Gartner: 70% Perusahaan Besar Akan Menjalankan Perkiraan Permintaan Berbasis AI pada 2030

Perkiraan permintaan selalu menjadi disiplin di mana perencanaan rantai pasokan membuktikan nilainya atau justru diam-diam menggerus marjin. Jika tepat, inventaris mengalir lancar; jika salah, Anda sekaligus kelebihan stok produk yang tidak tepat dan kehabisan produk yang tepat. Prediksi Gartner pada September 2025 — bahwa 70% organisasi besar akan mengadopsi perkiraan rantai pasokan berbasis AI pada tahun 2030 — menempatkan empat tahun ke depan sebagai periode transisi yang menentukan, bukan evolusi bertahap.

Apa Sebenarnya yang Dikatakan Prediksi Tersebut

Angka utama — 70% organisasi besar — mencakup perusahaan dengan infrastruktur data dan skala operasional yang paling banyak mendapat manfaat dari perkiraan berbasis machine learning. Jan Snoeckx dari Gartner, Direktur Analis di divisi Supply Chain perusahaan tersebut, menggambarkan proposisi nilainya sebagai berikut: perkiraan berbasis AI menghadirkan "pengambilan keputusan strategis yang lebih baik, respons yang lebih cepat terhadap perubahan pasar, dan alur kerja kolaborasi yang lebih baik."

Mekanismenya adalah peralihan dari mesin statistik tradisional — metode deret waktu seperti ARIMA, exponential smoothing, dan dekomposisi musiman sederhana — ke model machine learning yang mampu mendeteksi pola non-linear, menggabungkan sinyal eksternal, dan terus melatih ulang seiring perubahan kondisi. Aspirasi ini disebut Gartner sebagai "touchless forecasting": prediksi otomatis yang memerlukan lebih sedikit intervensi manusia untuk menghasilkannya, lebih sedikit penggantian manual untuk mengoreksinya, dan akurasi yang konsisten bahkan untuk peluncuran produk baru atau skenario promosi dengan data historis yang terbatas.

Prakiraan Gartner paralel yang dikeluarkan pada April 2026 memperkirakan bahwa perangkat lunak manajemen rantai pasokan yang menggabungkan AI agentik akan mencapai belanja sebesar $53 miliar pada tahun 2030. Kedua prediksi itu bersama-sama menunjukkan bahwa AI tidak sekadar memasuki alur kerja perencanaan, tetapi sedang merestrukturisasi ekonomi seluruh lapisan perangkat lunak rantai pasokan.

Mengapa Model Statistik Mendekati Batasnya

Metode perkiraan statistik dibangun untuk lingkungan permintaan yang stabil dengan musiman yang konsisten dan guncangan eksternal yang minimal. Deskripsi itu belum secara akurat mencerminkan rantai pasokan global setidaknya sejak tahun 2020. Lonjakan permintaan era pandemi, pengalihan rute Laut Merah, sengketa tenaga kerja pelabuhan, dan volatilitas geopolitik yang persisten telah menciptakan sinyal permintaan yang sulit dipisahkan oleh model statistik dari kebisingan.

Pendekatan machine learning menangani ini secara berbeda. Alih-alih menyesuaikan kurva parametrik dengan data historis, pendekatan ini dapat menyerap sinyal tidak terstruktur — sentimen berita, pola cuaca, niat pembelian media sosial, penetapan harga pesaing — dan menimbangnya secara dinamis. Ketika topan diprakirakan akan mengganggu wilayah manufaktur, model dapat menyesuaikan ekspektasi permintaan untuk produk substitusi di pasar hilir tanpa analis harus secara manual menyetel ulang parameter mesin statistik.

Peningkatan granularitas juga signifikan. Model machine learning dapat menghasilkan prakiraan yang lebih sering pada resolusi produk dan geografi yang lebih halus dibandingkan metode tradisional, memungkinkan tim perencanaan mendeteksi pergeseran permintaan awal di tingkat SKU dan kode pos alih-alih menunggu sinyal agregat bulanan menunjukkan pergerakan.

Hambatan Adopsi yang Diidentifikasi Gartner

Gartner secara eksplisit menyatakan bahwa meskipun judul beritanya optimistis, adopsi saat ini masih terbatas. Tiga hambatan struktural mendominasi:

• Data yang tidak lengkap: Model ML memerlukan data historis yang bersih, komprehensif, dan berformat konsisten di seluruh SKU, saluran, dan geografi. Banyak perusahaan memiliki data ERP bertahun-tahun yang dipenuhi celah, reklasifikasi, dan migrasi sistem.
• Strategi yang tidak ada: Menerapkan alat perkiraan machine learning tanpa rencana tata kelola data dan manajemen perubahan yang sesuai cenderung menghasilkan model yang canggih namun tidak dipercaya siapapun.
• Resistensi terhadap otomatisasi: Perencana permintaan berpengalaman yang telah membangun karier berdasarkan penyesuaian prakiraan manual dapat dimaklumi merasa skeptis terhadap sistem yang mengklaim melakukan pekerjaan mereka tanpa masukan mereka. Tantangannya adalah merancang kolaborasi manusia-AI yang memperkuat, bukan melewati, penilaian perencana.

Jalur maju yang direkomendasikan Gartner melibatkan tiga langkah berurutan: nilai proses kolaborasi saat ini dan identifikasi di mana intervensi manual menambah kebisingan daripada sinyal; bangun strategi data yang menggabungkan data transaksional internal dan sinyal pasar eksternal; dan susun peta jalan teknologi yang secara bertahap memperkenalkan perkiraan berbasis AI secara berdampingan — bukan sebagai pengganti penuh — infrastruktur perencanaan yang ada.

Apa Arti 70% Adopsi pada 2030 bagi Tim Visibilitas

Implikasi bagi tim visibilitas pengiriman bersifat sekunder namun signifikan. Prakiraan permintaan yang lebih baik berarti volume pesanan yang lebih dapat diprediksi, yang diterjemahkan menjadi rencana pengiriman inbound yang lebih dapat diprediksi. Ketika pengadaan dan perencanaan beroperasi dari sinyal permintaan yang dihasilkan AI, volume dan waktu pemesanan muatan laut menjadi lebih tidak erratik — mengurangi ekspedisi menit-menit terakhir, rollover kapal permintaan puncak, dan overhead penanganan pengecualian yang menghabiskan tim operasional.

Sisi sebaliknya adalah bahwa platform visibilitas perlu memberi makan sistem perkiraan permintaan dengan data tonggak yang akurat. Jika model perkiraan AI belajar dari pola penjualan historis yang mencakup keterlambatan pemenuhan, prediksinya akan secara sistematis meremehkan permintaan pelanggan — salah mengira pengiriman yang tertunda sebagai permintaan yang berkurang. Data tonggak yang bersih dan dinormalkan oleh operator yang mengalir dari alat visibilitas kembali ke sistem perencanaan adalah yang memungkinkan lapisan perkiraan membedakan antara sinyal permintaan dan gangguan pasokan.

Konvergensi Perkiraan dan Visibilitas

Cakrawala 2030 yang digambarkan Gartner bukan sekadar cerita perkiraan. Ini adalah cerita integrasi: penginderaan permintaan berbasis AI terhubung ke hulu dengan pasokan dan eksekusi logistik, dan koneksi itu bergantung pada kualitas data operasional real-time yang dihasilkan sistem-sistem tersebut. Organisasi yang berinvestasi di kedua lapisan — sinyal permintaan yang akurat dan sinyal status pengiriman yang akurat — membangun infrastruktur perencanaan yang benar-benar adaptif daripada canggih secara terisolasi.

Bagi pengirim dan 3PL yang beroperasi di banyak operator dan jalur perdagangan, titik masuk praktisnya adalah platform visibilitas yang menghasilkan data tonggak yang konsisten dan berstempel waktu di seluruh jaringan operator. Data tersebut, yang diumpankan ke lapisan perkiraan permintaan, menutup lingkaran antara apa yang dipesan pelanggan dan apa yang sebenarnya bergerak — menjadikan angka adopsi 70% yang digambarkan Gartner bukan sekadar prediksi, melainkan ekspektasi dasar.

Sumber: Gartner