58 মিল বন্ধ: AI দিয়ে টেক্সটাইল খরচ কমানোর পথ

৫৮টি স্পিনিং ও ডাইং মিল আংশিক বা পুরোপুরি বন্ধ—আর এর সাথে এক লক্ষের বেশি মানুষের চাকরি অনিশ্চিত। এই সংখ্যাটা শুধু “খারাপ সময়” বোঝায় না; এটা দেখায় বাংলাদেশের প্রাইমারি টেক্সটাইল (স্পিনিং–প্রসেসিং) কতটা চাপের মধ্যে আছে। কাঁচামাল–শক্তি–ফাইন্যান্সিং–ইমপোর্ট প্রেশার—সব একসাথে এসে মার্জিনকে এমনভাবে চেপে ধরেছে যে অনেক মিল টিকে থাকার মতো ক্যাশফ্লো পাচ্ছে না।

এই সিরিজের ("বাংলাদেশের টেক্সটাইল ও গার্মেন্টস শিল্পে কৃত্রিম বুদ্ধিমত্তা কীভাবে পরিবর্তন আনছে") আগের আলোচনাগুলোর মতোই আমি একটা কথা স্পষ্টভাবে বলব: শুধু প্রণোদনা/সেফগার্ড ডিউটি দিয়ে এই সঙ্কট মিটবে না। এগুলো দরকার হতে পারে, কিন্তু দীর্ঘমেয়াদে মিলগুলোকে বাঁচাতে হলে উৎপাদন খরচ নিয়ন্ত্রণ, অপচয় কমানো, গুণগত মান স্থিতিশীল করা—এসব জায়গায় প্রযুক্তিগত সক্ষমতা তৈরি করতেই হবে। এবং ২০২৫–২৬ এর বাস্তবতায় সেই সক্ষমতার কেন্দ্রবিন্দু হচ্ছে AI-driven automation এবং smart manufacturing।

সঙ্কটটা কোথায় আটকে আছে: খরচ, চাহিদা, আর ইমপোর্ট প্রেশার

উত্তরটা সোজা: মিলগুলো লোকসানে যাচ্ছে কারণ স্থানীয় উৎপাদন খরচ বেড়েছে, অথচ বাজারদর নামছে—উপরে থেকে ইমপোর্ট করা সুতা আরও কম দামে ঢুকে পড়ছে।

BTMA-এর তথ্য অনুযায়ী ৫৮টি মিল আংশিক/সম্পূর্ণ বন্ধ হয়েছে এবং ১ লাখের বেশি কর্মী বেকার। শিল্প নেতারা বলছেন উৎপাদন খরচ প্রায় ২০% পর্যন্ত বেড়েছে, আর ব্যাংক সুদের হার ৯% থেকে ১৬% এ ওঠায় ওয়ার্কিং ক্যাপিটাল আরও টাইট। একই সময়ে গ্লোবাল অ্যাপারেল ডিমান্ড দুর্বল থাকায় গার্মেন্ট ফ্যাক্টরি কম অর্ডার পাচ্ছে—ফলে স্পিনিং মিলের ইয়ান ডিমান্ডও কম।

ইমপোর্ট সাইডে চাপ আরও কড়া। মিলারদের বক্তব্য অনুযায়ী, ভারত থেকে ইয়ান ইমপোর্ট গত বছরে ৪৮% বেড়েছে, এবং বাংলাদেশ নাকি ভারতের মোট ইয়ান এক্সপোর্টের ৪৬% শোষণ করছে। ভারতীয় এক্সপোর্টারদের প্রণোদনা–সাপোর্টের কারণে প্রায় $0.30/kg কস্ট অ্যাডভান্টেজ তৈরি হয়—স্থানীয় মিলের জন্য ওই দামে প্রতিযোগিতা করা প্রায় অসম্ভব।

এখানেই AI আলোচনায় আসে, কারণ যখন প্রাইস-প্রেশার স্থায়ী, তখন একমাত্র টেকসই উত্তর হলো ইউনিট কস্ট নামানো এবং আউটপুটের মান স্থিতিশীল রাখা।

সরকারি সহায়তা বনাম সক্ষমতা: দুটোই লাগে, কিন্তু একটার সীমা আছে

সরকারি প্রস্তাবগুলো শ্বাস নেওয়ার জায়গা দিতে পারে; AI সক্ষমতা টিকে থাকার ক্ষমতা দেয়।

BTMA যেসব পদক্ষেপ চাইছে—

• স্থানীয় ইয়ান সেলে ১০% বিশেষ ইনসেনটিভ (৫ বছর) (বর্তমান ১.৫% থেকে বাড়িয়ে)
• এক্সপোর্টারদের জন্য অন্তত ৫০% লোকাল সোর্সিং বাধ্যতামূলক
• কটন ইয়ান ইমপোর্টে সেফগার্ড ডিউটি (আইনি প্রক্রিয়াসাপেক্ষ)

এগুলো বাজারকে সাময়িকভাবে স্থিতিশীল করতে পারে। কিন্তু আমার অভিজ্ঞতায় নীতি–সহায়তা কখনওই মিলের ভিতরের অদক্ষতা ঢেকে রাখতে পারে না—শুধু সময় কিনে দেয়। আর সময়টা কাজে লাগাতে হবে ডেটা, অটোমেশন, এবং AI মডেল বসিয়ে।

একটা বাস্তব কথা: যদি উৎপাদনে ২–৩% waste, ১–২% rework, আর ১–২% energy inefficiency থাকে—মোটে ৫–৭% মার্জিন খুব সহজে উধাও হয়ে যায়। ডিউটি/ইনসেনটিভ এলে কিছুটা সামলে নেবে, কিন্তু প্রতিযোগী দেশগুলোও থেমে নেই।

AI কোথায় খরচ কমায়: স্পিনিং–ডাইং–ফিনিশিং-এ ৬টি হাই-ROI ব্যবহার

AI সবচেয়ে বেশি কাজ করে যেখানে সিদ্ধান্ত বারবার নিতে হয়, ডেটা আছে, এবং ভুলের খরচ বেশি। টেক্সটাইলে এই তিনটাই মিলে যায়।

1) Predictive maintenance: ব্রেকডাউন কমে, উৎপাদন স্থিতিশীল হয়

স্পিনিং, কম্বিং, কার্ডিং, ড্রয়িং, রিং ফ্রেম, অটো কন—সবখানেই ভাইব্রেশন/টেম্পারেচার/কারেন্ট ড্র ডেটা থেকে AI আগেই বলতে পারে কোন বেয়ারিং, মোটর, স্পিন্ডল সমস্যা তৈরি করছে।

ফল কী?

• আনপ্ল্যান্ড ডাউনটাইম কমে
• স্পেয়ার পার্টস ইনভেন্টরি আরও স্মার্ট হয়
• কোয়ালিটি ডিফেক্ট (যেমন uneven yarn) কমে

শুধু “মেশিন ভাঙে” সমস্যা না—ডাউনটাইম মানে ডেলিভারি স্লিপ, কাস্টমার লস, আর শেষমেশ ক্যাশফ্লো ক্রাইসিস।

2) AI-based quality inspection: ইয়ান ডিফেক্ট/ফ্যাব্রিক ডিফেক্ট দ্রুত ধরা

কম্পিউটার ভিশন দিয়ে:

• ইয়ানের hairiness, thick-thin variation, contamination
• গ্রে ফ্যাব্রিক/ডাইড ফ্যাব্রিকে streak, shade variation, spots

আগে যেগুলো ম্যানুয়াল, সাবজেক্টিভ এবং স্লো ছিল, AI সেগুলোকে কনসিসটেন্ট করে।

“কোয়ালিটি কন্ট্রোলটা শুধু পাস/ফেইল নয়—এটা কস্ট কন্ট্রোল।”

কারণ ডিফেক্ট দেরিতে ধরা পড়লে rework, chemical reprocess, অতিরিক্ত পানি/বিদ্যুৎ/সময়—সবই বাড়ে।

3) Recipe & dyeing optimization: কম কেমিক্যাল, কম পানি, কম রিওয়ার্ক

ডাইং-এ লোকসানের বড় অংশ আসে shade mismatch আর re-dye থেকে। AI যদি historical batch data (fabric type, GSM, pretreatment, machine parameters, dyestuff lot) দেখে রেসিপি টিউন করে, তাহলে:

• “right-first-time” বাড়ে
• ডাইং হাউসের গ্যাস/স্টিম/ওয়াটার খরচ কমে
• ডেলিভারি রিস্ক কমে

বাংলাদেশে যেসব কারখানা ZDHC/সাসটেইনেবিলিটি কমিটমেন্ট নিয়ে কাজ করছে, তাদের জন্য এটা ডাবল বেনিফিট: কস্টও কমে, কমপ্লায়েন্সও শক্ত হয়।

4) Energy analytics: বিদ্যুৎ–স্টিম–এয়ার লিক কোথায়, তা ধরা

অনেক মিলেই সবচেয়ে বড় অদৃশ্য খরচ হলো energy loss:

• compressed air leak
• boiler efficiency drop
• idle running

AI/analytics দিয়ে শিফটভিত্তিক, মেশিনভিত্তিক energy baseline তৈরি করলে “কোথায় অপচয়” বের হয়। এটা বাঁচানো টাকা—কারণ একই আউটপুটে কম ইনপুট।

5) Demand forecasting & inventory planning: ওয়্যারহাউস জ্যাম কমানো

RSS রিপোর্টে warehouse congestion, ৩০% পর্যন্ত production cut—এগুলো মূলত planning problem-এর লক্ষণও। AI forecasting:

• গার্মেন্টস অর্ডার সিগন্যাল, লিড টাইম, কটন প্রাইস ট্রেন্ড
• SKU/কাউন্ট অনুযায়ী ইনভেন্টরি অপ্টিমাইজ

ফল: কম dead stock, কম storage cost, কম forced discount selling।

6) Procurement intelligence: কাঁচামাল কেনা “সময়মতো” হয়

কটন/কেমিক্যাল/ডাইস্টাফ—সবই ভোলাটাইল। AI-based procurement model পুরো বাজার নিয়ন্ত্রণ করবে না, কিন্তু:

• price band তৈরি করতে পারে
• reorder point স্মার্ট করতে পারে
• supplier performance scorecard দিতে পারে

আর সবচেয়ে জরুরি: ক্যাশ-সেভিং ডিসিশন দ্রুত হয়।

“AI বসাবো” বললেই হবে না: মিলের জন্য ৯০ দিনের বাস্তব রোডম্যাপ

উত্তরটা বাস্তববাদী: আগে ছোট স্কোপ, দ্রুত ROI—তারপর স্কেল।

ধাপ ১: ২ সপ্তাহে ডেটা রেডিনেস চেক

• কোন মেশিনে সেন্সর আছে/নেই
• ERP/Excel কোথায় কী ডেটা আছে
• QC রিপোর্ট কীভাবে আসে
• শিফটভিত্তিক downtime reason code আছে কিনা

লক্ষ্য: “AI” না, একটা clean dataset।

ধাপ ২: ৩০ দিনে একটি পাইলট (একটাই সমস্যায় ফোকাস)

পাইলটের ভালো অপশন:

• রিং ফ্রেম/কম্প্রেসর লাইনে predictive maintenance
• ফ্যাব্রিক ইন্সপেকশনে computer vision
• ডাইং-এ shade prediction (একটা মেশিন/একটা প্রোডাক্ট গ্রুপ)

KPI ঠিক করুন:

• downtime মিনিট
• defect rate
• rework percentage
• kWh/kg বা steam/kg

ধাপ ৩: ৬০–৯০ দিনে SOP + ট্রেনিং + স্কেল

AI টুল বসিয়ে রেখে লাভ নেই যদি সুপারভাইজাররা ব্যবহার না করে। আমি যেটা কাজ করতে দেখেছি:

• SOP আপডেট: কে অ্যালার্ট দেখবে, কে অ্যাকশন নেবে
• শিফট লিডারদের “decision playbook”
• QA–Maintenance–Production একসাথে ডেইলি রিভিউ

AI adoption মানে cultural adoption।

লিডারদের জন্য কঠিন প্রশ্ন: আপনি কি শুধু বাঁচতে চান, নাকি শক্ত হতে চান?

৫৮টি মিল বন্ধ হওয়া সতর্কবার্তা। এটা দেখায় বাজার এখন “কম দক্ষতা সহ্য করবে” না। ইনসেনটিভ, সেফগার্ড ডিউটি, লোকাল সোর্সিং—এসব নিয়ে নীতি পর্যায়ে আলোচনা চলবে এবং চলা উচিত। কিন্তু মিল পর্যায়ে যে প্রতিষ্ঠানগুলো ২০২৬–এর অর্ডার সাইকেলে টিকে থাকবে, তারা হবে যারা—

• কম energy দিয়ে বেশি আউটপুট বের করতে পারে
• rework কমাতে পারে
• কোয়ালিটি কনসিসটেন্ট রাখতে পারে
• ক্যাশফ্লো-সেফ সিদ্ধান্ত দ্রুত নিতে পারে

এগুলোই AI এবং smart manufacturing-এর কাজের জায়গা। এই সিরিজের লক্ষ্য “AI নিয়ে কথা বলা” নয়—AI দিয়ে টেক্সটাইল ব্যবসাকে আরও স্থিতিশীল করা।

আপনি যদি স্পিনিং/ডাইং/ফিনিশিং মিল চালান, আমার প্রস্তাবটা সোজা: একটা মাত্র লাইনে ৯০ দিনের পাইলট শুরু করুন—যেটা সরাসরি কস্ট কমাবে। সফল হলে বাকিগুলো স্কেল করবেন।

শেষে একটা প্রশ্ন রেখে যাই: ২০২৬ সালে যখন পরের শক আসবে—ডিমান্ড ড্রপ, ইমপোর্ট প্রেশার, বা এনার্জি দামের নতুন ধাক্কা—আপনার মিলের “ডিফেন্স” কি শুধু নীতিনির্ভর থাকবে, নাকি ডেটা ও AI-চালিত সক্ষমতা দিয়ে তৈরি হবে?