Supply chain kelihatan seperti tempat ideal untuk AI.
Demand forecast.
Inventory.
Supplier.
Production.
Transport.
Warehouse.
Semua punya data.
Semua punya keputusan.
Semua punya biaya.
AI bisa membantu planner melihat pattern, membuat scenario, menemukan shortage, memprioritaskan exception, dan bahkan merekomendasikan action.
Pada 2026, SAP memperkenalkan berbagai AI agent supply chain untuk exception management, demand fulfillment, inventory analysis, production planning, logistics, dan asset operations. Microsoft juga memperluas generative insight untuk demand planning di Dynamics 365 Supply Chain Management.
Teknologinya semakin capable.
Tapi ada satu masalah yang tetap boring.
Data.
SAP sendiri pada 2026 menekankan reliable dan harmonized data sebagai foundation AI-driven supply chain decisions. IBM juga memberi contoh agent inventory yang awalnya terlihat sukses, lalu gagal di live operations karena tidak memahami contractual commitment, fulfillment rule, dan data yang sudah outdated.
Ini warning penting.
AI bisa mengambil keputusan yang secara lokal masuk akal tetapi secara supply chain salah.
Karena supply chain bukan satu tabel.
Ia network.
Satu keputusan inventory memengaruhi warehouse.
Warehouse memengaruhi transport.
Transport memengaruhi production.
Production memengaruhi customer.
Kalau context hilang, optimization bisa merusak downstream.
Mulai dari master data.
SKU.
Supplier.
Lead time.
Location.
Unit of measure.
Bill of material.
Customer priority.
Kalau master data tidak konsisten, AI sulit.
Contoh sederhana.
Satu supplier tercatat dengan tiga nama.
PT ABC.
ABC Indonesia.
ABC Indo.
System menganggap tiga entity.
Risk analysis pecah.
Spend analysis salah.
Lead-time history fragmented.
AI mungkin terlihat pintar tapi input-nya memang salah.
Atau unit of measure.
Satu system pakai carton.
Satu pakai piece.
Conversion tidak konsisten.
Forecast 1.000 bisa berarti 1.000 box atau 1.000 unit.
Human planner mungkin tahu dari pengalaman.
Agent bisa menjalankan angka apa adanya.
Kesalahan scale besar.
Data quality bukan glamour.
Tapi supply chain AI tidak punya jalan pintas.
Inventory accuracy juga kritis.
System bilang 500 unit.
Physical stock 420.
AI membuat replenishment plan berdasarkan 500.
Stockout datang.
Apakah forecast salah?
Belum tentu.
Input inventory salah.
Phantom stock adalah musuh.
Cycle count.
RFID.
Process discipline.
Transaction timing.
Semua memengaruhi.
AI tidak bisa melihat barang yang tidak pernah tercatat.
Lead time juga sering fake precision.
ERP punya lead time standard 14 hari.
Reality supplier kadang 10, kadang 30.
Kalau system hanya menyimpan angka master 14 tanpa actual history, model kehilangan uncertainty.
Data seharusnya menangkap distribution.
Bukan hanya satu angka.
Supplier reliability.
Season.
Port.
Customs.
Transport.
Semua memengaruhi.
AI bisa memodelkan complexity kalau datanya ada.
Kalau tidak, forecast confidence palsu.
Demand data juga punya trap.
Sales bukan demand.
Kalau barang habis, penjualan nol.
Bukan berarti tidak ada demand.
Kalau promotion membuat spike, history perlu marker.
Kalau customer pindah produk karena SKU utama kosong, substitution perlu dipahami.
Kalau marketplace campaign besar, signal berubah.
AI yang hanya membaca sales history bisa salah.
Context event perlu masuk.
Marketing calendar.
Promotion.
Price.
Stockout.
Weather jika relevan.
Holiday.
Launch.
Competitor.
Tapi jangan juga masukkan semua data hanya karena tersedia.
More data bukan automatically better.
Signal-to-noise.
Quality.
Latency.
Governance.
Harus dipikirkan.
Supply chain planning juga punya contractual rule.
IBM pada 2026 memberi contoh agent yang memindahkan inventory dari customer commitment karena hanya melihat optimization opportunity dan tidak memahami obligation.
Ini lesson besar.
Business rule yang hidup di contract atau kepala planner harus dibuat machine-readable atau minimal available untuk reasoning.
Customer A punya service level khusus.
Supplier B tidak boleh dipakai untuk produk tertentu.
Komponen C hanya approved di plant tertentu.
Inventory tertentu reserved.
AI harus tahu constraint.
Kalau tidak, keputusan “optimal” melanggar business reality.
Supply chain adalah constrained optimization.
Bukan free optimization.
Capacity juga.
Production line punya limit.
Labor.
Changeover.
Maintenance.
Yield.
Tool.
Material.
AI bisa merekomendasikan production schedule.
Tapi kalau master capacity stale, plan tidak feasible.
Planner akan override.
Kalau override terus, user kehilangan trust.
Data maintenance menjadi adoption issue.
System yang sering salah karena data buruk akan dianggap bodoh.
Model upgrade tidak memperbaiki.
Ada satu hubungan yang sering tidak disadari: AI meningkatkan value data governance.
Dulu master data jelek membuat planner bekerja manual lebih banyak.
Mereka punya workaround.
Dengan AI, workaround manusia berkurang.
Data quality menjadi lebih visible.
Ini positif kalau perusahaan merespons dengan memperbaiki foundation.
Negatif kalau mereka terus mengganti model.
Supply chain agent juga membutuhkan freshness.
Inventory lima menit lalu mungkin sudah berubah.
Shipment status semalam bisa stale.
Production order baru masuk.
Forecast update.
Latency matters.
AI answer harus menunjukkan as-of time.
“Data terakhir 09:35 WIB.”
Transparency seperti ini membantu planner.
Kalau data stale, system bisa bilang.
Jangan menyembunyikan.
Stale data dengan language confident berbahaya.
Integration data juga penting.
ERP.
WMS.
TMS.
MES.
Supplier portal.
Forecast system.
Email.
Spreadsheet.
Supply chain truth tersebar.
IBM pada Maret 2026 menulis bahwa fragmented systems dan disconnected data membuat disruption terlambat terlihat, menyebabkan premium freight, SLA miss, atau production slowdown.
AI tidak otomatis menyatukan system.
Integration tetap perlu.
Semantic mapping.
Event.
Status.
Identifier.
Timestamp.
Jika integration lemah, agent hanya punya partial picture.
Partial picture menghasilkan local optimization.
Misalnya logistics agent memilih transport termurah.
Tidak tahu production line hampir stop.
Seharusnya pilih premium freight.
Business context harus cross-domain.
Ini alasan SAP 2026 banyak bicara end-to-end orchestration, bukan isolated agent.
Planning, procurement, manufacturing, logistics, service, dan asset management perlu berbagi context.
Agent specialized boleh banyak.
Tapi objective harus align.
Kalau procurement hanya optimize purchase price, bisa memilih supplier murah dengan lead time tidak reliable.
Logistics nanti menanggung expedite cost.
Total supply chain cost naik.
AI silo mempercepat silo.
Governance perlu end-to-end metric.
Perfect order.
Service level.
Working capital.
Total landed cost.
Resilience.
Bukan hanya metric departemen.
Data quality monitoring juga perlu automated.
Missing field.
Duplicate.
Outlier.
Stale.
Schema change.
Sensor offline.
System bisa detect.
Jangan menunggu planner menemukan.
AI readiness sebenarnya termasuk data observability.
Kalau upstream feed gagal, downstream agent harus tahu.
Bukan terus decision menggunakan data kosong.
Graceful degradation.
Misalnya supplier status feed down.
Agent jangan membuat recommendation high-confidence.
Flag uncertainty.
Human takeover.
Ini maturity.
Ada juga problem historical bias.
Supply chain history penuh disruption.
COVID.
Port closure.
Geopolitics.
Demand shock.
Kalau model belajar semua tanpa context, pattern bisa distort.
Historical data perlu event label.
Model harus tahu mana normal dan exceptional.
Tidak selalu mudah.
Human domain expert membantu.
AI planning tidak menghapus planner.
Justru planner membantu interpretasi event.
SAP 2026 menggambarkan Planning Assistant yang membantu exception management, scenario, capacity issue, shortage, dan recommendation. Planner tetap review dan approve perubahan pada banyak workflow.
Ini masuk akal.
AI bisa mempercepat sense-making.
Human memegang trade-off.
Scenario planning adalah use case bagus.
“Kalau supplier ini terlambat tujuh hari?”
“Kalau demand naik 20 persen?”
“Kalau port tutup?”
AI bisa membantu generate scenario dan mitigation.
Tapi simulation engine tetap membutuhkan data model yang benar.
Garbage scenario dari garbage data tetap garbage.
Ada juga pressure untuk real-time.
Tidak semua supply chain harus real-time.
Planning horizon bulanan tidak perlu millisecond data.
Terlalu banyak update malah membuat nervous planning.
Pilih cadence sesuai decision.
Operational transport mungkin near real-time.
S&OP mungkin weekly or monthly.
AI harus mengikuti rhythm bisnis.
Data freshness requirement berbeda.
Ini mengurangi cost juga.
Perusahaan tidak perlu stream semua data setiap detik hanya karena bisa.
AI readiness harus risk-based dan use-case-based.
Untuk perusahaan Indonesia, challenge data semakin complex.
Supplier kecil mungkin kirim status via WhatsApp.
Distributor pakai spreadsheet.
Plant punya ERP berbeda.
Logistics partner punya portal.
AI integration tidak bisa mengasumsikan semua partner API-first.
Perlu practical bridge.
Structured intake.
Email parsing.
Portal.
Manual confirmation.
Tapi setiap bridge harus punya quality check.
Jangan otomatis percaya message informal untuk high-impact action.
Supply chain juga punya external data.
Weather.
Port.
Commodity.
Currency.
Geopolitical.
Regulation.
Semua bisa membantu risk sensing.
Tetapi external source perlu trust score.
Data vendor bisa salah.
News bisa rumor.
AI sebaiknya membedakan confirmed event dan signal.
Planner perlu tahu confidence.
Jangan satu berita membuat purchase order berubah otomatis.
Ada satu principle yang sangat worth diingat.
AI tidak memperbaiki data buruk.
AI membuat data buruk lebih actionable.
Itu justru berbahaya.
Spreadsheet salah yang dulu dibaca satu planner mungkin hanya membuat satu keputusan buruk.
Agent yang membaca data salah bisa mengeksekusi ratusan keputusan.
Scale memperbesar consequence.
Karena itu sebelum autonomous supply chain, perusahaan perlu trustworthy supply chain data.
Master data.
Transaction accuracy.
Timestamp.
Source.
Business rule.
Contract.
Constraint.
Lineage.
Ownership.
Semua boring.
Semua essential.
AI bisa membantu menemukan problem data.
Anomaly.
Duplicate.
Missing.
Conflict.
Bagus.
Gunakan AI juga untuk memperbaiki foundation.
Jangan hanya untuk decision.
Pada akhirnya supply chain AI paling powerful ketika data dan process sudah cukup matang.
Agent bisa melihat exception lebih cepat.
Planner bisa menjalankan scenario.
Inventory lebih tepat.
Disruption bisa ditangani sebelum membesar.
Tapi ketika data buruk, model pintar hanya memberi keputusan buruk dengan kecepatan yang lebih tinggi.
Dan supply chain tidak butuh keputusan cepat kalau arahnya salah.
Ada satu layer lagi yang sering terlupakan: data lineage. Planner perlu tahu angka forecast atau inventory berasal dari system mana, kapan diambil, dan transformasi apa yang terjadi sebelum sampai ke agent. Tanpa lineage, ketika hasil aneh muncul, team sulit membedakan apakah problem ada di model, source, mapping, atau timing.
Supply chain AI juga perlu data ownership yang nyata. Field penting harus punya owner. Lead time supplier siapa yang maintain? Minimum order quantity siapa yang update? Customer priority siapa yang approve? Kalau semua merasa “itu data system”, biasanya tidak ada yang benar-benar bertanggung jawab.
Data quality juga bukan proyek sekali bersih. Supplier berubah, SKU baru masuk, plant tambah, policy update. Monitoring harus continuous.
Perusahaan bisa membuat score sederhana per domain: completeness, freshness, consistency, duplicate rate, dan exception. Agent high-risk jangan diberi autonomy tinggi kalau data domain-nya masih merah.
Ini lebih jujur daripada memaksa semua workflow menjadi autonomous sekaligus.
Bacaan terkait
Artikel ini berada dalam Industry Intelligence dan mengikuti metodologi editorial Undercover.id. Format terkait tersedia di Reports dan analisis mendalam.