Nhà máy của bạn chưa sẵn sàng cho AI. Nhưng công nhân của bạn thì đã sẵn sàng rồi.

Những góc nhìn từ Scaling Business Summit 2026, Thành phố Hồ Chí Minh.

Giấc mơ có một cái tên: nhà máy tối. Không có công nhân. Không có ngày lễ. Không có đình công. Một nhà máy chạy 24 giờ mỗi ngày, bảy ngày mỗi tuần, theo yêu cầu. Đó là hình ảnh đã thúc đẩy các cuộc trò chuyện về đầu tư AI trong sản xuất suốt một thập kỷ. David Will, Giám đốc Tổng Quản lý tại DRÄXLMAIER Việt Nam, bước lên sân khấu SBS và nói điều mà hầu hết các quản lý nhà máy nghĩ nhưng hiếm khi nói thành tiếng: không ai đang sống ngày nay sẽ được thấy điều đó.

DRÄXLMAIER không phải là một thí nghiệm ngoại vi. Đó là một nhà cung ứng ô tô từ Hạ Bavaria với 65.000 nhân viên và doanh thu 5 tỷ euro – một trong những gã khổng lồ ẩn danh đằng sau các bảng điều khiển, linh kiện điện tử và bộ pin điện áp cao trong các xe BMW và Mercedes. Hoạt động của họ tại Việt Nam tồn tại đặc biệt vì sản phẩm chủ lực của họ, bộ dây điện ô tô, có 70% lao động thủ công theo thiết kế. Chưa có robot nào giải quyết được điều đó.

Những gì tiếp theo không phải là một góc nhìn bi quan về AI. Đó là một góc nhìn trung thực. David vạch ra nơi AI sản xuất thực sự đang đứng, lý do tại sao nó bị mắc kẹt, và những câu hỏi mà mọi quản lý nhà máy cần trả lời trước khi cam kết với cuộc cách mạng.

1. Nhà máy tối sẽ không đến. Hãy ngừng lập kế hoạch cho nó.

Tầm nhìn được xác định rõ ràng. Hỏi ChatGPT về tương lai của sản xuất cáp và nó tạo ra hình ảnh của một cơ sở gần như tự động hóa: camera thị giác máy tính, giao diện người-máy, kiểm tra chất lượng tự động. Hỏi Microsoft Copilot và bạn nhận được tai nghe AR, hệ thống bảo trì dự đoán và hướng dẫn làm việc kỹ thuật số. Cả hai hình ảnh đều trông ấn tượng. Cả hai vẫn có người trong đó.

Quan điểm của David không phải là công nghệ vô dụng. Mà là mục tiêu – một nhà máy hoạt động hoàn toàn không có sự can thiệp của con người – là một tầm nhìn rất xa vời. Các nhà sản xuất Trung Quốc đã tuyên bố danh hiệu nhà máy tối. Bất kỳ ai đã dành thời gian trong bảo trì đều biết thực tế. "Có lẽ là vài giờ chứ không phải vài ngày là thời gian một nhà máy thực sự có thể vận hành theo chế độ đó."

Vị trí trung thực của DRÄXLMAIER trong mô hình trưởng thành AI của Gartner: đâu đó giữa tích cực và vận hành. Không dẫn đầu. Không gần đến sự chuyển đổi mang tính hệ thống. Một người theo sau nhanh có chủ đích, xây dựng khối lượng tới hạn trước khi cam kết với một hướng đi. "Chúng tôi không đi trước cuộc chơi. Chúng tôi không là người tiên phong. Chúng tôi đang cố gắng trở thành người theo sau nhanh."

Bài học 1: Nhà máy tối là tầm nhìn lập kế hoạch, không phải lộ trình ngắn hạn. Các công ty thừa nhận điều đó sẽ đầu tư khôn ngoan hơn những công ty không làm vậy.

2. AI văn phòng đã chạy nước rút. AI sản xuất vẫn đang khởi động.

Khoảng cách bên trong DRÄXLMAIER thật nổi bật. Về phía văn phòng, công ty tiên tiến đáng kể: xử lý phiếu IT hỗ trợ bởi AI, quy trình soạn thảo bằng sáng chế tự động, tìm kiếm kiến thức nội bộ được xây dựng trên RAG và các hệ thống tác nhân được xây dựng với Microsoft cho phép nhân viên không có kỹ thuật tự động hóa các quy trình hành chính. David chỉ ra kiểm soát hậu cần, đặt hàng vật liệu và lập kế hoạch sản xuất là các lĩnh vực có "tiềm năng to lớn" khi các khung tác nhân đạt đến sàn nhà máy.

Thì đây là sản xuất. Vẫn đang trong giai đoạn thử nghiệm. Một số dự án thí điểm. Các đảo thực nghiệm khái niệm được phân tách bởi khoảng cách đáng kể so với triển khai có quy mô.

"Tôi cảm thấy rằng chúng tôi phát triển đáng kể hơn trong các ứng dụng văn phòng, đặc biệt là với các mô hình AI tổng quát và các tác nhân, so với sản xuất."

Sự bất đối xứng không phải là điểm đặc trưng của DRÄXLMAIER. Văn bản và con số – nguyên liệu thô của công việc văn phòng – là những gì các mô hình AI hiện tại xử lý tốt nhất. Các quy trình vật lý, lý luận không gian, kiểm tra chất lượng đa biến: những vấn đề khó hơn, và khoảng cách giữa độ chính xác trong phòng lab và yêu cầu sản xuất lớn hơn những gì hầu hết các nhà cung cấp AI thừa nhận.

Bài học 2: AI văn phòng và AI sản xuất là các lĩnh vực khác nhau với các lịch trình khác nhau. Hãy đối xử với chúng như các lộ trình riêng biệt và bạn sẽ đưa ra quyết định tốt hơn cho cả hai.

3. Biến thiên là biến số phá vỡ mô hình

Các dự án hoạt động tại DRÄXLMAIER có chung một đặc điểm: ít biến thiên. Một shunt, một linh kiện điện tử nhỏ, tạo ra hình dạng nhất quán với một loại lỗi được xác định. Thị giác máy tính được đào tạo trên bộ phận đó có thể phát hiện đáng tin cậy các lỗi bọt khí. Cáp Bowden hoặc khóa lại hoặc không. Một hình ảnh hai chiều là đủ. Cả hai đều là những vấn đề có thể giải quyết được.

Bộ dây điện thì không. Đó là một cụm lắp ráp phân nhánh, linh hoạt thay đổi dựa trên mọi tùy chọn cấu hình mà người mua chọn. Sưởi ghế hay không sưởi ghế. Trang bị này hay trang bị kia. Bộ dây điện cho một SUV cao cấp trông khác nhau qua hàng trăm biến thể. Biến thiên không phải là trường hợp ngoại lệ. Đó là sản phẩm. "Bạn có sự biến thiên rất lớn trong sản phẩm. Với 70% lao động thủ công trong sản phẩm đó, đồng thời bạn có rủi ro rất lớn cho các lỗi rất khó kiểm soát."

Đào tạo một mô hình để xử lý lắp ráp linh hoạt có biến thiên cao và sau đó thích nghi khi thông số kỹ thuật sản phẩm thay đổi là một vấn đề hoàn toàn khác so với đào tạo nó trên một bộ phận đồng nhất. Thời gian phát triển cho dự án giám sát quy trình hiện tại của DRÄXLMAIER: hơn một năm, trong sự hợp tác với một đối tác công nghiệp lớn, và vẫn chưa được triển khai đầy đủ.

Bài học 3: Trước bất kỳ dự án AI sản xuất nào, hãy hỏi: sản phẩm của chúng ta biến thiên bao nhiêu, và sự biến thiên đó ảnh hưởng như thế nào đến chi phí đào tạo và chu kỳ đào tạo lại?

4. Độ chính xác 95% là vấn đề, không phải cột mốc

Một câu hỏi từ khán giả đã khơi ra một trong những khoảnh khắc sắc sảo nhất của buổi thảo luận. Một người tham dự hỏi về tỷ lệ chính xác của cảm biến trong môi trường nhà máy có nhiễu điện từ và rung động. Câu trả lời của David đi thẳng vào cốt lõi của vấn đề AI sản xuất.

"Các mô hình chúng tôi đã thấy có độ chính xác 95%. Chúng tôi đã học được trong ngành ô tô rằng điều này không thể chấp nhận được."

Chất lượng ô tô được đo bằng phần triệu. Giao một triệu bộ dây điện cho BMW có nghĩa là tối đa 200 lỗi trên toàn bộ lô hàng. Độ chính xác 95% tạo ra 50.000 lỗi trên mỗi triệu. Khoảng cách giữa những gì AI hiện tại cung cấp và những gì chuỗi cung ứng ô tô yêu cầu không phải là vấn đề hiệu chỉnh. Đó là sự không phù hợp cơ bản giữa khả năng hiện tại của công nghệ và tiêu chuẩn không thể thương lượng của ngành.

Đó là lý do tại sao DRÄXLMAIER không thể giao kiểm tra chất lượng cho AI trong trạng thái hiện tại của nó. Công nghệ phát hiện lỗi. Nó chỉ không phát hiện đủ lỗi – và trong ngành ô tô, những lỗi bị bỏ qua là những lỗi gây ra thu hồi.

Bài học 4: Độ chính xác AI trong sản xuất không được đo so với một tiêu chuẩn chung. Nó được đo so với mức độ chấp nhận lỗi của khách hàng. Hãy biết con số đó trước khi bắt đầu dự án.

5. Câu hỏi dừng cuộc cách mạng

David kết thúc với câu hỏi mà mọi quản lý nhà máy trong phòng đã mang theo. "Với tư cách là quản lý nhà máy, không có lợi tức đầu tư. Liệu có thực sự có ý nghĩa khi đào tạo AI trong một năm và trong hoàn cảnh nào, hay là có ý nghĩa hơn khi làm việc ở đây tại Việt Nam với các công nhân Việt Nam và tiếp tục loại hình kinh doanh đó?"

Đây không phải là sự hoài nghi về AI. Đó là kinh tế học quy trình. Các điều kiện làm cho đầu tư AI xứng đáng rất cụ thể: ít biến thiên sản phẩm, ổn định quy trình, đầu ra có thể dự đoán được và tin tưởng rằng mô hình sẽ không yêu cầu đào tạo lại hoàn toàn mỗi khi thông số kỹ thuật thay đổi. Khi những điều kiện đó được đáp ứng, tính toán đầu tư thay đổi. Khi không, tiếp tục với lực lượng lao động có kỹ năng không phải là thất bại của tham vọng. Đó là quyết định đúng đắn.

Nghịch lý mà DRÄXLMAIER phát hiện ra: lực lượng lao động của họ đã sẵn sàng cho AI trước khi các quy trình của họ sẵn sàng. Nhân viên đã sử dụng các công cụ AI bên ngoài một cách tích cực đến mức công ty phải cấm chúng. Nút thắt không bao giờ là sự chấp nhận. Đó là bản chất của sản phẩm. "Không phải lực lượng lao động không sẵn sàng với AI. Tổ chức thậm chí phải tự bảo vệ mình khỏi đà phát triển đó."

Bài học 5: Nút thắt trong AI sản xuất hiếm khi là lực lượng lao động. Thường là sản phẩm và quy trình. Hãy giải quyết đúng vấn đề.

Cẩm nang thực thi cho CEO: Phải làm gì vào ngày mai

1. 1. Tách biệt lộ trình AI văn phòng của bạn khỏi lộ trình AI sản xuất của bạn. Các công cụ, lịch trình và hồ sơ lợi nhuận là khác nhau. Coi chúng như một sáng kiến duy nhất dẫn đến các ưu tiên lộn xộn và số liệu gây hiểu lầm.
2. 2. Thực hiện kiểm tra biến thiên trên quy trình có khối lượng cao nhất của bạn. Xác định ứng cử viên thân thiện với tự động hóa nhất của bạn: ít biến thiên, đầu ra ổn định, định nghĩa lỗi rõ ràng. Bắt đầu từ đó. Đừng bắt đầu với sản phẩm phức tạp nhất của bạn.
3. 3. Hỏi nhà cung cấp AI của bạn về tương đương phần triệu của họ. Trước bất kỳ hợp đồng kiểm tra chất lượng nào, hãy yêu cầu nhà cung cấp thể hiện yêu cầu chính xác của họ theo đơn vị mà khách hàng của bạn sử dụng để đánh giá bạn. Khoảng cách sẽ cho bạn thấy nhiều điều.
4. 4. Tính toán chi phí đào tạo lại đầy đủ. Khi thông số kỹ thuật sản phẩm của bạn thay đổi – và điều đó sẽ xảy ra – chi phí đào tạo lại hoặc điều chỉnh mô hình là bao nhiêu? Hãy thêm điều đó vào tổng chi phí sở hữu trước khi phê duyệt dự án.
5. 5. Tìm hiểu những gì lực lượng lao động của bạn đã đang sử dụng. Nhân viên của DRÄXLMAIER đã đi trước tổ chức. Khảo sát các nhóm của bạn. Các công cụ không được phép mà họ đang sử dụng sẽ cho bạn biết nhu cầu thực sự ở đâu – và thường chỉ ra các điểm khởi đầu có giá trị cao nhất.

→ Xem toàn bộ buổi thảo luận trên YouTube