AI & Rantaian Bekalan Semikonduktor: Masa Untuk Berubah

AI dalam Pembuatan (Elektronik, Automotif, Semikonduktor)••By 3L3C

Rantaian bekalan semikonduktor terlalu kaku untuk dunia hari ini. Inilah bagaimana AI boleh jadikan supply chain E&E dan automotif Malaysia lebih fleksibel dan selamat.

AI dalam pembuatanrantaian bekalan semikonduktorindustri E&E Malaysiasmart factorykualiti komponenautomotifautomasi kilang
Share:

Pada kemuncak krisis cip global 2021–2022, beberapa pengeluar automotif melaporkan kerugian berbilion ringgit hanya kerana satu komponen 20 sen tidak tiba tepat pada masanya. Bukan sebab harga naik, tetapi sebab lead time melonjak daripada 12 minggu kepada lebih 40 minggu.

Inilah realiti rantaian bekalan semikonduktor: nilai lebih US$600 bilion, tetapi masih kaku dan sukar menyesuaikan diri bila berlaku kejutan permintaan, perang dagang, atau sekatan geopolitik. Di Malaysia, di mana E&E dan semikonduktor menyumbang lebih 30% eksport pembuatan, isu ini bukan sekadar teknikal – ia terus menyentuh KPI OEE, utilisasi line, dan P&L syarikat.

Dalam siri AI in Manufacturing (Electronics, Automotive, Semiconductor) ini, saya nak fokus pada satu persoalan: bagaimana AI dan automasi boleh mengubah rantaian bekalan semikonduktor yang kaku menjadi lebih fleksibel, boleh dipercayai, dan relevan untuk pemain besar di Malaysia seperti Intel, Infineon, TF-AMD, dan ratusan EMS tempatan?

Artikel asal EE Times tentang Mobius Materials – sebuah startup yang cuba menjinakkan pasaran sekunder komponen – beri gambaran jelas tentang masalahnya. Dalam artikel ini, kita akan pergi lebih jauh: dari sudut pandang kilang di Malaysia, apa yang sebenarnya perlu diubah, dan di mana AI patut masuk.

1. Masalah sebenar: Lead time membunuh lebih banyak dari harga

Untuk kebanyakan pengeluar elektronik dan automotif, harga yang naik tiga kali ganda kurang bahaya berbanding lead time yang naik tiga kali ganda. Bila harga naik, anda masih boleh:

  • Laras harga produk akhir
  • Optimakan bill of material (BoM)
  • Guna alternatif komponen yang telah diluluskan

Tapi bila lead time melambung:

  • Line produksi berhenti
  • OEE jatuh
  • Customer delivery miss, penalti kontrak naik
  • Cashflow tersekat kerana WIP terperangkap

Dalam ekosistem Malaysia, ini sangat ketara untuk:

  • Pengeluar automotif (contoh: modul ECU, ADAS, BMS untuk EV)
  • Pengeluar elektronik pengguna (TV, monitor, peranti pintar)
  • Pengeluar semikonduktor sendiri (fab & OSAT) yang bergantung pada tool, wafer, dan bahan kimia kritikal

Masalahnya: model rantaian bekalan masih terlalu statik.

  • Ramalan permintaan (forecast) masih banyak bergantung pada Excel dan judgement manusia
  • PO dibuat 3–6 bulan awal, dengan fleksibiliti sangat terhad
  • Bila forecast lari, anda sama ada terlebih stok atau langsung tak cukup komponen

Inilah “volatility trap” yang disebut dalam artikel asal.

Di sinilah AI patut mula bekerja

AI demand forecasting dan supply planning bukan lagi “nice to have”. Untuk syarikat yang main di peringkat global, ia sudah jadi prasyarat.

Apa yang syarikat di Malaysia boleh buat sekarang:

  1. Guna model AI/ML untuk ramalan permintaan berbilang horizon

    • Jangka pendek (1–4 minggu) untuk penjadualan line
    • Jangka sederhana (1–3 bulan) untuk pembelian dan kapasiti
    • Jangka panjang (6–12 bulan) untuk perancangan CAPEX

  2. Gabungkan lebih banyak sumber data ke dalam model:

    • Data pesanan pelanggan sebenar (order intake) vs forecast mereka
    • Data pasaran (musim perayaan, pelancaran produk baru, trend EV)
    • Data geopolitik (tarif, sekatan eksport, konflik kawasan)

  3. Gunakan AI untuk senario “what-if”
    Contohnya: “Apa jadi pada KPI penghantaran kalau bekalan MCU automotif terpotong 50% dari satu vendor utama?”
    Sistem AI boleh cadangkan pelarasan produksi dan prioriti pelanggan secara near real-time.

Kebanyakan MNC di Malaysia dah ada data ini. Yang kurang biasanya ialah lapisan AI yang betul-betul guna data tersebut untuk buat keputusan automatik atau separa automatik.

2. Pasaran sekunder & isu tiruan: Masalah kepercayaan, bukan sekadar teknologi

Bila supply chain ketat, kilang akan mula pandang ke pasaran sekunder – broker, independent distributor, surplus stock OEM lain. Di sinilah risiko besar bermula.

Anggaran kerugian global akibat komponen tiruan mencecah sekitar US$75 bilion setahun. Dalam sektor automotif dan perubatan, satu cip tiruan dalam modul brek atau peranti implan boleh bertukar jadi isu keselamatan dan undang-undang.

Sebab itu badan seperti World Semiconductor Council (WSC) tegas: kalau nak elak tiruan, beli hanya daripada:

  • Original Component Manufacturer (OCM)
  • Pengedar sah yang diiktiraf OCM

Masalahnya, dunia nyata tak seideal itu. Bila:

  • Lead time OCM 40–52 minggu
  • Line anda akan berhenti kalau tak ada 5,000 unit cip minggu depan

…ramai pembeli terpaksa ambil risiko.

AI sebagai “firewall” terhadap komponen tiruan

Mobius Materials cuba bina pasaran sekunder yang lebih selamat dengan:

  • Pemeriksaan fizikal di pusat tertentu (Virginia, Hong Kong)
  • Guna machine learning untuk kesan tiruan dan kecacatan

Konsep ini sebenarnya sangat relevan untuk Malaysia. Kita ada:

  • Kluster E&E dan semikonduktor yang besar di Pulau Pinang, Kulim, Melaka, Johor
  • Rangkaian EMS, OEM, dan OSAT yang saling berkait

Bayangkan jika rantau ini ada “trusted marketplace” serantau yang disokong AI:

  • Setiap lot komponen yang mahu dijual disaring secara automatik oleh model AI berdasarkan:
    • Rekod traceability
    • Gambar imej mikroskop (visual inspection berasaskan visi komputer)
    • Data ujian elektrik
  • Sistem beri skor risiko tiruan dan kebolehpercayaan
  • Hanya lot dengan skor di atas ambang tertentu dibenarkan diniagakan

Ini bukan sains fiksyen. Teknologi visi komputer dan anomaly detection yang sama digunakan dalam AI quality inspection di line SMT boleh diadaptasi ke pusat pengesahan komponen.

Bagi saya, ini langkah pragmatik:
bukan menggantikan saluran sah, tetapi menambah satu lapisan fleksibiliti bila dunia tak berjalan seperti dalam kontrak.

3. “Trust architecture”: Di mana AI, automasi dan privasi bertemu

Masalah pasaran sekunder bukan sekadar tiruan. Ia juga soal privasi dan reputasi.

Banyak OEM dan EMS besar simpan stok keselamatan (safety stock) yang besar untuk komponen kritikal. Tapi mereka tak mahu orang tahu:

  • Berapa banyak stok sebenar yang mereka pegang
  • Komponen apa yang mereka cuba jual semula

Kerana data itu mendedahkan perkara seperti:

  • Model telefon / EV yang jualan perlahan
  • Design change yang berlaku mendadak
  • Strategi produk masa depan

Di sinilah konsep “trusted, anonymous marketplace” jadi menarik. Dan AI sebenarnya boleh bantu bina kepercayaan di tiga lapisan:

3.1 Lapisan pengesahan (verification layer)

  • AI memproses data ujian, imej, dan sejarah lot untuk sahkan ketulenan
  • Skor keyakinan (confidence score) dijana secara telus untuk pembeli

3.2 Lapisan pemadanan (matching layer)

  • Algoritma AI memadankan keperluan pembeli dengan stok lebihan (excess) penjual
  • Ambil kira: tarikh last time buy, PCN, lot code, versi, pakej, alternatif serasi

3.3 Lapisan privasi (privacy-preserving layer)

  • Guna teknik seperti data anonymization dan secure multi-party computation
  • Supaya AI boleh “nampak” corak inventori dan permintaan tanpa mendedahkan identiti sebenar syarikat

Untuk Malaysia, logiknya mudah:
kalau kita serius nak bina hab semikonduktor serantau, kita juga kena bina hab data dan AI untuk rantaian bekalan. Bukan sekadar tambah kilang, tapi tambah kecerdasan dalam aliran bahan dan maklumat.

4. Dari kilang ke bilik mesyuarat: Di mana syarikat perlu mula

Bagi pengurus kilang, pengarah operasi atau VP supply chain di Malaysia yang sedang membaca, persoalan praktikalnya ialah: apa langkah realistik 6–18 bulan akan datang?

Saya cadangkan empat bidang keutamaan di mana AI dan automasi boleh beri pulangan paling cepat untuk rantaian bekalan semikonduktor dan E&E:

4.1 AI untuk peramalan & perancangan hujung ke hujung

Mulakan dengan POC terfokus:

  • Pilih 1–2 keluarga produk kritikal
  • Integrasi data: forecast pelanggan, order sebenar, stok, lead time pembekal, data pasaran asas
  • Latih model AI untuk:
    • Demand forecasting berbilang horizon
    • Cadangan purchase planning dan safety stock

Ukuran kejayaan yang jelas:

  • Pengurangan stock-out
  • Pengurangan inventori perlahan (slow-moving stock)
  • Kenaikan ketepatan forecast mingguan/bulanan

4.2 AI di gudang & logistik dalaman

Rantaian bekalan bukan hanya PO dan forecast. Di lantai produksi dan gudang, AI boleh:

  • Optimakan susun atur stor (slotting optimization)
  • Cadangkan susunan kanban untuk komponen kritikal
  • Menggunakan AGV/AMR pintar untuk penghantaran dalaman berasaskan keutamaan sebenar line

Gabungkan data dari MES, WMS, dan sistem pengesanan real-time (RTLS). Model AI boleh:

  • Kenal pasti bottleneck logistik dalaman
  • Kurangkan masa menunggu komponen di line

4.3 Pemeriksaan kualiti komponen berasaskan visi komputer

Untuk syarikat yang kadang-kadang terpaksa beli dari sumber bukan sah (contoh: semasa krisis), jangan buat secara membuta tuli.

  • Pasang stesen pemeriksaan tambahan di incoming with camera resolusi tinggi
  • Latih model visi komputer pada imej komponen tulen vs tiruan:
    • Marking
    • Surface finish
    • Lead frame
    • Packaging

Ini tidak menggantikan pengedar sah, tetapi membina second line of defence bila terdesak.

4.4 Analitik risiko geopolitik & senario multi-sumber

Satu lagi kawasan besar yang ramai abaikan: AI untuk analisis risiko pembekal dan lokasi.

Model AI boleh diguna untuk:

  • Peta risiko pembekal mengikut negara, jenis teknologi, dan kebergantungan
  • Simulasi senario: “kalau satu negara dikenakan sekatan, apa kesannya pada BoM utama kita?”
  • Cadangkan senarai pendek pembekal alternatif untuk komponen paling kritikal

Untuk Malaysia, ini sangat relevan kerana banyak kilang di sini berada di hujung rantaian global. Satu gangguan di negara lain cepat memberi kesan pada utilisasi kapasiti di Kulim atau Bayan Lepas.

5. Halangan sebenar: Polisi dalaman, bukan teknologi

Dari pengalaman, majoriti MNC dan EMS besar bukan kekurangan teknologi, tetapi tersekat pada:

  • Polisi pembelian yang terlalu ketat dan ketinggalan zaman
  • Rasa takut kepada liabiliti bila guna sumber bukan sah
  • Ketiadaan “owner” jelas untuk projek AI rantaian bekalan

Artikel asal menyebut cabaran Mobius: walaupun ada teknologi dan dana, mereka masih perlu ubah mindset procurement dan legal.

Perkara yang sama berlaku di sini. Kalau anda mahu rantaian bekalan semikonduktor yang benar-benar fleksibel dengan bantuan AI, beberapa benda perlu berani dirombak:

  1. Mandat pengurusan atasan
    Projek AI supply chain tak boleh jadi projek sampingan jabatan IT. Ia perlu diserap dalam strategi operasi dan KPI pengurusan.

  2. Polisi pembelian yang “AI-aware”

    • Tetapkan dengan jelas bila dan bagaimana pasaran sekunder boleh digunakan
    • Rangka protokol pengesahan kualiti berasaskan AI untuk mitigate risiko

  3. Pengurusan perubahan (change management)

    • Latih pembeli, perancang, dan engineer untuk faham cadangan AI
    • Jadikan AI sebagai “co-pilot”, bukan pengganti kerja mereka

  4. Kerjasama ekosistem

    • Syarikat di Malaysia boleh bekerjasama dengan MNC, pengedar sah, dan pemain AI tempatan untuk bina standard pemeriksaan dan pertukaran data

Saya berpendapat:
syarikat yang berani menggabungkan disiplin tradisional supply chain dengan AI secara terancang dalam 2–3 tahun akan datang akan mendahului pesaing yang masih bergantung 100% pada “cara lama”.

Penutup: Masa untuk rantaian bekalan yang lebih pintar, bukan lebih ketat

Rantaian bekalan semikonduktor global tak akan menjadi lembut dan mesra dalam masa terdekat. Geopolitik, perang dagang, lonjakan permintaan EV, dan kitaran teknologi cip baharu akan terus mencetuskan kejutan.

Malaysia yang sedang memposisikan diri sebagai hab semikonduktor serantau tak boleh hanya bergantung pada lebih banyak kilang dan lebih banyak kapasiti. Kita perlukan rantaian bekalan yang boleh berfikir, meramal, dan bertindak balas – dengan bantuan AI.

Bagi syarikat E&E, automotif dan semikonduktor di sini, soalan praktikalnya ringkas:

  • Di mana dalam rantaian bekalan anda sekarang paling kaku?
  • Bahagian mana yang paling sesuai untuk pilot AI dalam 6–12 bulan akan datang?
  • Siapa dalam organisasi yang akan memegang mandat untuk memacu perubahan ini?

Kalau anda sedang menilai projek AI di kilang – sama ada untuk robotik, quality control, atau supply chain – ini masa yang sesuai untuk gabungkan semuanya dalam satu pelan smart factory yang menyeluruh. Rantaian bekalan yang lebih fleksibel bukan angan-angan; ia bermula dengan satu keputusan: berani beri AI tempat di meja perancangan, bukan sekadar di hujung line produksi.