AI Agentik untuk Logistik: Dari Telus ke Autonomi

Musim puncak hujung tahun memang tak pernah “tenang” untuk pasukan logistik. Antara lonjakan pesanan e-dagang, penjadualan syif gudang yang ketat, dan ketidakpastian jadual kapal/flight, satu perkara jadi jelas: gangguan bukan lagi pengecualian—ia rutin. Bezanya cuma sama ada organisasi kita bersedia atau sekadar bertahan.

Dalam siri “AI dalam Logistik dan Rantaian Bekalan”, saya selalu nampak satu corak: kebanyakan syarikat bukan gagal kerana tiada data atau tiada perisian. Mereka gagal kerana cara membuat keputusan masih proses-sentrik—terlalu banyak langkah manual, terlalu banyak “handover”, dan terlalu bergantung pada beberapa orang pakar yang kepala mereka sudah penuh.

Pendekatan yang lebih praktikal ialah menggerakkan AI daripada sekadar menjelaskan (explainable) kepada bertindak (agentic) — namun dengan kawalan yang ketat. Kalau dibuat betul, ia meningkatkan kelajuan keputusan tanpa mengorbankan ketelusan.

Kenapa AI penting sekarang (bukan sebab trend)

Jawapan terus terang: kos “lambat buat keputusan” dalam rantaian bekalan sudah terlalu mahal. Bila kadar permintaan berubah, bila pembekal lewat, atau bila kapasiti pengangkutan terhad, keputusan yang dibuat 2–3 hari lewat biasanya bermaksud:

• stok berlebihan pada SKU yang salah
• stok habis pada SKU yang laris
• kos ekspedisi dan “last minute trucking” meningkat
• OTIF (on-time in-full) jatuh, pelanggan merungut

Pada hujung Disember seperti sekarang (21/12/2025), ramai operator sedang menutup KPI tahunan. Masa ini paling sesuai untuk audit realiti: berapa banyak keputusan penting dibuat berdasarkan “instinct” kerana data tak sempat diproses?

AI dalam logistik bukan sekadar automasi laporan. Nilai paling besar datang bila AI membantu anda:

1. mengesan masalah lebih awal (early warning)
2. mencadangkan pilihan tindakan (action recommendations)
3. menjalankan tindakan rutin dengan pengawasan manusia (human-in-the-loop)

Dari “explainable” ke “agentic”: bezanya pada kerja sebenar

Explainable AI (AI boleh dijelaskan) ialah AI yang bukan sahaja memberi output (contoh: ramalan permintaan), tetapi juga menerangkan kenapa—ciri data mana yang mempengaruhi keputusan, dan tahap keyakinan.

Agentic AI (AI agentik) pula ialah AI yang boleh membuat dan melaksanakan tindakan dalam skop yang ditetapkan—contoh: melaraskan parameter perancangan, mencipta tugasan pembelian, mengusulkan rerouting, atau mengeluarkan arahan kerja gudang.

Perbezaan paling penting:

• Explainable AI menjawab: “Apa akan jadi?”
• Agentic AI menjawab: “Apa patut kita buat seterusnya—dan saya boleh buat bila anda benarkan.”

Dalam operasi logistik, agentic AI biasanya berfungsi sebagai “copilot” dahulu, bukan “autopilot” penuh.

Ayat yang saya suka guna bila berbincang dengan COO: AI yang bagus bukan yang paling bijak—tapi yang paling boleh dipercayai semasa ‘hari buruk’.

Rangka kerja praktikal: 4 peringkat untuk jadikan AI “bekerja”

Jawapan ringkas: mulakan dengan keputusan, bukan model. Ini yang membezakan projek AI yang hidup dengan projek AI yang jadi demo.

1) Tetapkan keputusan kritikal (decision-centric planning)

Senaraikan 10 keputusan yang paling kerap “makan masa” dan memberi impak besar. Dalam kebanyakan organisasi logistik, ini biasanya termasuk:

• bila dan berapa kuantiti untuk replenish
• bagaimana mengagihkan stok antara DC dan kedai
• pemilihan mod pengangkutan (laut/udara/darat)
• penjadualan slot dock dan tenaga kerja gudang
• keutamaan picking bila kapasiti terhad

Kemudian, pilih 1–2 keputusan untuk fasa pertama. Saya tegas di sini: kalau anda mula dengan 10 use case, biasanya yang siap cuma 0.

2) Bina asas data yang “cukup guna”, bukan sempurna

AI tak perlukan data 100% cantik. Tapi AI perlukan:

• definisi data yang konsisten (SKU, lokasi, lead time)
• sejarah yang memadai (biasanya 12–24 bulan untuk permintaan, bergantung pada kategori)
• data kejadian luar biasa ditandakan (promosi, stockout, cuti)

Untuk logistik Malaysia/SEA, saya selalu sarankan tambah satu lagi: data cuti dan puncak tempatan (contoh: Ramadan, Aidilfitri, Tahun Baru Cina) kerana corak permintaan dan kapasiti pengangkutan sangat berbeza.

3) Masukkan “lapisan penjelasan” sebagai wajib

Agentic AI tanpa explainability ialah resepi untuk hilang kepercayaan. Dalam konteks rantaian bekalan, penjelasan yang berguna bukan graf saintifik semata-mata, tetapi jawapan operasi seperti:

• “Ramalan naik 18% kerana 3 minggu terakhir kadar jualan meningkat di 4 lokasi utama.”
• “Risiko lewat tinggi kerana pembekal A konsisten lewat 2–4 hari pada bulan 10–12.”
• “Reroute dicadangkan kerana capacity carrier X hampir penuh dan kadar penolakan meningkat.”

Kunci: penjelasan mesti boleh ditindak.

4) Naik taraf kepada agentic secara bertahap (dengan guardrails)

Mulakan dengan mod cadangan:

• AI mencadangkan tindakan
• manusia meluluskan
• sistem merekod keputusan dan outcome

Kemudian beralih kepada mod tindakan terhad:

• AI melaksanakan tindakan untuk kes “low risk” (contoh: re-order rutin dalam julat tertentu)
• kes “high risk” kekal memerlukan kelulusan

Guardrails yang saya cadangkan untuk logistik:

• had nilai kewangan per transaksi (contoh: PO tak boleh melebihi RM X tanpa approval)
• had perubahan parameter (contoh: safety stock tak boleh turun >Y%)
• “kill switch” operasi (satu butang hentikan automasi)
• audit log penuh (siapa/apa/kenapa)

Di mana AI agentik paling cepat beri hasil dalam logistik

Jawapan paling praktikal: mulakan di tempat yang paling banyak keputusan berulang dan variasi tinggi. Ini 4 kawasan yang biasanya memberi pulangan pantas.

1) Ramalan permintaan + pengecualian pintar

Ramalan permintaan (demand forecasting) dah lama wujud, tapi masalah biasa ialah terlalu ramai planner “berperang” dengan ratusan SKU.

AI yang baik akan:

• meramal di tahap SKU-lokasi
• mengesan anomali (contoh: jualan tiba-tiba jatuh kerana stockout, bukan sebab permintaan)
• mengutamakan pengecualian (exception-based planning)

Bila agentic mula masuk, AI boleh:

• mencipta senarai tindakan harian: “semak 25 SKU berisiko stockout dalam 7 hari”
• mencadangkan pemindahan stok antara DC
• mencadangkan pelarasan promosi berdasarkan kapasiti

2) Automasi gudang: picking, slotting, dan tenaga kerja

Gudang ialah tempat AI cepat “nampak duit” kerana setiap saat ada kos.

Use case yang saya suka:

• slotting dinamik: AI cadangkan lokasi simpanan paling sesuai mengikut velocity dan saiz
• batching & wave planning: AI menggabungkan pesanan untuk kurangkan travel time
• ramalan beban kerja: AI mengesyorkan bilangan pekerja mengikut cut-off time dan backlog

Agentic AI boleh menjana arahan kerja (work orders) terus ke WMS—tetapi pastikan SOP keselamatan dan peranan penyelia kekal jelas.

3) Pengoptimuman laluan dan kapasiti pengangkutan

Pengoptimuman laluan (route optimization) bukan sekadar “peta paling dekat”. Dalam dunia sebenar, anda berurusan dengan:

• had berat/isipadu
• time windows pelanggan
• kadar tol dan sekatan laluan
• kebolehpercayaan pemandu/carrier

AI yang explainable membantu dispatcher faham kenapa susunan hentian berubah. Agentic AI pula boleh:

• mencadangkan re-plan automatik bila ada pembatalan saat akhir
• mengalihkan stop kepada vehicle lain bila ETA lari
• mencipta tiket kepada customer service bila risiko lewat melepasi ambang

4) Risiko pembekal dan pematuhan (compliance)

Banyak organisasi masih mengurus risiko dengan spreadsheet—itu terlalu lambat.

AI boleh memantau:

• corak kelewatan pembekal
• perubahan lead time
• ketidakpadanan dokumen
• risiko pematuhan (contoh: dokumen import tidak lengkap)

Agentic AI di sini patut bermula sebagai “penggera + cadangan tindakan”, bukan terus memutuskan pembekal.

Bagaimana nak susun pasukan untuk “zaman agentic”

Jawapan terus: AI tak menggantikan planner; AI menggantikan kerja remeh yang buat planner jadi operator data.

Perubahan peranan yang realistik:

• Planner jadi pengurus keputusan: fokus pada trade-off, bukan input manual
• Analyst jadi pemilik data dan kualiti: menjaga definisi, lineage, dan governance
• Supervisor gudang jadi pengurus pengecualian: menangani isu yang AI tandakan

Kemahiran yang paling bernilai pada 2026:

• literasi data (bukan coding semata-mata)
• memahami constraint operasi
• kebolehan menyoal output AI dengan soalan yang betul

Soalan “People Also Ask” yang patut anda jawab sebelum go-live

Jawapan ringkas untuk setiap soalan ini boleh jadi penentu projek anda.

“Macam mana nak pastikan AI tak buat keputusan pelik?”

Gunakan guardrails, had kewangan, had parameter, approval untuk high risk, dan audit log. Jangan kompromi.

“Kalau data kami berselerak, masih boleh mula?”

Boleh, tapi pilih use case yang data minimum dahulu (contoh: pengecualian stockout, ramalan beban kerja gudang). Mulakan kecil, kemas sambil jalan.

“Apa KPI paling sesuai untuk ukur kejayaan?”

Pilih KPI yang dekat dengan keputusan:

• ketepatan ramalan (MAPE) + kadar stockout
• OTIF dan kos per penghantaran
• produktiviti gudang (lines per hour) dan travel time
• inventory turns dan nilai stok tamat tempoh

“Berapa lama nak nampak hasil?”

Untuk organisasi yang sudah ada WMS/TMS dan disiplin data sederhana, 8–12 minggu biasanya cukup untuk pilot yang boleh diukur—bukan sekadar demo.

Langkah seterusnya: mula dengan satu keputusan, bina kepercayaan

AI agentik dalam logistik boleh memberi kelebihan besar, tetapi hanya bila ia dibina dengan disiplin: jelas (explainable), terhad (bounded), dan boleh diaudit. Saya lebih percaya pendekatan bertahap yang membina kepercayaan pasukan operasi berbanding projek besar yang nampak hebat tapi tak dipakai.

Dalam konteks siri “AI dalam Logistik dan Rantaian Bekalan”, post ini sengaja menekankan sisi praktikal: pilih keputusan yang kritikal, pastikan penjelasan boleh difahami, dan naik taraf kepada agentic bila proses sudah stabil.

Kalau anda perlu pilih satu soalan untuk dibawa ke mesyuarat minggu ini, pilih yang ini: keputusan logistik mana yang paling kerap dibuat lewat—dan kalau AI boleh bantu mempercepatkannya, berapa banyak kos dan rungutan pelanggan yang boleh anda elakkan?