10 xu hướng Industrial AI nhà máy Việt cần nắm

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

Thị trường Industrial AI đã đạt 43,6 tỷ USD nhưng nhà máy Việt mới chạm phần nổi. 10 xu hướng và lộ trình 24 tháng để ứng dụng AI sản xuất thực tế.

Industrial AIAI trong sản xuấtchuyển đổi số nhà máybảo trì dự đoánkiểm tra chất lượng tự độngEdge AIcopilot công nghiệp
Share:

Industrial AI: Cửa sổ 43,6 tỷ USD mà nhà máy Việt chưa khai thác hết

Năm 2024, thị trường Industrial AI toàn cầu đạt 43,6 tỷ USD và dự báo chạm mốc 153,9 tỷ USD vào năm 2030, tăng trưởng bình quân 23%/năm. Trong khi đó, phần lớn nhà máy Việt vẫn dừng ở mức tự động hóa cơ bản, mới loay hoay cảm biến, SCADA, MES, chưa thật sự khai thác AI trong sản xuất.

Phần thú vị là: dù con số thị trường rất lớn, chi tiêu AI hiện tại của các nhà sản xuất chỉ khoảng 0,1% doanh thu. Tức là cuộc chơi vẫn đang ở giai đoạn đầu. Ai đi sớm, đi đúng thì lợi thế cạnh tranh sẽ kéo dài ít nhất 5–10 năm.

Bài viết này nằm trong series “AI trong Sản xuất Việt Nam: Hướng dẫn Chuyển đổi Số”, tập trung giải nghĩa 10 xu hướng Industrial AI trên thế giới, rồi “dịch” lại thành ngôn ngữ thực tế cho nhà máy Việt: làm gì trước, làm gì sau, nên tránh bẫy nào.

1. AI mới chiếm 0,1% ngân sách – nhưng ROI đã rất rõ

Industrial AI hiện chỉ chiếm khoảng 0,1% doanh thu và khoảng 7% ngân sách IT của nhà sản xuất Mỹ. Ở Việt Nam, con số này thường còn thấp hơn rất nhiều – đa số nhà máy gần như chưa có khoản mục riêng cho AI.

Điều này dẫn tới hai thực tế:

  • Dễ bắt đầu với quy mô nhỏ, không cần “đập đi xây lại”
  • Nhưng rất dễ rơi vào bẫy làm vài POC đẹp mắt rồi… bỏ đấy

Các tập đoàn lớn trên thế giới đang chi mạnh cho tư vấn, tích hợp hệ thống vì:

  • Thiếu nhân sự nội bộ hiểu cả OT (máy móc, dây chuyền) lẫn AI
  • Hệ thống cũ (PLC, SCADA, MES, ERP) bị chia cắt, khó trích xuất dữ liệu sạch

Gợi ý cho doanh nghiệp Việt:

  • Đừng lao vào mua nền tảng AI đắt tiền ngay.
  • Bắt đầu bằng 1–2 bài toán đơn giản, đo được tiền: ví dụ giảm lỗi chất lượng, giảm dừng máy.
  • Dành một phần nhỏ ngân sách bảo trì / chất lượng (1–3%) để làm dự án thí điểm AI có mục tiêu ROI rõ.

2. AI phải do CEO dẫn dắt, không phải “dự án của IT”

Ở 2021, nhiều nhà máy coi AI là đồ “thử nghiệm vui”. Đến 2025, phần lớn tập đoàn sản xuất lớn đã có chiến lược AI do CEO bảo trợ, gắn thẳng với mục tiêu kinh doanh.

Điểm chung của các doanh nghiệp làm tốt:

  • Có tầm nhìn rõ ràng: AI dùng để tăng sản lượng, giảm phế phẩm, rút ngắn lead time… chứ không phải “để cho hiện đại”.
  • Có quản trị & KPI: mỗi dự án AI gắn với chỉ tiêu giảm chi phí, tăng OEE, rút ngắn thời gian setup…
  • Có roadmap: năm 1 tập trung dữ liệu & 1–2 use case; năm 2 mở rộng, chuẩn hoá kiến trúc; năm 3 tối ưu & mở rộng chuỗi cung ứng.

Toyota là ví dụ điển hình: họ không dùng AI để “thay người”, mà để tăng năng lực con người, cho công nhân tự xây model, cho kỹ sư lưu giữ tri thức thiết kế, cho hệ thống cảnh báo an toàn thời gian thực.

Bài học cho nhà máy Việt: nếu AI vẫn chỉ là dự án rời rạc của phòng IT hoặc kỹ thuật, gần như chắc chắn sẽ không đi xa. Cần:

  • Một sponsor cấp cao (ít nhất là Giám đốc nhà máy hoặc COO)
  • Liên kết AI với các chương trình Lean, TPM, Kaizen sẵn có

3. Use case “ăn tiền” nhất: AI cho kiểm tra chất lượng

Trong 48 use case AI công nghiệp được khảo sát, kiểm tra chất lượng bằng thị giác máy (Automated Optical Inspection – AOI) đang dẫn đầu, chiếm khoảng 11% thị trường. Trong khi toàn bộ use case dùng GenAI (chat, code, tạo nội dung) cộng lại chưa tới 5%.

Lý do rất đơn giản:

  • Chất lượng sản phẩm ảnh hưởng trực tiếp đến doanh thu và uy tín
  • AOI dùng camera + AI thay cho mắt người, giảm mệt mỏi, tăng ổn định
  • ROI đo được ngay bằng giảm phế phẩm, giảm trả hàng, giảm rework

AOI trong bối cảnh Việt Nam

Với nhà máy điện tử, cơ khí, nhựa, dệt may, gỗ… AOI hoàn toàn khả thi ở quy mô vừa và nhỏ:

  • Bước 1: Lắp camera công nghiệp tại công đoạn quan trọng (ví dụ: kiểm tra mối hàn, bề mặt sơn, kích thước lỗ khoan…)
  • Bước 2: Thu thập ảnh “đạt” và “lỗi” trong vài tuần
  • Bước 3: Huấn luyện model AI nhận dạng lỗi (có thể dùng dịch vụ cloud hoặc đối tác trong nước)
  • Bước 4: Tích hợp tín hiệu phân loại vào hệ thống hiện có (PLC, SCADA, MES)

Kinh nghiệm thực tế mình thấy hiệu quả khi:

  • Mục tiêu rõ: ví dụ giảm 30% phế phẩm tại công đoạn A trong 6 tháng
  • Có kỹ sư chất lượng tham gia dán nhãn, phân loại lỗi cho model
  • Không cố gắng “ôm” tất cả lỗi ngay từ đầu, chọn 2–3 loại lỗi nặng nhất để giải quyết trước

4. Industrial AI đã tạo ra khoản tiết kiệm hàng trăm triệu USD

Mặc dù báo chí hay nói về “95% dự án GenAI thất bại”, nhưng trong sản xuất, những dự án AI thiết kế đúng đã mang lại ROI rất cụ thể:

  • Renault tiết kiệm 270 triệu EUR/năm cho năng lượng & bảo trì nhờ AI dự đoán hỏng hóc
  • Georgia-Pacific báo cáo hàng trăm triệu USD/năm giá trị tạo ra từ AI: chatbot cho vận hành, sinh tài liệu, phát hiện lỗi bằng thị giác máy

Khi gắn với vận hành thực tế, Industrial AI thường mang tiền về ở 4 hướng chính:

  1. Giảm dừng máy (predictive maintenance)
  2. Giảm phế phẩm / rework (AI kiểm tra chất lượng, tối ưu tham số máy)
  3. Tăng năng suất lao động (hướng dẫn thao tác, hỗ trợ cài đặt, tối ưu lịch sản xuất)
  4. Tiết kiệm năng lượng (tối ưu chạy máy, điều hòa, lò hơi…)

Gợi ý cho doanh nghiệp Việt:

  • Mỗi dự án AI phải gắn với một chỉ số tiền cụ thể: tỷ lệ phế phẩm, chi phí bảo trì, chi phí điện, OEE…
  • Đo lường trước–sau tối thiểu 3–6 tháng, tránh triển khai xong bỏ đấy không đo.

5. Muốn làm AI nghiêm túc, phải làm lại “nền dữ liệu”

Đây là chỗ nhiều nhà máy Việt vướng nhất: dữ liệu nằm khắp nơi, từ PLC, SCADA, MES, ERP tới Excel cá nhân. AI thì cần dữ liệu:

  • Sạch, nhất quán
  • Có ngữ cảnh (máy nào, ca nào, đơn hàng nào)
  • Gần như thời gian thực cho một số bài toán

Thế giới đang đi theo hai hướng:

a) DataOps & kiến trúc dữ liệu công nghiệp mới

Industrial DataOps đang là phân khúc tăng trưởng nhanh nhất, có nơi dự báo CAGR ~49% tới 2028. Mục tiêu:

  • Kết nối các hệ thống OT cũ (PLC, SCADA, DCS, historian…)
  • Chuẩn hoá, gắn ngữ cảnh cho dữ liệu (máy, line, sản phẩm, ca, batch…)
  • Đưa dữ liệu vào data lake / lakehouse chung để dùng cho nhiều ứng dụng AI

Ở Việt Nam, quy mô có thể nhỏ hơn nhưng logic giống hệt:

  • Không nhất thiết phải mua platform đắt tiền ngay
  • Có thể bắt đầu bằng một kho dữ liệu chung trên cloud/on-prem, chuẩn hoá tag, tên máy, tên sản phẩm

b) Chuẩn hoá “single source of truth”

Một số tập đoàn lớn đang gom dữ liệu thiết kế, sản xuất, vận hành về chung một (hoặc hai) nguồn chính. Lợi ích:

  • Giảm thời gian tìm kiếm thông tin, tra cứu tài liệu
  • Tạo nền tảng cho copilot và trợ lý AI tra cứu đúng

Với nhà máy Việt, bước thử đơn giản là:

  • Chọn 1–2 mảng dữ liệu ưu tiên (ví dụ: dữ liệu OEE, dữ liệu lỗi chất lượng)
  • Chuẩn hoá, gom về một hệ thống trung tâm và có API hoặc cơ chế truy xuất rõ ràng

6. Đào tạo & nâng kỹ năng AI cho công nhân, kỹ sư là bắt buộc

45% doanh nghiệp sản xuất được khảo sát cho rằng thiếu chuyên môn nội bộ là rào cản số 1 với AI. 60% đang đầu tư đào tạo lại nhân sự; 46% tìm người mới có kỹ năng số.

Toyota thậm chí lập hẳn “Toyota Software Academy” với ~100 khóa đào tạo về AI, bảo mật dữ liệu, luật liên quan.

Ở Việt Nam, cách làm thực tế và tiết kiệm hơn:

  • Bắt đầu với nhóm nòng cốt 5–15 người: kỹ sư sản xuất, chất lượng, bảo trì, IT/OT
  • Đào tạo những kỹ năng rất cụ thể:
    • Cách đọc và hiểu dashboard, KPI
    • Cách dán nhãn dữ liệu, hiểu mô hình AI đang dùng gì
    • Cách tương tác với copilot / chatbot nội bộ
  • Thiết kế chương trình “AI for Operators”: 4–6 buổi, tập trung vào:
    • Nhận cảnh báo, hiểu khuyến nghị AI
    • Khi nào tin AI, khi nào override
    • Cách ghi nhận phản hồi để cải thiện model

Quan điểm cá nhân: đầu tư thiết bị mà không đầu tư con người thì 90% AI sẽ thành… màn hình đẹp để trưng bày.

7. Copilot công nghiệp: trợ lý ảo cho kỹ sư & vận hành

Từ 2023–2025, GenAI bắt đầu len vào sản xuất qua các copilot tích hợp trong phần mềm công nghiệp: PLC, SCADA, MES, PLM, CMMS…

Các nhà cung cấp lớn đã đưa copilot vào sản phẩm:

  • Copilot giúp sinh code PLC, giải thích lỗi
  • Copilot giúp truy vấn tài liệu, hướng dẫn xử lý sự cố bằng ngôn ngữ tự nhiên
  • Copilot phân tích dữ liệu sản xuất, gợi ý tối ưu

Dự báo đến 2030, GenAI chiếm khoảng 1/4 use case AI công nghiệp.

Cơ hội cho nhà máy Việt

Doanh nghiệp Việt sẽ không tự viết LLM, nhưng có thể:

  • Chọn các phần mềm công nghiệp đã có copilot tích hợp khi nâng cấp
  • Xây chatbot nội bộ cho vận hành, bảo trì dựa trên tài liệu sẵn có (SOP, manual máy, quy trình QC)
  • Dùng GenAI hỗ trợ tự động tạo báo cáo, nhật ký sản xuất, tài liệu đào tạo

Điểm cần chú ý:

  • Dữ liệu nội bộ phải được phân quyền, ẩn thông tin nhạy cảm trước khi đưa vào hệ thống AI
  • Cần quy định rõ AI chỉ là trợ lý, không phải “người quyết định cuối cùng”

8. Edge AI: đưa trí tuệ xuống sát máy móc

Nhiều nhà máy đang phát hiện: đẩy hết dữ liệu lên cloud rồi mới xử lý AI là chậm, tốn băng thông, rủi ro bảo mật. Thế giới đang chuyển sang Edge AI – xử lý AI ngay tại hiện trường, trên gateway, IPC, camera thông minh.

Hai yếu tố giúp Edge AI cất cánh:

  1. Phần cứng mạnh hơn, rẻ hơn (ví dụ dòng Jetson của NVIDIA, IPC có GPU/TPU…)
  2. Nền tảng phần mềm Edge AI cho phép huấn luyện, triển khai, cập nhật model trên hàng trăm thiết bị phân tán

Với Việt Nam, Edge AI đặc biệt phù hợp nếu:

  • Nhà máy ở khu vực hạn chế kết nối internet ổn định
  • Bài toán yêu cầu thời gian thực (an toàn máy, an toàn con người, phân loại sản phẩm trên băng tải nhanh…)

Một lộ trình khả thi:

  • Giai đoạn 1: Dùng Edge AI cho AOI đơn giản, cảnh báo lỗi ngoại quan
  • Giai đoạn 2: Mở rộng sang dự đoán hỏng hóc dựa trên vibration, temperature, current… ngay trên gateway cạnh máy

9. Foundation model công nghiệp & tương lai agentic AI

Các model ngôn ngữ lớn (LLM) phổ thông thường không hiểu sâu ngôn ngữ kỹ thuật, mã lỗi máy, CAD, PLC. Vì vậy, nhiều nhà cung cấp đang xây Industrial Foundation Model (IFM) – model được huấn luyện trên dữ liệu đặc thù: file CAD, code tự động hoá, time-series cảm biến.

Với doanh nghiệp Việt, xu hướng này quan trọng ở chỗ:

  • Trong 3–5 năm tới, các phần mềm công nghiệp mua về sẽ ngày càng “thông minh sẵn”, hiểu ngôn ngữ sản xuất tốt hơn
  • Bạn không cần tự huấn luyện foundation model, nhưng cần chuẩn hóa dữ liệu & quy trình để tận dụng

Một bước tiếp theo là agentic AI – nơi nhiều “tác tử AI” phối hợp để tự động hoá cả quy trình, ví dụ:

  • Nhận đơn hàng mới → AI tự đề xuất lịch sản xuất
  • Nhận cảnh báo chất lượng → AI đề xuất đổi lịch bảo trì, điều chỉnh tham số máy

Hiện tại phần lớn mới là demo, concept, nhưng để sẵn sàng cho giai đoạn đó, nhà máy Việt cần làm tốt 3 việc cơ bản:

  1. Chuẩn hoá & kết nối dữ liệu (OT – IT)
  2. Số hoá quy trình & luật nghiệp vụ
  3. Xây năng lực nhân sự hiểu AI & tự động hoá

10. Lộ trình 12–24 tháng cho nhà máy Việt Nam

Nếu phải rút gọn thành một lộ trình thực tế cho nhà máy Việt quy mô vừa trở lên, mình sẽ đề xuất:

  1. Tháng 1–3:

    • Chọn 1–2 use case gắn với tiền: AOI, dự đoán dừng máy, tối ưu năng lượng
    • Kiểm kê dữ liệu hiện có, đánh giá nhanh hạ tầng OT/IT
    • Thành lập nhóm AI nòng cốt (đa phòng ban)

  2. Tháng 4–9:

    • Triển khai POC có đo lường KPI rõ ràng
    • Xây một kho dữ liệu nhỏ cho use case đó (data mart)
    • Bắt đầu chương trình đào tạo nội bộ về AI cho vận hành/kỹ sư

  3. Tháng 10–24:

    • Mở rộng use case thắng lợi sang nhiều line/nhà máy
    • Thiết kế kiến trúc dữ liệu dài hạn (data lake / DataOps)
    • Xem xét copilot / chatbot nội bộ cho bảo trì, chất lượng, sản xuất

Series “AI trong Sản xuất Việt Nam: Hướng dẫn Chuyển đổi Số” sẽ tiếp tục đi sâu từng mảng: bảo trì dự đoán, kiểm tra chất lượng tự động, tối ưu chuỗi cung ứng… Nếu bạn đang “đứng giữa ngã ba đường” chưa biết bắt đầu AI từ đâu, điểm khởi đầu hợp lý nhất thường không phải là mua thêm phần mềm, mà là chọn đúng một bài toán tạo tiền và gom dữ liệu cho nó thật tử tế.

Bạn đang cân nhắc triển khai AI trong nhà máy của mình? Trong 3 vấn đề: dữ liệu, con người, hay công nghệ – bạn thấy mình yếu nhất ở đâu hiện nay?