Rantai bekalan cip terlalu kaku. AI boleh jadikan peramalan, inventori dan pasaran sekunder semikonduktor jauh lebih fleksibel – sangat relevan untuk kilang di Malaysia.
Rantai Bekalan Cip Terlalu Kaku – Di Sini AI Masuk Campur
Pada 2023, industri semikonduktor global dianggarkan bernilai lebih RM2.8 trilion. Nilai yang besar, tapi realitinya rantai bekalan cip masih beroperasi seperti kilang era 90-an: pesanan mesti dibuat berbulan-bulan awal, ramalan permintaan susah diubah, dan ruang untuk fleksibiliti hampir sifar.
Bagi Malaysia yang menjadi hab semikonduktor dan E&E di Asia – dengan pemain seperti Intel di Penang, Infineon di Kulim, dan ekosistem ratusan pembekal automotif dan elektronik – kekakuan ini bukan isu teori. Ia mempengaruhi jadual produksi, OEE, dan akhirnya margin setiap kilang di Bayan Lepas sampai ke Senai.
Artikel asal tentang Mobius Materials dan pasaran sekunder cip menceritakan masalah ini dari sudut global. Dalam siri AI in Manufacturing (Electronics, Automotive, Semiconductor) ini, saya nak bawa satu langkah ke depan: bagaimana AI boleh menjadikan rantai bekalan semikonduktor lebih anjal, lebih telus, dan lebih sesuai dengan realiti industri di Malaysia pada hujung 2025 ini.
Masalah Sebenar: Bukan Harga Naik, Tapi Lead Time Meletup
Isu terbesar dalam rantai bekalan semikonduktor ialah lead time yang melambung, bukan semata-mata harga yang naik.
Margaret Upshur, pengasas Mobius Materials, ringkaskan dengan baik: anda lebih rela harga komponen naik tiga kali ganda daripada lead time naik tiga kali ganda. Bila lead time melompat:
- Line produksi terhenti
- Penghantaran kepada OEM automotif tergendala
- Penalti SLA mula masuk
- Reputasi kilang dan jenama rosak
Sebaliknya, kalau harga komponen naik, banyak pengeluar masih boleh:
- Reprice produk akhir
- Optimakan BOM
- Cari alternatif setara dari sudut prestasi & kos
Masalahnya, struktur pasaran cip hari ini memang rigid:
- Jual beli melalui kontrak jangka panjang dan pengedar sah
- Forecast dibuat 6–12 bulan awal
- Bila permintaan berubah (contoh EV melambat, server AI meletup), sistem ini lambat menyesuaikan diri
Di Malaysia, kita dah rasa:
- Krisis cip automotif yang buat OEM terpaksa park kereta siap separuh di kawasan lapang
- Kilang EMS terpaksa downgrade shift sebab MCU tertentu tak masuk-masuk
- Pelabur mendesak OEE tinggi sedangkan inventory terperangkap di lokasi dan node yang salah
Inilah ruang di mana AI untuk peramalan, perancangan dan “dynamic sourcing” mula jadi kritikal.
Mengapa Pasaran Sekunder Cip Sangat Tidak Dipercayai
Pasaran terbuka (open / grey market) wujud kerana keperluan, tapi dibenci kerana risiko.
Dari perspektif World Semiconductor Council (WSC), hanya dua sumber yang benar-benar selamat:
- OCM (original component manufacturer)
- Pengedar yang sah (authorized distributor)
Selain itu dianggap:
- Berisiko tiruan (counterfeit)
- Tak pasti cara simpanan & pengendalian
- Sukar disahkan walaupun guna pihak ketiga
Industri dikatakan hilang sekitar US$75 bilion setahun akibat komponen tiruan. Untuk konteks Malaysia:
- Cip palsu dalam modul brek kereta keluaran kilang tempatan bukan sekadar risiko waranti – ia isu keselamatan awam
- Komponen tiruan dalam peralatan perubatan eksport dari Malaysia boleh jejas keseluruhan reputasi rantaian nilai negara
Jadi bila kilang di Kulim atau Muar tiba-tiba kekurangan satu jenis driver IC, pasaran sekunder nampak seperti “jalan terakhir” yang semua orang benci tetapi kadang-kadang terpaksa guna.
Soalan penting untuk pengurus kilang dan pengarah supply chain di Malaysia: boleh tak kita gunakan AI untuk jadikan pasaran sekunder lebih selamat, sambil kita kurangkan pergantungan kepada pasaran itu melalui perancangan pintar?
AI Sebagai “Otak Tengah” Rantai Bekalan Semikonduktor
AI dalam pembuatan bukan hanya robot dan visi mesin di line SMT. Ia juga otak tengah yang menghubungkan ramalan permintaan, perolehan, logistik dan inventori.
Dalam konteks semikonduktor & E&E, ada empat lapisan utama di mana AI memberi impak terus kepada fleksibiliti:
1. Peramalan Permintaan (Demand Forecasting) Berasaskan AI
Kebanyakan forecast tradisional di syarikat Tier-1 Malaysia masih bergantung kepada:
- Sejarah 12–24 bulan lepas
- Input sales yang bias optimistik
- Excel & MRP klasik
Model AI moden (contoh time-series forecasting dengan ratusan ciri) boleh masukkan:
- Data makro: PMI, kadar faedah, jualan kereta global
- Sinyal pasaran: backlog OEM, trend EV, tempahan server AI
- Data dalaman: yield kilang, lead time sebenar mengikut pembekal, pattern “expedite order”
Hasilnya:
- Ramalan CIP spesifik (contoh DDR, MCU automotif, sensor) jauh lebih tepat
- Sistem boleh perasan “inflection point” – contohnya bila permintaan EV mula mendatar
- Procurement boleh laras PO lebih awal, bukan bila krisis dah berlaku
2. Perancangan Pengeluaran dan Inventory Pintar
Di kilang elektronik, isu biasa ialah:
- Ada stok berlebihan untuk part A
- Kekurangan part B yang kecil tapi kritikal
- Line berhenti kerana satu komponen 20 sen tak ada
AI untuk multi-echelon inventory optimization boleh:
- Mengira stok optimum di setiap lokasi (plant Penang, warehouse Shah Alam, hub Singapura)
- Mengimbangi safety stock vs kos modal kerja
- Menyarankan rebalancing stok antara kilang (contoh pindah stok berlebihan dari kilang EMS ke plant automotif dalam kumpulan sama)
Kesan praktikal kepada pengeluar Malaysia:
- Kurang line stop
- Kurang stok mati (dead stock) di rak
- Lebih mudah patuhi KPI seperti inventory turns dan cash conversion cycle
3. AI untuk “Spot Market” & Pasaran Sekunder yang Lebih Selamat
Syarikat seperti Mobius cuba membina pasaran sekunder yang dipercayai, dengan dua asas:
- Pengesahan fizikal – ujian makmal, standard anti-counterfeit
- Model pembelajaran mesin – mengesan anomali pada lot, label, jejak transaksi
Dalam konteks Malaysia, ada dua aplikasi penting:
- Untuk pengeluar: AI boleh disambung kepada sistem perolehan untuk menilai risiko setiap tawaran pasaran terbuka (berdasarkan sejarah vendor, batch pattern, asal negara, dan lain-lain)
- Untuk pengedar tempatan: AI boleh diguna bagi menyaring stok balik (returns) dan stok lebihan pelanggan supaya hanya barangan tulen sahaja dikitar semula ke pasaran
Ini tidak mengganti garis panduan WSC 100%, tapi ia mencipta lapisan keselamatan tambahan bila kilang benar-benar tiada jalan lain selain mencari stok di luar saluran sah.
4. Perlindungan Privasi & Strategi dengan AI
Satu lagi isu dalam perdagangan stok berlebihan ialah kerahsiaan.
Contoh mudah:
- Kalau dunia tahu anda ada lebihan sensor kamera tertentu, pesaing boleh baca – mungkin produk telefon anda slow, atau design bertukar
- Untuk OEM automotif di Gurun atau Pekan, lebihan ECU tertentu boleh bocorkan maklumat tentang model baru
Platform moden mula menggunakan AI untuk:
- Anonimkan identiti penjual & pembeli pada peringkat tertentu
- Menggabungkan data supaya corak individu tak kelihatan
- Menyediakan cadangan jual/beli tanpa dedah keseluruhan strategi inventori
Bagi syarikat Malaysia yang banyak jadi kontrak pengeluar kepada jenama global, aspek ini sangat penting kerana NDA dengan pelanggan antarabangsa biasanya ketat.
Cabaran: Dari PoC AI ke Skala Kilang & Rantaian Nilai
Ramai pengeluar di Malaysia sudah buat “pilot AI” tetapi tersekat di peringkat PoC. Cabaran sebenar ialah penskalaan.
Untuk konteks rantai bekalan semikonduktor, beberapa halangan utama ialah:
1. Data Tak Konsisten & Terpecah
- ERP berlainan di plant berbeza
- Data logistik dipegang 3PL
- Data pasaran dipegang HQ luar negara
Tanpa data fabric dan integrasi yang terancang, model AI hanya nampak sebahagian kecil gambar besar.
2. Proses & Polisi Legacy
Ramai procurement director masih:
- Wajib ikut polisi “authorized sources only” secara literal
- Tak ada klausa liabiliti untuk pasaran sekunder dalam kontrak
- Menolak cadangan AI kerana “compliance risk”
Di sini, transformasi bukan teknologi semata-mata. Ia perlukan:
- Semakan polisi pembelian dengan input pasukan undang-undang
- Model risiko yang jelas: bila boleh guna pasaran sekunder, pada tahap ujian apa, untuk jenis produk apa
3. Kos Ujian & Automasi
Upshur sebut isu kos: ujian penuh tahap cip (full chip-level testing) mahal dan lambat. Visi jangka panjang ialah ujian “reel-to-reel” automatik yang didorong AI:
- Visi mesin mengesan marking, kerosakan fizikal
- Analitik corak elektrik untuk mengesan lot bermasalah
- Robotik bahan (material handling) automatik untuk throughput tinggi
Malaysia sebenarnya sesuai sebagai tapak R&D dan operasi jenis ini, kerana:
- Tenaga kerja teknikal semikonduktor yang matang
- Kos operasi lebih rendah berbanding negara maju
- Ekosistem vendor automasi industri yang semakin kuat
Apa Langkah Praktikal untuk Pengeluar di Malaysia Sekarang?
Kalau anda mengurus kilang elektronik, automotif atau semikonduktor di Malaysia, ada beberapa langkah praktikal yang boleh diambil dalam 6–12 bulan akan datang.
1. Audit Matang AI Rantai Bekalan
Tanya tiga soalan ringkas:
- Ramalan permintaan kita masih manual/Excel atau sudah gunakan model pembelajaran mesin?
- Kita ada visibility menyeluruh stok across kilang, 3PL dan pengedar, atau masih silo?
- Polisi pembelian kita ada ruang untuk sumber alternatif bila krisis, dengan proses pengesahan yang jelas?
Jawapan jujur kepada tiga soalan ini biasanya cukup untuk nampak “gap” utama.
2. Mulakan Projek Fokus Tinggi-Impakt
Pilihan popular di kalangan MNC di Malaysia:
- AI demand forecasting untuk 20–50 SKU paling kritikal
- Inventory optimization untuk satu kategori komponen (contoh MCU automotif)
- Vendor risk scoring berasaskan AI untuk menilai pembekal & tawaran pasaran terbuka
Matlamatnya jelas: tunjuk pengurangan line stop, pengurangan stok mati, atau peningkatan service level dalam angka yang keras (contoh: downtime turun 30%, stock-out untuk part X turun 40%).
3. Reka “Governance” Bersama Fungsi Lain
Jangan biar inisiatif AI hanya dikendalikan oleh IT atau data team.
Libatkan:
- Supply chain & procurement
- Quality & compliance
- Legal
- Finance
Objektifnya ialah: AI jadi sebahagian proses rasmi, bukan “projek eksperimen” yang akan mati bila berlaku audit atau tukar pengurusan.
AI Bukan Sihir, Tapi Senjata Strategik Rantai Bekalan
Rantai bekalan semikonduktor memang akan kekal kompleks dan global. Node 5 nm di satu negara, assembly di negara lain, dan integrasi akhir di Malaysia – semua ini tak akan berubah dalam masa terdekat.
Yang berubah ialah cara kita membuat keputusan:
- Dari forecast statik ke peramalan dinamik berasaskan AI
- Dari stok berlebihan dan line stop ke inventori yang dioptimumkan
- Dari takut pasaran sekunder membuta tuli ke penggunaan pasaran sekunder yang terkawal dan dipantau AI
Untuk pengeluar elektronik, automotif dan semikonduktor di Malaysia, soalan sebenarnya bukan lagi "perlu ke AI?" tetapi bila dan di bahagian mana dalam rantai nilai anda AI memberi pulangan paling cepat.
Kalau rantai bekalan anda sekarang rasa kaku dan mudah rapuh bila ada sedikit gangguan geopolitik atau permintaan, ini petanda jelas: sudah tiba masanya menjadikan AI sebagai sebahagian daripada otak operasi – bukan hanya di line produksi, tetapi dari peramalan hingga perolehan.
Pada 2026 nanti, kilang yang paling stabil bukan semestinya yang paling besar, tetapi yang paling pantas menyesuaikan diri. Dan di dunia semikonduktor, kelajuan adaptasi itu semakin banyak ditentukan oleh sejauh mana cerdasnya AI dalam rantai bekalan anda.