AI Dalam Logistik: Gaji Naik, Pasukan Makin Kecil

Angka ini susah nak diabaikan: sebuah syarikat mendakwa gaji pekerja naik hampir 60%, pada masa yang sama jumlah kakitangan jatuh hampir separuh dalam tiga tahun. Itu bukan cerita “produktivitinya naik sikit-sikit”. Itu perubahan struktur.

Kes Klarna (20/11/2025) jadi cermin yang jelas tentang apa yang sedang berlaku di banyak organisasi — termasuk pemain logistik dan rantaian bekalan. Bila AI mula mengambil alih kerja rutin berskala besar (khidmat pelanggan, semakan transaksi, triage isu), organisasi biasanya buat dua keputusan serentak: kurangkan peranan manual dan bayar lebih tinggi untuk peranan berkemahiran.

Dalam siri “AI dalam Logistik dan Rantaian Bekalan”, saya nak bawa kes ini keluar daripada konteks fintech semata-mata. Fokus kita: bagaimana corak “kurang orang, lebih mahir, lebih mahal” akan muncul dalam operasi gudang, pengangkutan, perancangan permintaan, dan pusat kawalan rantaian bekalan — serta apa tindakan praktikal yang patut diambil.

Apa yang kes Klarna beritahu tentang ekonomi tenaga kerja AI

Jawapan paling ringkas: AI mengurangkan kos operasi per tugas, lalu baki nilai diagihkan kepada tenaga kerja yang tinggal — tetapi hanya jika syarikat mengurus produktiviti dan pengambilan dengan ketat.

Klarna melaporkan beberapa angka yang mudah dijadikan rujukan pemimpin operasi:

• Jumlah kakitangan turun daripada 5,527 (2022) kepada 2,907 (2025).
• AI kini dikatakan mengendalikan kerja bersamaan 853 pekerja sepenuh masa, meningkat daripada 700 pada awal 2025.
• Hasil syarikat meningkat 108% tahun ini, sementara kos operasi dikekalkan hampir rata.
• Pampasan purata per pekerja meningkat daripada USD 126,000 (2022) kepada USD 203,000 (2025).

Bagi saya, mesej besarnya bukan “AI buat gaji naik”. Mesejnya: AI membolehkan syarikat memilih untuk membayar lebih tinggi kepada tenaga kerja yang lebih kecil, kerana output per orang meningkat.

Dalam logistik, formula yang sama berlaku — cuma “output” kita bukan semata-mata hasil jualan. Ia termasuk:

• pesanan diproses per jam,
• ketepatan inventori,
• kadar penghantaran tepat masa (OTIF),
• kos per penghantaran,
• masa pusing ganti (cycle time) gudang dan pengangkutan.

Bila AI menaikkan metrik-metrik ini, organisasi mula nampak bahawa mereka tak perlukan ramai orang untuk kerja berulang, tetapi mereka sangat perlukan segilintir orang yang boleh mengurus sistem, data, pengecualian, dan risiko.

Dari khidmat pelanggan ke “control tower”: analogi paling dekat dalam rantaian bekalan

Jawapan terus: peranan yang paling cepat “mengecil” ialah kerja rutin berasaskan tiket; peranan yang “menjadi mahal” ialah kerja penyelesaian masalah dan membuat keputusan merentas fungsi.

Klarna menyebut AI mengambil alih banyak kerja khidmat pelanggan. Dalam rantaian bekalan, analoginya ialah operasi yang dipacu oleh:

• e-mel/WhatsApp vendor untuk status PO,
• panggilan pelanggan tanya tarikh ETA,
• semakan manual dokumen penghantaran,
• kemas kini status dalam TMS/WMS secara tangan,
• semakan invoice vs POD (proof of delivery).

Di gudang: automasi bukan sekadar robot, AI ialah “otak”

Bila orang sebut AI gudang, ramai terus fikir robot. Realitinya, impak besar biasanya datang daripada AI dalam keputusan harian:

• Slotting & replenishment pintar: sistem cadang lokasi simpanan berdasarkan kelajuan jualan, saiz, dan sejarah picking.
• Peramalan beban kerja: AI ramal volum harian/mingguan untuk susun roster, line balancing, dan cut-off time.
• Pengesanan anomali inventori: kenal pasti varians kiraan stok lebih awal, bukan tunggu stock take.

Kerja yang dulu memerlukan ramai penyelia untuk “pantau dan betulkan”, makin bertukar kepada segelintir operator yang memahami dashboard, pengecualian, dan punca masalah.

Dalam pengangkutan: AI kurangkan kerja ‘follow-up’ yang tak habis-habis

Di banyak syarikat, sebahagian besar masa pasukan transport habis pada:

• menjejak trak,
• menukar jadual bila ada kelewatan,
• menyusun semula laluan,
• menyelesaikan isu dokumen.

AI boleh bantu melalui:

• ramalan ETA berdasarkan sejarah laluan, cuaca, waktu puncak, dan prestasi pembawa,
• optimasi laluan pengangkutan (route optimization) untuk kurangkan jarak kosong dan penggunaan bahan api,
• auto-triage pengecualian: sistem tandakan shipment berisiko lambat sebelum pelanggan marah.

Hasilnya bukan semata-mata “kurang staf”. Yang lebih penting: staf yang tinggal jadi lebih bernilai, sebab mereka mengurus keputusan yang memberi kesan kos besar.

Kenapa gaji boleh naik bila staf berkurang (dan kenapa ini akan berlaku dalam logistik)

Jawapan terus: bila AI menaikkan produktiviti, syarikat mula bersaing untuk bakat yang boleh mengurus AI — bukan bakat yang sekadar menjalankan proses.

Klarna menyatakan pembekuan pengambilan dan penggantian jawatan kosong yang ditinggalkan (attrition) membantu mengekalkan kos. Ini pola yang saya nampak banyak organisasi tiru: mereka tak semestinya buang ramai orang sekaligus, tetapi mereka:

1. membiarkan jawatan rutin susut secara semula jadi,
2. mengurangkan vendor/outsource untuk tugas tiket,
3. menyalurkan bajet kepada peranan kritikal.

Dalam logistik, peranan yang biasanya jadi “premium” bila AI mula matang ialah:

• Perancang permintaan & S&OP yang data-savvy (boleh semak bias ramalan, bukan percaya sistem bulat-bulat),
• Pengurus WMS/TMS + analitik (faham proses, bukan IT semata-mata),
• Penganalisis kos pengangkutan (boleh buat scenario dan rundingan carrier berdasarkan data),
• Pengurus data rantaian bekalan (master data, kualiti data, governance),
• Penyelia operasi yang mahir “exception management”.

Kalau organisasi anda masih membayar “lebih” untuk kerja manual dan membayar “biasa” untuk kerja analitik, saya rasa itu terbalik. Nilai masa depan ada pada keputusan, bukan pada input.

Risiko sebenar: bila AI “jimat kos” tetapi servis merosot

Jawapan terus: AI yang menggantikan tenaga kerja tanpa disiplin proses dan data akan menghasilkan operasi yang nampak murah, tetapi mahal pada aduan, penalti, dan kehilangan pelanggan.

Akhir tahun ini (Disember 2025) ramai syarikat sedang mengejar KPI hujung tahun, plus musim puncak e-dagang dan penghantaran hadiah. Dalam tempoh begini, risiko AI paling ketara:

• model ramalan “overfit” pada data lama lalu gagal menangkap lonjakan bermusim,
• automasi yang salah mengklasifikasikan isu pelanggan sebagai “selesai”,
• keputusan route optimization yang baik di atas kertas tetapi tak praktikal di lapangan.

Tiga tempat AI paling kerap tersilap dalam operasi rantaian bekalan

1. Data input kotor: alamat, SKU, unit of measure, lead time vendor.
2. Definisi KPI tak seragam: contoh OTIF yang berbeza antara sales, warehouse, dan transport.
3. Tiada “human override” yang jelas: siapa boleh hentikan automasi bila anomali muncul?

AI patut mengurangkan kerja rutin, bukan menghilangkan akauntabiliti. Dalam operasi, saya lebih percaya pendekatan ini: automasi + pagar keselamatan (guardrails) + audit berkala.

Pelan tindakan 90 hari untuk organisasi logistik: mula kecil, ukur betul

Jawapan terus: mulakan dengan satu aliran kerja berulang yang banyak “touchpoint”, pasang AI untuk mengurangkan pengecualian, dan ukur impak pada kos per transaksi serta tahap servis.

Berikut rangka kerja yang praktikal (dan realistik) untuk 90 hari:

1) Pilih 1 “use case” yang paling senang nampak hasil

Antara pilihan yang biasanya cepat pulang hasil:

• ramalan ETA + notifikasi proaktif kepada pelanggan,
• pengesanan anomali inventori untuk SKU A,
• automasi triage tiket (customer service / transport exception),
• cadangan slotting untuk zon fast-movers.

Kriteria pemilihan saya mudah: banyak volume, banyak kerja manual, jelas KPI, dan ada pemilik proses.

2) Sediakan data minimum yang cukup, bukan sempurna

Banyak projek mati kerana tunggu data “perfect”. Buat begini:

• tetapkan 10-20 medan data kritikal (contoh: shipment ID, carrier, origin-destination, timestamp scan),
• bersihkan secara fokus,
• bina dashboard kualiti data (missing rate, duplicate rate) dan jadikan ia KPI.

3) Tetapkan KPI yang ‘mengikat’ keputusan

Pilih 3-5 KPI sahaja untuk fasa awal:

• kos per order / kos per shipment,
• OTIF atau on-time delivery,
• kadar pengecualian (exception rate),
• masa resolusi isu (time-to-resolve),
• produktiviti gudang (lines per hour / picks per hour).

Kalau KPI anda tak berubah, AI anda mungkin sekadar menukar cara kerja — bukan menambah nilai.

4) Reka semula peranan, bukan sekadar kurangkan orang

Ini bahagian yang ramai buat sambil lewa. AI yang bagus akan mengubah job scope:

• staf frontline jadi pengurus pengecualian, bukan “pemasuk data”,
• penyelia jadi coach prestasi berasaskan data,
• pasukan perancangan jadi penguji hipotesis (what-if), bukan “penyedia laporan”.

Bila peranan berubah, latihan juga kena berubah. Latih pada:

• membaca dashboard,
• root-cause analysis,
• SOP override,
• komunikasi proaktif kepada pelanggan.

5) Buat “audit keputusan AI” setiap minggu

Setiap minggu, pilih sampel keputusan AI dan semak:

• betul/salah,
• punca salah,
• kos salah,
• tindakan pembetulan (data, model, proses).

Disiplin ini yang membezakan AI sebagai alat operasi vs sekadar demo.

Soalan lazim (yang bos dan HR akan tanya)

Adakah AI akan menghapuskan pekerjaan logistik?

Jawapan paling jujur: AI akan mengurangkan pekerjaan yang rutin, tetapi menaikkan permintaan untuk pekerjaan yang mengurus sistem, pengecualian, dan penambahbaikan proses. Headcount boleh turun, namun nilai per pekerja biasanya naik.

Kenapa ada syarikat yang tenaga kerja gudangnya bertambah walaupun guna AI?

Sebab skala. Bila AI dan automasi menaikkan throughput, syarikat boleh tambah volum (lebih banyak SKU, lebih banyak order, lebih banyak saluran). Ada organisasi yang bertambah staf kerana perniagaan berkembang lebih cepat daripada kadar automasi.

Jika bajet terhad, AI patut mula di mana: gudang atau pengangkutan?

Bagi kebanyakan organisasi, saya condong kepada pengangkutan dan visibility dulu jika:

• kos freight tinggi,
• aduan pelanggan banyak,
• data shipment mudah dikumpul.

Jika isu utama ialah backlog picking, salah hantar, atau inventori tak tepat, gudang lebih sesuai.

Apa maksudnya untuk 2026: organisasi yang “kecil tapi tajam” akan menang

AI dalam logistik dan rantaian bekalan sedang menolak organisasi ke satu bentuk baharu: pasukan lebih kecil, lebih teknikal, lebih fokus pada keputusan bernilai tinggi. Kes Klarna cuma menonjolkan realiti itu dengan angka yang keras.

Kalau anda sedang merancang strategi 2026, saya akan bertegas pada satu perkara: jangan ukur kejayaan AI dengan bilangan bot atau bilangan dashboard. Ukur dengan kos per transaksi dan tahap servis yang stabil di musim puncak. Itu ukuran sebenar.

Satu soalan yang patut dibawa ke mesyuarat operasi minggu ini: kalau AI boleh mengambil alih 20% kerja rutin pasukan anda dalam 6 bulan, peranan manusia yang tinggal itu patut fokus pada apa — dan adakah anda sudah mula melatih mereka ke arah itu?