AI Ubah Kerjaya Rantaian Bekalan: Laluan Baharu

Pada 10/12/2025, satu angka daripada World Economic Forum terus “menghentak meja” dalam banyak perbincangan kepimpinan: AI dijangka mencipta keuntungan bersih 78 juta pekerjaan menjelang 2035, tetapi pada masa yang sama 9 juta pekerjaan akan terganti, dan 40% majikan menjangka mengurangkan tenaga kerja kerana AI. Dalam logistik dan rantaian bekalan, angka ini bukan sekadar statistik—ia petanda bahawa tangga kerjaya yang kita anggap stabil sejak puluhan tahun sedang berubah bentuk.

Kalau anda terlibat dalam operasi gudang, perancangan permintaan, pengangkutan, atau integrasi sistem ERP/TMS/WMS, anda mungkin dah nampak simptomnya: kerja yang dulu “makan masa” (semak transaksi gagal, kemas kini data, jawab tiket sokongan, buat transform fail) kini boleh diselesaikan oleh AI dalam minit—kadang-kadang dalam saat. Dan apabila agentic AI (AI yang boleh mengambil tindakan secara separa autonomi) mula digunakan secara meluas, perubahan ini akan jadi lebih cepat.

Dalam siri “AI dalam Logistik dan Rantaian Bekalan”, kita banyak bercakap tentang AI untuk ramalan permintaan, automasi gudang, dan pengoptimuman laluan. Kali ini, fokusnya lebih sensitif tetapi sangat praktikal: AI sedang mengecilkan peranan “entry-level”—dan kalau organisasi tak rancang, ia akan mewujudkan masalah bakat jangka panjang yang menjejaskan ketahanan rantaian bekalan.

“Entry-level” sedang hilang—dan itu masalah strategik

Jawapan ringkas: Apabila AI mengambil alih kerja sokongan dan rutin, organisasi kehilangan “lapisan latihan” yang selama ini melahirkan pengurus operasi, perancang, dan arkitek integrasi masa depan.

Selama bertahun-tahun, banyak kerjaya rantaian bekalan bermula dengan kerja yang nampak remeh tetapi penting:

• Menyiasat transaksi EDI/API yang gagal
• Membersihkan data master (SKU, lokasi, pembekal)
• Membetulkan format fail (CSV, XML, flat file)
• Menjawab tiket “basic” daripada operasi
• Menyediakan laporan harian/mingguan untuk KPI

Kerja-kerja ini adalah “kilang pengalaman”. Orang junior belajar melalui pendedahan berulang: kenapa PO tak ‘match’, kenapa stok sistem tak sama dengan stok fizikal, kenapa lead time berubah ikut musim, kenapa pembekal A stabil tapi pembekal B kerap ‘short ship’.

Bila AI mula buat semua itu, yang hilang bukan sekadar jawatan. Yang hilang ialah proses pembelajaran secara semula jadi.

Rantaian bekalan yang dikuasakan AI masih perlu dipimpin manusia—tetapi manusia itu mesti faham “mengapa”, bukan sekadar “apa”.

Risiko sebenar: ketahanan (resilience) dan kesinambungan kepimpinan

Saya cenderung berpendapat kebanyakan syarikat memandang isu ini terlalu “HR semata-mata”. Sebenarnya, ini isu operasi dan risiko.

Tanpa aliran bakat junior:

• Pengurus operasi masa depan kurang “instinct” di lantai gudang dan di skrin sistem
• Perancang permintaan lebih bergantung pada output model tanpa memahami bias data
• Pasukan integrasi kekurangan pengalaman “debug” apabila sistem vendor tak seiring
• Pusat kawalan logistik kekurangan orang yang mampu membuat keputusan di bawah tekanan

Dalam musim puncak hujung tahun (seperti Disember), gangguan kecil boleh jadi besar: kapasiti pengangkutan ketat, SLA last-mile menekan, pulangan e-dagang meningkat. Bila sesuatu pecah, anda perlukan manusia yang pernah “pegang api” sebelum ini.

Agentic AI: bukan sekadar automasi, tapi “rakan sekerja digital”

Jawapan ringkas: Agentic AI bukan hanya menjawab soalan—ia boleh mengesan isu, mencadangkan tindakan, dan melaksanakan pembetulan sambil memaklumkan pihak berkaitan.

GenAI yang biasa digunakan hari ini banyak bermain pada kandungan: ringkasan, draf e-mel, analisis teks, atau cadangan. Agentic AI pula bergerak ke arah aliran kerja:

• Memantau anomali (contoh: lonjakan backorder di lokasi tertentu)
• Mendiagnosis punca (contoh: perubahan MOQ pembekal atau kesilapan unit ukuran)
• Mengambil tindakan (contoh: buka tiket, ubah parameter reorder, cadang pengagihan semula)
• Membina jejak audit (siapa buat apa, bila, kenapa)

Ini sangat relevan untuk topik siri kita:

• Dalam automasi gudang, agentic AI boleh membantu slotting, mengimbangi beban kerja picker, dan mengesan corak kesilapan pick/pack.
• Dalam pengoptimuman laluan, ia boleh memantau kelewatan, menukar carrier, dan mengemas kini ETA kepada pelanggan.
• Dalam ramalan permintaan, ia boleh mengesan “outlier” promosi, menandakan data rosak, dan meminta semakan manusia.

Masalahnya: kalau semua tindakan ini “berlaku sendiri”, di mana ruang untuk orang junior belajar membuat pertimbangan?

Tangga kerjaya baharu: dari “buat kerja” kepada “menyelia keputusan AI”

Jawapan ringkas: Peranan awal kerjaya akan beralih daripada pelaksana tugas kepada penyelia keputusan, pengurus pengecualian, dan penjaga kualiti data.

Kalau anda seorang pemimpin logistik, cuba ubah mental model: kerja entry-level bukan lagi “buat report” atau “tutup tiket”. Kerja entry-level baharu ialah:

1) Pengurusan pengecualian (exception management)

AI bagus untuk kerja normal. Dunia sebenar penuh pengecualian.

Contoh praktikal:

• AI mengesan 2,000 order berisiko lewat. Orang junior menyemak 50 order paling kritikal berdasarkan margin, pelanggan VIP, dan cut-off masa.
• AI mencadangkan tukar carrier untuk zon tertentu. Orang junior semak implikasi kos, kapasiti, dan SLA.

2) Kualiti data & “domain fluency”

Kebanyakan projek AI gagal bukan sebab model lemah—tetapi sebab data kotor dan proses tak kemas.

Orang junior boleh jadi “pemilik disiplin data”:

• Menetapkan definisi KPI yang konsisten (OTIF, fill rate, DOH)
• Menyemak integriti data master (SKU, BOM, lokasi, vendor)
• Menjaga pematuhan data governance untuk WMS/TMS/ERP

3) Audit keputusan AI (AI oversight)

Apabila agentic AI mengambil tindakan, manusia mesti mampu menjawab:

• “Kenapa AI buat keputusan ini?”
• “Apa risiko jika keputusan ini salah?”
• “Apakah alternatif yang lebih baik?”

Ini kemahiran kepimpinan yang sebenar—dan ia boleh dilatih dari awal jika struktur betul.

3 pendekatan organisasi untuk membina semula laluan latihan

Jawapan ringkas: Jika AI mengurangkan kerja asas, organisasi perlu menggantikannya dengan latihan berstruktur, pendedahan domain sebenar, dan gelung maklum balas yang formal.

Artikel asal menekankan tiga idea—saya setuju, dan saya tambah cara pelaksanaannya supaya boleh terus digunakan oleh syarikat di Malaysia/Asia Tenggara.

1) Perantisan berstruktur (structured apprenticeships)

Dalam kejuruteraan, orang baru tidak “belajar” dengan membina jambatan yang berisiko runtuh. Mereka belajar melalui perantisan.

Dalam rantaian bekalan, model yang setara ialah:

• Simulasi senario: gangguan pembekal, kontena tertahan, ‘stockout’, lonjakan permintaan
• Playbook operasi: langkah demi langkah untuk isu biasa (fail EDI, inventori negatif, varians cycle count)
• “Sandbox” sistem: WMS/TMS/ERP latihan dengan data contoh

Prinsip penting: AI boleh jadi mentor (memberi cadangan), tetapi manusia mesti membuat keputusan akhir dalam latihan.

2) Pelaburan pada kefasihan domain (domain fluency)

Beza besar antara “pandai guna alat” dan “faham tingkah laku rantaian bekalan”. Kefasihan domain datang daripada pendedahan, bukan modul teori.

Cara cepat menaikkan kefasihan domain untuk staf junior:

1. Rotation 90 hari: gudang → perancangan → pengangkutan → khidmat pelanggan
2. Shadowing puncak musim: letak staf junior bersama ‘control tower’ semasa minggu puncak (contoh: 11.11 hingga hujung Disember)
3. Kelas mini setiap minggu (45 minit): topik kecil seperti “apa itu OTIF vs OTD”, “mengapa safety stock bukan nombor tetap”, “punca biasa forecast bias”

3) Gelung maklum balas untuk menyemak tindakan AI

AI yang boleh bertindak perlukan ‘review’. Ini tempat terbaik untuk melatih pertimbangan.

Bina proses ringkas tetapi tegas:

• Daily AI Review (15 minit): semak 5–10 tindakan AI paling berimpak
• Label keputusan: betul/salah/separa; sebab; data yang hilang
• Catat pembelajaran: kemas kini peraturan, parameter, atau data

Orang junior boleh memegang peranan “reviewer kedua” yang memaksa disiplin: setiap tindakan AI mesti boleh dijelaskan.

Soalan lazim: “Kalau AI ambil kerja asas, macam mana nak upskill cepat?”

Jawapan ringkas: Fokus pada 4 set kemahiran yang terus relevan walaupun AI makin pintar—data, proses, sistem, dan pertimbangan.

Bagi profesional muda (atau sesiapa yang nak pivot ke logistik), ini pelan yang praktikal:

1. Data: belajar asas SQL atau analitik spreadsheet yang kemas; faham metrik logistik (OTIF, fill rate, inventory turns)
2. Proses: faham aliran end-to-end (order-to-cash, procure-to-pay)
3. Sistem: faham peranan WMS/TMS/ERP dan integrasi (API/EDI); bukan perlu jadi programmer, tapi mesti faham logik transaksi
4. Pertimbangan: bias data, risiko keputusan automatik, trade-off kos vs servis

Kalau saya boleh pilih satu sahaja: pertimbangan (judgment). Itu yang paling sukar diautomasi, dan paling mahal jika tiada.

Apa langkah seterusnya untuk pemimpin logistik yang mahu hasil dan bakat serentak

AI memang menaikkan produktiviti. Tetapi kalau anda biarkan AI “makan” semua kerja entry-level tanpa menggantikannya dengan laluan latihan, anda sedang mencipta lubang bakat yang akan terasa 2–5 tahun lagi—masa anda perlukan penyelia shift, planner kanan, dan lead integrasi.

Kalau anda sedang merancang inisiatif AI dalam logistik dan rantaian bekalan untuk 2026, saya cadangkan satu semakan mudah: setiap automasi mesti ada pelan pembangunan manusia. Automasi yang baik mengurangkan kerja rutin; organisasi yang bijak menggunakan ruang masa itu untuk melatih orang menjadi pembuat keputusan.

Anda nak rantaian bekalan yang pantas dan tahan lasak? AI boleh bantu. Tetapi tangga kerjaya baharu mesti dibina secara sengaja, bukan dibiarkan terbentuk sendiri. Bila musim puncak seterusnya datang, siapa yang akan memimpin bila AI buat keputusan yang “hampir betul”—tapi tidak cukup betul?