Risiko Penggunaan AI dalam Analisis Keuangan Perusahaan

Bayangkan seorang analis keuangan di perusahaan Anda sedang terburu-buru menyelesaikan laporan triwulan. Untuk menghemat waktu, ia memasukkan data penjualan, daftar pelanggan, dan proyeksi laba ke ChatGPT untuk “dianalisis” dan “diringkas”. Pekerjaan selesai lebih cepat, atasan pun senang.

Masalahnya? Data keuangan paling sensitif perusahaan kini berada di server AI publik. Inilah risiko nyata yang mengintai fungsi keuangan perusahaan—dan dampaknya bisa sangat besar.

1. Kebocoran Data Keuangan dan Rahasia Bisnis

Data yang Sering Bocor

Analis keuangan sering memasukkan data seperti:

• Laporan keuangan internal (laba rugi, neraca, arus kas).

• Proyeksi dan anggaran rahasia.

• Daftar pelanggan dan kontrak bernilai tinggi.

• Strategi penetapan harga dan margin keuntungan.

• Data transaksi dan rekening bank.

Dampaknya Bukan Sekadar “Bocor”

Ketika data proprietary masuk ke sistem AI eksternal, perusahaan kehilangan kendali penuh atas lingkungan datanya. Yang terancam bukan sekadar data pelanggan, tetapi “decision logic” perusahaan: cara menetapkan harga, mengelola risiko, dan membangun keunggulan kompetitif. Kebocoran kecil pun dapat berdampak signifikan terhadap posisi kompetitif dan nilai perusahaan .

Data Perjalanan: Angka yang Mengkhawatirkan

Sebuah penelitian melacak bahwa antara Maret 2023 dan Maret 2024, terjadi peningkatan 485% data perusahaan yang ditempelkan ke alat AI. Dari data sensitif yang dibagikan, 31,2% adalah data keuangan dan 24,7% adalah informasi klien . Ini bukan angka kecil—ini adalah kebocoran sistematis yang terjadi setiap hari.

2. Biaya Langsung: Ratusan Juta hingga Miliaran Rupiah

Shadow AI Tax

Penelitian menunjukkan bahwa ketika kebocoran data terjadi di lingkungan dengan penggunaan AI yang tidak dikelola, biayanya melonjak rata-rata US$670.000 (sekitar Rp 10 miliar) lebih tinggi daripada insiden serupa di perusahaan dengan kontrol yang baik. Ini adalah “pajak” yang harus dibayar karena kurangnya visibilitas terhadap penggunaan AI di perusahaan .

Biaya Rata-rata Kebocoran Data

Di Amerika Serikat, rata-rata total biaya kebocoran data sudah mencapai US$10,22 juta (sekitar Rp 166 miliar). Bayangkan jika perusahaan Anda harus menanggung biaya itu karena seorang analis keuangan “hanya ingin cepat selesai” .

Biaya Tak Terduga Lainnya

Selain denda dan biaya pemulihan, ada biaya lain yang sering terlupakan:

• Langganan AI tidak resmi yang muncul di kartu kredit perusahaan tanpa persetujuan.

• Waktu tim IT untuk investigasi dan pembersihan.

• Kehilangan produktivitas saat sistem dihentikan sementara.

• Biaya hukum jika terjadi tuntutan dari pelanggan atau regulator.

3. Risiko Regulasi dan Kepatuhan

Regulasi yang Sudah Mengantisipasi

Di Indonesia, Otoritas Jasa Keuangan (OJK) telah membangun fondasi tata kelola AI sejak 2023 dengan menerbitkan pedoman etika AI untuk sektor fintech, dan pada April 2025 memperkuat tata kelola AI di sektor perbankan melalui Indonesian Banking Artificial Intelligence Governance .

Pemerintah juga mendorong penerapan AI di sektor keuangan digital dengan regulasi yang selaras dengan standar OECD . Artinya, regulator sudah bergerak—dan perusahaan yang tidak siap akan tertinggal.

Pelanggaran yang Bisa Terjadi

Siapa yang Bertanggung Jawab?

Regulasi menuntut adanya penanggung jawab di level pimpinan. Jika terjadi insiden, regulator tidak akan menerima alasan “kami tidak tahu”. Pertanyaan yang akan diajukan adalah: “Apakah program keamanan informasi Anda, termasuk pengawasan vendor dan pelatihan karyawan, dirancang secara wajar untuk mencegah kebocoran data seperti ini?” 

4. Risiko Operasional dan Strategis

AI Menciptakan “Silo” di Fungsi Keuangan

Gartner memperingatkan bahwa meskipun alat AI meningkatkan efisiensi, ada risiko terciptanya silo dan membuat fungsi keuangan terputus dari konteks bisnis yang lebih luas . Ketika setiap tim menggunakan AI sendiri-sendiri:

• Analisis keuangan tidak terkoordinasi.

• Angka dan proyeksi dari berbagai sumber tidak konsisten.

• Tidak ada jaminan bahwa data yang digunakan sudah divalidasi.

Keputusan Berbasis Data yang Tidak Valid

Jika AI digunakan untuk:

• Menganalisis arus kas dan likuiditas.

• Memprediksi risiko kredit.

• Menyusun strategi investasi.

Tetapi data yang dimasukkan tidak terverifikasi atau berasal dari AI publik yang tidak transparan, maka keputusan bisnis bisa salah arah. Kesalahan analisis keuangan bisa merugikan perusahaan dalam jangka panjang.

Ketergantungan pada “Kotak Hitam”

AI sering kali memberikan jawaban tanpa menjelaskan bagaimana ia sampai pada kesimpulan itu. Ini berbahaya karena:

• Sulit mempertanggungjawabkan keputusan keuangan kepada pemangku kepentingan.

• Tidak ada jejak audit yang jelas.

• Jika terjadi kesalahan, sulit melacak penyebabnya.

5. Contoh Skenario: Saat Analis Keuangan Menggunakan AI

Skenario (fiktif tetapi realistis):

Seorang analis keuangan di perusahaan asuransi menggunakan ChatGPT untuk meringkas 500 data klaim nasabah. Ia memasukkan:

• Nama dan nomor polis nasabah.

• Nilai klaim dan riwayat pembayaran.

• Analisis risiko internal.

Dampak:

• Data nasabah (nama, polis, klaim) terekspos ke server AI publik.

• Perusahaan melanggar kerahasiaan data nasabah.

  

• Jika data ini bocor, nasabah bisa menjadi korban penipuan.

• Regulator (OJK) bisa mengenakan sanksi.

• Kepercayaan nasabah hancur.

Peluang yang hilang:

• Analisis yang seharusnya menghasilkan wawasan berharga untuk underwriting menjadi tidak valid karena datanya sudah terkontaminasi.

• Perusahaan kehilangan keunggulan kompetitif karena strategi penetapan harga terekspos.

6. Mengurangi Risiko: Panduan Praktis untuk Tim Keuangan

1. Klasifikasikan Data Sebelum Menggunakan AI

Buat aturan jelas:

• Data apa yang SAMA SEKALI tidak boleh masuk ke AI publik (data nasabah, rekening, proyeksi strategis).

• Data apa yang boleh dengan anonimisasi.

• Data apa yang aman (data agregat, tren umum).

2. Gunakan AI Internal atau Enterprise

Jangan biarkan tim keuangan menggunakan ChatGPT gratis. Sediakan:

• Platform AI enterprise dengan jaminan zero-retention (data tidak disimpan/digunakan untuk pelatihan).

• Alat yang terintegrasi dengan sistem keamanan perusahaan.

• Audit trail untuk semua aktivitas.

3. Anonimkan Sebelum Analisis

Latih tim keuangan untuk:

• Menghilangkan nama, nomor polis, dan identitas lainnya.

• Menggunakan kode (misal “Nasabah A”, “Proyek X”).

• Hanya menggunakan data agregat untuk analisis tren.

4. Buat Kebijakan Khusus untuk Fungsi Keuangan

Kebijakan harus menyebutkan:

• AI apa yang boleh digunakan.

• Untuk analisis apa saja.

• Sanksi jika melanggar.

• Prosedur pelaporan jika terjadi kesalahan.

5. Audit dan Pantau Secara Berkala

Periksa:

• Apakah ada alat AI tidak resmi yang terdeteksi di perangkat tim keuangan?

• Apakah ada lonjakan lalu lintas data ke domain AI publik?

• Apakah semua anggota tim sudah mengikuti pelatihan?

7. Peran CFO dalam Mengendalikan Risiko

CFO adalah eksekutif yang paling tepat untuk memimpin pengendalian risiko AI di fungsi keuangan, karena:

• Memiliki pengawasan finansial atas biaya dan risiko.

• Bertanggung jawab atas kepatuhan dan pelaporan regulator.

• Memiliki pengaruh lintas fungsi untuk mengubah kebijakan .

Yang harus dilakukan CFO:

1. Berhenti memblokir, mulailah membangun “sandbox” yang aman. Bukan larangan, tetapi sediakan alternatif yang aman dan mudah digunakan .

2. Integrasikan AI Security dalam KPI tim keuangan. Jadikan kepatuhan penggunaan AI sebagai salah satu indikator kinerja.

3. Hitung biaya sesungguhnya. Bandingkan biaya membangun infrastruktur AI yang aman dengan potensi kerugian akibat kebocoran data .

Kesimpulan

Penggunaan AI dalam analisis keuangan adalah pedang bermata dua. Di satu sisi, AI bisa meningkatkan produktivitas dan wawasan. Di sisi lain, risiko kebocoran data, biaya besar, dan pelanggaran regulasi sangat nyata.

Yang harus diingat:

Solusinya: Bukan melarang AI, tetapi menggunakannya dengan kendali dan tata kelola yang jelas. Sediakan alat yang aman, latih tim, buat kebijakan, dan pantau secara berkala.