Kesenjangan AI Berikutnya: Mengapa Perusahaan Logistik Menengah Perlu Memperbaiki Infrastruktur Mereka Sebelum Dapat Memanfaatkan AI

Percakapan tentang AI sering fokus pada akses, dengan asumsi bahwa setelah sebuah perusahaan memiliki akses ke model dan alat yang tepat, tantangan berikutnya adalah mencari cara menggunakannya. Bagi perusahaan logistik menengah, itu belum tentu menjadi titik awal masalah.

Di banyak gudang dan penyedia logistik pihak ketiga (3PL), kesenjangan jarang disebabkan oleh sistem yang hilang. Sebagian besar sudah memiliki sistem manajemen gudang (WMS), sebuah perangkat lunak perencanaan sumber daya perusahaan (ERP) atau paket akuntansi, koneksi carrier, dan EDI dengan pelanggan mereka yang lebih besar. Masalahnya adalah apa yang terjadi di antara sistem-sistem tersebut.

Koneksi point-to-point terakumulasi seiring waktu. Seorang pelanggan atau mitra dagang terhubung dengan satu cara, mitra lain terhubung dengan cara lain, dan pada akhirnya tidak ada yang memiliki pandangan lengkap tentang apa yang berkomunikasi dengan apa. Integrasi juga bergantung pada orang, misalnya ketika seseorang memasukkan kembali pesanan dari portal pelanggan atau menyelaraskan pengiriman kemarin dalam spreadsheet setiap pagi. Sebuah 3PL mungkin tidak mengetahui transaksi gagal sampai pelanggan menelepon untuk menanyakan di mana pesanan mereka.

Semua itu tidak muncul dalam daftar aset TI, itulah mengapa mudah untuk meremehkan masalah tersebut. 

Masalahnya Ada pada Serah Terima

Masalah operasional terbesar cenderung terjadi pada serah terima, di mana sebuah pesanan, penerimaan, atau pengiriman berpindah dari satu sistem atau perusahaan ke yang lain:

• Sebuah pesanan masuk yang tiba terlambat atau tidak sesuai format dapat menyebabkan kehilangan gelombang dan tanggal pengiriman yang terlewat. 
• Pemberitahuan pengiriman awal yang tidak cocok dengan apa yang sebenarnya tiba dapat menghentikan penerimaan sementara karyawan menyelidiki setiap palet. 
• Konfirmasi pengiriman yang tidak pernah sampai ke sistem pelanggan dapat menyebabkan penundaan penagihan dan mengakibatkan chargeback, di mana pengecer memotong denda karena kegagalan kepatuhan.

Untuk sebuah 3PL, masalah-masalah ini berlipat ganda karena setiap pelanggan memiliki format, aturan, dan harapan masing-masing. Lantai gudang biasanya berjalan dengan baik, tetapi aliran informasi di sekitarnya terputus. 

Pembeda ini menjadi lebih penting ketika perusahaan memperkenalkan AI ke dalam operasinya karena AI hanya dapat bekerja dengan informasi yang tersedia baginya. Menghubungkan chatbot atau copilot ke satu sistem mungkin menjadi demonstrasi yang baik, tetapi tidak memberikan sistem tersebut visibilitas ke operasi yang melibatkan beberapa sistem.

Dalam logistik, pertanyaan yang berguna sering melintasi batas-batas tersebut, sehingga jawaban tentang sebuah pesanan mungkin memerlukan informasi dari WMS, ERP, dan sistem transportasi atau pelanggan. Alat AI yang hanya dapat melihat satu bagian dari proses tersebut bekerja dengan gambaran yang tidak lengkap.

Ada kesenjangan yang semakin besar antara perusahaan yang infrastrukturnya memungkinkan AI bekerja dengan informasi yang dibutuhkannya dan perusahaan yang sistemnya tetap terputus, dan di situlah kesenjangan AI berikutnya muncul. 

AI Membutuhkan Fondasi yang Dapat Benar-benar Digunakan

Sebuah infrastruktur yang siap AI secara nyata harus dijelaskan dalam istilah operasional, bukan istilah teknologi. Setiap peristiwa penting, seperti pesanan, penerimaan, pergerakan inventaris, atau pengiriman, harus melewati hub bersama daripada kumpulan koneksi terpisah. Format yang dikirim mitra dagang tidak seharusnya menjadi masalah gudang. X12, EDIFACT, XML, atau JSON harus dinormalisasi menjadi pesanan yang sama sebelum siapa pun di hilir harus memikirkan formatnya.

Tim perlu mengetahui kapan sesuatu gagal dalam hitungan menit, sebelum masalah tersebut mencapai pelanggan. Informasi yang sama yang digunakan karyawan untuk mengidentifikasi dan menyelesaikan masalah tersebut juga harus dapat diakses oleh perangkat lunak dan agen AI melalui API bersih yang mempertahankan izin yang ada. Selain itu, harus ada catatan tentang apa yang terjadi sehingga ketika AI mengusulkan sesuatu, seseorang dapat memeriksa alasannya. 

Ketika kondisi tersebut terpenuhi, menambahkan AI menjadi jauh lebih sederhana. Itu tidak berarti perusahaan menengah harus mengganti seluruh tumpukan teknologi mereka. Faktanya, sebuah 3PL menengah hampir tidak pernah membutuhkan WMS atau ERP baru hanya untuk menjadi siap AI. Pendekatan yang lebih praktis adalah membiarkan sistem inti tetap seperti semula dan memperbaiki koneksi di antara mereka.

Sebuah hub tunggal yang terhubung oleh setiap sistem dan mitra jauh lebih mudah dikelola daripada jaringan tautan satuan.

AI Dapat Membantu Membangun Infrastruktur

Inilah juga tempat AI dapat sangat berguna bagi perusahaan menengah. Secara tradisional, integrasi memerlukan orang untuk membaca spesifikasi mitra, memetakan bidang secara manual, dan menguji pemetaan tersebut satu per satu mitra dagang. Sebuah peta mitra tunggal dapat memakan waktu berminggu-minggu kerja langsung, pengujian, serta bolak-balik dengan mitra.

Model AI saat ini mampu membaca spesifikasi dan file contoh, mengusulkan pemetaan, dan mengujinya terhadap transaksi nyata. Seorang manusia kemudian dapat meninjau dan menyetujui hasilnya.

AI dapat mengurangi pekerjaan langsung yang diperlukan untuk menghasilkan versi pertama pemetaan EDI. Spesialis dapat memulai dengan draf, lalu meninjau dan memperbaikinya sebelum mengirimkannya melalui siklus tinjauan mitra yang ada, memungkinkan spesialis menghabiskan lebih sedikit waktu membangun pemetaan bidang demi bidang sambil mempertahankan kontrol atas output akhir.

Tetapi ada perbedaan penting antara menggunakan AI untuk integrasi dan mempercayai AI dengan integrasi.

Saat melakukan ini, saya menggunakan pendekatan yang saya sebut “Propose, Ground, Verify, Confirm.”

AI mengusulkan penyiapan mitra dan pemetaan bidang. Pendekatan ini didasarkan pada spesifikasi dan file contoh yang sebenarnya, bukan menciptakan bidang atau kode secara fiktif. Proses verifikasi terpisah membandingkan pemetaan bidang demi bidang dengan dokumen nyata. Kemudian seorang manusia mengonfirmasi hasilnya sebelum masuk ke alur pelanggan yang aktif.

Kami mempelajari mengapa disiplin tersebut penting dengan menguji peta yang dihasilkan AI terhadap dokumen produksi nyata.

Dalam satu pengujian, peta yang dihasilkan AI membaca dokumen transfer gudang tanpa kesalahan namun tetap menghilangkan semua 15 item baris. Dalam pengujian lain, peta tersebut mempertahankan semua enam pihak pada pesanan pengiriman tetapi kehilangan kode yang mengidentifikasi pihak mana yang menjadi tujuan pengiriman, serta alamat jalan. Pemeriksaan otomatis kami menyatakan peta tersebut bersih, dan seorang spesialis EDI menemukan celah tersebut.

Bahkan data referensi pun dapat salah. File standar yang mengklaim telah diperiksa silang tidak sesuai dengan standar yang dipublikasikan pada setiap segmen yang dipertanyakan yang kami uji.

Pelajarannya adalah bahwa hasil parsial dapat lebih sulit terdeteksi daripada hasil yang hilang. Verifikasi harus membandingkan setiap bidang dalam dokumen nyata dengan apa yang ditangkap peta. Mengonfirmasi bahwa dokumen dapat diparse tidak cukup.

Hasil yang dapat dipercaya bergantung pada disiplin di sekitar model, mulai dari cara penggunaannya hingga cara outputnya ditinjau.

Nilai Dimulai Sebelum AI Membuat Keputusan

Pekerjaan infrastruktur juga memiliki nilai jauh sebelum agen AI memberikan rekomendasi operasional. Sebuah 3PL yang kami bantu menjalankan SAP bersamaan dengan sistem gudangnya. Setiap penerimaan masuk memakan tiga hingga lima menit entri manual, dan inventaris di SAP tertinggal sekitar 20 menit dari dok di dermaga.

Setelah kedua sistem terhubung secara langsung, keterlambatan itu menjadi hampir real-time. Operasi tersebut menghemat lebih dari 980 jam kerja per tahun, termasuk 775 jam pada pekerjaan keluar. Pelacakan spreadsheet hilang, sementara label, bill of lading, dan packing list mulai dihasilkan secara otomatis. Gudang tetap mempertahankan alur kerja yang ada, sehingga tidak ada orang di lantai yang harus dilatih ulang.

Pelajaran yang kami dapatkan dari proyek itu lebih besar daripada penghematan tenaga kerja. Setelah dua sistem berbagi satu gambaran terkini, gambaran yang sama itulah yang dibutuhkan agen AI agar berguna.

Menghubungkannya adalah langkah yang membuat segala sesudahnya menjadi mungkin.

Kesiapan AI Dimulai dengan Integrasi

Untuk perusahaan yang memutuskan dari mana memulai, integrasi harus menjadi prioritas pertama, dengan AI melakukan sebagian besar pekerjaan integrasi. Terlalu sering kesalahan yang dilakukan operasi adalah memperlakukan AI sebagai sesuatu yang hanya cocok di akhir proses. AI dapat membantu mempercepat dan mengurangi biaya pekerjaan integrasi di awal, kemudian membantu dengan keputusan setelah fondasi tersebut terbentuk.

Perusahaan logistik menengah tidak selalu membutuhkan lebih banyak teknologi. Banyak yang sudah memiliki sistem yang mereka perlukan. Kesempatannya adalah membuat sistem‑sistem tersebut bekerja bersama. Di sinilah AI dapat memainkan peran yang melampaui sekadar menghasilkan jawaban lain di layar.