AI Agents untuk Perancangan Rantaian Bekalan Lebih Pantas

Pada minggu-minggu hujung tahun, satu perkara yang hampir pasti berlaku: permintaan melonjak, kapasiti pengangkutan jadi ketat, dan gudang mula “bernafas laju”. Kalau perancangan rantaian bekalan anda masih bergantung pada semakan manual, mesyuarat tergempar, dan fail Excel yang bercabang-cabang, anda sebenarnya sedang bertaruh pada nasib.

Di sinilah AI agents (agen AI) makin relevan. Bukan sekadar buat ramalan permintaan, tetapi membantu menjalankan simulasi senario, mencadangkan langkah seterusnya, dan — dalam fasa lebih matang — melaksanakan keputusan perancangan secara separa autonomi dengan manusia sebagai penyemak akhir. Idea ini selari dengan perbincangan industri terkini: perancangan rantaian bekalan sedang bergerak daripada “analitik untuk laporan” kepada “AI yang menggerakkan tindakan”.

Dalam siri AI dalam Logistik dan Rantaian Bekalan ini, saya nak pecahkan apa maksud perubahan tersebut secara praktikal: apa yang AI agents buat dalam perancangan, bagaimana ia bersambung terus dengan automasi gudang dan pengoptimuman laluan, serta cara anda boleh mula tanpa merombak semua sistem.

AI agents mengubah perancangan: dari analisis kepada tindakan

AI agents berbeza daripada automasi biasa kerana ia bukan hanya ikut skrip; ia membuat inferens tentang langkah seterusnya berdasarkan keadaan semasa, data sejarah, dan peraturan perniagaan.

Dalam perancangan rantaian bekalan, kebanyakan organisasi sudah biasa dengan tiga lapisan:

• Strategik: reka bentuk rangkaian, lokasi gudang, kontrak pembekal.
• Taktikal: perancangan kapasiti, perancangan inventori, peruntukan stok.
• Operasi: penjadualan harian, pemenuhan pesanan, pengurusan gangguan.

Masalahnya, tiga lapisan ini kerap bergerak dalam “silo masa”. Strategik dikemaskini suku tahunan, taktikal bulanan, operasi harian. Sedangkan gangguan pasaran berlaku setiap jam: lewat kontena, perubahan promosi e-dagang, kekurangan tenaga kerja, atau kenaikan kos bahan mentah.

AI agents menjadikan peralihan antara tiga lapisan ini lebih lancar. Bila berlaku perubahan, sistem boleh:

1. Menjalankan berbilang senario (contoh: “kalau pembekal A lewat 7 hari, apa kesan kepada servis level?”)
2. Mencadangkan keputusan (contoh: “alih peruntukan stok ke DC Selatan, ubah mod penghantaran untuk SKU X”)
3. Mengutamakan tindakan mengikut sasaran (kos, OTIF, tahap inventori, SLA pelanggan)

Ayat yang saya suka untuk pegang: “Perancangan yang baik bukan yang paling tepat semalam; ia yang paling cepat menyesuaikan diri hari ini.”

Simulasi senario: cara paling selamat untuk buat keputusan laju

Jawapan paling langsung untuk “apa guna AI agents dalam planning?” ialah ini: ia mempercepat simulasi senario dan mempercepat keputusan selepas simulasi.

Kenapa simulasi senario penting pada hujung tahun

Disember biasanya penuh dengan isu yang bertindih: promosi 12.12 dan akhir tahun, cuti sekolah, cuti umum, penutupan kilang sementara, dan kenaikan volum penghantaran “last mile”. Bila satu komponen lambat, kesannya menjalar.

Simulasi senario membolehkan pasukan planning menguji soalan seperti:

• Jika permintaan meningkat 20% untuk SKU hadiah, inventori mana paling berisiko stockout?
• Jika kadar penolakan penghantar meningkat, laluan mana patut diubah dahulu?
• Jika gudang kekurangan pekerja syif malam, pesanan mana patut diberi keutamaan?

Apa yang AI agents tambah di atas simulasi biasa

Simulasi biasa selalunya berhenti pada “inilah hasilnya”. AI agents pergi satu langkah lagi: ia mencadangkan urutan tindakan.

Contoh praktikal (mudah faham):

• Simulasi tunjuk DC A akan stockout dalam 4 hari.
• Agen AI mengenal pasti 3 pilihan:
  1. rebalancing stok dari DC B,
  2. expedite dari pembekal,
  3. substitution produk.
• Ia kemudian menilai ikut peraturan perniagaan: margin SKU, SLA pelanggan utama, kos expedite, kapasiti pick-pack.
• Output bukan “pilihan A/B/C”, tetapi “buat langkah 1 hari ini, langkah 2 esok jika syarat X berlaku.”

Itu beza besar. Dalam operasi sebenar, masa yang hilang bukan pada kiraan — tetapi pada deciding what to do next.

Dari “cadang” ke “autonomi”: peranan manusia tak hilang, tapi berubah

AI agents yang matang akan menuju kepada autonomous execution (pelaksanaan autonomi) dalam skop tertentu. Realitinya, kebanyakan syarikat takkan serahkan 100% keputusan kepada mesin untuk perkara berimpak tinggi seperti pembatalan PO besar atau perubahan kontrak. Dan itu pun tak perlu.

Model yang lebih realistik (dan lebih selamat) ialah:

1) Human-in-the-loop untuk keputusan kritikal

AI agents boleh membuat keputusan rutin (contoh: reorder point untuk SKU kelas C), tetapi untuk keputusan berimpak tinggi, ia:

• mengemukakan cadangan,
• tunjuk sebab (data + peraturan),
• minta kelulusan perancang.

Ini penting untuk pematuhan audit dan untuk keyakinan dalaman.

2) Peraturan perniagaan sebagai “guardrails”

Satu idea yang sangat praktikal: hasil AI agents bukan semata-mata ramalan, tetapi gabungan data sejarah + peraturan perniagaan.

Contoh guardrails yang biasa saya cadangkan:

• Jangan turunkan servis level pelanggan A bawah 98%.
• Jangan guna mod udara kecuali stockout dalam 72 jam.
• Minimum stok keselamatan untuk SKU ubat: 21 hari.

Bila guardrails ini jelas, organisasi lebih cepat beralih daripada eksperimen kepada operasi sebenar.

3) AI belajar melalui kitaran prompt dan keutamaan hasil

Agen AI yang berguna bukan yang “pandai bercakap”, tetapi yang konsisten belajar daripada:

• keputusan lepas,
• hasil sebenar (OTIF, kos, aduan),
• konfigurasi produk dan rangkaian.

Ringkasnya: makin kerap anda jalankan kitaran keputusan–hasil–pembelajaran, makin stabil cadangannya.

Hubungan terus dengan automasi gudang dan pengoptimuman laluan

AI agents dalam perancangan akan jadi “cantik di slaid” jika ia tak disambungkan ke eksekusi. Sambungan paling cepat nampak hasil biasanya pada dua tempat: gudang dan pengangkutan.

Automasi gudang: perancangan yang faham realiti kapasiti

Gudang bukan hanya ruang simpan; ia sistem hidup dengan had:

• kapasiti lokasi rak,
• kadar pick per jam,
• masa cut-off,
• kadar ralat,
• ketersediaan pekerja.

Bila perancangan inventori dibuat tanpa mengambil kira had ini, anda akan nampak simptom:

• pesanan menimbun di staging,
• kerja lebih masa meningkat,
• SLA “pecah” walaupun stok ada.

AI agents yang disambungkan kepada data WMS (Warehouse Management System) boleh mencadangkan tindakan seperti:

• membahagi gelombang picking ikut zon,
• mengubah keutamaan SKU untuk fast movers,
• mencadangkan slotting semula bila corak permintaan berubah.

Pengoptimuman laluan: perancangan yang cepat bertindak pada gangguan

Dalam pengangkutan, gangguan harian adalah normal: trafik, sekatan jalan, cuaca, no-show, kapasiti kenderaan, dan failed delivery.

AI agents boleh menghubungkan perancangan operasi dengan tindakan seperti:

• menyusun semula laluan berdasarkan volum semasa,
• mengagihkan penghantaran kepada rakan kurier berbeza mengikut prestasi zon,
• mencadangkan konsolidasi penghantaran untuk turunkan kos per drop.

Satu pendirian saya: Jika AI anda hanya berhenti di dashboard, ia belum “menolong operasi”.

Pelan 90 hari untuk mula guna AI agents (tanpa projek mega)

Banyak organisasi tangguh sebab fikir ini memerlukan transformasi besar. Sebenarnya, cara paling berkesan ialah mula dengan skop sempit, metrik jelas, dan integrasi minimum.

Fasa 1 (Hari 1–30): pilih satu keputusan berulang yang mahal

Pilih proses yang:

• berlaku setiap hari/minggu,
• ada data yang munasabah,
• jelas metrik kejayaan.

Contoh terbaik:

• pengimbangan stok antara DC,
• cadangan expedite berdasarkan risiko stockout,
• perancangan kapasiti picking semasa puncak.

Tetapkan 3 KPI sahaja, contohnya:

• OTIF (%),
• kos penghantaran per pesanan,
• hari pegangan inventori.

Fasa 2 (Hari 31–60): bina guardrails dan aliran kelulusan

Anda perlukan:

• peraturan perniagaan bertulis,
• siapa meluluskan apa,
• log keputusan untuk audit.

Pada tahap ini, AI agents boleh berfungsi sebagai “co-pilot” yang menyusun pilihan dan sebab.

Fasa 3 (Hari 61–90): automasi separa untuk keputusan rutin

Mulakan autonomi pada keputusan berisiko rendah:

• SKU kelas C,
• pengecualian kecil,
• pelarasan laluan mikro.

Bila hasil stabil, barulah skop diperluaskan.

Soalan lazim yang patut dijawab sebelum implementasi

Berikut soalan yang saya selalu dengar (dan jawapan ringkas yang praktikal):

“Data kami tak bersih. Masih boleh jalan?”

Boleh, jika anda bermula dengan skop sempit dan metrik jelas. AI agents tak perlukan kesempurnaan; ia perlukan konsistensi dan kitaran pembelajaran.

“Adakah ini akan gantikan perancang?”

Tidak. Ia mengubah kerja perancang daripada kerja mekanikal (menarik data, menyemak ralat) kepada kerja bernilai tinggi: menetapkan polisi, menilai trade-off, dan mengurus risiko.

“Macam mana nak pastikan keputusan AI selari dengan polisi syarikat?”

Letakkan guardrails: peraturan, had, dan aliran kelulusan. AI agents yang bagus boleh menjelaskan keputusan dalam bahasa operasi: “Ini dibuat kerana SLA pelanggan A + kos mod laut vs udara.”

Apa yang patut anda buat minggu ini

AI agents untuk perancangan rantaian bekalan bukan lagi konsep jauh. Ia sedang bergerak daripada pilot kepada penggunaan sebenar, terutama dalam simulasi senario, cadangan langkah seterusnya, dan pelaksanaan separa autonomi.

Jika anda sedang menyusun strategi 2026, ini tindakan yang saya sarankan minggu ini:

1. Senaraikan 5 keputusan perancangan yang paling kerap dibuat dan paling banyak membazir masa.
2. Pilih satu yang paling jelas impaknya (kos/servis/inventori).
3. Tulis 10 guardrails perniagaan yang pasukan anda memang sudah guna — cuma belum “dikodkan”.

AI dalam logistik dan rantaian bekalan hanya berbaloi apabila ia mempercepat keputusan dan mengurangkan pembaziran operasi. Bila agen AI boleh membantu anda bergerak pantas antara strategik, taktikal, dan operasi, barulah anda nampak kesannya di gudang dan di jalan raya.

Anda nak mula dari perancangan inventori, pengoptimuman laluan, atau automasi gudang — yang mana paling “sakit” dalam operasi anda sekarang?