AI & Logistik: Pengajaran dari Penstrukturan HP

HP mengumumkan rancangan untuk mengurangkan 4,000 hingga 6,000 pekerjaan menjelang Oktober 2028—sekitar hingga 11% daripada tenaga kerja—sambil menekankan sasaran penjimatan $1 bilion setahun melalui penggunaan AI. Ini bukan sekadar cerita “syarikat besar potong kos”. Ini isyarat yang lebih besar: AI sedang dijadikan mesin produktiviti yang mengubah cara operasi, termasuk logistik dan rantaian bekalan, diuruskan.

Bagi pasukan operasi, perancang permintaan, pengurus gudang, dan pemilik bisnes yang bergantung pada penghantaran tepat masa (terutama hujung tahun bila volum meningkat), mesejnya jelas: AI sedang dipindahkan daripada eksperimen kepada disiplin operasi. Yang membezakan organisasi yang “menang” bukan siapa paling cepat beli alat AI, tetapi siapa paling cepat menyusun proses, data, dan bakat supaya AI benar-benar menjimatkan masa dan wang.

Saya anggap penstrukturan HP sebagai cermin kepada realiti di lapangan: banyak penjimatan bukan datang daripada robot “hebat”, tetapi daripada keputusan kecil yang dibuat lebih kerap—lebih tepat—dalam perancangan inventori, penghalaan penghantaran, dan sokongan pelanggan.

Kenapa berita HP relevan untuk logistik dan rantaian bekalan

Jawapan ringkas: kerana fungsi yang terlibat—pembangunan produk, operasi dalaman, dan sokongan pelanggan—ialah tiga kawasan yang paling dekat dengan aliran rantaian bekalan moden.

Apabila syarikat menyatakan AI membantu mempercepat pembangunan dan meningkatkan produktiviti, kesannya biasanya merebak ke tiga titik ini:

1. Perancangan permintaan & bekalan: Kitaran produk lebih pantas memaksa rantaian bekalan jadi lebih responsif. Tanpa AI, pasukan perancangan akan sentiasa “terkejar-kejar”.
2. Operasi dalaman: AI menolak automasi kerja berulang (laporan, semakan pengecualian, rekonsiliasi data) yang selama ini makan masa staf operasi.
3. Sokongan pelanggan: Dalam logistik, sokongan pelanggan bukan hanya “jawab tiket”. Ia melibatkan status penghantaran, pengecualian, tuntutan rosak, dan pengurusan pulangan—semuanya data intensif.

Sebab itu kita perlu baca cerita HP sebagai konteks besar: AI bukan projek IT semata-mata; ia keputusan operasi dan kos.

Mitos yang perlu dibuang: “AI = buang orang”

AI memang boleh mengurangkan keperluan kerja tertentu. Tapi dalam logistik, saya sering nampak masalah sebenar ialah kekurangan orang untuk buat kerja bernilai tinggi: analisis punca lewat hantar, reka semula rangkaian, audit ketepatan inventori, dan negosiasi kos pengangkutan.

Kalau AI digunakan dengan betul, ia patut:

• Mengurangkan kerja manual yang tak menambah nilai.
• Membebaskan masa pasukan untuk kerja yang memerlukan pertimbangan manusia.

Kalau AI hanya jadi alasan untuk potong kos tanpa memperbaiki proses, hasilnya biasanya satu: KPI turun, pelanggan marah, dan kos “tersembunyi” naik.

Di mana AI biasanya menjimatkan kos dalam operasi logistik

Jawapan terus: AI menjimatkan kos paling cepat di tempat yang ada volum tinggi + keputusan berulang + data sedia ada.

Berikut kawasan yang paling konsisten memberi pulangan (dan selari dengan tema siri “AI dalam Logistik dan Rantaian Bekalan”):

1) Pengoptimuman laluan pengangkutan (route optimization)

Jika anda mengurus armada sendiri atau rakan 3PL, AI boleh membantu menyusun:

• Urutan hentian (stop sequencing)
• Pengagihan muatan
• Penjadualan pemandu
• Ramalan masa ketibaan (ETA) yang lebih tepat

Impak yang biasanya dicari (dan boleh diukur):

• Pengurangan kilometer kosong
• Peningkatan kadar “on-time delivery”
• Pengurangan kos bahan api dan overtime

Satu pendirian saya: mula dengan laluan yang paling “bersepah”—banyak ad-hoc, banyak pengecualian. Di situ AI paling cepat nampak.

2) Ramalan permintaan dan perancangan inventori

AI tak “meneka” masa depan. Ia mengesan corak—musiman, promosi, cuti sekolah, hujung tahun—dan menukar corak itu kepada ramalan yang lebih stabil.

Untuk Disember 2025, ramai pemain runcit dan e-dagang masih berdepan dua masalah klasik:

• stockout pada SKU laju
• inventori lebihan pada SKU perlahan

AI membantu dengan:

• Ramalan mengikut lokasi (store/DC-level)
• Cadangan reorder yang dinamik
• Pengesanan anomali (contoh: lonjakan permintaan luar biasa)

Prinsip penting: ramalan bagus tak berguna kalau proses replenishment lambat. AI perlu berjalan bersama pembaikan SOP.

3) Automasi gudang: picking, slotting, dan pengecualian

Bukan semua gudang perlu robot. Tetapi hampir semua gudang boleh mendapat manfaat daripada AI untuk:

• Cadangan slotting (barang laju dekat zon picking)
• Ramalan kesesakan di lorong/zon
• Pengesanan ralat imbasan dan mismatch inventori

AI yang “berbaloi” biasanya AI yang mengurangkan:

• kesilapan picking
• masa mencari barang
• pergerakan tidak perlu

4) Khidmat pelanggan logistik (customer support) berasaskan AI

Ini kawasan yang sering dipandang rendah.

AI boleh:

• Mengklasifikasi tiket (lewat, rosak, hilang, pulangan)
• Menjana respons awal berasaskan status sebenar shipment
• Mengutamakan kes berisiko tinggi (contoh: pelanggan VIP, SLA ketat)

Kesan langsung: pelanggan dapat jawapan lebih cepat, dan pasukan CS fokus pada kes rumit. Kesan tidak langsung: kurang kos eskalasi dan pampasan.

“Penjimatan $1 bilion setahun”: apa yang organisasi perlu buat untuk capai skala itu

Jawapan yang tegas: penjimatan skala besar hanya berlaku bila AI menjadi sebahagian daripada sistem kerja, bukan alat sampingan.

Berikut 4 komponen yang saya lihat membezakan organisasi yang dapat pulangan sebenar:

1) Data operasi yang bersih dan bersambung

AI logistik perlukan data dari sumber yang biasanya berpecah:

• ERP / sistem pesanan
• WMS
• TMS
• telematik/IoT (jika ada)
• data pembekal dan 3PL

Jika kod lokasi tak seragam, SKU tak konsisten, atau timestamp tak boleh dipercayai, AI akan hasilkan cadangan yang “nampak pintar” tetapi salah.

2) “Human-in-the-loop” yang jelas

AI bagus untuk cadangan. Manusia masih perlu:

• meluluskan perubahan besar
• mengendalikan pengecualian
• menilai trade-off kos vs SLA

Sistem paling stabil ialah bila ada:

• ambang kelulusan (contoh: AI boleh ubah laluan jika jimat >3% kos)
• log audit keputusan
• maklum balas manusia untuk latih semula model

3) Tadbir urus KPI yang jujur

AI mudah “nampak berjaya” kalau KPI dipilih secara longgar. Untuk logistik, KPI yang lebih sukar diputar belit ialah:

• kos per penghantaran (cost per drop)
• on-time in-full (OTIF)
• kadar pemulangan dan punca
• produktiviti picking (lines per hour)
• ketepatan inventori

Satu ayat yang saya suka pegang: kalau AI tak mengubah KPI operasi, ia cuma demo yang mahal.

4) Pengurusan perubahan (change management) yang realistik

Penstrukturan tenaga kerja seperti HP mengingatkan kita bahawa AI akan mengubah peranan.

Apa yang patut organisasi buat (terutamanya dalam logistik yang bergantung pada tenaga kerja barisan hadapan):

• upskilling penyelia gudang kepada data-driven supervisor
• latihan planner untuk membaca output model dan bias
• SOP baru untuk pengecualian: siapa buat keputusan, dalam berapa minit

Tanpa ini, AI akan jadi “alat tambahan” yang orang malas guna ketika operasi sibuk.

Pelan tindakan 90 hari: mula guna AI tanpa pening kepala

Jawapan terus: pilih satu kes guna yang dekat dengan kos, pastikan data minimum cukup, dan ukur sebelum/selepas.

Berikut pelan yang praktikal untuk syarikat logistik, pengilang, atau pengedar:

Hari 1–30: Pilih kes guna dan rapatkan data

• Pilih 1 kes guna (contoh: ramalan permintaan untuk 20 SKU utama, atau pengoptimuman laluan untuk 1 wilayah).
• Senaraikan data diperlukan dan semak kualitinya.
• Tetapkan KPI baseline (contoh: OTIF, kos, masa proses).

Hari 31–60: Bina “pilot” yang boleh hidup dalam operasi sebenar

• Jalankan model dengan data sebenar.
• Letak human approval pada perubahan berisiko.
• Buat papan pemuka ringkas: output AI + sebab cadangan.

Hari 61–90: Kunci proses dan skala kecil

• Dokumentasikan SOP baharu.
• Latih 1–2 orang “champion” operasi.
• Skala ke 2–3 wilayah/SKU tambahan jika KPI bergerak ke arah betul.

Kalau anda tak boleh buktikan nilai dalam 90 hari untuk kes guna berskala kecil, jangan paksa skala besar. Betulkan asas dulu.

Apa maksudnya untuk 2026: AI akan jadi standard operasi, bukan bonus

Jawapan ringkas: menjelang 2026, organisasi yang masih mengurus logistik sepenuhnya secara manual akan terasa seperti mengira stok dengan kertas.

Berita HP menolak satu realiti yang ramai cuba elak: AI bukan lagi sekadar alat analitik. Ia mula menyentuh struktur kos dan reka bentuk kerja.

Dalam siri “AI dalam Logistik dan Rantaian Bekalan”, saya akan terus ulang perkara ini: AI paling bernilai bila ia mengurangkan ketidakpastian—permintaan tak menentu, laluan sesak, inventori tidak tepat, dan pengecualian yang memakan masa.

Jika anda sedang menilai AI untuk rantaian bekalan, langkah seterusnya mudah: pilih satu proses yang menyakitkan setiap minggu, ukur kosnya, dan jadikan AI sebagai cara untuk mengurangkan kesakitan itu—bukan sebagai projek untuk nampak moden.

Soalan untuk anda bawa ke mesyuarat operasi minggu ini: proses mana yang paling kerap menyebabkan “kerja ulang” dan keputusan ad-hoc—dan apa data minimum yang kita perlukan untuk hentikannya?