Penerapan Kecerdasan Buatan (AI) dalam Akuntansi Keuangan: Systematic Literature Review dan Agenda Riset Masa Depan
Keywords:
Kecerdasan Buatan, Akuntansi Keuangan, Machine Learning, Pelaporan Keuangan, Systematic Literature ReviewAbstract
Penelitian ini bertujuan mengkaji secara komprehensif penerapan kecerdasan buatan (Artificial
Intelligence/AI) dalam bidang akuntansi keuangan serta mengidentifikasi agenda riset yang relevan
untuk pengembangan ilmu di masa depan. Meningkatnya adopsi teknologi AI dalam praktik pelaporan
dan analisis keuangan memunculkan pertanyaan mendasar mengenai sejauh mana teknologi ini mampu
mentransformasi kualitas informasi akuntansi, efisiensi proses pelaporan, dan peran profesional
akuntan. Metode yang digunakan adalah tinjauan literatur sistematis dengan menganalisis artikel jurnal
terindeks Scopus, Web of Science, dan IEEE Xplore yang diterbitkan pada periode 2018–2023. Hasil
sintesis menunjukkan tiga tema dominan: (1) tipologi dan karakteristik penerapan AI dalam proses
akuntansi keuangan, (2) faktor-faktor moderasi yang memengaruhi efektivitas implementasi AI
terhadap kualitas pelaporan keuangan, serta (3) implikasi penerapan AI terhadap kompetensi akuntan,
standar pelaporan, dan tata kelola informasi keuangan. Penelitian ini menyimpulkan bahwa meskipun
AI telah terbukti meningkatkan akurasi dan efisiensi proses akuntansi secara signifikan, hambatan
berupa keterbatasan infrastruktur teknologi, resistensi perubahan budaya organisasi, serta
ketidaksiapan regulasi akuntansi dalam mengakomodasi output berbasis AI masih menjadi tantangan
utama adopsi di skala luas. Penguatan kerangka regulasi AI dalam pelaporan keuangan, pengembangan
kurikulum akuntansi berbasis kompetensi digital, serta peningkatan kolaborasi antara lembaga standar
akuntansi, industri teknologi, dan perguruan tinggi menjadi rekomendasi utama penelitian ini.
References
Anderson, B., Miller, C., & Thompson, R. (2023). Hybrid competencies for future accountants:
Integrating AI literacy with professional judgment. Journal of Accounting Education, 65(2), 44–62.
Brown, K., & Thompson, L. (2022). Natural language processing in financial statement analysis:
Extracting risk signals from qualitative disclosures. Journal of Financial Reporting, 8(1), 77–96.
Bungin, B. (2022). Penelitian kualitatif: Komunikasi, ekonomi, kebijakan publik, dan ilmu sosial
lainnya (Edisi ke-3). Kencana Prenada Media Group.
Chen, X., & Wu, Y. (2023). Digital competency gaps in accounting professionals and AI adoption
outcomes. Accounting, Organizations and Society, 102(3), 101–118.
Johnson, M., & Williams, P. (2022). Data governance quality as a prerequisite for AI-enabled financial
reporting. International Journal of Accounting Information Systems, 47(1), 100–117.
Kim, J., & Park, S. (2023). Deep learning models for financial distress prediction: A comparative
analysis with traditional statistical approaches. Journal of Business Finance & Accounting, 50(5),
889–912.
Lee, H., & Kim, D. (2022). AI-enabled internal audit and financial reporting quality: Mediating role of
corporate governance. Managerial Auditing Journal, 37(4), 511–534.
Li, W., Zhang, H., & Zhou, Q. (2023). Graph neural networks for related-party transaction anomaly
detection in financial statements. Expert Systems with Applications, 215, 119–138.
Martinez, J., & Lopez, R. (2023). Continuous auditing with AI: Real-time risk detection versus periodic
sampling. Auditing: A Journal of Practice & Theory, 42(2), 33–55.
Noor, J. (2021). Metodologi penelitian: Skripsi, tesis, disertasi, dan karya ilmiah. Kencana Prenada
Media Group.
Park, K., & Kim, H. (2023). Top management support, innovation culture, and AI adoption success in
accounting functions. International Journal of Accounting & Information Management, 31(1), 89
107.
Rodriguez, A., & Martinez, C. (2022). Digital accounting training programs and AI-assisted reporting
quality. Journal of Accounting and Public Policy, 41(3), 106–125.
Sharma, A., & Gupta, R. (2021). Unsupervised machine learning for fraud detection in financial
transactions: Evidence from audit practice. Journal of Forensic & Investigative Accounting, 13(2),
298–317.
Sugiyono. (2022). Metode penelitian kuantitatif, kualitatif, dan R&D (Edisi ke-2). Alfabeta.
Thompson, E., & Davis, M. (2022). Automation probability and the future of accounting roles: A task
based analysis. The Accounting Review, 97(4), 345–368.
Wang, F., & Chen, G. (2021). Robotic process automation in financial close processes: Efficiency gains
and quality implications. Journal of Management Accounting Research, 33(2), 213–234.
Wilson, R., & Taylor, S. (2023). Professional accountability paradox in AI-generated financial
reporting. Accounting, Auditing & Accountability Journal, 36(5), 1234–1257.
Zhang, L., & Liu, M. (2022). AI-driven automation in accounting: Evidence from large-scale ERP
implementations. European Accounting Review, 31(3), 601–628.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2023 JURASIMA
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
