16. Có phải mua phần mềm có tích hợp AI là nhà máy đã ứng dụng AI không?

Trong thực tế, rất nhiều giải pháp phần mềm ngày nay đều bổ sung yếu tố AI vào thông điệp bán hàng. Điều đó không sai. AI thực sự đang mở ra những khả năng mới cho sản xuất như phát hiện bất thường, dự báo hỏng hóc, hỗ trợ kiểm soát chất lượng, khai thác tri thức kỹ thuật và hỗ trợ ra quyết định.

NIST nhìn nhận AI/ML là một lớp năng lực quan trọng cho smart manufacturing, nhưng đồng thời nhấn mạnh rằng triển khai AI trong môi trường công nghiệp vẫn bị giới hạn bởi dữ liệu công nghiệp phức tạp, quản trị dữ liệu, tích hợp hệ thống dị thể và yêu cầu rất cao về độ tin cậy, khả năng giải thích và vận hành an toàn.

Vấn đề nằm ở chỗ: mua tính năng AI khác hoàn toàn với ứng dụng AI vào vận hành thực tế. Một tính năng AI có thể tồn tại trong phần mềm, nhưng nếu người dùng không dùng, dữ liệu không đủ, quy trình không thay đổi và KPI không cải thiện, thì AI đó vẫn chưa tạo ra giá trị thật cho nhà máy.

I. Vì sao “mua phần mềm có AI” chưa đủ để gọi là ứng dụng AI?

1. Có tính năng AI trong sản phẩm không đồng nghĩa AI đã đi vào công việc hằng ngày

Một phần mềm có thể giới thiệu nhiều tính năng hấp dẫn: chatbot hỏi đáp kỹ thuật, gợi ý nguyên nhân downtime, dự báo bảo trì, tự động phân loại lỗi, tóm tắt báo cáo, phân tích xu hướng OEE hoặc trợ lý tra cứu tài liệu. Nhưng câu hỏi cốt lõi không phải là phần mềm có tính năng đó hay không, mà là tính năng đó có thực sự được dùng trong quy trình vận hành hay không.

Ví dụ, một AI Copilot nghe rất hấp dẫn trên demo. Nhưng nếu kỹ thuật viên vẫn xử lý sự cố theo thói quen cũ, vẫn gọi điện hỏi người có kinh nghiệm, vẫn không truy cập tài liệu trong lúc làm việc, thì Copilot đó chưa hề trở thành một phần của vận hành.

Microsoft cũng xem adoption là một vấn đề riêng cần được đo lường bằng mức độ sử dụng thực tế, tần suất sử dụng và tác động công việc, chứ không chỉ là đã cấp quyền hay đã triển khai công cụ.

2. AI chỉ tạo giá trị khi có dữ liệu thật và ngữ cảnh vận hành đủ rõ

AI trong nhà máy không hoạt động trong chân không. Nó cần dữ liệu vận hành, lịch sử sự cố, dữ liệu chất lượng, dữ liệu sản xuất, dữ liệu cảm biến, tài liệu kỹ thuật, SOP, work order, nguyên nhân lỗi và nhiều lớp ngữ cảnh khác. Nếu dữ liệu nền rời rạc, thiếu chuẩn hóa hoặc không kết nối được với quy trình, AI rất khó cho ra kết quả đáng tin.

Điều này đặc biệt rõ trong các bài toán như dự báo hỏng hóc. Một mô hình dự báo failure nghe rất hấp dẫn, nhưng nếu dữ liệu cảm biến không đủ đều, lịch sử bảo trì ghi sơ sài, failure mode không được phân loại rõ và nguyên nhân hỏng không có taxonomy tương đối ổn, thì kết quả dự báo sẽ thiếu cơ sở.

NIST nhấn mạnh rằng industrial big data và effective data management là những rào cản trung tâm của AI trong smart manufacturing. IBM cũng cho rằng AI ở quy mô doanh nghiệp chỉ bền vững khi đi cùng data governance và AI governance đủ tốt.

3. Nếu quy trình không thay đổi, AI thường chỉ dừng ở mức trình diễn

AI chỉ có tác dụng thật khi nó làm thay đổi cách công việc được thực hiện. Nếu phần mềm có AI nhưng quy trình giao ca, xử lý sự cố, điều độ sản xuất, duyệt bảo trì hay truy xuất tri thức vẫn làm y như cũ, thì AI chỉ tồn tại trên giao diện chứ chưa đi vào vận hành.

Ví dụ, hệ thống có thể gợi ý thiết bị cần ưu tiên kiểm tra. Nhưng nếu không có quy trình quy định ai xem gợi ý đó, xem lúc nào, dựa vào ngưỡng nào để hành động và ai xác nhận kết quả sau can thiệp, thì AI rất khó tạo ra thay đổi thực tế.

II. Nhà máy chỉ thật sự ứng dụng AI khi nào?

1. Khi AI gắn với một quy trình vận hành cụ thể

Một nhà máy chỉ thật sự ứng dụng AI khi AI được cắm vào một bước công việc có thật. Ví dụ:

• AI hỗ trợ kỹ thuật viên tra cứu hướng xử lý lỗi ngay trong lúc dừng máy.
• AI cảnh báo nguy cơ trễ tiến độ cho quản lý sản xuất từ giữa ca.
• AI gợi ý nhóm thiết bị cần ưu tiên bảo trì dựa trên rủi ro và lịch sử sự cố.
• AI hỗ trợ QA/QC phân loại lỗi hoặc phát hiện mẫu lỗi tăng bất thường.

Ở đây, AI không còn là một tính năng “có sẵn trong phần mềm”. Nó trở thành một phần của dòng công việc hằng ngày.

2. Khi có người dùng thật sử dụng AI trong công việc thật

Nếu AI chỉ được nhóm dự án, nhóm IT hoặc nhà cung cấp demo với nhau, thì chưa thể gọi là ứng dụng AI. Chỉ khi quản đốc, kỹ sư, kỹ thuật viên, planner, QA/QC hoặc trưởng bộ phận thực sự dùng nó trong các tác vụ hằng ngày, AI mới bắt đầu có giá trị vận hành.

Microsoft hiện có các báo cáo adoption riêng cho Copilot, cho thấy một công cụ AI chỉ được xem là đi vào tổ chức khi usage được đo rõ theo người dùng, tần suất và mức độ chuyển thành thói quen làm việc.

3. Khi hiệu quả được đo bằng KPI cụ thể

Một dự án AI trong nhà máy không nên dừng ở câu “hệ thống rất thông minh”. Nó phải trả lời được câu hỏi: thông minh để làm gì.

• Giảm thời gian chẩn đoán nguyên nhân sự cố.
• Giảm downtime ngoài kế hoạch.
• Tăng tốc phản ứng với bất thường.
• Tăng độ chính xác khi ưu tiên work order.
• Giảm thời gian tìm tài liệu kỹ thuật.
• Giảm tỷ lệ lỗi lọt hoặc giảm trễ tiến độ.

III. Những ví dụ rất điển hình về “mua AI nhưng chưa ứng dụng AI”

1. Mua AI Copilot nhưng tri thức kỹ thuật chưa sẵn sàng

Một hệ thống Copilot cho bảo trì hoặc kỹ thuật có thể hứa hẹn giúp kỹ thuật viên hỏi đáp nhanh hơn: hỏi lỗi, hỏi SOP, hỏi hướng dẫn sửa chữa hoặc hỏi lịch sử tương tự. Nhưng nếu tài liệu máy chưa được chuẩn hóa, SOP lỗi thời, thư viện tài liệu không được phân loại theo thiết bị hoặc mã lỗi, quyền truy cập chưa rõ và kỹ thuật viên không có thói quen dùng công cụ đó trong lúc xử lý sự cố, thì hiệu quả sẽ rất thấp.

Lúc đó, vấn đề không nằm ở việc công nghệ Copilot có hay không. Vấn đề nằm ở chỗ dữ liệu tri thức chưa sẵn sàng và quy trình sử dụng chưa được thiết kế.

2. Mua mô hình dự báo bảo trì nhưng dữ liệu failure quá yếu

Predictive maintenance là một use case rất hấp dẫn, nhưng cũng là nơi dễ thất vọng nếu nền dữ liệu chưa đủ. Nếu nhà máy không có dữ liệu cảm biến ổn định, lịch sử sự cố không rõ thời điểm bắt đầu - kết thúc, nguyên nhân hỏng được ghi kiểu “máy lỗi”, “đã sửa”, “hư cảm biến”, thì mô hình dự báo sẽ học từ dữ liệu rất mơ hồ.

NIST và nhiều nguồn công nghiệp đều chỉ ra rằng các rào cản về dữ liệu, tích hợp hệ thống sensing-control và yêu cầu trustworthy operation là cốt lõi của AI trong sản xuất.

3. Mua AI phân tích sản xuất nhưng người quản lý vẫn ra quyết định theo cách cũ

Có những hệ thống có thể phân tích OEE, cycle time, tiến độ, bottleneck hoặc xu hướng chất lượng. Nhưng nếu các cuộc họp giao ca, họp điều độ và họp cải tiến vẫn không dùng đầu ra đó; nếu mọi quyết định vẫn dựa chủ yếu vào cảm nhận hoặc báo cáo Excel; nếu không ai chịu trách nhiệm xác minh hay phản hồi lại gợi ý của AI, thì AI vẫn chưa được “ứng dụng”.

IV. Ứng dụng AI không phải là mua tính năng, mà là thay đổi năng lực công việc hằng ngày

1. AI phải giúp một vai trò cụ thể làm việc tốt hơn

Một cách nhìn thực dụng là: AI phải giúp ai đó làm một việc nào đó tốt hơn. Ví dụ:

• Kỹ thuật viên chẩn đoán lỗi nhanh hơn.
• Trưởng bảo trì ưu tiên thiết bị rủi ro đúng hơn.
• Quản lý sản xuất phát hiện trễ tiến độ sớm hơn.
• QA/QC nhận ra xu hướng lỗi trước khi nó lan rộng.
• Ban lãnh đạo đặt câu hỏi với dữ liệu nhanh hơn.

Nếu không xác định được vai trò người dùng cụ thể, AI thường dễ trôi vào mức “có cho hiện đại”.

2. AI phải chen được vào dòng công việc, không chỉ nằm ở màn hình demo

Nhiều giải pháp AI rất tốt về mặt tính năng, nhưng không khớp với dòng công việc của người dùng. Ví dụ, kỹ thuật viên đang xử lý máy dừng không có thời gian mở thêm nhiều màn hình, đăng nhập nhiều bước hay đọc một đoạn phân tích dài. Nếu AI không xuất hiện đúng thời điểm, đúng ngữ cảnh và đúng giao diện người dùng đang làm việc, khả năng adoption sẽ thấp.

Đây là lý do vì sao AI implementation không thể chỉ là câu chuyện của mô hình hay thuật toán. Nó còn là chuyện UX, workflow và thay đổi hành vi sử dụng.

3. AI phải tạo ra giá trị đo được chứ không chỉ tạo cảm giác hiện đại

Trong doanh nghiệp sản xuất, một dự án AI đáng làm là dự án có thể chỉ ra tác động thực tế:

• Downtime giảm.
• Thời gian tra cứu tri thức giảm.
• Thời gian điều tra nguyên nhân giảm.
• Phiếu quá hạn giảm.
• Dự báo tiến độ chính xác hơn.
• Chất lượng phản ứng với bất thường tốt hơn.

World Economic Forum gần đây cũng nhấn mạnh sự khác biệt giữa các tổ chức chỉ dừng ở mức thử nghiệm AI và các tổ chức thật sự biến AI thành hiệu suất đo được. Khoảng cách này thường không nằm ở chuyện mua được công nghệ nào, mà nằm ở cách gắn công nghệ vào vận hành.

V. Nhà quản lý nên đánh giá giải pháp AI theo cách nào?

1. Hỏi rõ: AI dùng dữ liệu nào?

Đây là câu hỏi đầu tiên và quan trọng nhất. Nếu nhà cung cấp nói có AI, hãy hỏi:

• AI lấy dữ liệu từ đâu?
• Dữ liệu có sẵn trong hệ thống hiện tại hay phải bổ sung?
• Dữ liệu có cần chuẩn hóa lại không?
• Dữ liệu lịch sử tối thiểu là bao nhiêu?
• AI có dùng tài liệu nội bộ, SOP, work order, dữ liệu cảm biến hay không?

Nếu không trả lời rõ được nguồn dữ liệu, rất khó đánh giá AI có khả thi hay không.

2. Hỏi rõ: AI đang hỗ trợ ai trong quy trình nào?

Đây là câu hỏi thứ hai. Cần làm rõ:

• Người dùng là ai.
• Dùng ở bước nào.
• Trước đây bước đó làm ra sao.
• Khi có AI thì thay đổi gì.
• Tần suất sử dụng dự kiến là bao nhiêu.

Nếu không chỉ ra được một vai trò và một quy trình cụ thể, khả năng cao AI vẫn đang nằm ở lớp khái niệm.

3. Hỏi rõ: hiệu quả được đo bằng KPI gì?

Mọi giải pháp AI đáng đầu tư đều nên gắn với KPI, chẳng hạn:

• Giảm MTTR.
• Giảm downtime ngoài kế hoạch.
• Giảm thời gian tìm tài liệu.
• Tăng tỷ lệ xử lý đúng ngay lần đầu.
• Tăng độ chính xác dự báo tiến độ.
• Giảm backlog work order.
• Cải thiện tốc độ phản ứng với sự cố.

Nếu ba câu hỏi trên chưa rõ, doanh nghiệp không nên vội xem đó là một dự án AI có giá trị.

VI. Lộ trình thực tế hơn cho doanh nghiệp sản xuất Việt Nam

1. Đừng bắt đầu từ câu “phần mềm này có AI không?”

Câu hỏi nên bắt đầu là:

• Nhà máy đang đau ở đâu?
• Dữ liệu nào đang có?
• Quy trình nào đang chậm, mù dữ liệu hoặc quá phụ thuộc vào kinh nghiệm?
• AI có thể hỗ trợ bước nào tốt hơn dashboard hay phần mềm nền hiện tại?

Bắt đầu từ điểm đau sẽ thực tế hơn nhiều so với bắt đầu từ một nhãn công nghệ.

2. Hãy làm tốt phần mềm nền và dữ liệu trước

AI không thay thế ERP, MES, CMMS, SCADA hay dashboard vận hành. Những hệ thống đó tạo ra dữ liệu, kiểm soát quy trình và hình thành nền quan sát. Không có nền này, AI rất khó vận hành bền.

NIST và IBM đều cho thấy muốn AI đi vào quy mô doanh nghiệp, cần có dữ liệu, quản trị dữ liệu, quản trị AI và lớp kiểm soát đủ mạnh. Đây cũng là lý do nhiều doanh nghiệp nên ưu tiên số hóa, dữ liệu hóa và dashboard trước khi mở rộng sang AI.

3. Chọn một use case nhỏ nhưng đo được giá trị

Thay vì mua một bộ tính năng AI rất rộng, doanh nghiệp nên chọn một use case cụ thể, ví dụ:

• Trợ lý hỏi đáp cho bảo trì ở một nhóm thiết bị.
• Phát hiện bất thường cycle time ở một line.
• Ưu tiên work order cho một khu vực trọng yếu.
• Phân tích nguyên nhân OEE giảm cho một dây chuyền nút cổ chai.

Làm hẹp trước giúp doanh nghiệp kiểm tra được bốn thứ quan trọng: dữ liệu có đủ không, người dùng có dùng không, quy trình có thay đổi không và KPI có cải thiện không.