Một chatbot có thể viết xong email trong vài giây. Điện thoại nhận ra khuôn mặt chủ nhân trong tích tắc. Những trải nghiệm quen thuộc đó khiến không ít lãnh đạo doanh nghiệp nghĩ rằng đưa AI vào nhà máy cũng chỉ là chuyện mua một phần mềm rồi bật lên.

Thực tế khác hẳn. Theo khảo sát State of AI 2025 của McKinsey, hai phần ba doanh nghiệp vẫn đang dừng ở giai đoạn thử nghiệm hoặc pilot; chỉ 39% cho biết AI đã tác động đến lợi nhuận, và phần lớn trong số đó ghi nhận mức tác động dưới 5% EBIT (3). Riêng nhóm doanh nghiệp sản xuất quy mô vừa tại Mỹ, nghiên cứu của Kaufman Rossin cho thấy 73% vẫn đang ở giai đoạn thử nghiệm AI (4).

Vì sao khoảng cách giữa “thử” và “dùng được” lại lớn đến vậy? Siemens, một trong những tập đoàn có nhiều kinh nghiệm triển khai AI trong sản xuất nhất thế giới, gọi tên yêu cầu này là AI cấp công nghiệp (industrial-grade AI): hệ thống phải tin cậy, bền vững, kiểm thử được, truy vết được, chứng nhận được và giải thích được (2). Siemens tổng hợp 8 thách thức khiến AI trong nhà máy khó hơn nhiều so với AI trên môi trường web. Bài viết này gom 8 thách thức đó thành 3 nhóm, bổ sung dữ liệu từ các nguồn độc lập và đặt chúng vào bối cảnh doanh nghiệp sản xuất Việt Nam.

Nhóm 1: Dữ liệu — có rất nhiều nhưng dùng được rất ít

1. Truy cập dữ liệu (data access)

Trên web, mỗi cú nhấp chuột của người dùng được ghi lại tập trung trên máy chủ. Trong nhà máy, dữ liệu nằm rải rác trên PLC, SCADA, historian, MES, ERP. Mỗi hệ thống một giao thức, một định dạng, nhiều khi bị khóa trong hệ thống OT độc quyền của từng hãng máy.

ARC Advisory Group ước tính một nhà máy hiện đại trung bình chỉ khai thác chưa tới 27% lượng dữ liệu nó tạo ra. Phần còn lại, chủ yếu là dữ liệu vận hành tần suất cao, nằm im trong các hệ thống tách biệt, gần như không được đối chiếu với nhau (5). Kaufman Rossin cũng ghi nhận 55% doanh nghiệp sản xuất coi việc hệ thống ERP cũ không kết nối được với công cụ AI là rào cản lớn nhất của họ (4).

2. Nhãn dữ liệu (data labeling)

Phần lớn mô hình AI hiện nay học theo kiểu có giám sát (supervised learning), tức cần dữ liệu đã được gán nhãn “đúng/sai”, “đạt/lỗi”. Trên web, người dùng tự gán nhãn mà không biết: bấm thích, bỏ qua, mua hay không mua. Trong nhà máy, chỉ người kỹ sư QC lâu năm mới phân biệt được một vết xước chấp nhận được với một khuyết tật buộc phải loại bỏ. Andrew Ng, nhà sáng lập Landing AI, nhận xét rằng khi tập dữ liệu nhỏ, việc các kiểm viên chất lượng gán nhãn nhất quán với nhau là một trong những yếu tố quyết định nhất (6). Nếu cùng một vết lõm trên chi tiết nhựa, ca sáng ghi là “lõm co rút (sink mark)” còn ca chiều ghi là “biến dạng”, mô hình sẽ học theo đúng sự lẫn lộn đó.

3. Dữ liệu mất cân bằng (imbalanced data)

Đây là nghịch lý của sản xuất: quy trình càng ổn định, AI càng thiếu dữ liệu để học về lỗi. Theo Andrew Ng, trong các ứng dụng kiểm tra ngoại quan, việc chỉ có vài chục đến khoảng một trăm ảnh cho mỗi loại lỗi là chuyện bình thường (6). Hệ quả rất thực tế: nếu 99,9% sản phẩm là hàng đạt, một mô hình lúc nào cũng trả lời “đạt” vẫn có độ chính xác 99,9% trên giấy nhưng sẽ bỏ sót đúng những ca lỗi mà doanh nghiệp cần phát hiện. Siemens gợi ý các kỹ thuật như tăng cường dữ liệu (data augmentation), lấy mẫu lại (resampling) hay thuật toán chuyên biệt cho sự kiện hiếm. Rộng hơn, cách tiếp cận AI lấy dữ liệu làm trung tâm (data-centric AI) mà Andrew Ng theo đuổi cho rằng với nhà máy, đầu tư vào chất lượng và sự nhất quán của dữ liệu thường hiệu quả hơn liên tục thay mô hình.

Nhóm 2: Con người và tri thức — thứ khó số hóa nhất

4. Tri thức chuyên môn (domain knowledge)

Một mô hình bảo trì dự đoán (predictive maintenance) cho máy ép nhựa cần hiểu các chế độ hỏng hóc, chu kỳ bảo trì, ảnh hưởng của nhiệt độ khuôn hay độ ẩm hạt nhựa. Phần lớn tri thức này không nằm trong cơ sở dữ liệu nào, mà nằm trong đầu những người thợ, kỹ sư đã làm nghề hàng chục năm. Siemens nhấn mạnh rằng AI cấp công nghiệp đòi hỏi một tổ hợp kỹ năng hiếm khi hội tụ đủ trong một công ty: chuyên môn tự động hóa kết hợp năng lực tích hợp IT/OT, chuyên môn nghiệp vụ – tức quyền tiếp cận “sự thật thực địa” (ground truth) – và năng lực AI vững vàng (1).

Thách thức càng lớn khi tri thức đó đang mất dần. Deloitte và The Manufacturing Institute dự báo ngành sản xuất Mỹ cần tới 3,8 triệu lao động trong giai đoạn 2024–2033, và gần một nửa số vị trí có thể bị bỏ trống, trong bối cảnh thế hệ Baby Boomer lần lượt nghỉ hưu (7). Ở quy mô nhỏ hơn, doanh nghiệp Việt cũng quen với cảnh một kỹ sư khuôn lâu năm nghỉ việc và mang theo cả một “bộ dữ liệu” mà chưa hệ thống nào kịp ghi lại.

5. Khả năng giải thích (explainability)

Khi một ứng dụng gợi ý sai một bộ phim, không ai chịu thiệt hại. Khi AI đề xuất dừng dây chuyền, đổi thông số ép hay loại cả một lô hàng, người vận hành cần biết vì sao và cần đủ tự tin để làm theo hoặc bác bỏ. Siemens coi khả năng giải thích là thành phần thiết yếu của AI cấp công nghiệp, cần có xuyên suốt vòng đời của hệ thống, từ lúc cân nhắc bài toán kinh doanh đến khi giám sát và bảo trì mô hình đang chạy (2). AI giải thích được (explainable AI – XAI) còn là cầu nối để chuyên gia nghiệp vụ kiểm tra xem mô hình có đang “đúng vì lý do đúng” hay không.

Đây không còn chỉ là yêu cầu kỹ thuật. Theo EU AI Act, hệ thống AI đóng vai trò thành phần an toàn của máy móc thuộc nhóm rủi ro cao, phải đáp ứng các yêu cầu về minh bạch và giám sát của con người (8). Doanh nghiệp Việt Nam đang sản xuất máy móc, linh kiện cho thị trường châu Âu cần đưa yếu tố này vào kế hoạch ngay từ đầu. Cái khó là sự đánh đổi: mô hình càng phức tạp thì thường càng chính xác, nhưng cũng càng khó giải thích.

Nhóm 3: Vận hành – từ pilot đến dây chuyền thật

6. Khả năng triển khai (deployability)

Một mô hình chạy tốt trên máy tính của chuyên gia dữ liệu khác rất xa một hệ thống phải chạy 24/7 cạnh máy CNC: phản hồi theo thời gian thực, tích hợp với hệ thống cũ, có cơ chế dự phòng khi gặp sự cố, và hoạt động ổn định khi điều kiện vận hành thay đổi. Siemens thẳng thắn chỉ ra một nguyên nhân văn hóa: môi trường quen thuộc của các đội AI hiện nay là khoa học dữ liệu mang tính khám phá, trong khi công việc “siết chặt” giải pháp cho vận hành tin cậy lại vất vả và kém hấp dẫn với nhiều chuyên gia dữ liệu (1). Đó là một trong những lý do khiến nhiều dự án dừng lại ở pilot, như số liệu của McKinsey ở đầu bài.

7. An ninh mạng (cybersecurity)

Để có dữ liệu cho AI, máy móc phải được kết nối. Mỗi kết nối mới cũng là một cánh cửa mới cho tin tặc. Theo IBM X-Force Threat Intelligence Index 2026, năm thứ năm liên tiếp sản xuất là ngành bị tấn công nhiều nhất, chiếm 27,7% tổng số sự cố (9). Tại Việt Nam, CPA Australia ghi nhận nước ta đứng thứ hai khu vực châu Á – Thái Bình Dương về tỷ lệ doanh nghiệp nhỏ bị ảnh hưởng bởi sự cố an ninh mạng trong năm 2024 (10).

Với AI, rủi ro không dừng ở việc lộ dữ liệu. Kẻ tấn công có thể đầu độc dữ liệu huấn luyện (data poisoning) hoặc dùng tấn công đối kháng (adversarial attack) để khiến mô hình đưa ra quyết định sai. Điều đặc biệt nguy hiểm khi mô hình đó điều khiển hoặc giám sát thiết bị vật lý.

8. Chi phí thử nghiệm (cost of exploration)

Trên web, thử nghiệm A/B một tính năng mới gần như không tốn kém. Trong nhà máy, để kiểm chứng một thuật toán bảo trì dự đoán, có khi phải cho máy chạy ở những chế độ khắc nghiệt vừa tốn kém, vừa rủi ro. Dữ liệu lịch sử thì không phải lúc nào cũng phản ánh đúng điều kiện tương lai.

Hướng giải quyết đang nổi lên là thử nghiệm trong môi trường số: mô phỏng, bản sao số (digital twin) và dữ liệu tổng hợp (synthetic data). Siemens đã dùng nền tảng NVIDIA Omniverse để tạo dữ liệu tổng hợp 3D, rút ngắn thời gian phát triển mô hình phát hiện lỗi tới 5 lần; theo một giám đốc của Siemens Digital Industries Software, dữ liệu tổng hợp càng tốt thì doanh nghiệp càng cần ít dữ liệu thật (11).

Bức tranh tại Việt Nam

Những thách thức trên không xa lạ với doanh nghiệp Việt. Khảo sát của Lenovo và IDC cho thấy dữ liệu tiếp tục là rào cản lớn nhất khi ứng dụng AI, từ chất lượng dữ liệu đến cách tổ chức và quản lý dữ liệu trong doanh nghiệp (12). Theo báo cáo của TopCV, 46,74% doanh nghiệp chọn chi phí triển khai và duy trì cao là rào cản lớn nhất (13). Nói cách khác, cả nhóm thách thức về dữ liệu lẫn nhóm thách thức về vận hành đều đang hiện diện rõ.

Doanh nghiệp sản xuất nên bắt đầu từ đâu?

• Chọn một bài toán nhỏ, đo được. Một máy, một dây chuyền, một loại lỗi với chỉ số thành công rõ ràng trước khi bắt đầu.
• Dữ liệu trước, mô hình sau. Kiểm kê dữ liệu đang có, nối các hệ thống OT và IT, thống nhất cách gán nhãn với bộ phận QC.
• Đưa chuyên gia nghiệp vụ vào nhóm từ ngày đầu. Đồng thời bắt đầu ghi lại tri thức của những người giỏi nghề nhất trước khi nó mất đi.
• Thiết kế an ninh mạng ngay từ kiến trúc, đặc biệt là việc phân vùng mạng OT và IT, thay vì vá lỗi sau khi đã kết nối.
• Tận dụng mô phỏng để giảm chi phí thử nghiệm. Hệ thống CAD/CAE mà nhiều doanh nghiệp đang dùng như NX cho thiết kế, gia công hay Moldex3D cho mô phỏng ép phun, vốn đã là một dạng bản sao số của sản phẩm và quy trình. Đó là nền tảng để thử trên máy tính trước khi thử trên máy thật.

Kết luận

AI trong nhà máy không thất bại vì công nghệ chưa đủ mạnh. Nó gặp khó vì nhà máy là môi trường khắt khe hơn web rất nhiều: dữ liệu phân mảnh và hiếm lỗi, tri thức nằm trong đầu con người, mỗi quyết định có hệ quả vật lý, và mỗi lần thử nghiệm đều có giá. 8 thách thức mà Siemens tổng hợp không phải lý do để chờ đợi, mà là danh sách những việc cần chuẩn bị để AI đi được từ bản demo đến dây chuyền sản xuất.

Tham khảo

1. Siemens — Applying AI to industry, part 2: https://blogs.sw.siemens.com/thought-leadership/applying-ai-to-industry-part-2/
2. Siemens — Whitepaper: The rise of explainable industrial artificial intelligence: https://www.siemens.com/global/en/products/automation/topic-areas/artificial-intelligence-in-industry/whitepaper-the-rise-of-explainable-industrial-artificial-intelligence.html
3. BIC Magazine — Industrial companies struggle to scale AI beyond pilot programs (McKinsey State of AI 2025): https://www.bicmagazine.com/departments/maintenance-reliability/industrial-companies-struggle-to-scale-ai/
4. MarketScale — Most mid-sized manufacturers are stuck in AI pilot purgatory (Kaufman Rossin): https://www.marketscale.com/industries/industrial-iot/most-mid-sized-manufacturers-are-stuck-in-ai-pilot-purgatory-kaufman-rossin-research-finds
5. Efficient Plant — Use the data you generate (ABB, dẫn số liệu ARC Advisory Group): https://efficientplantmag.com/?p=15608
6. MIT Technology Review — Andrew Ng: Forget about building an AI-first business: https://www.technologyreview.com/2021/03/26/1021258/ai-pioneer-andrew-ng-machine-learning-business/amp/
7. Deloitte & The Manufacturing Institute — US manufacturing could need as many as 3.8 million new employees by 2033: https://www2.deloitte.com/us/en/pages/about-deloitte/articles/press-releases/us-manufacturing-could-need-new-employees-by-2033.html
8. Dataiku — EU AI Act high-risk requirements: https://www.dataiku.com/blog/eu-ai-act-high-risk-requirements
9. IBM — X-Force Threat Intelligence Index 2026, industry trends: https://www.ibm.com/think/premium/threat-intelligence-report-industry-trends
10. The Leader — Doanh nghiệp đua nhau ứng dụng AI, rào cản không dễ hoá giải: https://theleader.vn/doanh-nghiep-dua-nhau-ung-dung-ai-rao-can-khong-de-hoa-giai-d39431.html
11. NVIDIA Blog — Siemens taps Omniverse Replicator on AWS for synthetic data generation: https://blogs.nvidia.com/blog/siemens-omniverse-replicator-aws-synthetic-data-generation/
12. VnEconomy — Ứng dụng AI doanh nghiệp đã hết FOMO, chuyển sang đầu tư phải mang lại giá trị kinh doanh: https://vneconomy.vn/techconnect/ung-dung-ai-doanh-nghiep-da-het-fomo-chuyen-sang-dau-tu-phai-mang-lai-gia-trikinh-doanh.htm
13. VnEconomy — Chi phí triển khai và duy trì cao là rào cản lớn nhất khiến doanh nghiệp Việt chưa sẵn sàng với AI: https://vneconomy.vn/techconnect/chi-phi-trien-khai-va-duy-tri-cao-la-rao-can-lon-nhat-khien-doanh-nghiep-viet-chua-san-sang-voi-ai.htm