Triển khai AI tạo sinh trong doanh nghiệp: lộ trình, chi phí và tuân thủ cho nhà máy tại Việt Nam 2026

Năm 2026 là thời điểm mà câu hỏi về AI tại các nhà máy ở Việt Nam đã chuyển từ “có nên dùng không” sang “bắt đầu từ đâu và ai chịu trách nhiệm”. Một phần nguyên nhân đến từ chính sách: Luật Trí tuệ nhân tạo có hiệu lực từ ngày 01/03/2026, Chiến lược chuyển đổi số quốc gia giai đoạn 2026–2030 đã được phê duyệt, và các doanh nghiệp công nghệ trong nước đang xây dựng hệ sinh thái AI nội địa. Khi hành lang pháp lý và nhà cung cấp trong nước đều đã sẵn sàng, yếu tố còn lại tạo ra khác biệt cạnh tranh chính là dữ liệu của chính nhà máy bạn — nó đang nằm ở đâu, ở định dạng nào, và có kết nối được với AI hay không. Bài viết này tổng hợp lộ trình triển khai theo giai đoạn, cách ước tính chi phí và ROI, các rủi ro bảo mật cần kiểm soát, cùng những điểm pháp lý phải nắm, dành cho ban lãnh đạo, giám đốc nhà máy và người phụ trách IT đang vận hành sản xuất tại Việt Nam.

Bối cảnh Việt Nam 2026: hành lang pháp lý đã hình thành, cuộc chơi chuyển sang dữ liệu

Điểm khác biệt lớn nhất của năm 2026 so với vài năm trước là AI không còn là một chủ đề công nghệ thuần túy mà đã trở thành một lĩnh vực có khung pháp lý riêng tại Việt Nam.

Luật Trí tuệ nhân tạo có hiệu lực từ ngày 01/03/2026. Theo nội dung được công bố, luật quy định các nguyên tắc về phát triển, thử nghiệm và ứng dụng trí tuệ nhân tạo; thiết lập cơ chế thử nghiệm có kiểm soát (sandbox); đưa ra các ưu đãi cho hoạt động nghiên cứu phát triển, cho dữ liệu và cho hạ tầng tính toán; đồng thời quy định việc bảo vệ quyền của doanh nghiệp. Đây là một tín hiệu quan trọng với khối sản xuất: việc ứng dụng AI trong nhà máy từ nay diễn ra trong một khuôn khổ có tên gọi, có nguyên tắc và có cơ chế thử nghiệm chính thức, thay vì trong vùng xám.

Cần lưu ý một điều về cách sử dụng thông tin này. Các nội dung ưu đãi cụ thể — mức ưu đãi, điều kiện thụ hưởng, thủ tục đăng ký sandbox, cơ quan tiếp nhận — sẽ được xác định qua các văn bản hướng dẫn và quy trình thực thi. Bài viết này không đưa ra con số hay số hiệu văn bản nào ngoài những gì đã được công bố, và khuyến nghị doanh nghiệp làm việc trực tiếp với luật sư hoặc đơn vị tư vấn pháp lý tại Việt Nam trước khi đưa bất kỳ giả định ưu đãi nào vào hồ sơ đầu tư. Việc xây dựng phương án tài chính dựa trên một mức ưu đãi chưa được xác nhận là rủi ro thực tế mà nhiều dự án đã gặp phải.

Nghị quyết 57-NQ/TW của Bộ Chính trị, ban hành cuối năm 2024, đặt mục tiêu đưa Việt Nam vào nhóm ba nước dẫn đầu ASEAN về nghiên cứu và phát triển trí tuệ nhân tạo vào năm 2030. Đây là định hướng ở tầm chiến lược quốc gia, và nó giải thích vì sao các chương trình liên quan đến AI, dữ liệu và hạ tầng số tại Việt Nam đang được đẩy nhanh đồng loạt thay vì rời rạc.

Chiến lược chuyển đổi số quốc gia giai đoạn 2026–2030 đã được phê duyệt. Trong định hướng này, hơn 40% doanh nghiệp nhỏ và vừa được dự báo sẽ áp dụng mô hình model-as-a-service, các tác tử AI (AI agent) và những giải pháp AI dùng chung. Con số này đáng chú ý với doanh nghiệp sản xuất ở hai điểm. Thứ nhất, nó cho thấy hướng đi chủ đạo không phải là mỗi doanh nghiệp tự huấn luyện mô hình riêng, mà là sử dụng năng lực AI như một dịch vụ và tập trung nguồn lực vào phần dữ liệu và quy trình của mình. Thứ hai, nếu phần lớn doanh nghiệp nhỏ và vừa — bao gồm cả các nhà cung cấp trong chuỗi cung ứng của bạn — đều tiếp cận được năng lực AI ở mức tương đương, thì lợi thế cạnh tranh không nằm ở việc “có AI” mà nằm ở chất lượng dữ liệu và mức độ tích hợp vào quy trình.

Hệ sinh thái AI trong nước đang được dẫn dắt bởi các doanh nghiệp như VNPT, Viettel, FPT và CMC. Với một nhà máy đặt tại Việt Nam, điều này có ý nghĩa thực tiễn: bên cạnh các nền tảng quốc tế, đã có lựa chọn nhà cung cấp trong nước cho hạ tầng, dịch vụ và triển khai — thuận lợi hơn về ngôn ngữ, hỗ trợ tại chỗ và các yêu cầu liên quan đến nơi lưu trữ dữ liệu.

Tổng hợp lại, luận điểm của bài viết này là: khi thể chế đã định hình và nhà cung cấp nội địa đã trưởng thành, câu hỏi cạnh tranh không còn là “dùng AI nào”, mà là “dữ liệu nhà máy của chúng ta có kết nối được vào đó hay không”.

Định vị hiện trạng bằng số liệu — và cách đọc số liệu nước ngoài cho đúng

Trước khi bàn về công cụ, nên xác định doanh nghiệp mình đang ở đâu bằng số liệu khách quan. Nếu chỉ dựa vào cảm nhận “chúng ta đang chậm” hay “chúng ta đang đi trước”, quyết định đầu tư sẽ phụ thuộc vào nhiệt độ cảm xúc của người phụ trách chứ không phải vào dữ kiện.

Việt Nam hiện chưa có một khảo sát toàn quốc về mức độ ứng dụng AI tạo sinh trong doanh nghiệp sản xuất được công bố rộng rãi ở quy mô tương đương các khảo sát dưới đây. Vì vậy, phần này sử dụng số liệu nước ngoài — nhưng dùng chúng như tham chiếu về cấu trúc vấn đề, không phải như thước đo cho thị trường Việt Nam. Ranh giới này rất quan trọng và sẽ được ghi chú rõ ở từng chỗ.

Bài học từ Nhật Bản: AI đang dừng lại ở khâu soạn thảo văn bản

Theo khảo sát “Xu hướng doanh nghiệp về AI tạo sinh” của Teikoku Databank, thực hiện từ ngày 17 đến 31/03/2026 trên 23.349 doanh nghiệp với 10.312 phiếu trả lời hợp lệ (tỷ lệ hồi đáp 44,2%), có 34,5% doanh nghiệp cho biết đang ứng dụng AI tạo sinh vào công việc (4,4% “sử dụng rất nhiều”, 30,2% “có sử dụng ở mức độ nhất định”). Đây là số liệu của Nhật Bản, phản ánh thị trường Nhật Bản chứ không phải Việt Nam.

Vẫn theo khảo sát này của Nhật Bản, tỷ lệ ứng dụng tăng theo quy mô: doanh nghiệp lớn 46,5%, doanh nghiệp vừa và nhỏ 32,4%, doanh nghiệp siêu nhỏ 28,0%. Xét theo số lao động, khoảng cách còn rõ hơn: trên 1.000 người là 63,6%, từ 301 đến 1.000 người là 51,9%, trong khi nhóm dưới 5 người chỉ đạt 29,6%. Theo ngành, dịch vụ dẫn đầu với 47,8%, tài chính 38,6%, bất động sản 34,9%; ở nhóm cuối là vận tải kho bãi 27,5% và xây dựng 26,4%.

Tuy nhiên, điểm đáng chú ý nhất với một nhà máy không phải là tỷ lệ ứng dụng, mà là cơ cấu mục đích sử dụng. Cũng trong khảo sát Nhật Bản này, 45,1% doanh nghiệp dùng AI để “soạn thảo, tóm tắt, hiệu đính văn bản” — bỏ xa các mục đích khác: thu thập thông tin 21,8%, lập kế hoạch 11,0%, tổng hợp và phân tích dữ liệu 7,4%, hỗ trợ lập trình 5,9%.

Nói cách khác, ở một thị trường đã đi trước, AI tạo sinh vẫn chủ yếu nằm trong khối văn phòng, còn phân tích dữ liệu chưa đạt nổi 10%. Chuyển sang ngôn ngữ của nhà máy: sản lượng thực tế, nhật ký vận hành thiết bị, hồ sơ kiểm tra chất lượng, dữ liệu tồn kho — tức toàn bộ dữ liệu gốc mà nhà máy sinh ra mỗi ngày — gần như chưa được AI chạm tới. Đây chính là vấn đề xuyên suốt bài viết này. Tăng tốc độ soạn thảo văn bản là có giá trị, nhưng riêng nó không làm thay đổi báo cáo kết quả kinh doanh của một cơ sở sản xuất.

Về hiệu quả, 86,7% doanh nghiệp trong khảo sát Nhật Bản nói trên trả lời rằng có hiệu quả (25,2% “rất có hiệu quả”, 61,5% “có phần hiệu quả”). Số doanh nghiệp cảm nhận được hiệu quả là rất lớn. Nhưng nếu hiệu quả đó tập trung vào việc rút ngắn thời gian soạn thảo, thì câu hỏi tiếp theo của ban lãnh đạo phải là: bước kế tiếp đi về đâu?

Tham chiếu từ Thái Lan — và giới hạn của phép so sánh

Trong ASEAN, Thái Lan có một số khảo sát công bố công khai, hữu ích để hình dung tốc độ dịch chuyển của khối doanh nghiệp trong khu vực. Toàn bộ các số liệu dưới đây là số liệu của Thái Lan, không áp dụng cho Việt Nam.

Theo “Thailand Digital Outlook 2026” khảo sát 834 cơ sở kinh doanh trên toàn quốc, mức độ trưởng thành số của doanh nghiệp Thái Lan lần đầu đạt mức trung bình với điểm bình quân 2,12 trên thang 4 điểm, tăng mạnh so với 1,56 của năm 2025. Theo quy mô: doanh nghiệp lớn 2,58, doanh nghiệp tầm trung 2,41 (năm trước 1,97), doanh nghiệp nhỏ 2,01 (năm trước 1,45). Về tỷ lệ ứng dụng công nghệ tiên tiến, AI đứng đầu với 21,2%, tiếp theo là blockchain 20,1%, phân tích dữ liệu lớn 19,9%, IoT 19% và robot 17,8%. Điểm yếu được chỉ ra là phát triển sản phẩm, dịch vụ số và hoạt động R&D. Xin nhắc lại: đây là số liệu của Thái Lan, không áp dụng cho Việt Nam.

Một khảo sát khác của ETDA và NSTDA, “Readiness for the Application of AI Technology for Digital Services in 2024”, tiếp cận 3.758 tổ chức trong khoảng tháng 7–9/2024 và thu về 580 phiếu trả lời, cho thấy 17,8% tổ chức đã triển khai AI (năm trước 15%) và 73% đang cân nhắc. Rào cản được nêu là chất lượng dữ liệu. Ba lĩnh vực triển khai AI tạo sinh nhiều nhất là phát triển sản phẩm/dịch vụ và R&D, marketing – bán hàng – chăm sóc khách hàng, và quy trình sản xuất. Đây là số liệu của Thái Lan, không áp dụng cho Việt Nam.

Ngoài ra, “Business Outlook Study 2026” do UOB thực hiện với 265 lãnh đạo và người ra quyết định tại Thái Lan (kỳ đầu tiên tại Thái Lan là nửa đầu năm 2026) cho biết hơn 70% doanh nghiệp nhỏ và vừa Thái Lan đã triển khai AI, cao hơn mức bình quân khu vực, và hơn 80% đã áp dụng một sáng kiến số nào đó. Trong nhóm đã triển khai AI, 58% ghi nhận cắt giảm chi phí và 44% ghi nhận cải thiện năng suất. Đây là số liệu của Thái Lan, không áp dụng cho Việt Nam.

Cần đặc biệt thận trọng khi đặt các con số này cạnh nhau. Khảo sát của Teikoku Databank dựa trên hơn 10.000 phiếu trả lời tại Nhật Bản; Thailand Digital Outlook 2026 dựa trên 834 cơ sở; khảo sát ETDA/NSTDA dựa trên 580 tổ chức; khảo sát UOB dựa trên 265 lãnh đạo. Quy mô mẫu, đặc điểm đối tượng, định nghĩa câu hỏi và thời điểm khảo sát đều khác nhau. Một câu như “Thái Lan 70% so với Nhật Bản 34,5%” là cách đọc sai, vì nó bỏ qua sự khác biệt về phương pháp. Và không con số nào trong số đó là con số của Việt Nam.

Điều có thể rút ra là xu hướng, không phải thứ hạng: doanh nghiệp trong khu vực đang chuyển từ “đang cân nhắc” sang “đã triển khai”, và động cơ của họ rất thực dụng — giảm chi phí và tăng năng suất. Với một nhà máy tại Việt Nam, hàm ý là trong lúc dự án còn đang chờ phê duyệt, các nhà cung cấp và đối thủ trong cùng khu công nghiệp hoàn toàn có thể đã bắt đầu làm.

Khoảng cách giữa tập đoàn mẹ và nhà máy tại Việt Nam

Với các doanh nghiệp FDI, một tình huống rất phổ biến là tập đoàn mẹ ở nước ngoài đã ký hợp đồng AI toàn cầu và tuyên bố “đã triển khai”, trong khi nhà máy tại Việt Nam không nằm trong phạm vi hợp đồng đó. Nhìn bề ngoài thì cùng một cụm từ “triển khai AI tạo sinh trong doanh nghiệp”, nhưng điều kiện tiền đề ở hai nơi hoàn toàn khác nhau.

Bảng này cho thấy vì sao một sáng kiến thành công ở tập đoàn mẹ thường không chạy được khi bê nguyên về nhà máy. Nguyên nhân không nằm ở năng lực đội ngũ mà nằm ở sự khác biệt của điều kiện tiền đề. Cách xử lý thực tế là: chuẩn hóa phần chung (phân loại dữ liệu, nhật ký truy vết, phân quyền) ở cấp tập đoàn, và chỉ xử lý riêng phần khác biệt theo từng quốc gia.

Lộ trình ứng dụng AI: thiết kế theo năm giai đoạn

Khi đã xác định được vị trí hiện tại, vấn đề tiếp theo là thứ tự. Sai thứ tự thì dù đầu tư lớn hay nhỏ, dự án cũng dừng ở PoC. Với một nhà máy tại Việt Nam, lộ trình thực tế thường gồm năm giai đoạn sau.

Giai đoạn 0 — Kiểm kê hiện trạng và trực quan hóa nghiệp vụ

Việc đầu tiên không phải là chọn công cụ mà là kiểm kê nghiệp vụ và dữ liệu. Hãy liệt kê xem mỗi nghiệp vụ tại nhà máy đang tiêu tốn bao nhiêu giờ công, và thông tin phục vụ nghiệp vụ đó đang nằm ở đâu, ở định dạng nào: biểu mẫu chạy bằng giấy, sổ theo dõi trên Excel, các bảng dữ liệu trong hệ thống quản lý sản xuất, log xuất ra từ thiết bị, và cả những tiêu chí phán đoán chỉ tồn tại trong đầu người phụ trách. Chỉ riêng việc lập được danh sách này đã tách bạch được hai nhóm: “bài toán AI có thể giải” và “bài toán không thể giải vì chưa có dữ liệu”.

Ở giai đoạn này cũng cần chốt chỉ số đánh giá. Thế nào là thành công? Nếu chỉ nói “tiện hơn” thì năm sau sẽ không xin được ngân sách. Hãy chọn trước những chỉ số gắn với KPI sẵn có: thời gian xử lý của nghiệp vụ mục tiêu, tỷ lệ lỗi, thời gian chờ, số giờ làm thêm của bộ phận liên quan.

Giai đoạn 1 — Cấp phát công cụ chung và xây dựng quy tắc sử dụng

Tiếp theo là chuẩn bị một môi trường an toàn để nhân viên sử dụng. Điểm mấu chốt ở đây không phải là công cụ nhiều tính năng, mà là mọi người dùng cùng một môi trường theo cùng một quy tắc. Tình trạng nhân viên tự dùng tài khoản cá nhân mà không ai quản lý là rủi ro trước khi là vấn đề năng suất.

Trong khảo sát tháng 3/2026 của Teikoku Databank (số liệu của Nhật Bản), 25,5% doanh nghiệp nêu “chưa hoàn thiện quy tắc sử dụng” là một trở ngại, và tác động tiêu cực được nhắc đến nhiều nhất là “khoảng cách ngày càng lớn giữa người dùng thành thạo và người không dùng được” với 18,8% (trong khi 67,7% trả lời “không có tác động tiêu cực nào” và chỉ 0,7% ghi nhận rò rỉ thông tin). Khoảng cách đó thường không phải lỗi của công cụ, mà do chưa có khuôn mẫu sử dụng được chia sẻ. Với một nhà máy tại Việt Nam, chỉ cần chuẩn bị hướng dẫn sử dụng và bộ prompt mẫu bằng cả tiếng Việt lẫn ngôn ngữ của tập đoàn, tốc độ khởi động đã khác hẳn.

Giai đoạn 2 — Kết nối với dữ liệu nội bộ: tra cứu và tóm tắt tài liệu

Nếu chỉ dừng ở việc phát công cụ, hiệu quả sẽ mãi nằm ở khâu soạn thảo. Phần thực chất bắt đầu từ đây: đưa quy chế nội bộ, tiêu chuẩn thao tác, tài liệu hướng dẫn thiết bị, lịch sử xử lý sự cố và tiêu chuẩn chất lượng vào phạm vi tìm kiếm, đồng thời xây dựng cơ chế để AI trả lời kèm theo trích dẫn nguồn.

Chỉ đến giai đoạn này mới xuất hiện trạng thái “một nhân viên mới có thể tiếp cận cùng một cơ sở phán đoán như người lâu năm”. Tại các nhà máy ở Việt Nam, tốc độ luân chuyển nhân sự ở một số vị trí và chu kỳ thay đổi chuyên gia nước ngoài khiến việc bàn giao kinh nghiệm trở thành vấn đề mang tính cấu trúc. Chỉ riêng việc nâng khả năng tra cứu tài liệu đã tác động đáng kể đến vấn đề này.

Giai đoạn 3 — Nhúng vào quy trình nghiệp vụ và chuyển sang AI agent

Khi việc tra cứu tài liệu nội bộ đã đi vào nề nếp, bước tiếp theo là nhúng AI vào chính dòng chảy công việc. Thay vì con người phải chủ động hỏi AI, AI nằm trong quy trình và tự động thực hiện các bước xử lý nối tiếp nhau.

Về xu hướng này ở khối doanh nghiệp lớn toàn cầu, có thể tham chiếu khảo sát “How enterprises are building AI agents in 2026” do Anthropic công bố ngày 09/12/2025, thực hiện cùng Material trên hơn 500 lãnh đạo kỹ thuật. Theo đó, 57% đang vận hành AI agent trong các quy trình nhiều bước và 16% vận hành trong các quy trình liên phòng ban. 81% dự định xử lý các tình huống phức tạp hơn trong năm 2026. Về mục đích, phát triển phần mềm nổi bật hẳn: khoảng 90% dùng AI hỗ trợ lập trình và 86% vận hành agent với mã nguồn chạy thật. Phân tích dữ liệu và tạo báo cáo chiếm 60%, tự động hóa quy trình nội bộ 48%, còn nghiên cứu và báo cáo có 56% dự kiến triển khai trong năm. Đây là khảo sát toàn cầu ở khối doanh nghiệp lớn, dùng để tham chiếu xu hướng chứ không phải số liệu của Việt Nam.

Cách tiếp cận cụ thể của AI agent trong môi trường sản xuất được trình bày chi tiết trong bài AI agent và chuyển đổi số ngành sản xuất.

Giai đoạn 4 — Nhân rộng và nội bộ hóa vận hành

Cuối cùng là nhân rộng sang các công đoạn, các nhà máy khác và nội bộ hóa việc vận hành. Khi một công đoạn đã chứng minh được hiệu quả, hãy chuyển cùng một khuôn mẫu sang công đoạn kế bên hoặc cơ sở ở quốc gia khác. Điều quan trọng là thiết kế sao cho có thể chuyển giao được. Nếu toàn bộ phụ thuộc vào bộ prompt và tài liệu hướng dẫn do một cá nhân tự làm, việc nhân rộng chắc chắn sẽ tắc.

Các mốc thời gian chỉ mang tính tham khảo và thay đổi theo độ phức tạp của nghiệp vụ, tình trạng hệ thống hiện có và nguồn lực tại chỗ. Điều quan trọng là đưa ngay từ đầu vào kế hoạch một thực tế: việc chuẩn hóa dữ liệu nội bộ cần thiết cho giai đoạn 2 trở đi luôn tốn nhiều thời gian hơn dự kiến.

Chi phí triển khai AI và cách tính ROI

Chi phí là chỗ nhiều dự án vấp phải. Không nhìn thấy mặt bằng giá, người phụ trách viết tờ trình trong trạng thái mù mờ, và kết quả thường là “cứ làm nhỏ trước” — nhưng nhỏ đến mức không thể tạo ra hiệu quả đo được.

Về mức giá tham khảo, thị trường phát triển phần mềm theo đơn đặt hàng tại Nhật Bản có một số đơn vị công bố khoảng giá: PoC từ 1,5 đến 5 triệu JPY, triển khai chính thức từ 15 triệu JPY trở lên. Một nguồn khác đưa ra cách tính PoC từ 1 đến 5 triệu JPY, còn triển khai vận hành thật tính theo 800 nghìn đến 2,5 triệu JPY mỗi tháng nhân với số tháng.

Cần nhấn mạnh: đây là mức giá thị trường phát triển phần mềm tại Nhật Bản, không phải giá tại Việt Nam. Chúng chỉ hữu ích để hình dung cấu trúc chi phí (chi phí xây dựng ban đầu, phí bản quyền, phí theo lượng dùng, bảo trì, đào tạo) chứ không dùng để lập dự toán cho một dự án tại Việt Nam. Mức giá thực tế tại Việt Nam phụ thuộc vào phạm vi công việc, đối tác và mức độ tích hợp hệ thống; cách làm thực tế là lấy báo giá từ nhiều nhà cung cấp và so sánh năm hạng mục trên ở cùng một độ chi tiết. Nếu dùng thẳng mặt bằng giá của một quốc gia khác, dự toán sẽ lệch; ngược lại, nếu lập ngân sách với giả định “chắc là rẻ” thì phần giờ công phối hợp đa ngôn ngữ và điều chỉnh với tập đoàn mẹ sẽ bị bỏ sót và dự án vỡ kế hoạch. Về tiêu chí lựa chọn đối tác phát triển, bài Cách chọn công ty phát triển hệ thống tại Thái Lan trình bày bộ tiêu chí đánh giá có thể áp dụng tương tự khi thẩm định nhà cung cấp trong khu vực — lưu ý rằng bối cảnh thị trường và giá trong bài đó là của Thái Lan, không áp dụng cho Việt Nam.

Định nghĩa tử số và mẫu số trước khi đầu tư

Sai lầm phổ biến nhất khi bàn về ROI là để việc định nghĩa tử số — tức phần hiệu quả — lại sau. Nếu sau khi triển khai mới đi hỏi “hiệu quả thế nào”, bạn sẽ chỉ nhận được cảm nhận, vì không có con số trước khi triển khai để so sánh.

Vài mốc tham chiếu. Trong khảo sát toàn cầu của Anthropic nói trên, 80% doanh nghiệp trả lời rằng đã thu được lợi ích kinh tế đo lường được từ khoản đầu tư vào AI agent. Ở cấp độ trường hợp cụ thể, eSentire rút ngắn thời gian phân tích mối đe dọa từ 5 giờ xuống 7 phút, còn Doctolib tăng tốc độ đưa tính năng ra thị trường 40% nhờ sử dụng Claude Code. Ở Thái Lan, theo UOB Business Outlook Study 2026, 58% doanh nghiệp đã triển khai AI ghi nhận cắt giảm chi phí và 44% ghi nhận cải thiện năng suất — đây là số liệu của Thái Lan, không áp dụng cho Việt Nam.

Đây đều là kết quả của doanh nghiệp khác và không bảo đảm rằng bạn sẽ đạt được điều tương tự. Nhưng điểm chung của chúng là đo hiệu quả bằng đơn vị thời gian. Với một nhà máy, hãy đo trước khi triển khai những mốc thời gian cụ thể: thời gian chuyển đổi khuôn/chủng loại, thời gian từ lúc phát sinh bất thường đến khi xử lý bước đầu, thời gian lập báo cáo tháng, thời gian đối chiếu chứng từ xuất nhập khẩu. Có hay không thao tác đo lường này quyết định phần lớn khả năng xin ngân sách cho năm thứ hai.

Về mẫu số, tức phần đầu tư, đừng chỉ nhìn phí bản quyền. Trên thực tế, phần lớn chi phí nằm ở giờ công chuẩn hóa dữ liệu, công phát triển tích hợp với hệ thống hiện có, và công đào tạo, đồng hành để hiện trường thực sự dùng. Nếu không đưa các khoản này vào ngân sách mà chỉ mua bản quyền, kết cục là mỗi tháng vẫn trả tiền cho những tài khoản không ai dùng.

Vì sao nhiều dự án dừng lại ở PoC

“PoC thì tốt nhưng không lên được production” là câu chuyện nghe rất thường xuyên. Nguyên nhân không nằm ở tinh thần làm việc mà có thể quy về vài yếu tố mang tính cấu trúc.

Gợi ý rõ nhất đến từ thứ tự các khó khăn trong khảo sát toàn cầu của Anthropic: đứng đầu là tích hợp với hệ thống hiện có với 46%, thứ hai là khả năng truy cập và chất lượng dữ liệu với 42%, thứ ba là quản trị thay đổi với 39%. Nghĩa là bức tường mà doanh nghiệp đâm vào không phải độ thông minh của mô hình, mà là việc không kết nối được với hệ thống nghiệp vụ, dữ liệu ở đầu bên kia không ở trạng thái dùng được, và con người cùng tổ chức không thay đổi.

Các khảo sát khác cho kết quả cùng hướng. Trong khảo sát tháng 3/2026 của Teikoku Databank (số liệu của Nhật Bản), các khó khăn hàng đầu là độ chính xác của thông tin 50,4%, thiếu nhân sự chuyên môn 41,3%, phạm vi ứng dụng không rõ ràng 40,0%, rủi ro rò rỉ thông tin 33,5% và chưa hoàn thiện quy tắc 25,5%. Việc “độ chính xác của thông tin” vượt mức một nửa có thể đọc ngược lại thành: rất nhiều trường hợp đang hỏi mô hình đa dụng mà không hề cung cấp dữ liệu gốc của chính doanh nghiệp mình. Ở Thái Lan, khảo sát ETDA/NSTDA cũng nêu chất lượng dữ liệu là rào cản — đây là số liệu của Thái Lan, không áp dụng cho Việt Nam, nhưng sự trùng khớp của cùng một vấn đề ở nhiều thị trường là điều đáng lưu ý.

Năm kiểu thất bại điển hình

Thứ nhất, chọn sai nghiệp vụ mục tiêu. Chọn ngay một đề tài khó như suy đoán nguyên nhân lỗi chất lượng vì “hiệu quả có vẻ lớn” sẽ khiến nửa năm trôi qua chỉ để tiền xử lý dữ liệu. Đề tài đầu tiên nên là nghiệp vụ đã có dữ liệu ở dạng số, dễ đo hiệu quả, và nếu thất bại cũng không làm dừng sản xuất.

Thứ hai, không có tiêu chí đánh giá. Bắt đầu PoC mà không định nghĩa điều kiện đạt thì sẽ kết thúc bằng “có vẻ ổn” và không dùng được làm căn cứ đầu tư. Cần đặt ngưỡng trước, kiểu như “rút công việc đang mất 30 phút xuống dưới 10 phút” hoặc “tỷ lệ trả lời đúng từ 85% trở lên”.

Thứ ba, vấn đề nhân sự. Cảnh một người phụ trách IT duy nhất tại nhà máy vừa gánh vận hành bảo trì vừa kiêm nhiệm chạy PoC là rất phổ biến. Với cơ cấu đó, PoC kết thúc là không còn ai chăm sóc hệ thống. Người sẽ vận hành ở giai đoạn chính thức phải được kéo vào từ giai đoạn PoC.

Thứ tư, quan hệ với tập đoàn mẹ. Nhà máy tự chọn giải pháp rồi bị trả lại vì không đạt tiêu chuẩn bảo mật của tập đoàn, hoặc trùng lặp đầu tư với công cụ mà tập đoàn đã ký hợp đồng toàn cầu. Chỉ cần thống nhất phạm vi áp dụng với bộ phận CNTT của tập đoàn trước khi trình duyệt là tránh được.

Thứ năm, đồng thuận tại hiện trường. Đúng như vị trí thứ ba của quản trị thay đổi với 39% trong khảo sát nêu trên, đây là vấn đề chung trên toàn cầu. Với công nhân vận hành, một cơ chế mới gắn liền với lo ngại “liệu có phải mình đang bị giám sát” và “liệu công việc của mình có bị cắt giảm”. Giải thích mục đích triển khai bằng tiếng Việt và bắt đầu từ những ứng dụng khiến công việc của chính họ nhẹ đi — con đường trông có vẻ vòng vo này thực ra là ngắn nhất.

Bảo mật dữ liệu khi dùng AI: năm lớp kiểm soát

Khi bàn về triển khai, câu hỏi chắc chắn xuất hiện từ ban lãnh đạo là rò rỉ thông tin. Trong khảo sát tháng 3/2026 của Teikoku Databank (số liệu của Nhật Bản), rủi ro rò rỉ thông tin đứng thứ tư trong danh sách khó khăn với 33,5%, trong khi số doanh nghiệp thực sự ghi nhận sự cố rò rỉ chỉ là 0,7% và 67,7% trả lời không có tác động tiêu cực nào. Mối lo thì lớn, còn thiệt hại thực tế được báo cáo thì hạn chế — đó là bức tranh chung ở thời điểm hiện tại, tại thị trường Nhật Bản.

Ít thiệt hại không có nghĩa là không cần biện pháp. Đặc biệt tại các nhà máy FDI, tình trạng thường thấy là quy chế do tập đoàn ban hành chưa có bản tiếng Việt, và trên thực tế việc dùng tài khoản cá nhân được mặc nhiên bỏ qua. Đây là cấu trúc nguy hiểm nhất: trên giấy thì cấm, nhưng không ai tuân thủ được.

Có thể sắp xếp các biện pháp thực tế theo năm lớp.

Lớp hợp đồng và tenant. Chọn hình thức hợp đồng dành cho doanh nghiệp và xác nhận rằng dữ liệu đầu vào không được dùng để huấn luyện mô hình. Đồng thời làm rõ nơi lưu trữ và xử lý dữ liệu — đây là điểm cần đối chiếu với các quy định về bảo vệ dữ liệu cá nhân của Việt Nam cùng chuyên gia pháp lý tại chỗ.

Lớp phân quyền truy cập. Ai được xem tài liệu nào phụ thuộc trực tiếp vào thiết kế phân quyền sẵn có trước khi triển khai AI. Nếu phân quyền lỏng lẻo mà đưa tài liệu nội bộ vào phạm vi tìm kiếm, những thông tin trước đây không ai thấy sẽ trở thành thứ ai cũng lấy ra được. Rà soát lại phân quyền trước khi triển khai là bắt buộc.

Lớp phân loại dữ liệu. Bản vẽ, giá thành, thông tin nhân sự, thông tin khách hàng — phân loại rõ cái nào được đưa lên dịch vụ bên ngoài và cái nào không, theo đúng thực tế vận hành của nhà máy.

Lớp nhật ký và kiểm toán. Ghi lại ai đã nhập nội dung gì và duy trì khả năng rà soát định kỳ. Đây cũng là phần hạ tầng cần thiết nếu doanh nghiệp muốn chứng minh khả năng giải trình cho các ứng dụng có mức rủi ro cao.

Lớp đào tạo. Phát một danh sách điều cấm không làm thay đổi hành vi. Cần giải thích “vì sao đưa thông tin này vào lại có vấn đề” bằng tiếng Việt, kèm ví dụ cụ thể của chính nhà máy.

Cần bổ sung một điểm riêng của môi trường sản xuất: ngày càng nhiều nhà máy kết nối mạng thông tin với mạng điều khiển, và khi lấy dữ liệu thiết bị ra để phục vụ AI, việc bảo đảm an toàn phía hệ thống điều khiển là điều kiện tiên quyết. Trước khi mở một luồng dữ liệu mới từ PLC, SCADA hay hệ thống giám sát ra ngoài, hãy thẩm định phương án phân tách mạng, chiều truyền dữ liệu và quyền ghi ngược cùng với bộ phận kỹ thuật.

Về pháp lý, Luật Trí tuệ nhân tạo có hiệu lực từ 01/03/2026 quy định các nguyên tắc về phát triển, thử nghiệm và ứng dụng AI. Việc rà soát và cập nhật quy chế nội bộ theo thời điểm hiệu lực là công việc cần đưa vào lịch. Bài viết này không diễn giải chi tiết các nghĩa vụ cụ thể và khuyến nghị doanh nghiệp làm việc với luật sư hoặc đơn vị tư vấn pháp lý tại Việt Nam để xác định phạm vi áp dụng cho từng tình huống sử dụng.

Để tham khảo, tại Thái Lan hiện đã có Luật Bảo vệ dữ liệu cá nhân (PDPA) có hiệu lực, với chế tài gồm phạt hành chính tối đa 5 triệu baht, và trong trường hợp nghiêm trọng còn có thể bị xử lý hình sự theo một chế tài riêng, và nguyên tắc chỉ được sử dụng dữ liệu cá nhân trong phạm vi mục đích đã thông báo khi thu thập — nếu “huấn luyện mô hình AI” không nằm trong mục đích ban đầu thì cần có sự đồng ý bổ sung. Song song đó, Thái Lan đang trong quá trình xây dựng dự thảo luật về AI với khung phân loại theo ba nhóm là cấm, rủi ro cao và sử dụng thông thường; đây mới là dự thảo, chưa phải luật đã ban hành. Toàn bộ các quy định vừa nêu là quy định của Thái Lan, không áp dụng cho Việt Nam — chúng chỉ hữu ích với các tập đoàn có nhà máy ở cả hai nước, để hiểu rằng mức độ hoàn thiện và hướng đi của pháp luật ở mỗi quốc gia là khác nhau.

Vận hành AI trong nhà máy đa ngôn ngữ tại Việt Nam

Nhà máy tại Việt Nam có một đặc thù mà hầu như không bài viết chung nào về AI đề cập: ngôn ngữ. Trong một nhà máy FDI, tiếng Việt của nhân viên, tiếng Anh dùng với nhà cung cấp thiết bị, và ngôn ngữ của tập đoàn mẹ (tiếng Nhật, tiếng Hàn hoặc tiếng Trung tùy doanh nghiệp) cùng tồn tại hằng ngày. Tiêu chuẩn thao tác có bản gốc và bản dịch song song, tài liệu thiết bị bằng tiếng Anh, nhật ký sản xuất ghi bằng tiếng Việt, còn báo cáo về tập đoàn lại bằng ngôn ngữ khác. Đó là trạng thái bình thường.

Về mặt kỹ thuật, có vài điểm cần biết trước khi kỳ vọng vào độ chính xác. Tiếng Việt sử dụng dấu thanh và dấu phụ, nhưng dữ liệu thực tế trong nhà máy lại thường được nhập không dấu để nhanh, viết tắt tùy người, và trộn lẫn thuật ngữ kỹ thuật bằng tiếng Anh. Một chuỗi ký tự không dấu có thể tương ứng với nhiều từ khác nhau, và chính con người cũng phải dựa vào ngữ cảnh để hiểu. Khi đưa loại dữ liệu này vào AI mà không chuẩn hóa, kết quả phân loại và tìm kiếm sẽ kém, và hiện trường sẽ kết luận rằng “AI không dùng được” — trong khi vấn đề thật nằm ở khâu chuẩn hóa dữ liệu đầu vào. Vì vậy, việc xây dựng một bảng thuật ngữ thống nhất (tên thiết bị, tên công đoạn, mã lỗi, tên chi tiết) là bước chuẩn bị có giá trị cao hơn nhiều so với việc so sánh mô hình.

Về lựa chọn nhà cung cấp, các doanh nghiệp công nghệ trong nước như VNPT, Viettel, FPT và CMC đang dẫn dắt hệ sinh thái AI nội địa, tạo thêm phương án bên cạnh các nền tảng quốc tế — đặc biệt đáng cân nhắc khi doanh nghiệp có yêu cầu về hỗ trợ tại chỗ, ngôn ngữ và nơi lưu trữ dữ liệu. Ở các nước lân cận cũng có những nỗ lực tương tự cho ngôn ngữ bản địa; ví dụ tại Thái Lan có mô hình Typhoon do SCB 10X phát triển và OpenThaiGPT do cộng đồng dẫn dắt. Đây là trường hợp của Thái Lan, không áp dụng cho Việt Nam, nhưng nó cho thấy một xu hướng chung: mỗi thị trường đều đang xây dựng năng lực xử lý ngôn ngữ bản địa của riêng mình.

Kết luận thực tiễn là: kiểm chứng theo từng tình huống sử dụng. Đừng kết luận chung chung rằng mô hình này tốt hay không tốt. Hãy lấy dữ liệu thật của nhà máy mình, tạo mẫu thử cho từng nhóm việc — tra cứu tài liệu nội bộ, đọc biểu mẫu, dịch hướng dẫn công việc, tóm tắt nhật ký sản xuất — rồi đo độ chính xác trước khi quyết định. Bỏ qua bước kiểm chứng này mà triển khai toàn nhà máy sẽ dẫn tới việc hiện trường đánh giá “không dùng được” và sẽ không bao giờ quay lại dùng nữa.

Còn một thiết kế vận hành quan trọng nữa: tách ngôn ngữ trả lời khỏi ngôn ngữ của tài liệu gốc. Công nhân người Việt nhận câu trả lời bằng tiếng Việt, quản lý người nước ngoài nhận câu trả lời bằng ngôn ngữ của họ, nhưng tài liệu nguồn được tham chiếu là một và duy nhất. Thiết kế theo hướng này giúp giảm về mặt cấu trúc một vấn đề rất hay gặp trong sản xuất: nội dung tiêu chuẩn thao tác ở bản tiếng Việt và bản ngôn ngữ gốc không khớp nhau.

Phân loại tình huống sử dụng theo mức độ cần kết nối dữ liệu nội bộ

Một lý do lớn khiến kế hoạch triển khai trở nên mơ hồ là gộp chung những tình huống có độ khó và thời gian chuẩn bị hoàn toàn khác nhau vào cùng một cụm từ “ứng dụng AI”. Khi phân loại theo tiêu chí “có cần kết nối dữ liệu nội bộ hay không”, thứ tự bắt tay vào việc trở nên rõ ràng.

Ba dòng đầu của bảng này, nói cực đoan một chút, chỉ cần hợp đồng và đào tạo là bắt đầu được. Ngược lại, ba dòng cuối được quyết định không phải bởi năng lực của mô hình mà bởi việc dữ liệu có sẵn sàng hay không. Rất nhiều doanh nghiệp nhận thức đúng rằng “hiệu quả lớn nằm ở các dòng dưới”, nhưng lại bắt đầu từ các dòng trên rồi dừng ở đó vì đã thấy hài lòng. Hoặc ngược lại, lao thẳng vào dòng dưới, phát hiện không có dữ liệu, và dự án đổ vỡ.

Cách đi thực tế là dùng các dòng trên để tổ chức làm quen, đồng thời song song chuẩn hóa dữ liệu cho các dòng dưới. Chuẩn hóa dữ liệu là một công việc thầm lặng, tách biệt với dự án AI. Nhưng nếu không đầu tư vào đó, AI sẽ mãi chỉ là công cụ xử lý văn bản. Về phần đọc biểu mẫu và chứng từ, bài Tự động hóa khối văn phòng bằng AI-OCR trình bày chi tiết cách xử lý theo từng loại chứng từ thường gặp tại hiện trường.

Chỉ khi kết nối với hệ thống và dữ liệu hiện trường mới tạo ra kết quả

Từ tất cả những gì đã tổng hợp, yếu tố quyết định thành bại của việc triển khai AI tạo sinh trong doanh nghiệp sản xuất đã khá rõ: có kết nối được với hệ thống hiện có hay không, và dữ liệu ở đầu bên kia có ở trạng thái dùng được hay không.

Việc khảo sát toàn cầu của Anthropic xếp “tích hợp với hệ thống hiện có” ở vị trí số một với 46% và “khả năng truy cập cùng chất lượng dữ liệu” ở vị trí số hai với 42% là bằng chứng cho luận điểm này. Khảo sát ETDA/NSTDA cũng nêu chất lượng dữ liệu là rào cản (số liệu của Thái Lan, không áp dụng cho Việt Nam). Và khảo sát của Teikoku Databank cho thấy mục đích sử dụng AI tại doanh nghiệp Nhật Bản tập trung 45,1% vào soạn thảo văn bản trong khi tổng hợp và phân tích dữ liệu chỉ đạt 7,4% (số liệu của Nhật Bản). Đây là ba khảo sát riêng biệt, ở ba thị trường khác nhau, nhưng cùng chỉ về một kết luận: AI chỉ làm thay đổi các con số của doanh nghiệp khi nó được kết nối với dữ liệu nghiệp vụ.

Trong một nhà máy, có ba nhóm dữ liệu cần “kết nối”.

Thứ nhất là dữ liệu quản lý sản xuất: kế hoạch, sản lượng thực tế, tồn kho, giá thành, tiến độ công đoạn. Chúng nằm trong hệ thống quản lý sản xuất, nhưng thường khó lấy ra vì hệ thống đã cũ, mỗi nhà máy dùng một hệ thống khác nhau, hoặc đang bị quản lý song song với Excel. Trên thực tế, không ít trường hợp việc xem xét triển khai AI lại dẫn đến quyết định làm mới hệ thống quản lý sản xuất. Cách tiếp cận kết hợp dữ liệu tồn kho với AI để dự báo và ra quyết định được trình bày cụ thể trong bài Quản lý tồn kho bằng AI, với logic có thể áp dụng tương tự cho kho nguyên vật liệu và bán thành phẩm trong nhà máy.

Thứ hai là dữ liệu bị khóa trong giấy và PDF: hóa đơn từ nhà cung cấp, chứng từ hải quan, phiếu kết quả kiểm tra, nhật ký viết tay. Chúng chỉ trở thành đầu vào cho AI sau khi được cấu trúc hóa bằng AI-OCR. Tại các nhà máy FDI ở Việt Nam, biểu mẫu trộn nhiều ngôn ngữ lưu thông hằng ngày, nên khả năng xử lý đa ngôn ngữ là điều kiện tiên quyết chứ không phải tính năng bổ sung.

Thứ ba là dữ liệu chuỗi thời gian từ thiết bị: trạng thái vận hành, điện năng tiêu thụ, nhiệt độ, áp suất, thời gian chu kỳ. Chỉ khi đối chiếu dữ liệu thiết bị thu thập qua IoT với sản lượng và dữ liệu chất lượng, bạn mới có đủ nguyên liệu để trả lời câu hỏi “vì sao hôm đó tỷ lệ đạt giảm”.

Và đích đến sau khi kết nối được ba nhóm này chính là tự động hóa quy trình nghiệp vụ: không phải con người đi hỏi AI, mà xử lý tự động diễn ra trong dòng chảy công việc.

TOMAS TECH CO., LTD. là đơn vị tích hợp hệ thống và CNTT nhà máy đặt tại Bangkok, cung cấp hệ thống quản lý sản xuất và quản lý năng lượng PEGASUS, giải pháp trực quan hóa nhà máy, giám sát thiết bị bằng IoT, AI-OCR và phát triển phần mềm theo yêu cầu cho các doanh nghiệp sản xuất Nhật Bản (doanh nghiệp FDI Nhật) tại Thái Lan và ASEAN. Trong hỗ trợ ứng dụng AI, chúng tôi coi trọng việc tham gia ngay từ khâu thiết kế cách kết nối với hệ thống nhà máy và dữ liệu hiện trường, thay vì chỉ đưa vào một công cụ đơn lẻ. Khả năng làm việc bằng tiếng Nhật, tiếng Thái và tiếng Anh tạo ra khác biệt thực tế trong môi trường sản xuất đa ngôn ngữ.

Câu hỏi thường gặp

Chi phí triển khai AI tạo sinh trong doanh nghiệp là bao nhiêu?

Các mức giá được công bố rộng rãi hiện nay đến từ thị trường Nhật Bản: PoC khoảng 1,5–5 triệu JPY, triển khai chính thức từ 15 triệu JPY trở lên; một nguồn khác nêu PoC 1–5 triệu JPY và triển khai vận hành 800 nghìn – 2,5 triệu JPY mỗi tháng nhân số tháng. Cần nhấn mạnh rằng đây là mức giá thị trường phát triển phần mềm tại Nhật Bản, không phải giá tại Việt Nam. Chúng chỉ nên dùng để hiểu cấu trúc chi phí. Cách làm thực tế là lấy báo giá từ nhiều nhà cung cấp và so sánh cùng độ chi tiết ở năm hạng mục: chi phí xây dựng ban đầu, phí bản quyền, phí theo lượng sử dụng, bảo trì và đào tạo. Quan trọng không kém là đưa ngay từ đầu vào ngân sách phần chi phí chuẩn hóa dữ liệu và tích hợp hệ thống, vì đó mới là nơi tiêu tốn phần lớn nguồn lực chứ không phải tiền công cụ.

Nên bắt đầu lộ trình ứng dụng AI từ đâu?

Bắt đầu từ kiểm kê hiện trạng. Liệt kê nghiệp vụ và dữ liệu, chốt chỉ số đánh giá, sau đó đi theo thứ tự: cấp phát công cụ chung và ban hành quy tắc, kết nối tài liệu nội bộ, nhúng vào quy trình nghiệp vụ, rồi nhân rộng. Điểm mấu chốt là lập kế hoạch tách riêng nhóm tình huống không cần dữ liệu nội bộ (tóm tắt, dịch, soạn thảo) và nhóm cần dữ liệu nội bộ (xử lý chứng từ, phân tích dữ liệu thiết bị, mô phỏng cung cầu). Dùng nhóm đầu để tổ chức làm quen, đồng thời song song chuẩn hóa dữ liệu cho nhóm sau — đây là cách ít bị đứt gánh giữa đường nhất.

Vì sao các dự án AI tạo sinh thường dừng lại ở giai đoạn PoC?

Nguyên nhân hầu như không nằm ở công nghệ mà ở kết nối, dữ liệu và tổ chức. Khảo sát toàn cầu của Anthropic trên hơn 500 lãnh đạo kỹ thuật xếp các khó khăn hàng đầu là tích hợp với hệ thống hiện có 46%, khả năng truy cập và chất lượng dữ liệu 42%, quản trị thay đổi 39%. Bên cạnh đó là các vấn đề về cách triển khai: bắt đầu PoC mà không định nghĩa điều kiện đạt, không kéo người sẽ vận hành vào từ đầu, và chọn giải pháp mà không thống nhất trước với tiêu chuẩn bảo mật của tập đoàn mẹ.

Luật Trí tuệ nhân tạo có hiệu lực từ 01/03/2026 ảnh hưởng thế nào đến nhà máy?

Theo nội dung được công bố, luật quy định nguyên tắc về phát triển, thử nghiệm và ứng dụng AI, thiết lập cơ chế thử nghiệm có kiểm soát, đưa ra ưu đãi cho nghiên cứu phát triển, dữ liệu và hạ tầng tính toán, đồng thời bảo vệ quyền của doanh nghiệp. Với một nhà máy, việc cần làm là đưa vào lịch công tác nhiệm vụ rà soát và cập nhật quy chế nội bộ theo mốc hiệu lực, đồng thời chuẩn bị sẵn ba nền tảng chung: phân loại dữ liệu, phân quyền truy cập và nhật ký truy vết. Các điều kiện, thủ tục và mức ưu đãi cụ thể cần được xác nhận với luật sư hoặc đơn vị tư vấn pháp lý tại Việt Nam; bài viết này không suy diễn thêm ngoài phạm vi đã công bố.

Làm thế nào để bảo mật dữ liệu khi dùng AI?

Hãy tư duy theo năm lớp: hình thức hợp đồng, phân quyền truy cập, phân loại dữ liệu, nhật ký và kiểm toán, đào tạo. Sau khi xác nhận hợp đồng doanh nghiệp có thiết lập không dùng dữ liệu đầu vào để huấn luyện mô hình, việc đặc biệt quan trọng là rà soát lại thiết kế phân quyền hiện có trước khi đưa tài liệu nội bộ vào phạm vi tìm kiếm. Nếu xây nền tảng tra cứu khi phân quyền còn lỏng, những thông tin trước đây không ai thấy sẽ trở thành thứ ai cũng lấy ra được. Ngoài ra, nếu có kế hoạch lấy dữ liệu từ hệ thống điều khiển của thiết bị, cần thẩm định phương án phân tách mạng và quyền ghi ngược cùng bộ phận kỹ thuật trước khi mở luồng dữ liệu.

Nhà máy tại Việt Nam có nên dùng công cụ AI mà tập đoàn mẹ đã ký hợp đồng toàn cầu không?

Về kỹ thuật thì thường là được, nhưng có ba điểm phải kiểm tra. Thứ nhất là bản quyền: nhà máy tại Việt Nam có nằm trong phạm vi hợp đồng toàn cầu hay không — thực tế nhiều trường hợp không nằm trong đó, dẫn tới việc nhân viên tự dùng tài khoản cá nhân. Thứ hai là nơi lưu trữ dữ liệu và việc chuyển dữ liệu ra ngoài lãnh thổ, cần đối chiếu với các quy định về bảo vệ dữ liệu cá nhân của Việt Nam cùng chuyên gia pháp lý tại chỗ trước khi đưa dữ liệu nhân sự hoặc khách hàng lên nền tảng. Thứ ba là bản địa hóa quy tắc vận hành: phát quy chế bằng ngôn ngữ của tập đoàn sẽ không làm thay đổi hành vi của nhân viên tại nhà máy.

Về phân chia vai trò, cách làm thực tế là tập đoàn mẹ ban hành “chuẩn phòng thủ” gồm tiêu chuẩn bảo mật, hình thức hợp đồng và chính sách phân loại dữ liệu; còn nhà máy tại Việt Nam chủ động phần “triển khai ứng dụng”, tức quyết định áp dụng vào nghiệp vụ nào và theo cách nào. Người hiểu nghiệp vụ, ngôn ngữ, pháp luật và tập quán giao dịch tại chỗ là nhà máy, nên nếu tập đoàn can thiệp đến từng chi tiết thì quyết định sẽ chậm. Ngược lại, nếu để tiêu chuẩn bảo mật cho từng nhà máy tự quyết thì mỗi nơi một kiểu và sau này không thể hợp nhất. Thống nhất phạm vi áp dụng với bộ phận CNTT của tập đoàn trước khi bước vào quy trình phê duyệt là cách chắc chắn nhất để tránh làm lại.

AI tạo sinh có xử lý tốt tiếng Việt trong môi trường nhà máy không?

Tùy tình huống sử dụng, và phần lớn phụ thuộc vào chất lượng dữ liệu đầu vào hơn là vào mô hình. Dữ liệu hiện trường ở Việt Nam thường được nhập không dấu, viết tắt tùy người và trộn thuật ngữ tiếng Anh, nên nếu không chuẩn hóa thì kết quả tìm kiếm và phân loại sẽ kém. Việc xây dựng bảng thuật ngữ thống nhất cho tên thiết bị, tên công đoạn, mã lỗi và tên chi tiết thường mang lại cải thiện lớn hơn việc đổi mô hình. Bên cạnh các nền tảng quốc tế, hệ sinh thái trong nước do VNPT, Viettel, FPT và CMC dẫn dắt cũng là phương án cần cân nhắc khi doanh nghiệp có yêu cầu về hỗ trợ tại chỗ và nơi lưu trữ dữ liệu. Khuyến nghị chung là kiểm chứng độ chính xác bằng dữ liệu thật của chính nhà máy theo từng nhóm việc trước khi quyết định phạm vi triển khai.

Kết luận

Việc triển khai AI tạo sinh trong doanh nghiệp sản xuất tại Việt Nam năm 2026 không còn là bài toán chọn công cụ. Hành lang pháp lý đã hình thành với Luật Trí tuệ nhân tạo có hiệu lực từ 01/03/2026, Nghị quyết 57-NQ/TW đặt mục tiêu vào nhóm ba nước dẫn đầu ASEAN về nghiên cứu phát triển AI đến năm 2030, và Chiến lược chuyển đổi số quốc gia 2026–2030 đã được phê duyệt với dự báo hơn 40% doanh nghiệp nhỏ và vừa sẽ áp dụng model-as-a-service, AI agent và các giải pháp AI dùng chung. Hệ sinh thái nhà cung cấp trong nước do VNPT, Viettel, FPT và CMC dẫn dắt cũng đã trưởng thành. Khi thể chế và nhà cung cấp đều sẵn sàng, năng lực AI trở thành thứ ai cũng tiếp cận được — và khác biệt cạnh tranh dịch chuyển hoàn toàn sang câu hỏi dữ liệu nhà máy của bạn có kết nối được vào đó hay không.

Các khảo sát ở những thị trường đi trước đều chỉ về cùng một kết luận, dù đó là số liệu của Nhật Bản, số liệu của Thái Lan hay khảo sát doanh nghiệp toàn cầu, và dù không con số nào trong đó áp dụng trực tiếp cho Việt Nam: rào cản lớn nhất là tích hợp với hệ thống hiện có, khả năng truy cập cùng chất lượng dữ liệu, và sự thay đổi của tổ chức. AI làm thay đổi các con số kinh doanh khi nó chạm được vào dữ liệu quản lý sản xuất, chứng từ giấy và dữ liệu chuỗi thời gian của thiết bị. Nếu không kết nối tới đó, dù ký hợp đồng với mô hình mạnh đến đâu, kết quả cũng chỉ dừng ở việc soạn văn bản nhanh hơn. Hãy xác định vị trí hiện tại bằng số liệu của chính mình, dùng các tình huống không cần dữ liệu nội bộ để tổ chức làm quen, và song song chuẩn hóa dữ liệu cho những tình huống thực sự tạo ra giá trị. Hai nhánh song song đó là thiết kế thực tế nhất để không dừng lại ở PoC.

TOMAS TECH đồng hành cùng các doanh nghiệp sản xuất Nhật Bản tại ASEAN trong việc kết nối dữ liệu hiện trường với hệ thống nghiệp vụ, thông qua quản lý sản xuất và năng lượng, trực quan hóa nhà máy, giám sát thiết bị bằng IoT, AI-OCR và phát triển phần mềm theo yêu cầu. Nếu bạn đang ở giai đoạn “muốn dùng AI nhưng chưa rõ dữ liệu của mình đang ở trạng thái nào” hoặc “muốn sắp xếp lại vai trò giữa tập đoàn mẹ và nhà máy”, chúng tôi sẵn sàng trao đổi ngay từ khi kế hoạch còn chưa định hình. Việc cùng nhau sắp xếp lại hiện trạng thường đã đủ để nhìn ra bước đi tiếp theo. Bạn có thể liên hệ qua biểu mẫu liên hệ.

Tài liệu tham khảo

• VietnamPlus “Vietnam shapes AI ecosystem following 18-month implementation of Resolution 57” https://en.vietnamplus.vn/vietnam-shapes-ai-ecosystem-following-18-month-implementation-of-resolution-57-post347781.vnp
• VietnamPlus “Vietnam approves national digital transformation strategy for 2026-2030” https://en.vietnamplus.vn/vietnam-approves-national-digital-transformation-strategy-for-2026-2030-post348631.vnp
• Anthropic “How enterprises are building AI agents in 2026” (khảo sát hơn 500 lãnh đạo kỹ thuật, công bố ngày 09/12/2025) https://claude.com/blog/how-enterprises-are-building-ai-agents-in-2026
• Teikoku Databank “Khảo sát xu hướng doanh nghiệp về AI tạo sinh” (khảo sát 17–31/03/2026, số liệu của Nhật Bản) https://www.tdb.co.jp/report/economic/20260514-genai/
• Bangkok Post “AI adoption helps Thai firms become digitally mature” (Thailand Digital Outlook 2026, số liệu của Thái Lan) https://www.bangkokpost.com/business/general/3283789/ai-adoption-helps-thai-firms-become-digitally-mature
• Bangkok Post “Data quality concerns a barrier to adoption of AI” (khảo sát ETDA/NSTDA, số liệu của Thái Lan) https://www.bangkokpost.com/business/general/3051260/data-quality-concerns-a-barrier-to-adoption-of-ai
• ThaiPR “UOB Business Outlook Study 2026” (265 lãnh đạo tại Thái Lan, số liệu của Thái Lan) https://www.thaipr.net/en/business_en/3735803
• Unimon “Thailand PDPA AI Compliance Checklist” (quy định của Thái Lan) https://unimon.co.th/en/blog/thailand-pdpa-ai-compliance-checklist
• Renue “Hướng dẫn chi phí phát triển AI tạo sinh và giá PoC 2026” (mức giá thị trường Nhật Bản) https://renue.co.jp/posts/generative-ai-development-cost-poc-pricing-guide-2026
• SCB 10X “Introducing Typhoon 2 Thai LLM” (trường hợp của Thái Lan) https://www.scb10x.com/blog/introducing-typhoon-2-thai-llm