
Ilustrasi. [Source: Unsplash]
Bagian dari Learning Module for Lawyers › Corporate Law › Modul 2 › Bab 10 Pemantauan, Audit Kepatuhan, dan Teknologi Kepatuhan
Pragmaintegra.com – Teknologi kepatuhan, atau sering disebut RegTech (regulatory technology), adalah penggunaan teknologi informasi untuk membantu korporasi memenuhi kewajiban regulasi: memantau transaksi, menyaring pihak ketiga, mengelola dokumen kebijakan, menyusun laporan kepada regulator, dan semakin sering, menilai risiko melalui kecerdasan artifisial. Sub-bab ini membahas janji dan batas teknologi tersebut. Dua sub-bab sebelumnya telah membahas logika pemantauan dan pengujian yang menjadi dasar setiap teknologi kepatuhan; yang dibahas di sini adalah apa yang berubah ketika logika itu dijalankan oleh mesin, dan bagaimana hukum, termasuk Peraturan Kecerdasan Artifisial Uni Eropa, Undang-Undang Pelindungan Data Pribadi, dan pedoman kecerdasan artifisial di Indonesia, membatasi penggunaannya.
Landasan Filosofis: Hukum yang Dijalankan Mesin
Weber menggambarkan birokrasi modern sebagai mesin rasional yang bekerja menurut aturan yang dapat dihitung, dan memperingatkan bahwa rasionalitas itu dapat menjadi sangkar besi yang memenjarakan manusia di dalam prosedur. Teknologi kepatuhan adalah kelanjutan logis dari gagasan itu: aturan yang dahulu dijalankan oleh pejabat kini dijalankan oleh kode. Pemikir hukum digital merumuskan gejala ini dengan ungkapan bahwa kode menjadi hukum, karena arsitektur sistem menentukan apa yang mungkin dan tidak mungkin dilakukan oleh penggunanya.
Pergeseran itu mengubah tempat terjadinya pertimbangan moral. Kajian tentang audit atas sistem keputusan otomatis mencatat bahwa delegasi tugas kepada mesin mempersempit ruang deliberasi etis: norma yang dahulu terbuka untuk ditafsirkan oleh pengambil keputusan manusia kini tertanam dalam sistem, sehingga fokus etika bergeser dari situasi keputusan tertentu ke cara sistem dirancang dan diterapkan.[1] Dalam pandangan modul ini, bagi hukum kepatuhan hal ini berarti bahwa pertanyaan ‘apakah keputusan ini patuh?’ semakin harus dijawab pada saat sistem dirancang, bukan pada saat keputusan diambil.
Dimensi filosofis kedua adalah martabat manusia. Tradisi Kantian menolak memperlakukan manusia semata-mata sebagai sarana. Larangan atau pembatasan keputusan yang sepenuhnya otomatis atas hal yang berdampak signifikan bagi seseorang dapat dibaca sebagai pengakuan bahwa manusia berhak diperlakukan sebagai subjek yang dapat didengar, bukan sebagai objek pengolahan data. Literatur akuntabilitas algoritmik menegaskan bahwa sistem pembelajaran mesin tidak netral nilai, karena ia memuat norma dan niat orang yang mengembangkan, mengoperasikan, dan memakainya.[2] Karena itu, setiap keputusan mesin selalu merupakan keputusan manusia yang tertunda: diambil lebih awal, pada saat sistem dirancang, oleh orang yang mungkin tidak pernah bertemu pihak yang terdampak.
Landasan Teoretis
a. Pragmatis dan idealis RegTech. Sebuah kajian tentang RegTech di sektor jasa keuangan menjelaskan bahwa teknologi ini lahir sebagai respons atas inefisiensi kerangka regulasi: kepatuhan dan pelaporan manual memakan waktu, menimbulkan biaya, dan rentan kesalahan manusia, sementara sistem pelaporan yang terkotak-kotak menghasilkan data ganda. Teknologi itu sudah ada sebelum krisis keuangan global 2008, tetapi lonjakan regulasi setelah krisis menjadi pendorong utamanya. Kajian tersebut membedakan dua pandangan: kaum pragmatis yang memandang RegTech sekadar sebagai fasilitator efisiensi kepatuhan, dan kaum idealis yang memandangnya sebagai katalis transformasi industri.[3] Kajian itu menyimpulkan bahwa potensi katalitik RegTech saat ini masih terbatas.[4]
b. Masyarakat audit 2.0. Teori masyarakat audit memberi lensa kritis atas RegTech. Michael Power bertanya apakah data besar, kecerdasan artifisial, dan rantai blok hanya merupakan radikalisasi digital dari kecenderungan masyarakat audit, dan mencatat bahwa digitalisasi membuka kapasitas baru untuk mendefinisikan, melacak, dan mengukur kinerja, sehingga dimensi tindakan manusia yang sebelumnya tidak terlihat dapat dikonseptualisasi ulang sebagai kinerja.[5] Dalam pandangan modul ini, RegTech mewarisi risiko jejak audit yang dibahas pada sub-bab pertama: apa yang mudah diukur oleh mesin cenderung menggeser apa yang penting tetapi sulit diukur.
c. Bias otomasi dan penolakan algoritma. Teori perilaku menjelaskan dua kesalahan yang berlawanan dalam interaksi manusia dan mesin. Bias otomasi (automation bias) adalah kecenderungan manusia terlalu menerima saran sistem otomatis; kajian tentang Peraturan Kecerdasan Artifisial Uni Eropa mencatat bahwa bias ini memiliki pengaruh besar ketika struktur keputusan hukum mensyaratkan keputusan manusia tetapi arah keputusannya sebenarnya disediakan oleh mesin, dan bahwa bias ini sulit dilawan karena bersifat multifaktor, mencakup faktor teknis, psikologis, sosial, dan normatif.[6] Sebaliknya, penolakan algoritma (algorithm aversion) adalah kecenderungan kurang memercayai algoritma dibandingkan manusia meskipun algoritma terbukti lebih akurat. Kajian tentang analitik data audit merangkum penelitian yang menemukan bahwa auditor yang menerima bukti dari sistem kecerdasan artifisial yang bertentangan dengan posisi manajemen mengusulkan penyesuaian yang lebih kecil dibandingkan bila bukti yang sama berasal dari spesialis manusia, sehingga penolakan algoritma justru dapat meningkatkan ketergantungan pada keterangan manajemen.[7]
Kedua kesalahan itu relevan bagi fungsi kepatuhan. Petugas kepatuhan yang terlalu percaya pada sistem penyaringan akan menutup peringatan tanpa memeriksanya; petugas yang tidak memercayai sistem akan mengabaikan peringatan yang benar. Dalam pandangan modul ini, tujuan desain bukanlah kepercayaan atau ketidakpercayaan, melainkan kepercayaan yang terkalibrasi, yaitu kepercayaan yang sesuai dengan tingkat ketepatan sistem yang telah diuji.
d. Kotak hitam dan kepastian hukum. Kajian tentang RegTech mengidentifikasi keterbatasan terpentingnya sebagai kemungkinan bias diskriminatif dalam kode solusi. Bias dalam data lama dapat berubah menjadi bias otomatis; karena pembelajaran mesin bertumpu pada prosedur keputusan kotak hitam, spesialis mungkin tidak dapat mengetahui apakah solusi bekerja berdasarkan bias dan ke arah mana bias itu bekerja. Untuk algoritma pembelajaran mendalam, keputusan dapat menjadi tidak dapat dipahami, sehingga aturan yang diterapkan perangkat lunak tidak dapat ditentukan di muka, sebuah pelanggaran paradoksal terhadap asas kepastian hukum yang justru hendak dicapai.[8] Kajian yang sama menyimpulkan bahwa manajemen tidak akan begitu saja mendelegasikan tanggung jawab kepatuhan secara mutlak kepada RegTech, sehingga unsur manusia tidak dapat dihilangkan.[9]
Baca juga: Dampak Teknologi pada Struktur Tata Kelola Perusahaan: Dari Rapat Dewan Virtual hingga Blockchain
Konsep: Apa yang Dapat dan Tidak Dapat Diotomatisasi
a. Otomasi pemantauan dan pelaporan. RegTech paling berhasil pada tugas yang berulang, terstruktur, dan bervolume besar: identifikasi transaksi mencurigakan, pemantauan transaksi lintas batas, serta proses pengenalan nasabah dan uji tuntas nasabah.[10] Kajian yang sama juga membahas regulatory sandbox sebagai wadah menguji solusi teknologi dalam lingkungan terkendali, dan gagasan regulasi yang diterbitkan sekaligus dalam bahasa alami dan dalam bentuk kode yang dapat dibaca mesin.[11]
b. Batas penerjemahan hukum menjadi kode. Batas pertama otomasi adalah penerjemahan regulasi. Kajian tentang RegTech mencatat bahwa keterbatasan kecerdasan artifisial saat ini membuat solusi tidak mampu memahami dan menegakkan bahasa alami, melainkan hanya menjalankan kode, sehingga solusi memerlukan pembaruan manual secara berkala dan bersifat reaktif, bukan proaktif.[12] Tinjauan literatur pemantauan kepatuhan proses bisnis menemukan hal serupa: model yang menerjemahkan regulasi selalu dibuat manual, jarang divalidasi, dan memerlukan pengetahuan ahli untuk menafsirkan regulasi.[13] Penelitian lain menunjukkan bahwa regulasi sering tidak dapat diekspresikan dalam satu model proses, misalnya kewajiban pelindungan data yang menyangkut data yang ditangani lintas banyak proses.[14]
c. Batas integrasi dan konflik regulasi. Batas kedua adalah konflik antarregulasi. Kajian tentang RegTech memberi contoh bahwa aturan pasar modal Uni Eropa mewajibkan pengungkapan data pribadi investor kepada regulator, sementara kegagalan memberitahukan pengungkapan itu kepada investor dapat melanggar peraturan pelindungan data Uni Eropa; korporasi dapat melanggar satu aturan dalam upaya mematuhi aturan lain. Kajian itu juga mencatat bahwa fragmentasi regulasi lintas yurisdiksi membuat solusi teknologi tidak dapat menjanjikan kepatuhan yang konsisten bagi korporasi yang beroperasi di banyak pasar.[15] Dalam pandangan modul ini, konflik semacam itu hanya dapat diselesaikan melalui penafsiran hukum, bukan melalui perangkat lunak.
d. Akuntabilitas atas sistem. Karena sistem tidak dapat dimintai pertanggungjawaban, setiap penggunaan teknologi kepatuhan memerlukan pembagian akuntabilitas yang jelas antara penyedia dan operator sistem, serta di antara peran-peran di dalam organisasi, mulai dari pengembang, pemilik produk, hingga pengguna.[16] Literatur akuntabilitas algoritmik juga menekankan bahwa menempatkan manusia dalam lingkaran keputusan sering dipandang sebagai asuransi, tetapi hanya bermakna apabila orang itu memahami perannya dan didukung oleh sistem, misalnya melalui mekanisme yang membuat keluaran sistem dapat ditafsirkan.[17]
e. Kalibrasi dan validasi. Setiap sistem pemantauan otomatis menghasilkan dua jenis kesalahan. Kajian tentang analitik data audit mencatat bahwa tingkat positif palsu yang tinggi menandakan kalibrasi yang rendah, menimbulkan biaya penyelidikan yang berlebihan, dan menurunkan motivasi untuk menyelidiki peringatan; kajian itu menilai perbaikan kalibrasi sebagai solusi utama.[18] Negatif palsu lebih berbahaya karena tidak terlihat, dan kemampuan sistem mengolah data dalam jumlah besar dapat menciptakan ilusi bahwa tidak ada informasi yang terlewat.[19] Dalam konteks antipencucian uang, kajian tentang RegTech mencatat risiko banjir laporan transaksi mencurigakan yang tidak berdasar terhadap orang atau perusahaan yang keliru akibat bias yang tidak terdeteksi.[20] Dalam pandangan modul ini, korporasi yang memakai teknologi kepatuhan wajib mengetahui, mendokumentasikan, dan melaporkan kepada organ pengawasnya tingkat positif palsu dan perkiraan negatif palsu sistemnya, sebagaimana ia melaporkan kinerja pengendalian lainnya.
f. Kecerdasan artifisial generatif. Gelombang terbaru teknologi kepatuhan adalah penggunaan model bahasa besar untuk meringkas regulasi, memetakan kewajiban, meninjau kontrak, dan menjawab pertanyaan karyawan tentang kebijakan. Dalam pandangan modul ini, penggunaan ini memperbesar sekaligus menyembunyikan risiko yang telah diuraikan: keluarannya tampak meyakinkan dalam bahasa alami, sehingga bias otomasi menjadi lebih kuat, sementara kesalahannya dapat berupa kutipan pasal yang keliru atau penafsiran yang tidak didukung teks. Penggunaan semacam itu dalam fungsi kepatuhan memerlukan verifikasi oleh orang yang kompeten terhadap sumber primer, pembatasan atas data rahasia yang dimasukkan ke dalam sistem, dan catatan tentang keputusan apa saja yang dibantu oleh sistem tersebut.
Praktik: Kerangka Hukum dan Tata Kelola Teknologi Kepatuhan
a. Peraturan Kecerdasan Artifisial Uni Eropa. Regulation (EU) 2024/1689 tentang kecerdasan artifisial menganut pendekatan berbasis risiko, dari praktik yang dilarang hingga sistem berisiko tinggi, rendah, dan model tujuan umum. Sistem berisiko tinggi meliputi antara lain sistem yang menjadi komponen keselamatan produk dan sistem dalam bidang yang tercantum dalam Lampiran III, seperti pendidikan, pengadaan publik, suaka, proses pidana, dan proses demokratis; Komisi Eropa menaksir lima sampai lima belas persen sistem kecerdasan artifisial di pasar Uni Eropa termasuk berisiko tinggi.[21] Pasal 14 mewajibkan pengawasan manusia atas sistem berisiko tinggi, dan Pasal 14 ayat (4) huruf b mewajibkan penyedia memungkinkan orang yang ditugasi pengawasan untuk tetap menyadari kecenderungan bias otomasi.[22] Menurut penelusuran modul ini, perubahan melalui paket penyederhanaan digital Uni Eropa pada 2026 menunda berlakunya kewajiban sistem berisiko tinggi dalam Lampiran III menjadi 2 Desember 2027; status perubahan itu perlu dicocokkan dengan Jurnal Resmi Uni Eropa.
Kajian tentang bias otomasi dalam peraturan tersebut mengkritik pembagian tanggung jawab yang asimetris: penyedia wajib memungkinkan kesadaran akan bias otomasi, padahal bias itu muncul dalam konteks pengguna; selain itu, membuktikan bahwa bias otomasi terjadi sangat sulit karena hasil yang benar sering tidak dapat ditentukan.[23] Kajian itu juga menjelaskan hubungan peraturan tersebut dengan Pasal 22 peraturan pelindungan data Uni Eropa tentang keputusan yang sepenuhnya otomatis. Mengacu pada putusan Pengadilan Uni Eropa dalam perkara SCHUFA, kajian itu berpendapat bahwa suatu keputusan tetap dapat tergolong keputusan otomatis apabila keputusan akhir secara menentukan didasarkan pada keluaran sistem, meskipun pejabat yang bersangkutan memiliki kewenangan formal; karena itu, memenuhi kewajiban pengawasan manusia dalam peraturan kecerdasan artifisial tidak dengan sendirinya mengeluarkan keputusan dari cakupan Pasal 22.[24] Bagi korporasi Indonesia yang beroperasi di Uni Eropa atau melayani pasar Uni Eropa, kerangka ini relevan secara langsung.
b. Undang-Undang Pelindungan Data Pribadi. Pasal 10 ayat (1) Undang-Undang Nomor 27 Tahun 2022 memberi subjek data hak mengajukan keberatan atas pengambilan keputusan yang hanya didasarkan pada pemrosesan secara otomatis, termasuk pemrofilan, yang menimbulkan akibat hukum atau berdampak signifikan. Dalam pandangan modul ini, pelajaran dari perkara SCHUFA berlaku pula bagi penafsiran ketentuan ini: kehadiran pejabat yang sekadar mengesahkan keluaran sistem belum tentu mengubah sifat keputusan menjadi keputusan manusia. Teknologi kepatuhan yang menolak nasabah, memblokir pemasok, atau menandai karyawan berdasarkan skor risiko otomatis karena itu perlu dilengkapi prosedur peninjauan manusia yang substantif dan jalur keberatan yang dapat diakses. Peraturan Pemerintah Nomor 33 Tahun 2026 sebagai peraturan pelaksana undang-undang ini, menurut penelusuran modul ini, berlaku pada 16 Januari 2027, dan lembaga pelindungan data pribadi belum beroperasi penuh.
c. Pedoman kecerdasan artifisial di Indonesia. Indonesia belum memiliki undang-undang khusus tentang kecerdasan artifisial. Surat Edaran Menteri Komunikasi dan Informatika Nomor 9 Tahun 2023 tentang Etika Kecerdasan Artifisial memuat pedoman etika yang tidak bersifat mengikat seperti peraturan. Di sektor jasa keuangan, OJK menerbitkan panduan kode etik kecerdasan artifisial yang bertanggung jawab dan terpercaya bagi industri teknologi finansial pada 2023, yang diperbarui pada Desember 2025, serta pedoman tata kelola kecerdasan artifisial perbankan pada April 2025 yang menekankan antara lain akuntabilitas dan pengawasan manusia. Pemerintah juga menyiapkan peraturan presiden tentang peta jalan kecerdasan artifisial nasional dan tentang etika kecerdasan artifisial; menurut penelusuran modul ini, sampai Oktober 2026 kedua rancangan itu belum diundangkan. Status ketentuan-ketentuan ini perlu dicek ulang sebelum dirujuk dalam nasihat hukum.
Menurut keterangan OJK saat memperkenalkan pedoman tata kelola kecerdasan artifisial perbankan, kredit berskala kecil dapat diproses secara otomatis, tetapi untuk produk atau nominal tertentu yang besar pertimbangan manusia tetap diperlukan dan harus tertanam dalam pengembangan sistem; pedoman itu juga mendorong bank membentuk komite yang menangani kecerdasan artifisial. Dalam pandangan modul ini, pendekatan berjenjang ini dapat ditiru oleh korporasi nonkeuangan: tingkat otomasi disesuaikan dengan dampak keputusan, dan semakin besar dampaknya, semakin substantif peran manusia yang diwajibkan. Walaupun berbentuk pedoman, dokumen-dokumen OJK tersebut kemungkinan besar akan dipakai sebagai tolok ukur kehati-hatian ketika terjadi sengketa atau pemeriksaan.
Sebuah kajian hukum administrasi tentang pengawasan kecerdasan artifisial di Indonesia menilai bahwa regulasi yang ada tersebar dalam rezim sektoral, seperti undang-undang informasi dan transaksi elektronik, undang-undang pelindungan data pribadi, dan undang-undang administrasi pemerintahan, sehingga terjadi fragmentasi pengaturan, ketidakjelasan kewenangan pengawas, dan lemahnya mekanisme audit.[25] Kajian itu mencatat bahwa penyedia layanan kecerdasan artifisial belum memiliki kewajiban hukum tegas terkait audit algoritma, transparansi penggunaan data, dan mitigasi risiko, lalu mengusulkan kerangka berbasis risiko yang memuat audit algoritmik, sertifikasi, dan pelaporan kepatuhan.[26]
d. Tata kelola teknologi kepatuhan di dalam korporasi. Dalam pandangan modul ini, ketiadaan undang-undang khusus tidak membebaskan korporasi dari kewajiban mengelola risiko teknologi kepatuhannya, karena kewajiban kehati-hatian Direksi dan pengawasan Dewan Komisaris dalam UU PT tetap berlaku. Tata kelola itu setidaknya memuat: inventarisasi sistem otomatis yang dipakai dalam fungsi kepatuhan dan keputusan berdampak signifikan; penetapan pemilik akuntabilitas manusia untuk setiap sistem; validasi berkala atas ketepatan, termasuk tingkat positif palsu dan negatif palsu; dokumentasi logika aturan dan perubahan aturan; prosedur peninjauan manusia yang substantif atas keputusan berdampak signifikan; dan audit atas sistem itu sendiri oleh pihak yang tidak mengembangkannya. Kajian audit berbasis etika menambahkan bahwa audit atas sistem otomatis harus berkelanjutan, karena perilaku sistem dalam laboratorium berbeda dari perilakunya di lingkungan nyata.[27]
Analisis Kritis
Teknologi kepatuhan sering dipasarkan sebagai jalan pintas menuju kepatuhan yang lebih murah dan lebih pasti. Bukti yang tersedia menunjukkan gambaran yang lebih sederhana. Penerapannya terbatas pada regulasi tertentu, memerlukan pembaruan manual, berisiko gagal terintegrasi dengan sistem lama, dan dapat melanggar satu regulasi dalam upaya mematuhi regulasi lain.[28] Kajian yang sama mencatat bahwa ESMA menilai RegTech dapat meningkatkan kepatuhan secara hemat biaya dengan implementasi dan pengaman yang tepat, tetapi sekaligus menambah risiko hukum dan operasional karena regulator dan korporasi mengelola data sensitif dalam jumlah yang lebih besar.[29] Dalam pandangan modul ini, klien perlu diberi nasihat bahwa teknologi kepatuhan adalah alat bantu bagi pertimbangan manusia, bukan pengganti tanggung jawab hukum.
Kritik kedua menyangkut kecenderungan regulasi untuk menyelesaikan masalah teknologi dengan menghadirkan manusia. Kajian tentang bias otomasi menunjukkan bahwa kehadiran manusia dalam lingkaran keputusan tidak otomatis menjamin pengawasan yang efektif, karena manusia itu sendiri rentan terhadap bias, dan bahwa kewajiban sekadar menumbuhkan kesadaran akan bias mungkin tidak memadai.[30] Kajian itu juga mengamati bahwa dengan hanya menyebut bias otomasi, pembentuk undang-undang Uni Eropa seakan menilai kesalahan menolak rekomendasi mesin kurang bermasalah dibandingkan kesalahan mengikutinya.[31] Dalam pandangan modul ini, korporasi Indonesia yang merancang prosedur peninjauan manusia perlu menghindari peninjauan yang hanya bersifat formalitas: peninjau harus memiliki waktu, informasi, kewenangan, dan insentif untuk tidak menyetujui keluaran sistem.
Kritik ketiga menyangkut pengawasan atas teknologi itu sendiri. Kajian audit berbasis etika mencatat bahwa audit sistem otomatis menghadapi kendala akses: pemilik sistem berkepentingan merahasiakan rahasia dagang, dan sumber daya yang diperlukan untuk mengaudit sistem dapat melampaui sumber daya auditor; tanpa paksaan regulasi atau kerja sama pemilik sistem, audit semacam itu tidak layak dilakukan.[32] Bagi Indonesia, tempat kewajiban audit algoritma belum diatur secara tegas,[33] kendala ini berarti bahwa akuntabilitas sistem kepatuhan sepenuhnya bergantung pada tata kelola sukarela korporasi dan kontrak dengan penyedia teknologi. Dalam pandangan modul ini, advokat memegang peran penting di sini, yaitu memastikan kontrak pengadaan teknologi kepatuhan memuat hak audit, kewajiban menjelaskan logika sistem, pelaporan insiden, dan pembagian tanggung jawab bila sistem gagal.
Kesimpulan dan Implikasi bagi Praktisi Hukum
Teknologi kepatuhan memindahkan pertimbangan kepatuhan dari saat keputusan diambil ke saat sistem dirancang, dan karena itu memindahkan pula tempat terjadinya kesalahan. Ia efektif untuk tugas yang berulang dan bervolume besar, tetapi tidak dapat menafsirkan hukum, menyelesaikan konflik antarregulasi, atau memikul tanggung jawab. Kerangka hukum, dari Peraturan Kecerdasan Artifisial Uni Eropa hingga Pasal 10 UU PDP dan pedoman OJK, menuntut agar keputusan berdampak signifikan tetap berada di bawah pengawasan manusia yang bermakna, sementara pengaturan khusus kecerdasan artifisial di Indonesia masih dalam proses. Bagi praktisi hukum, rekomendasinya adalah sebagai berikut. Pertama, susun inventarisasi sistem otomatis yang dipakai klien dalam fungsi kepatuhan dan keputusan berdampak signifikan, dan tetapkan pemilik akuntabilitas manusianya. Kedua, terlibatlah dalam penerjemahan regulasi menjadi aturan sistem, karena tahap inilah yang paling menentukan dan paling memerlukan keahlian hukum. Ketiga, rancang prosedur peninjauan manusia dan jalur keberatan yang substantif, bukan formalitas, sesuai Pasal 10 UU PDP. Keempat, cantumkan dalam kontrak pengadaan teknologi kepatuhan hak audit, kewajiban penjelasan logika sistem, pelaporan insiden, dan pembagian tanggung jawab. Kelima, pantau perkembangan peraturan presiden tentang kecerdasan artifisial, PP 33/2026, dan pedoman OJK, serta kerangka Uni Eropa bagi klien yang beroperasi lintas batas.
*Artikel ini merupakan bagian dari ‘Learning Module for Lawyers: Corporate Law’ yang disusun oleh Tim Penulis Firma Pragma Integra.
Referensi
[1] Mökander and others, ‘Ethics-Based Auditing of Automated Decision-Making Systems: Nature, Scope, and Limitations’.
[2] Horneber and Laumer, ‘Algorithmic Accountability’.
[3] Papantoniou, ‘Regtech: steering the regulatory spaceship in the right direction?’.
[4] Papantoniou, ‘Regtech: steering the regulatory spaceship in the right direction?’.
[5] Power, ‘Afterword: Audit Society 2.0?’.
[6] Johann Laux and Hannah Ruschemeier, ‘Automation Bias in the AI Act: On the Legal Implications of Attempting to De-Bias Human Oversight of AI’, European Journal of Risk Regulation, 16.4 (2025), pp. 1519–34, https://doi.org/10.1017/err.2025.10033.
[7] Li, ‘Behavioral challenges to professional skepticism in auditors’ data analytics journey’.
[8] Papantoniou, ‘Regtech: steering the regulatory spaceship in the right direction?’.
[9] Papantoniou, ‘Regtech: steering the regulatory spaceship in the right direction?’.
[10] Papantoniou, ‘Regtech: steering the regulatory spaceship in the right direction?’.
[11] Papantoniou, ‘Regtech: steering the regulatory spaceship in the right direction?’.
[12] Papantoniou, ‘Regtech: steering the regulatory spaceship in the right direction?’.
[13] Klessascheck and Pufahl, ‘Reviewing uses of regulatory compliance monitoring’.
[14] Grohs and others, ‘Can conformance checking monitor process compliance? A taxonomy of regulations for business processes’.
[15] Papantoniou, ‘Regtech: steering the regulatory spaceship in the right direction?’.
[16] Horneber and Laumer, ‘Algorithmic Accountability’.
[17] Horneber and Laumer, ‘Algorithmic Accountability’.
[18] Li, ‘Behavioral challenges to professional skepticism in auditors’ data analytics journey’.
[19] Li, ‘Behavioral challenges to professional skepticism in auditors’ data analytics journey’.
[20] Papantoniou, ‘Regtech: steering the regulatory spaceship in the right direction?’.
[21] Laux and Ruschemeier, ‘Automation Bias in the AI Act: On the Legal Implications of Attempting to De-Bias Human Oversight of AI’.
[22] Laux and Ruschemeier, ‘Automation Bias in the AI Act: On the Legal Implications of Attempting to De-Bias Human Oversight of AI’.
[23] Laux and Ruschemeier, ‘Automation Bias in the AI Act: On the Legal Implications of Attempting to De-Bias Human Oversight of AI’.
[24] Laux and Ruschemeier, ‘Automation Bias in the AI Act: On the Legal Implications of Attempting to De-Bias Human Oversight of AI’.
[25] Yudistira Nugroho and Syafira Antari, ‘Rethinking the Governance of Artificial Intelligence Oversight in Indonesia from a Global Perspective’, Mendapo: Journal of Administrative Law, 7.2 (2026), pp. 269–87, https://doi.org/10.22437/mendapo.v7i2.55745.
[26] Nugroho and Antari, ‘Rethinking the Governance of Artificial Intelligence Oversight in Indonesia from a Global Perspective’.
[27] Mökander and others, ‘Ethics-Based Auditing of Automated Decision-Making Systems: Nature, Scope, and Limitations’.
[28] Papantoniou, ‘Regtech: steering the regulatory spaceship in the right direction?’.
[29] Papantoniou, ‘Regtech: steering the regulatory spaceship in the right direction?’.
[30] Laux and Ruschemeier, ‘Automation Bias in the AI Act: On the Legal Implications of Attempting to De-Bias Human Oversight of AI’.
[31] Laux and Ruschemeier, ‘Automation Bias in the AI Act: On the Legal Implications of Attempting to De-Bias Human Oversight of AI’.
[32] Mökander and others, ‘Ethics-Based Auditing of Automated Decision-Making Systems: Nature, Scope, and Limitations’.
[33] Nugroho and Antari, ‘Rethinking the Governance of Artificial Intelligence Oversight in Indonesia from a Global Perspective’.
Tell Your Friends
Need legal or tax advice?
Discuss your matter with our lawyers
Facing a tax dispute, a corporate transaction or a business problem? Tell us about it and our team will get back to you.
