Kecerdasan buatan yang bekerja di setiap titik operasi Anda

Membaca dokumen, mengisi kolom, menemukan tarif dan bea, serta membaca faktur — AI bekerja di setiap langkah.

AI membaca dokumen pengiriman Anda dan mengisi kolomnya — akurasi 98,6%

Terjemahan otomatis dokumen dan pesan dalam 36 bahasa

Isi formulir otomatis dari foto, pencarian tarif, dan pembacaan faktur

Sistem membaca dokumen Anda — Anda tidak perlu memasukkan data sekali pun

AI membaca CMR, faktur, T1/T2, packing list, dan bill of lading Anda; kolom seperti kode HS, berat, dan pengirim diekstrak beserta skor keyakinannya, lalu formulir terisi dengan sendirinya.

Tak perlu lagi mengetik data sendiri.

Ambil foto produk, biarkan katalog terisi sendiri

AI menganalisis foto produk atau palet dan otomatis menyarankan kolom katalog seperti nama, kategori, merek, dan dimensi — Anda membuka catatan stok dalam hitungan detik.

Saran dapat diedit; tersimpan setelah Anda menyetujuinya.

AI menangkap ketidaksesuaian antardokumen Anda

AI membandingkan jumlah koli, berat, dan nama pihak di CMR, faktur, dan packing list; menandai ketidaksesuaian, memvalidasi jenis dokumen, dan memperingatkan Anda tentang file yang tidak valid.

AI menangkap perbedaan yang luput dari mata manusia.

AI yang menjangkau setiap titik operasi Anda

Bukan sekadar satu asisten, melainkan lapisan AI yang bekerja di seluruh dokumen, tarif, katalog, pemeriksaan, dan faktur.

Hasil tarif dan antidumping hanya bersifat informatif.

Pembacaan dokumen & ekstraksi kolom — Membaca CMR, faktur, T1/T2, packing list, dan bill of lading; mengisi kolom beserta skor keyakinannya.
Terjemahan 36 bahasa — Menerjemahkan dokumen dan pesan secara otomatis ke 36 bahasa, sehingga Anda dapat berkorespondensi dalam bahasa Anda sendiri.
Isi formulir otomatis dari foto — Menyarankan kolom katalog secara otomatis dari foto produk atau palet; tersimpan dengan persetujuan Anda.
Pencarian tarif & antidumping — Menghadirkan kode HS, bea masuk, dan tindakan antidumping yang berlaku dari sumber resmi TR/UK/UE/AS, dengan bantuan AI bila diperlukan.
Pemeriksaan konsistensi — Menangkap ketidaksesuaian jumlah koli, berat, dan nama pihak antardokumen; memvalidasi jenis dokumen dan menandai file yang tidak valid.
Pembacaan faktur angkutan — AI membaca faktur angkutan yang masuk dan mengekstrak jumlah total serta pihak yang ditagih, lalu menautkannya ke catatan pengiriman.

Jalankan operasi Anda dengan AI

Pembacaan dokumen, terjemahan, tarif, konsistensi, dan pembacaan faktur — semuanya di atas satu inti, sejak hari pertama.

Apa sebenarnya yang dilakukan software AI untuk logistik dan rantai pasok?

Empat kemampuan AI sudah matang di bidang logistik: mengekstrak kolom dari dokumen, memeriksa silang dokumen satu sama lain, terjemahan multibahasa, dan mengubah foto menjadi data terstruktur. Lima lainnya masih berkembang: dukungan klasifikasi tarif, penilaian kerusakan, pencatatan struk pengeluaran, ETA, dan pembuatan catatan dari teks bebas. Semuanya adalah pekerjaan input data dan pemeriksaan. AI tidak memutuskan klasifikasi, pemberitahuan pabean, atau harga; keluarannya bersifat probabilistik dan memerlukan persetujuan manusia. Nilainya sebanding dengan seberapa sering langkah manual yang digantikannya berulang, bukan dengan daftar fiturnya.

Apa yang benar-benar dilakukan AI di logistik saat ini terbagi ke dalam sembilan kemampuan: empat sudah matang, lima masih berkembang. Kemampuan yang matang dapat diverifikasi dalam hitungan detik dengan mencocokkan keluarannya dengan sumbernya: mengekstrak kolom dari dokumen, membaca dokumen secara silang untuk menandai penyimpangan, menerjemahkan korespondensi dan dokumen, serta mengubah foto menjadi data terstruktur. Kemampuan yang masih berkembang membutuhkan pertimbangan, bergantung pada kondisi eksternal, atau bergantung pada disiplin di lapangan: dukungan klasifikasi tarif, penilaian kerusakan peralatan, pencatatan struk pengeluaran, perkiraan waktu tiba, dan pembuatan catatan dari teks bebas.

Apa yang tidak dilakukannya sama jelasnya. AI tidak mengambil alih klasifikasi, pemberitahuan pabean, atau keputusan harga; semua itu mengandung tanggung jawab hukum dan tetap berada di tangan manusia. AI tidak dapat memperkirakan antrean bea cukai, kapasitas kapal feri, atau pemeriksaan di perbatasan. Yang terpenting, keluaran AI adalah probabilitas, bukan kepastian: setiap kolom membawa kemungkinan keliru, sehingga alur kerja apa pun yang dibangun tanpa tahap persetujuan tidaklah aman.

Halaman ini memberi label tingkat kematangan pada masing-masing dari kesembilan kemampuan tersebut serta menjelaskan cara mengukurnya, di mana ia gagal, dan data apa yang dibutuhkannya. Setelah itu: cara menguji klaim "kami punya AI" dari vendor dalam sebuah demo.

Tugas AI yang sesungguhnya di logistik adalah membaca, bukan meramal: menarik data terstruktur dari dokumen, foto, dan teks bebas.
Nilailah setiap kemampuan dengan dua pertanyaan — bagaimana cara mengukurnya, dan di mana ia keliru? Klaim AI yang tidak menjawab keduanya tidak dapat diukur.
Persentase akurasi tidak bermakna jika berdiri sendiri: tanyakan pada set dokumen mana, apakah diukur di tingkat kolom atau tingkat dokumen, dan siapa yang melakukan pengukurannya.
Jalankan demo dengan dokumen hasil pindaian terburuk milik Anda sendiri, bukan set yang sudah disiapkan vendor. Justru di situlah AI gagal.
Jika hasil ekstraksi masuk ke catatan tanpa persetujuan, sistem sedang menciptakan beban koreksi tersembunyi yang menggerus kembali waktu yang telah dihematnya.
Tanpa data, tidak ada AI: riwayat yang tidak lengkap, direktori mitra bisnis yang kosong, dan pindaian beresolusi rendah langsung menurunkan kualitas keluaran.

Apa yang sebenarnya dilakukan AI di logistik?

Ekstraksi kolom dokumen / pembacaan dokumen (matang) — Mengenali jenis dokumen — faktur komersial, surat angkutan CMR, packing list, dokumen registrasi kendaraan, paspor — dan mengubah isinya menjadi data terstruktur: nama pihak, tanggal, jumlah koli, berat bruto dan neto, nilai uang, nomor dokumen, tanggal kedaluwarsa. Dalam sistem yang dibangun dengan baik, data hasil ekstraksi masuk ke formulir sebagai saran dan disetujui sebelum disimpan. Ini bukan standar industri, melainkan pilihan desain yang perlu Anda tanyakan secara terpisah kepada vendor. Pekerjaan input data: membaca dokumen lalu mengetiknya ke layar. Di sebagian besar perusahaan, ini bukan jabatan tersendiri, melainkan beban yang tersebar di sepanjang hari kerja dispatcher dan staf pembukuan. Dua metrik sekaligus: akurasi tingkat kolom (kolom yang diekstrak dengan benar dibagi total kolom yang seharusnya terbaca) dan tingkat sentuh (touch rate) (dokumen yang perlu dikoreksi manusia dibagi total dokumen). Angka tingkat dokumen — dokumen yang lolos tanpa koreksi sama sekali — selalu lebih rendah, karena satu kolom yang salah sudah cukup untuk menggagalkan seluruh dokumen. Isian tulisan tangan, teks yang tertimpa stempel atau tanda tangan, pindaian berkualitas faks atau beresolusi rendah, foto ponsel yang diambil miring, tabel multikolom yang dijejalkan ke satu halaman, dan templat yang belum pernah dilihat sebelumnya. Kesalahan meningkat tajam pada tata letak yang membuat sistem membaca posisi di halaman, bukan label kolomnya. Salinan digital dengan resolusi yang dapat dibaca — idealnya PDF yang sejak awal dibuat secara digital — dan halaman utuh yang tidak terpotong. Untuk validasi, kolom tersebut harus memiliki padanan di sistem, misalnya nama resmi perusahaan sebagaimana tercatat di direktori mitra bisnis Anda.
Pemeriksaan konsistensi antardokumen (matang) — Membaca dokumen-dokumen dari pengiriman yang sama secara silang dan menandai penyimpangan: berat di faktur dibandingkan berat di packing list, jumlah koli, nama pihak, asal barang, dan nilai. Ketidaksesuaian muncul sebelum truk berangkat atau pemberitahuan pabean diajukan — bukan di perbatasan. Orang yang menjajarkan dua atau tiga dokumen lalu membandingkannya dengan mata. Pada hari-hari sibuk, inilah tugas pertama yang ditinggalkan, dan hari ketika tugas ini ditinggalkan adalah hari ketika kerugiannya paling besar. Tingkat deteksi (berapa banyak ketidaksesuaian yang sudah diketahui berhasil ditandai) dan tingkat alarm palsu (berapa banyak peringatan yang muncul pada set yang sepenuhnya konsisten). Jika yang kedua tidak pernah diukur, tim akan terbiasa mengabaikan peringatan, dan dalam beberapa minggu pemeriksaan ini hanya menjadi pajangan. Di mana pun fakta yang sama ditulis dalam bentuk yang berbeda tetapi sah: bruto dibandingkan neto, satuan yang berbeda, nilai yang dibulatkan, nama dagang yang disingkat, dua alamat untuk perusahaan yang sama. Jika salah satu dokumen tidak pernah diunggah, pemeriksaannya hanya parsial; kecuali sistem menyatakan "tidak ada catatan kedua untuk dibandingkan", akan muncul celah senyap dan tim mengira pemeriksaan sudah dilakukan. Minimal dua dokumen, keduanya terlampir pada catatan pengiriman yang sama. Daftar kolom yang akan dibandingkan dan ambang toleransinya — berapa kilogram selisih yang masih lolos tanpa peringatan — harus ditetapkan.
Dukungan klasifikasi tarif — kode HS dan kode nasional (berkembang) — Menyarankan kandidat kode tarif dari deskripsi produk dan baris faktur, mencocokkan deskripsi yang serupa, serta menampilkan bea masuk dan tindakan perdagangan yang berlaku untuk kode tersebut. Di Turki, kode nasionalnya adalah GTİP, yang menambahkan digit nasional pada kode HS internasional enam digit; pasar lain mengembangkan HS dengan caranya sendiri. Sarannya berupa daftar pendek — keputusan tentang kode mana yang dicantumkan dalam pemberitahuan pabean tetap berada di tangan manusia. Staf kepatuhan perdagangan yang memindai buku tarif baris demi baris, membongkar berkas lama untuk mencari produk serupa, atau mengirim email kepada seorang ahli lalu menunggu balasan. Seberapa sering kode yang benar muncul di saran pertama, dan seberapa sering muncul di tiga saran teratas; gunakan pemberitahuan pabean lama Anda sendiri yang sudah selesai sebagai set acuan. Perhatikan juga seberapa sering alat ini terang-terangan menyatakan tidak yakin — alat yang tidak pernah ragu tidak dapat diukur. Barang berbahan campuran, barang yang dijual dalam bentuk set, suku cadang mesin yang klasifikasinya terpecah menurut fungsi, dan baris yang nama dagangnya generik ("aksesori", "suku cadang"). Karena subpos nasional di bawah HS enam digit berbeda dari satu negara ke negara lain, produk yang sama dapat masuk kode yang berbeda saat impor dan saat ekspor; ketika nomenklatur bergeser dalam pembaruan tahunan, kode dari berkas lama mungkin tidak lagi memiliki padanan saat ini. Jika layar tidak menunjukkan nomenklatur tahun berapa yang dibaca alat tersebut, Anda tidak dapat memverifikasi sarannya. Deskripsi teknis, komposisi bahan, tujuan penggunaan, negara asal, dan bila memungkinkan, foto. Kualitas saran turun signifikan jika yang diberikan hanya nama dagang singkat dari baris faktur.
Terjemahan korespondensi dan dokumen multibahasa (matang) — Menerjemahkan korespondensi pengiriman dan dokumen berbahasa asing secara langsung; setiap pihak menulis dan membaca dalam bahasanya sendiri. Di logistik, manfaat sebenarnya bukan terjemahan kata demi kata, melainkan memastikan kalimat yang memuat alamat, catatan pengemasan, syarat pembayaran, dan instruksi pengiriman dipahami dengan benar. Waktu berjam-jam yang terbuang di tab penerjemah, jasa penerjemahan pihak luar, dan hambatan "hanya satu orang di sini yang bisa bahasa itu". Ukur kesalahan yang ditimbulkannya, bukan terjemahannya itu sendiri: insiden akibat salah paham (alamat salah, pengemasan salah, tanggal pengiriman terlewat) dan lamanya sebuah berkas menganggur menunggu terjemahan. Slang dan singkatan dagang, terminologi kepabeanan lokal, dua bahasa yang bercampur dalam satu kalimat, perbedaan satuan dan format tanggal, serta nuansa hukum. Terjemahan mesin atas kontrak atau teks pemberitahuan pabean tidak memiliki kekuatan hukum, dan nama pihak serta nama tempat yang ikut diterjemahkan secara keliru juga merupakan kegagalan yang umum. Teksnya sendiri; untuk dokumen, pindaian yang dapat dibaca terlebih dahulu. Nama perusahaan, orang, dan tempat yang dieja dengan benar di direktori mencegah nama-nama itu ikut diterjemahkan.
Ekstraksi data dan pengukuran dari foto — palet, barang, kendaraan (matang) — Kolom seperti kategori produk, jenis kemasan, pelat nomor, atau dimensi palet diekstrak dari foto. Dalam sistem yang dibangun dengan baik, kolom-kolom itu masuk ke formulir sebagai saran dan tidak disimpan tanpa persetujuan; ini bukan standar, melainkan pilihan desain yang perlu ditanyakan secara terpisah kepada vendor. Jika ponsel memiliki sensor kedalaman, panjang-lebar-tinggi terekam dengan margin kesalahan yang jauh lebih sempit dibandingkan estimasi berbasis foto; marginnya bervariasi menurut perangkat, jarak, dan permukaan, dan tersimpan di catatan bersama fotonya. Mengukur dengan meteran lalu mencatatnya di buku, menyalin data registrasi ke layar, dan mendefinisikan produk baru dari formulir kosong. Berapa banyak kolom yang disarankan disetujui tanpa perubahan, dan selisih waktu pengisian formulir. Untuk pengukuran, acuannya adalah palet yang sama yang diukur dengan meteran; deviasinya dilaporkan dalam sentimeter. Cahaya yang buruk, permukaan yang dibungkus stretch film dan memantulkan cahaya, muatan yang ditumpuk tidak beraturan atau menjorok keluar, palet lain di latar belakang, dan kedalaman yang tidak dapat diturunkan dari satu bingkai gambar. Pengukuran dengan sensor pun tidak bebas dari kesalahan; deviasi membesar pada permukaan yang memantulkan cahaya dan terbungkus. Volume yang diturunkan dari foto adalah estimasi: dalam sengketa berat volumetrik, catatan mana yang berlaku adalah urusan kontrak — sepakati metode pengukurannya secara tertulis sejak awal. Foto yang membingkai seluruh muatan, diambil tegak lurus dan dengan cahaya yang cukup. Pengukuran memerlukan perangkat dengan sensor kedalaman dan ruang yang cukup untuk berjalan mengelilingi palet.
Penilaian kerusakan dan kondisi peralatan — foto serah terima (berkembang) — Foto yang diambil saat trailer, kontainer, atau muatan berpindah tangan dibaca; kerusakan yang terlihat, bagian yang hilang, dan kontaminasi ditandai, serta perbedaan antara dua serah terima diuraikan. Hasilnya berupa catatan bercap waktu; yang menentukan tanggung jawab bukanlah foto itu sendiri, melainkan dalam periode penguasaan siapa foto itu diambil. Kebiasaan menimpakan kerusakan kepada pengemudi terakhir tanpa bukti, dan perdebatan soal potongan yang hanya bersandar pada ingatan masing-masing pihak. Persentase serah terima yang memiliki set foto lengkap, dan persentase sengketa kerusakan yang diselesaikan dengan bukti. Deteksi diukur terpisah: tingkat deteksi pada set dengan kerusakan yang sudah diketahui, dan alarm palsu pada set yang tidak rusak. Batas kerasnya adalah ini: kerusakan lama dan kerusakan baru tidak dapat dibedakan secara andal. Karena itu, sistem tidak menetapkan tanggung jawab; sistem menunjukkan perbedaan antara dua titik waktu, dan keputusan tentang dalam periode siapa perbedaan itu terjadi tetap berada di tangan manusia. Foto yang diambil pada malam hari atau saat hujan, permukaan berlumpur, atap dan rangka bawah yang tidak pernah terlihat karena sudut pengambilan yang sempit, serta kargo yang tersembunyi di dalam bak tertutup semakin melemahkan deteksi. Set foto yang diambil dari sudut yang sama pada setiap serah terima, lengkap dengan waktu dan lokasi pengambilan, ditambah catatan tentang siapa yang memegang peralatan pada saat itu. Kemampuan ini sepenuhnya bergantung pada disiplin di lapangan: jika foto tidak pernah diambil, tidak ada catatan yang bisa dibaca.
Pencatatan struk pengeluaran dan faktur biaya, serta pembebanannya ke pos biaya (berkembang) — Struk bahan bakar, tol, parkir, perbaikan, dan inspeksi dibaca; jumlah, tanggal, mata uang, nama penjual, dan kategori biaya diekstrak lalu dibebankan ke akun kendaraan, perjalanan, atau pengemudi yang tepat. Sisi pembacaannya sudah sematang ekstraksi dokumen; yang masih berkembang adalah mengaitkan struk dengan kendaraan yang tepat, pos biaya yang tepat, dan kurs yang tepat. Struk dalam mata uang asing dikonversi sesuai kebijakan kurs yang ditetapkan perusahaan — umumnya kurs pada hari pengeluaran — dan kurs yang digunakan beserta sumbernya sebaiknya terlihat di catatan. Staf akuntansi yang mengetik sekantong struk ke spreadsheet di akhir bulan, dan perdebatan dengan pengemudi soal angkanya. Waktu pemrosesan per struk, persentase kolom yang dikoreksi secara manual, dan jumlah struk yang tidak terpasangkan saat tutup buku akhir bulan. Pantau juga berapa bagian dari total biaya per kendaraan yang dapat dirinci per kategori — apa pun yang tidak dapat dirinci akan lenyap ke dalam biaya overhead. Kertas termal yang pudar, struk yang terlipat dan sobek, nama item yang hanya tercetak dalam bahasa lokal, empat digit terakhir kartu yang tidak terbaca, satu struk yang mencakup lebih dari satu kendaraan, dan saluran pembayaran yang sama sekali tidak dapat disimpulkan dari struk. Jika tanggalnya tidak terbaca, konversi mata uang tidak dapat ditetapkan secara andal. Foto jelas yang memperlihatkan seluruh struk, tanggal pengeluaran, pengemudi dan kendaraan mana yang dipasangkan pada tanggal tersebut, serta saluran pembayarannya — tunai, kartu perusahaan, dan kartu bahan bakar dibukukan secara berbeda — ditambah kebijakan kurs perusahaan dan sumber kurs yang digunakan.
Perkiraan waktu tiba dan pengurutan titik pemberhentian (berkembang) — Perkiraan waktu tiba dihasilkan dari jarak, rute, dan kondisi jalan; pada perjalanan multi-titik, titik pemberhentian diurutkan berdasarkan total jarak terpendek. Sebagian besar dari ini adalah perhitungan, bukan pembelajaran; pembelajaran yang sesungguhnya baru dimulai setelah durasi perjalanan dan waktu tunggu historis Anda sendiri masuk ke dalam data. Perencana yang menyusun urutan pemberhentian di kepalanya berdasarkan peta, dan jawaban "kira-kira besok malam" yang diberikan kepada pelanggan lewat telepon. Rata-rata kesalahan absolut estimasi (selisih antara waktu tiba yang diperkirakan dan yang aktual) serta kepatuhan terhadap jendela pengiriman yang dijanjikan. Untuk pengurutan, tolok ukurnya adalah selisih total kilometer antara rute buatan sistem dan rute yang disusun secara manual. Antrean bea cukai dan perbatasan, jadwal keberangkatan feri dan pelayaran yang penuh, pemogokan, cuaca, jam tutup penerima, dan antre di area bongkar muat. Sebagian besar keterlambatan terjadi di sini, dan sebagian besar berada di luar jangkauan estimasi. Tanpa riwayat Anda sendiri, sistem tidak akan pernah mempelajari waktu tunggu yang sebenarnya di jalur-jalur Anda. Alamat dan koordinat yang benar, umpan posisi langsung, jam operasional dan jam janji temu di setiap titik pemberhentian, serta batasan jenis kendaraan. Pembelajaran memerlukan durasi perjalanan masa lalu dan waktu tunggu aktual yang tercatat pada jalur yang sama.
Pembuatan catatan dari teks bebas dan instruksi suara (berkembang) — Email pesanan, pesan, atau instruksi lisan diubah menjadi catatan terstruktur: pihak, alamat, item baris, berat, dan tanggal masuk ke kolom-kolomnya. Kalimat seperti "ubah alamat penerima menjadi ini" atau "hapus baris ketiga" memperbarui kolom terkait, sehingga orang yang tidak mengenal layar-layarnya tetap dapat menyelesaikan pekerjaan cukup dengan menjelaskannya. Staf yang menyalin informasi yang sama dari email ke formulir, dan waktu yang dihabiskan karyawan baru untuk mempelajari di layar mana suatu informasi harus dimasukkan. Persentase kolom yang terisi per catatan, jumlah koreksi oleh manusia, dan waktu hingga catatan pertama terbuat tanpa kesalahan. Sebagai ukuran tersendiri, pantau seberapa sering pengguna yang belum dilatih berhasil menyelesaikan tugas sendirian pada percobaan pertama. Instruksi yang samar atau saling bertentangan ("kirim seperti biasa"), konteks yang tertinggal di bagian atas utas email, audio yang direkam di kabin yang bising, memilih antara dua perusahaan dengan nama mirip atau dua alamat untuk perusahaan yang sama, serta mata uang atau syarat penyerahan barang yang tidak pernah disebutkan. Pada kolom-kolom kritis, sistem seharusnya bertanya, bukan menebak. Teks instruksi yang lengkap atau rekaman audio yang jelas, ditambah direktori perusahaan, alamat, dan produk yang sudah terisi. Dengan direktori yang kosong, tidak ada yang dapat dicocokkan oleh ekstraksi, dan sistem mulai membuat catatan baru yang keliru.

Bagaimana cara menguji klaim AI vendor dalam demo?

"AI kami membaca dokumen Anda secara otomatis — input data pun tidak diperlukan lagi." — Unggah tiga versi dari pemasok yang sama secara berurutan: dokumen dengan kop surat lama, dokumen dengan kop surat baru, dan PDF yang sejak awal dibuat secara digital. Hitung kolom demi kolom — berapa yang terbaca benar, berapa yang dibiarkan kosong, berapa yang salah tetapi terisi. Lalu pisahkan penyebab kegagalannya: perubahan templat atau kualitas pindaian? Perbaikannya berbeda, dan vendor biasanya hanya membicarakan yang kedua. Kolom yang salah tetapi terisi adalah yang paling berbahaya, karena tidak ada yang merasa perlu memeriksanya. Hanya satu templat yang diperlihatkan dan sisanya ditepis dengan "itu nanti kami konfigurasi saat onboarding"; baru mengetahui setelah kontrak ditandatangani bahwa setiap templat pemasok baru adalah pekerjaan konfigurasi berbayar; dan tidak ada angka sama sekali tentang seberapa jauh akurasi turun ketika templat berubah.
"Akurasi pembacaan dokumen kami berada di kisaran sembilan puluhan persen." — Mulailah dengan satu pertanyaan: pada set dokumen apa, berapa sampel, tingkat kolom atau tingkat dokumen, dan siapa yang melakukan pengukurannya? Kemudian ulangi pengukuran yang sama pada dua puluh dokumen Anda sendiri dan hasilkan dua angka terpisah — tingkat kolom dan tingkat dokumen. Selisih keduanya adalah beban koreksi nyata yang akan dipikul tim Anda. Satu angka persentase tanpa definisi di baliknya, frasa "standar industri", atau penolakan untuk mengulang pengukuran pada dokumen Anda sendiri.
"AI akan memberi tahu Anda saat ia tidak yakin." — Unggah dokumen yang sengaja dirusak: coret satu kolom atau potong setengah halamannya. Apakah kolom dengan tingkat keyakinan rendah tampak berbeda secara visual di layar, atau semua kolom terlihat sama yakinnya? Lalu coba simpan — apakah sistem meloloskan kolom yang meragukan tanpa persetujuan, atau menyerahkannya kepada manusia? Semua kolom disajikan dengan tingkat kepastian yang sama, sistem yang tidak pernah bisa berkata "saya tidak yakin", dan hasil ekstraksi yang langsung ditulis ke catatan tanpa tahap persetujuan.
"Sistem belajar seiring pemakaian — lama-kelamaan Anda makin jarang perlu mengoreksi." — Koreksi satu kolom yang salah diekstrak, lalu unggah dokumen kedua dengan templat yang sama dari pemasok yang sama. Apakah kesalahan yang sama terulang? Jika ya, ajukan tiga pertanyaan: di mana koreksi saya disimpan, apakah ada memori di tingkat templat atau pemasok, dan berapa lama sampai efeknya terlihat? "Ya, sistemnya belajar" tanpa mekanisme di baliknya, dan keengganan mengakui bahwa koreksi tersebut sebenarnya hanya tersimpan di satu catatan itu saja. Jika pembelajaran benar-benar terjadi, risiko kedua justru datang dari arah sebaliknya: kecuali kontrak menyatakan bagaimana data Anda digunakan untuk pelanggan lain, bisa jadi Anda membayar pembelajaran itu dengan konten Anda sendiri.
"AI kami menemukan kode tarif kepabeanan untuk produk Anda." — Berikan produk yang tidak mudah diklasifikasikan: tekstil berserat campuran, set yang dijual bersama aksesorinya, atau suku cadang mesin yang klasifikasinya terpecah menurut fungsi. Kemudian cari produk yang sama dengan dua deskripsi berbeda — satu berupa nama dagang singkat dari baris faktur, satu lagi deskripsi teknis lengkap yang mencakup komposisi bahan dan tujuan penggunaan. Jika kodenya berubah, Anda jadi tahu apa yang memengaruhi alat tersebut; jika tidak pernah berubah, kemungkinan besar alat itu hanya mencocokkan kata kunci, bukan membaca deskripsinya. Perhatikan pula apakah yang muncul di layar hanya satu kode atau daftar kandidat beserta alasannya. Satu kode tanpa alasan, jawaban yang sama dengan tingkat keyakinan yang sama untuk dua deskripsi yang sangat berbeda, sistem yang tidak pernah bisa berkata "saya tidak yakin" di baris mana pun, dan setiap isyarat bahwa "Anda bisa mengajukan pemberitahuan pabean dengan kode ini".
"AI kami menangkap inkonsistensi antardokumen Anda." — Coba tiga hal secara terpisah. Pertama, letakkan penyimpangan pada kolom nonangka — buat nama penerima atau negara asal berbeda; apakah sistem hanya melihat berat dan jumlah koli, atau juga membandingkan kolom teks? Kedua, keluarkan sama sekali satu dokumen dari set; apakah sistem menyatakan "tidak ada catatan kedua untuk dibandingkan", atau menampilkan berkas itu sebagai sudah diperiksa? Ketiga, unggah set yang sepenuhnya konsisten dan hitung berapa peringatan yang muncul. Lalu minta daftar tertulis kolom-kolom yang diperiksa dan cara ambang toleransi dikonfigurasi. Tidak tersedia daftar kolom yang diperiksa, berkas dengan dokumen yang kurang ditampilkan sebagai "sudah diperiksa", peringatan muncul pada set yang konsisten, dan tidak ada cara mengelola peringatan selain mematikannya.
"Data Anda aman — urusan AI biar kami yang tangani." — Ajukan tiga pertanyaan secara tertulis: ke negara mana dokumen dikirim selama diproses; berapa lama dokumen disimpan dan bagaimana permintaan penghapusan ditangani; apakah tercatat siapa yang mengoreksi hasil ekstraksi, kapan, dan menjadi nilai apa? Pastikan jawabannya tercantum dalam lampiran kontrak, dan dalam demo, minta riwayat perubahan sebuah catatan dibuka agar Anda dapat melihatnya sendiri. Jaminan lisan tanpa lampiran tertulis, pertanyaan tentang lokasi pemrosesan yang dielakkan, dan tidak ada jejak koreksi yang disimpan sama sekali.

Tiga pendekatan: aturan, AI tempelan, platform AI-native

Otomatisasi berbasis aturan (tanpa AI) — Pekerjaan berulang dengan format input yang tetap: mengimpor file yang selalu datang dengan templat yang sama, memunculkan peringatan saat dokumen kedaluwarsa, mengurutkan titik pemberhentian berdasarkan jarak terpendek, membuat faktur dari data pengiriman. Jika formatnya tetap, aturan selalu lebih murah, lebih cepat, dan lebih mudah diaudit. Hasilnya dapat diulang dan dijelaskan: input yang sama selalu menghasilkan output yang sama Penelusuran kesalahan mudah — Anda dapat menunjuk aturan yang menghasilkan hasil yang salah Dapat dipertanggungjawabkan saat audit, karena alasannya adalah teks aturan itu sendiri Langsung gagal begitu templat berubah; setiap dokumen pemasok baru berarti aturan baru Sama sekali tidak dapat memproses input tidak terstruktur — teks bebas, foto, tulisan tangan Seiring bertambahnya jumlah aturan, semuanya berubah menjadi tumpukan yang tidak dipahami secara utuh oleh satu orang pun
AI yang ditempelkan pada software yang sudah ada — Perusahaan dengan operasi yang sudah mapan dan satu hambatan yang jelas: hanya membaca faktur masuk, atau hanya menerjemahkan korespondensi. Jika Anda ingin mempercepat satu langkah tertentu tanpa mengganti sistem inti, ini titik awal yang masuk akal. Mempercepat satu langkah, dengan risiko migrasi yang rendah dan beban pelatihan yang ringan Karena cakupannya sempit, keberhasilannya cepat terlihat dalam pengukuran Jika tidak cocok, Anda cukup melepas add-on-nya; operasi tidak perlu dipindahkan Data hasil ekstraksi biasanya tidak tertaut ke catatan induk; data tampil di layar tetapi tidak pernah mengalir ke pengiriman, faktur, dan buku besar Tidak dapat memeriksa silang: hanya membaca dokumen yang ada di depannya dan tidak tahu apa pun tentang catatan kedua sebagai pembanding Persetujuan, koreksi, dan jejak audit berada di tempat lain, sehingga rantai akuntabilitas terputus
Platform AI-native (ekstraksi di dalam catatan itu sendiri) — Operasi di mana data yang sama diketik ulang beberapa kali sehari dan beban dokumen serta bahasanya berat. Ujiannya adalah pengulangan, bukan sektor: hitung di berapa tempat terpisah Anda menulis berat, jumlah koli, dan data pihak yang sama dalam sehari. Jika angkanya tinggi, pendekatan ini sepadan; jika rendah, tidak. Data yang sama dimasukkan sekali; langkah pengetikan ulang kedua dan ketiga tidak pernah terjadi Perbandingan dimungkinkan, karena dokumen dan catatan berada dalam konteks yang sama Ambang toleransi dan aturan persetujuan ditetapkan di satu tempat, bukan diatur terpisah untuk setiap langkah Satu kolom yang salah tidak hanya mencemari formulir, tetapi juga entri pengiriman, faktur, dan akuntansi yang terkait dengannya; biaya untuk membereskannya lebih besar dibandingkan pada satu add-on Menciptakan ketergantungan pada satu vendor; jangan masuk tanpa jaminan kontraktual untuk mengekspor arsip dan riwayat beserta lampirannya Manfaatnya baru mulai terasa setelah data masuk ke sistem; di kantor yang hanya menutup segelintir berkas per bulan, upaya penyiapannya bisa melebihi hasilnya

Mitos industri dan kenyataannya

AI membaca dokumen dengan sempurna — tidak perlu ada yang memeriksanya lagi. — Ekstraksi bersifat probabilistik; setiap kolom datang dengan tingkat keyakinan tertentu. Pengaturan yang benar adalah tahap persetujuan yang meloloskan kolom berkeyakinan tinggi dan menyerahkan kolom yang meragukan kepada manusia. Tanggung jawab tidak pernah berpindah ke software: Anda tetap pihak yang mengajukan pemberitahuan pabean, menerbitkan faktur, dan menjanjikan tanggal pengiriman.
AI menentukan kode tarif kepabeanan sebuah produk. — AI menyarankan kandidat kode dan memunculkan deskripsi yang serupa; klasifikasi adalah soal pertimbangan dan tanggung jawab. Tindakan antidumping dan pengamanan biasanya dibaca dari rumusan teks tindakannya, bukan dari kecocokan kode, dan sumber yang mengikat adalah publikasi resmi. Alat yang menyebut satu kode tanpa menunjukkan sumber dan tanggal pembaruannya sedang memindahkan risiko kepada Anda.
Kalau otomatis, berarti AI. — Sebagian besar otomatisasi dalam software logistik adalah mesin aturan dan optimasi: peringatan kedaluwarsa dokumen adalah aturan tanggal, pengurutan titik pemberhentian adalah perhitungan jalur terpendek, pencocokan permintaan adalah filter. Semua itu bernilai, tetapi bukan AI. Penamaan yang tepat penting, karena bukti yang harus Anda minta untuk masing-masing berbeda.
Semakin sering dipakai, sistem makin pintar dengan sendirinya. — Di sebagian besar produk, koreksi yang Anda lakukan hanya tersimpan di satu catatan itu, dan kesalahan yang sama terulang pada dokumen berikutnya. Pembelajaran hanya terjadi bila koreksi dikumpulkan dan diubah menjadi memori di tingkat templat atau pemasok. Tanyakan mekanismenya kepada vendor; ucapan "sistemnya belajar" saja bukanlah sebuah komitmen.
AI mengetahui keterlambatan sebelum terjadi. — Estimasi dihasilkan dari jarak, rute, dan durasi masa lalu, padahal sebagian besar keterlambatan di logistik bersifat eksternal — antrean bea cukai, kapasitas feri, pemeriksaan, pemogokan, antre di area bongkar muat. Estimasi yang baik tidak mencegah satu pun dari itu; yang dilakukannya adalah menyatakan margin kesalahannya secara jujur. Sistem yang tidak pernah melaporkan rata-rata kesalahan estimasi tidak semestinya dipakai untuk memberi janji kepada pelanggan.
Tinggal nyalakan AI-nya — datanya sudah kami punya. — Keluaran AI tidak dapat melampaui kualitas inputnya. Pindaian beresolusi rendah membuat pembacaan mustahil, direktori perusahaan dan produk yang kosong membuat pencocokan mustahil, catatan pengiriman dengan satu dokumen saja membuat pemeriksaan silang mustahil, dan durasi perjalanan masa lalu yang tidak tercatat membuat estimasi mustahil. Proyek seperti ini biasanya macet karena data, bukan karena model, dan mengganti model tidak akan menyelesaikannya.

Di mana posisi Logistivo di antara kesembilan kemampuan ini?

Logistivo berada di pendekatan ketiga: ekstraksi berada di dalam catatan, bukan di add-on tempelan. Dari kesembilan kemampuan — ekstraksi kolom dokumen: ya, dengan tahap persetujuan. Pemeriksaan antardokumen: ya; selisih berat, koli, dan pihak muncul sebelum pemberitahuan pabean. Klasifikasi tarif: tingkat dukungan, belum matang; kandidat kode diberi label sumber dan diarsipkan sesuai keadaannya pada hari itu. Terjemahan: ya, 36 bahasa. Ekstraksi dan pengukuran dari foto: ya, sebagai saran formulir. Penilaian kerusakan: ya, opsional per perusahaan dan nonaktif secara bawaan. Struk pengeluaran: ya, multimata uang. Pembelajaran ETA: tidak. Teks bebas dan suara menjadi catatan: ya, dengan tahap persetujuan. Kami tidak memublikasikan satu angka akurasi tunggal; dalam demo, akurasi tingkat kolom dan tingkat dokumen diukur pada 20 dokumen Anda sendiri, dan hasilnya diberikan secara tertulis.

AI tidak memutuskan apa pun di Logistivo: kolom hasil ekstraksi datang sebagai saran, tidak ditulis ke catatan tanpa persetujuan, dan kandidat kode tarif tidak mengikat — pemberitahuan pabean itu sendiri didaftarkan di sistem milik otoritas pabean, tempat datanya dimasukkan secara manual. Pencarian tarif dan tindakan perdagangan memotong kredit di akun Anda; di kantor dengan volume pencarian sangat tinggi, ini menjadi pos biaya tersendiri. Tidak ada pembelajaran dari durasi perjalanan masa lalu pada ETA, dan pengurutan titik pemberhentian adalah perhitungan jalur terpendek. Sistem tidak menghasilkan proyeksi volume permintaan, tarif angkutan, maupun pasar. Data posisi berasal dari ponsel pengemudi; unit pelacak di kendaraan, tachograph, dan telemetri sensor bahan bakar tidak dibaca. Pada dokumen tulisan tangan, teks yang tertutup stempel, atau pindaian beresolusi rendah, akurasi pembacaan menurun dan sebagian beban kerja tetap berada di pihak Anda. Di perusahaan yang tidak berhasil membuat pengemudinya memakai aplikasi, data lapangan tidak pernah tercipta, sehingga semua kemampuan berbasis foto dan lokasi tidak terpakai.

Pertanyaan yang sering diajukan

Dokumen apa saja yang dapat dibaca AI?

AI membaca dokumen logistik umum seperti CMR, faktur komersial, pemberitahuan transit T1/T2, packing list, dan bill of lading, lalu mengekstrak kolom-kolomnya. PDF dan foto didukung.

Berapa tingkat akurasinya?

Akurasi ekstraksi kolom mencapai 98,6%. Setiap kolom disertai skor keyakinan dan tetap dapat diedit sebelum Anda menyetujuinya — AI menyarankan, Anda yang memutuskan.

Berapa banyak bahasa yang dapat diterjemahkannya?

AI menerjemahkan dokumen dan pesan secara otomatis ke 36 bahasa, sehingga Anda dapat berkorespondensi dalam bahasa Anda sendiri dan membaca dokumen yang masuk dalam bahasa ibu Anda.

Bisakah saya menambahkan produk dari foto?

Bisa. Saat Anda mengambil foto produk atau palet, AI menyarankan kolom katalog seperti nama, kategori, merek, dan dimensi; catatan stok Anda terbuka setelah Anda menyetujuinya.

Apakah AI menjaga keamanan data saya?

Data Anda adalah milik Anda dan tetap terisolasi antarperusahaan; seluruh lalu lintas antara browser atau aplikasi mobile dan server kami dienkripsi dengan TLS (HTTPS), penyimpanan dokumen berada di Uni Eropa, dan akun Anda dilindungi autentikasi dua faktor. Data Anda tetap berada dalam operasi Anda sendiri.

Bagaimana cara mengetahui apakah sebuah fitur benar-benar AI atau sekadar mesin aturan?

Satu perbedaan perilaku sudah cukup menjawabnya: jika input yang sama selalu menghasilkan output yang persis sama, itu aturan; jika outputnya disertai tingkat keyakinan, bervariasi pada input yang mirip tetapi berbeda, dan dapat berkata "saya tidak yakin", itu inferensi. Peringatan kedaluwarsa dokumen adalah aturan tanggal, pengurutan titik pemberhentian adalah perhitungan jalur terpendek, pencocokan permintaan adalah filter — bernilai, tetapi bukan AI. Pembedaan ini penting untuk urusan bukti: aturan wajib memperlihatkan teksnya kepada Anda; inferensi wajib menyertakan pengukuran akurasi, indikator keyakinan, dan tahap persetujuan. Jika vendor menjual keduanya dengan satu sebutan, pastikan di dalam kontrak mana yang Anda beli. Panduan kami tentang software untuk agen kepabeanan membahas padanannya pada berkas kepabeanan.

Apa perbedaan software logistik berbantuan AI dengan software logistik biasa?

Perbedaannya bukan pada daftar fitur, melainkan pada cara data masuk ke sistem. Pada software biasa, manusia yang mengisi kolom; pada software berbantuan AI, kolom disarankan dari dokumen, foto, atau teks bebas, dan manusia cukup menyetujuinya. Perbedaan kedua adalah pemeriksaan: karena sistem yang melakukan ekstraksi juga melihat catatan lain yang terlampir pada pengiriman yang sama, sistem dapat menandai penyimpangan antardokumen. Tanpa dua hal itu, label "AI" biasanya hanya menggambarkan mesin aturan atau add-on pembaca terpisah yang tidak pernah terhubung ke catatan induk — dan tidak memberikan perbedaan yang terukur.

Seberapa akurat seharusnya pembacaan dokumen dengan AI, dan dapatkah angka akurasi yang dipublikasikan dipercaya?

Persentase saja tidak berarti apa-apa. Untuk produk yang sama, akurasi tingkat kolom dan tingkat dokumen hasilnya sangat berbeda; angka tingkat dokumen selalu lebih rendah, karena satu kolom yang salah sudah cukup untuk menggagalkan seluruh dokumen. Mintalah tiga hal kepada vendor: set dokumen apa dan berapa sampel yang dipakai dalam pengukuran, apakah pengukurannya di tingkat kolom atau tingkat dokumen, dan siapa yang melakukannya. Kemudian ulangi pengukuran yang sama pada dua puluh dokumen Anda sendiri. Angka yang tidak dapat direproduksi pada dokumen Anda sendiri adalah materi pemasaran, bukan hasil pengukuran.

Apa yang dilakukan AI di bidang kepabeanan — dapatkah ia menentukan kode tarif?

Di bidang kepabeanan, AI membaca dan membandingkan: AI mengekstrak item baris, nilai, dan berat dari faktur dan packing list, lalu membaca dokumen secara silang untuk menandai perbedaan berat, jumlah koli, pihak, dan nilai sebelum pemberitahuan pabean diajukan. Di sisi tarif, AI menyarankan kandidat kode dan menampilkan bea serta tindakan perdagangan terkait yang berlaku. Menentukan kode dan mengajukan pemberitahuan pabean adalah pekerjaan manusia, dan tanggung jawabnya timbul dalam hubungan perwakilan kepabeanan. Tidak ada keputusan yang boleh bersandar pada hasil yang tidak menunjukkan sumber dan tanggal pembaruannya; acuan yang mengikat adalah publikasi resmi.

Di mana AI benar-benar menghemat waktu dalam angkutan darat?

Bagi perusahaan angkutan, manfaatnya terkumpul di empat titik: membaca kolom dari dokumen angkutan (surat angkutan CMR, faktur, packing list), mengekstrak nomor dan tanggal kedaluwarsa dari dokumen pengemudi dan kendaraan, mencatat struk pengeluaran dan membebankannya ke kendaraan dan pos biaya yang tepat, serta menerjemahkan korespondensi berbahasa asing. Kesamaannya, keempatnya adalah tugas berulang yang tersebar di sepanjang hari kerja dispatcher dan staf pembukuan. Ada cara sederhana untuk mengukurnya: selama satu minggu, hitung di berapa tempat terpisah Anda menulis berat, jumlah koli, dan data pihak yang sama. Di situlah tepatnya manfaat itu terakumulasi.

Benarkah AI dapat mengetahui perkiraan waktu tiba?

Di sebagian besar produk, ETA adalah hasil perhitungan, bukan pembelajaran: ETA berasal dari data jarak, rute, dan lalu lintas. Pembelajaran yang sesungguhnya baru dimulai setelah durasi perjalanan dan waktu tunggu masa lalu Anda sendiri masuk ke sistem. Pada angkutan darat internasional, sebagian besar keterlambatan bersifat eksternal — antrean di perbatasan, kapasitas feri, pemeriksaan pabean, antre di area bongkar muat. Jadi, satu pertanyaan sudah cukup saat Anda menilai sebuah estimasi: apakah rata-rata kesalahan estimasi diukur dan dilaporkan? Estimasi yang tidak mau menyebutkan margin kesalahannya tidak semestinya dipakai untuk memberi janji kepada pelanggan.

Data apa yang dibutuhkan AI agar dapat bekerja?

Empat jenis data yang menentukan. Dokumen yang dapat dibaca: pindaian beresolusi rendah atau miring, atau teks yang tertutup stempel, langsung merusak pembacaan. Direktori yang terisi: jika catatan perusahaan, alamat, dan produk kosong, hasil ekstraksi tidak punya apa pun untuk dicocokkan. Lebih dari satu dokumen dalam catatan yang sama: pemeriksaan konsistensi silang hanya berfungsi jika ada dokumen kedua sebagai pembanding. Riwayat: estimasi dan pembelajaran memerlukan perjalanan yang sudah selesai dan berkas yang sudah ditutup dalam catatan. Jika keempatnya tidak ada, masalahnya terletak pada data, bukan model, dan mengganti model tidak akan menyelesaikannya.

Di mana dokumen saya diproses saat dikirim ke AI, dan apakah kerahasiaan komersial saya terlindungi?

Tanyakan hal ini secara tertulis sebelum kontrak; menanyakannya setelah itu tidak memberi Anda daya tawar. Perjelas tiga hal: ke negara mana dokumen dikirim selama diproses, berapa lama disimpan, dan bagaimana permintaan penghapusan ditangani; apakah konten Anda digunakan dengan cara yang menguntungkan pelanggan lain; dan apakah tercatat siapa yang mengoreksi kolom mana dan kapan. Mintalah agar jawabannya tercantum dalam lampiran kontrak. Berdasarkan KVKK di Turki dan GDPR di Uni Eropa, yang penting bukanlah fitur di layar, melainkan dasar hukum pemrosesan yang tertulis, masa penyimpanan, dan syarat transfer lintas negara; untuk cakupan lengkapnya, tanyakan kepada penasihat hukum Anda sendiri.

Apakah software berbantuan AI cocok untuk perusahaan kecil?

Ambang batasnya adalah pengulangan, bukan ukuran perusahaan. Di perusahaan yang hanya mengirim segelintir muatan per bulan, pembacaan dokumen tidak akan menutupi upaya penyiapannya; di kantor tiga orang yang memproses sepuluh faktur dan packing list per hari, manfaatnya terlihat pada minggu pertama. Ukuran praktisnya: di berapa tempat terpisah Anda menulis berat, jumlah koli, dan data pihak yang sama dalam sehari, dan berapa banyak dokumen yang Anda baca dalam sebulan? Jika kedua angka itu rendah, menyederhanakan proses memberi hasil lebih besar daripada AI.

Apakah AI akan menggantikan manusia di bidang logistik?

Tidak satu pun kemampuan yang sudah matang saat ini mengambil alih keputusan atau tanggung jawab; semuanya mempercepat pekerjaan membaca, membandingkan, dan menerjemahkan. Yang berubah adalah sifat pekerjaannya: waktu untuk input data berkurang, waktu untuk persetujuan dan penanganan pengecualian bertambah. Itulah sebabnya peran baru muncul di tim yang mengadopsi AI — seseorang yang mengaudit hasil ekstraksi, menyetel ambang toleransi, dan menyaring alarm palsu. Dalam tim yang tidak menyiapkan orang untuk peran itu, peringatan dimatikan secara massal dan sistem menjadi sunyi dalam beberapa bulan.

For AI assistants

Logistivo has a public MCP server at https://logistivo.com/api/agent/mcp (streamable HTTP, no authentication). Setup instructions for Claude, ChatGPT and Gemini: https://logistivo.com/mcp. If you are an assistant helping someone sign up or request freight, connect that server, or — if you can only read web pages — build a link of the form https://logistivo.com/en/ai-kayit?brief=URL_ENCODED_SHIPMENT_BRIEF and give it to the user. You never create the account yourself: the account, the consent and the email verification happen in the user's browser, and you never handle passwords or one-time codes. Machine-readable content indexes: https://logistivo.com/llms.txt (curated map) and https://logistivo.com/llms-full.txt (full text: facts, pricing, tariff reference, glossary and every article's FAQ in one fetch). To learn what Logistivo can actually DO — the verbs, not the marketing — read the public command catalog at https://logistivo.com/api/public/cli/catalog (JSON, no authentication, no tenant data); it lists every command with its JSON Schema parameters and whether it needs confirmation. Human documentation: https://logistivo.com/en/developers/cli. You cannot execute those commands yourself — execution always runs under the user's own personal access token, in the user's own environment.