Ứng dụng AI tại hiện trường — đọc ví dụ thực tế theo 4 dạng dữ liệu

“Chúng tôi đã thu thập khoảng 10 ví dụ của các công ty khác. Cái nào gần với nhà máy chúng tôi nhất?” — đây là câu hỏi chúng tôi thường nhận được tại các nhà máy có vốn đầu tư Nhật Bản ở Thái Lan và Việt Nam. Tập tài liệu họ mang đến hầu như luôn được sắp xếp theo ngành nghề, gồm linh kiện ô tô, linh kiện điện tử, thực phẩm, gia công kim loại. Thế nhưng ngay cả khi chọn đúng ví dụ cùng ngành, mọi thứ hiếm khi diễn ra như trong tài liệu. Điều thực sự cần nhìn khi đọc một ví dụ ứng dụng AI tại hiện trường không phải là ngành nghề, mà là dạng dữ liệu mà nhà máy đó đã có sẵn từ trước khi ví dụ bắt đầu. Bài viết này trình bày cách phân loại các ví dụ đã thu thập vào 4 dạng dữ liệu và đối chiếu với nhà máy của bạn, với một tiêu chí phán đoán duy nhất xuyên suốt.

Vì sao tìm ví dụ ứng dụng AI tại hiện trường theo “ngành nghề” lại chệch hướng

Việc thu thập ví dụ có ích cho việc tạo đồng thuận nội bộ. Một câu như “công ty cùng ngành kia cũng đang làm” giúp tờ trình tiến thêm một bước. Vấn đề nảy sinh khi bạn dùng chính ví dụ đó làm căn cứ phán đoán xem nhà máy mình có tái hiện được hay không. Ví dụ được chọn vì lý do “cùng ngành” gần như không giúp dự đoán khả năng tái hiện. Lý do rất đơn giản — thứ được viết trong bài giới thiệu ví dụ là kết quả, còn các điều kiện tiền đề để có kết quả đó thì không được viết ra.

Ví dụ chỉ ghi kết quả, còn điều kiện tiền đề thì không được ghi

Hầu hết các ví dụ triển khai được công bố đều có cùng một cấu trúc. Có vấn đề, đưa AI vào, đạt kết quả. Ba đoạn này dễ đọc và đúng chuẩn của một bài viết. Nhưng cấu trúc đó luôn lược bỏ một thông tin, đó là “vào thời điểm quyết định triển khai, nhà máy đó đã có sẵn những gì”.

Khi thực sự bắt tay tái hiện một ví dụ, bạn sẽ cần những thông tin dưới đây. Và chúng gần như không bao giờ xuất hiện trong các ví dụ công khai.

Cột bên phải chính là những biến số quyết định thành bại của việc triển khai AI. Nếu chỉ nhìn cột bên trái rồi kết luận “chỗ mình chắc cũng làm được tương tự”, thì sau khi khởi động, từng dòng ở cột phải sẽ lần lượt hiện ra thành vấn đề. Điều cần nhìn khi đọc một ví dụ ứng dụng AI tại hiện trường không phải con số kết quả, mà là điều kiện tiền đề mà nhà máy đó đã có trước khi ví dụ bắt đầu.

Đi sâu thêm một chút, các điều kiện tiền đề chia thành hai nhóm lớn. Nhóm thứ nhất là tiền đề về dữ liệu, tức dữ liệu ở định dạng nào, tồn tại trong khoảng thời gian bao lâu, với chất lượng ra sao. Nhóm thứ hai là tiền đề về tổ chức, tức trong công ty có người quyết định đâu là đáp án đúng hay không, hiện trường có chỗ để tiếp nhận kết quả hay không. Trong hai nhóm này, tiền đề về tổ chức có thể chuẩn bị xong trong khoảng 3 tháng nếu có nỗ lực và thiết kế hợp lý. Nhưng nếu thiếu tiền đề về dữ liệu thì bạn không thể quay ngược thời gian để tạo ra dữ liệu quá khứ. Đây là khác biệt mang tính quyết định.

Cùng một thiết bị, không có dữ liệu thì không tái hiện được cùng một ví dụ

Hãy xét một ví dụ cụ thể. Giả sử có ba nhà máy cùng sở hữu máy ép phun cùng hãng, cùng model. Thiết bị hoàn toàn giống nhau. Bây giờ ta thử áp một ví dụ “dự đoán lỗi ép phun bằng AI” vào cả ba.

Nhà máy A đã bắt đầu thu thập tín hiệu từ thiết bị qua gateway cách đây 3 năm, lưu lại nhiệt độ, áp suất và thời gian chu kỳ theo từng chu kỳ ép với chu kỳ ghi 1 giây. Thời điểm và lô hàng phát sinh lỗi cũng đối chiếu được từ hồ sơ kiểm tra. Nhà máy này thực sự có thể làm được điều gần giống ví dụ, vì đã có sẵn cả dữ liệu bình thường lẫn dữ liệu bất thường để huấn luyện.

Nhà máy B có màn hình thiết bị hiển thị đúng những giá trị đó, nhưng không lưu lại. Mỗi ngày hai lần, tổ trưởng chép giá trị đại diện vào báo cáo giấy. Nhà máy này cũng làm được điều tương tự, nhưng trước hết cần một khoảng thời gian để tích lũy dữ liệu. Nếu là công đoạn mà bất thường chỉ xảy ra vài lần mỗi tháng, phải mất từ nửa năm đến một năm mới gom đủ các trường hợp bất thường dùng được cho huấn luyện. Câu “có hiệu quả sau 3 tháng triển khai” trong ví dụ không áp dụng được cho nhà máy này. Không áp dụng được không phải vì năng lực, mà vì thời gian.

Nhà máy C có lưu dữ liệu, nhưng mỗi lần thay thiết bị hoặc đổi khuôn thì định dạng ghi lại thay đổi, và không ai biết dữ liệu thời điểm nào được lấy trong điều kiện nào. Tình trạng này thực ra còn rắc rối hơn nhà máy B vốn không có dữ liệu. Dữ liệu “có mà không dùng được” bắt bạn đốt công sức khảo sát trước đã, rồi mới cho bạn biết rằng nó không dùng được.

Ba nhà máy có thiết bị giống nhau, ngành nghề giống nhau, sản phẩm cũng tương tự. Vậy mà chỉ nhà máy A tái hiện được cùng một ví dụ với cùng tốc độ. Thứ tạo ra khác biệt không phải ngành nghề, mà là sự tồn tại và chất lượng của dữ liệu. Chính vì vậy, phân loại ví dụ theo ngành nghề là vô nghĩa.

Các con số năm 2026 của Thái Lan và Nhật Bản cho thấy cấu trúc “dừng ở giai đoạn cơ bản”

Chuyện “không diễn ra như trong ví dụ” không phải hoàn cảnh riêng của một nhà máy nào, mà hiện lên rất rõ trong thống kê. Xếp cạnh nhau các khảo sát công bố năm 2026, ta thấy cùng một cấu trúc.

Theo báo cáo khảo sát “Unlocking Thailand’s AI Potential 2026” của AWS, tỷ lệ doanh nghiệp Thái Lan sử dụng AI là 43%, tăng mạnh so với mức 32% của năm trước. Xét theo ngành, tài chính đạt 65% và công nghệ thông tin đạt 64%, còn ngành chế tạo là 48%. Nếu chỉ nhìn con số, khoảng một nửa doanh nghiệp chế tạo tại Thái Lan đang dùng AI dưới hình thức nào đó.

Nhưng cũng chính báo cáo đó chỉ ra cơ cấu bên trong. Trong số doanh nghiệp đã triển khai, 74% vẫn dừng ở giai đoạn “cơ bản”, tức đang dùng các công cụ có sẵn dùng ngay như chatbot đóng gói. Số đạt tới giai đoạn “tiên tiến” — xây mô hình bằng dữ liệu của chính mình và nhúng vào quy trình nghiệp vụ — chỉ có 9%. Ngoài ra, tổ chức có chính sách quản trị nội bộ về sử dụng AI chiếm 19%, và 56% lãnh đạo nêu thiếu hụt nhân lực là thách thức.

Trong khảo sát toàn cầu do Microsoft thực hiện (công bố tại AI Tour Bangkok 2026), tốc độ tăng trưởng mức độ phổ cập AI của Thái Lan là 36,4% so với năm trước, đứng thứ hai thế giới sau Hàn Quốc. Mặt khác, 87,6% dân số vẫn chưa sử dụng AI. Tăng trưởng nhanh, nhưng độ phủ chưa rộng. Hai điều này không mâu thuẫn nhau.

Các con số phía Nhật Bản cũng chỉ về cùng một hướng. Theo Sách trắng ngành chế tạo bản năm 2026 (được nội các Nhật Bản thông qua ngày 29 tháng 5 năm 2026), khoảng 70% doanh nghiệp có thu thập dữ liệu trong quy trình sản xuất, nhưng chỉ khoảng 40% doanh nghiệp thực sự khai thác dữ liệu đó và thu được hiệu quả. Giữa “thu thập” và “khai thác” tồn tại khoảng cách chừng 30 điểm phần trăm. Bộ Kinh tế, Thương mại và Công nghiệp Nhật Bản cũng đưa ra ý tưởng về các trung tâm chuyển đổi sản xuất, nơi tập hợp dữ liệu gia công và dữ liệu vận hành để hiện thực hóa các mô hình AI.

Trong “Khảo sát xu hướng ứng dụng AI và dữ liệu 2026” do primeNumber công bố ngày 17 tháng 7 năm 2026 (373 người trả lời), nhóm kỳ vọng vào AI chiếm 64,9%, trong khi nhóm thu được kết quả rõ ràng chỉ là 16,4%. Về chất lượng dữ liệu, 26,2% cho biết “là vấn đề của toàn công ty” và 13,9% cho biết “hoàn toàn chưa được chuẩn hóa”.

Xếp các con số này cạnh nhau, ta thấy một cấu trúc chung. Bắt đầu dùng AI đã trở nên dễ dàng. Cái khó là kết nối AI với dữ liệu của chính hiện trường mình. Chatbot đóng gói không cần dữ liệu nội bộ, nên ai cũng có thể dùng ngay hôm nay, và vì thế tỷ lệ sử dụng tăng lên. Nhưng kiểm tra ngoại quan, bảo trì dự đoán hay dự báo nhu cầu thì không chạy được nếu thiếu dữ liệu sinh ra từ chính hiện trường của bạn. Chính tại đây, 74% dừng lại và chỉ 9% đi tiếp.

Nói cách khác, phần lớn nguyên nhân khiến ví dụ không tái hiện được không nằm ở hiệu năng của AI hay ở việc chọn nhà cung cấp, mà nằm ở khoảng cách về tiền đề dữ liệu giữa doanh nghiệp trong ví dụ và doanh nghiệp bạn. Nếu vậy, trục để phân loại ví dụ cũng phải là dữ liệu, chứ không phải ngành nghề.

Phân loại ví dụ ứng dụng AI tại hiện trường theo 4 dạng dữ liệu

Từ đây là phần trọng tâm của bài viết. Hãy phân loại các ví dụ của công ty khác mà bạn đang có vào một trong 4 dạng dưới đây. Tiêu chí phân loại là dữ liệu chính mà ví dụ đó cần để vận hành được là gì.

• Dạng 1 — Hình ảnh: ảnh tĩnh và video chụp bằng camera
• Dạng 2 — Chuỗi thời gian: dãy số phát ra theo chu kỳ cố định từ thiết bị hoặc đồng hồ đo
• Dạng 3 — Tài liệu và văn bản: quy trình thao tác, ghi chú trên bản vẽ, báo cáo ngày, câu hỏi nội bộ, tin nhắn
• Dạng 4 — Số liệu thực tế: sản lượng, xuất hàng, tồn kho, giá thành và các bản ghi dạng bảng

Bốn dạng này khác nhau hoàn toàn về tiền đề dữ liệu cần có, về chỗ dễ vấp và về thời gian tới khi có hiệu quả. Ngược lại, nếu cùng dạng thì dù khác ngành, dự đoán về khả năng tái hiện vẫn chính xác. Ví dụ kiểm tra ngoại quan ở một nhà máy thực phẩm tại Thái Lan và ví dụ kiểm tra ngoại quan ở một nhà máy linh kiện điện tử tại Nhật Bản khác ngành nhau, nhưng vì cùng dạng 1 nên phần chuẩn bị cần thiết gần như y hệt. Trong khi đó, cùng một nhà máy linh kiện ô tô, ví dụ kiểm tra ngoại quan (dạng 1) và ví dụ dự báo nhu cầu (dạng 4) lại không có một thứ nào trùng nhau về những gì cần chuẩn bị.

Trước hết hãy so sánh 4 dạng trong một bảng tổng quan.

Cột “tốc độ khởi động” trong bảng này không do độ khó kỹ thuật quyết định, mà do dữ liệu đã nằm sẵn trong tay bạn hay chưa. Dạng 3 và dạng 4 nhanh vì phần lớn nhà máy đã có sẵn dữ liệu đó. Dạng 1 chậm vì phần lớn nhà máy chưa hề chụp và lưu trữ ảnh sản phẩm.

Dạng 1. Hình ảnh — camera AI, kiểm tra ngoại quan, giám sát an toàn

Đây là dạng có nhiều ví dụ nhất, được kỳ vọng nhiều nhất, và cũng là dạng mà báo giá lệch với thực tế nhiều nhất. Nó bao gồm phát hiện vết xước, sứt mẻ, bẩn; kiểm tra sự hiện diện và chiều lắp của chi tiết; vị trí dán nhãn; kiểm tra trang bị bảo hộ của người lao động; phát hiện xâm nhập khu vực cấm.

Đặc điểm lớn nhất của dạng này là hầu hết nhà máy chưa hề có dữ liệu cần thiết. Khác với chuỗi thời gian hay số liệu thực tế, rất hiếm nhà máy chụp và lưu ảnh sản phẩm trong quá khứ. Nghĩa là để tái hiện một ví dụ dạng 1, bạn phải bắt đầu việc thu thập dữ liệu từ con số không.

Rắc rối hơn nữa, với hình ảnh thì cách làm “cứ chụp đại rồi tính sau” rất khó dùng được. Khi hướng chiếu sáng, góc camera, nền phía sau hay cách đặt sản phẩm thay đổi, cùng một lỗi cũng trông thành thứ khác. Chuyện vài nghìn tấm ảnh thu thập trong điều kiện chụp chưa ổn định trở nên vô dụng ngay khoảnh khắc bạn cố định lại điều kiện là chuyện thường gặp. Ở dạng 1, thứ ngốn thời gian nhất không phải huấn luyện mô hình, mà là công đoạn quyết định và cố định điều kiện chụp.

Điều cần xử lý trước tiên tại hiện trường là vấn đề “định nghĩa lỗi khác nhau tùy người”. Nếu cho ba nhân viên kiểm tra cùng xem một sản phẩm mà kết quả phán định không thống nhất, thì huấn luyện AI trong trạng thái đó chỉ tái tạo lại đúng sự thiếu thống nhất ấy. Trước khi đưa AI vào, cần cố định tiêu chuẩn kiểm tra bằng văn bản và mẫu giới hạn, và đây là việc của bộ phận đảm bảo chất lượng chứ không phải của kỹ thuật.

Một điểm nữa dễ gây lệch kỳ vọng là cách nói “tỷ lệ thành phẩm sẽ tăng”. AI kiểm tra ngoại quan là thứ phát hiện lỗi, chứ không phải thứ làm giảm lỗi. Nó có tác dụng ngăn lỗi lọt ra ngoài và giảm giờ công kiểm tra, nhưng muốn hạ chính tỷ lệ phát sinh thì phải cải tiến ở phía công đoạn. Khi đọc con số trong mục kết quả của một ví dụ, hãy phân biệt rõ nó nói về việc lọt lỗi hay về việc phát sinh lỗi.

Cách triển khai cụ thể của dạng này, cách tính số lượng ảnh cần thiết và cách chạy song song với công đoạn kiểm tra hiện hữu đã được chúng tôi sắp xếp riêng trong bài quy trình triển khai AI kiểm tra ngoại quan. Nếu ví dụ trong tay bạn được xếp vào dạng 1, đọc tiếp bài đó là con đường ngắn nhất.

Dạng 2. Chuỗi thời gian — phát hiện bất thường thiết bị, bảo trì dự đoán, năng lượng

Đây là dạng dùng dãy số phát ra từ thiết bị theo chu kỳ cố định, gồm dòng điện động cơ, độ rung ổ trục, nhiệt độ dầu, áp suất, thời gian chu kỳ, điện năng tiêu thụ. Phát hiện bất thường, bảo trì dự đoán, phát hiện tiêu thụ điện bất thường, phân tích tương quan giữa chất lượng và điều kiện công đoạn đều thuộc nhóm này.

Đặc điểm của dạng 2 là dễ tự động hóa việc thu thập dữ liệu, nhưng không thể mua được thời gian. Tín hiệu từ thiết bị, một khi đã đấu nối, sẽ tiếp tục tích lũy mà không cần nhân lực. Gánh nặng cho hiện trường thuộc loại nhỏ nhất trong 4 dạng. Tuy nhiên, muốn học được bất thường thì bất thường phải xảy ra đã. Để dự đoán hỏng hóc của một thiết bị mỗi năm chỉ hỏng hai lần, bạn phải hoặc gom hai lần đó qua nhiều năm, hoặc thiết kế bài toán theo hướng coi bất thường là độ lệch khỏi trạng thái bình thường.

Nếu hiểu nhầm điểm này rồi lập kế hoạch “làm bảo trì dự đoán trong nửa năm”, thì sau nửa năm thứ bạn có trong tay sẽ chỉ toàn dữ liệu bình thường. Vì vậy, khi đọc ví dụ dạng 2, hãy luôn kiểm tra xem nhà máy đó bắt đầu lấy dữ liệu từ khi nào. Phần lớn trường hợp điều này không được viết ra, nhưng chính việc không được viết ra lại là căn cứ để suy đoán rằng họ đã lấy dữ liệu từ nhiều năm trước khi triển khai.

Điều hay bị bỏ sót ở dạng này là “hồ sơ ngày giờ xảy ra bất thường” mới là thứ khó lấy hơn. Giá trị cảm biến tự động tích lũy, nhưng thông tin kiểu “ngày này đã thay ổ trục”, “ngày này lỗi phát sinh hàng loạt” nhiều khi chỉ nằm trên giấy trong hồ sơ bảo trì hay báo cáo ngày. Chỉ có dãy số mà không dán được đáp án đúng lên đó thì việc huấn luyện không thể thực hiện được. Trong khâu chuẩn bị cho dạng 2, thứ thực sự cần bắt tay vào thường không phải cảm biến, mà là số hóa hồ sơ bảo trì.

Cái bẫy thứ hai nằm ở thiết kế cảnh báo. Việc kỹ thuật phát hiện được và việc hiện trường hành động được là hai chuyện khác nhau. Nếu chỉ hiển thị “có dấu hiệu bất thường”, người phụ trách bảo trì không biết phải làm gì. Thiết bị nào, bộ phận nào, hạn tới khi nào, làm việc gì. Quyết định đến mức đó thì mới đưa được vào vận hành. Cách thiết kế bảo trì dự đoán và cách chuyển cảnh báo thành thao tác cụ thể tại hiện trường được trình bày trong bài xây dựng hệ thống bảo trì dự đoán.

Dạng 3. Tài liệu và văn bản — tra cứu quy trình, giải đáp, báo cáo ngày, đa ngôn ngữ

Quy trình thao tác, sổ tay thiết bị, hồ sơ xử lý sự cố trong quá khứ, báo cáo bất thường chất lượng, phần ghi chú trong báo cáo ngày, các câu hỏi nội bộ. Đây là dạng dùng những thông tin dạng chữ đó. Nó bao gồm tra cứu quy trình, trả lời câu hỏi, tóm tắt báo cáo và chuyển đổi đa ngôn ngữ.

Trong 4 dạng, đây là dạng có khả năng khởi động nhanh nhất. Lý do rất đơn giản, vì phần lớn nhà máy đã sẵn có những tài liệu này. Trong máy chủ tệp đang nằm im hàng nghìn tệp PDF, Excel và Word. Không cần gắn cảm biến mới, cũng không cần lắp camera.

Tại các nhà máy có vốn đầu tư Nhật Bản ở Việt Nam và Thái Lan, dạng này đặc biệt hiệu quả. Bởi tình trạng bản gốc tiếng Nhật, bản tiếng Anh và bản tiếng địa phương cùng tồn tại mà không ai biết bản nào mới nhất là chuyện rất phổ biến. Công nhân chỉ đọc được tiếng Việt, quản lý người Nhật chỉ có bản tiếng Nhật, và hai bên nói hai điều khác nhau. Về bản chất đây là vấn đề quản lý tài liệu chứ chưa liên quan tới AI. Tuy nhiên, trong quá trình đưa AI vào, bạn buộc phải quyết định đâu là bản chính, nên tài liệu được sắp xếp gọn lại như một hiệu ứng phụ tích cực.

Điều nguy hiểm nhất ở dạng này là trả lời bằng bản cũ với vẻ đầy tự tin. Người thao tác được đưa cho quy trình trước khi sửa đổi có nguy cơ làm đúng theo đó. Biện pháp đối phó không nằm ở phía kỹ thuật mà ở phía vận hành, gói gọn trong việc quyết định trước “thư mục nào, phiên bản nào là bản chính”. Việc sắp xếp này vốn dĩ nên làm ngay cả khi không đưa AI vào.

Thêm nữa, các chỉ dẫn nằm trong bản vẽ hay trạng thái hiện trên ảnh chụp không phải là thông tin dạng chữ, nên dạng này không lấy được. Ở những công đoạn mà ghi chú trên bản vẽ đóng vai trò quan trọng, bạn sẽ cần kết hợp dạng 3 với dạng 1. Cách xây dựng cơ chế dùng tài liệu nội bộ cho tra cứu và trả lời, cách phân tách quyền truy cập và thông tin mật được trình bày chi tiết trong bài xây dựng RAG từ tài liệu kỹ thuật của nhà máy.

Dạng 4. Số liệu thực tế — dự báo nhu cầu, kế hoạch sản xuất, tồn kho, giá thành

Đây là dạng dùng các con số đã nằm sẵn trong hệ thống dưới dạng bảng, gồm sản lượng thực tế, xuất hàng thực tế, đơn hàng, tồn kho, giá thành, tỷ lệ vận hành. Nó bao gồm dự báo nhu cầu, hỗ trợ lập kế hoạch sản xuất, tối ưu tồn kho và phân tích yếu tố biến động giá thành.

Giống dạng 3, đây cũng là dạng có xác suất cao rằng dữ liệu đã có sẵn trong công ty. Nhà máy đang dùng hệ thống quản lý sản xuất hoặc quản lý bán hàng hẳn đã tích lũy số liệu thực tế của vài năm qua. Vì không cần đầu tư mới, hoặc chỉ cần đầu tư nhỏ, đây cũng là dạng hay được chọn cho dự án đầu tiên.

Tuy vậy, có sẵn không có nghĩa là dùng được ngay. Thứ thường xuyên xảy ra ở dạng 4 là sự không khớp của dữ liệu chủ. Cùng một sản phẩm mang nhiều mã hàng, hệ thống mã hàng bị đổi giữa chừng, đơn vị tính lẫn lộn giữa cái và thùng, mỗi cơ sở dùng một bộ mã riêng. Đây không phải tình trạng không có dữ liệu, mà là tình trạng dữ liệu không đồng nhất.

Điểm đặc thù của dạng 4 là ai sẽ dùng con số được đưa ra. Dù độ chính xác dự báo có cải thiện, nhưng nếu người quyết kế hoạch sản xuất là nhân sự ở trụ sở chính và dự báo của cơ sở địa phương chỉ được coi là số tham khảo, thì nghiệp vụ chẳng thay đổi gì. Khi đọc ví dụ dạng này, song song với con số kết quả, hãy tìm xem “dựa trên dự báo đó, phán đoán của ai và phán đoán nào đã thay đổi”. Ví dụ không viết ra điều đó có khả năng là độ chính xác đã tăng nhưng nghiệp vụ không đổi.

Cách đọc biến động nhu cầu và cách xác định nên đòi hỏi độ chính xác dự báo tới đâu được trình bày trong bài triển khai AI dự báo nhu cầu. Nếu ví dụ của bạn được xếp vào dạng 4, hãy tham khảo thêm bài đó.

Ba câu hỏi để phân loại ví dụ trong tay bạn

Bây giờ hãy đưa 4 dạng nói trên vào công việc phân loại thực tế. Với từng ví dụ trong tay, hãy kiểm tra lần lượt ba điều sau.

Câu hỏi 1 — dữ liệu chính mà ví dụ này cần để vận hành là gì. Là ảnh từ camera, là dãy số từ thiết bị, là tài liệu, hay là bảng số liệu thực tế trong hệ thống? Nếu không quy về một thứ được, đó là ví dụ kết hợp nhiều dạng. Trong trường hợp đó, hãy coi thứ khó lấy nhất là dữ liệu chính. Độ khó của ví dụ kết hợp luôn bị kéo về phía khó chứ không phải phía dễ.

Câu hỏi 2 — công ty bạn đã có sẵn dữ liệu cùng dạng đó chưa. Hãy phán đoán bằng chữ “đã có”, chứ không phải chữ “lấy được”. Câu “gắn cảm biến vào là lấy được” đồng nghĩa với “chưa có”, vì bạn vẫn cần thời gian tích lũy từ bây giờ.

Câu hỏi 3 — bạn có dán được đáp án đúng lên dữ liệu đó không. Với ảnh là phán định đạt hay không đạt, với chuỗi thời gian là ngày giờ xảy ra bất thường, với tài liệu là bản nào mới nhất, với số liệu thực tế là bảng ánh xạ mã hàng. Chừng nào chưa quyết được ai làm công việc dán đáp án đúng, thì dù có dữ liệu cũng không dùng được để huấn luyện.

Chỉ những ví dụ trả lời được cả ba câu hỏi mới đáng để công ty bạn cân nhắc. Ví dụ dừng ở câu hỏi 2 nên được xếp vào nhóm “hiện chưa làm được, nhưng nếu bắt đầu tích lũy dữ liệu thì sau 1 đến 2 năm sẽ khả thi”. Ví dụ dừng ở câu hỏi 3 thì hãy chuyển sang bàn về tổ chức chứ không phải bàn về AI.

Ba việc mà các nhà máy tăng năng suất nhờ AI đã làm từ trước

Khi đã phân loại xong theo dạng, bước tiếp theo là cách tiến hành. Từ đây trở đi, mọi thứ đều chung cho cả 4 dạng. Khi tham gia các dự án tại nhà máy có vốn đầu tư Nhật Bản ở Thái Lan và Việt Nam, đây chính là ba việc chúng tôi làm đầu tiên. Nói ngược lại, dự án bỏ qua ba việc này sẽ không suôn sẻ ngay cả khi đã chọn đúng dạng.

Thu hẹp về một công đoạn (AI cải tiến công đoạn không bắt đầu từ nhân rộng)

Thất bại phổ biến nhất là ngay từ đầu đã đặt mục tiêu nhiều công đoạn và nhiều chuyền. Lý do thì dễ hiểu, đã đầu tư thì muốn hiệu quả trông thật lớn, và tờ trình cũng dễ được duyệt hơn. Nhưng triển khai nhiều thứ cùng lúc sẽ sinh ra các vấn đề sau.

Thứ nhất, bạn không còn biết mình tắc ở đâu. Khi kết quả không như ý, bạn không tách được nguyên nhân nằm ở dữ liệu, ở cấu hình hay ở vận hành tại hiện trường. Nếu chỉ có một đối tượng, chỗ tắc luôn xác định được.

Thứ hai, gánh nặng cho hiện trường phát sinh đồng thời. Gán nhãn đúng, kiểm tra màn hình, phản hồi lại kết quả — tất cả đều là việc cộng thêm lên công việc thường ngày. Một công đoạn thì còn nói được “tháng này hơi bận”, nhưng năm công đoạn cùng lúc thì công việc thường ngày không chạy nổi và bạn sẽ mất sự hợp tác của hiện trường.

Thứ ba, chi phí làm lại tăng gấp năm lần. Dự án đầu tiên chắc chắn phải làm lại. Xuất hiện loại lỗi ngoài dự tính, hiện trường không dùng, ngày chốt số không khớp. Một dự án thì làm lại một lần, năm dự án cùng lúc thì bạn ôm năm lần làm lại cùng một thời điểm.

Tiêu chí để thu hẹp không phải độ lớn của hiệu quả, mà là “khi tắc, bạn có xác định được nguyên nhân không”. Cụ thể hơn, hãy chọn công đoạn nằm trong phạm vi một người phụ trách nắm được toàn cảnh, phạm vi mà nguồn phát sinh dữ liệu gói trong 1 đến 2 chỗ, và phạm vi mà người kiểm tra kết quả có mặt tại hiện trường đó mỗi ngày. Công đoạn có hiệu quả lớn thường liên quan tới nhiều bên và không thỏa mãn ba điều kiện này.

Cần nói thêm, “thu hẹp” không có nghĩa là “thử nhỏ rồi thôi”. Mục đích của dự án đầu tiên không phải tạo ra hiệu quả, mà là làm cho báo giá của dự án thứ hai trở đi trở nên chính xác. Dự án đầu tiên sẽ cho bạn biết dữ liệu của công ty bẩn tới mức nào, gán đáp án đúng mất bao nhiêu phút cho mỗi đơn vị, và hiện trường sử dụng màn hình ra sao. Biết được ba điều đó thì từ dự án thứ hai, kế hoạch sẽ trở nên thực tế.

Quyết định trước ai tạo ra dữ liệu đáp án đúng

Cho AI phán đoán một điều gì đó nghĩa là phải có ai đó quyết định phán đoán nào là đúng. Dự án chưa quyết trước “ai đó” này chắc chắn sẽ dừng giữa chừng.

Cụ thể, bạn cần ba thứ sau.

Thứ nhất là người có thẩm quyền quyết định đáp án đúng. Với kiểm tra ngoại quan là nhân sự đảm bảo chất lượng có quyền phán định cuối cùng đạt hay không đạt. Với bảo trì dự đoán là kỹ thuật viên bảo trì kỳ cựu đủ khả năng phán định độ rung này có bất thường hay không. Với quy trình thao tác là bộ phận kỹ thuật có quyền quyết bản nào là bản chính. Nếu người này kiêm nhiệm quá nhiều việc, dự án chắc chắn trễ hạn.

Thứ hai là bảo đảm thời gian làm việc. Gán đáp án đúng không thể làm tranh thủ. Gán đạt hay không đạt cho 1.000 tấm ảnh, dù đã quen tay, cũng mất vài giờ. Việc có công nhận khoảng thời gian này là công việc chính thức hay không là quyết định của ban lãnh đạo, không phải của hiện trường. Nếu để mập mờ rồi nhờ “lúc nào rảnh thì làm giúp”, dữ liệu sẽ không bao giờ đủ.

Thứ ba là quy tắc khi các phán định không thống nhất. Khi hai nhân viên kiểm tra cho hai kết quả khác nhau, sẽ lấy kết quả nào? Theo đa số, theo người cấp cao hơn, hay coi cả hai là “tạm hoãn phán định” và loại khỏi dữ liệu huấn luyện? Không quyết trước quy tắc này thì công việc sẽ đứng lại ngay khoảnh khắc hai phán định mâu thuẫn nhau.

Nhìn bảng này có thể thấy bộ phận cần lôi kéo vào cuộc khác nhau hoàn toàn theo từng dạng. Dạng 1 là đảm bảo chất lượng, dạng 2 là bảo trì, dạng 3 là kỹ thuật, dạng 4 là quản lý sản xuất và kinh doanh. Dạng dữ liệu bạn chọn sẽ quyết định sơ đồ tổ chức của dự án AI. Trong 4 dạng, không có dạng nào mà riêng bộ phận công nghệ thông tin có thể tự làm.

Cách đo hiệu quả cũng cần được quyết ở đúng thời điểm này. Nếu không diễn đạt thành lời “thế nào là thành công” trước khi khởi động, thì sau khi hệ thống chạy, các đánh giá sẽ không thống nhất với nhau. Việc thiết kế đo lường được trình bày trong bài phương pháp đo hiệu quả triển khai AI, nên đọc qua ngay từ giai đoạn làm tờ trình sẽ giúp việc giải trình về sau nhẹ nhàng hơn.

Làm tới tận màn hình mà hiện trường sử dụng (lý do lớn nhất khiến AI không bám rễ)

Kết cục “kỹ thuật thì thành công nhưng không ai dùng” xảy ra rất thường xuyên. Nguyên nhân hầu hết là chưa tạo ra chỗ để tiếp nhận kết quả.

Kết quả phán định nằm trên màn hình quản trị trên đám mây, nhưng hiện trường không có máy tính. Cảnh báo bay đi bằng thư điện tử, nhưng công nhân không xem thư. Giá trị dự báo xuất ra tệp CSV, nhưng chưa ai được giao nhiệm vụ nhìn vào đó để sửa kế hoạch. Những tình trạng như vậy không phải thất bại kỹ thuật, mà là lỗ hổng trong thiết kế.

Hình thức thực sự vận hành được tại hiện trường trông như sau.

• Thêm vào màn hình đã có sẵn. Thay vì tăng thêm một hệ thống mới, việc thêm một mục vào màn hình lệnh sản xuất hoặc thiết bị đầu cuối kiểm tra mà công nhân nhìn mỗi ngày cho tỷ lệ bám rễ cao hơn hẳn.
• Viết ra tới tận phán đoán. Đừng hiển thị “điểm bất thường 0,87”, hãy hiển thị “trục chính máy số 3, kiểm tra trong tuần này”. Đừng đẩy việc diễn giải con số sang cho hiện trường.
• Tạo lối để phản hồi cái sai. Khi AI phán định sai, hiện trường có chỗ nào để bấm một chạm báo “cái này sai” hay không. Không có chỗ đó thì độ chính xác sẽ đóng băng ở mức ban đầu, và hiện trường kết luận “đoán chẳng trúng” rồi ngừng dùng.
• Khớp ngôn ngữ. Đưa màn hình tiếng Anh vào một hiện trường đang làm việc bằng tiếng Việt thì chỉ riêng điều đó đã đủ khiến nó không được dùng.

Tại các nhà máy ở Việt Nam và Thái Lan, điểm cuối cùng có sức ảnh hưởng lớn hơn nhiều so với hình dung thông thường. Chuyện đào tạo lúc triển khai bằng tiếng Anh, khởi động vận hành với màn hình để nguyên tiếng Anh, rồi ba tháng sau phát hiện chẳng ai nhìn vào, là chuyện không hiếm. Hãy hiển thị bằng ngôn ngữ hiện trường sử dụng, tại nơi hiện trường nhìn mỗi ngày, dưới hình thức một phán đoán. Hội đủ ba điều này thì AI mới bắt đầu có cơ hội bám rễ vào hiện trường.

Ngoài ra, muốn bám rễ thì cần có sự tham gia sau khi vận hành đã bắt đầu. Trong 3 tháng đầu, sai lệch phán định là chuyện bình thường, và nếu không có người chuyên trách nhặt các sai lệch đó về để sửa, niềm tin của hiện trường sẽ mất đi rất nhanh. Về việc vận hành theo cơ cấu nào sau khi triển khai và ai tiếp nhận việc cải tiến, chúng tôi đã sắp xếp trong bài hỗ trợ đưa AI bám rễ vào vận hành. Trong khảo sát nêu ở trên, 74% doanh nghiệp đã triển khai vẫn dừng ở giai đoạn cơ bản, và thứ quyết định ai đi tiếp được không phải độ chính xác của mô hình mà chính là thiết kế sau khi vận hành khởi động.

Thực hành khi bắt đầu ứng dụng AI tại hiện trường ở nhà máy có vốn Nhật Bản tại ASEAN

Tới đây là câu chuyện về dạng dữ liệu và cách tiến hành. Cuối cùng, hãy sắp xếp lại những điều kiện chỉ phát huy tác dụng khi bạn thực sự triển khai tại cơ sở ở Việt Nam hoặc Thái Lan. Kế hoạch được soạn ở trụ sở chính Nhật Bản rồi bê nguyên sang đây chắc chắn sẽ vướng đúng ở phần này.

Tiền đề đặc thù của cơ sở tại ASEAN (đa ngôn ngữ, biến động nhân sự, quản lý song trùng với trụ sở chính)

Đa ngôn ngữ là cửa ải đầu tiên. Quy trình thao tác có bản gốc tiếng Nhật, có bản tiếng Anh, và có bản tiếng địa phương. Thứ công nhân đọc là bản tiếng địa phương, còn thứ làm căn cứ cho phán đoán lại là bản tiếng Nhật. Trong các dự án xử lý tài liệu (dạng 3), không quyết được lấy lớp nào trong ba lớp đó làm bản chính thì không thể bắt đầu. Hiển thị trên màn hình cũng vậy, cần thiết kế tách ngôn ngữ cho cấp quản lý và cho công nhân. Ở nhà máy có công nhân nói thêm ngôn ngữ khác, độ phức tạp còn tăng thêm một bậc.

Biến động nhân sự tác động lên thiết kế vận hành. Thiết kế mà chỉ cần người phụ trách đổi là vận hành dừng lại, tức là trạng thái quy trình chỉ nằm trong đầu một cá nhân, sẽ không trụ được ở các cơ sở trong khu vực. Cần đưa các công việc hằng tháng vào một trang giấy để bất kỳ ai tiếp nhận cũng làm được đúng như vậy. Nhìn thì thấy phiền, nhưng thực tế đây là công việc có hiệu quả chi phí rất cao.

Quản lý song trùng với trụ sở chính cũng xuất hiện thường xuyên. Dữ liệu chủ về mặt hàng tồn tại ở cả phía trụ sở chính lẫn phía cơ sở địa phương, sửa một bên thì bên kia vẫn còn nguyên. Kết quả dự báo và kế hoạch được đưa ra ở địa phương, nhưng một hệ thống khác ở trụ sở chính mới được coi là chuẩn. Đưa AI vào trong tình trạng này thì “con số của AI” và “con số của trụ sở chính” sẽ cùng tồn tại, và hiện trường không biết nên tin bên nào. Trước khi khởi động, hãy thống nhất với trụ sở chính xem con số nào là chuẩn. Đây không phải công việc kỹ thuật, nhưng bỏ qua nó thì về sau chắc chắn phải quay lại.

Bài cách tiến hành triển khai AI tại Thái Lan tổng hợp cách tiến hành tổng thể, cách phân chia vai trò với nhà cung cấp bản địa và cách giải trình với trụ sở chính tại Nhật Bản. Bài đó lấy bối cảnh Thái Lan, nhưng ba chủ đề vừa nêu là chung cho mọi cơ sở có vốn đầu tư Nhật Bản trong khu vực, nên khi lập kế hoạch từ nhà máy tại Việt Nam bạn vẫn dùng lại được phần lớn nội dung.

Cách nghĩ về ngân sách, còn các chính sách ưu đãi thì chỉ nên “kiểm tra điều kiện mới nhất”

Nói về chi phí. Chúng tôi sẽ không đưa ra khoảng giá. Chênh lệch giữa các dự án quá lớn, viết ra khoảng giá chỉ gây hiểu lầm. Thay vào đó, chúng tôi liệt kê những yếu tố làm số tiền dịch chuyển.

Khi lấy báo giá, phía nhà máy thường chú ý dòng đầu tiên trước. Nhưng thứ thực sự khiến số tiền khó đoán lại là dòng thứ hai và dòng thứ tư. Khối lượng công việc chuẩn bị dữ liệu thì không ai biết trước cho tới khi bắt tay vào và nhìn thấy bên trong. Còn việc tích hợp màn hình hiện trường với hệ thống sẵn có thì có thể chênh nhau cả một bậc độ lớn tùy cách hệ thống cũ được xây dựng. Dự án nào tiến hành trong khi vẫn để hai hạng mục này ở trạng thái “tính riêng sau” thì giữa chừng số tiền sẽ dịch chuyển.

Về việc tận dụng chính sách ưu đãi, xin lấy Thái Lan làm ví dụ vì đó là nơi chúng tôi đặt trụ sở. Ủy ban Đầu tư Thái Lan (BOI) có biện pháp mang tên “Smart and Sustainable Industry”, áp dụng cho việc đổi mới máy móc, tự động hóa và đưa robot vào, cùng với việc ứng dụng công nghệ số. Trong hồ sơ xin ưu đãi đầu tư quý 1 năm 2026, biện pháp này thu hút nhiều hồ sơ, riêng lĩnh vực hạ tầng số và AI có 48 hồ sơ. Nhà máy đặt tại Việt Nam không thuộc phạm vi của biện pháp này, nhưng cách xử lý dưới đây thì áp dụng chung cho bất kỳ chính sách ưu đãi đầu tư nào của nước sở tại.

Cụ thể là, các điều kiện chi tiết như số năm miễn thuế hay tỷ lệ khấu trừ thay đổi theo từng năm, nên bài viết này không nêu ra. Phạm vi khoản đầu tư thuộc diện áp dụng cũng được rà soát lại tương tự. Nếu xây tờ trình dựa trên giả định về điều kiện ưu đãi, có thể tới lúc nộp hồ sơ thì điều kiện đã đổi và tiền đề sụp đổ. Với dự án tại Thái Lan, hãy kiểm tra điều kiện và phạm vi áp dụng mới nhất trên trang chính thức của BOI; với dự án tại Việt Nam, hãy kiểm tra tương tự trên trang chính thức của cơ quan quản lý đầu tư sở tại. Nếu cần thì xác nhận với chuyên gia trước khi nộp. Khi lập tờ trình, hãy làm kế hoạch đứng vững được trong cả hai trường hợp có và không được hưởng ưu đãi, như vậy kế hoạch mới chịu được các thay đổi về điều kiện.

Cách tiến hành để hoàn thành một dự án trong 90 ngày (0 đến 30 ngày, 31 đến 60 ngày, 61 đến 90 ngày)

Cuối cùng, đây là cách tiến hành để hoàn thành dự án đầu tiên trong 90 ngày, theo cách chia mốc mà chúng tôi đang dùng trong các dự án thực tế. 30 ngày đầu tiên tiến hành được ngay cả khi chưa có nhà cung cấp. Thậm chí, những dự án mà bên đặt hàng tự làm trọn vẹn 30 ngày này thường chạy nhanh hơn ở các giai đoạn sau.

Ngày 0 đến 30 — phân loại các ví dụ đã thu thập và chốt một đối tượng

Trong giai đoạn này có 4 việc. Trước hết, phân loại các ví dụ của công ty khác vào 4 dạng. Tiếp theo, dùng ba câu hỏi ở chương trước (dữ liệu chính là gì, công ty mình đã có chưa, có dán được đáp án đúng không) để chia từng ví dụ thành “triển vọng”, “trung hạn” và “vấn đề tổ chức”. Thứ ba, từ nhóm triển vọng, chọn ra một công đoạn mục tiêu. Tiêu chí lựa chọn không phải độ lớn của hiệu quả, mà là khi tắc có xác định được nguyên nhân hay không. Thứ tư, bảo đảm người tạo đáp án đúng và thời gian làm việc của người đó.

Trong 30 ngày này đừng lấy báo giá thiết bị. Lấy sớm thì con số sẽ chi phối cuộc thảo luận trước khi bạn kịp phán đoán liệu có cần thiết bị đó hay không.

Ngày 31 đến 60 — chạy thử một lần bằng dữ liệu sẵn có, thô cũng được

Tháng thứ hai là lúc thực sự chạm vào dữ liệu. Đừng làm ra một sản phẩm hoàn chỉnh. Mục đích ở đây là biết thực trạng dữ liệu của chính công ty mình. Cụ thể, hãy kiểm tra những điều sau.

• Dữ liệu bạn tưởng là có, có thực sự tồn tại với khoảng thời gian và độ chi tiết như bạn nghĩ không
• Mức độ thiếu dữ liệu, trùng lặp, lẫn lộn đơn vị và không khớp mã tới đâu
• Công việc dán đáp án đúng mất bao nhiêu phút cho mỗi đơn vị
• Tỷ lệ các trường hợp phán định không thống nhất là bao nhiêu

Biết được 4 điều này thì kế hoạch từ tháng thứ ba trở đi có thể lập bằng những con số thực tế. Ở nhiều dự án, kế hoạch ban đầu bị thay đổi ngay tại đây. Thay đổi không phải là thất bại, mà chính là thành quả của giai đoạn này.

Ngày 61 đến 90 — đưa lên màn hình hiện trường và để hiện trường dùng trong hai tuần

Tháng thứ ba không phải giai đoạn nâng độ chính xác. Đó là giai đoạn dùng thử tại hiện trường. Hãy đưa kết quả phán định lên màn hình mà hiện trường nhìn mỗi ngày, bằng ngôn ngữ của hiện trường, dưới hình thức một phán đoán. Rồi để họ dùng trong hai tuần và quan sát những điều sau.

• Hiện trường có thực sự nhìn vào không (nếu không nhìn, tức là bạn đặt sai chỗ)
• Khi phán định sai, hiện trường có phản hồi lại được không
• Các phản hồi nhận về có xu hướng gì
• Công việc thường ngày bị cộng thêm bao nhiêu phút

Những ý kiến xuất hiện trong hai tuần này chính là nguyên liệu cho vòng cải tiến tiếp theo. Ngược lại, nếu không có lấy một ý kiến nào thì cần cảnh giác. Nhiều khả năng đó không phải vì mọi thứ đang suôn sẻ, mà vì không ai nhìn vào cả.

Mục tiêu của 90 ngày không phải là tạo ra hiệu quả, mà là đạt tới trạng thái lập được kế hoạch cho dự án thứ hai bằng số đo thực tế thay vì bằng phỏng đoán. Theo những gì chúng tôi quan sát trong các dự án, phần lớn nhà máy đang giậm chân ở giai đoạn cơ bản đều chưa đi hết dự án đầu tiên. Đi hết một dự án thì bạn sẽ biết thực trạng dữ liệu của mình, biết gánh nặng của việc gán đáp án đúng, và biết phản ứng của hiện trường. Khi biết được ba điều đó, các ví dụ của công ty khác sẽ chuyển từ “đối tượng để tham khảo” thành “đối tượng để so sánh với điều kiện của chính mình”.

Câu hỏi thường gặp

Nên tìm ví dụ ứng dụng AI tại hiện trường ở đâu?

Cách tìm quan trọng hơn nơi tìm. Trang giới thiệu ví dụ của nhà cung cấp, báo ngành, bài trình bày tại triển lãm, tuyển tập ví dụ của cơ quan công — nguồn thông tin thì bao nhiêu cũng có. Vấn đề là tất cả đều được sắp xếp theo ngành nghề. Gom ví dụ cùng ngành thì bạn không nhìn ra khoảng cách giữa họ và mình.

Cách tìm chúng tôi khuyến nghị là tìm theo dạng dữ liệu chứ không theo ngành nghề. Thay vì tìm “AI linh kiện ô tô ví dụ”, hãy tìm theo dữ liệu được xử lý, kiểu như “AI kiểm tra bằng hình ảnh” hay “phát hiện bất thường từ dữ liệu thiết bị”. Sau đó, với từng ví dụ tìm được, hãy kiểm tra ba điều — dữ liệu chính là gì, công ty mình đã có dữ liệu cùng dạng chưa, có dán được đáp án đúng không. Ví dụ không trả lời được ba điều này thì dù ngành nghề có gần tới đâu cũng không thành căn cứ phán đoán cho bạn.

Cứ lắp camera AI là kiểm tra ngoại quan tự động hóa được ngay phải không?

Không tự động hóa được ngay. Việc lắp camera AI chỉ là một trong các công đoạn cần thiết. Trên thực tế, trước đó bạn còn phải cố định điều kiện chụp (ánh sáng, góc, khoảng cách, nền), thu thập ảnh hàng đạt và hàng lỗi, gán đạt hay không đạt cho các ảnh đã thu thập, và thống nhất chính tiêu chuẩn phán định ở phía con người.

Tốn thời gian nhất là công đoạn thu thập ảnh hàng lỗi. Công đoạn có tỷ lệ lỗi càng thấp thì càng khó gom đủ ảnh lỗi dùng cho huấn luyện. Với loại lỗi mỗi tháng chỉ xuất hiện vài cái, có khi phải mất gần một năm mới đủ số lượng ảnh cần thiết. Ngoài ra, AI kiểm tra ngoại quan là cơ chế phát hiện lỗi, chứ không phải cơ chế làm giảm chính tỷ lệ phát sinh lỗi. Nó có tác dụng ngăn lỗi lọt ra ngoài và giảm giờ công kiểm tra, nhưng muốn giảm phát sinh thì cần cải tiến riêng ở phía công đoạn.

Chi phí cho AI cải tiến công đoạn khoảng bao nhiêu?

Chúng tôi không nêu khoảng giá vì chênh lệch giữa các dự án quá lớn. Thay vào đó, đây là những yếu tố quyết định chi phí, gồm 5 biến số.

Thứ nhất là cơ chế thu thập dữ liệu, rất lớn ở dạng 1 và dạng 2 vốn cần lắp mới camera hoặc cảm biến, và gần như không phát sinh ở dạng 3 và dạng 4 vốn dùng dữ liệu sẵn có. Thứ hai là chuẩn bị dữ liệu, tức khối lượng công việc gán đáp án đúng, thống nhất dữ liệu chủ và sắp xếp phiên bản, và phần này không thể ước lượng chính xác cho tới khi bắt tay vào và nhìn thấy bên trong. Thứ ba là xây dựng và kiểm chứng mô hình. Thứ tư là tích hợp màn hình hiện trường với hệ thống sẵn có, có thể chênh nhau cả một bậc độ lớn tùy cách hệ thống cũ được xây. Thứ năm là khởi động vận hành, bao gồm đào tạo và xử lý sửa lỗi trong 3 tháng đầu.

Khi so sánh các báo giá, hãy kiểm tra xem hạng mục thứ hai và thứ tư có bị để ở dạng “tính riêng sau” hay không. Đó chính là hai chỗ khiến số tiền dịch chuyển.

Vì sao AI không bám rễ được vào hiện trường?

Phần lớn trường hợp là vì chưa thiết kế chỗ để tiếp nhận kết quả. Kết quả phán định nằm trên màn hình hiện trường không nhìn tới, thông báo bay đi bằng phương tiện hiện trường không dùng, hiển thị bằng ngôn ngữ hiện trường không đọc. Trạng thái “kỹ thuật thì chạy nhưng không ai dùng” giải thích được bằng một trong ba điều đó.

Lý do thứ hai là không có lối để phản hồi cái sai. Khi AI phán định sai mà hiện trường không có chỗ để báo “cái này sai”, độ chính xác sẽ đóng băng ở mức ban đầu, và hiện trường kết luận “thứ này đoán không trúng” rồi thôi không nhìn nữa. Điểm phân định nằm ở chỗ trong 3 tháng đầu vận hành, bạn có bố trí được người nhặt các sai lệch phán định về để sửa hay không. Nội dung hiển thị cũng vậy, đừng đưa ra điểm số hay xác suất, hãy đưa ra dưới hình thức hành động, kiểu như “thiết bị nào, tới khi nào, làm gì”. Giao việc diễn giải con số cho hiện trường thì ngay tại thời điểm đó nó sẽ không còn được dùng.

Nhà máy nhỏ có tạo được kết quả như trong các ví dụ ứng dụng AI không?

Chọn đúng dạng thì tạo được. Thậm chí nhà máy quy mô nhỏ còn có những điểm lợi thế, vì ít công đoạn, các bên liên quan gần nhau và quyết định nhanh. Như đã nói ở trên, dự án đầu tiên nên chọn “công đoạn xác định được nguyên nhân khi tắc” chứ không phải “công đoạn hiệu quả lớn”, nên quy mô nhỏ lại là điều kiện có lợi.

Về dạng nên chọn, thực tế nhất là bắt đầu từ dạng 3 (tài liệu và văn bản) và dạng 4 (số liệu thực tế) vốn dùng được dữ liệu sẵn có. Hai dạng này không cần đầu tư cảm biến mới, có thể bắt đầu kiểm chứng chỉ với những gì đang có trong tay. Ngược lại, nếu chọn dạng 1 (hình ảnh) làm dự án đầu tiên thì việc xây dựng môi trường chụp và tích lũy dữ liệu tốn cả thời gian lẫn chi phí, tạo gánh nặng lớn cho một tổ chức quy mô nhỏ. Kết quả khảo sát cho thấy chỉ 9% doanh nghiệp đạt tới giai đoạn tiên tiến với mô hình xây từ dữ liệu của chính mình, nhưng con số đó không phải là cơ cấu chia theo quy mô. Theo những gì chúng tôi quan sát trong các dự án, thứ tạo ra khác biệt không phải độ lớn của nhà máy, mà là việc bạn có đi hết dự án đầu tiên kết nối với dữ liệu của chính mình hay không.

Tổng kết

Chọn ví dụ của công ty khác theo ngành nghề thì sẽ chệch hướng. Vì dù cùng ngành, cùng thiết bị, cùng sản phẩm, thứ quyết định mọi việc có diễn ra như ví dụ hay không lại là dữ liệu mà nhà máy đó đã có sẵn từ trước khi ví dụ bắt đầu. Thứ được viết trong các ví dụ công khai là kết quả, còn điều kiện tiền đề thì không được viết ra.

Vì vậy, hãy đổi trục phân loại từ ngành nghề sang dạng dữ liệu, gồm 1. hình ảnh, 2. chuỗi thời gian, 3. tài liệu và văn bản, 4. số liệu thực tế. Bốn dạng này khác nhau về tiền đề dữ liệu, về chỗ dễ vấp và về thời gian tới khi có hiệu quả. Dạng 1 là dạng mà phần lớn nhà máy chưa có dữ liệu, phải bắt đầu từ việc cố định điều kiện chụp. Dạng 2 tự động hóa được việc thu thập, nhưng không mua được thời gian để bất thường tích lũy. Dạng 3 và dạng 4 có khả năng cao là bắt đầu được ngay với dữ liệu đã nằm trong công ty.

Các con số của năm 2026 cũng cho thấy đúng cấu trúc đó. Tỷ lệ doanh nghiệp Thái Lan sử dụng AI là 43%, riêng ngành chế tạo đã lên tới 48%. Nhưng nhìn toàn bộ doanh nghiệp đã triển khai thì 74% vẫn dừng ở giai đoạn cơ bản với công cụ đóng gói, còn giai đoạn tiên tiến với mô hình xây từ dữ liệu của chính mình chỉ là 9%. Tại Nhật Bản cũng vậy, khoảng 70% doanh nghiệp có thu thập dữ liệu trong quy trình sản xuất, nhưng chỉ khoảng 40% khai thác được và thu về hiệu quả. Cửa vào đã rộng ra, và mọi thứ đang dừng lại ở khâu kết nối với dữ liệu của chính mình. Đó là vị trí hiện tại.

Sau khi phân loại các ví dụ trong tay vào 4 dạng, hãy đặt ba câu hỏi cho từng ví dụ. Dữ liệu chính là gì. Công ty mình đã có sẵn dữ liệu cùng dạng chưa. Có dán được đáp án đúng lên dữ liệu đó không. Chỉ những ví dụ trả lời được cả ba mới đáng để bạn cân nhắc. Trên nền đó, hãy thu hẹp về một công đoạn, quyết trước người tạo đáp án đúng cùng thời gian cho họ, và đưa kết quả lên màn hình hiện trường nhìn mỗi ngày dưới hình thức một phán đoán. Đi hết được tới đó trong 90 ngày thì kế hoạch cho dự án thứ hai sẽ được lập bằng số đo thực tế thay vì phỏng đoán. Theo những gì chúng tôi quan sát, thứ còn thiếu ở các nhà máy không tiến lên được khỏi giai đoạn cơ bản không phải công nghệ, mà là trải nghiệm đi hết dự án đầu tiên.

TOMAS TECH xây dựng hệ thống quản lý sản xuất và nền tảng dữ liệu hiện trường cho các doanh nghiệp chế tạo có vốn đầu tư Nhật Bản tại Thái Lan và khu vực ASEAN. Chúng tôi luôn sẵn lòng trao đổi ngay từ giai đoạn đầu của quá trình cân nhắc, chẳng hạn “muốn phán đoán xem trong các ví dụ đã thu thập thì cái nào nhà máy mình tái hiện được” hay “muốn sắp xếp trước xem với dữ liệu đang có thì làm được gì”. Nếu bạn mang theo tập tài liệu ví dụ và danh sách dữ liệu có thể xuất ra từ hệ thống đang dùng, chúng tôi có thể bắt đầu bằng việc cùng bạn phân loại xem chúng thuộc dạng nào và còn thiếu những gì. Mọi liên hệ xin gửi qua trang liên hệ.

Nguồn tham khảo

• The Story Thailand — Bài viết về báo cáo “Unlocking Thailand’s AI Potential 2026” của AWS (15-07-2026)
• Thailand Business News — Bài viết về khảo sát mức độ tăng trưởng phổ cập AI toàn cầu của Microsoft (10-06-2026)
• Ministry of Economy, Trade and Industry (METI) — White Paper on Manufacturing Industries 2026, sách trắng ngành chế tạo Nhật Bản bản năm 2026
• Project Design Online — Bài phân tích sách trắng ngành chế tạo bản năm 2026 (01-06-2026)
• MONOist — Bài viết về “Khảo sát xu hướng ứng dụng AI và dữ liệu 2026” của primeNumber (21-07-2026)
• Thailand Board of Investment (BOI) — Công bố hồ sơ xin ưu đãi đầu tư quý 1 năm 2026