AI Bikin Struk Palsu Makin Mudah. Ini Saran Almaz untuk Finance

Dalam 12 bulan hingga 15 Mei 2026, platform audit pengeluaran AppZen mendeteksi 1.471 struk buatan AI yang diajukan 745 karyawan di 174 perusahaan. Total klaimnya mencapai USD148.143.

Nilai itu tidak besar. Yang mengubah peta adalah kecepatannya. Pada Maret 2025, belum ada struk palsu yang di-flag AppZen teridentifikasi sebagai buatan AI. Pada pertengahan Mei 2026, porsinya sudah 70,8 persen.

Pergeseran ini menyentuh fondasi kontrol pengeluaran. Sebagian besar pemeriksaan klaim dirancang untuk menangkap dokumen yang dipalsukan, seperti nominal yang diedit, font yang tidak konsisten, atau fotokopi berulang. Struk buatan AI tidak membawa jejak seperti itu. Ia dibuat dari nol.

Muhammad Almaz Rifqi Satwika, S.E., CA, saat ini menjabat AVP Accounting PT Indosat Tbk. Sebelumnya, ia bekerja sebagai auditor di PwC selama lima tahun. Pengalaman di dua sisi itu menempatkannya pada posisi yang jarang: ia pernah menguji bukti pengeluaran sebagai auditor eksternal, dan kini ikut bertanggung jawab atas kontrolnya dari dalam perusahaan.

AVP Accounting PT Indosat Tbk, Muhammad Almaz Rifqi Satwika, mengatakan, “Angkanya sendiri tidak terlalu mengejutkan saya. Kecepatannya yang mengejutkan. Selama ini kita berasumsi memalsukan struk butuh usaha, dan asumsi itulah yang sekarang runtuh,” tuturnya kepada Mekari Expense.

Pertanyaan yang kemudian muncul sederhana, tetapi belum banyak dijawab perusahaan. Jika struk tidak lagi bisa dipercaya dari tampilannya, apa yang masih bisa dipercaya?

Struk palsu tidak lagi butuh keahlian

Template struk palsu sudah lama beredar. Data AppZen menunjukkan, sekitar setahun sebelumnya struk palsu yang mereka tangkap didominasi template dari situs yang menjual dokumen semacam itu. 

Pada pertengahan Mei 2026, porsi template tinggal sekitar 29 persen, dan titik baliknya terjadi pada April 2026 ketika struk buatan AI pertama kali melampaui template.

Survei Emburse yang dilakukan Atomik Research pada 5 sampai 8 Mei 2026 memperlihatkan sisi perilakunya. Dari 1.000 pekerja di Amerika Serikat yang disurvei, empat dari sepuluh mengaku pernah memakai AI untuk membuat struk palsu untuk pengeluaran bisnis. Sebanyak 40 persen dari mereka melakukannya dengan tools AI yang dibiayai perusahaan.

Gambar 1 – Struk palsu memasuki era AI

Sumber: ACFE, 2026

Kedua data ini perlu dibaca dengan hati-hati. Angka 70,8 persen adalah porsi struk buatan AI di antara struk palsu yang di-flag platform AppZen, bukan porsi seluruh fraud pengeluaran. 

AppZen sendiri menyatakan angkanya mencerminkan dokumen yang terdeteksi, bukan kerugian yang terkonfirmasi. Survei Emburse adalah pengakuan responden di dua negara.

Data khusus tentang struk buatan AI di Indonesia belum tersedia. Namun, Survei Fraud Indonesia 2025 dari ACFE Indonesia Chapter memberi gambaran tentang titik rawannya. Survei yang melibatkan 417 praktisi dan akademisi itu menempatkan expense reimbursement, yaitu klaim penggantian biaya untuk pengeluaran tidak sah, fiktif, atau mark-up, sebagai sub-skema penyalahgunaan aset dengan eksposur risiko tertinggi, sebesar 39,33 persen.

Responden survei yang sama juga menyebut membuat dokumen fisik palsu sebagai cara paling umum pelaku menjalankan fraud, dipilih oleh 86,09 persen responden. Data ini dikumpulkan pada September hingga Desember 2024 dan bersifat persepsi responden, sebelum lonjakan struk buatan AI terjadi.

Meski begitu, arah perubahannya jelas. Biaya membuat struk palsu kini mendekati nol.

Bagi Almaz, masalah itu tidak dimulai dari AI. Ia melihat kebiasaan pemeriksaan klaim di banyak perusahaan sudah lama bertumpu pada kelengkapan dokumen.

“Di banyak perusahaan, pemeriksaan klaim pada praktiknya adalah pemeriksaan kelengkapan. Ada struk, ada tanda tangan atasan, nominalnya sesuai kebijakan. Semua itu mengecek dokumennya, belum mengecek apakah transaksinya terjadi. Nota tulisan tangan sebenarnya sudah lama punya masalah yang sama. AI hanya membuatnya berlaku untuk semua jenis struk,” ujarnya.

Nilainya kecil, justru di situ masalahnya

Struk buatan AI yang ditemukan AppZen rata-rata bernilai sekitar USD100 per struk, lebih rendah dari template lama yang rata-rata sekitar USD182. Median klaimnya bahkan hanya USD32. AppZen membaca pola ini konsisten dengan upaya agar klaim tetap berada di bawah batas persetujuan otomatis perusahaan.

Nilai kecil membuat klaim semacam ini mudah lolos. Pemeriksaan biasanya difokuskan pada transaksi besar, sementara klaim kecil diproses cepat, bahkan otomatis.

Masalahnya, fraud jarang berhenti di satu klaim. ACFE dalam Occupational Fraud 2026, yang menganalisis 2.402 kasus di 143 negara, mencatat fraud tipikal berlangsung 12 bulan sebelum terdeteksi. Data AppZen menunjukkan sekitar sepertiga karyawan yang mengirim struk buatan AI melakukannya lebih dari sekali.

Almaz melihat klaim kecil yang berulang dari kacamata auditor, yang menilai cara kerja kontrol di samping besar kerugian.

“Dalam audit, satu klaim kecil biasanya tidak material. Tapi auditor juga melihat apakah kontrolnya bekerja. Kalau klaim kecil bisa lolos berulang kali tanpa ada yang bertanya, yang bermasalah adalah kontrolnya, dan itu tetap temuan berapa pun nilainya,” jelasnya.

Satu klaim kecil hampir tidak pernah terlihat mencurigakan. Polanya yang terlihat.

Yang diperiksa harus berubah

Panduan deteksi fraud biasanya menyarankan dua hal: periksa seluruh struk, dan perhatikan tanda visual pemalsuan seperti font atau tata letak yang janggal. Struk buatan AI melemahkan keduanya sekaligus. Tanda visual kehilangan sasarannya, dan memeriksa seluruh struk dengan mata manusia tidak banyak membantu jika setiap struk terlihat wajar.

AppZen menyatakan sistemnya menggabungkan berbagai sinyal, termasuk pola pengeluaran di berbagai merchant dan vendor, karena tampilan struk saja tidak lagi cukup. Pergeseran ini bisa dirumuskan sebagai perubahan pertanyaan, seperti terlihat pada Gambar 2.

Gambar 2 – Pertanyaan verifikasi yang perlu berubah

Sumber: Kerangka editorial Mekari Expense berdasarkan wawancara dengan Muhammad Almaz Rifqi Satwika, 2026

Data Survei Fraud Indonesia 2025 menunjukkan seberapa terbatas peran pemeriksaan dokumen selama ini. Pemeriksaan dokumen hanya menjadi pemicu pertama terdeteksinya 7,43 persen kasus fraud, jauh di bawah pengaduan dan audit internal.

Almaz menilai sumber data yang dipercaya perlu diubah. “Data yang paling saya percaya adalah data yang tidak dibuat oleh orang yang mengajukan klaim. Mutasi kartu dari bank, data merchant, jadwal perjalanan dari sistem. Kalau satu klaim hanya didukung dokumen dari pengajunya sendiri, klaim itu yang harus diperiksa lebih dalam,” katanya.

Jika diberi kewenangan menetapkan standar, ia menyebut tiga hal minimum.

“Setiap klaim harus bisa dicocokkan dengan satu sumber data di luar pengaju. Klaim di bawah batas persetujuan otomatis tetap masuk analisis pola. Dan setiap pengecualian harus punya pemilik yang jelas,” paparnya.

Prinsip itu yang mendasari keempat pertanyaan pada Gambar 2. Verifikasi bergeser dari menilai dokumen ke mencocokkan klaim dengan data yang tidak bisa dibuat oleh pengajunya.

Kontrol bergeser ke sebelum uang keluar

Jika data pembanding menjadi kunci, jalur pembayaran ikut menentukan kekuatan kontrol. Reimbursement dimulai dari dokumen yang diserahkan karyawan. Kartu korporat dimulai dari data transaksi yang tercatat di penerbit.

“Dari kacamata auditor, reimbursement dimulai dari klaim, sedangkan kartu korporat dimulai dari transaksi. Pada reimbursement, kita memverifikasi cerita yang disampaikan karyawan. Pada kartu, transaksinya sudah tercatat lebih dulu, dan yang perlu diverifikasi tinggal tujuannya,” tutur Almaz.

Teknologi deteksi juga tidak bekerja sendirian. Dalam studi ACFE 2026, 43 persen fraud terdeteksi lewat laporan, dan lebih dari separuh laporan itu berasal dari karyawan. Polanya serupa di Indonesia. Survei Fraud Indonesia 2025 mencatat 53,24 persen kasus pertama kali terdeteksi lewat pengaduan, dan 55,4 persen pelapor pertama adalah karyawan.

Karena itu, kontrol yang lebih ketat tidak harus berarti memperlakukan semua karyawan sebagai tersangka. 

“Kontrol yang baik justru melindungi karyawan yang jujur. Kalau sistem bisa memisahkan klaim yang wajar dari yang janggal, sebagian besar karyawan tidak perlu diperiksa berlapis-lapis. Pemeriksaan bisa difokuskan ke pola yang memang perlu dijelaskan,” ujarnya.

Seperti apa di Mekari Expense?

Mekari Expense menggunakan fraud detection system untuk menganalisis transaksi pada Claims, Trips, dan Purchases. Sistem memberikan risk level beserta alasan deteksi kepada Admin dan Approver saat proses review dan approval berlangsung.

Deteksi mencakup tiga jenis anomali, yaitu nominal yang tidak wajar, ketidaksesuaian vendor, dan transaksi duplikat. Approver dapat meninjau transaksi, menandainya sebagai anomali untuk investigasi lanjutan, atau mengabaikan peringatan dengan alasan yang terdokumentasi.

Selain mendeteksi anomali, kontrol pengeluaran juga dapat diperkuat dari titik pembayaran melalui Kartu kredit perusahaan. Pengaturan limit dan kategori penggunaan membantu perusahaan membatasi penggunaan dana sesuai kebutuhan bisnis.

Bukti terbaik kini bukan selembar struk

Selama puluhan tahun, struk menjadi bukti utama bahwa pengeluaran terjadi. Data 2026 menunjukkan bukti itu kini bisa dibuat dalam hitungan detik, dengan biaya hampir nol dan nilai yang sengaja dibuat kecil.

Almaz merangkum pergeseran itu dalam satu kalimat. “Finance perlu berhenti memperlakukan struk sebagai bukti dan mulai memperlakukannya sebagai klaim. Buktinya ada di data lain yang bisa dicocokkan,” katanya.

Perusahaan yang memindahkan verifikasi ke data transaksi, pola klaim, dan aktivitas kerja tidak perlu memenangkan perlombaan mengenali gambar palsu. Mereka cukup menjawab pertanyaan yang tidak bisa dijawab oleh generator gambar: apakah transaksi ini benar terjadi?

Referensi

• ACFE Indonesia Chapter. “Survei Fraud Indonesia 2025“
• Association of Certified Fraud Examiners. “Report: 84% of Fraudsters Show at Least One Behavioral Red Flag (Occupational Fraud 2026: A Report to the Nations)“
• AppZen. “Agentic AI Expense Report Audit for Financial Services and Banking“
• Accounting Today. “Use of AI Receipts in Expense Fraud Soars“
• Forbes. “AI-Generated Fake Receipts Are Changing Expense Fraud“
• E-Commerce Times. “AI-Generated Receipts Hit 71% of Expense Fraud Flags“
• Emburse. “Four in Ten U.S. Employees Have Used AI to Generate Fake Expense Receipts“
• Mekari Expense. “How Mekari Expense Detects Potential Fraud or Anomalies with AI Checker“