Kellanova buktikan pertanian regeneratif + AI logistik boleh kurangkan emisi rantaian bekalan secara nyata. Inilah model yang peruncit & marketplace patut tiru.
Pada tahun 2025, Kellanova (bekas Kellogg’s) mengumumkan projek yang dijangka mengurangkan hampir 100,000 tan CO₂ hanya dengan menukar cara jagung ditanam dalam rantaian bekalannya. Pada masa sama, pelaburan AI dalam logistik dan e-dagang global terus meningkat berbilion ringgit setahun.
Ramai syarikat masih pisahkan dua dunia ini: pasukan "sustainability" fokus ladang dan bahan mentah, pasukan "digital" pula fokus AI untuk peramalan permintaan dan penghantaran pantas. Sebenarnya, gabungan AI + pertanian regeneratif + logistik pintar ialah kombinasi yang paling kuat untuk peruncit besar dan marketplace di Malaysia yang serius tentang ESG dan margin keuntungan.
Artikel ini mengupas bagaimana langkah Kellanova di India boleh jadi pelan kasar (blueprint) untuk peruncit dan pengendali logistik di rantau ini — daripada hypermarket hingga pemain e-dagang dan 3PL — dengan AI sebagai enjin utama.
1. Apa yang Kellanova sedang buat – dan kenapa ia penting untuk rantaian bekalan
Jawapannya ringkas: Kellanova sedang guna pertanian regeneratif dalam rantaian bekalan sendiri, bukan sekadar beli offset karbon di tempat lain.
Beberapa poin utama daripada projek Kellanova–Varaha:
- Fokus pada 12,500 ekar ladang jagung di India
- Melibatkan 5,000 petani kecil (kurang 10 hektar seorang)
- Sasaran: mengurangkan & menjerap hampir 100,000 tan COâ‚‚ daripada rantaian bekalan
- Praktik utama: pengurusan sisa tanaman, kecekapan penggunaan nitrogen, raised-bed planting, tanaman penutup (cover crop)
Ini bukan projek CSR cantik di laporan tahunan sahaja. Ia terus menyentuh:
- Kos baja (turun bila tanah lebih subur & nitrogen lebih cekap)
- Hasil tanaman (tanah lebih sihat selalunya lebih stabil hasilnya)
- Risiko iklim (tanah yang baik lebih tahan banjir, kemarau)
"Climate action dan kemakmuran petani boleh berjalan seiring," kata VP Rantaian Bekalan Asia Pasifik Kellanova. Itu mesej yang ramai peruncit besar masih belum betul-betul terjemah dalam operasi harian.
Untuk pemain runcit & logistik, projek ini tunjuk satu perkara penting: dekarbonisasi rantaian bekalan bermula jauh sebelum gudang dan lori – ia bermula di ladang.
2. Di mana AI masuk? Dari ladang sampai last mile
Kalau anda hanya nampak AI sebagai alat peramalan permintaan atau chatbot pelanggan, anda sedang guna kurang daripada separuh potensinya.
Dalam konteks seperti projek Kellanova, AI boleh membantu di beberapa lapisan kritikal rantaian bekalan:
2.1 Di ladang & huluan (upstream)
AI boleh:
- Menganalisis data satelit, sensor tanah & cuaca untuk mencadangkan amalan regeneratif paling sesuai ikut plot, bukan ikut daerah.
- Meramal hasil tanaman lebih tepat, supaya perancangan pengeluaran kilang dan pengangkutan lebih seimbang.
- Mengira emisi sebenar per hektar dan per tan produk, bukan sekadar guna faktor emisi purata.
Bayangkan jika pembekal beras atau sawit anda di Malaysia menyerahkan data melalui aplikasi mudah alih, dan model AI mengira:
- berapa banyak COâ‚‚e yang dijimatkan oleh petani yang guna baja organik dan tanaman penutup;
- bagaimana perubahan amalan di ladang akan memberi kesan kepada kapasiti gudang dan jadual penghantaran tiga bulan akan datang.
2.2 Di kilang, gudang & pengangkutan
Di sinilah siri "AI dalam Pengangkutan & Logistik" jadi sangat relevan. AI yang sama yang anda guna untuk:
- optimasi route planning trak,
- slotting stok di gudang,
- peramalan permintaan musim perayaan,
boleh ditambah satu dimensi penting: jejak karbon (carbon intensity) bagi setiap unit inventori dan setiap pergerakan.
Contohnya:
- Algoritma perancangan laluan bukan hanya kira jarak & kesesakan, tetapi juga jenis kenderaan, penggunaan bahan api, suhu (untuk reefer), dan tahap muatan untuk mengira emisi COâ‚‚ per penghantaran.
- Sistem WMS/OMS bukan hanya pilih gudang terdekat, tetapi gabungkan data emisi pengangkutan + emisi dari sumber produk untuk syarikat yang sasarkan pengurangan COâ‚‚ per pesanan.
2.3 Di hadapan pelanggan (front-end retail & e-dagang)
AI juga boleh bantu dari segi pengalaman pelanggan yang lebih "hijau":
- Cadangan slot penghantaran yang paling rendah emisi berdasarkan konsolidasi laluan.
- Paparan "jejak karbon anggaran" di checkout untuk pilihan penghantaran berbeza.
- Enjin cadangan (recommendation engine) yang mengutamakan produk dengan profil karbon lebih rendah bila sesuai.
Di Malaysia, di mana pengguna bandar semakin peka tentang ESG, ciri-ciri begini boleh jadi pembeza jenama yang nyata – terutamanya untuk marketplace besar dan rangkaian hypermarket.
3. Menghubungkan ladang ke AI: Data yang peruncit selalu terlepas pandang
Kebanyakan projek AI logistik gagal kerana data tak cukup bersih atau tak cukup lengkap. Bila kita mula bawa dimensi sustainability dan pertanian regeneratif, isu data jadi lebih kritikal.
Untuk tiru model seperti Kellanova, peruncit dan pengeluar makanan perlu mula membina lapisan data rantaian bekalan hujung-ke-hujung, yang sekurang-kurangnya meliputi:
-
Data di ladang / pembekal utama
- Lokasi ladang (koordinat asas sudah membantu)
- Amalan agronomi utama (baja apa, berapa kali, teknik pengurusan sisa)
- Hasil per hektar, penggunaan air dan input utama
-
Data kilang & pemprosesan
- Penggunaan tenaga (elektrik, gas, diesel)
- Kecekapan barisan pengeluaran (OEE, scrap rate)
- Emisi proses utama (boiler, penyejukan, dll.)
-
Data logistik & pengedaran
- Data GPS kenderaan, jenis enjin, kadar penggunaan diesel / elektrik
- Muatan rata-rata (load factor) dan jarak
- Data suhu untuk penghantaran yang perlu cold chain
Bila data ini digabungkan dalam satu data platform, model AI boleh mula menjawab soalan yang jauh lebih bernilai, contohnya:
- "Jika 30% pembekal jagung / beras kami beralih ke amalan regeneratif, berapa besar pengurangan COâ‚‚ untuk setiap karton produk di rak?"
- "Laluan mana yang sesuai diganti kepada EV, dan apa kesan kos vs emisi selama 5 tahun?"
- "Gudang mana yang patut diprioritikan untuk solar rooftop dahulu untuk impak COâ‚‚ maksimum?"
Kuncinya: AI perlukan data yang bersifat end-to-end, bukan silo mengikut jabatan.
4. Model perniagaan baharu: Dari "offset" ke "insetting" dengan bantuan AI
Kellanova dan Varaha menjenamakan projek mereka sebagai contoh insetting – iaitu pengurangan emisi yang berlaku di dalam rantaian nilai syarikat, bukan beli offset di luar.
Untuk peruncit & marketplace besar, insetting boleh jadi jauh lebih bernilai berbanding offset kerana:
- ia terus meningkatkan ketahanan bekalan (supply resilience);
- memberi kisah ESG yang lebih autentik kepada pengguna dan pelabur;
- selalunya datang dengan penjimatan kos jangka sederhana, contohnya kurang penggunaan baja, bahan api, atau pembaziran makanan.
Bagaimana AI membantu skala insetting?
-
Kenal pasti "hotspot" emisi dengan tepat
Bukan semua produk dan laluan logistik menyumbang sama banyak kepada jejak karbon. AI boleh menganalisis ribuan SKU, pembekal dan laluan untuk cari 20% elemen yang menyumbang 80% emisi. -
Simulasi senario (what-if)
- "Jika 40% pembekal jagung beralih ke pertanian regeneratif + 20% laluan diedarkan melalui rel/bas air atau EV, berapa banyak COâ‚‚ dan kos yang berubah?"
- "Apa impak jika kami gabungkan penghantaran hari biasa dan hujung minggu untuk mengurangkan trip kosong?"
-
Pemantauan dan pelaporan automatik
Pelabur dan pengawal selia semakin tegas soal kebolehpercayaan data ESG. AI boleh bantu:- streamline pengumpulan data,
- kesan anomali,
- hasilkan laporan mengikut standard antarabangsa sambil mengurangkan kerja manual.
-
Insentif pintar untuk pembekal
Dengan data yang cukup, peruncit boleh bina model insentif:- bonus harga kepada pembekal yang capai sasaran COâ‚‚e per tan,
- kontrak jangka panjang untuk petani yang beralih ke pertanian regeneratif.
AI digunakan untuk sahkan prestasi dan elak "greenwashing".
5. Apa yang peruncit & pemain logistik Malaysia boleh buat sekarang
Banyak organisasi fikir projek sebegini hanya sesuai untuk gergasi global. Sebenarnya, beberapa langkah praktikal boleh bermula dalam masa 3–6 bulan tanpa perlu bajet mega.
Langkah 1: Pilih satu kategori produk & satu rantaian bekalan
Contohnya:
- beras, ayam, sayur segar untuk rangkaian pasar raya, atau
- kategori fresh utama untuk marketplace/quick commerce.
Fokus pada satu aliran dari ladang → pengumpulan → kilang → gudang → kedai/pelanggan.
Langkah 2: Kumpul data asas & bina model emisi ringkas
Gunakan kombinasi:
- data pembelian (PO, kuantiti, lokasi),
- data pengangkutan (jarak, jenis lori, muatan),
- beberapa input daripada pembekal utama (contoh penggunaan baja kimia vs organik).
Kemudian bina model asas jejak karbon untuk kategori itu. Banyak syarikat memulakan model ini dalam spreadsheet, kemudian pindah ke platform data/AI selepas struktur jelas.
Langkah 3: Masukkan ke dalam projek AI logistik sedia ada
Jika anda sudah:
- guna AI untuk optimasi laluan,
- ada modul peramalan permintaan,
- atau sedang bangunkan WMS/TMS pintar,
tambahkan pembolehubah COâ‚‚e sebagai salah satu objektif. Contoh:
- Objektif route planning bukan hanya kos terendah, tetapi kombinasi kos + COâ‚‚ terendah dalam had SLA yang diterima.
Langkah 4: Rancang kerjasama dengan pembekal huluan
Guna model asas tadi untuk mengenal pasti pembekal yang:
- emisinya paling tinggi, dan
- strategik dari segi volum.
Bincang peluang pilot amalan regeneratif atau peningkatan kecekapan (contohnya latihan penggunaan baja, teknik pengairan, pengurangan pembaziran).
AI digunakan untuk ukur impak sebelum & selepas.
Langkah 5: Komunikasi yang telus kepada pelanggan & pelabur
Bila ada data yang kukuh, barulah berbaloi untuk:
- menanda produk sebagai rendah karbon dengan angka yang jelas,
- memasukkan metrik COâ‚‚e per pesanan dalam laporan tahunan,
- berkongsi kisah petani & pembekal yang meningkat pendapatan hasil sokongan anda.
Ini jauh lebih meyakinkan berbanding sekadar umumkan "kami komited kepada kelestarian" tanpa nombor atau projek nyata.
Penutup: Masa untuk gabungkan AI, ladang dan logistik dalam satu cerita
Kellanova menunjukkan sesuatu yang ramai peruncit masih belum buat: turun ke akar rantaian bekalan dan jadikan projek kelestarian sebahagian daripada strategi operasi, bukan aksesori pemasaran.
Untuk peruncit besar, marketplace dan pemain logistik di Malaysia, pelajaran utamanya jelas:
- AI bukan hanya tentang kelajuan dan kos; ia juga alat paling praktikal untuk mengurus, mengukur dan mengoptimumkan emisi end-to-end.
- Pertanian regeneratif dan insetting bukan "trend Eropah" semata-mata – ia model yang boleh disesuaikan dengan padi, sawit, ayam dan sayur di rantau ini.
Syarikat yang mula menggabungkan data ladang, kilang, gudang dan pengangkutan ke dalam satu platform AI hari ini akan berada beberapa langkah di hadapan bila pelaporan ESG menjadi mandatori dan pelanggan mula bertanya, "penghantaran ini, jejak karbonnya berapa?"
Persoalannya sekarang: adakah rantaian bekalan anda sudah cukup telus dan pintar untuk menjawab soalan itu — bukan dengan slogan, tetapi dengan data sebenar?