Pelajaran Dari Kejatuhan Saham Broadcom Untuk Pelaburan AI

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

Kejatuhan saham Broadcom dedahkan satu hakikat: AI boleh menekan margin jika strategi salah. Artikel ini kupas bagaimana kilang E&E boleh elak perangkap yang sama.

AI dalam pembuatansemikonduktorsmart factoryelektronik & E&Estrategi pelaburan AIROI & marginautomotif
Share:

Pada 12/12/2025, saham Broadcom jatuh lebih 11% hanya kerana satu perkara: amaran bahawa margin keuntungan akan tertekan akibat jualan cip AI khusus (custom AI processors) yang ber-margin lebih rendah.

Kejatuhan lebih AS$200 bilion nilai pasaran dalam sehari cukup untuk buat mana-mana CFO atau pengarah kilang elektronik berfikir dua kali sebelum meluluskan bajet AI seterusnya.

Inilah realitinya: AI memang penting, tetapi kalau salah strategi, ia boleh memakan margin sebelum sempat menjana pulangan.

Dalam rantaian pembuatan elektronik, automotif dan semikonduktor – termasuk ekosistem E&E di Malaysia – isu yang sama sedang muncul: semua orang mahu AI, tetapi tak semua tahu bagaimana untuk memastikan ROI (pulangan pelaburan) yang sihat.

Artikel ini gunakan kes Broadcom sebagai cermin: apa yang sebenarnya sedang berlaku di peringkat pembekal cip global, dan apa pengajarannya untuk pengeluar yang sedang membina smart factory atau merancang pelaburan AI berskala besar.

1. Apa Sebenarnya Berlaku Pada Broadcom – Dan Kenapa Pasaran Cemas

Jawapan ringkas: pelaburan AI masih berjalan rancak, tetapi pelabur mula sedar tidak semua hasilnya tinggi margin.

Broadcom ialah salah satu pemain utama dalam cip dan infrastruktur untuk AI. Tahun ini sahaja, mereka mengikat kontrak besar, termasuk nilai sekitar AS$21 bilion untuk cip AI khusus yang digunakan dalam ekosistem Google dan Anthropic. Permintaan jelas ada, backlog sekitar AS$73 bilion untuk 18 bulan akan datang pun ada.

Namun, ada dua poin yang buat pasaran ‘gelabah’:

  • Broadcom memberi amaran bahawa margin kasar akan tertekan kerana peratusan hasil daripada cip AI khusus (yang ber-margin lebih rendah) sedang meningkat.
  • Sehari sebelum itu, Oracle juga jatuh lebih 10% kerana perbelanjaan modal (capex) yang tinggi untuk membina infrastruktur AI.

Bila dua pemain besar AI bercakap tentang margin terhakis dan capex melambung, pasaran mula bertanya soalan yang sama:

"Adakah ledakan pelaburan AI ini benar-benar menghasilkan pulangan kewangan yang kukuh, atau hanya mengembang ‘gelembung’ baru?"

Yang menarik, ramai penganalisis masih yakin potensi AI kekal kukuh. Saham Broadcom tahun ini masih naik lebih 50%, AMD naik lebih 80%, Nvidia lebih 30%. Maknanya, permintaan AI tidak luntur – yang sedang disemak semula ialah bagaimana keuntungan diagihkan.

2. Pengajaran Utama Untuk Industri Pembuatan: AI Tak Semestinya Tinggi Margin

Untuk pengeluar elektronik, automotif atau semikonduktor, kes Broadcom memberi satu mesej tegas: AI boleh naikkan hasil, tetapi tidak semestinya menaikkan margin kalau model bisnes dan kos tidak dikawal.

Di mana AI boleh makan margin?

Dalam konteks kilang dan smart factory, ada beberapa senario biasa:

  1. Capex terlalu agresif tanpa ‘ramp-up’ yang realistik
    Sistem visi AI, robot kolaboratif, sensor IoT, MES berasaskan AI – semua ini memerlukan pelaburan besar. Kalau kilang anda tidak mempunyai pelan jelas untuk kadar penggunaan (utilisation rate) dan fasa pelaksanaan, tempoh balik modal (payback period) boleh merebak daripada 3 tahun ke 7 tahun.

  2. Kos operasi AI yang tersembunyi

    • Kos GPU/CPU untuk inferens masa nyata di barisan pengeluaran
    • Yuran lesen platform AI
    • Tenaga elektrik untuk pusat data di tapak atau edge compute
    • Pasukan data & MLOps yang semakin membesar

    Kalau semua ini tidak masuk dalam model kewangan dengan jujur, margin boleh turun walaupun OEE meningkat.

  3. Custom solution yang sukar diskalakan
    Seperti cip AI khusus Broadcom, banyak kilang juga membangunkan model AI khusus untuk satu produk atau satu line sahaja. Jika tak direka untuk diguna semula (reusable components), setiap projek jadi seolah-olah "one-off engineering" – mahal, lambat dan sukar memberi pulangan menyeluruh.

Di mana AI memang terbukti menaikkan margin?

Sebaliknya, bila dirancang betul, AI sangat kuat kesannya kepada margin, contohnya:

  • Quality control berasaskan visi AI
    Mengurangkan defect rate dari 800 ppm ke 150 ppm, mengurangkan scrap dan rework dengan drastik.

  • Maintenance berasaskan data (predictive maintenance)
    Mengurangkan unplanned downtime 30–50%, menaikkan OEE dan throughput tanpa tambah mesin baru.

  • Optimasi perancangan produksi dan rantaian bekalan
    AI membantu meramal permintaan, merancang jadual produksi dan stok bahan mentah – mengurangkan inventori mati, expedite cost dan overtime.

Bezanya di sini ialah fokus pada kes penggunaan (use case) yang terus-terang mempengaruhi P&L kilang, bukan AI demi imej korporat.

3. Realiti ROI AI Dalam Kilang E&E Malaysia

AI dalam pembuatan bukan lagi teori di slaid PowerPoint – ia sudah berjalan di kulim, Penang, Shah Alam dan Senai.

Banyak MNC seperti Intel, Infineon, Motorola Solutions, Dyson dan rakan-rakan EMS sedang:

  • Menggunakan AI untuk pemeriksaan PCB berkelajuan tinggi
  • Menjalankan auto-parameter tuning pada mesin SMT dan reflow oven
  • Memasang sistem pengesanan anomali pada data mesin untuk mengesan drift awal

Namun, pengalaman saya dengan syarikat di Malaysia menunjukkan satu pola yang konsisten:

Projek rintis (pilot) nampak hebat, tetapi bila sampai peringkat ‘scaling’, angka ROI mula kabur.

Kenapa boleh jadi begitu?

3 sebab utama ROI AI jadi kabur

  1. Tiada baseline yang jelas sebelum projek
    Ramai hanya ada anggaran kasar – "downtime banyak" atau "reject tinggi" – tetapi tiada nombor tepat sebulan sebelum dan selepas. Bila data asas lemah, sukar nak buktikan impak sebenar.

  2. Kos penuh tak dimodelkan sejak awal

    • Penggunaan GPU di cloud
    • Kos integrasi ke sistem sedia ada (MES/ERP/SCADA)
    • Kemas kini model dan penalaan semula bila produk berubah

Semua ini hanya diambil kira kemudian, menjadikan payback period ‘lari’ dari jangkaan asal.

  1. Tiada ‘owner’ P&L yang memegang projek
    Projek AI ditolak kepada IT atau Digital Transformation Office, tapi P&L duduk di tangan Plant Manager atau BU Head. Bila sasaran mereka berbeza, projek jadi "nice to have", bukan mesin buat duit.

4. Rangka Kerja Praktikal: AI Tanpa Menggadai Margin

Berbeza dengan pelabur saham yang hanya boleh menjual bila panik, pengeluar masih boleh membentuk strategi AI yang lebih bijak. Di sini saya cadangkan rangka kerja 5 langkah yang praktikal, terutama untuk kilang elektronik, automotif dan semikonduktor.

4.1 Mula dengan metrik kewangan, bukan teknologi

Sebelum sebut nama algoritma, jawab 3 soalan asas:

  1. Apakah masalah kos paling besar 12 bulan lepas?
    Scrap? Downtime? Overtime? Premium freight? Energy usage?
  2. Kalau masalah itu dikurangkan 20–40%, berapa impak RM pada P&L?
  3. Adakah AI betul-betul pendekatan terbaik, atau proses dan latihan manusia sudah cukup?

AI patut menyelesaikan masalah bernilai tinggi, bukan hanya mencantikkan laporan.

4.2 Bezakan antara ‘custom’ dan ‘repeatable’

Kes Broadcom menunjukkan bagaimana hasil dari cip custom AI yang besar volum tetapi rendah margin boleh menekan keseluruhan profil keuntungan.

Dalam kilang:

  • Ada projek yang wajar 100% custom (contoh: algoritma binning wafer khusus untuk satu produk teknologi tinggi).
  • Tetapi majoriti projek patut dibina sebagai platform boleh diguna semula – contohnya, rangka visi AI yang sama untuk pelbagai model produk, hanya tukar model latihan.

Prinsipnya mudah:
Semakin banyak anda boleh guna semula komponen AI, semakin rendah kos per use case dan semakin sihat margin jangka panjang.

4.3 Kawal capex dan opex AI seperti anda kawal mesin SMT

Ramai kilang ada proses kelulusan ketat untuk beli mesin baru, tetapi bila sampai bab AI atau software, proses jadi longgar.

Beberapa amalan yang lebih matang:

  • Tetapkan had cost per unit atau cost per prediction untuk sistem AI masa nyata.
  • Bandingkan antara on-premise dan cloud berdasarkan profil beban kerja sebenar, bukan andaian.
  • Masukkan kos tenaga dan penyejukan bila mengira total opex untuk kluster AI.

4.4 Reka projek dengan ‘payback milestones’ yang jelas

Daripada satu projek besar 24 bulan dengan ROI yang kabur, pecahkan menjadi:

  • Fasa 1 (3–4 bulan): pilot pada satu line, objektif jelas – contohnya kurangkan reject 20%.
  • Fasa 2 (6–9 bulan): roll-out ke 3–5 line, tambah integrasi ke sistem kualiti.
  • Fasa 3 (12–18 bulan): standardisasi ke semua kilang di rantau, KPI margin dan OEE.

Setiap fasa ada ‘checkpoint’ finansial. Kalau tak capai, pelan disemak sebelum duit tambahan dibelanjakan.

4.5 Bentuk gabungan pasukan OT + IT + kewangan

Smart factory yang berjaya jarang bergantung kepada satu jabatan sahaja.

Struktur yang selalunya berkesan:

  • OT / Engineering – faham proses, mesin, dan punca masalah sebenar.
  • IT / Data / AI – reka arkitektur, model dan integrasi.
  • Finance / Controlling – memastikan setiap use case ada business case yang konsisten dan terukur.

Bila ketiga-tiga ini duduk sekali dari hari pertama, projek AI lebih susah terkeluar dari landasan margin.

5. Dari Broadcom Ke Lantai Kilang Anda: Soalan Yang Patut Ditanya Sekarang

Kes Broadcom menunjukkan sesuatu yang ramai sudah rasa, tetapi belum berani cakap kuat: era "AI dulu, kira ROI kemudian" sedang berakhir.

Untuk pengurus kilang, VP operasi atau pemilik bisnes pembuatan E&E di Malaysia, beberapa soalan sukar yang patut mula ditanya pada 2026:

  • Projek AI yang sedang berjalan – yang mana betul-betul menyumbang kepada margin? Yang mana hanya eksperimental?
  • Adakah anda mengukur ROI AI dengan disiplin yang sama seperti anda menilai mesin baru bernilai berjuta?
  • Adakah pasukan anda merancang AI sebagai platform yang boleh diskalakan, atau koleksi projek custom yang sukar diselenggara?
  • Adakah rakan teknologi anda bercakap tentang kos pemilikan jangka panjang (TCO), bukan hanya demo yang menakjubkan?

Saya berpendapat syarikat yang menang dalam gelombang AI seterusnya bukan yang paling agresif membelanjakan bajet, tetapi yang paling disiplin mengaitkan AI dengan metrik operasi dan kewangan.

Broadcom, Nvidia, AMD dan gergasi lain akan terus menjadi penanda aras di pasaran saham. Tetapi di lantai kilang di Kulim, Melaka atau Johor, penanda arasnya mudah sahaja:

  • Scrap turun atau tidak?
  • Downtime susut atau tidak?
  • Throughput naik tanpa tambah mesin atau tidak?
  • Margin operasi bertambah atau terhakis?

Jika jawapannya positif, AI anda di landasan yang betul. Kalau tidak, mungkin sudah masa untuk menilai semula strategi sebelum pasaran – atau pemegang saham anda – memberikan penghakiman yang sama seperti yang mereka berikan kepada Broadcom.

Mahukan strategi AI kilang yang tak mengorbankan margin?
Langkah pertama yang biasanya berkesan adalah audit ringkas: senaraikan semua projek digital & AI sedia ada, sambungkan satu per satu kepada KPI operasi dan kewangan. Dari situ, anda boleh nampak dengan jelas projek mana yang wajar diskala, diperbaiki, atau dihentikan.

Dalam siri "AI in Manufacturing (Electronics, Automotive, Semiconductor)" ini, kita akan terus kupas contoh-contoh sebenar, dari visi AI di barisan SMT sehinggalah perancangan pengeluaran automotif yang dipacu algoritma. Fokusnya kekal sama: AI yang berfungsi di lantai kilang – dan di lembaran kira-kira keuntungan.