AI Menyentuh Semua Kerja IT 2030: Impak pada Logistik

Pada 19/11/2025, satu dapatan yang “mengusik tidur lena” banyak pemimpin operasi keluar: menurut tinjauan Gartner ke atas 700 CIO, mereka menjangka AI akan terlibat dalam semua kerja IT menjelang 2030, dan sekurang-kurangnya 25% kerja IT akan dilaksanakan sepenuhnya oleh AI tanpa campur tangan manusia. Baki 75% pula masih digerakkan manusia—tetapi manusia yang bekerja dengan AI di sebelahnya.

Ini bukan cerita IT semata-mata. Untuk dunia logistik dan rantaian bekalan, isyaratnya jelas: apabila AI sudah jadi “default” dalam IT, ia akan cepat jadi “default” dalam operasi—daripada perancangan permintaan, penjadualan gudang, sehingga pengoptimuman laluan penghantaran.

Dalam siri “AI dalam Logistik dan Rantaian Bekalan”, saya nak bawa anda tengok bagaimana ramalan CIO ini patut mengubah cara kita merancang automasi gudang, visibiliti rantaian bekalan, dan strategi kos—terutamanya sekarang (Disember 2025) ketika syarikat sibuk menutup akaun hujung tahun, menyusun bajet 2026, dan menilai semula projek digital yang “jalan tapi tak terasa pulangan”.

Apa yang CIO nampak untuk 2030—dan kenapa operasi kena ambil serius

Jawapan ringkasnya: AI akan jadi lapisan kerja standard, bukan projek khas. Bila CIO kata AI menyentuh semua kerja IT, mereka sebenarnya bercakap tentang perubahan cara kerja: dokumentasi, pembangunan sistem, ujian, pemantauan, keselamatan, analitik—semuanya dibantu AI.

Di operasi logistik, coraknya sama. Banyak organisasi masih fikir AI = “buat model ramalan permintaan sekali, siap”. Realitinya, AI yang benar-benar memberi impak ialah AI yang duduk dalam aliran kerja harian:

• Sistem WMS yang mencadangkan slotting dan penempatan stok secara dinamik
• TMS yang mengira semula laluan bila ada kemalangan, banjir, atau lonjakan pesanan
• Menara kawalan (control tower) yang mengesan risiko pembekal dan memberi cadangan tindakan
• AI yang menulis ringkasan insiden operasi dan menghasilkan root cause awal

Satu ayat yang patut anda simpan: “Jika AI jadi cara IT bekerja, ia akan jadi cara operasi membuat keputusan.”

Mitos yang buat syarikat lambat: “AI itu projek teknologi”

AI bukan semata-mata alat. Ia cara mengurus keputusan berulang pada skala besar.

Dalam rantaian bekalan, keputusan berulang berlaku setiap hari:

• Berapa nak reorder?
• Stok mana patut dipindah?
• Lori mana patut ambil laluan mana?
• SKU mana patut duduk dekat zon picking?

Kalau keputusan-keputusan ini masih bergantung kepada spreadsheet dan pengalaman individu, anda sedang meletakkan had pada pertumbuhan.

Dari pusat data ke pusat pengedaran: di mana AI paling cepat beri ROI

Jawapan paling praktikal: AI cepat membayar balik apabila ia kurangkan pembaziran masa, jarak, dan ralat. Di logistik, tiga “bocor halus” inilah yang makan margin.

Berikut ialah kawasan yang biasanya paling cepat nampak hasil—bukan sebab paling “canggih”, tapi sebab datanya banyak dan keputusan yang dibuat berulang:

1) Ramalan permintaan & perancangan inventori

AI yang bagus bukan sekadar meramal “bulan depan naik/turun”. Ia menggabungkan:

• data jualan
• promosi
• musim (contoh hujung tahun, 12/12, Tahun Baru Cina)
• lead time pembekal
• kekangan kapasiti gudang dan pengangkutan

Hasil yang dicari bukan “ramalan cantik”, tetapi penurunan stok mati, penurunan stockout, dan pengurangan pembelian kecemasan.

2) Pengoptimuman laluan penghantaran (route optimization)

Dalam last mile delivery, beberapa minit per hentian boleh jadi bezanya untung atau rugi. AI boleh:

• menyusun hentian secara lebih realistik (bukan sekadar jarak, tapi trafik, masa servis, tingkap masa pelanggan)
• mengagihkan beban kepada pemandu dengan lebih adil
• menjangka risiko lewat dan mencadangkan pelan alternatif

Kalau anda ada 30–300 penghantaran sehari, anda sudah ada skala untuk nampak manfaat.

3) Automasi gudang & produktiviti tenaga kerja

Gudang moden bukan hanya robot. Banyak kemenangan cepat datang daripada AI yang:

• mengesan corak kesilapan picking
• mencadangkan susun atur zon berdasarkan permintaan semasa
• meramal kesesakan di packing station
• menyesuaikan tugasan ikut kemahiran staf dan fatigue pattern

Ini penting kerana ramai pemain logistik di rantau ini masih berdepan isu tenaga kerja: turnover, latihan yang berulang, dan kepelbagaian SKU yang makin tinggi.

Realiti yang ramai tak suka dengar: bajet AI selalunya “bocor”

Jawapannya: kos AI jarang gagal sebab model—ia gagal sebab peralihan kerja, latihan, dan pengurusan perubahan. Gartner melaporkan 73% CIO kata organisasi mereka sama ada “break even” atau rugi daripada pelaburan AI.

Itu nombor yang besar, dan ia menjelaskan satu perkara: AI yang “berfungsi” di demo boleh jadi AI yang “tak dipakai” di operasi.

Di logistik, kos tersembunyi biasanya datang dari 5 tempat

1. Kualiti data: kod SKU tak konsisten, alamat pelanggan tak bersih, timestamps tak seragam.
2. Integrasi sistem: ERP–WMS–TMS–eCommerce tak bercakap bahasa yang sama.
3. Kos pengiraan & penyimpanan: bila skala naik, bil juga naik.
4. Latihan & SOP baharu: operator perlu percaya dan tahu bila patut ikut cadangan AI.
5. Governans & pematuhan: siapa pemilik data, siapa meluluskan perubahan model, audit keputusan.

Saya tegas dalam hal ini: AI tanpa pelan perubahan kerja hanya menambah satu lagi sistem yang orang ‘login’ tapi tak guna.

Tenaga kerja: bukan “hilang kerja”, tapi kerja berubah (dan itu tetap sakit)

Jawapan yang lebih jujur: AI memang ubah peranan, dan sesetengah tugas akan lenyap—tetapi peluang baharu muncul jika syarikat latih orang dengan betul. Gartner juga meramal kesan pekerjaan global neutral hingga 2026 dan AI mencipta lebih banyak pekerjaan menjelang 2028.

Namun artikel yang sama menyebut 2025 sudah menyaksikan pemberhentian kerja dalam sektor teknologi, sebahagiannya untuk menampung pelaburan besar infrastruktur AI. Di operasi, tekanan serupa boleh berlaku: syarikat akan menuntut lebih produktiviti dengan pasukan yang sama.

Kemahiran yang patut ada dalam pasukan logistik menjelang 2026

Jika anda operator 3PL, pengurus gudang, perancang permintaan, atau ketua pengangkutan—ini senarai kemahiran yang “saya tengok” paling cepat naik nilai:

• Literasi data operasi: faham definisi metrik (OTIF, fill rate, dwell time) dan cara ia direkod
• Kecekapan menggunakan alat AI harian: bukan bina model, tetapi guna cadangan AI dengan betul
• Penyiasatan punca masalah: AI beri isyarat, manusia sahkan dan bertindak
• Pengurusan pengecualian (exception management): fokus pada kes yang “keluar biasa”, bukan kerja rutin
• Kesedaran risiko & keselamatan data: elak kebocoran, elak keputusan automatik yang salah

Satu penanda aras mudah: jika pasukan anda masih menghabiskan 60–70% masa mengumpul data, AI anda akan jadi mahal dan lambat.

Pelan 90 hari untuk mula AI dalam rantaian bekalan (tanpa drama)

Jawapan paling praktikal: mulakan dengan kes penggunaan kecil, ukur ketat, dan bina kepercayaan pengguna. Anda tak perlukan 12 bulan untuk bukti nilai—yang anda perlukan ialah disiplin.

Hari 1–30: Pilih masalah yang jelas dan boleh diukur

Pilih satu kes penggunaan dengan metrik operasi yang tegas. Contoh:

• mengurangkan late delivery untuk zon tertentu
• meningkatkan ketepatan picking SKU pantas bergerak
• mengurangkan kos penghantaran per pesanan

Pastikan anda ada data asas (baseline) 8–12 minggu.

Hari 31–60: Bersihkan data minimum & bina integrasi minimum

Sasaran anda bukan “data sempurna”. Sasaran anda:

• definisi medan data konsisten
• aliran data automatik (walau hanya harian)
• papan pemuka ringkas untuk lihat sebelum/selepas

Hari 61–90: Uji dengan pengguna sebenar, bukan sekadar pasukan IT

Ini yang ramai skip.

Bina proses seperti ini:

1. AI beri cadangan (contoh: susun laluan)
2. Penyelia pilih ikut/tidak ikut (dengan sebab ringkas)
3. Ukur keputusan

Bila pengguna nampak AI membantu kerja mereka siap lebih cepat dan kurang stres, penggunaan akan naik sendiri.

“AI yang berjaya bukan yang paling pintar. AI yang berjaya ialah yang paling banyak digunakan.”

Soalan lazim yang patut dijawab sebelum anda ‘sign’ bajet AI 2026

Jawapan terus: tanya soalan yang memaksa kejelasan tentang data, pemilikan, dan ROI. Berikut soalan yang saya cadangkan untuk mesyuarat bajet:

1. Keputusan apa yang AI akan automasikan, dan siapa pemilik keputusan itu?
2. Metrik kejayaan 90 hari ialah apa—dan berapa nilai RM jika metrik itu naik?
3. Data kritikal datang dari sistem mana, dan siapa bertanggungjawab atas kualitinya?
4. Apa pelan fallback jika AI salah? (contoh: had automasi, semakan manual untuk kes tertentu)
5. Siapa yang melatih pengguna dan mengemas kini SOP?

Kalau soalan ini belum ada jawapan, saya biasanya nasihatkan: kecilkan skop dulu.

Langkah seterusnya: jadikan AI sebahagian cara operasi bekerja

Ramalan CIO tentang AI menyentuh semua kerja IT menjelang 2030 patut dibaca begini: AI akan jadi utiliti—macam elektrik dalam bangunan. Anda tak tanya “nak guna elektrik atau tidak”; anda tanya “di mana patut pasang, berapa kapasiti, dan macam mana nak jaga keselamatan”.

Dalam logistik dan rantaian bekalan, tindakan paling selamat bukan menunggu “AI matang sepenuhnya”. Tindakan paling selamat ialah mula sekarang dengan kes penggunaan yang jelas, bina disiplin data, dan latih pasukan supaya AI jadi alat harian—bukan poster di dinding bilik mesyuarat.

Anda nak 2026 jadi tahun “pilot tak habis-habis”, atau tahun anda mula nampak kos turun dan servis naik? Bila AI makin masuk ke IT, tekanan untuk buktikan nilai di operasi akan bertambah—dan syarikat yang siap awal biasanya menang.

Kalau anda perlu pilih satu tempat untuk mula minggu ini: pilih satu aliran kerja yang berulang (contoh perancangan laluan atau ramalan permintaan), tetapkan metrik, dan uji selama 90 hari. Selepas itu, barulah skalakan.