Panduan AI Pelaporan Keuangan: Akurasi dan Akuntabilitas

Kecerdasan artifisial kini mendominasi penyusunan laporan keuangan, mulai dari rekonsiliasi transaksi hingga pemodelan cadangan kerugian kredit ekspektasian. Meski menawarkan kecepatan penutupan buku yang dibutuhkan industri keuangan, teknologi ini membawa risiko fatal jika akurasi dan akuntabilitasnya tidak dikelola dengan ketat.

Laporan keuangan adalah dasar keputusan krusial bagi investor dan regulator, sehingga satu kesalahan material dapat memicu krisis kepercayaan dan sanksi hukum.

Dalam pembahasan ini mengulas bagaimana organisasi keuangan di Indonesia dapat mengoptimalkan AI tanpa mengorbankan integritas data melalui kerangka tata kelola yang tepat.

Tren Adopsi AI pada Fungsi Keuangan

Data global menunjukkan kecepatan adopsi yang jarang terjadi pada teknologi lain di ranah akuntansi.

Studi KPMG terhadap sekitar 1.800 perusahaan pada 2024 menemukan bahwa 10 persen perusahaan sudah mengadopsi AI secara luas dalam pelaporan keuangan, sementara sekitar 72 persen berada pada tahap uji coba atau penggunaan selektif, dan dalam tiga tahun, hampir seluruh responden (99 persen) memperkirakan akan mengadopsinya.

Menariknya, kawasan Asia Pasifik justru bergerak paling lambat (29 persen) dibandingkan Amerika Utara (39 persen) dan Eropa (32 persen). Ini menjadi sinyal penting bagi Indonesia: kita sedang mengejar, bukan memimpin, dan proses mengejar cenderung menggoda organisasi untuk memotong jalan pada aspek pengendalian.

Laporan KPMG yang lebih baru (2026) memperlihatkan gambaran yang lebih matang sekaligus lebih mengkhawatirkan. Lebih dari tiga perempat organisasi kini memanfaatkan AI dalam perencanaan keuangan, pelaporan, dan analisis komersial, dan sekitar 71 persen menyatakan hasilnya memenuhi atau melampaui ekspektasi imbal hasil investasi. 

Namun di sisi lain, hanya sekitar 42 persen organisasi yang benar-benar siap secara assurance, artinya mampu menghasilkan bukti audit atas proses berbasis AI secara efisien, dan hanya 29 persen yang memantau di titik mana adopsi AI mereka gagal.

Angka terakhir itu yang paling layak digarisbawahi. Mayoritas organisasi bisa menunjukkan bahwa AI mereka bekerja, tetapi sebagian besar tidak bisa menunjukkan kapan dan di mana AI mereka salah.

Dalam konteks pelaporan keuangan, ketidaktahuan semacam itu bukan kesenjangan teknologi, ia adalah kelemahan pengendalian internal.

Baca juga: Dampak IFRS 20 Terhadap Laporan Keuangan di Indonesia

Area Penggunaan AI dalam Siklus Pelaporan Keuangan

Agar diskusi tata kelola tidak melayang, penting memetakan AI berdasarkan seberapa dekat ia dengan angka final. Secara praktis, ada tiga lapis penggunaan.

Lapis 1: Otomatisasi transaksional

AI dan robotic process automation mengambil alih pekerjaan berulang: ekstraksi data faktur, pencocokan tiga arah, rekonsiliasi bank, klasifikasi awal jurnal, konsolidasi antar-entitas. Risiko per transaksi kecil, tetapi volume besar membuat kesalahan sistematis bisa membesar secara diam-diam.

Lapis 2: Analitik dan deteksi

AI dipakai untuk continuous auditing, uji populasi penuh alih-alih sampel, deteksi anomali jurnal menjelang tutup buku, identifikasi transaksi berelasi, hingga skoring risiko fraud. 

Di sini AI mulai memengaruhi judgement, karena ia menentukan ke mana perhatian auditor diarahkan, dan sekaligus ke mana perhatian tidak diarahkan.

Lapis 3: Estimasi dan narasi

Inilah wilayah paling berisiko: pemodelan expected credit loss di bawah PSAK 71/IFRS 9, asumsi aktuaria, penilaian aset, penyusunan draf disclosure dan management discussion & analysis, serta ringkasan kebijakan akuntansi.Output di lapis ini bersifat penilaian profesional, sulit diverifikasi secara mekanis, dan langsung masuk ke dokumen publik.

Kesalahan umum organisasi adalah menerapkan satu standar pengawasan yang sama untuk ketiga lapis tersebut. Padahal kontrol untuk rekonsiliasi bank jelas tidak memadai untuk mengawasi model estimasi kerugian kredit.

Baca juga: Manajemen Risiko Operasional: Panduan Penting untuk Perusahaan

5 Risiko Utama AI dalam Pelaporan Keuangan yang Sering Diabaikan

1. Risiko Halusinasi AI yang Menyesatkan

Model bahasa generatif dirancang untuk menghasilkan keluaran yang plausible, bukan yang benar. Ia bisa mengarang referensi standar akuntansi, salah menyebut nomor PSAK, atau menyusun kalimat disclosure yang rapi tetapi tidak berdasar pada transaksi yang ada. 

Yang berbahaya bukan kesalahannya, melainkan kepercayaan diri gaya bahasanya, dan itulah yang membuat penelaah lengah.

2. Masalah Kualitas dan Validitas Data

AI hanya sebaik data yang memberinya makan. Master data pelanggan yang duplikatif, chart of accounts yang tidak konsisten antar-anak perusahaan, atau mapping yang tidak pernah divalidasi sejak migrasi sistem akan menghasilkan output yang salah secara sistematis. Kualitas data secara konsisten muncul sebagai hambatan sekaligus peluang terbesar dalam adopsi AI di fungsi keuangan.

3. Kesenjangan Penjelasan (Explainability Gap)

Auditor dan komite audit membutuhkan jawaban atas pertanyaan sederhana: mengapa angkanya sebesar ini? Jika jawabannya adalah “karena model mengatakan demikian”, maka organisasi tidak memiliki bukti audit, ia hanya memiliki keluaran. Dalam kerangka pengendalian internal, keluaran tanpa penjelasan setara dengan pencatatan tanpa dokumen pendukung.

4. Risiko Bias Otomatisasi (Automation Bias)

Ini risiko manusia, bukan risiko mesin. Ketika sebuah sistem terbukti benar 95 kali berturut-turut, penelaah cenderung menyetujui keluaran ke-96 tanpa pengujian sungguhan. Telaah manusia berubah menjadi ritual tanda tangan. Ironisnya, semakin baik performa AI, semakin besar risiko degradasi pengawasan manusia.

5. Model Drift, Shadow AI, dan Keamanan Data

Model yang akurat pada kondisi ekonomi 2024 belum tentu akurat pada 2026. Sementara itu, penggunaan alat AI publik oleh staf tanpa sepengetahuan manajemen (shadow AI) menciptakan dua bahaya sekaligus: keluaran yang tidak terkontrol, dan potensi data keuangan yang belum dipublikasikan keluar dari perimeter organisasi, persoalan yang bersinggungan langsung dengan UU No. 27 Tahun 2022 tentang Pelindungan Data Pribadi dan kewajiban kerahasiaan informasi material.

Baca juga: Kupas Tuntas 4 Pilar Anti Fraud POJK 12 Tahun 2024

Pelajaran Penting dari Kasus AI di Deloitte Australia

Pada Oktober 2025, Deloitte Australia setuju mengembalikan sebagian pembayaran atas laporan senilai AUD 440.000 (sekitar USD 290.000) yang disusun untuk Departemen Ketenagakerjaan Australia, setelah ditemukan sejumlah kesalahan yang tampak berasal dari AI generatif, termasuk kutipan putusan pengadilan federal yang tidak pernah ada dan rujukan ke makalah akademik fiktif. 

Versi revisi laporan tersebut kemudian mencantumkan pengungkapan bahwa sistem AI generatif digunakan dalam proses penulisannya, sementara substansi dan rekomendasi laporan dinyatakan tidak berubah.

Ada tiga pelajaran yang relevan bagi fungsi keuangan di Indonesia.

Pertama, kesalahan tidak terdeteksi oleh proses telaah internal, melainkan oleh pihak eksternal. Kontrol yang ada gagal bukan karena tidak ada, tetapi karena tidak dirancang untuk menangkap jenis kesalahan yang khas AI: fabrikasi yang formatnya sempurna.

Kedua, kerugian terbesar bukan finansial. Pengembalian dana bersifat terbatas; kerusakan reputasi dan pertanyaan publik atas metodologi jauh lebih mahal. Dalam pelaporan keuangan bank, ekuivalennya adalah hilangnya kepercayaan regulator dan pasar.

Ketiga, ini terjadi pada organisasi dengan sumber daya kelas dunia. Argumen “kami punya tim yang kompeten” bukan pengendalian.

Baca juga: Penerapan ISO 31000 dalam Enterprise Risk Management (ERM)

Prinsip Utama: Menjaga Akuntabilitas di Tengah Otomatisasi AI

Di sinilah letak inti persoalannya. Ketika sebagian proses pelaporan dibantu AI, tanggung jawab atas ketepatan, kewajaran, dan integritas informasi tetap melekat pada manusia yang menyusun, menelaah, dan menyetujui laporan tersebut. 

Tidak ada kerangka hukum di mana pun yang menerima “kesalahan sistem” sebagai pembelaan atas laporan keuangan yang menyesatkan. Direksi tetap menandatangani. Komite audit tetap mengawasi. Auditor tetap memberikan opini.

Namun kesimpulan yang keliru dari fakta ini adalah menerapkan kebijakan anti-AI secara total. Melarang sepenuhnya bukan bentuk kehati-hatian, melainkan langkah mundur, ia hanya memindahkan penggunaan AI ke bawah permukaan, di luar jangkauan pengendalian, sekaligus membuang efisiensi yang sudah terbukti.

Organisasi yang melarang tanpa menyediakan alternatif resmi biasanya berakhir dengan shadow AI yang jauh lebih berbahaya daripada penggunaan yang diatur.

Jalan tengahnya bukan kompromi, melainkan disiplin: AI boleh menyusun, manusia yang memutuskan; AI boleh menandai, manusia yang menyimpulkan; AI boleh mempercepat, manusia yang mempertanggungjawabkan.

Baca juga: Jebakan Fatal FRM: Memahami Risiko Pasar vs Risiko Kredit

Regulasi AI di Indonesia: Kepatuhan dan Kerangka Kerja

Banyak tim finance mengira belum ada aturan yang relevan. Kenyataannya, kerangka pengendaliannya sudah cukup lengkap, hanya belum dibaca dalam kacamata AI.

POJK No. 15 Tahun 2024 tentang Integritas Pelaporan Keuangan Bank. 

Diundangkan 9 Oktober 2024, POJK ini mewajibkan bank memiliki proses pelaporan keuangan yang berintegritas untuk memastikan kebenaran, keakuratan, dan transparansi informasi serta laporan keuangan yang dihasilkan. 

Bank wajib menyusun kebijakan dan prosedur pengendalian internal atas proses pelaporan keuangan, termasuk prosedur pencatatan transaksi, pemeliharaan catatan, otorisasi, serta pencegahan dan pendeteksian transaksi tidak sah yang berdampak material. 

Aturan ini juga mengatur tugas dan tanggung jawab Direksi, Dewan Komisaris, dan Komite Audit dalam proses pelaporan keuangan. Implikasinya jelas: setiap komponen AI yang menyentuh alur pelaporan keuangan otomatis masuk ke dalam ruang lingkup pengendalian internal yang diwajibkan POJK ini.

Tata Kelola Kecerdasan Artifisial Perbankan Indonesia. 

Diluncurkan OJK pada 29 April 2025, panduan ini menetapkan pendekatan berbasis siklus hidup AI, mulai inisiasi, perancangan, pembangunan model, pengujian, implementasi, hingga evaluasi, dan menekankan prinsip akuntabilitas, pengawasan manusia (human oversight), serta keandalan. 

OJK memposisikannya sebagai acuan minimal, melengkapi Cetak Biru Transformasi Digital Perbankan, POJK No. 11/POJK.03/2022 tentang Penyelenggaraan Teknologi Informasi oleh Bank Umum, SEOJK No. 29/SEOJK.03/2022 tentang Ketahanan dan Keamanan Siber, serta SEOJK No. 24/SEOJK.03/2023 tentang Penilaian Tingkat Maturitas Digital Bank Umum.

Kerangka nasional yang sedang mengeras. 

Pemerintah menyiapkan dua Peraturan Presiden, Peta Jalan Kecerdasan Artifisial Nasional dan Etika/Keamanan AI, yang menandai perpindahan dari pedoman etis sukarela menuju aturan berbasis risiko yang mengikat, dengan kewajiban asesmen dampak, transparansi, dan pengawasan institusional. 

Setelah Perpres terbit, setiap kementerian dan lembaga diharapkan menurunkan aturan sektoral yang lebih rinci. Artinya, ekspektasi pengawas terhadap dokumentasi AI di sektor keuangan hampir pasti akan naik, bukan turun.

Bagi IKNB, prinsip-prinsip ini tetap relevan meski panduan spesifiknya lahir dari sisi perbankan. OJK sebelumnya juga telah menerbitkan panduan kode etik AI yang bertanggung jawab dan terpercaya di industri teknologi finansial, yang menegaskan arah kebijakan yang sama.

 

Baca juga: Fondasi Manajemen Keuangan Bisnis yang Wajib Dikuasai

7 Langkah Strategis Menjaga Akurasi dan Akuntabilitas Laporan Keuangan berbasis AI

1. Petakan dan klasifikasikan setiap use case berdasarkan dampaknya pada laporan keuangan

Buat inventaris AI yang hidup (AI register): apa yang dipakai, oleh siapa, memproses data apa, memengaruhi akun apa, dan berapa nilai materialitasnya. Kelompokkan menjadi risiko rendah, sedang, dan tinggi. Tanpa inventaris, seluruh langkah berikutnya hanya asumsi.

2. Rancang telaah manusia yang berjenjang, bukan seragam

Setiap keluaran AI yang masuk ke laporan keuangan publik harus ditelaah oleh manusia yang kompeten, yaitu orang yang memahami substansi transaksi, mampu menguji kewajaran output, berani mengkritisi kesimpulan sistem, dan mendokumentasikan alasan menerima atau menolaknya. Intensitas telaah disesuaikan dengan lapis risiko: sampling untuk lapis 1, telaah terarah untuk lapis 2, dan validasi penuh berikut challenge session untuk lapis 3.

Kuncinya adalah membuat telaah bersifat falsifiable: penelaah harus punya kewenangan dan bukti untuk mengatakan “tidak”, bukan sekadar mengonfirmasi.

3. Perluas pengendalian internal atas pelaporan keuangan (ICFR) ke ranah AI

Perlakukan model AI seperti pengendalian aplikasi lainnya: ada pemilik risiko, ada change management, ada pengujian sebelum produksi, ada persetujuan berjenjang, ada segregasi tugas antara pengembang model dan penyetuju hasil. Kebijakan dan SOP yang disyaratkan POJK 15/2024 sebaiknya secara eksplisit menyebut penggunaan AI, bukan membiarkannya berada di area abu-abu.

4. Bangun jejak audit yang benar-benar bisa diperiksa

Setiap keluaran AI yang material harus dapat dilacak: versi model, tanggal, data masukan, prompt atau parameter, keluaran mentah, penyesuaian manusia, dan nama penyetuju. Inilah yang dimaksud dengan kesiapan assurance, kemampuan menghasilkan bukti audit atas proses ber-AI tanpa mengganggu operasional. Perlu diingat bahwa organisasi yang siap secara assurance justru melaporkan perbaikan kinerja jauh lebih tinggi dibanding yang tidak; tata kelola bukan rem, melainkan syarat agar AI bisa diskalakan.

5. Kuatkan tata kelola data sebelum menambah model baru

Standarisasi chart of accounts, bersihkan master data, definisikan data lineage, dan tetapkan siapa pemilik setiap dataset. Investasi di sini kurang seksi dibanding membeli alat AI baru, tetapi ia menentukan apakah alat tersebut menghasilkan wawasan atau kesalahan yang terskala.

6. Terapkan validasi model independen dalam kerangka tiga lini pertahanan

Unit bisnis dan tim finance sebagai lini pertama, manajemen risiko dan kepatuhan sebagai lini kedua yang melakukan validasi model secara independen, serta audit internal sebagai lini ketiga yang menguji efektivitas keseluruhan kerangka. Validasi mencakup pengujian ulang berkala, pemantauan drift, dan pengujian skenario tekanan, khususnya untuk model estimasi seperti ECL.

7. Jadikan literasi AI sebagai kompetensi dasar, bukan pelatihan opsional

Akuntan tidak perlu berubah menjadi data scientist, dan auditor tidak perlu menjadi pengembang model. Yang dibutuhkan adalah kemampuan mengajukan pertanyaan yang tepat: dari mana data model ini berasal, apa asumsinya, di kondisi apa ia cenderung gagal, dan bukti apa yang membuktikan keluarannya wajar. Literasi AI perlu merata di fungsi keuangan, audit internal, kepatuhan, hingga Dewan Komisaris dan Komite Audit, karena pihak yang menyetujui laporan harus mampu memahami apa yang mereka setujui.

 

Dampak AI bagi Auditor Internal dan Komite Audit

Peran auditor internal bergeser dari “memeriksa angka” menjadi “memeriksa cara angka dihasilkan”. Program audit perlu menambahkan pengujian atas kelengkapan inventaris AI, kualitas dokumentasi model, efektivitas telaah manusia (bukan sekadar keberadaannya), serta insiden dan near miss terkait AI.

Bagi Komite Audit, pertanyaan standar dalam rapat kini seharusnya mencakup: use case AI apa yang menyentuh laporan keuangan kuartal ini? Berapa banyak keluaran AI yang ditolak atau dikoreksi penelaah, dan jika nol, apakah itu berarti sistemnya sempurna atau telaahnya kosong? Bagaimana auditor eksternal memandang jejak bukti kita?

Sisi lain yang sering terlupakan: auditor eksternal pun kini memakai AI. Perusahaan yang dapat menyajikan data terstruktur dan jejak audit yang bersih akan menikmati proses audit yang lebih cepat dan lebih murah. Kesiapan data bukan lagi urusan internal semata, melainkan bagian dari hubungan dengan auditor.

 

Roadmap 90 Hari Implementasi AI untuk Tim Keuangan

 

Periode	Fokus	Keluaran konkret
Hari 1–30	Visibilitas	Inventaris AI lintas fungsi keuangan; identifikasi shadow AI; klasifikasi risiko per use case
Hari 31–60	Kebijakan	Kebijakan penggunaan AI dalam pelaporan keuangan; matriks telaah berjenjang; standar dokumentasi & jejak audit
Hari 61–90	Pembuktian	Uji coba pengendalian pada satu siklus pelaporan; pelatihan literasi AI untuk tim finance & audit internal; pelaporan pertama ke Komite Audit

Pendekatan bertahap ini menjaga momentum tanpa memaksa organisasi berhenti berinovasi, sekaligus memastikan setiap langkah otomatisasi diikuti oleh langkah pengendalian yang setara.

 

Kesimpulan

AI akan terus masuk lebih dalam ke proses pelaporan keuangan, dan itu bukan hal yang perlu ditakuti. Yang perlu dijaga adalah kesadaran bahwa produk akhir fungsi keuangan bukanlah laporan, melainkan kepercayaan, dan kepercayaan hanya bisa dibangun jika setiap angka dapat dijelaskan, ditelusuri, dan dipertanggungjawabkan oleh manusia yang menandatanganinya.

Organisasi yang menang dalam satu dekade ke depan bukan yang paling cepat mengadopsi AI, melainkan yang paling mampu membuktikan bahwa hasil AI-nya benar. Itulah perbedaan antara efisiensi dan integritas, dan laporan keuangan hanya bernilai bila keduanya hadir bersamaan.

Tingkatkan Kapabilitas Tim Keuangan Anda bersama FS Institute

Menjaga akurasi dan akuntabilitas laporan keuangan di era AI membutuhkan kombinasi tiga hal: pemahaman standar akuntansi yang kuat, penguasaan kerangka pengendalian internal, dan kemampuan mengevaluasi keluaran teknologi secara kritis.

FS Institute, bagian dari ekosistem Proxsis Academy, menyediakan program pelatihan yang relevan untuk kebutuhan ini, antara lain Penerapan Kebijakan & Penyusunan SOP Terkait Integritas Laporan Keuangan Bank (POJK 15/2024), Internal Audit and Control Systems, Financial Consolidation and Reporting, serta rangkaian program PSAK dan IFRS. Seluruh program dapat disesuaikan menjadi in-house training sesuai konteks dan tantangan spesifik organisasi Anda.

Konsultasikan kebutuhan pelatihan tim finance dan audit Anda bersama FS Institute, tanpa komitmen, tanpa tekanan.

FAQ

1. Apakah AI boleh digunakan untuk menyusun laporan keuangan di Indonesia?
   Boleh, selama penggunaannya berada dalam kerangka pengendalian internal yang memadai. POJK No. 15 Tahun 2024 mewajibkan bank memiliki proses pelaporan keuangan yang berintegritas beserta kebijakan dan prosedur pengendalian internalnya, sementara panduan Tata Kelola Kecerdasan Artifisial Perbankan Indonesia dari OJK menekankan akuntabilitas, pengawasan manusia, dan keandalan sepanjang siklus hidup AI.
2. Siapa yang bertanggung jawab jika laporan keuangan yang dibantu AI ternyata salah?
   Tanggung jawab tetap berada pada manusia dan organisasi, penyusun, penelaah, penyetuju, serta Direksi dan Dewan Komisaris sesuai kewenangannya. Vendor teknologi atau model AI tidak memikul tanggung jawab pelaporan kepada regulator dan pemangku kepentingan.
3. Apa itu halusinasi AI dan mengapa berbahaya dalam konteks akuntansi?
   Halusinasi adalah keluaran yang terdengar meyakinkan tetapi faktanya keliru atau sepenuhnya fiktif, seperti rujukan standar atau kutipan yang tidak pernah ada. Dalam akuntansi, bahayanya terletak pada format yang tampak rapi sehingga lolos telaah permukaan, seperti terlihat pada kasus laporan konsultan di Australia yang memuat referensi fiktif dan berujung pengembalian sebagian pembayaran.
4. Apakah melarang penggunaan AI adalah kebijakan yang aman?
   Tidak. Larangan total cenderung mendorong penggunaan tidak resmi di luar pengawasan (shadow AI), sekaligus membuang manfaat efisiensi yang nyata. Pendekatan yang lebih sehat adalah mengizinkan penggunaan pada use case yang telah diklasifikasikan risikonya, dengan telaah manusia dan dokumentasi yang proporsional.
5. Kompetensi apa yang perlu dimiliki tim finance agar siap menghadapi AI?
   Bukan kemampuan membangun model, melainkan kemampuan mengevaluasinya: memahami sumber dan kualitas data, mengenali asumsi dan keterbatasan model, menguji kewajaran keluaran, mendokumentasikan pertimbangan profesional, serta memahami kewajiban regulasi yang berlaku.
6. Bagaimana cara membuktikan kepada auditor bahwa proses ber-AI kami andal?
   Dengan menyediakan bukti, bukan klaim: inventaris use case, dokumentasi versi dan pengujian model, jejak audit lengkap dari data masukan hingga penyetuju akhir, catatan hasil telaah manusia termasuk koreksi yang dilakukan, serta laporan pemantauan kinerja model secara berkala.

 

 

 

Referensi Artikel

1. The Conversation Indonesia, “AI pelaporan keuangan makin populer, bagaimana menjaga akurasi dan akuntabilitasnya?”, https://theconversation.com/ai-pelaporan-keuangan-makin-populer-bagaimana-menjaga-akurasi-dan-akuntabilitasnya-287655
2. Otoritas Jasa Keuangan, POJK No. 15 Tahun 2024 tentang Integritas Pelaporan Keuangan Bank, https://ojk.go.id/id/regulasi/Pages/POJK-15-Tahun-2024-Integritas-Pelaporan-Keuangan-Bank.aspx
3. Otoritas Jasa Keuangan, Tata Kelola Kecerdasan Artifisial Perbankan Indonesia (29 April 2025), https://ojk.go.id/id/Publikasi/Roadmap-dan-Pedoman/Perbankan/Pages/Tata-Kelola-Kecerdasan-Artifisial-Perbankan-Indonesia.aspx
4. KPMG International, AI in Financial Reporting and Audit: Navigating the New Era (2024)
5. KPMG International, Global AI in Finance Report (2026)
6. Associated Press / CFO Dive, laporan mengenai pengembalian sebagian pembayaran Deloitte Australia atas laporan dengan kesalahan berbasis AI (Oktober 2025)
7. Kementerian Komunikasi dan Digital, penyusunan Perpres Peta Jalan Kecerdasan Artifisial Nasional dan Perpres Etika Kecerdasan Artifisial