Survei HSBC: AI Bisa Bantu Perusahaan Memprediksi Arus Kas di Masa Depan, Seberapa Akurat Proyeksinya?

AKURAT.CO Perusahaan bisa mencatat berapa banyak uang yang masuk dan keluar setiap hari. Namun, memperkirakan berapa saldo kas yang tersedia minggu depan atau bulan depan merupakan tantangan berbeda. Pembayaran pelanggan bisa terlambat, biaya operasional berubah, dan kebutuhan pendanaan mendadak muncul ketika bisnis sedang berjalan.

Di tengah ketidakpastian tersebut, kecerdasan buatan atau artificial intelligence (AI) mulai dilirik sebagai alat untuk membantu perusahaan memproyeksikan arus kas. Teknologi ini dapat mengolah data transaksi historis, mengenali pola penerimaan dan pengeluaran, hingga menghasilkan perkiraan yang menjadi bahan pertimbangan tim keuangan.

Survei HSBC melalui laporan Redefining Treasury in Asia Pacific: Voices of Treasury 2026 memperlihatkan besarnya ekspektasi terhadap teknologi tersebut. Sebanyak 84% responden di Indonesia menilai AI akan sangat atau amat bermanfaat bagi fungsi treasury dalam tiga tahun mendatang. Angka ini lebih tinggi dibandingkan rata-rata Asia Pasifik sebesar 72%.

Meski demikian, potensi AI tidak otomatis menjamin proyeksi arus kas menjadi akurat. Hasilnya tetap bergantung pada kualitas data, kemampuan sistem mengolah informasi, asumsi yang digunakan, serta validasi manusia. Apalagi, survei yang sama menunjukkan bahwa integrasi AI dengan sistem yang sudah digunakan perusahaan masih menjadi kendala utama.

Lantas, bagaimana AI membantu perusahaan memproyeksikan arus kas dan seberapa jauh hasil prediksinya bisa diandalkan?

Apa Itu Proyeksi Arus Kas dan Mengapa Penting bagi Perusahaan?

Proyeksi arus kas atau cash flow forecasting merupakan perkiraan mengenai jumlah uang yang akan diterima dan dikeluarkan perusahaan dalam periode tertentu. Periode tersebut bisa mencakup beberapa hari, minggu, bulan, atau bahkan lebih panjang, bergantung pada kebutuhan bisnis.

Komponen penerimaan kas antara lain pembayaran pelanggan, pendapatan penjualan, pencairan pinjaman, dan penerimaan lainnya. Sementara itu, pengeluaran kas mencakup pembayaran pemasok, gaji karyawan, biaya operasional, pajak, cicilan utang, serta belanja modal.

Proyeksi tersebut membantu perusahaan memperkirakan apakah dana yang tersedia cukup untuk memenuhi kewajiban pada waktunya. Informasi ini juga dapat menjadi dasar untuk menentukan kapan perusahaan perlu menyiapkan pendanaan, menunda pengeluaran tertentu, atau memanfaatkan kelebihan kas.

Perusahaan yang mencatat keuntungan belum tentu selalu memiliki kas yang cukup. Penjualan secara kredit, misalnya, dapat meningkatkan pendapatan dalam laporan keuangan, tetapi uangnya baru diterima beberapa minggu setelah transaksi terjadi.

Situasi tersebut membuat pengelolaan arus kas penting bagi perusahaan dengan siklus pembayaran yang panjang, termasuk bisnis logistik, distribusi, manufaktur, dan teknologi. Tanpa perkiraan yang memadai, perusahaan berisiko mengalami kesenjangan antara waktu penerimaan uang dan jadwal pembayaran kewajiban.

Di sinilah AI berpotensi membantu tim keuangan. Teknologi ini dapat mengolah lebih banyak data dalam waktu singkat, menemukan pola yang sulit terlihat melalui pemeriksaan manual, serta menyusun perkiraan sebagai bahan pengambilan keputusan.

Baca Juga: Survei HSBC: 84 Persen Perusahaan Indonesia Optimistis terhadap AI, tetapi Integrasi Sistem Jadi Tantangan

Baca Juga: Allianz-HSBC Luncurkan Fund USD Floating Rate, Apa Bedanya dengan Obligasi Biasa?

Bagaimana AI Membantu Memproyeksikan Arus Kas?

AI dapat membantu proses proyeksi arus kas dengan menganalisis data keuangan historis dan informasi lain yang relevan untuk memperkirakan pergerakan uang pada masa mendatang.

Misalnya, perusahaan memiliki catatan transaksi selama 12 bulan terakhir. Data tersebut dapat menunjukkan pola penerimaan pembayaran pelanggan, pengeluaran rutin, periode dengan kebutuhan kas tinggi, hingga perubahan saldo pada waktu tertentu.

Sistem kemudian dapat menggunakan pola tersebut untuk menyusun perkiraan arus kas pada periode berikutnya. Jika data dan model yang digunakan memadai, AI juga dapat membantu menemukan pola pembayaran yang berulang atau menandai transaksi yang menyimpang dari kebiasaan.

Namun, kemampuan tersebut tidak berarti AI dapat mengetahui masa depan secara pasti. Prediksi tetap merupakan estimasi berdasarkan informasi yang tersedia dan asumsi yang digunakan.

Ada beberapa cara AI dapat membantu proses tersebut.

1. Menganalisis riwayat transaksi

AI dapat mengolah data penerimaan dan pengeluaran untuk mengidentifikasi pola arus kas. Contohnya, sistem dapat membantu mengenali periode ketika pembayaran pemasok meningkat atau penerimaan dari pelanggan cenderung melambat.

2. Mengolah data dari berbagai sistem

Informasi keuangan perusahaan sering tersebar di sistem akuntansi, enterprise resource planning (ERP), rekening bank, dan aplikasi operasional. Apabila data tersebut dapat diintegrasikan dengan benar, perusahaan memiliki gambaran posisi kas yang lebih menyeluruh.

3. Menyusun proyeksi berdasarkan sejumlah asumsi

Perusahaan dapat menggunakan data historis sebagai dasar, kemudian menyesuaikan perkiraan dengan kondisi yang diperkirakan terjadi. Contohnya, perubahan jadwal pembayaran pelanggan, kenaikan biaya operasional, atau pergeseran volume penjualan.

4. Mempercepat pemantauan dan analisis

AI dapat membantu tim keuangan mengolah data secara lebih cepat sehingga waktu yang sebelumnya digunakan untuk mengumpulkan dan memeriksa angka secara manual dapat dialihkan ke analisis dan pengambilan keputusan.

Meski demikian, manfaat tersebut baru bisa diperoleh ketika data yang digunakan cukup lengkap, konsisten, dan relevan dengan kebutuhan perusahaan.

Seberapa Akurat Proyeksi Arus Kas yang Dihasilkan AI?

Tidak ada satu angka akurasi yang berlaku untuk seluruh sistem AI dalam memproyeksikan arus kas. Tingkat ketepatannya bergantung pada karakteristik bisnis, kualitas data, metode prediksi, rentang waktu proyeksi, dan perubahan kondisi yang terjadi setelah perkiraan dibuat.

Laporan HSBC Voices of Treasury 2026 menunjukkan tingginya ekspektasi responden Indonesia terhadap manfaat AI. Namun, angka 84% tersebut menggambarkan persepsi responden mengenai kegunaan AI bagi fungsi treasury, bukan tingkat akurasi prediksi arus kas yang telah dibuktikan melalui pengujian.

Artinya, angka itu tidak dapat ditafsirkan bahwa AI mampu memprediksi arus kas dengan akurasi 84%.

Untuk menilai keakuratan proyeksi, perusahaan perlu membandingkan hasil perkiraan dengan realisasi penerimaan dan pengeluaran kas. Evaluasi tersebut dapat dilakukan secara berkala untuk mengetahui seberapa besar selisih antara prediksi dan kondisi aktual.

Sebagai contoh, sistem memperkirakan perusahaan akan menerima pembayaran pelanggan sebesar Rp5 miliar pada minggu tertentu. Namun, realisasi penerimaan hanya mencapai Rp4 miliar karena sebagian pelanggan menunda pembayaran.

Selisih Rp1 miliar tersebut menjadi bahan evaluasi. Tim keuangan perlu menelusuri apakah perkiraan awal terlalu optimistis, data jadwal pembayaran tidak diperbarui, atau terdapat perubahan perilaku pelanggan yang belum diperhitungkan sistem.

Evaluasi yang berulang membantu perusahaan memahami kapan proyeksi cenderung meleset dan faktor apa yang paling memengaruhi hasilnya.

Selain itu, perusahaan perlu membedakan proyeksi jangka pendek dan jangka panjang. Perkiraan untuk beberapa hari ke depan dapat menggunakan informasi transaksi dan jadwal pembayaran yang relatif dekat dengan realisasi. Sebaliknya, proyeksi beberapa bulan ke depan menghadapi ketidakpastian lebih besar karena dipengaruhi perubahan permintaan, harga, kebijakan bisnis, dan kondisi ekonomi.

Dengan demikian, AI sebaiknya diperlakukan sebagai alat bantu untuk memperbaiki proses perencanaan, bukan jaminan bahwa saldo kas pada masa mendatang akan sesuai dengan angka yang diprediksi.

Mengapa Prediksi AI Bisa Berbeda dari Realisasi Arus Kas?

Ada beberapa faktor yang dapat membuat hasil proyeksi AI berbeda dari kondisi keuangan yang benar-benar terjadi.

1. Kualitas data yang kurang memadai

AI membutuhkan data yang relevan untuk menghasilkan analisis. Jika catatan transaksi tidak lengkap, terdapat duplikasi, atau informasi antarbagian tidak konsisten, hasil proyeksi berisiko ikut menyimpang.

Misalnya, jadwal pembayaran pelanggan dalam sistem penjualan tidak diperbarui, sedangkan sistem keuangan masih menggunakan tanggal jatuh tempo lama. AI yang mengolah informasi tersebut dapat menghasilkan perkiraan penerimaan kas yang tidak sesuai dengan kondisi terbaru.

2. Perubahan kondisi bisnis

Riwayat transaksi tidak selalu mencerminkan situasi yang akan dihadapi perusahaan. Permintaan pasar bisa berubah, proyek mengalami keterlambatan, atau pemasok mengubah ketentuan pembayaran.

Model yang terlalu mengandalkan pola masa lalu berpotensi kesulitan membaca perubahan yang belum tercermin dalam data historis.

3. Pembayaran pelanggan yang terlambat

Perusahaan dapat memperkirakan penerimaan kas berdasarkan tanggal jatuh tempo invoice. Namun, tanggal tersebut tidak selalu sama dengan tanggal uang benar-benar diterima.

Keterlambatan pembayaran dari sejumlah pelanggan dapat mengubah posisi kas perusahaan, terutama jika perusahaan harus tetap membayar gaji, pemasok, dan kewajiban lainnya sesuai jadwal.

4. Perubahan kurs dan biaya

Perusahaan yang melakukan transaksi lintas negara perlu mempertimbangkan pergerakan nilai tukar, biaya transaksi, dan perubahan kewajiban dalam mata uang asing. Faktor-faktor tersebut dapat memengaruhi jumlah kas yang tersedia ketika transaksi direalisasikan.

5. Pengeluaran yang tidak terduga

Kerusakan peralatan, kebutuhan perbaikan mendesak, perubahan biaya logistik, atau kewajiban baru dapat membuat pengeluaran aktual lebih tinggi daripada perkiraan awal.

Karena itu, perusahaan sebaiknya tidak hanya menggunakan satu skenario proyeksi. Perkiraan dapat dilengkapi dengan skenario optimistis, moderat, dan pesimistis untuk memahami kemungkinan dampak perubahan kondisi terhadap likuiditas.