AI Infrastruktur Rantaian Bekalan: Belajar dari Aster

Singapore baru sahaja dapat satu “kajian kes” yang jelas tentang cara syarikat serius membina kapasiti masa depan. Aster Chemicals and Energy (usaha sama Chandra Asri dan Glencore) menjangka siap beberapa projek utama pada separuh kedua 2026 untuk menaikkan keupayaan pemprosesan di Pulau Bukom dan membolehkan import minyak menggunakan supertanker bagi menurunkan kos. Angka yang paling mudah diingati: kapasiti pemprosesan Aster dijangka naik daripada 237,000 bpd kepada 307,000 bpd apabila condensate splitter 70,000 bpd mula beroperasi.

Saya suka cerita macam ini bukan kerana ia tentang penapisan minyak. Saya suka kerana ia mendedahkan satu pola yang sama dalam dunia perniagaan: syarikat yang menang biasanya menang melalui infrastruktur, bukan semata-mata melalui “usaha lebih kuat”. Dalam siri AI dalam Logistik dan Rantaian Bekalan, ini tepat: AI bukan sihir. AI jadi bernilai bila ia disokong oleh data, proses, dan integrasi—seolah-olah berth, mooring, dan storage tank yang betul untuk industri tenaga.

Di bawah, kita guna rancangan Aster sebagai metafora praktikal untuk AI adoption di Singapore—terutamanya untuk operasi logistik, gudang, perancangan permintaan, dan pengurusan rantaian bekalan.

Apa yang Aster buat: naikkan kapasiti dan turunkan kos dengan “bottleneck fixing”

Jawapan ringkas: Aster fokus pada dua jenis kerja yang paling memberi kesan—menaik taraf loji pemprosesan dan membaiki keupayaan menerima kapal lebih besar.

Pertama, Aster menghidupkan semula dan menaik taraf condensate splitter 70,000 bpd untuk membolehkan pemprosesan 30% sour condensate (melalui rangkaian global Glencore). Kesan langsungnya bukan sekadar tambah kapasiti; ia juga meningkatkan fleksibiliti input (feedstock), yang biasanya berkait rapat dengan margin.

Kedua, Aster menjangka siap pembaikan single-buoy mooring pada 2H 2026 supaya very large crude carriers (VLCC) boleh kembali berlabuh dan menurunkan 2 juta tong setiap satu. Mereka sekarang terpaksa guna kapal lebih kecil untuk menerima crude dari Timur Tengah, Malaysia, dan Brazil.

Pelajaran operasi yang boleh dipetik: bottleneck paling mahal jarang berada pada “mesin utama”. Ia sering berada pada “infrastruktur sokongan” seperti berthing, scheduling, atau handover data.

Untuk rantaian bekalan, inilah analoginya: anda mungkin ada ERP dan WMS, tapi kalau data inbound/outbound, slotting gudang, dan perancangan permintaan masih manual atau “Excel-heavy”, AI akan jadi kosmetik sahaja.

Metafora AI yang berguna: AI perlukan “berth” sebelum ia perlukan “rocket”

Jawapan terus terang: ramai syarikat membeli AI tools dulu, kemudian baru sedar data mereka tak cukup bersih atau proses tak stabil.

Aster tidak bermula dengan slogan. Mereka bermula dengan kerja yang membolehkan aliran bahan mentah dan kapasiti meningkat secara fizikal: splitter, mooring, storage, dan tenaga.

Dalam konteks AI untuk logistik dan rantaian bekalan, “berth” anda ialah:

• Data yang boleh dipercayai (SKU master data, lead time, service level, MOQ, lokasi bin)
• Integrasi sistem (ERP–WMS–TMS, e-invoicing, EDI pelanggan/pembekal)
• Disiplin proses (scan compliance, cycle count, standard work, exception handling)
• Governance (siapa pemilik data? siapa approve perubahan parameter?)

Jika ini belum beres, model ramalan permintaan (demand forecasting) akan nampak “pintar” dalam demo tapi rapuh dalam operasi sebenar.

Kenapa 2026 terasa “dekat” untuk AI rantaian bekalan di Singapore

Jawapan yang praktikal: kos karbon dan tekanan margin memaksa operasi jadi lebih cekap, dan AI ialah cara yang paling cepat untuk menutup jurang—kalau asasnya betul.

Dalam laporan Reuters yang dipetik, disebut Singapore akan menaikkan carbon tax untuk perniagaan berpelepasan tinggi kepada $45 per tan (daripada $25 pada 2024–2025). Bila kos input meningkat (tenaga, pengangkutan, pematuhan), ruang untuk pembaziran jadi kecil.

Untuk syarikat logistik, pengilang, FMCG, atau distributor di Singapore, hasil yang biasanya paling cepat dari AI adalah:

• Pengoptimuman laluan pengangkutan untuk kurangkan km kosong dan masa idle
• Ramalan permintaan untuk kurangkan overstock/stockout
• Automasi gudang (atau sekurang-kurangnya decision automation) untuk picking, replenishment, dan slotting
• ETA prediction + exception management untuk kurangkan “firefighting” harian

4 pelajaran AI dari rancangan Aster (yang boleh anda buat bulan ini)

Jawapan ringkas: fokus pada kapasiti, kos, fleksibiliti, dan ketahanan—dalam urutan yang betul.

1) Kapasiti bukan semestinya tambah orang—kadang-kadang tambah “throughput intelligence”

Aster menaikkan kapasiti pemprosesan dari 237,000 bpd ke 307,000 bpd. Dalam rantaian bekalan, “kapasiti” boleh jadi:

• bilangan order yang boleh diproses sehari
• ketepatan pemenuhan (fill rate)
• masa kitaran (order-to-delivery)

AI yang paling masuk akal untuk ini ialah forecasting + inventory optimization. Contoh yang realistik:

• guna model ramalan mingguan per SKU/kanal
• tetapkan reorder point dan safety stock berdasarkan varians permintaan dan lead time, bukan “rule of thumb”

Sasaran yang saya suka (dan senang diukur): turunkan stockout 20% atau turunkan aged inventory 10–15% dalam 90 hari.

2) Turunkan kos dengan membaiki “akses” (mooring = integrasi)

Aster mahu VLCC kembali berlabuh kerana kapal lebih besar biasanya lebih murah per unit. Dalam AI, analoginya ialah: integrasi yang baik menurunkan kos per keputusan.

Kalau TMS anda tak dapat data live dari pelanggan, dispatcher akan buat keputusan berdasarkan telefon/WhatsApp. Itu mahal.

Projek integrasi yang kecil tapi bernilai tinggi:

• automasi import order (API/EDI) untuk pelanggan utama
• standardkan event tracking (Picked, Packed, Departed, Arrived, POD)
• bina dashboard exception harian: order lewat, kekurangan stok, route deviation

Ini bukan glamor, tapi ia menaikkan ketepatan input AI dan mengurangkan kerja manual.

3) Fleksibiliti input (sour condensate) = fleksibiliti data

Aster memproses 30% sour condensate untuk meluaskan pilihan sumber. Dalam rantaian bekalan, fleksibiliti datang bila anda boleh “makan” data dari pelbagai sumber:

• data jualan (POS/e-commerce)
• promosi pemasaran
• jadual pengeluaran
• status pembekal
• data cuaca/seasonality (berguna untuk kategori tertentu)

Bila data ini bersatu, AI boleh menjawab soalan yang pengurus operasi benar-benar peduli:

• “Kalau promosi bermula seminggu awal, stok mana akan pecah dulu?”
• “Pembekal A lewat 3 hari—SKU mana patut kita prioritise untuk replenishment?”

4) Ketahanan margin: AI sebagai “unit resilience”, bukan projek eksperimen

CFO Aster menyebut industri refining dan chemicals masih mencabar, jadi mereka perlu pelaburan yang cepat memperbaiki bottom line dan menjadikan unit lebih tahan.

Untuk syarikat Singapore, AI rantaian bekalan yang betul patut menghasilkan:

• keputusan lebih cepat (bukan tunggu mesyuarat mingguan)
• kurang variasi operasi (standard, predictable)
• kurang kejutan (exception dipapar awal)

Jika AI anda tidak mengurangkan masa membuat keputusan atau tidak mengurangkan kerja manual, itu petunjuk jelas: anda sedang membayar “demo”, bukan hasil.

Rangka tindakan 90 hari: AI praktikal untuk logistik & gudang

Jawapan paling berguna: pilih satu aliran kerja, satu dataset, satu KPI—kemudian skala.

Berikut pelan 90 hari yang saya akan cadangkan untuk banyak operasi rantaian bekalan di Singapore:

Minggu 1–2: Tetapkan KPI dan “peta bottleneck”

• pilih 1 KPI utama (contoh: OTIF, pick rate, cost per delivery, forecast accuracy)
• buat bottleneck map: di mana kerja tersangkut? receiving, picking, dispatch, planning?

Minggu 3–6: Sediakan data minimum yang bersih

• audit 20–50 SKU paling penting (Pareto)
• bersihkan master data: UOM, carton size, lead time, min order
• pastikan event log konsisten (timestamp dan status)

Minggu 7–10: Laksanakan AI “decision support” dulu

Mulakan dengan sesuatu yang mudah untuk diterima user:

• demand forecast baseline + cadangan reorder
• route planning untuk satu zon penghantaran
• slotting suggestion (fast movers dekat packing area)

Minggu 11–13: Bina rutin operasi (SOP + weekly review)

• buat SOP untuk override AI (bila boleh, bila tak boleh)
• buat weekly review: 3 graf sahaja—KPI, exception, root cause

Ini cara anda mengelakkan AI jadi projek IT semata-mata.

Soalan lazim (yang biasanya orang tanya bila mula AI rantaian bekalan)

“Kami SME. Perlu data besar dulu baru boleh buat AI?”

Tidak. Anda perlukan data yang konsisten, bukan semestinya besar. Banyak kes inventory/forecast boleh bermula dengan 12–24 bulan data jualan yang bersih.

“Patut mula dengan automasi gudang atau ramalan permintaan?”

Mulakan di tempat yang paling hampir dengan wang bocor.

• Jika masalah anda stockout/overstock: ramalan permintaan + inventory optimization dulu.
• Jika masalah anda kos operasi gudang dan produktiviti: WMS discipline + slotting/picking optimization dulu.

“Macam mana nak tahu AI vendor ni betul?”

Tanya tiga perkara yang susah dipalsukan:

1. KPI apa yang mereka sanggup komited (contoh: +10% pick rate dalam 8 minggu)?
2. Data apa yang diperlukan dan berapa lama onboarding?
3. Macam mana mereka urus exception dan audit trail (penting untuk operasi)?

Penutup: Infrastruktur dulu, baru laju

Aster sedang membina masa depan dengan membaiki infrastruktur yang membolehkan kapasiti meningkat dan kos turun—splitter, mooring, storage, dan tenaga. Prinsip itu sama untuk AI dalam logistik dan rantaian bekalan di Singapore: kalau anda mahu keputusan lebih cepat dan operasi lebih cekap, AI mesti berdiri atas data, integrasi, dan proses yang stabil.

Kalau 2026 ialah tahun banyak syarikat besar menyiapkan projek infrastruktur fizikal, ia juga masa yang sesuai untuk syarikat dari SME hingga enterprise menyiapkan “infrastruktur digital” mereka: event data, master data, dan aliran kerja keputusan.

Bila anda lihat operasi anda hari ini—bottleneck mana yang patut anda baiki dulu supaya AI benar-benar boleh meningkatkan throughput dan margin?