Tidak semua rupiah yang keluar untuk melatih model AI mempunyai karakter yang sama.
Sebuah perusahaan dapat membayar cloud compute, membeli dataset, menggunakan tenaga data scientist, menyewa konsultan, membayar platform machine learning, membuat data pipeline, melakukan evaluasi model, lalu mengulang proses training berkali-kali. Di laporan proyek, semuanya disebut “biaya training model”.
Pertanyaan pajaknya kemudian terdengar sederhana: langsung menjadi biaya atau harus diperlakukan sebagai investasi teknologi?
Jawabannya tidak aman jika hanya memakai nama proyek.
Ketentuan pajak Indonesia membedakan pengeluaran yang dapat dibebankan sebagai biaya dengan pengeluaran untuk memperoleh harta tak berwujud atau pengeluaran lain yang mempunyai masa manfaat lebih dari satu tahun dan digunakan untuk mendapatkan, menagih, serta memelihara penghasilan. Untuk kelompok kedua, amortisasi menjadi mekanisme yang relevan.
Artinya, tim finance perlu membongkar biaya training model menjadi komponen, tujuan, dan manfaat ekonomisnya.
Jangan mulai dari kata “AI”
Aturan pajak tidak perlu mempunyai kategori khusus bernama artificial intelligence untuk bisa menganalisis biaya AI.
Prinsip pertama adalah hubungan pengeluaran dengan kegiatan menghasilkan penghasilan. Prinsip berikutnya adalah apakah pengeluaran tersebut bersifat rutin atau menghasilkan atau memperoleh sesuatu dengan manfaat lebih dari satu tahun.
DJP menjelaskan bahwa amortisasi berlaku atas pengeluaran untuk memperoleh harta tak berwujud dan pengeluaran lainnya yang mempunyai masa manfaat lebih dari satu tahun yang dipergunakan untuk mendapatkan, menagih, dan memelihara penghasilan.
Untuk harta tak berwujud, kelompok masa manfaat fiskal pada umumnya dibagi menjadi 4, 8, 16, dan 20 tahun dengan tarif amortisasi masing-masing sesuai metode yang dipilih. Ada pula ketentuan khusus untuk harta tak berwujud dengan masa manfaat lebih dari 20 tahun.
Tetapi model AI internal tidak otomatis masuk kelompok tertentu hanya karena file model dapat disimpan bertahun-tahun. Pertama-tama perusahaan harus memahami apakah rangkaian pengeluaran benar-benar membentuk harta tak berwujud yang dimiliki atau dikendalikan dan memberikan manfaat lebih dari satu tahun, atau hanya biaya penggunaan layanan dan eksperimen yang sifatnya rutin.
Untuk memperluas konteks pada bagian ini, lihat Perusahaan Menjual Layanan AI ke Luar Negeri: Apa yang Harus Dibaca dari Kontrak?.
Satu proyek bisa berisi dua dunia
Bayangkan perusahaan e-commerce mengembangkan model rekomendasi.
Pada fase pertama, tim mencoba beberapa model selama dua bulan. Mereka membeli cloud credits, menyewa GPU, menguji dataset, dan membuang sebagian besar eksperimen karena hasilnya buruk.
Pada fase kedua, perusahaan memilih satu arsitektur, membangun pipeline produksi, mengintegrasikan model ke sistem penjualan, membuat monitoring, dan mulai menggunakan model tersebut terus-menerus.
Secara manajemen proyek, kedua fase berada di bawah satu cost center. Secara analitis, substansinya tidak selalu sama.
Biaya eksperimen yang tidak menghasilkan aset atau manfaat jangka panjang perlu dinilai berbeda dari pengeluaran yang secara nyata membangun atau meningkatkan suatu sistem atau harta tak berwujud yang digunakan lebih dari satu tahun.
Karena itu, keputusan fiskal tidak sebaiknya dibuat sekali di akhir proyek berdasarkan total saldo.
Pecah biaya menjadi bucket
Cara paling praktis adalah membuat bucket.
Pertama, biaya layanan rutin. Contohnya subscription platform AI umum, biaya API biasa, software umum, atau tools yang hanya dipakai sebagai sarana kerja periode berjalan.
DJP menjelaskan bahwa pengeluaran untuk memperoleh dan meningkatkan kapasitas sumber daya perangkat lunak berupa Program Aplikasi Umum yang dimiliki dan digunakan untuk mendapatkan, menagih, dan memelihara penghasilan dapat diakui sebagai biaya operasional rutin yang dibebankan sekaligus pada tahun bersangkutan.
Kedua, perangkat lunak atau sistem khusus. DJP juga menjelaskan bahwa Program Aplikasi Khusus yang dimiliki dan digunakan, mempunyai masa manfaat lebih dari satu tahun, dan digunakan untuk mendapatkan, menagih, serta memelihara penghasilan dibebankan melalui amortisasi harta tak berwujud kelompok 1.
Aturan ini memberi sinyal penting bagi proyek AI. Kalau perusahaan membangun sesuatu yang bersifat khusus dan memberi manfaat lebih dari satu tahun, analisis tidak boleh berhenti pada “ini software expense”.
Ketiga, jasa pihak ketiga. Konsultan data, engineer, annotator, atau vendor integrasi perlu dilihat berdasarkan pekerjaan yang dilakukan. Pertanyaan berikutnya adalah apakah biaya jasa tersebut menjadi bagian dari pembentukan aset atau hanya mendukung kegiatan operasional periode berjalan.
Keempat, biaya data. Dataset berlisensi satu tahun berbeda dari hak penggunaan data jangka panjang. Data yang hanya dipakai sebagai input eksperimen berbeda dari hak yang dibeli untuk menjadi bagian sumber daya produksi.
Pembahasan yang masih berada dalam jalur isu yang sama dapat dilanjutkan ke Jasa Implementasi AI Lokal vs Lisensi Software Asing: Perlakuan Pajaknya Bisa Berbeda.
Kelima, compute. Cloud compute untuk menjalankan model produksi sehari-hari secara ekonomi berbeda dari compute besar yang digunakan dalam proses membangun model tertentu. Tetapi penggunaan compute dalam pengembangan tidak otomatis membuat seluruh invoice cloud harus dikapitalisasi. Perusahaan perlu memiliki kebijakan yang konsisten dan mampu menjelaskan hubungan biaya dengan aset atau kegiatan.
Accounting book dan fiskal jangan dipaksa selalu sama
Perusahaan dapat mempunyai kebijakan akuntansi komersial berdasarkan standar akuntansi yang berlaku. Pajak memiliki ketentuan fiskal sendiri.
Karena itu, klasifikasi di laporan keuangan dan perlakuan fiskal perlu direkonsiliasi. Jangan menganggap keputusan accounting otomatis menyelesaikan posisi pajak.
Jika pengeluaran dicatat sebagai aset secara komersial, tim tax tetap memeriksa dasar amortisasi fiskalnya. Sebaliknya, jika accounting membebankan pengeluaran, tax perlu memastikan tidak ada ketentuan fiskal yang mengharuskan pengeluaran tertentu dialokasikan melalui amortisasi.
Perbedaan ini kemudian masuk rekonsiliasi fiskal bila diperlukan.
AI model juga bisa terus berubah
Salah satu tantangan model AI adalah umur manfaatnya tidak mudah dibaca.
Model dapat digunakan dua tahun, tetapi bisa juga diganti tiga bulan kemudian karena performanya jatuh. Fine tuning dapat dilakukan setiap minggu. Dataset berubah. Arsitektur diperbarui. Versi lama masih disimpan tetapi tidak lagi menghasilkan manfaat.
Ini membuat dokumentasi lebih penting daripada mencoba menebak satu umur teknologi untuk seluruh proyek.
Perusahaan perlu mencatat kapan suatu model atau sistem mulai digunakan, fungsi bisnisnya, apakah masih aktif, apakah terjadi peningkatan kapasitas, dan kapan manfaatnya berhenti.
Untuk software khusus, DJP menjelaskan bahwa pengeluaran peningkatan kapasitas dapat ditambahkan pada nilai sisa buku fiskal dan hasilnya diamortisasi sesuai ketentuan mulai bulan peningkatan dilakukan. Konsep ini relevan sebagai referensi ketika perusahaan menilai upgrade teknologi yang benar-benar meningkatkan kapasitas aset software khusus.
Namun jangan memaksakan setiap fine tuning model sebagai “peningkatan kapasitas” dalam arti fiskal tanpa melihat fakta. Minor retraining rutin bisa mempunyai karakter berbeda dari pembangunan versi baru yang material.
Riset dan pengembangan mempunyai jalur tambahan
Ada proyek training model yang benar-benar merupakan penelitian dan pengembangan, bukan sekadar implementasi software.
Indonesia memiliki fasilitas tambahan pengurangan penghasilan bruto untuk kegiatan penelitian dan pengembangan tertentu di Indonesia. DJP pada Juli 2026 masih menjelaskan fasilitas tersebut dapat mencapai paling tinggi 300 persen dari jumlah biaya kegiatan litbang yang memenuhi ketentuan, terdiri dari pengurangan biaya aktual dan tambahan sesuai syarat yang dipenuhi.
Tetapi ini bukan bonus otomatis untuk setiap proyek AI.
Kegiatan harus memenuhi tema, tujuan, persyaratan, pendaftaran, dan ketentuan administrasi yang ditetapkan. Perusahaan tidak dapat hanya mengganti nama cost center menjadi “R&D AI” lalu mengklaim super deduction.
Jika proyek memang memiliki unsur penelitian untuk memperoleh penemuan baru dan masuk cakupan fasilitas, tim tax perlu memeriksanya sejak fase perencanaan. Menunggu proyek selesai dapat membuat dokumentasi teknis, biaya, dan milestone sulit direkonstruksi.
Dokumen teknis sekarang punya nilai pajak
Dalam proyek tradisional, finance mungkin cukup menyimpan invoice dan kontrak. Untuk AI, itu sering tidak cukup.
Tim tax bisa membutuhkan project charter, architecture note, daftar fase pengembangan, tanggal mulai produksi, rincian resource, kontrak data, kontrak cloud, statement of work konsultan, dan bukti kapan sistem mulai memberikan manfaat bisnis.
Bukan untuk mengubah tax officer menjadi machine learning engineer. Tujuannya agar perusahaan bisa menjelaskan mengapa suatu biaya dianggap rutin atau mengapa biaya tertentu dikaitkan dengan pembentukan aset jangka panjang.
Kalau semua biaya hanya berlabel “AI Development”, posisi perusahaan menjadi sulit diuji.
Human cost perlu dipetakan dengan hati-hati
Gaji data scientist, engineer, product manager, dan staf internal adalah bagian besar biaya proyek.
Pertanyaan apakah dan sejauh mana biaya internal tertentu dikaitkan dengan pembentukan aset harus mengikuti kebijakan akuntansi dan fiskal yang relevan serta fakta kegiatan. Perusahaan sebaiknya tidak membuat persentase kapitalisasi hanya untuk mempercantik EBITDA atau mengejar hasil pajak tertentu.
Timesheet atau project allocation dapat membantu jika perusahaan memang memerlukan dasar alokasi. Tetapi sistem administrasinya harus proporsional.
Untuk proyek kecil, memo pekerjaan dan alokasi periodik mungkin cukup. Untuk proyek besar multi-tahun, timesheet dan project code yang lebih formal bisa diperlukan.
Yang penting adalah konsistensi dan kemampuan membuktikan hubungan biaya dengan aktivitas.
Jangan kapitalisasi kegagalan hanya agar terlihat sebagai investasi
AI menghasilkan banyak eksperimen gagal. Itu normal secara teknologi.
Masalah muncul jika seluruh eksperimen, termasuk yang tidak pernah menghasilkan manfaat, dikumpulkan menjadi satu nilai aset karena proyek secara keseluruhan disebut investasi strategis.
Klasifikasi pajak harus mengikuti substansi. Jika suatu fase tidak menghasilkan atau tidak terkait dengan perolehan harta tak berwujud berumur lebih dari satu tahun, perusahaan perlu berhati-hati sebelum memasukkannya ke basis amortisasi.
Sebaliknya, membebankan seluruh proyek pada tahun pertama hanya karena “teknologi cepat usang” juga bisa terlalu agresif jika perusahaan sebenarnya membangun sistem khusus yang dipakai bertahun-tahun.
Dua ekstrem sama-sama bermasalah.
Buat decision gate sebelum proyek dimulai
Finance dan tax bisa membuat tiga gate.
Gate pertama saat project approval. Tentukan tujuan: eksperimen, implementasi, penelitian, atau pembangunan sistem produksi.
Gate kedua saat proyek mencapai production readiness. Identifikasi apa yang benar-benar telah dihasilkan, kapan mulai digunakan, dan komponen biaya mana yang terkait langsung.
Gate ketiga pada akhir tahun. Periksa apakah aset atau sistem masih digunakan, apakah ada upgrade material, apakah ada proyek gagal yang dihentikan, dan apakah perlakuan fiskal masih sesuai fakta.
Dengan gate ini, keputusan tidak bergantung pada ingatan engineer ketika audit datang.
Pertanyaan yang lebih baik
“Training model AI itu opex atau capex?” terlalu sempit.
Pertanyaan yang lebih berguna adalah: biaya apa yang dikeluarkan, untuk aktivitas apa, apakah menghasilkan atau memperoleh harta tak berwujud atau sistem khusus, berapa lama manfaatnya, kapan mulai digunakan, dan bukti apa yang mendukung posisi tersebut.
Ada biaya yang layak diperlakukan sebagai pengeluaran rutin. Ada pengeluaran yang perlu dianalisis untuk amortisasi. Ada proyek yang mungkin masuk kegiatan litbang tertentu jika seluruh persyaratan fasilitas dipenuhi.
Satu proyek AI bisa memuat ketiganya sekaligus.
Karena itu, perusahaan yang paling siap bukan yang mempunyai satu kebijakan “semua AI dikapitalisasi” atau “semua AI dibebankan”. Yang paling siap adalah perusahaan yang mampu memecah biaya berdasarkan substansi, menerapkan kebijakan secara konsisten, dan menjaga dokumentasi sejak proyek masih berupa eksperimen.