“Chúng tôi đã thử AI, nhưng rốt cuộc dừng lại ở giai đoạn PoC (thử nghiệm khái niệm)” — khi trao đổi với ban lãnh đạo và giám đốc nhà máy tại các doanh nghiệp sản xuất Nhật Bản ở ASEAN, chúng tôi đã nghe câu này rất nhiều lần trong giai đoạn 2024–2025. Đã thử đưa câu hỏi hiện trường cho chatbot, đã thử kiểm tra ngoại quan bằng nhận diện hình ảnh, nhưng cuối cùng không đưa được lên dây chuyền chính thức. Lý do thường giống nhau: AI chỉ “trả lời”, còn toàn bộ phần việc phía sau — nhập liệu vào hệ thống quản lý sản xuất, liên hệ người phụ trách, lập chứng từ, ra lệnh cho thiết bị — vẫn phải do con người làm thủ công.
Bước sang năm 2026, cấu trúc này bắt đầu thay đổi rõ rệt. Từ khóa là “AI Agent” (Agentic AI — AI tác tử). Đó là loại AI không chỉ đưa ra câu trả lời, mà khi được giao một mục tiêu sẽ tự lập kế hoạch các bước, thực thi xuyên suốt nhiều hệ thống, kiểm chứng kết quả và báo cáo lại. Nửa đầu năm 2026 chứng kiến hàng loạt công bố từ cả Anthropic lẫn OpenAI theo đúng hướng đi này. Và trong ngành sản xuất, việc triển khai đã bắt đầu hiện ra bằng những con số của “công việc thật”, chứ không còn là “thí nghiệm”.
Bài viết này hệ thống lại sự tiến hóa của AI Agent trong nửa đầu năm 2026, phân tích những gì sẽ xảy ra tại hiện trường sản xuất và logistics, đồng thời chỉ ra doanh nghiệp sản xuất Nhật Bản tại Việt Nam và Thái Lan nên bắt tay vào việc gì ngay lúc này — từ góc nhìn của TOMAS TECH, đơn vị tích hợp IT nhà máy đã liên tục đứng tại hiện trường triển khai ở Bangkok.
Năm 2026: AI Agent chuyển từ “thử nghiệm” sang “sử dụng thật”
Dự báo tỷ lệ ứng dụng tăng khoảng 4 lần chỉ trong một năm
Trước hết, hãy nắm nhiệt độ của toàn ngành bằng con số. Theo bài đưa tin của Manufacturing Dive, Deloitte dự báo tỷ lệ ứng dụng Agentic AI trong ngành sản xuất sẽ tăng từ 6% lên 24% trong năm 2026, tức khoảng 4 lần. Ngay cả khi tính đến việc mẫu số ban đầu còn nhỏ, tốc độ thay đổi gấp 4 lần trong một năm là điều không thể bỏ qua. Nó đánh dấu bước chuyển từ giai đoạn “một số doanh nghiệp tiên phong đang thử nghiệm” sang giai đoạn “cứ 4 doanh nghiệp cùng ngành thì có 1 doanh nghiệp đang thực sự sử dụng”.
Còn một chỉ số khác gần với hiện trường hơn. Theo dự báo ngành, hơn 40% doanh nghiệp sản xuất đang sở hữu hệ thống lập lịch sản xuất (production scheduling) sẽ nâng cấp lên các tính năng vận hành bằng AI trước năm 2026. Lập lịch sản xuất là lĩnh vực “gần hiện trường nhất” và cũng “phụ thuộc con người nhất” trong toàn bộ hệ thống IT của nhà máy. Việc AI bắt đầu thâm nhập vào đây cho thấy phạm vi ứng dụng của AI đang dịch chuyển từ nâng cao hiệu suất khối văn phòng sang chính hoạt động vận hành sản xuất.
Điều quan trọng với ban lãnh đạo các nhà máy Nhật Bản tại Việt Nam là: thay đổi này không còn là “tương lai nào đó sẽ đến”, mà đã trở thành “vấn đề phải xem xét trong chu kỳ ngân sách của năm nay”. Khi đối thủ cạnh tranh rút ngắn một nửa thời gian lập kế hoạch sản xuất và tự động hóa 80% khâu xử lý đơn hàng, khoảng cách đó sẽ hiện ra dưới dạng lead time và tốc độ phản hồi báo giá — hai thứ khách hàng cảm nhận trực tiếp.
Vì sao 2026 là điểm bước ngoặt?
Bản thân khái niệm Agentic AI đã được nói đến từ khoảng năm 2024. Vậy tại sao đến 2026 việc triển khai mới tăng tốc đồng loạt? Có thể quy về ba lý do kỹ thuật.
Thứ nhất, năng lực “thực thi tác vụ dài hơi” của mô hình đã đạt mức dùng được trong thực tế. AI tạo sinh thế hệ trước rất giỏi hỏi–đáp một lượt, nhưng lại kém khi phải chạy trọn vẹn một quy trình 20–30 bước mà không đổ vỡ. Ở thế hệ mô hình năm 2026, sức bền này đã được cải thiện đáng kể.
Thứ hai, đã hình thành chuẩn mực chung để kết nối AI với các hệ thống bên ngoài. Cơ chế chung để “nối” AI vào tài sản sẵn có như ERP, hệ thống quản lý sản xuất, MES, hay PLC của thiết bị đã trở nên phổ biến, làm giảm mạnh gánh nặng phát triển riêng lẻ.
Thứ ba, sự xuất hiện của các agent dành cho người không phải kỹ sư. Trước đây, Agentic AI đi trước trong bối cảnh phát triển phần mềm; nhưng năm 2026 đã có đủ công cụ để nhân sự các bộ phận nghiệp vụ như kế toán, mua hàng, quản lý sản xuất trực tiếp giao việc cho agent. Điểm này sẽ được phân tích kỹ ở chương tiếp theo.
Diễn biến mới nhất từ Anthropic và OpenAI (nửa đầu 2026)
Anthropic: Claude Cowork mở cánh cửa “agent cho người không phải kỹ sư”
Sự kiện mang tính biểu tượng nhất của nửa đầu 2026 có lẽ là Claude Cowork, được Anthropic công bố ngày 12/01/2026. Theo bài đưa tin của NBC News, đây là một AI Agent đa dụng dành cho người không phải kỹ sư, với mục tiêu để AI đảm nhận các công việc phổ thông ngoài lĩnh vực phát triển phần mềm.
Hơn nữa, tính đến tháng 7/2026, Claude Cowork đã mở rộng phạm vi sử dụng sang Web, di động và thực thi trên cloud, đồng thời có thể tiếp tục thực hiện tác vụ ngay cả khi thiết bị ở trạng thái offline. Điểm “vẫn tiếp tục chạy khi offline” này mang ý nghĩa thực tiễn lớn hơn nhiều so với tưởng tượng đối với độc giả ngành sản xuất. Cán bộ quản lý nhà máy dành phần lớn thời gian trong ngày ở ngoài bàn làm việc — tại hiện trường, trong phòng họp, ở chỗ đối tác. Một công cụ dừng xử lý ngay khi gập máy tính lại, so với một công cụ vẫn tiếp tục chạy trên cloud sau khi nhận lệnh và đã có sẵn kết quả khi bạn quay lại — mức độ dễ tích hợp vào công việc là hoàn toàn khác nhau.
Anthropic cũng đưa ra dòng mô hình mới Claude 5 family (phân tầng mô hình mới). Thiết kế này dựa trên tiền đề sử dụng mô hình khác nhau tùy theo mục đích và độ chính xác yêu cầu, giúp tối ưu cân bằng chi phí – hiệu năng theo từng nghiệp vụ. Cùng với đó, Claude Agent SDK đang khiến việc tự xây dựng agent phù hợp với nghiệp vụ nội bộ trở nên phổ biến. Điều này đánh dấu bước chuyển từ giai đoạn “dùng tính năng AI do nhà cung cấp dựng sẵn” sang giai đoạn “tự lắp ráp agent theo quy trình nghiệp vụ của mình” — mở rộng dư địa khác biệt hóa cho các doanh nghiệp có năng lực IT nội bộ.
Bản cập nhật Claude Code tháng 7/2026 và góc nhìn của “người quản lý”
Claude Code dành cho lập trình viên cũng có bản cập nhật đáng chú ý vào tháng 7/2026. Thứ nhất là việc chuyển /code-review thành sub-agent chạy nền. Công việc review được tách sang một agent khác và chạy ở phía sau, thiết kế theo hướng con người không phải chờ đợi. Điều này cho thấy tư duy “cho nhiều agent làm việc song song” đang dần trở thành chuẩn mực.
Thứ hai là hai tab mới về tình hình sử dụng (usage) và giá trị (value) được bổ sung vào bảng điều khiển quản trị. Số lập trình viên đang hoạt động của tổ chức, số phiên làm việc và các lệnh được dùng nhiều nhất nay được cập nhật hằng ngày. Đây là thay đổi quan trọng với ban lãnh đạo. Trong khi đầu tư công cụ AI trước nay vẫn bị xem là “khoản đầu tư khó đo hiệu quả”, xu hướng hiện nay là làm rõ ai đang dùng bao nhiêu và dùng cho việc gì. Trong đầu tư IT nhà máy cũng vậy: giống như không thể cải tiến một thiết bị mà ta không nhìn thấy tỷ lệ vận hành, việc nhìn thấy được thực trạng sử dụng chính là điều kiện tiên quyết để công cụ bám rễ.
OpenAI: GPT-5.6 Sol và điều khiển multi-agent bằng giọng nói
Về phía OpenAI, ngày 09/07/2026, GPT-5.6 Sol đã chính thức GA (phát hành rộng rãi) với vai trò mô hình mặc định của Codex. Điểm benchmark công bố là 88,8% trên Terminal-Bench 2.1 và 64,6% trên SWE-Bench Pro. Đây là các chỉ số đo năng lực hoàn thành tác vụ kỹ thuật phần mềm, tức đánh giá “có tự mình xử lý trọn vẹn bài toán được giao hay không”. Quan trọng hơn bản thân con số là việc chính các benchmark dạng tác vụ thực tế này đã trở thành chỉ số chủ đạo — bằng chứng cho thấy mối quan tâm của ngành đã dịch chuyển từ “đối đáp thông minh” sang “hoàn thành công việc”.
Về mặt thực tiễn, điều thú vị hơn nữa là khả năng điều khiển multi-agent bằng giọng nói: ra lệnh bằng giọng nói cho nhiều agent và để chúng làm việc song song. Đây là thiết kế dựa trên tiền đề thao tác trong tình huống bận tay hoặc không thể nhìn màn hình. Hẳn nhiều độc giả đã cảm nhận ngay sự tương thích với hiện trường sản xuất. Vận hành theo kiểu đứng cạnh dây chuyền, vẫn đeo găng tay, hoặc đang đi tuần mà ra lệnh bằng giọng nói, rồi khi quay lại đã có sẵn báo cáo — về mặt kỹ thuật, điều đó đã nằm trong tầm nhìn.
Ngoài ra, theo TechCrunch đưa tin ngày 15/07/2026, OpenAI đã ra mắt bàn phím chuyên dụng “Codex Micro” giá 230 USD (khoảng 6 triệu VND) dành cho Codex. Việc xuất hiện phần cứng chuyên dụng để thao tác với AI Agent là bằng chứng gián tiếp cho thấy agent đang chuyển từ “công cụ thi thoảng mới dùng” thành “dụng cụ chạm vào nhiều giờ mỗi ngày”. Bởi lẽ, một dụng cụ chỉ sinh ra giao diện chuyên dụng sau khi nó đã bám rễ vào công việc thường nhật.
Chuyển động tại Đông Nam Á: chuẩn tham chiếu khu vực cho ngành sản xuất Việt Nam
Song song với xu hướng toàn cầu, cần nắm cả tình hình trong khu vực ASEAN — nơi Việt Nam và Thái Lan cùng cạnh tranh thu hút chuỗi cung ứng sản xuất. Theo UOB Business Outlook Study 2026, hơn 70% doanh nghiệp SME (vừa và nhỏ) tại Thái Lan đã ứng dụng AI, cao hơn mức trung bình khu vực. Đây là một chuẩn tham chiếu (benchmark) đáng lưu ý cho ngành sản xuất Việt Nam: nếu quý vị vẫn cho rằng “ở ASEAN thì AI còn là chuyện của tương lai”, có lẽ đã đến lúc cập nhật nhận thức. Trên thực tế, hoàn toàn có thể xảy ra tình huống nhà cung cấp và đối tác logistics của quý vị đã tiến xa trong ứng dụng AI, trong khi riêng doanh nghiệp mình vẫn làm thủ công.
Về triển vọng trung – dài hạn, TDRI (Viện Nghiên cứu Phát triển Thái Lan) dự báo ngành AI của Thái Lan sẽ tăng trưởng với tốc độ bình quân năm (CAGR) 42,4% trong giai đoạn 2020–2030. Dưới chính sách Thailand 4.0, việc nâng cấp trình độ ngành sản xuất và đào tạo nhân lực số tiếp tục được hậu thuẫn về mặt chính sách — một mô hình chính sách có nhiều điểm tương đồng với định hướng chuyển đổi số quốc gia mà Việt Nam đang theo đuổi. Thêm vào đó, tại Nikkei Asia Forum, lãnh đạo các doanh nghiệp sản xuất ASEAN đã thảo luận về khả năng AI tạo ra chuyển đổi cho ngành. Có thể thấy trên bình diện toàn khu vực, câu hỏi “làm sao chuyển hóa AI thành năng lực cạnh tranh công nghiệp” đã leo lên vị trí trung tâm trong nghị sự của ban điều hành.
Cơ chế của AI Agent và khác biệt mang tính quyết định so với AI truyền thống
Từ “AI trả lời” sang “AI làm xong việc”
Đến đây, hãy hệ thống lại AI Agent thực chất là gì. AI tạo sinh truyền thống (AI dạng chat) về cơ bản là một cỗ máy “nhận đầu vào, trả đầu ra”. Con người hỏi, AI trả lời. Dùng câu trả lời đó để làm gì tiếp theo — toàn bộ vẫn là việc của con người.
AI Agent bổ sung vào cấu trúc đó một vòng lặp gồm lập kế hoạch (planning), thực thi (action) và kiểm chứng. Khi nhận mục tiêu, nó tự phân rã các bước để đạt được mục tiêu, đi lấy thông tin cần thiết, thao tác trên hệ thống bên ngoài, kiểm tra kết quả và làm lại nếu chưa đạt. Thứ con người chỉ định là “muốn đạt được điều gì”, chứ không phải “làm theo trình tự nào”.
Diễn đạt bằng ngôn ngữ ngành sản xuất: nếu AI truyền thống là “người thợ lành nghề hễ hỏi là chỉ”, thì AI Agent là “người phụ trách mà nếu đã giao thì lo trọn từ khâu chuẩn bị đến khâu dọn dẹp”. Khác biệt này mang tính quyết định, vì cách hiệu quả biểu hiện ra hoàn toàn khác nhau. Hiệu quả của loại thứ nhất chỉ dừng ở “rút ngắn thời gian suy nghĩ của con người”; còn loại thứ hai chạm tới “cắt giảm chính số giờ công thao tác của con người”.
Bốn cấu phần tạo nên một agent hoạt động được
Nhìn ở cấp độ triển khai, một agent dùng được cho nghiệp vụ thường gồm bốn cấu phần.
1. Planner (bộ lập kế hoạch) — phần phân rã mục tiêu thành các tác vụ con và quyết định thứ tự thực thi. Chỉ thị “lập lại kế hoạch sản xuất tháng này” sẽ được phân rã thành các bước như “lấy dữ liệu đơn hàng”, “kiểm tra tồn kho”, “tham chiếu lịch vận hành thiết bị”, “phân bổ trong điều kiện ràng buộc”, “sinh giải thích về chênh lệch”.
2. Kết nối công cụ (liên kết xuyên hệ thống) — giao diện để thao tác với các hệ thống bên ngoài như ERP, hệ thống quản lý sản xuất, MES, WMS, nền tảng dữ liệu thiết bị, email và chat. Thực tế, phần lớn thực lực của agent được quyết định ở đây. Mô hình có thông minh đến mấy, nếu không chạm được vào dữ liệu của hệ thống lõi thì nó cũng chỉ là một kẻ biết nhiều.
3. Memory (lưu giữ ngữ cảnh) — cơ chế lưu giữ các trao đổi trong quá khứ, quy tắc nghiệp vụ và căn cứ của những quyết định trước đó. Việc có tích lũy được các quy tắc ngầm như “đơn gấp của khách hàng này cần trưởng phòng kinh doanh phê duyệt” hay không sẽ làm thay đổi rất lớn tính thực dụng.
4. Kiểm chứng và guardrail — cơ chế xác nhận kết quả thực thi và chặn các thao tác vượt quyền. Điều này đặc biệt quan trọng trong sản xuất: nếu không có thiết kế phân tầng kiểu “đọc thì tự động, ghi thì cần người phê duyệt”, hiện trường sẽ không thể yên tâm giao việc.
Thiết kế “điểm phê duyệt của con người” — yếu tố then chốt trong sản xuất
Theo cảm nhận thực tế của chúng tôi, thứ quyết định thành bại của việc triển khai AI Agent không phải là lựa chọn mô hình, mà là cách đặt các điểm phê duyệt này (Human-in-the-Loop).
Ví dụ, với việc lập lại kế hoạch sản xuất: giao cho agent phần thu thập dữ liệu và sinh phương án thay thế, còn quyết định cuối cùng do cán bộ quản lý sản xuất phê duyệt. Với phát hiện bất thường thiết bị: phân tích tương quan dữ liệu và đưa ra các nguyên nhân khả dĩ thì tự động, còn việc phát lệnh bảo trì do trưởng bộ phận bảo trì quyết định. Với xử lý đơn hàng: các đơn thỏa mãn điều kiện tiêu chuẩn thì xử lý tự động, chỉ những đơn có lệch giá hoặc rủi ro công nợ mới đẩy lên cho người.
Không cần phải vạch ranh giới này thật chi tiết ngay từ đầu. Điều quan trọng hơn là thiết kế sao cho có thể mở rộng phạm vi tự động hóa theo từng bước trong quá trình vận hành. Ban đầu con người kiểm tra 100% số ca. Sau 3 tháng vận hành, những lĩnh vực mà phán đoán của agent và của con người liên tục trùng khớp sẽ lần lượt được chuyển sang tự động phê duyệt. Cách tiến hành này vừa giảm được sức ì tâm lý của hiện trường, vừa có thể giải trình được khi kiểm toán.
Điều gì sẽ xảy ra tại hiện trường sản xuất và logistics — các use case cụ thể
Quy mô hiệu quả từ các trường hợp đi trước
Vì chỉ bàn lý thuyết trừu tượng thì khó ra quyết định, hãy nhìn vào các trường hợp đi trước đã được công bố. Trong các case của Infor được Manufacturing Dive đăng tải, những kết quả sau đã được báo cáo:
- Suzano (giấy và bột giấy): giảm 95% thời gian tra cứu dữ liệu vật tư
- Danfoss (thiết bị công nghiệp): tự động hóa 80% các phán đoán giao dịch trong xử lý đơn hàng
- Elanco (thuốc thú y): nhờ tự động hóa quản lý tài liệu, tránh được tổn thất năng suất lên tới 1,3 triệu USD trên mỗi cơ sở
Điều đáng chú ý là không trường hợp nào trong số này thuộc về “lĩnh vực công nghệ hào nhoáng”. Tra cứu dữ liệu vật tư, xử lý đơn hàng, quản lý tài liệu — tất cả đều là những công việc thầm lặng, khối lượng lớn và dễ phụ thuộc cá nhân, hiện diện ở mọi nhà máy. Và đó chính là nơi AI Agent phát huy tác dụng đầu tiên.
Về hiệu quả đầu tư cũng có một khảo sát đáng tham khảo: ROI trung bình của việc triển khai Agentic AI tại các doanh nghiệp Mỹ được báo cáo là 192%, với thời gian hoàn vốn 12–18 tháng. So với việc thay mới hệ thống lõi quy mô lớn kéo dài nhiều năm, đây rõ ràng là khoản đầu tư có thể đánh giá trong chu kỳ ngắn hơn rất nhiều.
Use case 1: Kế hoạch và lập lịch sản xuất
Tại các nhà máy Nhật Bản ở Việt Nam, kế hoạch sản xuất là mảng phụ thuộc cá nhân nhiều nhất. Một cán bộ quản lý sản xuất kỳ cựu kết hợp trong đầu tình hình đơn hàng, lịch nhập vật tư, trạng thái thiết bị, kỹ năng của công nhân và thứ tự ưu tiên của khách hàng để dựng nên kế hoạch. Chuyện gì xảy ra vào ngày người đó nghỉ, hoặc ngày người đó nghỉ việc — hẳn nhiều giám đốc nhà máy đã trải nghiệm trên thực tế.
AI Agent hoạt động theo hai cách trong lĩnh vực này. Thứ nhất là tự động sinh phương án kế hoạch: khi được cấp các điều kiện ràng buộc, nó tạo ra nhiều phương án thay thế trong thời gian ngắn và giải thích đánh đổi của từng phương án (ví dụ tỷ lệ đáp ứng giao hàng đúng hạn so với số lần đổi khuôn/setup). Thứ hai là ứng phó thay đổi: khi phát sinh đơn gấp đột xuất, chậm vật tư hay hỏng thiết bị, nó lập tức bóc tách phạm vi ảnh hưởng và đề xuất phương án lập lại kế hoạch. Như đã nêu, dự báo hơn 40% doanh nghiệp sản xuất có hệ thống lập lịch sản xuất sẽ nâng cấp lên tính năng vận hành bằng AI trước năm 2026 phản ánh đúng sức mạnh của nhu cầu này.
Use case 2: Bảo trì thiết bị và giảm downtime
Số nhà máy thu thập dữ liệu thiết bị bằng IoT đã tăng lên, nhưng thực tế cũng có chừng ấy trường hợp dừng lại ở mức “thu thập rồi để đó”. Dữ liệu thì có, nhưng không ai có thời gian xem. Cảnh báo ngưỡng thì kêu, nhưng dần thành “chú bé chăn cừu” và không ai để mắt tới nữa.
Ở đây, AI Agent đảm nhận việc giám sát và chẩn đoán sơ cấp. Nó nhìn xuyên suốt nhiều chỉ số như độ rung, dòng điện, nhiệt độ, cycle time; khi phát hiện dấu hiệu bất thường, nó tự động đối chiếu các sự cố tương tự trong quá khứ, lịch sử bảo trì gần nhất và chu kỳ thay thế linh kiện, rồi trình bày cho nhân viên bảo trì dưới dạng “nguyên nhân khả dĩ và hành động khuyến nghị”. Nhân viên bắt đầu công việc từ một giả thuyết đã được sắp xếp, thay vì từ dữ liệu thô.
Use case 3: Tự động hóa back-office trong xử lý đơn hàng và phản hồi báo giá
Như case Danfoss cho thấy, xử lý đơn hàng là lĩnh vực dễ cho ra hiệu quả tự động hóa. Với doanh nghiệp Nhật Bản, tình trạng “đa ngôn ngữ, đa định dạng” là chuyện thường ngày: trao đổi với công ty mẹ Nhật Bản hoặc công ty thương mại bằng PDF/Excel tiếng Nhật, còn trao đổi với nhà cung cấp tại Việt Nam bằng tiếng Việt hoặc tiếng Anh. Một lượng giờ công đáng kể của khối gián tiếp đang bị tiêu tốn cho việc đọc và nhập lại các tài liệu này.
Khi kết hợp AI-OCR với agent, có thể xử lý xuyên suốt cả chuỗi: đọc đơn đặt hàng, đối chiếu với master mã hàng, kiểm tra tính hợp lý của giá và thời hạn giao, đăng ký vào hệ thống quản lý sản xuất, và chỉ đẩy các trường hợp ngoại lệ lên cho người. Điểm mấu chốt là OCR đơn thuần chỉ dừng ở mức “xuất dữ liệu đã đọc ra Excel”. Chỉ khi bao gồm cả khâu đăng ký vào hệ thống và khâu phán đoán phía sau, mức cắt giảm giờ công mới đủ lớn để cảm nhận được.
Use case 4: Logistics, tồn kho và truy xuất nguồn gốc
Về logistics, các lĩnh vực mục tiêu gồm kế hoạch xuất hàng và điều xe tải, chuẩn bị chứng từ thông quan, tối ưu bố trí tồn kho. Với Việt Nam — quốc gia có tỷ trọng xuất nhập khẩu rất lớn trong ngành sản xuất — khối lượng giấy tờ đi kèm thủ tục xuất nhập khẩu là rất nhiều, và đây chính là lĩnh vực mà “tự động hóa quản lý tài liệu” như trong case Elanco phát huy tác dụng.
Về truy xuất nguồn gốc, ví dụ điển hình là điều tra truy ngược khi phát sinh vấn đề chất lượng. Công việc thu thập xuyên suốt vật tư đã dùng, thiết bị sản xuất, công nhân, hồ sơ kiểm tra và nơi giao hàng — bắt đầu từ số lô — trước đây phải mất nhiều ngày. Nếu dữ liệu đã sẵn sàng, agent thực hiện cùng công việc đó trong vài phút, thậm chí soạn cả bản nháp báo cáo. Tốc độ phản hồi sơ bộ cho khách hàng là yếu tố quan trọng để khôi phục niềm tin khi xảy ra vấn đề chất lượng.
Use case 5: Kế thừa tri thức hiện trường và giao tiếp đa ngôn ngữ
Một thách thức đặc thù của các nhà máy Nhật Bản tại Việt Nam và Thái Lan là khoảng cách về ngôn ngữ và tri thức giữa cán bộ quản lý người Nhật và nhân sự bản địa. Tiêu chuẩn thao tác, báo cáo lỗi, nội dung chỉ thị trong họp đầu ca — việc đa ngôn ngữ hóa những tài liệu này và bảo đảm khả năng tra cứu kho tri thức tích lũy đã là bài toán tồn tại nhiều năm.
AI Agent có thể trả lời câu hỏi bằng cách tra cứu xuyên suốt tài liệu nội bộ, xuất kết quả bằng ngôn ngữ cần thiết, và thậm chí liên kết được rằng “lỗi này đã có trường hợp tương tự cách đây 3 năm”. Đó là cách AI hỗ trợ nền cho công việc chuyển tri thức ngầm của thợ lành nghề thành tri thức hiện.
Kinh nghiệm thực chiến của TOMAS TECH — không có dữ liệu hiện trường thì agent không chạy
Những gì chúng tôi đã chứng kiến tại hiện trường triển khai
TOMAS TECH lấy Bangkok làm căn cứ, cung cấp cho các doanh nghiệp sản xuất Nhật Bản tại Thái Lan và Việt Nam hệ thống quản lý sản xuất PEGASUS và hệ thống quản lý năng lượng, thu thập dữ liệu thiết bị IoT, tự động hóa back-office bằng AI-OCR, cùng các giải pháp FA và điều khiển robot. Qua việc tích lũy kinh nghiệm triển khai về kế hoạch sản xuất, thu thập kết quả thực tế, truy xuất nguồn gốc và giám sát vận hành thiết bị, chúng tôi luôn nhất quán với tinh thần hiện trường (Genba).
Từ vị trí đó, điều chúng tôi muốn nói chỉ có một: thực lực của AI Agent không được quyết định bởi hiệu năng của mô hình, mà bởi chất lượng của dữ liệu và hệ thống được kết nối vào nó.
Dù triển khai một agent xuất sắc đến đâu, nếu kết quả sản xuất chỉ tồn tại trên nhật báo giấy thì AI không nhìn thấy được gì. Nếu tình trạng vận hành thiết bị chỉ nằm trong trí nhớ của người phụ trách thì bảo trì dự đoán không thể thành hình. Ngược lại, tại những nhà máy đã có sẵn hệ thống quản lý sản xuất và nền tảng dữ liệu IoT, việc triển khai AI Agent cho ra hiệu quả trong thời gian ngắn đến mức đáng ngạc nhiên. Khoảng cách này đang giãn rộng theo từng năm.
Hệ thống quản lý sản xuất PEGASUS: “nền móng” để agent đọc và ghi
Để AI Agent tham gia vào kế hoạch sản xuất, các dữ liệu về đơn hàng, tồn kho vật tư, tiến độ công đoạn, lịch thiết bị và kết quả thực tế phải tồn tại ở dạng có cấu trúc. Hệ thống quản lý sản xuất PEGASUS chính là nền tảng lưu giữ khối dữ liệu vận hành có cấu trúc đó.
Điều chúng tôi luôn truyền đạt tới khách hàng là thứ tự ưu tiên: không phải “tạo dữ liệu mới cho AI”, mà là “làm cho dữ liệu vốn đã nằm trong hệ thống quản lý sản xuất có thể được AI tham chiếu”. Ở phần lớn nhà máy, khoảng 70% dữ liệu cần thiết đã có sẵn trong hệ thống. Thứ còn thiếu là con đường để trích xuất chúng theo chiều ngang và đưa về dạng dùng được cho việc ra quyết định. Việc xây dựng con đường này nên được định vị là khoản đầu tư ở giai đoạn tiền đề của triển khai AI — và kể cả khi không dùng AI, nó vẫn chắc chắn sinh ra giá trị ở khía cạnh trực quan hóa và phân tích.
Thu thập dữ liệu thiết bị IoT: tiền đề cho bảo trì dự đoán và quản lý năng lượng
Thu thập dữ liệu thiết bị là lĩnh vực mà giá trị đã được nâng thêm một bậc trong kỷ nguyên AI Agent. Trước đây, công dụng chính của dữ liệu IoT là “xem trên dashboard”. Nhưng AI Agent diễn giải dữ liệu trước khi con người kịp nhìn, tách ra các bất thường và đề xuất cả phương án xử lý. Hiệu suất khai thác dữ liệu là hoàn toàn khác biệt.
Với hệ thống quản lý năng lượng cũng vậy. Trong ngành sản xuất tại Việt Nam và Thái Lan, chi phí điện đang trực tiếp gây sức ép lên kết quả kinh doanh; việc kìm hãm công suất đỉnh và quản lý định mức tiêu hao theo từng thiết bị là bài toán thường trực. AI Agent có thể phân tích mối quan hệ giữa kế hoạch sản xuất và mức tiêu thụ năng lượng, rồi đưa ra đề xuất cụ thể như “nếu đổi trình tự setup theo cách này thì sẽ hạ được công suất đỉnh”, tích hợp ngay vào quy trình lập kế hoạch.
AI-OCR: tự động hóa back-office chỉ hoàn chỉnh khi được agent hóa
Từ kinh nghiệm cung cấp AI-OCR, chúng tôi thấy rằng số trường hợp đạt mức hài lòng cao chỉ với riêng OCR là khá hạn chế. Bởi dù độ chính xác đọc đạt 99%, vẫn còn lại việc kiểm tra 1% còn lại và việc nhập dữ liệu đã đọc vào hệ thống.
Khi kết hợp với AI Agent, “bước cuối cùng” này được lấp đầy, vì có thể thiết kế đọc – đối chiếu – phán đoán – đăng ký hệ thống – escalation ngoại lệ thành một dòng chảy liên tục. Báo cáo về case Elanco tránh được tổn thất năng suất tới 1,3 triệu USD trên mỗi cơ sở cũng nên được hiểu là kết quả của việc tự động hóa toàn bộ quy trình nghiệp vụ liên quan đến tài liệu, chứ không phải chỉ riêng việc đọc tài liệu.
Kết nối với FA và điều khiển robot: ưu tiên tuyệt đối an toàn và phân định trách nhiệm
Cuối cùng, xin nói rõ về vị trí của AI Agent trong lĩnh vực FA và điều khiển robot. Ở thời điểm hiện tại, chúng tôi không khuyến nghị để AI Agent điều khiển trực tiếp thiết bị.
Lý do là an toàn và phân định trách nhiệm. Điều khiển bằng PLC bắt buộc phải mang tính tất định (deterministic); việc đưa một mô hình hành xử theo xác suất vào vòng điều khiển liên quan đến an toàn là không thực tế, cả trên phương diện đánh giá rủi ro lẫn chứng nhận.
Mặt khác, “vùng phụ cận” của hệ điều khiển lại có dư địa rất lớn: trình bày giá trị khuyến nghị cho tham số đổi setup, đề xuất tối ưu điều kiện sản xuất, quản lý và tra cứu dữ liệu teaching của robot, phân tích bất thường từ log vận hành, thu thập tự động thông tin truy xuất nguồn gốc — tất cả đều là những lĩnh vực AI có thể đóng góp mà không làm tổn hại tính an toàn của điều khiển. Chúng tôi cho rằng việc giữ vững ranh giới trách nhiệm “AI đề xuất – con người quyết định – PLC thực thi” chính là điều kiện để sử dụng AI lâu dài tại hiện trường sản xuất.
Lộ trình triển khai: cách tiến hành thực tế để ra kết quả trong 6 tháng
Bước 1: Kiểm kê nghiệp vụ và xác định lĩnh vực ứng viên (tháng thứ 1)
Trước hết, hãy bắt đầu bằng việc không lấy AI làm tiền đề. Kiểm kê nghiệp vụ gián tiếp và nghiệp vụ hiện trường, rồi lọc ra những công việc thỏa mãn bốn điều kiện: “số lượng nhiều”, “quy trình mang tính tiêu chuẩn”, “trải qua nhiều hệ thống”, “phụ thuộc vào cá nhân người phụ trách”. Việc các trường hợp đi trước cho ra hiệu quả ở những lĩnh vực thầm lặng như tra cứu vật tư, xử lý đơn hàng, quản lý tài liệu chính là vì chúng thỏa mãn các điều kiện này.
Bước 2: Chẩn đoán dữ liệu và khả năng kết nối hệ thống (tháng thứ 1–2)
Với các lĩnh vực ứng viên, xác nhận dữ liệu cần thiết đang nằm ở đâu và ở định dạng nào: trong hệ thống quản lý sản xuất, trong Excel, hay trên giấy. Nếu phát hiện lĩnh vực “chỉ có bản giấy”, thì cần thiết kế số hóa dữ liệu trước khi triển khai AI. Bỏ qua bước chẩn đoán này mà lao vào PoC thì gần như chắc chắn sẽ mắc kẹt ở khâu chuẩn bị dữ liệu.
Bước 3: Chỉ làm duy nhất một PoC nhỏ và khép kín (tháng thứ 2–3)
Hãy giới hạn ở một nghiệp vụ. Chạy nhiều nghiệp vụ cùng lúc sẽ khiến ta không thể bóc tách nguyên nhân khi thất bại. Ở giai đoạn này, hoàn toàn có thể đặt tiền đề rằng mọi đầu ra của agent đều do con người kiểm tra. Thứ cần đo không phải là “tỷ lệ trả lời đúng của AI”, mà là “tính cả thời gian con người kiểm tra thì có kết thúc nhanh hơn trước hay không”.
Bước 4: Thiết kế guardrail và luồng phê duyệt (tháng thứ 3–4)
Dựa trên kết quả PoC, vạch ranh giới giữa phạm vi tự động hóa và phạm vi con người phê duyệt. Phân tầng các thao tác chỉ đọc, các thao tác có ghi dữ liệu, và các phán đoán ảnh hưởng tới tiền bạc hoặc thời hạn giao hàng, rồi thiết lập quyền hạn và log cho từng tầng. Thiết kế dấu vết kiểm toán (audit trail) cũng được thực hiện ở giai đoạn này. Với doanh nghiệp Nhật Bản, việc sớm xác nhận tính tương thích với yêu cầu kiểm soát nội bộ của công ty mẹ sẽ tránh phải làm lại về sau.
Bước 5: Triển khai chính thức và đo lường hiệu quả (tháng thứ 4–6)
Khi triển khai chính thức, việc quyết định trước các chỉ số đo lường hiệu quả là điều mang tính quyết định. Thời gian xử lý, số lượng xử lý, tỷ lệ lỗi, số giờ làm thêm của nhân viên — nếu không nắm bằng con số việc mình muốn cải thiện là gì, thì sẽ không thể ra quyết định đầu tư tiếp theo. Giống như việc bảng điều khiển quản trị của Claude Code được bổ sung các tab trực quan hóa tình hình sử dụng và giá trị, cả ngành đang đi theo hướng làm rõ “có được dùng không” và “có tạo ra giá trị không”. Doanh nghiệp cũng nên mang cùng tư duy đó khi triển khai nội bộ.
Bước 6: Nhân rộng và nội bộ hóa năng lực (từ tháng thứ 6 trở đi)
Khi ca đầu tiên đã vận hành trơn tru, hãy nhân rộng sang các nghiệp vụ lân cận. Lúc này, nếu đã đào tạo được “người có thể thiết kế agent” trong nội bộ thì tốc độ nhân rộng sẽ khác hẳn. Với các công cụ như Claude Agent SDK, rào cản xây dựng agent đã hạ xuống, và việc xây dựng một cơ cấu không phụ thuộc hoàn toàn vào nhà cung cấp bên ngoài đã trở thành lựa chọn thực tế. Báo cáo khảo sát về ROI trung bình 192% và thời gian hoàn vốn 12–18 tháng cũng là con số hoàn toàn nằm trong tầm với, nếu lấy cách triển khai theo từng giai đoạn như trên làm tiền đề.
Câu hỏi thường gặp (FAQ)
Q. Triển khai AI Agent có khả thi với nhà máy quy mô vừa và nhỏ không?
Hoàn toàn khả thi. Ngược lại, các nhà máy quy mô vừa và nhỏ — nơi ra quyết định nhanh và dễ thay đổi quy trình nghiệp vụ — thường có xu hướng rút ngắn thời gian đến khi ra kết quả. Kết quả từ UOB Business Outlook Study 2026 cho thấy hơn 70% SME tại Thái Lan đã ứng dụng AI, vượt mức trung bình khu vực, cũng chứng minh rằng quy mô không phải là rào cản mang tính quyết định.
Điều quan trọng là đừng nhắm tới triển khai đồng loạt toàn công ty. Hãy bắt đầu từ một nghiệp vụ đơn lẻ như xử lý đơn hàng, tra cứu vật tư hay xử lý tài liệu, rồi đo hiệu quả bằng số lượng xử lý mỗi tháng và số giờ tiết kiệm được. Cách làm thực tế là chạy ca đầu tiên với đầu tư ban đầu ở mức thấp, rồi dùng chính kết quả đó làm căn cứ cho khoản đầu tư tiếp theo.
Q. Có cần thay mới hệ thống quản lý sản xuất hoặc ERP hiện có không?
Trong phần lớn trường hợp là không cần thay mới. Về nguyên tắc, AI Agent nên được thiết kế như một lớp “nằm trên” các hệ thống hiện có: tham chiếu dữ liệu mà hệ thống quản lý sản xuất hoặc ERP đang nắm giữ, và ghi dữ liệu vào khi cần thiết.
Tuy nhiên có hai điều kiện tiên quyết. Thứ nhất, hệ thống phải có đường lấy dữ liệu từ bên ngoài (API, tham chiếu cơ sở dữ liệu, xuất file liên kết…). Thứ hai, dữ liệu master phải được chuẩn hóa. Nếu để mặc tình trạng mã hàng hoặc mã đối tác viết không thống nhất, agent sẽ không thể đối chiếu chính xác. Công việc chuẩn hóa này đáng làm bất kể có triển khai AI hay không. TOMAS TECH hỗ trợ từ khâu chẩn đoán khả năng kết nối của môi trường hiện có, bao gồm cả hệ thống quản lý sản xuất PEGASUS.
Q. Chúng tôi lo ngại phản ứng tiêu cực từ vận hành viên và nhân sự hiện trường. Nên tiến hành thế nào?
Chúng tôi khuyến nghị làm rõ ngay từ đầu định vị của dự án: không phải “để giảm người”, mà là “để giảm thời gian tìm kiếm, chờ đợi và nhập lại dữ liệu”. Trên thực tế, những trường hợp đi trước có hiệu quả lớn đều rơi vào các công việc mà chính người phụ trách cảm thấy khổ sở nhất — như giảm 95% thời gian tra cứu dữ liệu vật tư của Suzano. Kinh nghiệm của chúng tôi là nếu bắt đầu từ những nghiệp vụ mà người trong cuộc cảm nhận được lợi ích, thì phần nhiều họ sẽ đón nhận chứ không phản đối.
Một bí quyết nữa là đừng để phán đoán của agent được chốt tự động ngay từ đầu. Hãy duy trì vài tháng vận hành có con người kiểm tra, và chỉ mở rộng phạm vi tự động hóa sau khi hiện trường đã tích lũy được niềm tin rằng “phán đoán của AI trùng với phán đoán của chúng tôi”. Giữ đúng trình tự này sẽ làm thay đổi đáng kể tỷ lệ bám rễ của hệ thống.
Q. Nên nhìn nhận thế nào về bảo mật và xử lý thông tin mật?
Trong ngành sản xuất, đối tượng xử lý là các dữ liệu có tính bảo mật cao như bản vẽ, giá thành, thông tin khách hàng, điều kiện sản xuất; vì vậy việc sắp xếp ngay từ giai đoạn thiết kế là không thể thiếu. Trên thực tế cần nắm tối thiểu bốn điểm sau.
Thứ nhất, làm rõ phạm vi xử lý dữ liệu — quy định theo từng nghiệp vụ dữ liệu nào được đưa cho AI và dữ liệu nào thì không. Thứ hai, thiết kế quyền hạn — cấp cho agent quyền hệ thống ở mức tối thiểu cần thiết, đặc biệt siết chặt các thao tác ghi. Thứ ba, log và dấu vết kiểm toán — bảo đảm có thể truy vết agent đã tham chiếu gì và đã thực thi gì. Thứ tư, kiểm tra hợp đồng và điều kiện xử lý dữ liệu — đối chiếu chính sách xử lý dữ liệu của dịch vụ AI đang dùng với quy chế an toàn thông tin của công ty mẹ.
Ngoài ra, phía nền tảng agent cũng đang hoàn thiện các chức năng quản trị; việc bảng điều khiển quản trị của Claude Code được bổ sung tab trực quan hóa tình hình sử dụng với cập nhật hằng ngày là một ví dụ cho xu hướng coi trọng quản trị ở cấp tổ chức.
Kết luận: việc cần bắt tay ngay không phải là “triển khai AI”, mà là “tạo ra hiện trường để AI làm được việc”
Hệ thống lại diễn biến nửa đầu năm 2026, định hướng đã rất rõ ràng. Anthropic công bố Claude Cowork ngày 12/01/2026, mở ra môi trường để người không phải kỹ sư sử dụng agent đa dụng. Tính đến tháng 7/2026, sản phẩm này đã hỗ trợ Web, di động và thực thi trên cloud, đồng thời tiếp tục chạy tác vụ ngay cả khi offline. Với Claude 5 family và Claude Agent SDK, việc tự xây dựng agent theo nghiệp vụ nội bộ cũng đã trở nên phổ biến. OpenAI thì đưa GPT-5.6 Sol lên GA làm mô hình mặc định của Codex vào ngày 09/07/2026, với năng lực hoàn thành tác vụ đạt 88,8% trên Terminal-Bench 2.1 và 64,6% trên SWE-Bench Pro. Khả năng điều khiển multi-agent bằng giọng nói, cùng sự xuất hiện của bàn phím Codex Micro giá 230 USD được TechCrunch đưa tin ngày 15/07, là biểu hiện cho thấy agent đã trở thành dụng cụ làm việc thường nhật.
Còn trong ngành sản xuất, như dự báo của Deloitte qua bài đưa tin của Manufacturing Dive — tỷ lệ ứng dụng Agentic AI tăng từ 6% lên 24%, tức khoảng 4 lần, trong năm 2026 — quá trình phổ cập đã thực sự bắt đầu. Dự báo hơn 40% doanh nghiệp sở hữu hệ thống lập lịch sản xuất sẽ nâng cấp lên tính năng vận hành bằng AI trước năm 2026; Suzano giảm 95% thời gian tra cứu dữ liệu vật tư; Danfoss tự động hóa 80% phán đoán trong xử lý đơn hàng; Elanco tránh được tổn thất năng suất tới 1,3 triệu USD trên mỗi cơ sở; và kết quả khảo sát ROI trung bình 192% với thời gian hoàn vốn 12–18 tháng. Tất cả đều chứng minh công nghệ này đã vượt qua giai đoạn thử nghiệm.
Nhìn sang bối cảnh khu vực, hơn 70% SME tại Thái Lan đã ứng dụng AI, và TDRI dự báo ngành AI của Thái Lan tăng trưởng CAGR 42,4% trong giai đoạn 2020–2030. Cùng với sự hậu thuẫn của chính sách Thailand 4.0, tại Nikkei Asia Forum, lãnh đạo các doanh nghiệp sản xuất ASEAN đang thảo luận về chuyển đổi nhờ AI. Đây là những chuẩn tham chiếu khu vực cho thấy môi trường xung quanh ngành sản xuất Việt Nam đang chuyển động một cách chắc chắn.
Trên nền đó, điều chúng tôi muốn gửi tới các doanh nghiệp sản xuất Nhật Bản tại Việt Nam và Thái Lan là: việc cần bắt tay ngay lúc này không phải là bản thân “triển khai AI”, mà là tạo ra một hiện trường mà AI có thể làm việc được. Kết quả sản xuất được cấu trúc hóa, dữ liệu thiết bị được thu thập liên tục, chứng từ được số hóa, master được chuẩn hóa — nếu có nền móng này, AI Agent sẽ cho ra kết quả trong thời gian ngắn. Ngược lại, nếu không có nền móng, thì dù ký hợp đồng với mô hình hiệu năng cao đến đâu cũng không tạo ra hiệu quả. Và may mắn thay, việc xây dựng nền móng này là khoản đầu tư chắc chắn hoàn lại giá trị dưới dạng trực quan hóa và cải tiến, bất kể AI có còn là xu hướng thời thượng hay không.
TOMAS TECH, với căn cứ tại Bangkok, là đơn vị tích hợp IT nhà máy phục vụ các doanh nghiệp sản xuất Nhật Bản tại Thái Lan và Việt Nam, cung cấp theo tinh thần hiện trường các giải pháp: hệ thống quản lý sản xuất PEGASUS, hệ thống quản lý năng lượng, thu thập dữ liệu thiết bị IoT, tự động hóa back-office bằng AI-OCR, và giải pháp FA – điều khiển robot. “Dữ liệu của công ty mình đã ở trạng thái dùng được cho AI chưa?”, “Nên bắt đầu từ nghiệp vụ nào thì có thể kỳ vọng hoàn vốn?” — chúng tôi sẵn sàng đồng hành cùng quý vị ngay từ khâu xác định vị trí hiện tại này. Nếu quý vị chia sẻ cấu hình hệ thống hiện tại và các vấn đề nghiệp vụ đang gặp phải, chúng tôi sẽ đề xuất những bước đi khả thi, phù hợp với tình hình thực tế của quý công ty. Xin đừng ngần ngại liên hệ với chúng tôi.
Tài liệu tham khảo
- Anthropic News: https://www.anthropic.com/news
- Thông tin cập nhật Claude Code: https://releasebot.io/updates/anthropic/claude-code
- NBC News “Anthropic will make Claude Cowork available to users”: https://www.nbcnews.com/tech/tech-news/anthropic-will-make-claude-cowork-available-users-cloud-rcna353218
- Manufacturing Dive “Agentic AI potential to rattle manufacturing status quo (Deloitte)”: https://www.manufacturingdive.com/news/agentic-ai-potential-rattle-manufacturing-status-quo-deloitte/816325/
- Dataiku “Manufacturing AI Trends 2026”: https://www.dataiku.com/blog/manufacturing-ai-trends-2026
- Infor “Agentic AI transforms industrial manufacturing 2026”: https://www.infor.com/blog/agentic-ai-transforms-industrial-manufacturing-2026
- TechCrunch “OpenAI releases a $230 keyboard for Codex”: https://techcrunch.com/2026/07/15/amid-hardware-legal-battle-openai-releases-a-230-keyboard-for-codex/
- Nikkei Asia Forum “AI could transform ASEAN manufacturing, executives say”: https://asia.nikkei.com/spotlight/nikkei-asia-forum/nikkei-asia-forum-apac-2026/ai-could-transform-asean-manufacturing-executives-say
- ThaiPR: https://www.thaipr.net/en/business_en/3735803
- Help Net Security: https://www.helpnetsecurity.com/2026/07/13/claude-code-weekly-limits-promotion-extended/
