Xây dựng nhà máy kết nối – nền tảng AI cho sản xuất

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

Pindel tăng 35% sử dụng máy nhờ nhà máy kết nối. Bài viết phân tích cách làm và gợi ý lộ trình thực tế để nhà máy Việt xây nền tảng dữ liệu sẵn sàng cho AI.

AI trong sản xuấtnhà máy kết nốiMES thông minhchuyển đổi số sản xuấtdữ liệu thời gian thựcOEEERP sản xuất
Share:

Vì sao nhiều nhà máy Việt vẫn “mù” dữ liệu?

35% – đó là mức tăng sử dụng máy mà Pindel Global Precision đạt được chỉ trong ba tháng sau khi kết nối dữ liệu máy, MES, ERP và hệ thống chất lượng. Không phải đầu tư thêm máy, không phải xây thêm xưởng. Chỉ là nhìn rõ mình đang vận hành như thế nào.

Phần lớn nhà máy gia công cơ khí ở Việt Nam đều đã có ERP, có vài bảng dashboard, có vô số file Excel. Nhưng thực tế, rất nhiều quyết định trên xưởng vẫn dựa vào “kinh nghiệm anh A, chị B”. Dữ liệu nằm rải rác: một ít trong máy CNC, một ít trong email, một ít trên bảng trắng. Muốn nói tới AI trong sản xuất, muốn triển khai bảo trì dự đoán hay tối ưu lịch sản xuất, mà nền tảng dữ liệu như vậy thì khác nào xây nhà trên cát.

Bài viết này kể lại câu chuyện Pindel xây dựng nhà máy kết nối và nền tảng sẵn sàng cho AI, sau đó rút ra một lộ trình thực tế để các doanh nghiệp sản xuất Việt Nam – đặc biệt là các xưởng cơ khí vừa và nhỏ – có thể áp dụng. Đây cũng là một mảnh ghép trong series “AI trong Sản xuất Việt Nam: Hướng dẫn Chuyển đổi Số”: muốn có AI, trước hết phải có dữ liệu sạch, dòng chảy liền mạch và quy trình được số hóa.

Nhà máy kết nối là gì và tại sao nó là bước đệm bắt buộc trước AI?

Nhà máy kết nối (connected factory) không phải là chuyện mua thêm vài cái sensor hay treo thêm một màn hình OEE. Cốt lõi là tất cả hệ thống chính – máy móc, MES, ERP, QA, báo giá – cùng nhìn một sự thật duy nhất, theo thời gian thực.

Ở Pindel, trước khi kết nối, họ gặp những vấn đề rất giống nhiều doanh nghiệp Việt:

  • Dữ liệu phân mảnh: Excel, email, bảng trắng, sổ tay… không nói chuyện với nhau.
  • Quy trình thủ công: báo chất lượng, báo dừng máy, báo cáo ngày… phụ thuộc vào “ai đó nhớ thì làm”.
  • Tri thức ngầm (tribal knowledge): vài người lớn tuổi nắm hết bí kíp, vắng họ là cả xưởng chững lại.
  • Máy nhàn rỗi vô hình: thời gian chờ kiểm tra, chờ lệnh, chờ quyết định… không ai đo được rõ ràng.

Khi chưa giải quyết được những khoảng trống này, nói tới AI trong sản xuất thường chỉ dừng lại ở slide thuyết trình. AI muốn “thông minh” phải ăn dữ liệu chuẩn, có bối cảnh, có dòng lịch sử rõ ràng.

Nhà máy kết nối chính là lớp hạ tầng số cho AI:

  • Máy gửi trạng thái, sản lượng, thời gian setup theo thời gian thực.
  • MES/MES thông minh gắn dữ liệu máy với lệnh sản xuất, ca làm, công đoạn.
  • ERP nhận lại dữ liệu thực tế (thời gian, chi phí, chất lượng) để cải thiện báo giá, kế hoạch.
  • Hệ thống QA, lập trình, báo giá được đồng bộ, không còn “sống riêng”.

Khi đó, các bài toán như bảo trì dự đoán, tối ưu lịch sản xuất bằng AI, trợ lý AI cải tiến liên tục mới có đất sống.

Câu chuyện Pindel: từ dữ liệu rời rạc đến nền tảng AI

Pindel Global Precision là một công ty gia công hợp đồng hơn 75 năm tuổi, phục vụ nông nghiệp, thủy lực, điện, công nghiệp… Một doanh nghiệp “già” nhưng quyết định làm mới mình bằng cách đóng lại mọi khoảng trống dữ liệu giữa các hệ thống.

Vấn đề: “vùng trắng” giữa các hệ thống

Thomas Deslongchamps – Giám đốc Đào tạo & Cải tiến liên tục của Pindel – gọi đó là whitespace: vùng trắng nơi thông tin bị rơi rụng, không ai chịu trách nhiệm.

  • Hệ thống rời rạc: chất lượng phát hiện lỗi nhưng thông tin đó không quay lại bộ phận báo giá cho lần báo giá sau. ERP không “thấy” những gì diễn ra thực tế trên máy.
  • Báo cáo thủ công: mỗi sáng tốn hơn 1,5 giờ để tổng hợp báo cáo cho quản lý, mà dữ liệu vẫn trễ.
  • Phụ thuộc vào người nhiều kinh nghiệm: quy trình chạy “bằng miệng”. Lúc họ nghỉ phép, cả dây chuyền lúng túng.
  • Không nhìn rõ năng lực thực tế: biết là còn dư công suất, nhưng không biết dư ở đâu, vào khung giờ nào.

Kết quả là khách hàng đòi lead time ngắn hơn, giá cạnh tranh hơn, nhưng bên trong nhà máy thì không ai có bức tranh thời gian thực để quyết định nhanh.

Giải pháp: kiến trúc nhà máy kết nối

Pindel chọn hướng kết nối chứ không thay thế toàn bộ:

  • MachineMetrics để thu thập dữ liệu máy CNC, trạng thái, số lượng, thời gian chuyển trạng thái.
  • ProShop ERP làm “xương sống” vận hành: kế hoạch, báo giá, truy xuất nguồn gốc.
  • Các công cụ số hóa cho báo giá, lập trình, QA.
  • Lịch sản xuất minh bạch, có checklist rõ cho Kỹ thuật, Chất lượng, Sản xuất.
  • Báo cáo ERP được tự động gửi mỗi đêm, sáng ra quản lý có ngay dữ liệu để họp.
  • Hệ thống tự động báo cho QA khi setup xong để làm First Article Inspection (FAI), giảm thời gian chờ máy.

Về mặt kỹ thuật, họ tập trung vào vài nguyên tắc mà tôi thấy cực kỳ thực tế cho doanh nghiệp Việt:

  • Chuẩn hóa mã hoạt động: Setup, Kiểm tra mẫu đầu tiên, Sản xuất… dùng chung một bộ mã giữa máy – MES – ERP. Không còn cảnh mỗi bộ phận gọi một kiểu.
  • Dashboard thời gian thực: màn hình chung trên xưởng, dashboard cho giám sát ca, giúp ai cũng thấy cái gì đang chạy, cái gì đang chờ, cái gì lỗi.
  • Kết nối qua API mở: để sau này mở rộng sang dây chuyền mới, nhà máy khác không phải “làm lại từ đầu”.

Kết quả: số liệu biết nói

Chỉ sau một thời gian ngắn, Pindel thu được những kết quả rất “cứng”:

  • +35% sử dụng máy trong ba tháng, chủ yếu nhờ bóc tách và cắt giảm thời gian dừng tránh được.
  • Thời gian phản hồi kiểm tra mẫu đầu tiên giảm ~50%, vì QA được báo tự động ngay khi setup xong.
  • Lead time 10–20 ngày cho cả đơn hàng mới và lặp lại, nhờ lịch sản xuất và phối hợp liên phòng ban trơn tru hơn.
  • Tiết kiệm 1,5 giờ mỗi ngày cho báo cáo, nhờ ERP tự xuất báo cáo trước khi ca làm bắt đầu.
  • Văn hóa số và minh bạch: Chất lượng, Kỹ thuật, Sản xuất cùng nhìn một bộ dữ liệu sống, bớt đổ lỗi, tập trung giải quyết vấn đề.

Pindel giờ không chỉ vận hành hiệu quả hơn mà còn đủ dữ liệu sạch, có cấu trúc để bắt đầu thử nghiệm AI: dự đoán lịch sản xuất, trợ lý AI cho cải tiến liên tục…

“Chúng tôi không kinh doanh phân tích dữ liệu, chúng tôi kinh doanh làm ra chi tiết cho khách hàng. Vấn đề là: làm sao để dữ liệu làm việc cho mình, thay vì mình phải phục vụ dữ liệu.”

Câu nói này rất đúng với bối cảnh Việt Nam: mục tiêu không phải là chơi cho vui với AI, mà là làm được nhiều hàng hơn, tốt hơn, nhanh hơn, với chi phí thấp hơn.

Doanh nghiệp Việt có thể học gì từ Pindel?

Hạ tầng, quy mô, sản phẩm có thể khác, nhưng các bài học cốt lõi từ Pindel áp dụng rất tốt cho nhà máy Việt Nam.

1. Đừng bắt đầu từ AI, hãy bắt đầu từ “vùng trắng”

Sai lầm phổ biến là nhảy thẳng vào AI, predictive maintenance… mà chưa trả lời xong mấy câu hỏi cơ bản:

  • Dữ liệu máy của bạn đang ở đâu? Có chuẩn hóa chưa?
  • ERP có nhận lại dữ liệu thực tế từ xưởng không, hay chỉ là kế hoạch một chiều?
  • Mỗi bộ phận đang dùng mã trạng thái, mã dừng máy, mã lỗi… có thống nhất không?

Bước một nên là: vẽ lại bản đồ dòng dữ liệu từ máy → xưởng → MES/MES thông minh → ERP → báo cáo. Chỗ nào bị đứt, chỗ đó là “vùng trắng” cần đóng lại trước.

2. Kết nối thay vì đập đi xây lại

Phần lớn doanh nghiệp Việt đã bỏ tiền cho ERP, một số có MES, SCADA, spreadsheet phức tạp… Đừng vội bỏ hết để “chọn nền tảng mới”. Cách thực tế hơn:

  • Giữ ERP hiện có làm hệ thống “sổ sách kế toán – kế hoạch”.
  • Gắn thêm lớp kết nối máy + MES thông minh để đưa dữ liệu thời gian thực từ xưởng vào.
  • Dùng API, file trung gian, hoặc tích hợp tiêu chuẩn để hai bên nói chuyện được với nhau.

Tôi đã thấy nhiều xưởng chỉ cần thêm một lớp thu thập dữ liệu máy và vài dashboard thông minh là đã nâng OEE 10–20%, trước khi cần nghĩ đến bất kỳ dự án AI nào.

3. Chuẩn hóa hoạt động và mã trạng thái

Đây là việc ít hấp dẫn nhưng tạo khác biệt lớn.

  • Quy định rõ các trạng thái: Setup, Chạy sản xuất, Chờ kiểm tra, Chờ vật tư, Bảo trì, Hỏng đột xuất…
  • Ánh xạ các trạng thái đó vào hệ thống: máy (nếu có), phần mềm thu thập dữ liệu, MES, ERP.
  • Đào tạo operator chọn đúng trạng thái, càng ít lựa chọn càng tốt.

Khi đó, bạn mới phân tích được dừng máy do gì chiếm bao nhiêu %, cơ hội cải thiện ở đâu, và chuẩn bị dữ liệu chuẩn cho các mô hình dự đoán sau này.

4. Tự động hóa chỗ có nhiều ma sát nhất

Đừng mơ tự động hóa mọi thứ ngay từ đầu. Hãy làm giống cách Pindel làm:

  • Chọn 1–2 quy trình gây bực nhất: báo cáo ca, gọi QA kiểm tra, cập nhật tình trạng lệnh.
  • Thiết kế workflow tự động đơn giản: khi điều kiện A trên máy/MES xảy ra → gửi thông báo cho người B, cập nhật trạng thái C trong ERP.
  • Đo cụ thể thời gian tiết kiệm được, thời gian chờ giảm đi.

Cách làm từng bước như vậy tạo niềm tin nội bộ, giúp đội ngũ thấy chuyển đổi số không phải việc “trên trời”, mà là thứ giúp họ đỡ việc vặt, tập trung vào chuyên môn.

5. Xem dữ liệu là tài sản chiến lược, không phải “sản phẩm phụ”

Ở nhiều nhà máy Việt, dữ liệu vẫn bị xem như công việc thêm: “Nhập cho xong”… Dữ liệu bẩn thì AI chẳng làm được gì.

  • Giao trách nhiệm sở hữu dữ liệu cho một người/nhóm rõ ràng (kỹ thuật số, CI, hoặc IT – OT).
  • Đặt ra bộ chỉ số cốt lõi: OEE, thời gian setup, tỷ lệ dừng máy theo nhóm nguyên nhân, thời gian chờ QA… và đảm bảo dữ liệu cho những chỉ số đó là chuẩn.
  • Đưa dashboard ra xưởng, để operator thấy chính số liệu của mình mỗi ngày, tạo phản hồi hai chiều.

Khi dữ liệu trở thành ngôn ngữ chung cho mọi quyết định, bạn đã đi được hơn nửa chặng đường tới AI trong sản xuất rồi.

Lộ trình gợi ý: từ kết nối đến AI trong nhà máy Việt Nam

Để ghép câu chuyện Pindel vào bối cảnh Việt Nam, có thể hình dung một lộ trình 4 bước khá rõ ràng:

Bước 1: Kết nối máy & chuẩn hóa mã

  • Gắn thiết bị thu thập dữ liệu cho nhóm máy trọng yếu (CNC, dập, ép nhựa…).
  • Chuẩn hóa mã trạng thái, mã dừng máy, mã ca, mã lệnh.
  • Thiết lập dashboard cơ bản: trạng thái máy, sản lượng, thời gian dừng.

Bước 2: Kết nối với ERP/MES hiện có

  • Tối thiểu là đồng bộ mã lệnh sản xuất, mã sản phẩm, ca làm giữa hệ thống dữ liệu máy và ERP.
  • Đưa dữ liệu thực tế (run time, setup time, scrap) quay lại ERP để so với kế hoạch.
  • Bắt đầu tự động hóa một số báo cáo ngày/tuần.

Bước 3: Tự động hóa workflow và nâng văn hóa dữ liệu

  • Tự động gọi QA khi setup xong, tự cập nhật trạng thái khi máy chuyển từ setup sang chạy.
  • Xây dựng checklist điện tử cho Kỹ thuật, QA, Sản xuất.
  • Tổ chức họp ngắn hàng ngày (daily meeting) dựa trên dashboard thời gian thực.

Bước 4: Triển khai các use case AI có mục tiêu rõ ràng

Khi dữ liệu đã kết nối, sạch, có lịch sử và bối cảnh, lúc này AI mới thực sự có giá trị:

  • Bảo trì dự đoán: phân tích mẫu dừng máy, rung, nhiệt độ, dòng điện… để dự đoán hỏng hóc.
  • Tối ưu lịch sản xuất: dùng AI đề xuất xếp lịch giảm setup, giảm đổi dao, cân bằng tải máy.
  • Kiểm soát chất lượng bằng thị giác máy tính: nhận diện lỗi bề mặt, kích thước từ camera.
  • Trợ lý AI cải tiến liên tục: đề xuất dự án Kaizen dựa trên dữ liệu dừng máy, scrap.

Ở mỗi bước, nên đặt mục tiêu tài chính và vận hành rõ ràng: tiết kiệm bao nhiêu giờ máy, giảm bao nhiêu % scrap, rút ngắn lead time bao nhiêu ngày… Như Pindel, họ đo rất rõ: +35% sử dụng máy, 1,5 giờ báo cáo mỗi ngày, lead time 10–20 ngày.

Từ câu chuyện Pindel đến chiến lược AI cho nhà máy Việt

Câu chuyện Pindel cho thấy một điều khá thẳng thắn: AI trong sản xuất không bắt đầu từ mô hình, mà bắt đầu từ nhà máy kết nối. Khi dữ liệu từ máy, từ con người và từ hệ thống quản lý được nối lại thành một bức tranh sống, nhiều “phép màu” xảy ra ngay cả trước khi gọi tên AI.

Với doanh nghiệp sản xuất Việt Nam đang xây kế hoạch cho 2026, đây là thời điểm hợp lý để:

  • Rà soát lại dòng dữ liệu hiện tại và “vùng trắng” giữa ERP – xưởng.
  • Bắt đầu một dự án nhỏ về kết nối máy và dashboard thời gian thực.
  • Đặt mục tiêu rõ ràng cho 6–12 tháng: đó mới là “ROI của chuyển đổi số”, chứ không phải số lượng slide trình chiếu.

Nếu bạn đang dẫn dắt chuyển đổi số cho nhà máy mình, câu hỏi không còn là “có nên làm AI không?” nữa, mà là:

“Năm tới, chúng ta sẽ đóng được những khoảng trống dữ liệu nào, để đến 2027 có thể triển khai AI trên một nền tảng vững chắc?”