Hambatan tak terlihat: Mengapa mil terakhir dimulai dari rak gudang?

Tugas manual termahal di gudang: Mengapa logistik akan segera menjadi tidak mungkin tanpa AI

Pengiriman di hari yang sama bukan lagi kemewahan, tetapi standar mutlak. Namun, sementara pelanggan mengharapkan pesanan mereka tiba di depan pintu mereka dalam waktu singkat, industri logistik berjuang di balik layar dengan kekurangan tenaga kerja terampil yang belum pernah terjadi sebelumnya dan bersifat struktural. Hambatan dalam konflik tujuan ini seringkali terletak pada titik di mana otomatisasi sebelumnya telah mencapai batasnya: pengambilan pesanan, yang terkenal sebagai "langkah terakhir". Di sinilah generasi baru robot berbasis AI yang mampu belajar menjanjikan terobosan. Alih-alih perombakan total yang mahal, sistem cerdas ini beradaptasi dengan infrastruktur gudang yang ada, belajar secara mandiri dengan setiap barang yang diambil, dan mengurangi kekurangan personel tanpa membuat manusia menjadi tidak dibutuhkan. Pelajari mengapa sistem yang kaku sudah usang, bagaimana teknologi ini memberikan keuntungan dalam praktiknya, dan mengapa robot pengambilan pesanan cerdas akan menentukan daya saing dalam lanskap pemenuhan pesanan di masa depan.

Mampukah proses pengambilan pesanan Anda mengimbangi peningkatan permintaan?

Pada tahun 2026, pengiriman di hari yang sama tidak lagi menjadi pembeda, tetapi menjadi harapan baru. Di Amerika Serikat, lebih dari 80 persen dari semua pengiriman bahan makanan online kini dilakukan di hari yang sama, dan dalam segmen ini, pangsa pesanan yang dikirim dalam waktu kurang dari tiga jam meningkat dari sedikit lebih dari setengah menjadi hampir dua pertiga dari total pengiriman dalam satu kuartal. Semua pertumbuhan pasar selama periode tersebut berasal dari pesanan yang dipenuhi dalam waktu satu jam. Pada saat yang sama, pengiriman ultra cepat kurang dari satu jam sudah mencakup 18 persen dari semua pesanan pengiriman dan 10 persen dari pesanan pengiriman ke rumah.

Percepatan ini menggeser hambatan dalam rantai nilai ke tempat yang paling tidak terlihat tetapi paling berdampak: zona pengambilan barang. Setiap pengurangan waktu pengiriman di bagian depan langsung menciptakan lebih banyak tekanan pada proses di dalam gudang, terutama pada apa yang disebut "langkah terakhir," yaitu, mengeluarkan barang-barang individual dari kontainer dan mengemasnya untuk pengiriman. Bagi perusahaan e-grocery dan pemenuhan pesanan, ini secara bersamaan berarti lebih banyak pesanan, lebih banyak variasi produk, dan waktu tunggu yang semakin singkat, sementara margin kesalahan mendekati nol.

Beban struktural sebagai pengganti hambatan sementara

Kekurangan tenaga kerja terampil di bidang logistik pergudangan bukan lagi fenomena musiman, melainkan kondisi struktural industri tersebut. Menurut statistik IAB, lebih dari 60.000 posisi logistik pergudangan tetap kosong di Jerman pada tahun 2025, peningkatan yang signifikan dibandingkan tahun-tahun sebelumnya. Sebagai perbandingan, pada kuartal keempat tahun 2024, sekitar 45 persen perusahaan pergudangan yang disurvei menyatakan bahwa operasional bisnis mereka saat ini terhambat oleh kekurangan tenaga kerja terampil, sedangkan angka ini berada di bawah sepuluh persen pada awal survei tahun 2009. Meskipun kekurangan tersebut sedikit mereda dari puncaknya baru-baru ini, namun tetap berada pada tingkat yang tinggi secara historis.

Hal ini disebabkan oleh kombinasi faktor-faktor yang sulit diatasi dalam jangka pendek. Sekitar sepertiga pekerja logistik sudah berusia di atas 50 tahun, sementara pekerja yang lebih muda semakin memilih karir akademis daripada pelatihan kejuruan di bidang pergudangan atau pengiriman barang. Ditambah lagi dengan tugas-tugas yang menuntut fisik, kerja shift, dan upah yang lebih rendah dibandingkan sektor lain, yang semakin mengurangi daya tarik pekerjaan di gudang. Meskipun mayoritas, yaitu 63,3 persen, profesional logistik percaya bahwa orang yang beralih karir dari industri lain setidaknya dapat mengurangi kekurangan tenaga kerja, efek ini saja tidak cukup untuk menutup kesenjangan struktural.

Kombinasi antara meningkatnya permintaan dan berkurangnya ketersediaan staf menciptakan konflik tujuan yang persis sama dengan yang dialami banyak manajer operasional: produktivitas dan akurasi diharapkan meningkat, sementara sumber daya untuk mencapai tujuan tersebut semakin langka. Fluktuasi kinerja pengambilan pesanan, misalnya karena cuti sakit, tingginya tingkat pergantian staf, atau puncak musiman, akibatnya menyebabkan keterlambatan yang secara langsung berdampak pada persepsi pelanggan.

Robotika sebagai solusi untuk masalah proses, bukan sebagai tujuan akhir itu sendiri

Di sinilah generasi baru robot pemetik bertenaga AI hadir, yang secara fundamental berbeda dari solusi otomatisasi lama yang kaku. Robot pemetik sebelumnya membutuhkan pemrograman yang kompleks dan titik pegangan tetap untuk setiap produk baru, sehingga tidak praktis untuk berbagai macam produk dengan tingkat variasi yang tinggi, yang lazim di sektor e-grocery. Sistem modern, di sisi lain, menggunakan pemrosesan gambar tiga dimensi yang dikombinasikan dengan algoritma pembelajaran mendalam yang telah dilatih sebelumnya untuk mengenali dan menggenggam barang tanpa memperhatikan bentuk, ukuran, transparansi, atau tekstur permukaan, tanpa memerlukan pelatihan terpisah untuk setiap produk.

Contoh yang mencolok datang dari spesialis perlengkapan asal Swiss, OPO Oeschger, yang sengaja memilih pendekatan yang berlawanan ketika mengintegrasikan solusi pengambilan barang berbasis AI: Alih-alih menyesuaikan gudang dengan robot, robot tersebut disesuaikan dengan gudang yang sudah ada. Robot pengambilan barang diintegrasikan langsung ke dalam stasiun kerja pengambilan pesanan yang sudah ada dan mengambil alih langkah-langkah kerja yang sebelumnya dilakukan secara manual: melepas alas anti-selip dari kontainer tujuan, mengambil barang yang dibutuhkan dari kontainer sumber, dan menempatkannya di dalam karton pengiriman sebelum sistem konveyor yang ada mengambil alih aliran material selanjutnya. Kecerdasan buatan secara mandiri mengenali barang-barang tersebut dan memutuskan bagaimana suatu produk ditempatkan dan ditumpuk di dalam kontainer tujuan.

Pendekatan integrasi ini sangat penting secara ekonomi karena membantah anggapan umum bahwa otomatisasi pasti memerlukan perombakan total infrastruktur gudang. Sistem robotik semakin dapat diintegrasikan ke dalam stasiun kerja pengambilan barang yang sudah ada, teknologi konveyor, dan sistem penyimpanan seperti AutoStore, alih-alih memerlukan desain ulang fasilitas secara menyeluruh. Hal ini secara signifikan menurunkan hambatan investasi, memungkinkan operator untuk memperkenalkan otomatisasi secara bertahap daripada secara drastis.

Bagaimana teknologi tersebut telah terbukti dalam praktiknya

Manfaat sistem ini paling terlihat dalam penerapan operasional skala besar. Rohlik Group, yang mengoperasikan platform makanan online Knuspr dan Gurkerl, telah memperluas penerapannya menjadi 24 robot pemetik yang dikendalikan AI di pusat logistiknya di Berlin, Schönefeld, setelah pengenalan awal satu robot di lokasi Schönefeld. Robot-robot ini sekarang merakit pesanan di pusat pemenuhan pesanan di Berlin dan Wina, dengan lokasi lain, seperti Frankfurt, yang direncanakan akan menyusul dalam beberapa bulan mendatang. Perusahaan bahkan berencana untuk meningkatkan jumlah robot hingga mencapai angka tiga digit dalam jangka panjang. Robot-robot ini mengambil alih salah satu langkah manual terakhir yang tersisa dalam operasi gudang: pengambilan dan pengemasan produk individual secara tepat baik di lingkungan berpendingin maupun tidak berpendingin.

Kepala Grup Otomasi dan Ekspansi di Rohlik menekankan bahwa program robotika ini dikembangkan dari awal untuk secara fundamental mengubah pengiriman makanan, dengan skalabilitasnya di berbagai pasar secara bersamaan yang meletakkan dasar bagi masa depan logistik otomatis di sektor e-grocery. Efek serupa juga dapat diamati di luar sektor makanan. Di fasilitas manufaktur yang bertransisi ke disiplin proses berbasis AI dalam intralogistik, waktu tunggu keseluruhan menurun sebesar 84 persen dan waktu tunggu dari pemesanan hingga pengiriman menurun sebesar 77 persen. Dalam kasus lain yang terdokumentasi, tingkat kesalahan menurun sebesar 68 persen dan produktivitas meningkat dua digit, dengan seluruh proses pengambilan barang dikonversi dalam satu minggu.

Penyedia otomatisasi terkemuka dari sektor teknik mesin juga memposisikan diri di bidang ini. Siemens, bersama dengan spesialis intralogistik Mecalux, telah mengembangkan perangkat lunak pemrosesan gambar berbasis AI yang disebut Simatic Robot Pick AI, yang memungkinkan robot untuk menggenggam barang apa pun tanpa memandang bentuk dan ukurannya, sehingga mewujudkan sistem dengan throughput tinggi hingga 1.000 operasi pengambilan per jam dalam operasi 24/7. Dalam kolaborasi lain, Siemens, Universal Robots, dan produsen kamera Zivid menggabungkan teknologi masing-masing untuk mendeteksi objek transparan dan tembus pandang secara andal, yang sebelumnya menimbulkan tantangan teknis yang signifikan, terutama pada kemasan yang terbuat dari kaca atau film bening.

LTW Intralogistics – Insinyur Alur - Gambar: LTW Intralogistics GmbH

LTW menawarkan kepada pelanggannya bukan komponen individual, melainkan solusi lengkap yang terintegrasi. Konsultasi, perencanaan, komponen mekanik dan elektroteknik, teknologi kontrol dan otomatisasi, serta perangkat lunak dan layanan – semuanya terhubung dan terkoordinasi dengan tepat.

Produksi komponen kunci secara internal sangatlah menguntungkan. Hal ini memungkinkan pengendalian kualitas, rantai pasokan, dan antarmuka yang optimal.

LTW merupakan singkatan dari keandalan, transparansi, dan kemitraan kolaboratif. Loyalitas dan kejujuran tertanam kuat dalam filosofi perusahaan – jabat tangan masih memiliki makna di sini.

Berkaitan dengan ini:

• Solusi LTW

Dari automata kaku ke sistem pembelajaran

Dari perspektif ekonomi, kemajuan penting dari generasi teknologi ini bukan hanya otomatisasi itu sendiri, tetapi juga pergeseran dari otomatisasi berbasis aturan ke otomatisasi berbasis pembelajaran. Klasifikasi industri sekarang membedakan beberapa tahapan pengembangan otomatisasi pengambilan pesanan, mulai dari sistem semi-otomatis sederhana dengan pemrosesan gambar dan pemindaian kode batang tetap, hingga robot yang sebagian besar otonom, sampai robot pengambilan pesanan yang cerdas dan mampu belajar, yang saat ini dianggap sebagai tahap paling maju. Pada tingkat tertinggi ini, kemampuan robot untuk terus meningkatkan diri menjadi hal yang utama, memungkinkan sistem untuk beroperasi tidak hanya secara otonom, tetapi juga adaptif dan mengoptimalkan diri sendiri.

Komponen pembelajaran ini memecahkan masalah ekonomi utama dari generasi otomatisasi sebelumnya: kurangnya skalabilitas ketika jangkauan produk berubah atau bertambah. Dengan sistem yang sudah memiliki kemampuan AI yang telah dilatih sebelumnya, produk baru tidak perlu lagi dilatih secara individual karena kemampuan dasarnya sudah mencakup spektrum objek yang luas. Hal ini sangat penting untuk industri dengan jangkauan produk yang sangat dinamis, seperti farmasi, fesyen, e-commerce, dan pemrosesan pengembalian barang. Robot seluler otonom, yang menavigasi lorong-lorong gudang dengan troli belanja seperti manusia, mengambil dan mengkonsolidasikan pesanan, telah dilatih lebih dari satu miliar kali. Pembelajaran mesin membuatnya lebih presisi dengan setiap pengambilan berikutnya, sementara stasiun barang-ke-person pelengkap untuk barang-barang berat atau sulit dijangkau memastikan keandalan pengambilan yang konsisten sebesar 100 persen.

Selain itu, sistem seperti ini tidak memerlukan infrastruktur tetap seperti rak atau sabuk konveyor dan beroperasi dengan rak dan kontainer standar, memungkinkan penerapan yang cepat dan otomatisasi rantai pasokan ujung-ke-ujung tanpa mengubah secara mendasar proses logistik yang ada. Pendekatan infrastruktur ringan ini berbeda secara signifikan dari sistem penyimpanan kubus atau solusi antar-jemput, yang memerlukan struktur grid tetap, dan dengan demikian memberikan operator fleksibilitas yang jauh lebih besar dalam otomatisasi bertahap fasilitas mereka yang ada.

Faktor manusia tetap menjadi hal yang utama

Terlepas dari kemajuan teknologi yang mengesankan, penggunaan robot AI sama sekali tidak berarti penggantian total tenaga kerja manusia dari gudang. Sebaliknya, model hibrida semakin muncul di mana robot secara andal dan mudah menangani tugas-tugas pengambilan barang yang terstandarisasi, berulang, atau menuntut secara ergonomis, sementara karyawan dibebaskan dari tugas-tugas ini dan dapat berkonsentrasi pada kasus-kasus khusus, kontrol kualitas, atau manajemen proses secara keseluruhan. Pembagian kerja ini terbukti sangat berharga mengingat kekurangan tenaga kerja terampil yang sedang berlangsung, karena mengarahkan sumber daya personel yang ada secara khusus ke tugas-tugas yang benar-benar membutuhkan penilaian manusia.

Dari perspektif ekonomi, perkembangan ini juga dapat dilihat sebagai respons terhadap perubahan demografis. Mengingat angkatan kerja di mana sepertiga karyawan sudah berusia di atas 50 tahun dan jumlah kaum muda yang memasuki angkatan kerja semakin berkurang, otomatisasi tugas-tugas yang menuntut fisik dan berulang tampaknya bukan lagi ancaman terhadap lapangan kerja, melainkan kompensasi yang diperlukan untuk hambatan struktural yang tidak dapat diatasi hanya melalui perekrutan. Hubungan ini juga secara eksplisit diakui dari perspektif pemasok: dampak kekurangan tenaga kerja dapat dikurangi oleh robot pemetik yang dikendalikan AI, sekaligus meningkatkan efisiensi operasional di gudang.

Penilaian ekonomi investasi versus manfaat

Pertanyaan bisnis utama ketika memperkenalkan sistem semacam itu bukan lagi soal kelayakan teknis, yang kini sebagian besar sudah teratasi, melainkan perhitungan ekonomi dalam setiap kasus individual. Yang terpenting, solusi robotika AI modern dapat diintegrasikan ke dalam stasiun kerja pengambilan pesanan yang sudah ada, alih-alih memerlukan sistem yang sepenuhnya baru, yang secara signifikan mempersingkat periode amortisasi dibandingkan dengan investasi skala besar tradisional dalam sistem penyimpanan otomatis. Bagi operator dengan teknologi konveyor atau sistem AutoStore yang sudah ada, ini berarti bahwa langkah terakhir yang sebelumnya manual dapat dipasang kembali tanpa mengganggu aliran material yang sudah ada.

Pada saat yang sama, peningkatan efisiensi yang terdokumentasi menunjukkan pengaruh ekonomi yang signifikan. Pengurangan tingkat kesalahan sebesar 68 persen, ditambah dengan peningkatan produktivitas dua digit dalam satu minggu implementasi, mewakili skala yang hampir mustahil dicapai dengan optimasi proses tradisional. Lebih lanjut, throughput hingga 1.000 pengambilan pesanan per jam dalam operasi 24/7 terus menerus menunjukkan bahwa sistem ini tidak hanya mengkompensasi kekurangan staf tetapi juga dapat menciptakan kapasitas tambahan, yang sangat penting untuk menangani permintaan puncak untuk pengiriman di hari yang sama dan pengiriman ultra cepat.

Meskipun demikian, penting untuk mempertimbangkan bahwa tidak setiap jenis produk dan tidak setiap struktur gudang sama-sama cocok untuk robotisasi. Sistem yang bergantung pada titik pegangan tetap dan objek yang telah terstruktur sebelumnya menawarkan fleksibilitas yang lebih rendah daripada solusi adaptif dan pembelajaran. Oleh karena itu, pilihan tingkat otomatisasi yang tepat bergantung pada jenis produk tertentu, volume pesanan, dan infrastruktur yang ada. Perusahaan yang berinvestasi terlalu dini pada sistem yang tidak sesuai berisiko gagal mewujudkan peningkatan efisiensi yang diharapkan dan malah menambah kompleksitas dalam proses mereka.

Gambaran pemenuhan kebutuhan di tahun-tahun mendatang

Kombinasi antara kekurangan tenaga kerja terampil secara struktural, meningkatnya biaya operasional, dan ekspektasi pelanggan yang tak terhindarkan bergeser ke arah pengiriman di hari yang sama dan bahkan di hari yang lebih cepat menjadikan otomatisasi pengambilan pesanan sebagai salah satu keputusan investasi paling mendesak dalam industri pemenuhan pesanan di tahun-tahun mendatang. Kecerdasan buatan dalam logistik semakin berkembang dari proyek otomatisasi semata menjadi disiplin proses komprehensif yang digerakkan oleh AI yang mengintegrasikan keamanan, kualitas data, dan kepatuhan proses ke dalam otomatisasi, alih-alih mengoperasikan solusi yang terisolasi dan berdiri sendiri. Lembaga penelitian seperti Fraunhofer Institute for Material Flow and Logistics juga menekankan bahwa optimasi lokasi penyimpanan berbasis AI, identifikasi otomatis pengangkut muatan, dan transfer proses robotik simulasi ke lingkungan dunia nyata semakin berjalan beriringan untuk memungkinkan perencanaan proaktif dan membuka potensi efisiensi tambahan.

Bagi operator yang saat ini sedang mempertimbangkan untuk berinvestasi dalam robot pemetik berbasis AI, pasar telah menyediakan tolok ukur yang andal: mulai dari integrasi yang ditargetkan ke dalam satu stasiun kerja pemetik hingga penskalaan ke armada yang terdiri dari banyak robot, dan berpotensi ratusan, di beberapa negara. Oleh karena itu, pertanyaan krusialnya bukan lagi apakah kecerdasan buatan akan mengubah proses pemetikan pesanan, tetapi seberapa cepat masing-masing perusahaan dapat memanfaatkan perubahan ini sebelum kesenjangan dengan pesaing yang sudah terotomatisasi menjadi terlalu besar.

Konrad Wolfenstein

Saya akan dengan senang hati menjadi penasihat pribadi Anda.

Anda dapat menghubungi saya di wolfenstein∂xpert.digital atau

Hubungi saya di +49 7348 4088 965 .

LinkedIn
 

Konsultasi, perencanaan, dan implementasi solusi lengkap untuk gudang bertingkat tinggi dan sistem penyimpanan otomatis - Gambar: Xpert.Digital

Informasi selengkapnya di sini:

• Konsultasi & perencanaan gudang bertingkat tinggi: Gudang bertingkat tinggi otomatis – Optimalisasi penyimpanan palet secara otomatis sepenuhnya – Optimasi gudang