Perusahaan Indonesia Percepat Adopsi AI untuk Treasury demi Likuiditas

Apa yang terjadi pada adopsi AI treasury di Indonesia?

AI untuk treasury mulai dipakai perusahaan Indonesia untuk membantu proses transaksi, pengolahan data, rekonsiliasi, analisis, dan review keuangan. CentralBatam melaporkan, berdasarkan survei HSBC Redefining Treasury in Asia Pacific Voices of Treasury 2026, 34% manajer keuangan korporasi Indonesia telah menggunakan AI agent untuk mengotomatisasi transaksi treasury.

Angka adopsi tersebut tidak berarti semua keputusan keuangan telah diserahkan ke sistem. RMOL, dalam laporan dari pemaparan survei HSBC pada 29 Oktober 2026, menyebut 93% responden Indonesia sudah menggunakan AI. Anne Suhandojo, Country Head of Global Payments Solutions HSBC Indonesia, menyatakan AI dapat membantu analisis, rekomendasi, dan review, tetapi manusia tetap memegang peran pengambilan keputusan.

Perbedaannya perlu jelas sejak awal. Otomasi berbasis aturan menjalankan instruksi tetap, seperti memindahkan data mutasi bank ke sistem akuntansi. AI dapat membantu membaca data yang formatnya beragam, misalnya deskripsi transfer atau dokumen tagihan dari klien. AI agent dapat menjalankan beberapa langkah dengan konteks dan alat yang diizinkan, tetapi penggunaan ini tetap harus dibatasi oleh hak akses, kondisi pengecualian, serta persetujuan manusia.

Sebagai ilustrasi hipotetis, tim treasury menerima mutasi bank dan dokumen invoice setiap pagi. Otomasi mengumpulkan file ke satu antrean. AI kemudian memberi label awal pada transaksi berdasarkan informasi yang tersedia. Transaksi dengan data cocok dapat masuk ke daftar rekonsiliasi, sedangkan transaksi yang nilai, nama pihak, atau referensinya tidak sesuai masuk ke antrean pemeriksaan staf. Sistem tidak diberi kewenangan mengubah data inti atau melepas pembayaran.

Mengapa treasury menjadi area penting untuk penerapan AI?

Treasury mengelola posisi kas, transaksi, kebutuhan likuiditas, dan risiko keuangan perusahaan. Karena data berasal dari banyak sumber, keterlambatan rekonsiliasi dapat membuat tim bekerja dengan informasi yang belum lengkap. Dalam konteks ini, nilai AI terletak pada bantuan untuk memilah data, menemukan pengecualian, dan menyiapkan bahan review, bukan menggantikan tanggung jawab treasury.

CentralBatam dan Demokratis.co.id melaporkan 84% responden Indonesia dalam survei HSBC memperkirakan AI akan memberi manfaat besar bagi fungsi treasury dalam tiga tahun mendatang. Optimisme tersebut perlu dibaca bersama pesan Manoj Dugar, Head of Global Payments Solutions Asia ex Greater China HSBC, yang dikutip kedua media: penerapan dalam skala lebih besar memerlukan fondasi data, tata kelola, dan kontrol.

Manfaat operasional akan lebih mudah diuji bila perusahaan memilih masalah yang sempit. Misalnya, perusahaan memiliki banyak dokumen penagihan dengan format berbeda. RMOL mengutip CFO Shipper, Leonard Pontoh, yang mengatakan AI membantu menangani dokumen penagihan klien dengan standar yang berbeda-beda. Dalam proses serupa, tim dapat menetapkan tugas AI sebatas mengekstrak informasi dan menyarankan klasifikasi. Staf treasury tetap memeriksa kecocokan invoice, nilai transaksi, dan pihak yang menerima pembayaran.

Ukuran awal juga perlu berasal dari proses yang benar-benar ingin diperbaiki. Tim dapat membandingkan waktu penyelesaian rekonsiliasi, jumlah transaksi yang masuk antrean pengecualian, jumlah koreksi setelah review, serta approval yang tertunda. Metrik ini bukan janji hasil AI. Fungsinya untuk menentukan apakah uji coba membuat proses lebih mudah dikendalikan atau justru menambah pekerjaan pemeriksaan.

Hambatan terbesar ada pada integrasi dan kualitas data

Integrasi AI dengan sistem yang sudah digunakan menjadi hambatan utama. Treasury biasanya bekerja dengan data dari perbankan, ERP, sistem akuntansi, penyimpanan dokumen, dan kadang sistem lain yang memiliki format serta pengaturan akses berbeda.

Menurut survei HSBC yang dilaporkan CentralBatam, 80% responden Indonesia menganggap integrasi sistem sebagai hambatan utama penerapan AI.

Masalahnya bukan hanya file yang belum tersambung. Satu transaksi dapat memiliki nama pihak yang berbeda antar-sistem, referensi yang tidak lengkap, atau waktu pencatatan yang tidak sama. Jika AI menerima data tidak konsisten, hasil klasifikasi dan rekomendasinya juga dapat keliru. Karena itu, perusahaan perlu menyelesaikan pertanyaan dasar sebelum memilih model atau platform: data apa yang dipakai, siapa pemiliknya, kapan diperbarui, dan siapa yang berhak mengoreksi.

Contoh hipotetis lain, perusahaan ingin memakai AI untuk menandai transaksi yang belum cocok dengan invoice. Tahap pertama bukan memberi akses ke seluruh data keuangan. Tim dapat membuat daftar kecil berisi transaksi, invoice, status kecocokan, dan alasan pengecualian. Setelah itu, mereka menyepakati format referensi, definisi status, serta pemilik data. AI diuji untuk membantu membuat daftar prioritas, lalu hasilnya dibandingkan dengan pemeriksaan staf sebelum diterapkan ke volume yang lebih besar.

Peta integrasi yang sederhana membantu menghindari proyek yang melebar. Tulis urutan proses saat ini: sumber data, pemeriksaan manual, sistem pencatatan, pihak penyetuju, lalu lokasi penyimpanan bukti. Dari peta itu, cari titik yang paling banyak memunculkan pekerjaan ulang. Satu titik tersebut lebih layak menjadi pilot daripada mencoba menghubungkan semua sistem sekaligus.

Kontrol manusia dan keamanan transaksi tidak boleh menjadi tahap akhir

AI treasury perlu dirancang dengan pembagian tindakan yang tegas. Sistem boleh membantu mengumpulkan dokumen, mengelompokkan transaksi, menyiapkan ringkasan, atau menandai data tidak wajar. Persetujuan pembayaran, perubahan rekening penerima, perubahan data inti, serta keputusan yang berdampak besar perlu tetap berada pada orang yang berwenang.

RMOL mengutip Anne Suhandojo bahwa AI dapat melakukan analisis, rekomendasi, dan review, sedangkan keputusan tetap membutuhkan peran manusia. Prinsip ini penting karena kesalahan klasifikasi di treasury dapat memicu masalah lanjutan, terutama bila sistem dapat langsung memengaruhi data atau instruksi transaksi.

Sebagai ilustrasi, AI mendeteksi invoice yang nilainya tidak sesuai dengan transaksi masuk. Sistem boleh membuat tiket pemeriksaan dan melampirkan dokumen relevan. Namun, AI tidak boleh menghapus catatan, mengubah nilai, atau menyetujui pembayaran. Analis treasury memeriksa bukti, supervisor menyetujui koreksi bila diperlukan, dan catatan perubahan disimpan agar keputusan dapat ditelusuri.

Keamanan perlu dibahas pada desain workflow, bukan setelah sistem aktif. Tentukan akun atau peran yang boleh melihat data tertentu, tindakan yang membutuhkan persetujuan tambahan, serta jalur eskalasi ketika data tidak lengkap. Uji juga kondisi gagal: apa yang terjadi jika AI tidak dapat membaca dokumen, sistem bank terlambat mengirim data, atau hasil klasifikasi bertentangan dengan aturan internal. Jawaban atas kondisi ini menentukan apakah proses tetap aman saat sistem tidak bekerja sesuai harapan.

Langkah realistis untuk memulai AI treasury

Mulailah dari satu proses dengan volume cukup tinggi, aturan pemeriksaan cukup jelas, dan risiko tindakan otomatis yang rendah. Rekonsiliasi awal, klasifikasi dokumen tagihan, atau penyusunan daftar pengecualian dapat menjadi kandidat. Hindari memulai dari proses yang memberi AI hak membuat atau menyetujui instruksi pembayaran.

Buat pilot dengan batas waktu, data, dan keputusan yang jelas. Tetapkan data sumber, definisi hasil yang benar, pihak pemeriksa, tindakan yang dilarang bagi sistem, serta metrik evaluasi. Jalankan AI sebagai alat bantu review terlebih dahulu. Bila tim masih sering menemukan hasil yang tidak dapat dijelaskan, perbaiki data dan aturan proses sebelum menambah akses sistem.

Untuk pembahasan yang lebih luas tentang pemanfaatan AI pada pengelolaan keuangan perusahaan, pembaca dapat melihat artikel pilar Korporasi Indonesia Percepat Adopsi AI untuk Kelola Keuangan. Langkah berikutnya: pilih satu proses treasury yang paling sering memicu pekerjaan ulang minggu ini, petakan sumber datanya, daftar pengecualian, pemilik keputusan, dan batas tindakan otomatis. Dokumen satu halaman itu sudah cukup untuk memulai diskusi pilot yang lebih terarah.