dalam masalah
terkait teknologi, dan yang mengacu pada pengalaman di banyak aspek bisnis, keuangan, dan akuntansi.
Pekerjaan masa depan kami pada AI akan fokus pada membangun pemahaman tentang penggunaan praktis
AI di seluruh aktivitas bisnis dan akuntansi saat ini dan dalam waktu dekat. Selain itu, ini akan memimpin dan
mendorong perdebatan yang lebih luas tentang peluang dan tantangan jangka panjang bagi profesi
tersebut.

1
KECERDASAN ARTIFISIAL DAN MASA DEPAN AKUNTANSI

pengantar

Akuntan telah menggunakan gelombang otomatisasi selama bertahun-tahun untuk meningkatkan efisiensi
dan efektivitas pekerjaan mereka. Namun hingga saat ini teknologi belum mampu menggantikan kebutuhan
akan pengetahuan ahli dan pengambilan keputusan. Memang, generasi sistem 'cerdas' sebelumnya secara
umum telah menunjukkan kekuatan berkelanjutan dari keahlian manusia dan batas-batas mesin.

Kecerdasan buatan (AI) telah menjadi aspirasi para ilmuwan komputer sejak 1950-an, dan telah melihat
kemajuan luar biasa dalam beberapa tahun terakhir. Contoh AI sudah menjadi bagian integral dari banyak
aktivitas online kita, dan akan semakin tertanam dalam segala hal yang kita sentuh dan lakukan.

Sistem ini tidak meniru kecerdasan manusia. Memang, beberapa ahli akan membantah penggunaan istilah
'AI' untuk menggambarkan sistem pembelajaran mesin saat ini. Namun, berdasarkan tugas-tugas, sistem
semakin banyak menghasilkan keluaran yang jauh melebihi keakuratan dan konsistensi yang dihasilkan oleh
manusia.

Dalam jangka pendek hingga menengah, AI memberikan banyak peluang bagi akuntan untuk meningkatkan
efisiensinya, memberikan lebih banyak wawasan, dan memberikan nilai lebih bagi bisnis. Dalam jangka panjang, AI
meningkatkan peluang untuk perubahan yang jauh lebih radikal, karena sistem semakin mengambil alih tugas
pengambilan keputusan yang saat ini dilakukan oleh manusia. Laporan ini menguraikan kerangka kerja untuk
merangkul peluang yang diciptakan oleh sistem yang semakin cerdas, berdasarkan tiga pertanyaan.

1 Kita perlu membayangkan bagaimana sistem cerdas dapat memungkinkan pengambilan keputusan yang lebih baik
Apa visi jangka panjang untuk AI dan akuntansi?
bisnis, dan memahami bagaimana akuntan dapat membantu proses ini.

2 Kita perlu mengembangkan pemahaman tentang apa yang baru tentang teknologi, bagaimana itu
Bagaimana kecerdasan buatan dan manusia bekerja sama?
dapat 'mengisi turbo' kemampuan manusia, dan batasannya.

3 Kita perlu menjelajahi contoh dunia nyata dari akuntan yang menggunakan sistem AI, termasuk
Bagaimana akuntan menggunakan kemampuan AI?
manfaat dan batasan khusus, untuk membantu kami mengembangkan visi jangka panjang.

Ini mencerminkan kerangka kerja yang ditetapkan dalam laporan kami Memberikan kepemimpinan di dunia digital, dan ditunjukkan di
bawah ini.

POSISI UNTUK MEMAHAMI BERLAKU KE

MASA DEPAN TEKNOLOGI AKUNTANSI
Apa visi jangka panjang Bagaimana kecerdasan buatan Bagaimana akuntan
untuk AI dan profesinya? dan manusia bekerja sama? menggunakan kemampuan AI?

• Fokus pada tujuan • Pengambilan keputusan manusia • Masalah akuntansi

• Eksploitasi yang kuat • Pendekatan AI • Tantangan praktis
teknologi • Kekuatan mesin • Peran dan keterampilan

• Berpikirlah secara radikal belajar • Masalah kelembagaan

• Beradaptasi • Batasan pembelajaran mesin

2
 KECERDASAN ARTIFISIAL DAN MASA DEPAN AKUNTANSI

Apa visi jangka panjang untuk AI

dan profesinya?

Dalam beberapa dekade mendatang, sistem cerdas akan mengambil alih lebih banyak tugas pengambilan
keputusan dari manusia. Sementara akuntan telah menggunakan teknologi selama bertahun-tahun untuk
meningkatkan apa yang mereka lakukan dan memberikan nilai lebih bagi bisnis, ini adalah peluang untuk menata
ulang dan secara radikal meningkatkan kualitas keputusan bisnis dan investasi - yang merupakan tujuan akhir dari
profesi.

Untuk mewujudkan potensi ini, profesi perlu fokus pada masalah bisnis mendasar yang ingin diselesaikannya,
dan membayangkan bagaimana teknologi baru dapat mengubah pendekatannya terhadap masalah tersebut.

FOKUS PADA TUJUAN

Akuntan ingin membantu organisasi dan ekonomi bekerja lebih baik dengan memberikan nasihat yang baik dan
membuat keputusan yang baik. Bagaimanapun, akuntansi bukanlah tujuan itu sendiri. Semua aktivitas yang terkait
dengan akuntansi pada akhirnya bertujuan untuk membantu orang membuat keputusan yang baik tentang alokasi
sumber daya, dan meminta pertanggungjawaban orang lain atas keputusan mereka. Ini mendukung investasi,
pertumbuhan dan kepercayaan di semua organisasi dan ekonomi.

Sistem yang lebih cerdas memungkinkan pendekatan yang sangat berbeda untuk tujuan akhir ini dan jenis
masalah bisnis mendasar yang ingin diselesaikan oleh profesi. Investor perlu mendapatkan kepercayaan
dan kepercayaan pada hasil keuangan perusahaan; perusahaan dan pemerintah perlu memastikan tingkat
pajak yang benar dibayarkan; manajemen perlu memutuskan bagaimana menggunakan sumber daya
organisasi, dan bertanggung jawab atas keputusan tersebut. Memecahkan masalah fundamental semacam
ini sangat penting bagi perusahaan dan ekonomi untuk berhasil dan merupakan jantung dari profesi
akuntansi.

Mungkin juga ada masalah baru yang dapat diubah dengan data baru dan sistem yang lebih cerdas. Sebagai contoh,
Tujuan Global PBB mewakili konsensus luas tentang seperti apa kita, sebagai manusia, ingin dunia dan masyarakat
terlihat seperti dalam dekade mendatang. Dalam semua kasus, ada banyak pekerjaan yang harus dilakukan untuk
mencapai tujuan tersebut. Paling tidak, kita memerlukan pengukuran yang efektif untuk memungkinkan keputusan
yang diinformasikan tentang alokasi keuangan dan sumber daya lain untuk mencapai tujuan. Kami juga
membutuhkan akuntabilitas untuk keputusan tersebut.

Oleh karena itu, titik awal untuk menciptakan visi jangka panjang adalah fokus pada tujuan akhir profesi untuk
keputusan yang lebih baik, dan mengidentifikasi masalah bisnis mendasar yang akan diselesaikan oleh
keputusan yang lebih baik.

EKSPLOIT TEKNOLOGI KUAT

Maka penting untuk mengenali dan memanfaatkan kekuatan teknologi baru secara efektif. Laporan ini
menyoroti kekuatan pendekatan pembelajaran mesin terhadap AI, dan metode pembelajaran mendalam
khususnya, yang secara teratur mengarah pada kemajuan besar di banyak bidang penelitian. Tapi ini
adalah konteks teknologi yang kompleks dan selalu berubah. Area teknologi lain akan berinteraksi
dengan AI dan berdampak signifikan pada bisnis di masa depan, seperti blockchain atau komputasi
kuantum. Selain itu, laju perubahan kapabilitas bisa sangat cepat, dan sifat sistem berbasis pembelajaran
dan berbasis data memungkinkan peningkatan berkelanjutan.

Untuk sepenuhnya memanfaatkan teknologi baru yang canggih, kita harus memahami dengan jelas karakteristik uniknya dan
bagaimana teknologi tersebut dapat membantu memecahkan masalah yang sebenarnya. Biasanya dibutuhkan waktu yang lama dari
membangun teknologi yang berfungsi untuk mendapatkan nilai maksimal darinya. Seringkali, teknologi dapat menjadi solusi yang
mencari masalah untuk dipecahkan, atau hanya memungkinkan kita untuk meniru cara kita melakukan sesuatu menggunakan alat
yang berbeda.

3
KECERDASAN ARTIFISIAL DAN MASA DEPAN AKUNTANSI

Sebaliknya, kita perlu mendorong debat, interaksi, dan pembelajaran antara pakar teknologi,
bisnis, dan profesi untuk menata kembali cara kita memecahkan masalah bisnis mendasar
dengan bantuan teknologi baru.

BERPIKIR SECARA RADIS

Dalam melakukan hal ini, profesi juga perlu terbuka terhadap perubahan yang lebih mendalam dan menghindari sekedar
mempertahankan atau meningkatkan status quo secara bertahap. Di mana AI memungkinkan wawasan yang lebih luas dari
data, ini membantu para ahli manusia membuat keputusan yang lebih baik dan memberikan saran yang lebih baik.
Memang, bukti menunjukkan bahwa manusia dan komputer yang bekerja bersama di berbagai bidang seperti catur dan
kedokteran menghasilkan hasil yang lebih baik daripada manusia atau komputer dalam isolasi.

Namun, karena sistem terus menjadi lebih kuat, mereka akan dapat bergerak lebih jauh ke area
keputusan yang kompleks, berpotensi menggantikan manusia dalam banyak kasus dan
memungkinkan solusi, layanan, dan model yang sepenuhnya berbeda. Oleh karena itu, ketika
melihat jangka panjang, profesi harus berpikir di luar perbaikan bertahap untuk proses yang ada.
Selain itu, perlu merefleksikan keterampilan dan kualitas khusus yang dibawa akuntan ke bisnis. Ini
melampaui pengetahuan teknis untuk memasukkan kualitas seperti skeptisisme profesional,
memperoleh dan menerapkan wawasan dari angka, dan kemudian angka dapat dipercaya.

Ini juga berarti terlibat secara positif dalam perdebatan tentang, misalnya, peran penilaian manusia dalam bidang
bisnis yang lebih kompleks. Mungkin ada karakteristik unik manusia, seperti kepemimpinan, empati dan kreativitas,
yang tidak akan pernah tergantikan oleh komputer. Dan kita tidak boleh meremehkan kemampuan beradaptasi dan
kecerdikan manusia. Namun, 'penilaian manusia' sering kali hanya menggantikan kekurangan data - komputer yang
kuat dengan akses ke sumber data baru mungkin menggantikan kebutuhan akan penilaian manusia dalam sebagian
besar kasus. Upaya untuk menyangkal potensi komputer untuk melampaui banyak kemampuan manusia, dan hanya
untuk melindungi model dan cara saat ini dalam melakukan sesuatu, kemungkinan besar akan berakhir dengan
kegagalan.

DAPAT DIADAPTASI

Tidak mungkin untuk memprediksi sejauh mana komputer akan menggantikan pengambilan keputusan manusia
selama 20 sampai 30 tahun ke depan. Ada konteks yang lebih luas dan masa depan akuntansi jangka panjang pada
akhirnya akan mencerminkan bagaimana kita, sebagai manusia, melihat dan membentuk hubungan kita dengan
sistem yang kuat. Ini akan dipengaruhi oleh berbagai faktor ekonomi, sosial dan politik. Teknologi masa depan juga
akan sangat berbeda dengan yang kita lihat saat ini. Akibatnya, pendekatan yang fleksibel menjadi penting ketika
memikirkan masa depan.

Keterampilan dan agenda pembelajaran untuk profesional akuntansi masa depan khususnya telah menjadi subyek
banyak perdebatan antara badan profesional, termasuk ICAEW, pengusaha dan pendidik. Sebagian besar akan setuju
bahwa akuntan akan membutuhkan lebih banyak keterampilan keras di berbagai bidang seperti teknologi dan data, serta
penekanan yang lebih besar pada hal-hal seperti keterampilan lunak, pemikiran kritis, dan kemampuan beradaptasi. Ada
juga kebutuhan untuk lebih menekankan pada pembelajaran seumur hidup. Namun, ada persaingan visi jangka panjang
akuntan masa depan - dari profesional hibrida berkualifikasi tinggi, hingga pekerja berketerampilan rendah, yang
menggunakan teknologi untuk mengakses pengetahuan ahli.

Ketika kebutuhan bisnis berubah, dan semua pemangku kepentingan yang relevan setuju, profesi mampu
beradaptasi. Badan profesional mengubah kualifikasi mereka seiring dengan berkembangnya permintaan
pasar. Organisasi akuntansi dalam bisnis dan praktik selalu berinovasi untuk menyediakan
nilai lebih. Kualitas ini akan menjadi semakin penting bagi semua pemangku kepentingan yang terlibat dalam
profesi tersebut.

4
 KECERDASAN ARTIFISIAL DAN MASA DEPAN AKUNTANSI

Bagaimana kecerdasan buatan

dan manusia bekerja sama?

Sistem AI saat ini bisa sangat kuat dan meningkat dengan cepat. Mereka memberikan hasil yang
bisa sangat akurat, menggantikan dan, dalam beberapa kasus, jauh melebihi upaya manusia.
Namun, mereka tidak meniru kecerdasan manusia. Kita perlu mengenali kekuatannya
dan batasan dari bentuk kecerdasan yang berbeda ini, dan membangun pemahaman tentang cara terbaik bagi
manusia dan komputer untuk bekerja sama.

PENGAMBILAN KEPUTUSAN MANUSIA

Manusia membuat keputusan dengan dua cara berbeda.

INTUISI
Sebagian besar proses berpikir kita bersifat naluriah
dan tidak disadari, terjadi dengan sangat cepat dan
dengan sedikit usaha. Jenis pemikiran ini berakar
pada mengenali pola berdasarkan apa yang telah
terjadi sebelumnya, dan sering kali digambarkan
sebagai intuitif.
PEMIKIRAN
Kami juga menggunakan logika dan alasan untuk
menjawab pertanyaan dan membuat keputusan.
Proses sadar ini menggunakan kita
pengetahuan dan biasanya mengambil alih ketika
intuisi belum menghasilkan jawaban yang
memuaskan. Proses ini membutuhkan waktu dan
tenaga.

Akuntan, sebagai pengambil keputusan ahli, menggunakan kedua cara berpikir - mereka menerapkan pengetahuan
mereka pada situasi tertentu untuk membuat keputusan yang beralasan, tetapi juga membuat keputusan intuitif yang
cepat berdasarkan pengalaman yang luas di bidangnya.

Pemikiran intuitif kami sangat kuat, yang mencerminkan pembelajaran cepat dan tingkat fleksibilitas
yang tinggi. Ini memberikan dasar untuk bahasa, penglihatan, penginderaan, pemahaman kita
tentang dunia sehari-hari dan cara berinteraksi dengan orang lain. Namun, itu tidak sempurna. Ini
tunduk pada banyak bias dan inkonsistensi, dieksplorasi secara rinci oleh psikolog seperti Daniel
Kahneman.

• Bias ketersediaan - contoh yang lebih baru atau umum cenderung muncul di benak, yang
dapat mengganggu proses pengambilan keputusan kita.

• Bias konfirmasi - kami cenderung hanya melihat hal-hal yang konsisten dengan pandangan kami saat ini.

• Penambatan - kami sangat dipengaruhi oleh saran sebelumnya.

PENDEKATAN UNTUK AI

Penelitian di AI berfokus selama bertahun-tahun pada mereplikasi kemampuan penalaran manusia, misalnya,
merepresentasikan pengetahuan dan pengkodean aturan berbasis logika dan pohon keputusan. Ini adalah
pendekatan yang diambil dalam sistem pakar, yang menjadi populer pada 1980-an dan 1990-an. Sistem ini
berusaha untuk menangkap pengetahuan eksplisit para ahli, dan membangunnya menjadi mesin aturan yang
akan membuat keputusan atau rekomendasi.

Pendekatan ini berhasil tetapi jarang menghasilkan hasil yang dapat dilihat sebagai serupa
untuk kecerdasan manusia. Meskipun ada berbagai masalah teknis dengan sistem semacam itu, mereka
akhirnya dikalahkan oleh kompleksitas dunia nyata, dan sejauh mana kita mengandalkan pemikiran
intuitif. Kami tidak dapat mengartikulasikan pengetahuan dan aturan pengambilan keputusan kami
dengan cukup jelas. Ini berarti bahwa sistem tidak dapat mengatasi keadaan yang kompleks atau ambigu,
atau di mana hal-hal berubah.

5
KECERDASAN ARTIFISIAL DAN MASA DEPAN AKUNTANSI

Keberhasilan baru-baru ini dalam AI mengambil pendekatan yang sangat berbeda. Daripada mencoba memaksakan model
aturan dari atas ke bawah, mereka mengambil pendekatan dari bawah ke atas dan mempelajari aturan berdasarkan
pengamatan dari apa yang terjadi sebelumnya. Ini menggunakan pengenalan pola dan dikenal sebagai pembelajaran mesin.
Meskipun ada banyak bidang penelitian tentang AI, peningkatan dalam pembelajaran mesin adalah pendorong utama di balik
sensasi seputar AI saat ini dan fokus dari laporan ini.

Dengan menggabungkan pendekatan dalam pembelajaran mesin dengan perkembangan di bidang AI

lainnya, seperti representasi pengetahuan dan penalaran, komputer dapat digunakan untuk melengkapi
dan meningkatkan kedua cara berpikir manusia.

KEKUATAN MESIN BELAJAR

Dalam banyak hal, perkembangan AI ini cukup besar. Teknik pembelajaran mesin memanfaatkan kekuatan
kognitif kita sendiri - pengenalan pola dan pembelajaran - daripada mencoba untuk mendefinisikan aturan
yang kompleks. Teknik paling canggih di bidang ini - berdasarkan jaringan saraf tiruan dan pembelajaran
mendalam - memungkinkan terobosan besar di berbagai bidang seperti pemrosesan bahasa alami,
terjemahan, visi mesin, dan permainan game.

Pendekatan ini juga dapat memungkinkan komputer untuk bergerak lebih jauh ke dalam proses pengambilan
keputusan daripada sebelumnya, ketika mereka dikalahkan oleh kompleksitas dan ambiguitas aturan yang telah
ditentukan sebelumnya. Memang, penelitian di bidang-bidang seperti pencitraan medis dan diagnosis semakin
menunjukkan mesin menghasilkan hasil yang jauh lebih akurat daripada yang dilakukan manusia. Meskipun tidak
ada yang baru tentang algoritme yang berkinerja lebih baik dan lebih konsisten daripada banyak ahli, sistem AI
'mengisi daya' kemampuan ini dan berpotensi menghasilkan alat pengambilan keputusan yang jauh lebih kuat
daripada yang mungkin sebelumnya. Ini mencerminkan tiga fitur tentang model dan algoritme yang dikandungnya.

LENGKAP DAN
DATA BESAR
BERUBAH KONSISTENSI
VOLUMES
POLA
Mereka dapat memproses data Mereka dapat mengambil pola yang lebih Mereka bisa lebih dari itu
dalam jumlah besar (terstruktur lemah atau lebih kompleks dalam data pengambil keputusan yang konsisten.

dan tidak terstruktur) - jauh lebih
banyak daripada yang dapat
dilakukan manusia; Misalnya, hasil
setiap bagian
penelitian medis
dilakukan pada suatu topik, atau
setiap bagian dari peraturan
keuangan. Ini memberikan
lebih kuat dan lebih
dasar yang kuat untuk belajar.
daripada yang kita bisa.
Karena itu, mesin
mungkin lebih baik dalam
lingkungan yang kami temukan
kurang dapat diprediksi. Dimana
loop umpan balik dapat dibangun
ke dalam model, mereka juga
dapat sangat adaptif dan belajar
dari kesalahan atau kasus baru.
Mereka tidak menderita
kelelahan atau kebosanan.
Mereka juga tidak menunjukkan bias
manusia dan karena itu memberikan
kesempatan untuk itu
menghilangkan bias kognitif
- seperti ketersediaan atau
bias konfirmasi - serta bias
berbasis sosial,
seperti rasisme.

Kemampuan ini sangat penting bagi organisasi yang bertujuan untuk mengeksploitasi semakin banyak data besar
yang tersedia bagi mereka. Manusia sendiri tidak dapat menganalisis dan mengekstrak wawasan dari volume data
yang dibuat hari ini. Sangat penting untuk bekerja dengan teknik pembelajaran mesin untuk mendapatkan makna
dari, dan memanfaatkan data besar dengan sebaik-baiknya.

6
 KECERDASAN ARTIFISIAL DAN MASA DEPAN AKUNTANSI

BATAS PEMBELAJARAN MESIN

Meskipun model ini bisa sangat kuat, masih ada batasan pada kemampuannya. Pembelajaran mesin
bukanlah AI umum dan model tidak terlalu fleksibel. Model belajar untuk melakukan tugas yang sangat
spesifik berdasarkan kumpulan data tertentu.

Kuantitas dan kualitas data sangat penting, dan tidak semua masalah memiliki data yang benar untuk
memungkinkan mesin belajar. Banyak model membutuhkan data dalam jumlah besar. Terobosan besar di
berbagai bidang seperti computer vision dan pengenalan suara mengandalkan kumpulan data pelatihan yang
sangat besar - jutaan titik data. Meskipun tidak terjadi di semua area machine learning, keberhasilan
bergantung pada memiliki data yang memadai dengan kualitas yang tepat.

Data sering kali mencerminkan bias dan prasangka yang ada di masyarakat. Akibatnya, meskipun model
berpotensi menghilangkan bias manusia, model juga dapat memperkuat bias sosial yang sudah ada.

Selain itu, tidak setiap masalah cocok untuk pendekatan pembelajaran mesin. Misalnya, perlu ada
tingkat pengulangan tentang masalah sehingga model dapat menggeneralisasi pembelajarannya
dan menerapkannya pada kasus lain. Untuk pertanyaan unik atau baru, hasilnya mungkin kurang
berguna.

Keluaran model pembelajaran mesin adalah prediksi atau saran berdasarkan perhitungan
matematis, dan tidak semua masalah dapat diselesaikan dengan cara ini. Pertimbangan lain mungkin
perlu diperhitungkan dalam keputusan, seperti pertanyaan etis, atau masalah mungkin memerlukan
analisis akar penyebab yang lebih dalam.

Tingkat akurasi prediksi yang berbeda juga akan sesuai dalam keadaan yang berbeda. Tidak masalah jika
mesin rekomendasi, misalnya, menghasilkan rekomendasi yang tidak akurat. Sebaliknya, tingkat
kepercayaan yang tinggi diperlukan dengan diagnosis medis atau tugas kepatuhan. Memberikan tingkat
kepercayaan eksplisit di samping keluaran model dapat menjadi alat bantu keputusan yang berguna
dalam dirinya sendiri. Tetapi mereka menekankan batasan model, bahaya ketergantungan yang tidak
tepat pada mereka dan kebutuhan untuk mempertahankan keterlibatan manusia dalam banyak proses
keputusan.

7
KECERDASAN ARTIFISIAL DAN MASA DEPAN AKUNTANSI

Bagaimana akuntan menggunakan

kemampuan AI?

Meskipun teknik AI seperti pembelajaran mesin bukanlah hal baru, dan laju perubahannya cepat, adopsi
yang luas dalam bisnis dan akuntansi masih dalam tahap awal. Untuk membangun visi masa depan yang
positif, kita perlu mengembangkan pemahaman yang mendalam tentang bagaimana AI dapat
menyelesaikan masalah akuntansi dan bisnis, tantangan praktis, dan keterampilan yang dibutuhkan
akuntan untuk bekerja bersama sistem cerdas.

MASALAH AKUNTANSI
Akuntan menerapkan pengetahuan teknis mereka tentang akuntansi dan keuangan untuk membantu bisnis dan pemangku
kepentingan membuat keputusan yang lebih baik. Untuk mendukung pengambilan keputusan dan nasihat mereka, akuntan
membutuhkan informasi dan analisis keuangan dan non-keuangan yang berkualitas tinggi. Hal ini tercermin dalam berbagai
peran akuntansi di seluruh bisnis dan praktik untuk menangkap, mempersiapkan, memeriksa dan mengkomunikasikan
informasi, untuk melakukan analisis, dan untuk membuat berbagai macam keputusan.

Akuntan telah menerapkan teknologi selama bertahun-tahun untuk membantu mereka memberikan saran yang lebih baik dan
membuat keputusan yang lebih baik. Teknologi dapat membantu mereka melakukan ini dengan menyelesaikan tiga masalah besar:

• menyediakan data yang lebih baik dan lebih murah untuk mendukung pengambilan keputusan;

• menghasilkan wawasan baru dari analisis data; dan

• meluangkan waktu untuk fokus pada tugas-tugas yang lebih berharga seperti pengambilan keputusan, pemecahan masalah,
pemberian nasihat, pengembangan strategi, pembangunan hubungan dan kepemimpinan.

Sifat dasar dari teknik pembelajaran mesin memungkinkan peningkatan substansial di semua bidang
akuntansi, dan dapat membekali akuntan dengan kemampuan baru yang kuat, serta
mengotomatiskan banyak tugas dan keputusan.

Oleh karena itu, penting untuk mengidentifikasi masalah akuntansi dan bisnis di mana pembelajaran
mesin kemungkinan besar akan bermanfaat dan di mana masalahnya mungkin kurang cocok untuk teknik
ini. Ini akan memastikan bahwa upaya adopsi didorong oleh kebutuhan bisnis, bukan hanya kemampuan
teknologi. Sampai saat ini, ada penggunaan terbatas dalam akuntansi dunia nyata tetapi penelitian awal
dan proyek implementasi meliputi:

• menggunakan pembelajaran mesin untuk membuat kode entri akuntansi dan meningkatkan akurasi
pendekatan berbasis aturan, memungkinkan otomatisasi proses yang lebih besar;

• meningkatkan deteksi penipuan melalui model pembelajaran mesin yang lebih canggih dari
aktivitas 'normal' dan prediksi aktivitas penipuan yang lebih baik;

• menggunakan model prediktif berbasis pembelajaran mesin untuk memperkirakan pendapatan; dan

• meningkatkan akses ke, dan analisis, data tidak terstruktur, seperti kontrak dan email, melalui model
pembelajaran yang mendalam.

8
 KECERDASAN ARTIFISIAL DAN MASA DEPAN AKUNTANSI

TANTANGAN PRAKTIS
Volume dan kualitas data sangat penting untuk keberhasilan sistem AI. Tanpa data yang cukup
baik, model tidak akan bisa belajar.

Data akuntansi transaksional terstruktur dengan baik dan berkualitas tinggi, dan oleh karena itu harus menjadi titik
awal yang menjanjikan untuk mengembangkan model. Namun, mengingat masalah lama seputar data di banyak
organisasi, terutama yang memiliki sistem warisan yang kompleks dan tidak terintegrasi, hal ini mungkin masih
menjadi tantangan besar dalam praktiknya. Organisasi yang lebih kecil mungkin tidak memiliki cukup data untuk
memungkinkan hasil yang akurat. Demikian pula, mungkin tidak ada cukup data tentang masalah yang sangat
spesifik untuk mendukung model yang baik. Model yang kuat mungkin memerlukan sumber data eksternal, yang
mungkin tidak selalu dapat diakses dengan biaya yang sesuai.

Selain itu, sulit untuk mengetahui sebelumnya seberapa sukses pembelajaran mesin nantinya. Model belajar berdasarkan
kumpulan data tertentu. Oleh karena itu, membangun pengalaman kasus yang berhasil dan yang kurang berhasil akan
membantu menginformasikan adopsi di masa mendatang.

Batasan lain yang lebih berprinsip adalah privasi dan etika, terutama di mana sistem AI menggunakan data
pribadi. Deteksi penipuan, misalnya, dapat mengacu pada teks email yang dikirim oleh karyawan, yang
akan menghadapi batasan hukum dan etika.

Adopsi juga pada akhirnya akan didorong oleh kasus ekonomi dan bisnis seputar AI. Ini akan mencerminkan dua
cara berbeda yang digunakan organisasi untuk mengadopsi kemampuan pembelajaran mesin.

Pertama, pembelajaran mesin semakin diintegrasikan ke dalam perangkat lunak bisnis dan akuntansi.
Akibatnya, banyak akuntan akan menghadapi pembelajaran mesin tanpa menyadarinya, serupa dengan
cara kita menggunakan kemampuan ini dalam aktivitas pencarian atau belanja online. Ini adalah cara
organisasi yang lebih kecil kemungkinan besar mengadopsi alat AI.

Kedua, adopsi kemampuan AI secara sadar untuk menyelesaikan masalah bisnis atau akuntansi tertentu seringkali
membutuhkan investasi yang besar. Meskipun ada banyak perangkat lunak gratis dan sumber terbuka di area ini,
penggunaan pemasok perangkat lunak yang sudah mapan mungkin diperlukan untuk alasan hukum atau peraturan.
Mengingat volume data yang terlibat, perangkat keras dan daya pemrosesan yang substansial mungkin diperlukan,
bahkan jika diakses di cloud. Hasilnya, investasi AI
kemungkinan besar akan fokus pada area yang akan memiliki dampak finansial terbesar, terutama peluang pengurangan
biaya, atau area yang penting untuk penentuan posisi kompetitif atau layanan pelanggan. Area lain, meskipun berpotensi
menguntungkan, mungkin tidak memiliki kasus investasi yang kuat. Demikian pula, menggunakan pembelajaran mesin
untuk mengembangkan produk yang lebih cerdas di bidang akuntansi spesialis mungkin tidak memiliki potensi pasar untuk
membenarkan investasi dari pengembang perangkat lunak.

9
KECERDASAN ARTIFISIAL DAN MASA DEPAN AKUNTANSI

PERAN DAN KETERAMPILAN

Organisasi juga membutuhkan akses ke keterampilan yang tepat. Jelas, ini dimulai dengan keahlian teknis
dalam pembelajaran mesin. Namun, seperti halnya analisis data, keterampilan teknis ini perlu dilengkapi
dengan pemahaman mendalam tentang konteks bisnis yang melingkupi data dan wawasan yang
diperlukan.

Peran akuntansi sudah berubah sebagai tanggapan atas kemampuan baru dalam analitik data.
Memang, akuntan ditempatkan dengan baik untuk bekerja secara efektif dengan analitik data,
karena mereka menggabungkan tingkat numerasi yang tinggi dengan kesadaran bisnis yang
kuat. Tren ini akan dipercepat dengan AI. Beberapa peran akan terus menekankan keahlian
akuntansi teknis dan penilaian manusia untuk menangani kasus-kasus yang sulit dan baru.
Peran lain dapat diperluas untuk meningkatkan kolaborasi dan kemitraan dengan bagian lain
dari organisasi untuk membantu mereka mendapatkan makna yang benar dari data dan
model. Akan ada juga pekerjaan baru. Misalnya, akuntan perlu dilibatkan dalam model
pelatihan atau pengujian, atau algoritme audit. Mereka mungkin perlu terlibat dalam proyek
untuk membantu membingkai masalah dan mengintegrasikan hasil ke dalam proses bisnis.

Evolusi ini akan tercermin dalam keterampilan yang dibutuhkan akuntan. Beberapa peran, seperti model pelatihan,
mungkin memerlukan pengetahuan mendalam tentang teknik pembelajaran mesin. Di area lain, akuntan mungkin
hanya membutuhkan pengetahuan yang lebih dangkal tentang pembelajaran mesin untuk dapat melakukan
percakapan yang informatif dengan para ahli dan bagian lain dari bisnis. Kemampuan berpikir kritis dan komunikasi
cenderung menjadi semakin penting.

Selain keterampilan, akuntan mungkin perlu mengadopsi cara berpikir dan bertindak baru untuk memanfaatkan
alat pembelajaran mesin. Misalnya, menghabiskan lebih banyak waktu untuk aktivitas prediktif dan proaktif -
misalnya, menempatkan prediksi dalam konteks, atau membangun kemampuan untuk mengubah arah dengan
cepat - akan membutuhkan cara berpikir yang berbeda.

MASALAH KELEMBAGAAN
Akuntansi memiliki konteks kelembagaan yang lebih luas, dan regulator serta pembuat standar juga perlu
membangun pemahaman mereka tentang penerapan AI dan merasa nyaman dengan risiko terkait. Tanpa
dukungan kelembagaan ini, tidak mungkin mencapai perubahan di berbagai bidang seperti audit atau
pelaporan keuangan. Oleh karena itu, keterlibatan aktif dari pembuat standar dan regulator di bidang ini
sangat penting.

Misalnya, pembuat standar dalam audit ingin memeriksa di mana auditor menggunakan teknik ini untuk
mendapatkan bukti, dan memahami seberapa andal teknik tersebut. Badan-badan semacam itu sudah
memperdebatkan dampak kapabilitas analitik data pada standar audit, dan pertimbangan pembelajaran
mesin harus dibangun berdasarkan diskusi tersebut.

Ada masalah khusus dalam konteks ini yang berkenaan dengan transparansi model. Kami melakukannya
tidak sepenuhnya memahami bagaimana model yang paling kompleks - seperti model pembelajaran mendalam -
memperoleh keluarannya. Jika organisasi dan firma audit semakin mengandalkan model kotak hitam dalam operasi
mereka, lebih banyak pemikiran akan diperlukan tentang bagaimana kita mendapatkan kenyamanan dalam operasi
mereka yang benar.

Regulator juga dapat secara aktif mendorong dan bahkan mendorong adopsi yang sejalan dengan
pekerjaan mereka. Sebagian besar investasi di bidang ini, misalnya, berasal dari organisasi jasa
keuangan untuk mendukung kepatuhan terhadap peraturan dan tekanan dari regulator.

10
 KECERDASAN ARTIFISIAL DAN MASA DEPAN AKUNTANSI

Langkah selanjutnya

Pekerjaan masa depan ICAEW pada AI akan fokus pada membangun pemahaman tentang penggunaan praktis AI
di seluruh aktivitas bisnis dan akuntansi saat ini dan dalam waktu dekat. Selain itu, ini akan memimpin dan
mendorong perdebatan yang lebih luas tentang peluang dan tantangan jangka panjang.

SUMBER INFORMASI TEPERCAYA

ICAEW memiliki tempat unik sebagai badan profesional independen dengan keahlian lama dalam masalah
terkait teknologi, dan yang mengacu pada pengalaman di banyak aspek bisnis, keuangan, dan akuntansi. Hal
ini memungkinkannya untuk memberikan informasi kepada banyak pemangku kepentingan yang
melampaui hype tipikal banyak teknologi, dan mendasari diskusi dalam pemahaman yang mendalam
tentang lingkungan bisnis dan akuntansi.

Ini memberikan platform yang kuat untuk membangun dan berbagi pemahaman tentang aplikasi spesifik
teknologi pembelajaran mesin. Kami juga mendukung pemangku kepentingan lain dalam profesi yang
perlu memahami kapabilitas dan masalah di sini, termasuk:

• pendidik dan penyedia pelatihan, yang sedang mempertimbangkan keterampilan akuntan di masa depan;

• regulator, yang sedang mempertimbangkan risiko yang melekat pada teknologi baru; dan

• pemerintah dan pembuat kebijakan.

MITRA KELEMBAGAAN
Bekerja lintas disiplin ilmu adalah bagian penting dalam membangun pembelajaran dan kemampuan di bidang
ini. ICAEW ingin bekerja dengan organisasi lain di banyak disiplin ilmu lain untuk mendukung pemikiran
tentang dampak jangka pendek dan jangka panjang dari teknologi AI. Ini termasuk:

• akuntan yang bekerja dalam bisnis dan praktik serta dalam organisasi kecil dan besar, yang dapat
mencerminkan beragam pengalaman di seluruh profesinya;

• ilmuwan komputer dan pakar pembelajaran mesin, yang memahami kekuatan dan batasan
teknik;

• penyedia perangkat lunak yang mengembangkan solusi untuk masalah akuntansi menggunakan AI; dan

• ahli dan profesi lain yang menghadapi peluang dan ancaman serupa dari AI.

Pendekatan ini ditunjukkan dalam lokakarya multidisiplin yang diadakan pada awal tahun 2017 tentang AI di bidang
akuntansi audit dan forensik, seperti yang diuraikan di bawah ini.

11
KECERDASAN ARTIFISIAL DAN MASA DEPAN AKUNTANSI

DETEKSI ANOMALI PADA JALUR PENERBANGAN DAN AUDIT

Pada Januari 2017, ICAEW mengadakan lokakarya bersama dengan Portsmouth University yang
mempertemukan akademisi akuntansi, peneliti dalam pembelajaran mesin, dan praktisi dari
audit dan akuntansi forensik. Pendekatan multidisiplin mendorong berbagi perspektif yang
berbeda dari pembelajaran mesin dan akuntansi untuk mengidentifikasi masalah akuntansi
yang relevan dan mendiskusikan jenis kemampuan yang ditawarkan oleh teknik pembelajaran
mesin.

Diskusi didasarkan pada pengalaman pemodelan jalur penerbangan 'normal', yang

mendemonstrasikan manfaat membangun model 'normal' berdasarkan pembelajaran mesin, serta
tantangan dan batasan praktis. Model tersebut dapat memiliki penerapan potensial di bidang audit
atau akuntansi forensik, di mana ada kebutuhan untuk mengidentifikasi perilaku curang atau
kesalahan.

HUB UNTUK BERPIKIR INOVATIF

Penting juga untuk mendorong inovasi guna memanfaatkan kemampuan dan mengembangkan cara
baru untuk menambah nilai bagi klien dan bisnis. Sementara perusahaan dan bisnis individu akan
berinovasi berdasarkan kebutuhan spesifik mereka, mungkin ada peluang kolaborasi untuk mendorong
inovasi yang lebih luas.

• Di area di mana kasus bisnis untuk investasi mungkin lebih lemah, mungkin ada peluang untuk
berbagi beberapa upaya dan sumber daya.

• Mungkin ada manfaat yang signifikan dari berbagi data untuk membangun model atau model yang lebih baik yang mencerminkan
tujuan bersama.

ICAEWakan secara aktif mengeksplorasi cara-cara yang dapat membantu profesi untuk berpikir lebih radikal tentang
masa depan bekerja dengan AI, dan menerjemahkan ide-ide inovatif ke dalam praktik.

12
 KECERDASAN ARTIFISIAL DAN MASA DEPAN AKUNTANSI

Bacaan lebih lanjut

Brynjolfsson, E. dan McAfee, A. (2014), Era Mesin Kedua: Kerja, Kemajuan, dan
Kemakmuran di Zaman Teknologi Brilian, New York: WW Norton & Company.

Kantor Pemerintah untuk Sains, (2016), Kecerdasan buatan: peluang dan implikasi untuk masa
depan pengambilan keputusan, Kantor Pemerintah untuk Sains.

ICAEW, (2015), Memberikan Kepemimpinan dalam Dunia Digital, London: ICAEW.

ISCA dan ICAEW, (2017), Our Future Together: Perspektif Industri tentang Masa Depan
Pembelajaran Profesional dan Kewirausahaan, ISCA dan ICAEW.

Kahneman, D. (2012), Berpikir, Cepat dan Lambat, London: Penguin.

Kahneman, D. dan Klein, G. (2009), 'Kondisi untuk Keahlian Intuitif: Kegagalan untuk Tidak Setuju',
Psikolog Amerika, Vol. 64, No. 6, hlm. 515–526.

McKinsey Global Institute, (2017), Masa Depan yang Berfungsi: Otomatisasi, Pekerjaan, dan
Produktivitas, San Francisco: McKinsey & Company.

Nilsson, N. (2009), The Qu est untuk Kecerdasan Buatan: Sejarah Ide dan Prestasi,
Cambridge: Cambridge University Press.

O'Neil, C. (2016), Weapons of Math Destruction: Bagaimana Big Data Meningkatkan Ketimpangan
dan Mengancam Demokrasi, New York: Grup Penerbitan Gagak.

Russell, S. dan Norvig, P. (2010), Kecerdasan Buatan: Pendekatan Modern, London: Pearson.

Susskind, R. dan Susskind, D. (2015), Masa Depan Profesi: Bagaimana Teknologi Akan
Mengubah Pekerjaan Para Ahli Manusia, Oxford: Oxford University Press.

The Royal Society (2017), Pembelajaran mesin: kekuatan dan janji komputer yang belajar melalui
contoh, London: Royal Society.

Tujuan Pembangunan Berkelanjutan Perserikatan Bangsa-Bangsa. Tersedia di

http://www.un.org/sustainabledevelopment/ (diakses Mei 2017).

13
Ada lebih dari 1,7 juta akuntan dan mahasiswa di
seluruh dunia - profesional berbakat, etis, dan
berkomitmen yang menggunakan keahlian mereka
untuk memastikan kami memiliki masa depan yang
sukses dan berkelanjutan.

Lebih dari 150.000 di antaranya adalah ICAEWChartered

Accountants. Kami melatih, mengembangkan, dan
mendukung masing-masing agar mereka memiliki
pengetahuan dan nilai untuk membantu membangun
ekonomi lokal dan global yang berkelanjutan, akuntabel,
dan adil.

Kami telah berada di jantung profesi akuntansi sejak kami

didirikan pada tahun 1880 untuk memastikan kepercayaan
dalam bisnis. Kami berbagi pengetahuan dan wawasan
kami dengan pemerintah, regulator, dan pemimpin bisnis
di seluruh dunia karena kami percaya akuntansi adalah
kekuatan untuk perubahan ekonomi yang positif di seluruh
dunia.

www.charteredaccountantsworldwide.com
www.globalaccountingalliance.com

ICAEW
Fakultas Teknologi Informasi
Aula Chartered Accountants
Moorgate Place
London
EC2R 6EA
INGGRIS

T +44 (0) 20 7920 8481 E

itfac@icaew.com
icaew.com/itfac

© ICAEW 2018 TECPLN16345 09/18