Gartner: 70% Firma Besar Akan Menjalankan Ramalan Permintaan AI Menjelang 2030

Ramalan permintaan sentiasa menjadi disiplin di mana perancangan rantaian bekalan sama ada membuktikan nilainya atau secara senyap menghakis margin. Dapatkannya dengan betul dan inventori mengalir dengan lancar; dapatkannya dengan silap dan anda secara serentak memegang terlalu banyak produk yang salah sambil kehabisan produk yang betul. Ramalan September 2025 daripada Gartner — bahawa 70% organisasi besar akan menggunakan ramalan rantaian bekalan berasaskan AI menjelang 2030 — menggambarkan empat tahun seterusnya sebagai tempoh peralihan yang menentukan, bukan evolusi yang beransur-ansur.

Apa yang Sebenarnya Dikatakan oleh Ramalan Ini

Angka utama — 70% organisasi besar — merangkumi perusahaan dengan infrastruktur data dan skala operasi yang paling mendapat manfaat daripada ramalan machine learning. Penganalisis Pengarah Gartner dalam amalan Rantaian Bekalan firma itu, Jan Snoeckx, menerangkan cadangan nilai ini sebegini: ramalan berasaskan AI memberikan "peningkatan pembuatan keputusan strategik, tindak balas lebih pantas terhadap perubahan pasaran, dan aliran kerja kolaborasi yang lebih baik."

Mekanismenya ialah peralihan dari enjin statistik tradisional — kaedah siri masa seperti ARIMA, pengelicinan eksponen, dan penguraian bermusim yang mudah — kepada model machine learning yang mampu mengesan corak bukan linear, menggabungkan isyarat luaran, dan melatih semula secara berterusan apabila keadaan berubah. Aspirasinya ialah apa yang Gartner istilahkan sebagai "ramalan tanpa sentuhan": ramalan automatik yang memerlukan kurang campur tangan manusia untuk dihasilkan, kurang penggantian manual untuk diperbetulkan, dan ketepatan yang konsisten walaupun untuk pelancaran produk baru atau senario promosi dengan data sejarah yang terhad.

Ramalan Gartner yang selari, yang dikeluarkan pada April 2026, menganggarkan perisian pengurusan rantaian bekalan yang menggabungkan AI agentic akan mencapai perbelanjaan $53 bilion menjelang 2030. Kedua-dua ramalan bersama-sama mencadangkan bukan sekadar bahawa AI sedang memasuki aliran kerja perancangan, tetapi bahawa ia sedang menyusun semula ekonomi keseluruhan lapisan perisian rantaian bekalan.

Mengapa Model Statistik Mencapai Had Kemampuannya

Kaedah ramalan statistik dibina untuk persekitaran permintaan yang stabil dengan bermusim yang konsisten dan kejutan luaran yang minima. Gambaran tersebut tidak lagi mencirikan rantaian bekalan global secara tepat sekurang-kurangnya sejak 2020. Lonjakan permintaan era pandemik, pengalihan hala di Laut Merah, pertikaian buruh pelabuhan, dan ketidaktentuan geopolitik yang berterusan telah mewujudkan isyarat permintaan yang sukar diasingkan oleh model statistik daripada hingar.

Pendekatan machine learning mengendalikan hal ini secara berbeza. Daripada menyesuaikan lengkung parametrik dengan data sejarah, ia boleh menelan isyarat tidak berstruktur — sentimen berita, corak cuaca, niat pembelian media sosial, penetapan harga pesaing — dan memberi beratnya secara dinamik. Apabila taufan diramalkan akan mengganggu kawasan pembuatan, model boleh melaraskan jangkaan permintaan untuk produk pengganti di pasaran hiliran tanpa penganalisis perlu menetapkan semula parameter enjin statistik secara manual.

Peningkatan granulariti juga ketara. Model machine learning boleh menghasilkan ramalan yang lebih kerap pada resolusi produk dan geografi yang lebih halus berbanding kaedah tradisional, membolehkan pasukan perancangan mengesan pergeseran permintaan awal pada peringkat SKU dan kod pos berbanding menunggu isyarat agregat bulanan untuk menunjukkan pergerakan.

Halangan Penerimaan Pakai yang Dikenal Pasti oleh Gartner

Gartner dengan jelas menyatakan bahawa walaupun tajuk berita yang optimistik, penerimaan pakai pada hari ini masih terhad. Tiga halangan struktur mendominasi:

• Data yang tidak lengkap: Model ML memerlukan data sejarah yang bersih, komprehensif, dan berformat konsisten merentas SKU, saluran, dan geografi. Banyak perusahaan mempunyai bertahun-tahun data ERP yang penuh dengan jurang, pengklasifikasian semula, dan migrasi sistem.
• Strategi yang tiada: Menggunakan alat ramalan machine learning tanpa pelan tadbir urus data dan pengurusan perubahan yang sepadan cenderung menghasilkan model canggih yang tidak dipercayai oleh sesiapa pun.
• Rintangan terhadap automasi: Perancang permintaan berpengalaman yang telah membina kerjaya berdasarkan pelarasan ramalan manual boleh dimaklumi merasa ragu-ragu terhadap sistem yang mendakwa dapat melakukan kerja mereka tanpa masukan mereka. Cabarannya ialah mereka bentuk kolaborasi manusia-AI yang menambah baik berbanding memintas pertimbangan perancang.

Laluan ke hadapan yang disyorkan Gartner melibatkan tiga langkah berurutan: menilai proses kolaborasi semasa dan mengenal pasti di mana campur tangan manual menambah hingar berbanding isyarat; membina strategi data yang menggabungkan data transaksi dalaman dan isyarat pasaran luaran; dan membina peta jalan teknologi yang memfasakan ramalan berasaskan AI secara bersebelahan — bukan sebagai penggantian menyeluruh — infrastruktur perancangan sedia ada.

Maksud Penerimaan Pakai 70% Menjelang 2030 bagi Pasukan Keterlihatan

Implikasinya bagi pasukan keterlihatan penghantaran adalah sekunder tetapi signifikan. Ramalan permintaan yang lebih baik bermaksud jumlah pesanan yang lebih boleh diramalkan, yang diterjemahkan kepada pelan penghantaran masuk yang lebih boleh diramalkan. Apabila perolehan dan perancangan beroperasi daripada isyarat permintaan yang dijana AI, jumlah dan masa tempahan lautan menjadi kurang tidak menentu — mengurangkan penghantaran menggegas pada saat akhir, penggulungan kapal kemuncak permintaan, dan overhead pengendalian pengecualian yang mengikat pasukan operasi.

Sisi sebaliknya ialah platform keterlihatan perlu menyuap sistem ramalan permintaan dengan data pencapaian yang tepat. Jika model ramalan AI sedang belajar daripada corak jualan sejarah yang merangkumi kelewatan pemenuhan, ramalannya akan secara sistematik mengurangkan anggaran permintaan pelanggan — menyalah tafsir penghantaran yang tertunda sebagai permintaan yang berkurangan. Data pencapaian yang bersih dan dinormalkan-pengangkut yang mengalir dari alat keterlihatan kembali ke dalam sistem perancangan itulah yang membolehkan lapisan ramalan membezakan antara isyarat permintaan dan gangguan bekalan.

Penumpuan Ramalan dan Keterlihatan

Ufuk 2030 yang digambarkan Gartner bukan sekadar cerita ramalan. Ia adalah cerita integrasi: penginderaan permintaan berasaskan AI bersambung ke hulu dengan pelaksanaan bekalan dan logistik, dan sambungan itu bergantung kepada kualiti data operasi masa nyata yang dihasilkan oleh sistem tersebut. Organisasi yang melabur dalam kedua-dua lapisan — isyarat permintaan yang tepat dan isyarat keadaan-penghantaran yang tepat — membina infrastruktur perancangan yang benar-benar adaptif berbanding canggih secara berasingan.

Bagi pengirim kargo dan 3PL yang beroperasi merentas pelbagai pengangkut dan lorong perdagangan, titik masuk praktikal ialah platform keterlihatan yang menghasilkan data pencapaian yang konsisten dan bertanda masa merentas rangkaian pengangkut. Data itu, yang disuap ke dalam lapisan ramalan permintaan, menutup gelung antara apa yang dipesan oleh pelanggan dan apa yang sebenarnya bergerak — menjadikan angka penerimaan pakai 70% yang digambarkan Gartner kurang seperti ramalan dan lebih seperti jangkaan asas.

Sumber: Gartner