IoT platform: từ “biển xanh” tới “ao đỏ” và bài học cho sản xuất Việt

AI trong Sản xuất Việt Nam: Hướng dẫn Chuyển đổi Số••By 3L3C

620+ nền tảng IoT từng được kỳ vọng sẽ tạo ra 11.000 tỷ USD giá trị. Hôm nay, phần lớn đã biến mất. Bài học nào cho nhà máy Việt khi làm IoT + AI?

IoTchuyển đổi số sản xuấtAI công nghiệpnền tảng IoTedge computingquản lý dữ liệu
Share:

Vì sao 620+ nền tảng IoT biến mất và chuyện đó liên quan gì tới nhà máy Việt Nam?

Năm 2015, nhiều tổ chức tư vấn dự báo thị trường IoT đến 2025 có thể tạo ra tới 11.000 tỷ USD giá trị. Hơn 600 nền tảng IoT ra đời chỉ trong vài năm, ai cũng muốn trở thành “Google của thiết bị kết nối”. Năm 2025, thực tế rất khác: hàng loạt cái tên lớn như Google Cloud, SAP, IBM, Bosch đã âm thầm rút khỏi cuộc chơi nền tảng IoT chung.

Điều này quan trọng với doanh nghiệp sản xuất Việt Nam vì: nếu chọn sai hướng số hóa, đặc biệt ở lớp nền tảng IoT, bạn rất dễ rơi vào cảnh đầu tư lớn nhưng không ra ROI, dự án dở dang, dữ liệu bị “mắc kẹt” ở đâu đó trong nhà máy.

Bài viết này đi thẳng vào 3 câu hỏi:

  • Vì sao “biển xanh” IoT lại thành “ao đỏ” cạnh tranh đẫm máu?
  • Giá trị thực của nền tảng IoT hiện nằm ở đâu (cloud, edge, device, data, ứng dụng)?
  • Doanh nghiệp sản xuất Việt nên chọn chiến lược nào để kết hợp IoT và AI một cách thực dụng, ra tiền thay vì chỉ là PoC trưng bày?

1. IoT platform: từ kỳ vọng khổng lồ tới thực tế phũ phàng

Cốt lõi của một nền tảng IoT (IoT platform) là lớp trung gian giữa thiết bị và ứng dụng: quản lý thiết bị, thu thập – xử lý dữ liệu, cung cấp API và dịch vụ cho ứng dụng IoT phía trên.

Trong giai đoạn 2014–2019, diễn biến thị trường khá rõ:

2014–2017: Cuộc đổ bộ “ai cũng làm nền tảng”

Nhờ các dự báo lạc quan (50 tỷ thiết bị kết nối vào 2021, 11.000 tỷ USD giá trị…), hàng trăm công ty từ startup, telco tới tập đoàn công nghiệp, hãng phần mềm đều nhảy vào:

  • GE với Predix
  • PTC với ThingWorx
  • Software AG với Cumulocity
  • Google với Xively / IoT Core
  • Autodesk, Honeywell, Siemens…

Ai cũng nghĩ: “Nếu mình nắm lớp nền tảng, mình sẽ giống như Google trên web, tất cả phải đi qua mình”.

2017–2019: Khách hàng… không mặn mà với nền tảng chung

Khi bước vào triển khai thực tế, doanh nghiệp bắt đầu nhận ra:

  • Nền tảng IoT ngang (dùng cho mọi ngành) rất khó gắn với quy trình cụ thể
  • Gần như không có ROI rõ ràng nếu chỉ dừng ở việc kết nối và hiển thị dữ liệu
  • Đội nội bộ vẫn phải code, tích hợp, chỉnh sửa workflow rất nhiều

Kết quả: nhiều đơn vị chuyển hướng:

  • Từ “nền tảng cho mọi ngành” sang giải pháp dọc theo ngành (manufacturing, building, mining…)
  • Tập trung vào use case ra tiền nhanh như bảo trì dự đoán, theo dõi năng lượng, OEE, EaaS…

2020–2023: Thị trường thu hẹp, hyperscaler thắng thế

Khi số lượng thiết bị thật sự được kết nối chỉ quanh 12–15 tỷ (thấp hơn nhiều so với 50 tỷ kỳ vọng), doanh thu nền tảng IoT không như mong đợi. Các ông lớn bắt đầu rút:

  • Google Cloud đóng IoT Core 2022
  • SAP, IBM, Bosch dừng hoặc thu hẹp mảng nền tảng IoT chung

Trong khi đó, AWS và Microsoft Azure nổi lên là người thắng nhờ:

  • Tích hợp IoT như một phần của hệ sinh thái cloud rộng hơn (compute, storage, AI, BI…)
  • Cung cấp dịch vụ “hạ tầng” IoT: device registry, MQTT broker, rules engine, digital twin graph…

Thực tế năm 2024: 5 hyperscaler lớn chiếm khoảng 60% doanh thu nền tảng IoT agnostic. Biển xanh đã thành “ao đỏ”, và ao đó về cơ bản nằm trên mây (cloud).

2. Vì sao nhiều nền tảng IoT thất bại? Ba góc nhìn thẳng

Nắm được nguyên nhân thất bại giúp doanh nghiệp Việt tránh đi vào vết xe đổ khi thiết kế kiến trúc IoT + AI cho nhà máy.

2.1. Góc nhìn khách hàng: ROI, ROI và ROI

Khách hàng doanh nghiệp không mua “nền tảng”, họ mua kết quả kinh doanh:

  • Giảm bao nhiêu % downtime?
  • Cắt được bao nhiêu chi phí bảo trì, năng lượng?
  • Tăng được bao nhiêu % năng suất, chất lượng?

Phần lớn nền tảng IoT ngang chỉ dừng ở:

  • Middleware + API
  • Dashboard generic, vài chức năng device management cơ bản

Toàn bộ việc:

  • Hiểu quy trình vận hành
  • Thiết kế luồng dữ liệu
  • Xây use case cụ thể

… vẫn là gánh nặng của phía khách hàng hoặc system integrator. Với nhiều nhà máy Việt, lực nội bộ chưa đủ mạnh, nên dự án dễ bị kéo dài, chi phí đội lên, khó đo ROI.

Hệ quả:

  • Một số doanh nghiệp tự dựng stack bằng open-source (Node-RED, Kafka, ThingsBoard…) + cloud
  • Một số khác chuyển sang dùng giải pháp dọc theo ngành gắn sẵn quy trình (ví dụ: quản lý đội xe, giám sát máy công trình, giám sát năng lượng tòa nhà…)

2.2. Góc nhìn công nghệ: IoT khó hơn “vẽ kiến trúc trên slide” rất nhiều

Triển khai IoT trong môi trường brownfield – vốn là đa số nhà máy ở Việt Nam – đụng ngay các vấn đề:

  • Thiết bị cũ, chỉ hỗ trợ Modbus, OPC Classic, BACnet, thậm chí giao tiếp độc quyền
  • Tài liệu thiếu, không có board vẽ kiến trúc chuẩn từ đầu
  • Nhu cầu on-premise do ràng buộc bảo mật, dữ liệu không được rời nhà máy
  • Bài toán bảo mật: chứng chỉ, quản lý firmware, zero-trust, phân vùng mạng…

Nhiều nền tảng IoT khởi đầu với tham vọng “all-in-one”:

  • Vừa làm device management
  • Vừa làm ứng dụng, low-code, analytics, AI/ML
  • Vừa có edge runtime, vừa có twin, vừa có dashboard builder…

Giữ được tất cả module này ở mức tốt thật sự là cực kỳ tốn kém. Khi doanh thu không đủ lớn, sản phẩm khó sống lâu.

2.3. Góc nhìn cạnh tranh: hyperscaler “ăn” mất lớp hạ tầng

Hyperscaler (AWS, Azure, Alibaba, Huawei, Oracle…) làm một việc rất thông minh:

  • Không cố gắng bán giải pháp dọc
  • Tập trung chuẩn hóa các “viên gạch” hạ tầng IoT: message broker, rules engine, time-series DB, digital twin service…

Khi nền tảng cloud cung cấp đầy đủ building block, các nền tảng IoT nhỏ hơn bị kẹp giữa:

  • Ở dưới: hạ tầng của hyperscaler
  • Ở trên: vô số ứng dụng dọc theo ngành, SaaS chuyên sâu

Không đủ biên lợi nhuận, không đủ khác biệt – phải rút hoặc pivot.

3. Sáu vùng giá trị IoT còn lại – và cơ hội cho sản xuất Việt

Dù “nền tảng chung cho mọi thứ” không thành công, thị trường IoT không hề chết. Nó đang dịch chuyển giá trị sang 6 vùng chính – đây cũng là 6 gợi ý cho kiến trúc số hóa trong nhà máy Việt.

3.1. Cloud: lớp nền tảng không thể bỏ qua

Cloud giờ là nơi hội tụ của:

  • Dịch vụ kết nối thiết bị (MQTT, device registry, rules)
  • Lưu trữ dữ liệu thời gian thực, data lake
  • Dịch vụ AI/ML, phân tích, BI

Với doanh nghiệp Việt, cách tiếp cận thực tế là:

  • Chọn 1–2 hyperscaler chính để tránh phân tán (thường là Azure hoặc AWS)
  • Dùng dịch vụ IoT của họ như “hạ tầng tiêu chuẩn” cho dữ liệu thiết bị
  • Mọi ứng dụng AI, dashboard, báo cáo… nên “cắm” vào cùng nền tảng dữ liệu đó

Điểm mấu chốt: đừng cố tự viết lại những thứ cloud đã làm tốt, hãy tập trung vào logic sản xuất, quy trình, thuật toán AI gắn với dây chuyền, máy móc thực tế.

3.2. Quản lý thiết bị (device management): bài toán ít hào nhoáng nhưng sống dai

Quản lý thiết bị là phần việc khô khan nhưng là xương sống của IoT:

  • Provisioning thiết bị, cấp chứng chỉ, quản lý danh tính
  • Cấu hình kết nối, bảo đảm an toàn (TLS, VPN…)
  • Cập nhật firmware OTA, rollback khi lỗi
  • Theo dõi trạng thái thiết bị, log sự kiện

Ở nhà máy Việt, nhiều dự án IoT “tắc” vì không có cơ chế quản lý thiết bị bài bản, dẫn tới:

  • Mỗi lần đổi cấu hình là… đi từng máy
  • Không truy vết được firmware đang chạy
  • Bị phụ thuộc 100% vào nhà cung cấp integrator

Chiến lược tốt hơn:

  • Ngay từ đầu định nghĩa chuẩn thiết bị: đặt tên, topic MQTT, cấu trúc payload, chính sách cập nhật
  • Dùng một nền tảng (cloud hoặc on-prem) làm “sổ hộ khẩu” cho thiết bị
  • Thiết lập quy trình cập nhật, kiểm thử firmware rõ ràng

3.3. Quản lý dữ liệu IoT: bước bắt buộc trước khi làm AI

IoT bây giờ không chỉ là “kết nối cho vui”, mà là nguồn nguyên liệu cho AI. Vấn đề: mỗi thiết bị nói một “ngôn ngữ” khác nhau. Không có chuẩn hóa dữ liệu thì:

  • Mỗi lần thêm một dòng máy mới là phải code lại
  • Mô hình AI khó tái sử dụng giữa các nhà máy, dây chuyền

Các bước quan trọng:

  • Chuẩn hóa model dữ liệu: tên biến, đơn vị, ngữ cảnh (thiết bị nào, công đoạn nào)
  • Thiết kế pipeline DataOps: từ thiết bị → gateway → message broker → lưu trữ → mô hình AI → dashboard
  • Gắn chặt OT – IT: kỹ sư hiện trường và IT/data phải ngồi cùng bàn

Nếu làm tốt lớp data này, bạn sẽ:

  • Dễ dàng triển khai digital twin cho dây chuyền hoặc nhà máy
  • Huấn luyện và triển khai mô hình AI công nghiệp (dự đoán lỗi, tối ưu năng lượng) nhanh hơn nhiều

3.4. Workflow theo OEM/ngành: nơi ROI xuất hiện

Thay vì dùng nền tảng chung rồi tự xây hết, rất nhiều doanh nghiệp chọn:

  • Nền tảng gắn với thiết bị (product-linked platform) do OEM cung cấp
  • Giải pháp đã thiết kế thẳng theo workflow ngành: fleet management, mining, nông nghiệp, HVAC tòa nhà…

Vì sao chúng hiệu quả?

  • Nói đúng “ngôn ngữ vận hành”: giờ máy, tải, chu kỳ bảo trì, mã lỗi, quy chuẩn an toàn…
  • Có template báo cáo, cảnh báo phù hợp với vai trò: vận hành, bảo trì, quản lý sản xuất
  • Thường đi kèm dịch vụ sau bán hàng của chính OEM

Với nhà máy Việt:

  • Khi đầu tư máy mới, nên hỏi thẳng OEM xem có nền tảng kết nối/giám sát kèm theo không
  • Nếu có, cố gắng tích hợp nền tảng đó với hệ thống dữ liệu chung của doanh nghiệp thay vì để thành “ốc đảo” riêng

3.5. Ứng dụng dọc và hệ sinh thái kết nối: nơi giá trị được “thu tiền”

Ngày càng rõ: tiền không nằm ở “nền tảng chung”, mà nằm ở ứng dụng theo bài toán cụ thể:

  • Giám sát năng lượng và tối ưu tiêu thụ
  • OEE, phân tích thời gian dừng máy
  • Bảo trì dự đoán cho nhóm thiết bị quan trọng
  • Giám sát chất lượng online, truy xuất nguồn gốc

Mô hình thông minh cho doanh nghiệp Việt:

  • Dùng 1 nền tảng dữ liệu IoT trung tâm (thường là trên cloud hoặc hybrid)
  • Trên đó, triển khai nhiều ứng dụng dọc phục vụ từng phòng ban
  • Ưu tiên các ứng dụng có thời gian thu hồi vốn < 24 tháng, dễ đo và dễ nhân rộng

3.6. Edge: AI chạy ngay tại xưởng, không cần gửi hết lên cloud

Xu hướng vài năm gần đây:

  • AI không chỉ chạy trên cloud mà chạy ngay tại cạnh (edge): tủ điện, gateway, máy chủ tại nhà máy
  • Lý do: độ trễ, băng thông, bảo mật, quy định dữ liệu nội địa

Với sản xuất, một số use case điển hình:

  • Thị giác máy (machine vision) kiểm tra lỗi bề mặt, kích thước ngay trên dây chuyền
  • Phát hiện bất thường dựa trên tín hiệu rung/âm thanh, xử lý ngay tại edge
  • Điều khiển vòng kín (closed-loop control) cần phản hồi tính bằng mili-giây

Cách làm hợp lý:

  • Thiết lập kiến trúc hybrid: dữ liệu thô xử lý sơ bộ tại edge, đặc trưng và kết quả gửi lên cloud
  • Dùng cùng một mô hình quản lý cho cả node edge và dịch vụ cloud (single pane of glass)
  • Chọn thiết bị edge có đủ nguồn lực cho AI (GPU/TPU, tăng tốc tính toán) nhưng vẫn phù hợp môi trường công nghiệp Việt Nam (nhiệt, bụi, điện lưới)

4. Gợi ý chiến lược cho doanh nghiệp sản xuất Việt Nam

Đặt vào bối cảnh Việt Nam năm 12/2025, nhiều nhà máy đang ở giai đoạn:

  • Đã có SCADA, PLC, MES ở mức cơ bản
  • Bắt đầu thử nghiệm IoT, AI, nhưng còn rời rạc, mỗi dự án một kiểu

Từ bài học “ao đỏ” IoT platform toàn cầu, có vài khuyến nghị thực tế:

4.1. Bắt đầu từ use case, không phải từ “nền tảng để dành”

Câu hỏi đúng không phải là “Dùng nền tảng IoT nào?”, mà là:

  • Bài toán ưu tiên số 1–2 của nhà máy năm tới là gì? (năng lượng, chất lượng, downtime…)
  • Để giải bài toán đó, cần những loại dữ liệu nào, ở đâu, tần suất bao nhiêu?

Sau khi rõ use case, mới quay lại chọn:

  • Thiết bị đo, gateway
  • Nền tảng cloud/edge phù hợp
  • Ứng dụng phân tích/AI tương ứng

4.2. Chấp nhận “xây ít nhưng chắc”, tiêu chuẩn hóa từ sớm

Thay vì triển khai 5–7 PoC rời rạc, nên:

  • Chọn 2–3 dây chuyền hoặc phân xưởng mẫu
  • Thiết kế chuẩn dữ liệu, chuẩn kết nối, chuẩn bảo mật ngay từ đầu
  • Tài liệu hóa kiến trúc, topic, model dữ liệu để sau này nhân rộng nhanh

Điều này giúp:

  • Tránh cảnh mỗi dự án một gateway, một kiểu đặt tên, một dashboard
  • Chuẩn bị nền tảng dữ liệu sạch cho AI công nghiệp trong 2–3 năm tới

4.3. Kết hợp chặt chẽ OT – IT – Data – Lãnh đạo

Dự án IoT/AI trong sản xuất thất bại thường vì ba nhóm này làm việc tách rời:

  • OT: hiểu máy, hiểu quy trình nhưng e ngại rủi ro, sợ “động vào là hỏng”
  • IT/Data: giỏi cloud, dữ liệu, nhưng không hiểu hết đặc thù dây chuyền
  • Lãnh đạo: muốn nhanh, nhưng không chịu đầu tư thời gian chuẩn hóa nền tảng

Kinh nghiệm hiệu quả tôi thấy là:

  • Lập nhóm liên chức năng cho mỗi chương trình chuyển đổi số: có OT, IT, Data, và 1 người “business owner” chịu KPI
  • Lãnh đạo cam kết bảo vệ thời gian cho nhóm này, tránh kiêm nhiệm quá nhiều

4.4. Không chạy theo “tự làm hết”, cũng không phó mặc 100% cho vendor

Hai thái cực đều rủi ro:

  • Tự dựng toàn bộ nền tảng IoT + AI từ đầu → tốn thời gian, khó bảo trì, khó tìm người
  • Giao trọn gói cho vendor, nhận về “hộp đen” → phụ thuộc dài hạn, khó mở rộng

Hướng cân bằng hơn:

  • Dùng dịch vụ chuẩn của hyperscaler + sản phẩm chuyên sâu theo ngành
  • Giữ lại in-house các phần kiến trúc dữ liệu, mô hình AI cốt lõi và hiểu biết quy trình

Kết lời: IoT không chết, chỉ bớt ảo và thực dụng hơn

Câu chuyện 620+ nền tảng IoT biến mất không phải báo hiệu “IoT thất bại”, mà là một quá trình thanh lọc:

  • Những ảo tưởng về “nền tảng chung cho mọi thứ” đã bớt đi
  • Giá trị thực đang dồn về: cloud + device management + data chuẩn hóa + ứng dụng dọc + AI tại edge

Với doanh nghiệp sản xuất Việt Nam, đây là thời điểm tốt để bước đi tỉnh táo:

  • Bớt nói về buzzword, nói nhiều hơn về OEE, kWh, giờ dừng máy, phần trăm phế phẩm
  • Thiết kế kiến trúc IoT/AI xoay quanh dòng dữ liệu và quyết định vận hành chứ không xoay quanh logo nền tảng

Câu hỏi mà mỗi nhà máy nên tự hỏi vào 2026: “Nếu tắt đi 50% dashboard ‘cho đẹp’, những ứng dụng IoT/AI nào của mình vẫn còn tạo ra tiền và giảm rủi ro?”
Trả lời được câu đó, bạn sẽ không còn lo lắng mình đang bơi trong một “ao đỏ” nữa.