Kejatuhan saham Broadcom dedahkan satu hakikat: AI hanya berbaloi jika menaikkan margin. Begini cara kilang E&E, automotif dan semikonduktor di Malaysia memastikan ROI AI mereka nyata.
Pada 12/12/2025, saham Broadcom jatuh lebih 11% hanya kerana satu perkara: kebimbangan sama ada pelaburan AI benar‑benar akan membuahkan hasil. Satu amaran tentang margin yang makin tertekan akibat cip AI ber-margin rendah sudah cukup untuk hapus potensi lebih AS$200 bilion daripada nilai pasaran.
Kisah Broadcom ini kedengaran jauh – Silicon Valley, hyperscaler, kontrak berbilion dolar – tapi hakikatnya ia menyentuh terus jantung sektor pembuatan elektronik, automotif dan semikonduktor di Malaysia. Kalau syarikat gergasi AI pun disoal tentang ROI, apa lagi kilang yang margin-nya jauh lebih nipis di Penang, Kulim atau Melaka.
Inilah realitinya: AI bukan lagi soal siapa paling laju beli robot atau GPU. Fokus sudah beralih kepada satu soalan yang jauh lebih tajam:
“Berapa cepat pelaburan AI anda mula menurunÂkan kos, mengurangkan scrap, dan mempercepatkan throughput?”
Dalam artikel ini, saya gunakan kisah Broadcom sebagai cermin: apa yang pasaran gelisahkan tentang AI, dan bagaimana pengeluar di Malaysia boleh ambil pendekatan yang lebih bijak supaya pelaburan AI kilang memang bayar balik – bukan sekadar ikut trend.
1. Apa Sebenarnya Berlaku Dengan Broadcom dan AI?
Ringkasnya: AI memang bawa pertumbuhan, tapi menekan margin jangka pendek.
Broadcom hari ini antara pemain penting untuk cip AI khusus (custom AI processors). Mereka baru sahaja dapat kontrak besar, termasuk sekitar AS$21 bilion untuk cip khusus Ironwood yang digunakan oleh Google dan Anthropic. Tempahan terkumpul mencecah AS$73 bilion untuk 18 bulan akan datang.
Namun, ada masalah:
- Cip AI khusus ini margin kasarnya lebih rendah daripada produk tradisional.
- Mix hasil yang makin berat kepada AI menyebabkan margin keseluruhan syarikat turun.
- Pasaran bimbang: “Kalau AI berkembang, tetapi untung setiap dolar jualan mengecil, adakah AI ini benar‑benar menguntungkan?”
Saham pun jatuh. Bukan kerana AI tak laku, tapi kerana pulangannya tak seindah naratif awal.
Ini sama dengan apa yang ramai kilang di Malaysia rasa secara senyap:
- Robot, sistem visi AI, dan platform analitik dipasang.
- Kos capex naik, OPEX IT naik, training naik.
- Tapi KPI seperti OEE, yield, dan WIP tak bergerak seperti yang dijanjikan vendor.
Pelajaran penting dari Broadcom: pasaran sudah mula menapis hype AI dan menilai keuntungan sebenar, bukan hanya “AI revenue”. Kilang sepatutnya buat perkara sama.
2. Mengapa Pelaburan AI Kerap Gagal Bayar Balik Di Kilang
Sektor pembuatan – khususnya elektronik dan semikonduktor – sebenarnya sangat sesuai untuk AI: data banyak, proses berulang, margin sensitif. Tapi ramai pengeluar masih rasa sukar nampak ROI yang jelas.
Ada beberapa sebab utama saya kerap nampak bila berbual dengan pasukan operasi dan IT kilang:
2.1 Fokus Pada Teknologi, Bukan Kes Penggunaan
Kebanyakan projek bermula dengan ayat seperti “kita nak buat smart factory” atau “kita perlu AI untuk kekal kompetitif”, bukan dengan soalan:
“Scrap mana yang paling mahal? Bottleneck mana paling kerap hentikan line?”
Akibatnya:
- Pasang platform AI hebat, tapi tiada masalah operasi yang jelas untuk diselesaikan.
- Projek jadi “POC cantik” di PowerPoint, bukan “projek jimat RM juta” dalam P&L.
2.2 Data Ada, Tapi Tak Boleh Dipakai
Dalam pembuatan, memang sentiasa ada data: PLC, SCADA, MES, QMS, ERP. Tapi:
- Sensor tidak dikalibrasi, timestamp tak selaras, banyak data hilang.
- Data quality rendah buat model AI tidak stabil dan sukar di-deploy.
- Jurutera proses hilang kepercayaan kerana hasil AI tak konsisten.
AI perlukan data proses yang stabil dan traceable; kalau asas ini tak kuat, model paling canggih pun hanya “teka pandai-pandai”.
2.3 Tiada Sasaran Kewangan Yang Jelas
Ramai kilang bercakap tentang “improvement” tanpa nombor. Sedangkan CFO hanya peduli tiga perkara:
- Berapa kos kita turunkan?
- Berapa output kita naikkan tanpa tambah shift/line?
- Berapa masa untuk capex ini bayar balik (payback period)?
Kalau projek AI tidak kaitkan diri dengan metrik seperti yield %, scrap per unit, MTBF, MTTR, atau energy per unit, ia akan kekal dalam kategori “projek IT”, bukan “inisiatif perniagaan”.
Broadcom dipersoal tentang margin. Kilang juga patut soal projek AI dengan cara sama:
“Adakah projek ini margin‑accretive atau sebaliknya tambah kos tetap tanpa hasil jelas?”
3. Bagaimana Kilang Di Malaysia Sudah Mula Mendapat ROI AI
Walaupun ada kegusaran, realitinya beberapa pemain besar di Malaysia – terutamanya dalam elektronik, automotif dan semikonduktor – sudah mula nampak hasil yang nyata daripada AI.
3.1 Contoh Tipikal: Visi AI Untuk Pemeriksaan Kualiti
Di banyak kilang E&E, manual inspection masih makan masa dan bergantung kepada mata manusia.
Apabila mereka pasang sistem visi AI pada line SMT atau final assembly yang betul‑betul di‑tune:
- Defect detection rate naik (misalnya dari 90% ke 98–99%).
- False rejection turun, kurangkan rework yang tak perlu.
- QC tidak lagi bottleneck – throughput line boleh naik 5–15% tanpa tambah mesin.
ROI di sini sangat ketara: kurang scrap, kurang rework, kurang return daripada pelanggan – semuanya terus masuk ke margin.
3.2 Contoh Tipikal: AI Untuk Maintenance Prediktif
Di sektor automotif dan semikonduktor, downtime mesin kritikal boleh cecah kerugian ribuan ringgit setiap minit.
Dengan AI yang membaca pola getaran, arus, suhu dan cycle time:
- Mesin utama (contoh: press, injection moulding, wire bonder, tester) dapat dikesan simptom awal kegagalan.
- Maintenance beralih daripada “breakdown repair” kepada “planned intervention”.
- OEE naik, dan buffer stok boleh dikurangkan.
Banyak kilang yang serius dengan OEE boleh nampak penurunan downtime 20–40% dalam tempoh 6–12 bulan. Itu terus memberi kesan kepada kapasiti efektif tanpa tambah capex besar.
3.3 Contoh Tipikal: Pengoptimuman Rantaian Bekalan & Perancangan Produksi
AI digunakan untuk:
- Meramalkan permintaan berdasarkan data pelanggan dan sejarah PO.
- Mengoptimumkan jadual produksi untuk kurangkan changeover dan setup time.
- Menyeimbangkan stok bahan mentah dan WIP supaya tak terlalu tinggi, tak terlalu rendah.
Saya pernah lihat kilang elektronik mengurangkan inventori siap hampir 15% dan stock-out komponen kritikal turun lebih 30% selepas 9–12 bulan gunakan model ramalan yang konsisten.
Apa persamaan semua contoh di atas?
Mereka tak bermula dengan “AI platform apa kita nak beli?”, tetapi dengan “masalah operasi apa paling mahal kalau kita tak selesaikan?”.
4. Strategi Praktikal: Dari Hype AI Ke ROI Di Lantai Kilang
Kalau anda berada di kedudukan pengarah kilang, COO atau ketua digital/engineering, berikut cara praktikal mengelakkan nasib “AI tanpa pulangan” yang menimpa ramai pemain global.
4.1 Mula Dengan 2–3 Use Case Yang Boleh Diukur
Pilih kawasan yang:
- Kos kegagalannya jelas dan besar (scrap mahal, downtime kerap, caj penalty pelanggan).
- Data asas sudah wujud (sensor, log mesin, fail QC).
- Ada “owner” proses yang jelas – jurutera atau pengurus yang hidup-matinya KPI tersebut.
Contoh use case permulaan yang biasanya cepat nampak hasil di Malaysia:
- Visi AI untuk pemeriksaan board, solder joint, atau kosmetik.
- Model AI untuk ramalan kegagalan mesin kritikal.
- Pengoptimuman parameter proses (recipe tuning) untuk naikkan yield.
4.2 Tetapkan Sasaran Kewangan Dari Hari Pertama
Tuliskan hitam putih sebelum projek bermula:
- Matlamat: Turunkan scrap di line X sebanyak 25% dalam 9 bulan.
- Baseline: Scrap sekarang 3.2%, nilai RM800,000 setahun.
- Sasaran: Jimat RM200,000–300,000 setahun.
- Belanja AI: RM150,000–250,000.
Baru masuk akal untuk CFO. Kalau sasaran ini tak boleh ditulis dengan yakin, berkemungkinan projek masih kabur dari sudut business case.
4.3 Bangunkan “Data Spine” Yang Kukuh
Sebelum berangan tentang generative AI dan digital twin, pastikan asas ini selesai:
- Tagging sensor konsisten di seluruh kilang.
- Timestamp diselaraskan, latency difahami.
- MES, QMS dan sistem lantai kilang mempunyai ID produk, lot, dan traceability yang jelas.
- Ada satu team kecil yang memang faham both proses dan data (bukan IT semata‑mata, bukan process semata‑mata).
AI yang baik sentiasa bermula dengan data engineering yang disiplin.
4.4 Libatkan Jurutera Proses, Bukan Hanya Vendor
Model AI hanya setepat pemahaman proses yang diberi kepadanya.
- Libatkan process engineer, equipment engineer dan QA dari awal.
- Biarkan mereka cabar output model, bandingkan dengan pengalaman mereka.
- Latih mereka membaca dashboard dan “trust, but verify”.
Bila orang proses rasa mereka pemilik bersama solusi AI, adoption naik mendadak dan tuning jadi jauh lebih cepat.
4.5 Fikir Dalam Horizon 18–36 Bulan, Bukan Sekadar 6 Bulan
Broadcom ada backlog 18 bulan untuk cip AI. Ramai pelabur hanya lihat suku tahun depan, lalu panik bila margin jangka pendek tertekan.
Kilang yang matang akan:
- Rancang roadmap 3 tahun: dari pilot line, ke satu kilang, ke multi‑site.
- Terima bahawa tahun pertama mungkin neutral – tahun kedua dan ketiga yang memulangkan multiple ROI bila solusi dipiawaikan dan diulang.
Yang penting, setiap fasa mesti ada sasaran kewangan yang khusus, bukan sekadar “phase 2, phase 3” tanpa nombor.
5. Mengubah Tekanan Pasaran AI Menjadi Peluang Untuk Kilang Di Malaysia
Kejatuhan saham Broadcom minggu ini adalah isyarat jelas: pasaran sudah mula menyoal naratif AI yang hanya cerita “growth” tapi diam tentang margin.
Untuk sektor pembuatan elektronik, automotif dan semikonduktor di Malaysia, ini berita baik kalau diuruskan dengan betul:
- Pelaburan akan beralih daripada “AI untuk marketing slide” kepada AI untuk OEE, yield dan on‑time delivery.
- Pengurusan akan lebih berhati‑hati, tetapi juga lebih fokus – projek kecil yang jelas pulangan lebih mudah diluluskan berbanding program besar yang kabur.
- Kilang yang berjaya buktikan ROI 2–3 projek teras akan lebih mudah skalakan inisiatif smart factory ke seluruh rangkaian.
Saya secara peribadi percaya: AI dalam pembuatan bukan lagi persoalan perlu atau tidak, tapi bagaimana nak buat supaya berbaloi.”
Jika kilang anda sedang bergelut menjawab soalan ROI untuk robot, visi AI atau analitik yang sudah dipasang, mungkin ini masa sesuai untuk:
- Audit semula projek AI sedia ada – mana yang betul‑betul beri impak, mana yang hanya kos.
- Fokus semula pada beberapa use case bernilai tinggi.
- Bina “tulang belakang data” dan pasukan kecil yang betul‑betul faham proses serta data.
Pada 2026 nanti, syarikat yang akan kekal di hadapan bukan semestinya yang paling banyak beli teknologi, tetapi yang paling disiplin menukar algoritma kepada ringgit dan sen.
Soalan terakhir untuk anda:
Adakah pelaburan AI di kilang anda hari ini sedang menaikkan margin – atau sekadar menambah kos? Jawapan jujur kepada soalan ini akan menentukan bagaimana anda melangkah dalam gelombang AI seterusnya.