Triển khai AI cho FMEA: RFP và thử nghiệm nghiệm thu để AI tạo sinh không bỏ sót dạng lỗi

Nhiều nhà máy đang gặp tình huống này: triển khai AI cho FMEA được đưa lên bàn vì mã sản phẩm mới khởi động dồn dập, việc lập và sửa đổi PFMEA không theo kịp, kỹ sư kỳ cựu biết liệt kê dạng lỗi (failure mode) đã nghỉ việc, và trong đợt đánh giá của khách hàng thì bị chỉ ra sự không nhất quán giữa FMEA và kế hoạch kiểm soát (Control Plan). Đây là nỗi lo chúng tôi thường nghe từ trưởng phòng đảm bảo chất lượng (QA) và trưởng phòng kỹ thuật sản xuất tại các nhà máy linh kiện ô tô, linh kiện điện tử vốn Nhật ở Thái Lan. Xin nói kết luận trước: khi triển khai AI cho FMEA, thứ cần mua không phải là “công cụ viết nhanh” mà là công cụ phát hiện những dạng lỗi bị “bỏ sót”.

Cả các nghiên cứu lẫn sản phẩm của nhà cung cấp đều được thiết kế theo cùng một nguyên tắc: “AI đề xuất, con người quyết định”. Vì vậy, thành bại của dự án không phụ thuộc nhiều vào độ thông minh của AI, mà phụ thuộc vào việc bạn đã chốt 3 điều sau trước khi đặt hàng hay chưa.

• Ranh giới giữa các công đoạn giao cho AI và các công đoạn do con người quyết định (đặc biệt, mức độ nghiêm trọng S chỉ do con người chấm)
• Chuẩn bị dữ liệu để AI tham chiếu (FMEA nền tảng, các báo cáo 8D và khiếu nại khách hàng trước đây, hồ sơ thay đổi 4M, kế hoạch kiểm soát)
• Cách đo “sự bỏ sót” và “sự bịa đặt” trong thử nghiệm nghiệm thu

Thêm một kết luận nữa: chỉ riêng việc giảm giờ công thì không thể thu hồi vốn đầu tư. Có thu hồi được hay không phụ thuộc vào việc “giảm được bao nhiêu vụ khiếu nại của khách hàng bắt nguồn từ sự bỏ sót trong FMEA”. Điều này sẽ được minh họa bằng phần tính toán mô hình ở nửa sau bài viết.

Lưu ý: trong các số tiền, số giờ và số vụ xuất hiện trong bài, mọi con số liên quan đến “nhà máy mẫu R” mô tả ở phần sau đều là giá trị ước tính và giả định do bài viết này tự đặt ra. Đây không phải mức trung bình ngành, cũng không phải số liệu khảo sát. Hãy đọc chúng như một “khuôn tính toán” để thay bằng số liệu thực tế của doanh nghiệp bạn.

Năm 2026, chuyện gì đang diễn ra với FMEA và AI tạo sinh

Các công cụ FMEA chủ chốt lần lượt tích hợp AI tạo sinh

Năm 2026 là năm AI tạo sinh lần lượt được tích hợp vào các công cụ chuyên dụng cho FMEA.

Trong bài giới thiệu “Teamcenter Quality 2512” công bố ngày 12 tháng 1 năm 2026, Siemens cho biết Teamcenter Copilot dùng AI để giảm công sức xây dựng cấu trúc FMEA. Theo công ty này, AI tạo ra các “đề xuất” cho phần tử hệ thống, chức năng, lỗi, cũng như mô tả các biện pháp chất lượng loại phòng ngừa và phát hiện, và người dùng chấp nhận hoặc chỉnh sửa khi cần. Siemens cũng cho biết đã bổ sung chức năng đi thẳng từ các dashboard AP, RPN và chênh lệch đến vị trí tương ứng trên cây FMEA, cùng chức năng so sánh FMEA song song giữa các biến thể.

Tiếp đó, ngày 20 tháng 3 năm 2026, Relyence công bố “Relyence 2026”. Theo công ty này, phần mềm FMEA được bổ sung “SmartSuggest”, trong đó AI tạo ra chức năng, dạng lỗi, ảnh hưởng, nguyên nhân và các mục khác, sử dụng ChatGPT. Công cụ có “full prompt transparency” (hiển thị toàn bộ nội dung prompt) và hiển thị lượng token sử dụng; việc chấp nhận, chỉnh sửa hay loại bỏ đề xuất do người dùng quyết định. Relyence cho biết theo mặc định chỉ tên các mục trong cây phân tích được đưa vào prompt.

Rồi ngày 18 tháng 6 năm 2026, Siemens cho biết với “Teamcenter Quality 2606”, hỗ trợ AI của Teamcenter Copilot được mở rộng ra toàn bộ các module của Teamcenter Quality. Theo công ty này, ở phía kế hoạch kiểm soát và kế hoạch kiểm tra, AI cũng tạo đề xuất về định nghĩa kiểm tra, phương pháp kiểm soát và kế hoạch phản ứng (reaction plans) để đẩy nhanh việc lập kế hoạch. Như vậy, đề xuất của AI không chỉ nằm trong FMEA mà đã bắt đầu đi vào cả phần nối FMEA với kế hoạch kiểm soát.

Trước đó, vào tháng 7 năm 2025, Omnex Systems đã công bố trong một webinar việc tích hợp AI dạng tác tử (agentic AI) vào “AQuA Pro”. Theo công ty này, công cụ tái sử dụng FMEA nền tảng (Foundation FMEA) để tạo PFMEA và DFMEA phù hợp ngữ cảnh, khuyến nghị dạng lỗi, nguyên nhân, biện pháp kiểm soát và hành động, đồng thời kiểm tra tính đầy đủ, tính nhất quán và sự tuân thủ tiêu chuẩn của FMEA. Các tiêu chuẩn được hỗ trợ là AIAG-VDA phiên bản 1, AIAG phiên bản 4 và SAE J1739; công cụ có liên kết BOM và liên kết cấu trúc với kế hoạch kiểm soát và lưu đồ quy trình.

Tại Nhật Bản, theo thông cáo báo chí ngày 18 tháng 5 năm 2026, ông Atsuya Suzuki, CEO của công ty Things (sản phẩm PRISM), đã có bài viết đăng trên tạp chí “Kikai Sekkei” (Thiết kế cơ khí) của Nikkan Kogyo Shimbun số tháng 6 năm 2026, với tiêu đề tạm dịch “Hoạt động phòng ngừa từ trước thay đổi nhờ AI tạo sinh – Tuyến đầu ứng dụng AI trong DRBFM và FMEA -“. Công ty này chỉ ra rằng trong vận hành DRBFM và FMEA, việc “số điểm lo ngại mà người trẻ và người kỳ cựu nêu ra chênh nhau từ 2 lần trở lên” không phải là hiếm, đồng thời nêu các vấn đề như mất tri thức ngầm khi người kỳ cựu nghỉ hưu và tài liệu nội bộ phân tán trên nhiều hệ thống. Theo công ty này, PRISM là một quy trình làm việc đưa ra các điểm lo ngại trải trên nhiều lĩnh vực khi thay đổi thiết kế, giúp rút ngắn việc lập DRBFM từ vài tuần xuống “vài phút”.

Điều đáng chú ý là mọi sản phẩm đều coi đầu ra của AI là “đề xuất” và để con người quyết định có chấp nhận hay không. Các tuyên bố về hiệu quả của từng hãng đều là số liệu do nhà sản xuất công bố; trong phạm vi khảo sát của bài viết này, chúng tôi không tìm thấy đánh giá so sánh độ chính xác độc lập nào.

IATF 16949 phiên bản 2 dự kiến phát hành giữa năm 2027 (tạm thời)

Tháng 7 năm 2026, IATF Global Oversight công bố tình trạng sửa đổi IATF 16949 phiên bản 2 trong Stakeholder Communiqué SC-2026-005. Văn bản nêu 5 chủ đề ưu tiên: đơn giản hóa, làm rõ và nâng cao hiệu quả (tránh trùng lặp với ISO 9001), đảm bảo chất lượng phần mềm, quản lý chuỗi cung ứng Tier N, quản lý khởi động sản xuất, và yêu cầu riêng của khách hàng (CSR). Lịch trình được ghi là tạm thời: bản thảo làm việc và phản hồi từ bên ngoài trong năm 2026, thẩm tra cuối cùng cùng bản dịch và tài liệu hỗ trợ trong năm 2027, và dự kiến phát hành vào giữa năm 2027.

Cần lưu ý rằng văn bản này không đề cập trực tiếp đến FMEA hay AI. Đây không phải là chuyện “phiên bản 2 sẽ yêu cầu dùng AI cho FMEA”. Mặt khác, tổ chức chứng nhận Smithers, dựa trên dữ liệu của IAOB, nêu các điểm không phù hợp thường gặp của IATF 16949, trong đó có 8.3.5.2 (đầu ra thiết kế quá trình sản xuất: thiếu thông số kỹ thuật, tài liệu FMEA chưa đầy đủ, v.v.) và 8.5.1.1 (kế hoạch kiểm soát: không phản ánh đủ mọi bước của quá trình sản xuất thực tế, thiếu nhất quán với FMEA, v.v.). Vì vậy, có thể xem đây là thời điểm tốt để củng cố sự nhất quán giữa FMEA và kế hoạch kiểm soát trước khi tiêu chuẩn được sửa đổi. Toàn bộ việc chuẩn bị cho phiên bản 2 được tổng hợp trong bài “Chuẩn bị cho IATF 16949 phiên bản 2“.

Kết luận của các nghiên cứu: “lấy kiểm chứng của con người làm tiền đề”

Phía nghiên cứu cũng đi cùng hướng với các nhà cung cấp. Bài báo kỹ thuật SAE (2026-01-0106) công bố ngày 7 tháng 4 năm 2026 đánh giá một cơ chế dùng LLM tạo FMEA từ sơ đồ kiến trúc, kết hợp với kiểm chứng có con người tham gia (đối tượng là sơ đồ hệ thống thuộc lĩnh vực an toàn chức năng), và báo cáo độ chính xác khi chấm điểm S/O/D là 70–90%. Bài báo của El Hassani và cộng sự đăng trên tạp chí Design Science ghi rõ rằng LLM đôi khi ngoại suy ra những dạng lỗi vượt ngoài dữ liệu đầu vào, và đầu ra cần được chuyên gia (SME) kiểm chứng và chỉnh sửa. Chi tiết sẽ được bàn ở phần sau.

Bối cảnh sản xuất và đầu tư tại Thái Lan

Nhìn vào hiện trường tại Thái Lan, theo công bố của FTI (Liên đoàn Công nghiệp Thái Lan) do Trading Economics đưa tin ngày 28 tháng 9 năm 2026, sản lượng ô tô tháng 8 năm 2026 đạt 124.646 xe, tăng 10,93% so với cùng kỳ năm trước. Ngược lại, xuất khẩu giảm 2,04%, và FTI dự báo sản lượng cả năm 2026 giảm 3,33%.

Về đầu tư, trong số liệu đơn đăng ký đầu tư nửa đầu năm 2026 do Ủy ban Đầu tư Thái Lan (BOI) công bố ngày 23 tháng 7 năm 2026, ngành điện và điện tử có 179 dự án với 3,56 tỷ USD, ngành ô tô có 122 dự án, và số đơn đến từ Nhật Bản là 123 (tất cả đều tính theo đơn đăng ký). Ngoài ra, theo giải thích của BOI do New Straits Times đưa tin vào tháng 8 năm 2026, trong 880 đơn đăng ký đầu tư liên quan đến bán dẫn và điện tử từ năm 2023 đến giữa năm 2026, bảng mạch in (PCB) chiếm nhiều nhất với 224 dự án và 9,85 tỷ USD. Khi nhà máy mới và mã sản phẩm mới tăng lên, mỗi lần khởi động sản xuất lại phát sinh thêm việc lập PFMEA và đối chiếu với kế hoạch kiểm soát. Với số kỹ sư chất lượng có hạn, mong muốn nhờ AI hỗ trợ là điều tự nhiên.

Triển khai AI cho FMEA là gì — công đoạn giao cho AI và công đoạn do con người quyết định

Sổ tay AIAG-VDA FMEA là tài liệu tham chiếu dành cho các nhà cung cấp trong ngành ô tô, phát hành phiên bản 1 vào tháng 6 năm 2019. Sổ tay hỗ trợ việc lập FMEA thiết kế, FMEA quá trình và FMEA bổ sung cho giám sát và phản ứng hệ thống (FMEA-MSR), và được cho là đã hài hòa với SAE J1739. Theo giải thích của Quality-One, AIAG-VDA FMEA được tiến hành theo 7 bước; chỉ số RPN (Risk Priority Number) truyền thống bị bãi bỏ và được thay bằng AP (Action Priority, mức ưu tiên hành động: H/M/L).

Sắp xếp theo 7 bước này, phần dễ giao cho AI và phần do con người quyết định như sau.

AI “đưa ra” ứng viên, con người “quyết định”

Như bảng cho thấy, vai trò của AI tập trung ở việc “đưa ra ứng viên” trong các bước 2–4 và việc “đối chiếu” ở bước 7. Đưa ra thật rộng các ứng viên về cấu trúc, chức năng và lỗi là loại công việc phân kỳ mà AI tương đối giỏi. Ngược lại, bước 5 và 6, tức đánh giá rủi ro và quyết định hành động, là những phán đoán gắn với trách nhiệm, nên do con người quyết định.

Mức độ nghiêm trọng S chỉ do con người chấm

Đặc biệt, chúng tôi khuyến nghị loại mức độ nghiêm trọng S (Severity) ra khỏi cả phạm vi để AI đề xuất (trừ trường hợp cho AI đề xuất nhằm đo độ lệch trong thử nghiệm nghiệm thu; khi vận hành thực tế thì tắt chức năng đề xuất). Mức độ nghiêm trọng là đánh giá “lỗi đó ảnh hưởng nghiêm trọng đến mức nào tới khách hàng và người dùng cuối”, và nó chi phối mạnh việc có cần hành động tiếp theo hay không. Nếu AI đề xuất mức nghiêm trọng thấp và con người vì bận rộn mà chấp nhận nguyên trạng, một dạng lỗi lẽ ra cần hành động có thể bị xếp vào diện “không cần xử lý”. Mức thiệt hại của tình huống đó sẽ được minh họa ở phần tính toán phía sau (Điểm mấu chốt 3).

Tư duy theo AP, không theo RPN

Một lưu ý khác: ý tưởng “cho AI tính RPN” là cách làm cũ. Theo phương pháp AIAG-VDA, RPN đã bị bãi bỏ và mức ưu tiên hành động được quyết định bằng AP. Khi chọn công cụ, hãy xác nhận công cụ có hỗ trợ AP theo phương pháp AIAG-VDA hay không, và có thể xử lý các FMEA hiện có theo phương pháp AIAG phiên bản 4 như thế nào. Các tiêu chí đánh giá S/O/D và bảng tổ hợp AP cần được xác nhận trong bản gốc của sổ tay; bài viết này không tái hiện chúng.

Chức năng AI của phần mềm FMEA khác gì AI tạo sinh đa dụng

Nghe đến “dùng AI tạo sinh cho FMEA”, nhiều người hình dung việc mô tả công đoạn cho một AI tạo sinh đa dụng như ChatGPT hay Claude rồi để nó viết bảng FMEA. Tuy nhiên, chức năng AI được tích hợp trong công cụ chuyên dụng cho FMEA và việc để AI tạo sinh đa dụng viết FMEA là hai thứ khác nhau.

AI tạo sinh đa dụng hữu ích như một người cùng động não. Tuy nhiên, do không có quản lý phiên bản, dấu vết đánh giá và liên kết kế hoạch kiểm soát, trên thực tế nó khó trở thành phương tiện để lập chính FMEA được vận hành như tài liệu của IATF 16949. Ngoài ra, ChatGPT và Claude.ai dành cho cá nhân có điều kiện sử dụng khác với API thương mại, nên cần tránh cách làm dán thông tin có chứa bản vẽ của khách hàng hay điều kiện công đoạn vào tài khoản cá nhân.

Bản thân các công cụ cũng không giống nhau. Hướng dẫn sử dụng của Relyence ghi rằng công cụ dùng ChatGPT hoặc Copilot, có tiêu thụ token, và ngay cả bản on-premise cũng cần hợp đồng bảo trì và giao tiếp với máy chủ ứng dụng của Relyence. Không phải cứ “on-premise thì dữ liệu không ra ngoài”, nên đây là điểm nhất định phải xác nhận trong RFP.

Dữ liệu AI tham chiếu — FMEA nền tảng, 8D, khiếu nại, hồ sơ thay đổi 4M

Thứ quyết định chất lượng đầu ra của AI hỗ trợ FMEA, hơn cả hiệu năng của mô hình, là cho AI tham chiếu cái gì. Nếu chỉ là các dạng lỗi chung chung thì AI tạo sinh đa dụng cũng đưa ra được. Giá trị ở hiện trường là AI đưa ra được “những dạng lỗi đã thực sự xảy ra trong quá khứ, ở công đoạn này, tại công ty này”.

FMEA nền tảng (FMEA họ sản phẩm)

Như Omnex giải thích rằng công cụ “tái sử dụng FMEA nền tảng để tạo PFMEA phù hợp ngữ cảnh”, FMEA nền tảng (FMEA họ sản phẩm) là một trong những đầu vào quan trọng nhất của AI. Nếu có FMEA nền tảng sắp xếp cấu trúc, chức năng và dạng lỗi tiêu chuẩn cho từng công đoạn như dập, hàn, ép nhựa, thì PFMEA của mã sản phẩm mới có thể bắt đầu từ đó. Ngược lại, ở những nhà máy mà do lặp đi lặp lại việc sao chép và sửa cho từng mã sản phẩm nên không có FMEA nền tảng, hoặc có nhưng bị bỏ cũ, AI sẽ chỉ tái sản xuất những nội dung lỗi thời.

Báo cáo 8D và khiếu nại khách hàng trước đây

Giá trị cao nhất nằm ở các báo cáo 8D và hồ sơ khiếu nại khách hàng trước đây. Những lỗi đã thực sự lọt ra ngoài cho thấy các dạng lỗi mà FMEA chưa lường trước, hoặc đã lường trước nhưng biện pháp kiểm soát không phát huy tác dụng. Nếu AI tìm kiếm được những hồ sơ này và đưa ra ứng viên kiểu “công đoạn hàn này từng có khiếu nại như thế này”, thì đó chính là tác dụng ngăn sự bỏ sót. Cách dùng AI để lập chính báo cáo 8D được giải thích trong bài “Lập báo cáo khắc phục và 8D bằng AI“.

Hồ sơ thay đổi 4M và kế hoạch kiểm soát

Thay đổi 4M (con người, máy móc, vật liệu, phương pháp) là cửa ngõ của các dạng lỗi mới. Nếu nhà máy vận hành tốt việc rà soát PFMEA mỗi khi có thay đổi, thì hồ sơ thay đổi và lịch sử sửa đổi FMEA phải tương ứng với nhau. Cho AI tham chiếu hồ sơ thay đổi 4M còn giúp tìm ra manh mối về “những công đoạn đã có thay đổi nhưng FMEA chưa được sửa đổi”. Về cơ chế ghi nhận thay đổi 4M, hãy tham khảo bài “Hệ thống quản lý thay đổi 4M“. Nếu cần theo dõi thay đổi ở phía thiết kế, bài “AI quản lý thay đổi thiết kế” cũng có liên quan.

Chuẩn bị dữ liệu là chặng khó đầu tiên

Trên thực tế, các báo cáo 8D trước đây nằm rải rác trên giấy, Excel và email; hồ sơ khiếu nại có định dạng khác nhau tùy khách hàng; và tiếng Thái, tiếng Nhật, tiếng Anh lẫn lộn. Things cũng nêu vấn đề tài liệu nội bộ phân tán trên nhiều hệ thống. Trước khi đưa AI vào, việc sắp xếp ít nhất FMEA nền tảng của các công đoạn chính cùng các báo cáo 8D và khiếu nại gần đây thành dạng tìm kiếm được sẽ là chặng khó đầu tiên của dự án. Công việc chuyển tri thức trong đầu người kỳ cựu thành tài liệu cũng trùng với các nỗ lực trong bài “AI truyền đạt kỹ năng“.

Giới hạn của AI tạo sinh theo các nghiên cứu — bỏ sót, bịa đặt và độ lệch S/O/D

Đã có một số nghiên cứu dùng LLM để lập FMEA. Đặt các kết quả cạnh nhau, ta thấy được phạm vi có thể giao cho AI và những gì cần đo trong thử nghiệm nghiệm thu.

Từ đây có thể đọc ra 3 giới hạn.

Thứ nhất là “bịa đặt”. El Hassani và cộng sự ghi rõ LLM đôi khi ngoại suy ra dạng lỗi vượt ngoài dữ liệu đầu vào. Xét về mặt mở rộng ý tưởng thì đó cũng có thể là ưu điểm, nhưng nếu những dạng lỗi không có căn cứ đối với công đoạn của công ty lẫn vào FMEA, chúng sẽ lấy mất thời gian rà soát của CFT và làm giảm độ tin cậy của tài liệu.

Thứ hai là “bỏ sót”. Nghiên cứu của IBM cho biết đã tạo đúng hơn một nửa nội dung chính, nhưng nói ngược lại thì gần một nửa là không đúng. Collier và cộng sự cũng đánh giá rằng đầu ra quá chung chung và không phản ánh được độ sâu kiến thức của chuyên gia. Nếu dựa hoàn toàn vào ứng viên của AI, những dạng lỗi đặc thù của riêng nhà máy, vốn không xuất hiện trong các lý thuyết chung, sẽ bị rơi mất.

Thứ ba là “độ lệch S/O/D”. Trong bài báo SAE, độ chính xác chấm điểm S/O/D là 70–90%. Đối tượng là sơ đồ hệ thống thuộc lĩnh vực an toàn chức năng, và từ phần tóm tắt cũng không biết được số sơ đồ dùng để đánh giá, nên không thể khái quát hóa con số này. Dù vậy, đây vẫn là một ví dụ cho thấy “có thể lệch với đánh giá của chuyên gia ở một tỷ lệ nhất định”, và là căn cứ để không để AI quyết định S/O/D.

Không nghiên cứu nào trong số này đo tỷ lệ trả lời đúng trên FMEA quá trình của nhà máy. Chính vì vậy, việc đo thực tế sự bỏ sót và sự bịa đặt đối với công đoạn của chính công ty, bằng thử nghiệm nghiệm thu dùng các FMEA trước đây của công ty, là điều không thể thiếu.

Dùng AI để kiểm tra liên kết FMEA với kế hoạch kiểm soát

Như đã đề cập, các điểm không phù hợp thường gặp mà Smithers nêu bao gồm 8.3.5.2 (tài liệu FMEA chưa đầy đủ, v.v.) và 8.5.1.1 (thiếu nhất quán giữa kế hoạch kiểm soát và FMEA, v.v.). Bài viết đó nêu ví dụ về việc FMEA thiếu sót làm suy yếu kế hoạch kiểm soát, đó là tình trạng “các biện pháp kiểm soát quy định trong kế hoạch kiểm soát không ứng phó đầy đủ với các dạng lỗi rủi ro cao đã được xác định trong FMEA quá trình”.

Bài giải thích của 16949store.com cũng cho rằng kế hoạch kiểm soát phải xem xét đầu ra của DFMEA và PFMEA, và nêu các yếu tố kích hoạt việc rà soát như xuất hàng không phù hợp, thay đổi sản phẩm hoặc quá trình, khiếu nại của khách hàng, và tần suất dựa trên phân tích rủi ro. Nói cách khác, FMEA và kế hoạch kiểm soát không phải lập một lần là xong, mà cần được cập nhật đồng bộ cả hai mỗi khi có khiếu nại hay thay đổi.

Đây chính là chỗ các công cụ, bao gồm cả AI, phát huy tác dụng. Điều chúng tôi khuyến nghị là dùng chúng cho kiểm tra nhất quán một cách cơ học trước khi dùng để viết văn bản.

• Với tất cả các dạng lỗi có AP là H, phía kế hoạch kiểm soát đã có biện pháp kiểm soát phòng ngừa hoặc phát hiện được gắn vào hay chưa
• Các hạng mục được xác định là đặc tính đặc biệt trong FMEA đã có mặt đầy đủ trong kế hoạch kiểm soát hay chưa
• Tương ứng với các dòng FMEA được sửa đổi do thay đổi 4M hoặc khiếu nại, phiên bản của kế hoạch kiểm soát đã được cập nhật hay chưa
• Số công đoạn và tên công đoạn có khớp nhau giữa lưu đồ quy trình, PFMEA và kế hoạch kiểm soát hay không

Trong số này, kiểm tra đầu tiên có thể thực hiện một cách cơ học ngay cả khi không có AI, miễn là công cụ có liên kết cấu trúc giữa FMEA và kế hoạch kiểm soát. Vai trò của AI là gợi ý phương án về phương pháp kiểm soát và kế hoạch phản ứng cho những dạng lỗi chưa được gắn biện pháp kiểm soát. Việc Siemens bổ sung cả đề xuất kế hoạch phản ứng của kế hoạch kiểm soát trong bản 2606 chính là động thái liên quan đến phần này. Tuy nhiên, người quyết định phương pháp kiểm soát được đề xuất có thực hiện được với thiết bị và dụng cụ đo thực tế hay không vẫn là con người. Về cách thể hiện sự nhất quán giữa FMEA và kế hoạch kiểm soát trong đợt đánh giá của khách hàng, bài “Đánh giá của khách hàng và truy xuất nguồn gốc” cũng là tài liệu tham khảo hữu ích.

Chi phí và ROI khi triển khai AI cho FMEA — chỉ giảm giờ công thì không thu hồi được vốn

Từ đây là phần tính toán cho nhà máy mẫu R. Xin nhắc lại: mọi con số dưới đây đều là giá trị giả định do bài viết này tự đặt ra, không phải mức trung bình ngành.

Tiền đề của nhà máy mẫu R

Nhà máy mẫu R là một nhà sản xuất linh kiện ô tô vốn Nhật (dập, hàn, ép nhựa) tại tỉnh Rayong, Thái Lan, là nhà cung cấp Tier 1/Tier 2, có 450 nhân viên và đã đạt chứng nhận IATF 16949.

Thiệt hại 250.000 THB cho mỗi vụ khiếu nại bao gồm chi phí phân loại hàng, xử lý 8D, vận chuyển khẩn cấp và khoản phí bị khách hàng tính (chargeback).

Cấu hình và chi phí giả định

Cấu hình được giả định là “công cụ FMEA có AI + tìm kiếm các FMEA, 8D và hồ sơ thay đổi 4M trước đây. S/O/D và hành động do con người quyết định”.

Hãy chú ý rằng gần một nửa khoản đầu tư ban đầu được dành cho việc chuẩn bị dữ liệu chứ không phải công cụ. Như đã nói ở phần trước, nếu cắt giảm phần này, AI sẽ chỉ đưa ra được những điều chung chung.

Điểm mấu chốt 1: chỉ giảm giờ công thì bị lỗ

Giả định rằng nhờ AI đưa ra ứng viên, việc lập mới nhanh hơn 30% và việc sửa đổi nhanh hơn 25%.

Quy ra tiền, 672 giờ × 450 THB = 302.400 THB/năm. Thế nhưng chi phí vận hành hằng năm là 450.000 THB, nên lợi ích ròng hằng năm là 302.400 − 450.000 = −147.600 THB/năm. Không đủ trang trải ngay cả chi phí vận hành, và khoản đầu tư ban đầu không thể thu hồi. Lũy kế 5 năm là −147.600 × 5 − 850.000 = −738.000 − 850.000 = −1.588.000 THB.

Nếu lấy “AI giúp viết FMEA nhanh hơn” làm lý do duy nhất để triển khai, kết quả sẽ như vậy. Đặt tỷ lệ giảm giờ công lớn hơn thì con số sẽ thay đổi, nhưng thời gian CFT thảo luận, đánh giá S/O/D và quyết định hành động sẽ không rút ngắn được nhiều dù có đưa AI vào. Đúng hơn, đó là khoảng thời gian không được phép rút ngắn.

Điểm mấu chốt 2: giảm được 2 vụ khiếu nại mỗi năm thì thu hồi được vốn

Tiếp theo, giả định rằng nhờ tìm kiếm các báo cáo 8D, khiếu nại và hồ sơ thay đổi 4M trước đây, AI đưa ra “những dạng lỗi đã từng xảy ra ở công đoạn này”, sự bỏ sót trong FMEA giảm đi, và kết quả là ngăn được 2 trong số 6 vụ khiếu nại mỗi năm.

• Khiếu nại tránh được: 2 vụ × 250.000 THB = 500.000 THB/năm
• Lợi ích ròng hằng năm: 302.400 + 500.000 − 450.000 = 352.400 THB/năm
• Thời gian hoàn vốn đơn giản: 850.000 ÷ 352.400 = khoảng 2,4 năm
• Lũy kế 5 năm: 352.400 × 5 − 850.000 = 1.762.000 − 850.000 = 912.000 THB

Tuy nhiên, nếu chỉ ngăn được 1 vụ khiếu nại, lợi ích ròng hằng năm là 302.400 + 250.000 − 450.000 = 102.400 THB/năm, và thời gian hoàn vốn đơn giản là 850.000 ÷ 102.400 = khoảng 8,3 năm.

“1 vụ hay 2 vụ” làm bức tranh thay đổi hoàn toàn. Chính vì vậy, ngay từ đầu, trước khi triển khai, cần thiết kế việc phân loại và ghi nhận nguyên nhân gốc của khiếu nại là “FMEA đã lường trước nhưng biện pháp kiểm soát không phát huy tác dụng” hay “FMEA đã bỏ sót không lường trước”. Nếu không có cách phân loại này, khi khiếu nại giảm sau triển khai, bạn sẽ không giải thích được đó là hiệu quả của việc AI giảm sự bỏ sót hay do yếu tố khác. Cách xác định điểm kết thúc của PoC được bàn chi tiết trong bài “Tiêu chí kết thúc PoC AI“.

Điểm mấu chốt 3: chi phí khi chấm thấp sai mức độ nghiêm trọng chỉ 1 lần

Hãy lượng hóa cả rủi ro theo chiều ngược lại. Giả sử chấp nhận nguyên trạng đề xuất của AI và chấm mức độ nghiêm trọng S thấp, khiến một dạng lỗi bị xếp vào diện không cần hành động, rồi 1 lỗi như vậy lọt ra ngoài và gây thiệt hại 1.000.000 THB. Con số này tương đương khoảng 3,3 năm hiệu quả giảm giờ công 302.400 THB ở Điểm mấu chốt 1 (1.000.000 ÷ 302.400).

Theo phép tính này, hiệu quả giảm giờ công của vài năm có thể biến mất chỉ vì 1 lần chấm thấp sai mức độ nghiêm trọng. Kết luận rất rõ ràng: mức độ nghiêm trọng S chỉ do con người chấm. Đề xuất S/O/D của AI là đối tượng để đo “độ lệch so với đánh giá của con người” trong thử nghiệm nghiệm thu, chứ không phải đối tượng để chấp nhận. Ngay cả trong bài báo SAE đã giới thiệu ở trên, cũng có ví dụ độ chính xác chấm điểm S/O/D chỉ dừng ở mức 70–90%. Lưu ý rằng 1.000.000 THB này là thước đo để so sánh, không phải để trừ vào lợi ích ròng ở trên rồi tính lại thời gian hoàn vốn.

Lưu ý để tránh tính trùng

Thiệt hại 250.000 THB cho mỗi vụ khiếu nại đã bao gồm giờ công xử lý 8D. Mặt khác, trong 960 giờ sửa đổi FMEA cũng có các lần sửa đổi bắt nguồn từ khiếu nại. Trong phép tính này, hiệu quả ngăn khiếu nại được tính là “thiệt hại tránh được”, và không tính trùng cùng một khoảng thời gian với phần giảm giờ công sửa đổi. Ngoài ra, khi khiếu nại giảm thì số lần sửa đổi bắt nguồn từ khiếu nại cũng có thể giảm, nhưng phép tính này giữ cố định số lần sửa đổi ở mức 120 lần/năm (đây là cách đặt giả định thận trọng).

So sánh phần mềm FMEA: 12 hạng mục cần ghi trong RFP cho chức năng AI

Khi so sánh phần mềm FMEA, thay vì dựa vào ấn tượng từ buổi demo, chúng tôi khuyến nghị ghi 12 hạng mục sau vào yêu cầu đặt hàng (RFP) và đề nghị các nhà cung cấp trả lời theo cùng một định dạng.

Bổ sung thêm, việc nhà cung cấp có chứng nhận ISO/IEC 42001 (tiêu chuẩn hệ thống quản lý AI phát hành tháng 12 năm 2023) hay không có thể là một trong các yếu tố để cân nhắc khi lựa chọn. Tuy nhiên, đánh giá IATF 16949 không yêu cầu điều này. Về cách đánh giá công ty phát triển hoặc công ty hỗ trợ triển khai, hãy tham khảo thêm bài “Cách chọn công ty phát triển AI“.

Những gì cần xác nhận trong FAT/SAT — đo “sự bỏ sót” và “sự bịa đặt”

Trong thử nghiệm nghiệm thu (thử nghiệm nghiệm thu tại xưởng FAT và thử nghiệm nghiệm thu tại hiện trường SAT), việc xác nhận trong buổi demo rằng “AI cho ra một bản FMEA trông có vẻ hợp lý” là vô nghĩa. Thứ cần đo là sự bỏ sót và sự bịa đặt đối với công đoạn của chính công ty.

Về cách lập bộ FMEA thử nghiệm, chúng tôi khuyến nghị chọn nhiều FMEA của các mã sản phẩm từng có khiếu nại hoặc 8D, che đi các dạng lỗi đã thực sự xảy ra, rồi cho AI đưa ra ứng viên. Vì đã biết đáp án, bạn có thể đo một cách khách quan AI tìm lại được bao nhiêu dạng lỗi đã biết. Tuy nhiên, nếu các báo cáo 8D và khiếu nại tương ứng vẫn còn trong dữ liệu tham chiếu, bài thử sẽ trở thành bài kiểm tra “có tìm kiếm ra được không”; vì vậy nếu muốn xem khả năng khái quát hóa, hãy đo thêm trong điều kiện đã loại các hồ sơ đó khỏi dữ liệu tham chiếu.

Các ví dụ về ngưỡng đạt chỉ là ví dụ của bài viết này. Hãy tính thử bằng dữ liệu quá khứ của công ty, thống nhất giữa CFT và bộ phận đảm bảo chất lượng rồi mới quyết định. Điều quan trọng là không đo một lần ở FAT rồi thôi, mà ở SAT cần lặp lại cùng bài thử bằng dữ liệu và môi trường ngôn ngữ của chính công ty.

Các vấn đề riêng tại Thái Lan — bảo mật, PDPA, dự thảo luật AI, đa ngôn ngữ

Bảo mật của khách hàng và AI trên đám mây

FMEA chứa bản vẽ của khách hàng, điều kiện công đoạn, lịch sử lỗi và tên khách hàng. Trước hết, hãy xác nhận NDA hoặc thỏa thuận chất lượng với khách hàng có hạn chế việc lưu trữ trên đám mây hay cung cấp cho bên thứ ba hay không.

Về điều kiện từ phía nhà cung cấp LLM, điều khoản sử dụng thương mại của Anthropic quy định không dùng nội dung của khách hàng để huấn luyện mô hình. Theo giải thích về API của OpenAI, dữ liệu qua API không được dùng để huấn luyện trừ khi người dùng chủ động chọn tham gia (opt-in), nhật ký giám sát lạm dụng được lưu giữ mặc định 30 ngày, và có thể dùng chế độ không lưu giữ dữ liệu (ZDR) nếu được phê duyệt trước. Tuy nhiên, “không dùng để huấn luyện” và “không lưu giữ” là hai chuyện khác nhau. Ngoài ra, khi gửi dữ liệu đến LLM bên ngoài thông qua công cụ như trường hợp Relyence, cần xác nhận điều kiện của cả nhà cung cấp công cụ lẫn nhà cung cấp LLM.

PDPA (Luật Bảo vệ Dữ liệu Cá nhân)

Bản thân dạng lỗi và điều kiện công đoạn thông thường không phải là dữ liệu cá nhân. Tuy nhiên, tên thành viên CFT trong FMEA, tên người phụ trách trong 8D và tên người phụ trách phía khách hàng có thể là dữ liệu cá nhân. Cách an toàn là thiết kế để loại bỏ tên trước khi đưa dữ liệu cho AI. Về cách xử lý cụ thể, hãy xác nhận riêng với bộ phận pháp chế hoặc chuyên gia.

Dự thảo luật AI của Thái Lan

Ngày 2 tháng 7 năm 2026, Cơ quan Phát triển Giao dịch Điện tử Thái Lan (ETDA) đã công bố dự thảo luật trí tuệ nhân tạo mới và tổ chức lấy ý kiến công chúng. Theo bài phân tích của hãng luật Tilleke & Gibbins, dự thảo theo cách tiếp cận dựa trên rủi ro, bao gồm phân loại AI bị cấm, AI rủi ro cao và AI thuộc diện đăng ký, áp dụng ngoài lãnh thổ đối với các hành vi ảnh hưởng đến người ở Thái Lan, và trách nhiệm nghiêm ngặt. Vì vẫn đang ở giai đoạn dự thảo và chưa được ban hành, hiện chưa thể biết các công cụ hỗ trợ FMEA nội bộ sẽ được xử lý ra sao. Hãy theo dõi diễn biến sắp tới và khi cần, xác nhận riêng với cơ quan có thẩm quyền hoặc chuyên gia.

CFT đa ngôn ngữ

CFT của một nhà máy vốn Nhật tại Thái Lan có sự tham gia của kỹ sư công đoạn người Thái, nhân viên biệt phái người Nhật và bộ phận thiết kế, chất lượng của trụ sở chính tại Nhật Bản. Các báo cáo 8D và hồ sơ khiếu nại trước đây thường lẫn lộn tiếng Thái, tiếng Nhật và tiếng Anh. Nếu không thống nhất thuật ngữ dạng lỗi và nguyên nhân bằng một từ điển, cùng một lỗi như “bavia” hay “lỗi hàn” sẽ bị coi là những thứ khác nhau do khác biệt ngôn ngữ và cách viết, và việc tìm kiếm của AI sẽ trượt. Cũng như chuẩn bị dữ liệu, xây dựng từ điển là công việc cần bắt tay vào ngay trong 30 ngày đầu tiên.

Kế hoạch 90 ngày triển khai AI cho FMEA

Cuối cùng, dưới đây là ví dụ về kế hoạch đưa việc triển khai đến thời điểm ra quyết định trong 90 ngày.

Điểm then chốt là trong 30 ngày đầu, trước khi chạm vào công cụ AI, phải tạo ra “cơ chế đếm”. Nếu không có hồ sơ phân loại nguyên nhân gốc của khiếu nại, khi ra quyết định ở ngày 61–90 bạn sẽ không có tư liệu để giải thích hiệu quả như ở Điểm mấu chốt 2. Ngoài ra, thu hẹp vận hành song song vào 1 công đoạn là để đồng nhất điều kiện so sánh. Nếu bắt đầu cùng lúc ở nhiều công đoạn, bạn sẽ không phân biệt được đó là hiệu quả của AI hay do khác biệt về độ khó giữa các công đoạn.

Câu hỏi thường gặp (FAQ)

Q1. Dùng AI tạo sinh cho FMEA là gì? Chức năng AI của phần mềm FMEA khác gì việc để ChatGPT viết?

Dùng AI tạo sinh cho FMEA nghĩa là để AI đề xuất các ứng viên về cấu trúc, chức năng, dạng lỗi, biện pháp kiểm soát, v.v., còn con người quyết định chấp nhận hay không. Với chức năng AI của phần mềm FMEA, đề xuất đi vào cấu trúc FMEA của công cụ, và đi theo quản lý phiên bản, phê duyệt, dấu vết đánh giá cũng như liên kết kế hoạch kiểm soát. Khi để AI tạo sinh đa dụng viết, không có các cơ chế đó, nên vẫn còn công sức chép lại và đối chiếu. Ngoài ra, cần tránh dán thông tin mật vào các gói dành cho cá nhân.

Q2. PFMEA do AI lập có được chấp nhận trong đánh giá IATF 16949 không?

Có thể cho rằng điều được xem xét trong đánh giá không phải là có do công cụ lập hay không, mà là hồ sơ rà soát của CFT, sự nhất quán với kế hoạch kiểm soát, và tính cập nhật có phản ánh khiếu nại và thay đổi. IATF 16949 phiên bản 2 được cho là dự kiến phát hành vào giữa năm 2027 (tạm thời), nhưng các văn bản công bố đến thời điểm hiện tại không đề cập trực tiếp đến FMEA hay AI. Về phán đoán cụ thể, hãy xác nhận riêng với tổ chức chứng nhận.

Q3. Có nên giao cho AI đánh giá S/O/D (mức độ nghiêm trọng, tần suất xuất hiện, khả năng phát hiện) không?

Chúng tôi khuyến nghị không giao. Trong nghiên cứu cũng có ví dụ độ chính xác chấm điểm S/O/D chỉ dừng ở mức 70–90%, và đặc biệt nếu chấm sai mức độ nghiêm trọng S ở mức thấp, hành động lẽ ra cần thiết sẽ bị bỏ sót. Trong phép tính mô hình của bài viết này, thiệt hại từ 1 lần chấm thấp sai mức độ nghiêm trọng tương đương khoảng 3,3 năm hiệu quả giảm giờ công. Cách an toàn là coi đề xuất S/O/D của AI là giá trị tham khảo để đo độ lệch so với đánh giá của con người trong thử nghiệm nghiệm thu.

Q4. Khi so sánh phần mềm FMEA thì cần chú ý điều gì?

Không dựa vào ấn tượng từ buổi demo, mà ghi 12 hạng mục trong bài viết này vào RFP và thu thập câu trả lời theo cùng một định dạng. Đặc biệt, những hạng mục dễ tạo khác biệt là: có thiết lập để không cho AI đề xuất S/O/D được không, có hiển thị được hồ sơ quá khứ làm căn cứ cho đề xuất không, có xem và giới hạn được dữ liệu gửi đến LLM không, bản on-premise có phát sinh giao tiếp bên ngoài không, và có liên kết cấu trúc với kế hoạch kiểm soát không.

Q5. Chi phí và hiệu quả của việc triển khai AI cho FMEA là bao nhiêu?

Trong phép tính cho nhà máy mẫu R của bài viết này (giá trị giả định do bài viết tự đặt ra), với đầu tư ban đầu 850.000 THB và chi phí vận hành hằng năm 450.000 THB, nếu chỉ giảm giờ công thì lợi ích ròng hằng năm là −147.600 THB và không thu hồi được vốn. Nếu ngăn được 2 vụ khiếu nại mỗi năm bắt nguồn từ sự bỏ sót trong FMEA, lợi ích ròng hằng năm là 352.400 THB và thời gian hoàn vốn đơn giản khoảng 2,4 năm. Hiệu quả được quyết định bởi “giảm được bao nhiêu vụ khiếu nại”.

Q6. Mất bao lâu để triển khai?

Bài viết này đưa ra ví dụ một kế hoạch tổng cộng 90 ngày: 30 ngày cho ghi nhận và chuẩn bị dữ liệu, 30 ngày vận hành song song trên 1 họ sản phẩm và 1 công đoạn, và 30 ngày cho FAT/SAT cùng quyết định mở rộng. Tùy mức độ phân tán của dữ liệu và việc có hay không có FMEA nền tảng, 30 ngày đầu tiên thường bị kéo dài.

Tóm tắt

• Khi triển khai AI cho FMEA, thứ cần mua không phải “công cụ viết nhanh” mà là “công cụ phát hiện sự bỏ sót”. Cả các chức năng AI xuất hiện dồn dập trong các công cụ năm 2026 lẫn các nghiên cứu đều thống nhất ở thiết kế “AI đề xuất, con người quyết định”.
• Việc giao cho AI là đưa ra ứng viên về cấu trúc, chức năng, lỗi và đối chiếu với kế hoạch kiểm soát. Đánh giá S/O/D và quyết định hành động do con người thực hiện, đặc biệt mức độ nghiêm trọng S chỉ do con người chấm.
• Thứ quyết định chất lượng đầu ra là dữ liệu tham chiếu như FMEA nền tảng, các báo cáo 8D và khiếu nại trước đây, hồ sơ thay đổi 4M. Chuẩn bị dữ liệu là chặng khó đầu tiên.
• Trong thử nghiệm nghiệm thu, hãy đo tỷ lệ tìm lại các dạng lỗi đã biết bị che đi, tỷ lệ xuất hiện ứng viên không có căn cứ, và kiểm tra việc gắn biện pháp kiểm soát cho AP=H.
• Theo phép tính mô hình, chỉ giảm giờ công thì bị lỗ; ngăn được 1 vụ khiếu nại mỗi năm thì hoàn vốn mất khoảng 8,3 năm, ngăn được 2 vụ mỗi năm thì hoàn vốn trong khoảng 2,4 năm. Phân loại và ghi nhận nguyên nhân gốc của khiếu nại thành “đã lường trước / bỏ sót không lường trước” trước khi triển khai là tiền đề để giải thích hiệu quả.
• Bảo mật, PDPA, dự thảo luật AI của Thái Lan và thống nhất thuật ngữ đa ngôn ngữ là những vấn đề đặc thù của nhà máy tại Thái Lan. Với những phần cần phán đoán, hãy xác nhận riêng với chuyên gia hoặc tổ chức chứng nhận.

TOMAS TECH sẵn sàng trao đổi ngay từ giai đoạn trước khi chọn công cụ, chẳng hạn cách phân loại nguyên nhân gốc của khiếu nại hay sắp xếp những hồ sơ quá khứ nào nên cho AI tham chiếu. Nếu bạn đang cân nhắc cách củng cố sự nhất quán giữa FMEA và kế hoạch kiểm soát, đừng ngần ngại liên hệ qua biểu mẫu liên hệ.

Thông tin tham khảo

• Siemens (Teamcenter Quality 2512): https://blogs.sw.siemens.com/teamcenter/whats-new-teamcenter-quality-2512/
• Siemens (Teamcenter Quality 2606): https://blogs.sw.siemens.com/teamcenter/whats-new-teamcenter-quality-2606/
• Relyence (công bố Relyence 2026): https://relyence.com/?p=17326
• Relyence (hướng dẫn sử dụng SmartSuggest): https://relyence.com/help/user-guide/smartsuggest-generate-suggestions.html
• Omnex Systems (webinar AI dạng tác tử trong AQuA Pro): https://my.omnex.com/webinars/transforming-fmea-launch-of-agentic-ai-in-aqua-pro
• PR TIMES (bài viết của công ty Things trên tạp chí “Kikai Sekkei” số tháng 6 năm 2026): https://prtimes.jp/main/html/rd/p/000000018.000089483.html
• VDA (AIAG & VDA FMEA Handbook): https://webshop.vda.de/QMC/en/aiag-vda-fmea-handbook_eng
• Quality-One (giải thích về AIAG-VDA FMEA): https://quality-one.com/aiag-vda-fmea/
• IATF Global Oversight (thông báo SC-2026-005): https://www.iatfglobaloversight.org/?p=6589
• Stakeholder Communiqué SC-2026-005 (tình trạng IATF 16949 phiên bản 2): https://media-cdn.smithers.com/mediacontainer/medialibraries/smithersb4f/resources/2026/downloads/stakeholder-communique-sc-2026-005_iatf-16949-2nd-edition-status.pdf
• Smithers (5 điểm không phù hợp thường gặp nhất của IATF 16949): https://prd-b4f.smithers.com/resources/2025/december/iatf-16949-top-5-non-conformances-via-iaob
• 16949store.com (giải thích về kế hoạch kiểm soát IATF 16949): https://16949store.com/articles/iatf-16949-control-plan/
• SAE 2026-01-0106 (AI Powered Failure Mode and Effect Analysis in Safety Critical Industry): https://saemobilus.sae.org/papers/ai-powered-failure-mode-effect-analysis-safety-critical-industry-2026-01-0106
• El Hassani và cộng sự (Design Science): https://www.cambridge.org/core/product/22F110A2BF0DB4D01A69472CF17A0B43/core-reader
• Collier và cộng sự (How good are large language models at product risk assessment?): https://vtechworks.lib.vt.edu/items/01506cca-0075-4ffe-8553-49ede6fb6d90
• IBM Research (FMEA Builder, arXiv 2411.05054): https://arxiv.org/abs/2411.05054
• Younus và cộng sự (arXiv 2511.17743): https://arxiv.org/abs/2511.17743
• ISO/IEC 42001:2023: https://committee.iso.org/standard/81230.html
• Anthropic (Commercial Terms of Service): https://www.anthropic.com/legal/commercial-terms
• OpenAI (Your data): https://developers.openai.com/api/docs/guides/your-data
• Tilleke & Gibbins (phân tích dự thảo luật AI của Thái Lan): https://www.tilleke.com/insights/thailand-releases-new-draft-artificial-intelligence-act/
• Trading Economics (sản lượng ô tô Thái Lan, công bố của FTI): https://tradingeconomics.com/thailand/total-vehicle-sales/news/587114
• Ủy ban Đầu tư Thái Lan (BOI), công bố nửa đầu năm 2026: https://www.boi.go.th/upload/content/PR117_2569EN.pdf
• New Straits Times (đơn đăng ký đầu tư bán dẫn và điện tử tại Thái Lan): https://www.nst.com.my/amp/business/economy/2026/08/1503841/thailand-attracts-us268bil-chip-electronics-investment-bids-supply