Bagaimana AI Bantu Syarikat Minyak Urus Lebihan Bekalan

Pada 2026, Agensi Tenaga Antarabangsa (IEA) menjangka lebihan bekalan minyak global sekitar 3.8 juta tong sehari – hampir setaraf zaman pandemik, walaupun unjuran itu baru sahaja dikurangkan buat pertama kali sejak Mei.

Kenaikan bekalan yang agresif oleh OPEC+, permintaan yang perlahan, sekatan ke atas Iran, Rusia dan Venezuela, serta ketidaktentuan ekonomi global menjadikan pasaran minyak sukar dibaca. Untuk pemain besar seperti Petronas dan utiliti tenaga utama di Malaysia, kesilapan membaca arah pasaran boleh bermaksud berbilion ringgit terperangkap dalam stok, kapasiti yang tidak digunakan, atau kontrak yang tidak menguntungkan.

Di sinilah kecerdasan buatan (AI) semakin menjadi alat strategi, bukan sekadar teknologi tambahan. Syarikat yang serius tentang margin dan daya saing sudah mula menggunakan AI untuk meramal, mengoptimum, dan membuat keputusan jauh lebih pantas daripada kitaran mesyuarat tradisional.

Artikel ini menggunakan konteks laporan IEA terkini sebagai latar, dan fokus pada satu soalan: bagaimana syarikat minyak & gas boleh gunakan AI untuk mengurus lebihan bekalan, turun naik harga dan ketidaktentuan pasaran dengan lebih bijak?

---

1. Apa Sebenarnya Berlaku di Pasaran Minyak Global Sekarang?

Isunya mudah: bekalan global masih melebihi permintaan, walaupun IEA baru mengurangkan unjuran lebihan buat kali pertama sejak Mei.

Beberapa poin penting daripada laporan IEA:

• Lebihan bekalan 2026 diunjur sekitar 3.815 juta tong sehari
• Lebihan ini dikurangkan kira-kira 231,000 tong sehari berbanding unjuran bulan sebelumnya
• Pengeluaran dunia turun sekitar 1.5 juta tong sehari daripada paras tertinggi pada September
• IEA menaikkan sedikit unjuran pertumbuhan permintaan minyak kepada 830,000 tong sehari pada 2025, dan sedikit lebih tinggi pada 2026
• Permintaan minyak dunia 2025 diunjurkan mencecah rekod 103.9 juta tong sehari

Dalam masa yang sama:

• OPEC+ menghentikan sementara kenaikan pengeluaran pada suku pertama 2026
• Sebahagian lebihan datang daripada negara yang dikenakan sekatan (Iran, Rusia, Venezuela)
• Stok minyak global naik ke paras tertinggi empat tahun, termasuk simpanan di laut
• Harga Brent kekal tertekan, pernah jatuh bawah USD62 setong, turun kira-kira 17% tahun ini

Ini mencipta satu kombinasi pelik: inventori tinggi, sebahagian produk minyak masih ketat, dan harga tidak begitu menyebelahi pengeluar.

Realitinya untuk pemain seperti Petronas, Shell, dan utiliti tenaga lain:

Keputusan hari ini tentang pengeluaran, pengangkutan dan pelaburan akan “menghantui” penyata kewangan 12–24 bulan akan datang.

---

2. Dari IEA ke Bilik Mesyuarat: Masalah Sebenar Syarikat Tenaga

Laporan IEA memberi gambaran global. Tetapi orang operasi, CFO, dan pasukan perdagangan hadapan bergelut dengan versi yang lebih praktikal:

• Berapa banyak patut kita hasilkan?
• Patut kita simpan, jual sekarang, atau kunci harga melalui hedging?
• Aset mana yang perlu dijalankan penuh, dan mana yang wajar dikurangkan beban?
• Bagaimana kalau OPEC+ ubah keputusan lagi tiga bulan?

Tanpa sokongan analitik yang kukuh, keputusan ini biasanya dibuat berdasarkan:

• Spreadsheet statik
• Model unjuran lama yang tidak peka kepada data harian
• Pengalaman individu (yang berharga, tapi terhad)

Masalahnya, pasaran sekarang bergerak terlalu pantas. Kapal disita di laut, sekatan baharu, gangguan kilang penapis (refinery outages), dan perang tarif boleh mengubah imbangan pasaran dalam masa beberapa hari.

Inilah punca banyak syarikat:

• Menanggung kos storan yang tinggi kerana lambat kurangkan pengeluaran
• Terpaksa jual pada harga diskaun bila inventori sudah terlalu penuh
• Menetapkan kontrak jangka panjang pada harga yang tidak lagi rasional

Saya selalu berpendapat: majoriti kerugian besar dalam industri minyak bukan datang daripada operasi teknikal, tetapi daripada keputusan pasaran yang lambat atau tidak tepat.

---

3. Di Mana AI Masuk: Dari Ramalan Harga ke Strategi Lebihan Bekalan

AI dalam minyak & gas bukan hanya tentang predictive maintenance atau reservoir modelling. Dalam konteks lebihan minyak dunia, tiga aplikasi AI sangat kritikal: peramalan permintaan & harga, pengoptimuman pengeluaran & inventori, dan sokongan keputusan perdagangan (trading).

3.1 Peramalan Permintaan & Harga Berasaskan Ribuan Pembolehubah

Model AI moden (contohnya time series forecasting berasaskan deep learning) boleh:

• Menggabung data makroekonomi (KDNK, perdagangan global, data industri)
• Data cuaca, musim perayaan (Raya, Tahun Baru Cina), dan pola perjalanan
• Data logistik (kekangan pelabuhan, kadar pengangkutan kapal dan tanker)
• Pengumuman OPEC+, laporan IEA, dan berita geopolitik yang distrukturkan

Daripada hanya satu senario asas, AI boleh menjana berpuluh senario permintaan & harga dengan kebarangkalian berbeza.

Ini membolehkan soalan seperti:

• “Kalau OPEC+ lanjutkan ‘pause’ pengeluaran tiga bulan lagi, apa kesan kepada crack spread di Asia?”
• “Jika pertumbuhan China turun 1%, berapa banyak permintaan produk diesel di rantau ini berkurang?”

Jawapan tidak lagi bergantung pada “rasa” atau gut feeling semata-mata, tetapi angka berprobabiliti.

3.2 Pengoptimuman Pengeluaran & Inventori Secara Dinamik

Dalam senario lebihan bekalan, setiap tong yang dihasilkan perlu ada “cerita” yang jelas: ke mana ia akan pergi, bila ia akan dijual, dan pada julat harga berapa.

Sistem AI untuk energy optimization boleh:

• Mengira titik kos marjinal setiap aset (platform, kilang LNG, loji penapis, terminal)
• Menggabung unjuran harga masa hadapan dengan kapasiti storan dan kos logistik
• Menentukan konfigurasi terbaik:
  • Lapangan mana perlu kurangkan output sementara
  • Produk mana perlu diutamakan di kilang penapis berdasarkan margin
  • Bila storan patut diisi, bila patut dikosongkan

Bayangkan papan pemuka (dashboard) harian yang menunjukkan:

• Jika Brent turun 5% lagi, aset mana patut dihentikan sementara
• Kesan kewangan jika tangguh penghantaran satu kargo selama dua minggu
• Senarai 10 aset dengan margin bersih paling rendah hari itu

Realitinya, ramai operator masih buat ini secara manual. Di sinilah banyak “duit bocor”.

3.3 Sokongan Keputusan Perdagangan & Hedging

Bahagian trading syarikat minyak besar biasanya sudah guna model kuantitatif. Tapi AI menambah satu dimensi penting: kelajuan adaptasi.

Model AI boleh:

• Mengesan pola anomali dari data harga pasaran dan volum dagangan
• Memberi isyarat awal bila corak permintaan beralih (contohnya, pertukaran bahan api kuasa dari gas ke minyak atau sebaliknya)
• Mencadangkan strategi hedging berperingkat (laddered hedging) berdasarkan profil risiko syarikat

Bukan bermaksud AI menggantikan pedagang manusia, tetapi:

AI berfungsi sebagai “co-pilot” yang sentiasa mengira semula risiko dan peluang bila data baharu masuk – sesuatu yang manusia tidak boleh buat 24/7 tanpa salah.

---

4. Contoh Aplikasi: Bagaimana Pemain Seperti Petronas Boleh Manfaat

Malaysia sebenarnya berada dalam kedudukan yang agak unik:

• Negara pengeluar minyak & gas
• Pada masa sama, pengguna tenaga yang besar untuk industri dan elektrik
• Pemain utama seperti Petronas mempunyai rantaian nilai penuh dari huluan hingga hiliran

Ini membuka beberapa ruang aplikasi AI yang sangat praktikal.

4.1 Menyelaraskan Huluan–Hiliran Bila Lebihan Meningkat

Apabila IEA menjangka lebihan bekalan global meningkat, syarikat seperti Petronas boleh gunakan AI untuk:

• Menghubungkan unjuran permintaan produk (petrol, diesel, LNG, kimia) dengan jadual pengeluaran lapangan huluan
• Menilai senario lebihan:
  • Jika stok produk tertentu (contoh: nafta) mula melimpah, sistem akan:
    • Mencadangkan pelarasan refinery run
    • Menukar yield ke produk dengan margin lebih baik
    • Menghantar isyarat semula ke huluan supaya kurangkan jenis feedstock tertentu

Ini menjadikan seluruh organisasi bertindak sebagai satu sistem terpadu, bukan silo huluan dan hiliran yang merancang secara berasingan.

4.2 Optimasi Tenaga & Utiliti di Loji dan Fasiliti

Dalam keadaan harga jualan tertekan, setiap sen kos tenaga menjadi penting.

AI untuk energy optimization di loji penapis, kompleks petrokimia dan terminal gas boleh:

• Mengoptimumkan penggunaan elektrik, stim dan bahan api dalaman berdasarkan permintaan sebenar
• Menyesuaikan setpoint peralatan (pam, kompresor, boiler) secara masa nyata
• Mengurangkan pembaziran tenaga tanpa menjejaskan keselamatan

Dalam beberapa kes kajian global, pengurangan 5–15% penggunaan tenaga di loji besar terus memulihkan margin walaupun harga pasaran kurang memihak.

4.3 Pengurusan Risiko Bekalan untuk Utiliti & IPP

Bagi utiliti tenaga dan pengeluar tenaga bebas (IPP) di Malaysia yang membeli gas atau bahan api lain, AI boleh membantu:

• Meramal kos bahan api terhadap tarif elektrik masa hadapan
• Menentukan strategi pembelian jangka pendek dan panjang (spot vs kontrak)
• Mengira impak senario lebihan minyak global kepada harga LNG dan gas paip

Hasilnya, utiliti boleh berbincang dengan pengawal selia (contoh: Suruhanjaya Tenaga) dengan data lebih kukuh, dan mengurangkan risiko kejutan kos yang sukar dipindahkan kepada pengguna.

---

5. Apa Yang Perlu Ada Dalam Pelan AI Tenaga Anda (12–24 Bulan Akan Datang)

Kalau anda berada dalam kumpulan pengurusan, soalan yang patut ditanya bukan lagi “Perlu ke kita guna AI?”, tetapi “Di mana kita bermula, dan bagaimana kita ukur pulangan?”

Beberapa langkah praktikal yang saya lihat berkesan:

5.1 Mulakan Dengan Dua–Tiga “Use Case” Bernilai Tinggi

Contoh untuk syarikat minyak & gas / utiliti:

1. Forecast permintaan & harga produk utama (contoh: LNG, petrol, diesel) untuk 3–18 bulan
2. Optimasi pengeluaran & inventori di satu kilang penapis atau kompleks terpilih
3. Model sokongan keputusan hedging untuk volum eksport/import tertentu

Fokus pada kes yang:

• Ada data yang agak lengkap
• Boleh diukur pulangannya dalam RM
• Menyentuh keputusan sebenar (bukan sekadar projek POC cantik di slaid)

5.2 Satukan Data – Dari SCADA ke Excel

AI hanya sekuat data di belakangnya.

• Satukan data operasi (SCADA, historian), kewangan, perdagangan, dan pasaran ke dalam satu data platform asas
• Beri keutamaan kepada kualiti data (consistency, timestamp, standard unit) berbanding kuantiti

Kebanyakan syarikat besar sebenarnya dah ada 80% data yang diperlukan. Cabarannya cuma: data itu berada di 20 sistem berbeza yang tak bercakap antara satu sama lain.

5.3 Bentuk “AI + Business Squad” Kecil Tetapi Berkuasa

Projek AI yang berjaya selalunya ada pasukan campuran:

• 1–2 data scientist / ML engineer
• 2–3 orang operasi / perdagangan yang benar-benar faham bisnes
• Seorang product owner dari pihak pengurusan yang boleh buat keputusan

Tanpa orang bisnes, model AI akan hebat di atas kertas tetapi tak digunakan. Tanpa AI/ML engineer yang bagus, idea akan kekal di whiteboard.

5.4 Ukur Kejayaan Dalam Bahasa Kewangan

Jangan berhenti pada metrik teknikal seperti MAPE atau RMSE.

Tanya soalan seperti:

• Berapa RM yang dijimatkan dalam kos storan kerana unjuran lebih tepat?
• Berapa margin tambahan yang diperoleh kerana mengubah jadual pengeluaran lebih awal?
• Berapa jam masa manusia yang dikurangkan pada kerja manual analisis data?

Apabila hasilnya jelas, senang untuk pengurusan meluaskan pelaksanaan AI ke aset lain.

---

Penutup: Lebihan Minyak Global Bukan Hanya Masalah – Ia Ujian Kematangan Data & AI

Lebihan bekalan minyak yang diunjur IEA untuk 2026 mungkin menekan harga dan margin, tetapi untuk pemain yang bersedia, ia menjadi ujian kematangan data dan AI.

Syarikat minyak & gas dan utiliti tenaga di Malaysia yang:

• Mampu meramal dengan lebih tajam,
• Mengoptimumkan pengeluaran, inventori dan penggunaan tenaga, dan
• Membuat keputusan pasaran dengan sokongan analitik masa nyata,

akan lebih tahan ketika pasaran longgar, dan lebih pantas mengambil peluang bila kitaran beralih kepada kekurangan bekalan.

Jika organisasi anda masih bergantung pada spreadsheet statik untuk membuat keputusan ratus juta ringgit dalam pasaran yang sevolatile ini, mungkin ini masa yang tepat – sebelum 2026 benar‑benar tiba – untuk menilai semula strategi AI anda.

Soalannya sekarang: adakah lebihan minyak global akan menjadi ancaman kepada margin anda, atau peluang untuk membina kelebihan daya saing berasaskan AI?