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

Hơn 80% giá trị gia tăng trong chuỗi cung ứng toàn cầu nằm ở khâu thiết kế, công nghệ, thương hiệu và dịch vụ – chứ không nằm ở khâu gia công thuần túy. Phần lớn doanh nghiệp sản xuất Việt Nam lại đang đứng đúng ở đoạn… ít giá trị nhất đó.

TS Lê Duy Bình, Giám đốc Economica Việt Nam, đã nói rất thẳng: doanh nghiệp Việt phải tập trung vào tri thức và công nghệ nếu muốn vượt khỏi vị thế gia công, nâng giá trị trong chuỗi cung ứng toàn cầu. Trong bối cảnh 2025, công nghệ cốt lõi mà các nhà máy trên thế giới đang đầu tư mạnh nhất là AI trong sản xuất.

Bài này nằm trong series “AI trong Sản xuất Việt Nam: Hướng dẫn Chuyển đổi Số”, tập trung vào một câu hỏi: Doanh nghiệp Việt phải làm gì, thực tế và từng bước, để thoát khỏi gia công nhờ AI và chuyển đổi số?

---

1. Vấn đề cốt lõi: Vì sao mãi chỉ làm gia công?

Muốn thoát gia công thì phải nói thẳng: đa số nhà máy Việt đang kẹt ở ba điểm yếu lớn.

Thứ nhất: phụ thuộc đơn hàng và bản vẽ từ nước ngoài.
Doanh nghiệp làm theo “spec” của khách, giá do khách quyết, lịch sản xuất do khách quyết. Khả năng thương lượng gần như bằng 0.

Thứ hai: cạnh tranh bằng giá nhân công, không phải bằng tri thức.
Lương công nhân thấp, ca kíp kéo dài, làm thêm triền miên để bù biên lợi nhuận mỏng. Mô hình này không thể kéo dài khi:

• Lương tối thiểu tăng mỗi năm
• Yêu cầu về môi trường, ESG, an toàn lao động ngày càng cao
• Các nước khác (Bangladesh, Campuchia, châu Phi…) còn rẻ hơn

Thứ ba: dữ liệu và công nghệ gần như bị bỏ trống.
Nhiều nhà máy đã có ERP, MES, SCADA… nhưng dữ liệu nằm im trong server, không được biến thành “trí tuệ sản xuất”. Không phân tích, không tối ưu, không dự báo.

Thực tế: doanh nghiệp nào chỉ dừng ở “tự động hóa cơ bản” mà không bước sang “sản xuất thông minh dựa trên dữ liệu và AI” thì sớm muộn vẫn chỉ ở vai trò gia công.

Đây là lý do TS Lê Duy Bình nhấn mạnh tri thức và công nghệ. Mà trong giai đoạn 2024–2030, “công nghệ” ở nhà máy gần như đồng nghĩa với AI + dữ liệu.

---

2. AI giúp doanh nghiệp Việt thoát gia công như thế nào?

Cốt lõi của việc thoát gia công là tăng giá trị trên mỗi đơn vị sản phẩm và tăng quyền chủ động trong chuỗi cung ứng. AI chạm trực tiếp vào cả hai điểm này.

2.1. Tăng năng suất và giảm lỗi – nền tảng để thương lượng giá

AI trong sản xuất (AI for Manufacturing) cho phép:

• Bảo trì dự đoán (predictive maintenance):
  Mô hình AI phân tích rung động, nhiệt độ, dòng điện… để dự đoán máy sắp hỏng trước khi nó dừng. Một số nhà máy trên thế giới giảm được tới 30–50% thời gian dừng máy không kế hoạch.

• Tối ưu thông số máy (process optimization):
  AI phân tích dữ liệu quá khứ để đề xuất cài đặt tối ưu: nhiệt độ, áp suất, tốc độ, thời gian chu kỳ… giúp:

  • Tăng năng suất 5–15%
  • Giảm phế phẩm, tái chế 10–30%

• Tự động kiểm tra chất lượng bằng thị giác máy tính (computer vision):
  Thay vì 10 công nhân soi lỗi bằng mắt, hệ thống camera + AI có thể kiểm tra 100% sản phẩm, phát hiện lỗi nhỏ mà mắt người khó thấy.

Khi năng suất cao hơn, lỗi thấp hơn, doanh nghiệp có biên lợi nhuận tốt hơn và lịch sử chất lượng ổn định. Từ đó, vị thế trong đàm phán giá và điều kiện hợp đồng với khách hàng FDI tăng lên rõ rệt.

2.2. Bước từ gia công lên “ODM nhẹ” nhờ dữ liệu và mô phỏng

Không phải doanh nghiệp nào cũng nhảy thẳng từ OEM (gia công) lên OBM (tự thương hiệu). Bước đi thực tế hơn là:

• Từ OEM → ODM nhẹ: vẫn sản xuất theo đặt hàng, nhưng có đóng góp vào thiết kế, tối ưu quy trình, chọn vật liệu…

AI hỗ trợ giai đoạn này bằng:

• Mô phỏng và tối ưu thiết kế (design optimization):
  Trong ngành nhựa, kim loại, dệt may kỹ thuật…, AI có thể gợi ý thay đổi kết cấu hoặc quy trình để giảm vật liệu, giảm thời gian chu kỳ, nhưng vẫn giữ chất lượng.

• Phân tích chi phí theo cấu phần (cost breakdown analytics):
  Khi hiểu chính xác yếu tố nào đội chi phí (vật tư, năng lượng, thời gian máy, bảo trì…), doanh nghiệp có thể chủ động đề xuất phương án thiết kế/ quy trình tối ưu hơn với khách.

Khi bạn mang tới cho khách hàng không chỉ “năng lực sản xuất” mà còn cả “giải pháp kỹ thuật tối ưu chi phí”, bạn không còn là xưởng gia công thuần túy nữa.

2.3. Chuỗi cung ứng thông minh – từ bị động sang chủ động

AI trong tối ưu chuỗi cung ứng giúp doanh nghiệp Việt bớt phụ thuộc, đỡ bị khách “dắt mũi” về lịch giao hàng và tồn kho.

Một số ứng dụng thực tế:

• Dự báo nhu cầu (demand forecasting):
  Dùng dữ liệu quá khứ, mùa vụ, xu hướng thị trường để dự báo nhu cầu, chuẩn bị nguyên vật liệu hợp lý, tránh vừa thiếu vừa thừa.

• Lập kế hoạch sản xuất tối ưu (production scheduling):
  AI có thể tính toán hàng nghìn tổ hợp lệnh sản xuất, thời gian chuyển đổi máy, nhân công, đơn gấp… để tìm lịch sản xuất tối ưu theo mục tiêu: ít đổi khuôn nhất, giao hàng đúng hạn nhất, chi phí thấp nhất.

• Tối ưu tồn kho (inventory optimization):
  Giảm tồn kho “chết” nhưng vẫn đảm bảo an toàn cung ứng. Mức tiết kiệm 10–20% vốn tồn kho là hoàn toàn khả thi.

Chuỗi cung ứng thông minh không chỉ tiết kiệm chi phí mà còn tạo uy tín giao hàng ổn định – điều mà các tập đoàn đa quốc gia đánh giá rất cao khi chọn nhà cung cấp chiến lược.

---

3. Lộ trình 4 bước: Từ nhà máy gia công đến nhà máy dùng AI

Nhiều chủ doanh nghiệp nghe tới AI là thấy… xa vời và đắt đỏ. Thực tế, lộ trình hợp lý hoàn toàn có thể bắt đầu nhỏ, rủi ro thấp, nhưng vẫn rõ kết quả.

Bước 1: Chuẩn hóa dữ liệu và số hóa hiện trạng

Bạn không thể làm AI nếu không có dữ liệu.

Cần làm rõ 3 việc:

1. Chuẩn hóa quy trình và chỉ số (KPIs):
   • Tỷ lệ lỗi theo công đoạn?
   • Thời gian dừng máy?
   • OEE hiện tại?
   • Lead time từ đặt hàng đến giao hàng?

1. Số hóa dữ liệu sản xuất quan trọng:
   Nếu chưa có hệ thống, có thể bắt đầu bằng:

   • Tablet/ điện thoại để nhập dữ liệu công đoạn
   • Cảm biến đơn giản đo nhiệt độ, rung, dòng điện ở các máy quan trọng
   • Chuẩn hóa form ghi nhận lỗi, phế phẩm

2. Gom dữ liệu về một nơi có cấu trúc:
   Không cần quá phức tạp, nhưng phải:

   • Truy xuất được dữ liệu lịch sử
   • Đảm bảo dữ liệu sạch ở mức chấp nhận được

Bước 2: Chọn một bài toán “win nhanh” để chứng minh giá trị

Tôi luôn khuyên doanh nghiệp chọn 1–2 bài toán rõ ràng, đo lường được, ví dụ:

• Giảm phế phẩm ở một dây chuyền cụ thể
• Giảm dừng máy không kế hoạch ở 3 máy quan trọng
• Tự động hóa kiểm tra chất lượng cho 1 công đoạn có tỷ lệ lỗi cao

Tiêu chí chọn:

• Dữ liệu đủ: đã có hoặc tạo được trong 1–3 tháng
• Tác động tài chính rõ: nếu cải thiện 10–20% là thấy ngay tiền
• Phạm vi hẹp: dễ triển khai, ít đụng chạm tổ chức

Khi dự án nhỏ này thành công, bạn có:

• Case thực tế để thuyết phục ban lãnh đạo, cổ đông
• Niềm tin của đội ngũ sản xuất
• Mô hình chuẩn để nhân rộng sang dây chuyền khác

Bước 3: Xây năng lực nội bộ về dữ liệu và AI

Thoát gia công không thể phụ thuộc mãi vào tư vấn bên ngoài. Doanh nghiệp phải xây năng lực tri thức nội bộ.

Tối thiểu nên có:

• Một nhóm “data & improvement” 3–5 người gồm:

  • 1–2 kỹ sư công nghệ thông tin/ tự động hóa
  • 1–2 kỹ sư quy trình/ IE/ QA hiểu sâu hiện trường
  • 1 người “bridge” biết cả sản xuất và dữ liệu

• Chương trình đào tạo cơ bản về dữ liệu và AI cho quản lý:
  Không cần thành data scientist, nhưng phải hiểu:

  • Dữ liệu nào quan trọng
  • Hỏi đúng câu hỏi với đội kỹ thuật
  • Đọc hiểu dashboard, báo cáo phân tích

• Cơ chế thưởng cho cải tiến dựa trên dữ liệu:
  Mỗi dự án AI/ phân tích dữ liệu mang lại tiết kiệm/ doanh thu phải được ghi nhận và chia sẻ kết quả cho đội tham gia.

Bước 4: Tích hợp dần vào chiến lược – từ dự án rời rạc đến “nhà máy thông minh”

Khi đã có vài dự án thành công và đội ngũ nội bộ, doanh nghiệp nên:

• Ưu tiên hóa danh mục dự án AI:

  • Bảo trì dự đoán cho toàn bộ máy quan trọng
  • AI tối ưu recipe/ thông số sản xuất
  • Hệ thống vision AI cho các trạm kiểm tra
  • Dự báo nhu cầu, tối ưu tồn kho

• Đưa mục tiêu dữ liệu & AI vào kế hoạch 3–5 năm:
  Gắn thẳng với các mục tiêu tài chính:

  • Tăng OEE toàn nhà máy từ 65% lên 80%
  • Giảm phế phẩm toàn nhà máy 30%
  • Giảm tồn kho nguyên vật liệu 15–20%

• Kết nối với chiến lược thoát gia công:

  • Dùng dữ liệu và mô hình mô phỏng để đề xuất thiết kế/ quy trình mới cho khách hàng
  • Thu thập bằng chứng chất lượng, ổn định quy trình để đàm phán vai trò cao hơn trong chuỗi cung ứng
  • Chuẩn bị nền tảng dữ liệu – AI để sau này phát triển sản phẩm, thương hiệu riêng (OBM)

---

4. Một kịch bản gần với thực tế doanh nghiệp Việt

Hãy lấy ví dụ một nhà máy nhựa tại Bình Dương, 400 công nhân, chuyên gia công cho khách hàng Nhật và châu Âu.

Trước khi chuyển đổi:

• OEE trung bình: 60–65%
• Tỷ lệ phế phẩm một số mã hàng lên tới 5–7%
• Dừng máy đột xuất: mỗi tuần 2–3 lần, mỗi lần 2–3 giờ
• Lợi nhuận ròng chỉ quanh 3–4%

Lộ trình 18–24 tháng với AI và dữ liệu:

1. 3 tháng đầu:

   • Chuẩn hóa thu thập dữ liệu dừng máy, lỗi sản phẩm, thông số máy trên 5 máy ép nhựa quan trọng
   • Thiết lập dashboard đơn giản theo ngày/ ca

2. 6–9 tháng tiếp:

   • Triển khai mô hình bảo trì dự đoán: phân tích rung, nhiệt độ, áp suất
   • Áp dụng vision AI kiểm tra bề mặt sản phẩm ngay trên băng tải

3. 12–18 tháng:

   • Tối ưu recipe và thông số ép: nhiệt độ, thời gian giữ khuôn… bằng AI
   • Dự báo nhu cầu nguyên liệu, tối ưu tồn kho chính

Kết quả khả thi (dựa trên benchmark nhiều dự án tương tự):

• OEE tăng lên 78–82%
• Phế phẩm giảm còn 2–3%
• Dừng máy đột xuất giảm hơn 40%
• Lợi nhuận ròng cải thiện lên 6–8%

Với hồ sơ dữ liệu sản xuất ổn định, nhà máy này có thể:

• Đàm phán trở thành nhà cung cấp cấp 1 (tier-1) cho thêm 1–2 khách hàng lớn
• Tham gia sớm vào quá trình phát triển sản phẩm mới với khách hàng Nhật
• Đề xuất một số thay đổi thiết kế để tối ưu chi phí – bước đầu của vai trò ODM nhẹ

Đây không phải câu chuyện “viễn tưởng 4.0”, mà là con đường rất thực tế nếu ban lãnh đạo coi AI là nền tảng nâng cấp tri thức và công nghệ, đúng như quan điểm TS Lê Duy Bình.

---

5. Doanh nghiệp Việt cần chuẩn bị gì ngay từ bây giờ?

Nếu bạn đang điều hành một nhà máy và thật sự muốn thoát gia công, từ 12/2025 này có thể bắt đầu ngay 5 việc cụ thể:

1. Xác định 3 chỉ số sống còn cần cải thiện trong 12 tháng tới: OEE, phế phẩm, giao hàng đúng hạn, vòng quay tồn kho…
2. Rà soát dữ liệu đang có: ERP, Excel, sổ tay, máy móc… cái gì đã đo, đo như thế nào, lưu ở đâu.
3. Chọn 1 dây chuyền “thí điểm AI” có tác động tài chính rõ nhất.
4. Tìm hoặc xây một nhóm nhỏ phụ trách dữ liệu & cải tiến, có quyền thử nghiệm.
5. Tìm đối tác hoặc chuyên gia hiểu cả sản xuất lẫn AI, tránh hai thái cực: chỉ biết công nghệ mà không hiểu xưởng, hoặc chỉ hiểu xưởng mà không nắm được hướng mới của AI.

Thoát khỏi vị thế gia công không phải chuyện một năm, nhưng không doanh nghiệp nào thoát được nếu còn coi AI và dữ liệu là “chuyện tương lai”. Trong chuỗi bài “AI trong Sản xuất Việt Nam: Hướng dẫn Chuyển đổi Số”, chúng ta sẽ đi sâu vào từng mảng: bảo trì dự đoán, kiểm soát chất lượng bằng thị giác máy tính, tối ưu chuỗi cung ứng… để bạn có thể biến ý tưởng thành dự án thật.

Câu hỏi dành cho bạn hôm nay: 12 tháng tới, bạn muốn AI giúp nhà máy của mình cải thiện điều gì rõ rệt nhất? Nếu trả lời được câu này, bạn đã có điểm xuất phát đúng cho hành trình thoát gia công.