Khoa học công nghệ và AI sản xuất: cơ hội vàng cho Việt Nam

Nếu nông nghiệp từng kéo Việt Nam thoát đói nghèo, công nghiệp đưa chúng ta vào nhóm thu nhập trung bình, thì khoa học công nghệ – đặc biệt là trí tuệ nhân tạo (AI) – chính là tấm vé để bước lên nhóm nước phát triển. Thông điệp Thủ tướng gửi tại tọa đàm với CEO WEF không chỉ là tầm nhìn vĩ mô, mà là lời nhắc rất trực diện với từng chủ nhà máy, giám đốc sản xuất ở Việt Nam: hoặc bạn số hóa, hoặc bạn tụt lại.

Trong chuỗi bài "AI trong Sản xuất Việt Nam: Hướng dẫn Chuyển đổi Số", bài viết này đi thẳng vào câu hỏi nhiều doanh nghiệp đang bí: Khoa học công nghệ – cụ thể là AI – sẽ giúp nhà máy Việt Nam đi nhanh hơn trên con đường trở thành “nước phát triển” như thế nào? Và thực tế, một nhà máy dệt, một xưởng cơ khí ở Bình Dương, Bắc Ninh có thể bắt đầu từ đâu, với nguồn lực có hạn?

1. Từ tầm nhìn của Thủ tướng đến bài toán rất cụ thể trong nhà máy

Thông điệp cốt lõi: khoa học công nghệ không còn là “phần thưởng” cho doanh nghiệp lớn, mà là điều kiện sống còn cho mọi doanh nghiệp sản xuất. AI không chỉ dành cho tập đoàn đa quốc gia; nó hoàn toàn triển khai được trong bối cảnh Việt Nam nếu biết chọn đúng bài toán, đúng quy mô.

Vì sao sản xuất phải đi trước trong cuộc chơi AI?

Ngành sản xuất chiếm tỷ trọng lớn trong GDP và là xương sống xuất khẩu. Nếu sản xuất không nhảy vọt về năng suất, chi phí, chất lượng, thì câu chuyện “Việt Nam thành nước phát triển” chỉ là lý thuyết. AI mang lại 3 tác động trực diện cho nhà máy:

• Giảm dừng máy, giảm phế phẩm → tăng biên lợi nhuận trên từng đơn hàng.
• Ổn định chất lượng → giữ được khách hàng FDI khó tính, không bị ép giá.
• Tối ưu nhân lực → đỡ phụ thuộc lao động giá rẻ, vì lợi thế này đang dần mất.

Nói thẳng: nếu nhà máy ở Việt Nam vẫn chạy bằng kinh nghiệm, giấy bút, Excel thủ công, thì sớm muộn cũng bị thay thế bởi những nhà máy ngay cạnh mình nhưng biết dùng dữ liệu và AI.

2. 3 mũi nhọn AI mà nhà máy Việt Nam nên bắt đầu

Cách dễ nhất để biến khẩu hiệu khoa học công nghệ thành hành động là tập trung vào vài use case rõ ràng, đo được bằng tiền. Với doanh nghiệp sản xuất Việt Nam, tôi ưu tiên 3 mảng sau.

2.1. Bảo trì dự đoán (Predictive Maintenance): cắt dừng máy, giảm chi phí

Bảo trì dự đoán là ứng dụng AI dùng dữ liệu từ máy móc (rung, nhiệt độ, dòng điện…) để dự đoán hỏng hóc trước khi nó xảy ra. Thay vì chờ máy hỏng mới sửa hoặc bảo trì theo lịch cứng nhắc, nhà máy sửa đúng lúc, đúng chỗ.

Lợi ích thường thấy:

• Giảm 30–50% thời gian dừng máy không kế hoạch.
• Tăng 3–10% OEE (hiệu suất tổng thể thiết bị).
• Giảm chi phí phụ tùng vì không thay quá sớm hoặc quá muộn.

Ví dụ thực tế ở bối cảnh Việt Nam:

• Một nhà máy nhựa tại Bình Dương gắn cảm biến rung cho máy ép, AI phát hiện mẫu rung bất thường trước khi bạc đạn hỏng. Thay vì dừng 8 giờ giữa ca, họ lên kế hoạch thay trong kỳ bảo trì cuối tuần, tránh mất hàng chục tấn sản lượng.

Bắt đầu thế nào nếu chưa từng thu thập dữ liệu?

1. Chọn 1–2 máy quan trọng nhất, thường gây dừng chuyền.
2. Gắn cảm biến IoT đơn giản (rung, nhiệt độ, dòng điện).
3. Thu vài tháng dữ liệu, gắn nhãn sự kiện hỏng hóc.
4. Dùng mô hình AI đơn giản (thường do đối tác triển khai) để cảnh báo bất thường.

Không cần “nhà máy thông minh 4.0” ngay từ đầu. Một hệ thống giám sát 5–10 máy chủ chốt đã đủ trả lời câu hỏi: AI bảo trì có đáng tiền hay không.

2.2. Kiểm soát chất lượng tự động bằng thị giác máy tính

AI thị giác máy tính (Computer Vision) cho phép camera làm thay mắt người trong khâu QC. Ở Việt Nam, nhiều công ty đang đau đầu vì:

• Công nhân kiểm tra bằng mắt dễ mệt, dễ bỏ sót lỗi.
• Yêu cầu chất lượng của khách FDI ngày càng gắt.
• Chi phí tuyển mới, đào tạo QC liên tục tăng.

Một hệ thống camera + AI có thể:

• Phát hiện vết nứt, trầy xước, sai màu, thiếu chi tiết trên bề mặt sản phẩm.
• Đo kích thước, góc, khoảng cách với sai số nhỏ.
• Lưu lại toàn bộ hình ảnh làm bằng chứng chất lượng khi khách hàng tranh chấp.

Ví dụ gần gũi:

• Xưởng linh kiện cơ khí ở Bắc Ninh lắp camera trên băng chuyền, AI phát hiện các chi tiết gia công sai kích thước hoặc có ba via. Tỷ lệ phế phẩm giảm từ 3% xuống 0,8%, mỗi tháng tiết kiệm vài trăm triệu tiền vật tư.

Các bước triển khai cơ bản:

• Chọn 1 sản phẩm có volume lớn, đang kiểm nhiều lỗi bằng mắt.
• Thu 1.000–5.000 ảnh sản phẩm tốt – lỗi, gắn nhãn.
• Huấn luyện mô hình AI nhận dạng.
• Tích hợp vào dây chuyền: sản phẩm đi qua camera, AI trả về “OK/NG”.

Ở giai đoạn đầu, có thể dùng AI để hỗ trợ QC (cảnh báo, gợi ý) thay vì thay thế hoàn toàn, giúp công nhân tin tưởng dần vào hệ thống.

2.3. Tối ưu chuỗi cung ứng và lập kế hoạch sản xuất

Chuỗi cung ứng ở Việt Nam thường “chạy bằng cảm giác” của trưởng phòng kế hoạch. Khi đơn hàng biến động, đứt gãy nguyên liệu, mọi thứ rơi vào chế độ chữa cháy. AI hoàn toàn có thể trợ giúp ra quyết định nhanh hơn, ít cảm tính hơn.

Một số ứng dụng khả thi:

• Dự báo nhu cầu dựa trên dữ liệu đơn hàng, mùa vụ, xu hướng.
• Tối ưu tồn kho nguyên liệu: đủ để không đứt chuyền, nhưng không chôn vốn.
• Gợi ý lịch sản xuất theo ràng buộc máy, ca, nhân lực, deadline.

Ví dụ: một nhà máy may ở miền Trung dùng AI phân tích 3 năm dữ liệu đơn hàng theo mùa, theo khách hàng. Kết quả: tồn kho vải giảm 20%, nhưng tỉ lệ giao hàng đúng hẹn tăng từ 85% lên 95%.

Điểm mấu chốt: bạn không cần một hệ thống ERP khổng lồ mới dùng được AI. Chỉ cần dữ liệu đơn hàng, tồn kho, kế hoạch sản xuất ở mức tối thiểu (dù đang ở Excel) là đã có thể bắt đầu xây các mô hình nhỏ.

3. Rào cản thật sự của doanh nghiệp Việt: không phải công nghệ

Phần lớn nhà máy Việt Nam không thất bại vì thiếu thuật toán, mà vì tâm lý và cách triển khai.

3.1. Tâm lý “chờ hoàn hảo” và tư duy đầu tư kiểu dự án xây dựng

Nhiều chủ doanh nghiệp muốn một lần làm luôn “nhà máy thông minh”, đầu tư vài chục tỷ, đấu thầu rầm rộ. Kết quả thường là:

• Dự án kéo dài, nhân sự mệt mỏi.
• Hệ thống quá phức tạp so với năng lực vận hành.
• Ban lãnh đạo mất niềm tin vào chuyển đổi số vì “tốn tiền mà không thấy gì”.

Thực tế, AI trong sản xuất nên được triển khai kiểu chạy thử – học – mở rộng:

1. Chọn 1 bài toán nhỏ, đo được, liên quan trực tiếp tiền (phế phẩm, dừng máy…).
2. POC (proof-of-concept) 3–6 tháng, đặt KPI rõ ràng.
3. Nếu hiệu quả, nhân rộng sang chuyền khác, nhà máy khác.

Cách làm giống như bạn thử nghiệm một công nghệ mới trong 1 dây chuyền, không bao giờ “đập đi xây lại” cả nhà máy cùng lúc.

3.2. Thiếu dữ liệu sạch và quy trình kỷ luật

AI sống bằng dữ liệu. Nhưng dữ liệu sản xuất ở ta thường:

• Ghi tay, nhập Excel muộn, thiếu hoặc sai.
• Không có chuẩn mã máy, mã lỗi, mã sản phẩm.
• Mỗi bộ phận ghi một kiểu, không khớp nhau.

Vì vậy, bước số hóa dữ liệu là điều kiện bắt buộc trước khi nghĩ tới AI:

• Chuẩn hóa mã: sản phẩm, máy, lỗi, ca, chuyền.
• Sử dụng MES, các hệ thống ghi nhận sản xuất, hoặc tối thiểu là Google Sheets/Excel có cấu trúc, cập nhật theo ca.
• Xác định rõ: dữ liệu nào là “nguồn sự thật” khi tính OEE, phế phẩm, sản lượng.

Tôi hay nói vui với chủ nhà máy: “Muốn xài AI mà dữ liệu còn chưa rõ, giống như thuê chuyên gia tư vấn mà người nhà không ai chịu nói thật cả.”

4. Lộ trình 6–12 tháng cho một nhà máy sản xuất Việt Nam

Đây là lộ trình thực tế, phù hợp với doanh nghiệp vừa và nhỏ, không có phòng R&D hoành tráng.

Giai đoạn 1 (0–3 tháng): Rõ bài toán, dọn dữ liệu

• Chọn 1–2 vấn đề “mất máu” nhất: phế phẩm cao, dừng máy nhiều, trễ giao hàng.
• Đo lại dòng chảy dữ liệu hiện có: ai ghi, ghi vào đâu, khi nào.
• Chuẩn hóa tối thiểu các mã và biểu mẫu.
• Xây mindset trong ban lãnh đạo: AI là dự án kinh doanh, không phải đồ chơi công nghệ.

Giai đoạn 2 (3–6 tháng): POC 1 use case AI

• Chọn 1 use case dễ đo tiền: bảo trì dự đoán cho 5–10 máy, hoặc QC bằng AI camera cho 1 dòng sản phẩm.
• Làm việc với đối tác công nghệ, đặt KPI cụ thể: giảm x% dừng máy, giảm y% phế phẩm…
• Tổ chức nhóm dự án nhỏ: 1 người IT/Chuyển đổi số, 1 trưởng bộ phận sản xuất, 1 người QC/bảo trì.
• Cuối kỳ POC, đánh giá ROI: tiền tiết kiệm so với chi phí triển khai.

Giai đoạn 3 (6–12 tháng): Chuẩn hóa, mở rộng, tích hợp

• Nếu POC hiệu quả, nhân rộng sang nhiều máy/làn sản xuất.
• Bắt đầu tích hợp với các hệ thống khác: tồn kho, lập kế hoạch.
• Xây dashboard KPI thời gian thực cho ban lãnh đạo: OEE, phế phẩm, dừng máy.
• Thiết kế lại quy trình làm việc để con người + AI phối hợp, tránh “làm cho có”.

Quan trọng nhất: đừng chờ “hoàn hảo” rồi mới bắt đầu. Thị trường và đối thủ không chờ bạn.

5. AI trong sản xuất và câu chuyện “Việt Nam thành nước phát triển”

Khi Thủ tướng nói khoa học công nghệ là chìa khóa để Việt Nam trở thành nước phát triển, điều đó chỉ có ý nghĩa khi được “dịch” xuống nhà máy thành những con số rất cụ thể:

• Tỷ lệ phế phẩm giảm bao nhiêu phần trăm nhờ AI kiểm tra chất lượng.
• Thời gian dừng máy giảm bao nhiêu giờ nhờ bảo trì dự đoán.
• Biên lợi nhuận cải thiện bao nhiêu nhờ tối ưu tồn kho và lập kế hoạch.

Việt Nam không thể chỉ là công xưởng giá rẻ mãi được. Lương công nhân sẽ tăng, yêu cầu môi trường, an toàn, chất lượng sẽ khắt khe hơn. Con đường hợp lý nhất là: tăng hàm lượng khoa học công nghệ trong từng sản phẩm sản xuất tại Việt Nam. Và AI trong sản xuất là mảnh ghép rất quan trọng.

Nếu bạn đang điều hành một nhà máy, câu hỏi thực tế nên là:

“Trong 12 tháng tới, mình có thể chứng minh được 1–2 dự án AI mang lại hiệu quả rõ ràng không?”

Nếu có, bạn không chỉ giúp doanh nghiệp sống khỏe hơn, mà còn góp một phần rất cụ thể vào mục tiêu mà Chính phủ đang nhắm tới. Và đó mới là cách thiết thực nhất để biến khẩu hiệu “khoa học công nghệ đưa Việt Nam thành nước phát triển” thành hiện thực trong từng ca sản xuất, từng dây chuyền.