Thoát khỏi vị thế gia công: AI cho sản xuất Việt

Phần lớn nhà máy Việt Nam hiện vẫn sống bằng hợp đồng gia công, biên lợi nhuận 3–7%, phụ thuộc nặng vào đơn hàng nước ngoài. Chỉ cần khách cắt đơn, cả dây chuyền lao đao. Ở chiều ngược lại, những doanh nghiệp làm chủ thiết kế, công nghệ, dữ liệu đang giữ 20–30% giá trị trong chuỗi.

TS Lê Duy Bình, Giám đốc Economica Việt Nam, đã nói rất rõ: doanh nghiệp Việt muốn thoát khỏi vị thế gia công thì phải tập trung vào tri thức và công nghệ. Trong sản xuất, trung tâm của hai yếu tố này hiện nay chính là chuyển đổi số và AI.

Bài viết này nằm trong series “AI trong Sản xuất Việt Nam: Hướng dẫn Chuyển đổi Số”, tập trung trả lời một câu hỏi thực tế: Làm sao dùng AI để thoát cảnh gia công, tăng giá trị trong chuỗi cung ứng toàn cầu, chứ không chỉ để “cho có phong trào”?

---

1. Vì sao doanh nghiệp Việt mãi kẹt ở vị thế gia công?

Cốt lõi là chúng ta đang bán thời gian và nhân công, chứ chưa bán được tri thức và giải pháp.

1.1. Cấu trúc chuỗi giá trị đang chống lại doanh nghiệp gia công

Trong chuỗi cung ứng toàn cầu, giá trị lớn nhất nằm ở:

• Nghiên cứu & phát triển sản phẩm (R&D)
• Thiết kế, thương hiệu, marketing
• Công nghệ lõi, nền tảng dữ liệu
• Dịch vụ hậu mãi, giải pháp trọn gói

Gia công chỉ nằm ở khâu sản xuất vật lý, vốn cạnh tranh chủ yếu bằng:

• Giá nhân công rẻ
• Chấp nhận tiêu chuẩn khắt khe
• Linh hoạt về tiến độ và sản lượng

Chỉ dựa vào 3 yếu tố đó, doanh nghiệp Việt luôn bị ép giá, biên lợi nhuận mỏng. Khi chi phí lao động tăng hoặc có nước khác rẻ hơn (Bangladesh, Campuchia…), nguy cơ mất đơn hàng rất rõ.

1.2. 4 “nút thắt” phổ biến trong nhà máy Việt

Từ trải nghiệm làm việc với nhà máy cơ khí, dệt may, điện tử, mình thấy có vài điểm lặp lại:

1. Dữ liệu phân tán, ghi chép tay: nhiều xưởng vẫn dùng Excel, sổ sách. Không có dữ liệu chuẩn, nói chuyện AI là… vô nghĩa.
2. Quyết định dựa trên kinh nghiệm cá nhân: trưởng chuyền, quản đốc quyết định bằng cảm tính; khó nhân rộng, khó tối ưu.
3. Thiết kế, công nghệ phụ thuộc đối tác: khách đưa bản vẽ, quy trình; doanh nghiệp chỉ lo vận hành máy.
4. Tư duy “làm nhanh, rẻ” hơn là “làm thông minh”: khi nhắc đến AI, IoT, nhiều chủ doanh nghiệp chỉ nghĩ “đắt” và “xa vời”.

Muốn thoát gia công, phải xử lý đúng các “nút thắt” này. Và đó là nơi AI trong sản xuất có thể tạo khác biệt nếu đi đúng lộ trình.

---

2. AI giúp nâng giá trị trong chuỗi cung ứng như thế nào?

AI trong sản xuất không chỉ là vài con robot thông minh. Giá trị thật nằm ở việc ra quyết định dựa trên dữ liệu và tự động hóa những gì con người làm kém hiệu quả.

2.1. Từ “làm thuê” sang “làm chủ chất lượng và quy trình”

Khi doanh nghiệp chứng minh được mình kiểm soát chất lượng bằng dữ liệu, chứ không chỉ “đo theo cảm giác”, vị thế trong chuỗi cung ứng thay đổi rõ rệt.

Một số ứng dụng AI tạo giá trị ngay:

• Kiểm soát chất lượng bằng thị giác máy tính (computer vision)
  Camera kết hợp AI phát hiện lỗi bề mặt, sai kích thước, lệch màu… nhanh hơn và ổn định hơn so với công nhân soi tay.
  → Ít hàng lỗi, ít trả về, tăng uy tín với khách.

• Phân tích nguyên nhân lỗi bằng dữ liệu
  Thay vì “đoán” do công nhân hay do máy, hệ thống phân tích log máy, thông số vận hành, môi trường… để chỉ ra gốc rễ.
  → Chỉnh đúng chỗ, giảm lãng phí, tăng hiệu suất OEE.

• Chuẩn hóa quy trình bằng mô hình dự đoán
  AI học từ dữ liệu sản xuất để đề xuất bộ thông số tối ưu cho từng loại đơn hàng, thay vì “mỗi chuyền làm một kiểu”.

Khi làm chủ được quy trình + chất lượng, doanh nghiệp bắt đầu có tiếng nói với khách hàng, chứ không chỉ nghe yêu cầu một chiều.

2.2. Bảo trì dự đoán: từ chờ máy hỏng sang chủ động kế hoạch

Một dây chuyền dừng 2 giờ vì máy hỏng có thể làm trễ cả container xuất khẩu. Mất uy tín, mất KPI, mất khách.

Bảo trì dự đoán (predictive maintenance) dùng cảm biến + AI để:

• Theo dõi rung, nhiệt độ, dòng điện của thiết bị theo thời gian
• Phát hiện mô hình bất thường trước khi máy hỏng
• Đề xuất thời điểm bảo trì tối ưu (không quá sớm, không quá muộn)

Kết quả thường thấy:

• Giảm 30–50% thời gian dừng máy đột xuất
• Kéo dài tuổi thọ thiết bị thêm 20–40%
• Lập kế hoạch sản xuất ổn định hơn, giảm tăng ca “chữa cháy”

Đây là “món” khá phù hợp cho doanh nghiệp sản xuất Việt giai đoạn đầu, vì tác động nhanh, dễ đo bằng số.

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

Sai một chút ở kế hoạch, doanh nghiệp hoặc là thiếu hàng, hoặc là tồn kho đọng vốn.

AI có thể hỗ trợ:

• Dự báo nhu cầu dựa trên lịch sử đơn hàng, mùa vụ, tình hình kinh tế
  → Chuẩn bị nguyên vật liệu và nhân lực sát thực tế hơn.

• Lên lịch sản xuất tối ưu (scheduling)
  Giải bài toán: làm đơn nào trước, đổi khuôn lúc nào, gom lô ra sao để giảm set-up, giảm chuyển chuyền.
  → Tăng công suất sử dụng máy, rút ngắn lead time.

• Tối ưu tồn kho nguyên vật liệu và thành phẩm
  Mức tồn không “cảm tính” nữa mà dựa trên dữ liệu rủi ro, độ biến động đơn hàng, thời gian lead time nhà cung cấp.

Doanh nghiệp nào làm tốt 3 mảng trên sẽ ít bị “đối tác siết cổ” về tiến độ, đồng thời quản lý vốn lưu động nhẹ nhàng hơn.

---

3. Chuyển đổi số và AI: nên bắt đầu từ đâu cho doanh nghiệp Việt?

Nhiều chủ nhà máy nghe về AI là nghĩ ngay tới dự án vài chục tỷ, thay hết dây chuyền. Thực tế, lộ trình thông minh thường nhỏ hơn, đơn giản hơn – nhưng kỷ luật hơn.

3.1. Bước 1: Dọn dữ liệu và số hóa quy trình cốt lõi

AI ăn dữ liệu sạch. Nếu toàn bộ dữ liệu đang nằm trên giấy hoặc Excel mỗi người một kiểu, đừng vội nói đến AI.

3 việc tối thiểu:

1. Chuẩn hóa mã hàng, mã linh kiện, mã công đoạn
   Không có chuẩn, mọi phân tích đều lệch.
2. Số hóa các quy trình chính: đơn hàng, kế hoạch, sản xuất, chất lượng, bảo trì.
   Có thể bắt đầu với MES đơn giản, hoặc hệ thống tự xây nhỏ nhưng phải kỷ luật nhập liệu.
3. Gắn cảm biến cơ bản cho thiết bị quan trọng: đo thời gian chạy/dừng, sản lượng, vài thông số vận hành.

Mốc cần hướng tới: doanh nghiệp có thể trả lời được bằng số liệu theo ngày (hoặc theo ca) cho các câu hỏi:

• Hôm nay máy nào chạy, máy nào dừng, dừng do đâu?
• Tỷ lệ lỗi theo mã hàng, theo ca, theo chuyền thế nào?
• Sản lượng thực tế lệch so với kế hoạch bao nhiêu?

3.2. Bước 2: Chọn 1–2 bài toán AI “ăn tiền” nhất để làm thử

Đừng làm 10 thứ cùng lúc. Chọn 1–2 bài toán mà:

• Có dữ liệu tương đối
• Có thể đo kết quả bằng số ( giảm % lỗi, giảm giờ dừng máy, giảm tồn kho…)
• Đụng đúng “nỗi đau” mà sếp quan tâm

Gợi ý cho nhà máy Việt:

• AI kiểm tra lỗi sản phẩm bằng camera cho ngành dệt may, bao bì, linh kiện nhựa, kim loại.
• Dự báo hỏng hóc thiết bị cho xưởng cơ khí, ép nhựa, đúc, dập.
• Tối ưu lịch sản xuất cho nhà máy nhiều loại sản phẩm, nhiều công đoạn.

Làm thử 3–6 tháng, tính được ROI rõ ràng, rồi mới nhân rộng. Cách này giúp cả công nhân lẫn quản lý bớt tâm lý “AI chỉ là phong trào”.

3.3. Bước 3: Nâng dần “mức độ thông minh” lên chuỗi giá trị

Khi đã có nền tảng dữ liệu và vài use case AI chạy ổn, doanh nghiệp có thể tiến thêm:

• Góp ý, điều chỉnh thiết kế với khách hàng dựa trên dữ liệu lỗi, dữ liệu vận hành.
• Đề xuất giải pháp trọn gói: không chỉ sản xuất, mà còn đề xuất phương án đóng gói, logisitcs tối ưu.
• Làm dịch vụ dữ liệu vận hành: với một số ngành (thiết bị, máy công nghiệp), dữ liệu sử dụng thực tế có thể là tài sản để thương lượng.

Đây là giai đoạn doanh nghiệp bắt đầu rời khỏi hình ảnh “xưởng gia công”, tiến dần thành đối tác công nghệ – giải pháp.

---

4. Tư duy và tổ chức: yếu tố quyết định, không phải chỉ là công nghệ

Cùng một công nghệ, có nơi dùng để giảm chi phí đơn thuần, có nơi biến nó thành lợi thế cạnh tranh dài hạn. Khác biệt nằm ở tư duy và tổ chức.

4.1. Ban lãnh đạo phải coi dữ liệu và tri thức là tài sản

Nếu sếp chỉ quan tâm “tháng này lời bao nhiêu, đơn về chưa”, dự án AI rất dễ chết yểu.

Doanh nghiệp cần:

• Xác định dữ liệu sản xuất, dữ liệu chất lượng là tài sản chiến lược.
• Sẵn sàng đầu tư 1–3 năm cho nền tảng dữ liệu và nhân sự số, thay vì đòi “3 tháng phải hoàn vốn”.
• Đặt KPI không chỉ là sản lượng, mà còn là chỉ số số hóa và học hỏi (tỷ lệ quy trình được số hóa, số quyết định dựa trên báo cáo dữ liệu…).

4.2. Nhân sự hiện tại không bị thay thế, mà được “nâng cấp”

Nỗi lo “AI thay công nhân” khiến nhiều người chống đối im lặng. Thực tế, ở Việt Nam hiện nay, vấn đề lại là thiếu người giỏi vận hành máy, bảo trì, lập kế hoạch.

Chiến lược khôn ngoan là:

• Dùng AI để giảm việc tay chân, lặp đi lặp lại, giải phóng thời gian cho công nhân/kỹ sư học thêm kỹ năng mới.
• Đào tạo dần kỹ sư dữ liệu, kỹ sư AI ứng dụng từ chính đội ngũ kỹ thuật hiện có.
• Thiết kế lại quy trình để AI hỗ trợ ra quyết định, nhưng quyền phê duyệt cuối cùng vẫn do con người.

Doanh nghiệp nào làm việc này khéo sẽ vừa giữ được người, vừa tăng năng lực tổ chức.

---

5. Lộ trình 12–18 tháng gợi ý cho nhà máy Việt Nam

Để dễ hình dung, dưới đây là một lộ trình thực tế cho doanh nghiệp sản xuất quy mô vừa (200–500 lao động), muốn dùng AI để thoát vị thế gia công trong khoảng 12–18 tháng.

Giai đoạn 0–3 tháng: Chẩn đoán và chuẩn hóa

• Khảo sát hiện trạng dữ liệu, quy trình, thiết bị.
• Xác định 2–3 “nỗi đau” ưu tiên (lỗi nhiều, dừng máy nhiều, tồn kho lớn…).
• Chuẩn hóa mã, form, cách ghi nhận dữ liệu tối thiểu cho các nỗi đau đó.

Giai đoạn 4–9 tháng: Thí điểm AI

• Triển khai hệ thống thu thập dữ liệu đơn giản (từ máy, từ camera, từ nhân sự).
• Làm 01 dự án AI chính (ví dụ: kiểm tra chất lượng bằng camera) và 01 dự án phụ (ví dụ: dashboard phân tích lỗi).
• Đo lường liên tục: tỷ lệ lỗi, thời gian dừng máy, lead time, năng suất.

Giai đoạn 10–18 tháng: Mở rộng và gắn với chiến lược

• Mở rộng AI sang thêm một công đoạn/nhà máy.
• Bắt đầu dùng dữ liệu để đàm phán lại với khách (lead time, chất lượng, MOQ…).
• Xây dựng roadmap 3–5 năm: chuyển từ gia công sang cung cấp giải pháp sản xuất – kỹ thuật.

Doanh nghiệp không nhất thiết phải làm một mình. Có thể hợp tác với các đơn vị tư vấn, startup AI trong nước đang rất năng động, miễn là giữ được dữ liệu cốt lõi và tri thức quy trình cho riêng mình.

---

Kết nối với bức tranh lớn: AI không chỉ để giảm chi phí, mà để đổi vai

Nếu chỉ dùng AI để cắt giảm thêm vài % chi phí, doanh nghiệp Việt sẽ vẫn chỉ quanh quẩn ở “chiếu dưới” của chuỗi cung ứng toàn cầu. Mục tiêu nên rõ ràng hơn: dùng AI để tích lũy tri thức, làm chủ quy trình và dịch vụ, từ đó đổi vai từ nhà gia công sang đối tác có tiếng nói.

Trong series “AI trong Sản xuất Việt Nam: Hướng dẫn Chuyển đổi Số”, bài viết này tập trung vào câu chuyện thoát khỏi vị thế gia công. Các bài khác sẽ đi sâu hơn vào từng mảng như bảo trì dự đoán, kiểm soát chất lượng tự động, tối ưu chuỗi cung ứng.

Nếu bạn đang điều hành một nhà máy và cảm thấy mình đang phụ thuộc quá nhiều vào một vài khách hàng lớn, đây là thời điểm tốt để bắt đầu xây nền tảng dữ liệu và thử một dự án AI nhỏ. Thị trường 2025–2030 sẽ không chờ doanh nghiệp nào chỉ biết gia công.

Câu hỏi thực sự không phải là “AI có phù hợp với doanh nghiệp mình không?”, mà là: “Mình muốn đứng ở đâu trong chuỗi giá trị khi AI trở thành tiêu chuẩn, chứ không còn là lựa chọn?”