Trong bối cảnh Generative AI ngày càng được ứng dụng rộng rãi trong doanh nghiệp, một khái niệm mới đang nhận được nhiều sự quan tâm là AI Agent (AI tác nhân).
Nếu Generative AI chủ yếu được sử dụng để trả lời câu hỏi, tạo nội dung hay tóm tắt thông tin, AI Agent có thể tiến thêm một bước: tự tìm kiếm thông tin cần thiết, phân tích tình huống và hỗ trợ thực hiện các hành động để hoàn thành một mục tiêu cụ thể.
Đối với ngành sản xuất, điều này đặc biệt đáng chú ý bởi nhiều doanh nghiệp vẫn đang gặp những vấn đề như:
- Khó phát hiện sớm bất thường của máy móc.
- Kinh nghiệm xử lý sự cố tập trung ở một số nhân viên lâu năm.
- Mất nhiều thời gian cho việc lập kế hoạch sản xuất và quản lý tồn kho.
- Dữ liệu nằm rải rác trong ERP, MES, Excel, PDF và nhiều hệ thống khác.
- Sau khi phát hiện vấn đề, quy trình xử lý vẫn phụ thuộc nhiều vào con người.
AI Agent được kỳ vọng có thể kết nối AI – dữ liệu – hệ thống – con người thành một quy trình thống nhất hơn.
Vậy AI Agent có thể được ứng dụng như thế nào trong ngành sản xuất? Doanh nghiệp nên bắt đầu từ đâu?
AI Agent là gì?
AI Agent là hệ thống AI có khả năng tiếp nhận một mục tiêu, thu thập và phân tích thông tin cần thiết, sau đó lựa chọn những hành động phù hợp để hỗ trợ hoàn thành mục tiêu đó.
Ví dụ, với Generative AI thông thường, người dùng có thể hỏi:
“Hãy cho tôi biết nguyên nhân của lỗi thiết bị này.”
AI sẽ phân tích thông tin được cung cấp và đưa ra câu trả lời.
Trong khi đó, AI Agent có thể hỗ trợ một quy trình rộng hơn:
Phát hiện dữ liệu bất thường
↓
Tìm kiếm lịch sử sự cố tương tự
↓
Tra cứu manual và tài liệu kỹ thuật
↓
Phân tích các nguyên nhân có khả năng xảy ra
↓
Thông báo cho nhân viên phụ trách
↓
Ghi lại kết quả xử lý
Có thể hiểu đơn giản:
Generative AI = tạo và cung cấp thông tin
AI Agent = sử dụng AI để kết nối nhiều tác vụ nhằm đạt được một mục tiêu
Đây cũng chính là điểm khiến AI Agent được quan tâm trong các quy trình sản xuất phức tạp.
Tại sao AI Agent đang được chú ý trong ngành sản xuất?
Một nhà máy hiện đại có thể sử dụng đồng thời rất nhiều hệ thống và nguồn dữ liệu:
ERP, MES, PLC, IoT, sensor, camera, database, Excel, PDF, manual kỹ thuật hay lịch sử bảo trì.
Vấn đề là những dữ liệu này thường nằm ở nhiều nơi khác nhau.
Khi máy móc xảy ra sự cố, nhân viên có thể phải kiểm tra dữ liệu thiết bị, tìm manual, hỏi nhân viên lâu năm, xem lại lịch sử sửa chữa rồi mới quyết định cách xử lý.
Quá trình này mất thời gian và phụ thuộc nhiều vào kinh nghiệm cá nhân.
Bên cạnh đó, tình trạng thiếu nhân lực và việc chuyển giao kinh nghiệm từ nhân viên lâu năm sang thế hệ tiếp theo cũng đang trở thành bài toán quan trọng đối với nhiều doanh nghiệp sản xuất.
AI Agent có thể đóng vai trò như một lớp kết nối giữa các nguồn dữ liệu và hệ thống này.
Tuy nhiên, mục tiêu không phải là để AI tự động đưa ra mọi quyết định.
Đặc biệt trong môi trường sản xuất, những quyết định liên quan đến chất lượng, thiết bị và an toàn vẫn cần sự kiểm soát của con người.
Do đó, mô hình phù hợp thường là:
AI thu thập thông tin → AI phân tích và đề xuất → Con người kiểm tra → Con người quyết định
Đây chính là cách tiếp cận Human-in-the-loop.
5 ứng dụng của AI Agent trong ngành sản xuất
Bảo trì và Predictive Maintenance
Trong nhiều nhà máy, máy móc vẫn được sửa chữa sau khi sự cố đã xảy ra.
Vấn đề của cách tiếp cận này là downtime có thể ảnh hưởng trực tiếp đến sản lượng và tiến độ giao hàng.
AI có thể phân tích:
- Dữ liệu sensor.
- Log hoạt động.
- Hình ảnh camera.
- Lịch sử lỗi.
- Lịch sử bảo trì.
Từ đó phát hiện các dấu hiệu bất thường trước khi sự cố nghiêm trọng xảy ra.
Khi kết hợp với AI Agent, quy trình có thể tiến xa hơn:
Phát hiện bất thường
↓
Phân tích nguyên nhân có khả năng xảy ra
↓
Tìm kiếm trường hợp tương tự trong lịch sử
↓
Tra cứu manual
↓
Đề xuất phương án kiểm tra
↓
Thông báo cho nhân viên bảo trì
Như vậy, AI không chỉ dừng ở việc báo rằng “máy đang có dấu hiệu bất thường”, mà còn hỗ trợ nhân viên quyết định “tiếp theo cần làm gì”.
Kiểm tra chất lượng và AI Vision
Kiểm tra ngoại quan là một trong những lĩnh vực AI đã được ứng dụng khá phổ biến trong sản xuất.
Camera kết hợp Computer Vision có thể hỗ trợ phát hiện:
- Vết xước.
- Biến dạng.
- Sai kích thước.
- Thiếu linh kiện.
- Lỗi bề mặt.
- Các bất thường về ngoại quan.
Nếu kết hợp AI Vision với AI Agent, quy trình có thể trở thành:
Phát hiện sản phẩm lỗi
↓
Phân loại lỗi
↓
Tìm kiếm các lỗi tương tự trước đây
↓
Kiểm tra công đoạn có khả năng gây lỗi
↓
Thông báo cho bộ phận Quality
↓
Lưu thông tin để phân tích nguyên nhân
Điều này giúp AI Vision không chỉ là một công cụ kiểm tra hình ảnh độc lập mà có thể trở thành một phần của quy trình quản lý chất lượng.
Tìm kiếm manual và chuyển giao knowledge
Một tình huống thường gặp trong nhà máy là:
“Máy này xảy ra lỗi thì chỉ anh A mới biết cách xử lý.”
Khi kiến thức tập trung vào một số nhân viên lâu năm, doanh nghiệp sẽ gặp rủi ro khi những nhân viên này nghỉ việc, chuyển bộ phận hoặc nghỉ hưu.
Trong khi đó, doanh nghiệp thường đã sở hữu rất nhiều knowledge dưới dạng:
- Manual.
- Báo cáo sự cố.
- Lịch sử bảo trì.
- FAQ.
- Tài liệu kỹ thuật.
- Hướng dẫn vận hành.
- Báo cáo của các dự án trước.
Kết hợp RAG (Retrieval-Augmented Generation) với AI Agent có thể giúp nhân viên tìm kiếm các thông tin này bằng ngôn ngữ tự nhiên.
Ví dụ:
“Khi xuất hiện error code E103 thì cần kiểm tra những gì?”
AI có thể tìm trong manual và lịch sử xử lý sự cố để đưa ra các thông tin liên quan.
Mục tiêu không phải là thay thế hoàn toàn kinh nghiệm của nhân viên lâu năm.
Quan trọng hơn là biến knowledge đang nằm rải rác trong doanh nghiệp thành:
“Thông tin mà đúng người có thể tìm thấy đúng lúc.”
Lập kế hoạch sản xuất và quản lý tồn kho
Lập kế hoạch sản xuất là một bài toán phức tạp vì doanh nghiệp phải xem xét đồng thời nhiều yếu tố:
- Đơn hàng.
- Tồn kho.
- Nhân lực.
- Năng lực thiết bị.
- Thời gian sản xuất.
- Deadline giao hàng.
- Tình trạng nguyên vật liệu.
Tại nhiều doanh nghiệp, quá trình này vẫn phụ thuộc vào Excel và kinh nghiệm của một số nhân viên.
Nếu AI Agent được kết nối với ERP, MES hoặc các hệ thống quản lý khác, quy trình có thể được hỗ trợ như sau:
Kiểm tra đơn hàng
↓
Kiểm tra tồn kho
↓
Kiểm tra tình trạng thiết bị
↓
Kiểm tra năng lực sản xuất
↓
Tạo các phương án kế hoạch
↓
Nhân viên xem xét và quyết định
Ở đây, AI không nhất thiết phải tự quyết định kế hoạch sản xuất.
Một cách ứng dụng thực tế hơn là để AI thực hiện các công việc mất nhiều thời gian như thu thập dữ liệu, phân tích và simulation, sau đó cung cấp thông tin cho người phụ trách ra quyết định.
Tự động hóa báo cáo và xử lý tài liệu
Nhà máy thường có rất nhiều tài liệu:
Checklist, phiếu sản xuất, báo cáo bảo trì, báo cáo sự cố, hóa đơn, PDF, Excel hay các biểu mẫu kiểm tra chất lượng.
Việc nhập và tổng hợp những dữ liệu này có thể tiêu tốn nhiều thời gian của nhân viên.
Kết hợp AI Agent với các công nghệ như:
OCR + Speech Recognition + Vision AI + LLM
có thể giúp đơn giản hóa quá trình này.
Ví dụ, khi máy móc xảy ra sự cố, nhân viên có thể:
Chụp ảnh thiết bị → mô tả tình trạng bằng giọng nói → AI phân tích → tìm thông tin liên quan → tạo draft báo cáo
Nhân viên chỉ cần kiểm tra và bổ sung trước khi lưu vào hệ thống.
Cách làm này vừa giảm thời gian nhập liệu, vừa giúp doanh nghiệp tích lũy dữ liệu sự cố có cấu trúc hơn để phục vụ các phân tích sau này.
3 điểm cần lưu ý khi triển khai AI Agent trong sản xuất
Đừng bắt đầu từ AI Agent, hãy bắt đầu từ vấn đề
Một sai lầm dễ gặp là bắt đầu bằng câu hỏi:
“Chúng ta có thể triển khai AI Agent ở đâu?”
Thay vào đó, hãy hỏi:
- Công việc nào đang mất nhiều thời gian nhất?
- Quy trình nào phụ thuộc quá nhiều vào một số cá nhân?
- Nhân viên đang mất nhiều thời gian tìm kiếm thông tin ở đâu?
- Sự cố nào gây thiệt hại lớn nếu phát hiện quá muộn?
- Công việc nào đang phải chuyển dữ liệu thủ công giữa nhiều hệ thống?
Sau đó mới đánh giá:
Vấn đề → Dữ liệu → Vai trò của AI → KPI
Không phải quy trình nào cũng cần AI Agent.
Trong một số trường hợp, RPA, BI, IoT hoặc cải tiến hệ thống hiện tại có thể đơn giản và hiệu quả hơn.
Kiểm tra dữ liệu trước khi chọn AI model
Hiệu quả của AI Agent phụ thuộc rất lớn vào dữ liệu mà hệ thống có thể sử dụng.
Trước khi lựa chọn LLM hoặc xây dựng một kiến trúc AI phức tạp, doanh nghiệp nên xác định:
Dữ liệu cần thiết có tồn tại không?
Dữ liệu đang nằm ở đâu?
AI có thể truy cập dữ liệu đó không?
Dữ liệu có đủ chính xác và cập nhật không?
Ví dụ, nếu lịch sử sự cố được lưu trong Excel nhưng mỗi bộ phận sử dụng một format khác nhau, vấn đề đầu tiên có thể không phải là xây AI.
Doanh nghiệp cần chuẩn hóa dữ liệu trước.
Xác định rõ AI được phép làm gì
Đây là yếu tố đặc biệt quan trọng trong sản xuất.
AI có thể đề xuất:
“Thiết bị A có dấu hiệu bất thường và nên được kiểm tra.”
Nhưng AI có được phép tự động dừng dây chuyền hay không lại là một vấn đề hoàn toàn khác.
Do đó cần xác định rõ:
AI thu thập thông tin
↓
AI phân tích
↓
AI đưa ra đề xuất
↓
Con người kiểm tra
↓
Con người phê duyệt
↓
Hệ thống thực hiện
Tùy vào mức độ rủi ro của từng công việc, doanh nghiệp có thể quyết định mức độ tự động hóa phù hợp.
Doanh nghiệp sản xuất nên bắt đầu AI Agent từ đâu?
Doanh nghiệp không cần xây dựng ngay một hệ thống AI Agent cho toàn bộ nhà máy.
Một cách thực tế hơn là bắt đầu với:
1 vấn đề × 1 quy trình
Ví dụ:
- Tìm kiếm manual khi máy xảy ra lỗi.
- Tự động tạo báo cáo sự cố.
- Phát hiện bất thường của một loại thiết bị.
- Phân tích dữ liệu chất lượng.
- Tìm kiếm tài liệu kỹ thuật nội bộ.
- Tổng hợp báo cáo sản xuất hàng ngày.
Sau đó triển khai PoC và đặt KPI cụ thể ngay từ đầu:
- Giảm được bao nhiêu giờ công?
- Thời gian tìm kiếm thông tin giảm bao nhiêu?
- Độ chính xác của AI đạt bao nhiêu?
- Downtime giảm bao nhiêu?
- Thời gian xử lý sự cố giảm bao nhiêu?
- Có bao nhiêu thao tác thủ công được loại bỏ?
Nếu PoC chứng minh được hiệu quả, doanh nghiệp có thể tiếp tục mở rộng phạm vi và kết nối AI Agent với ERP, MES, IoT hoặc các hệ thống hiện tại.
Quá trình triển khai có thể đi theo từng bước:
Xác định vấn đề
↓
Kiểm tra dữ liệu
↓
Xác định nhiệm vụ của AI Agent
↓
PoC
↓
Đo KPI
↓
Tích hợp với quy trình thực tế
↓
Mở rộng sang các nghiệp vụ khác
Kết luận: AI Agent đưa AI từ “trả lời” sang “tham gia vào quy trình”
Ứng dụng AI trong ngành sản xuất không còn chỉ giới hạn ở chatbot hay tạo nội dung bằng Generative AI.
AI Agent mở ra khả năng kết nối AI, dữ liệu, hệ thống và quy trình nghiệp vụ, từ đó hỗ trợ nhiều lĩnh vực như bảo trì thiết bị, quản lý chất lượng, lập kế hoạch sản xuất, chuyển giao knowledge và xử lý tài liệu.
Tuy nhiên, doanh nghiệp không nên đặt mục tiêu ngay từ đầu là xây dựng một AI Agent có thể tự động làm mọi thứ.
Một cách tiếp cận thực tế hơn là:
Tìm một vấn đề cụ thể → Kiểm tra dữ liệu → Xác định vai trò của AI → PoC → Đo lường → Tích hợp vào nghiệp vụ → Mở rộng
BAP Solution Japan hỗ trợ doanh nghiệp trong các lĩnh vực như Generative AI/LLM, RAG, AI Agent, AI Vision, AI-OCR, Predictive Maintenance, đồng thời có thể kết hợp AI với các hệ thống hiện tại như ERP, MES và IoT.
Thay vì bắt đầu bằng câu hỏi:
“Doanh nghiệp nên triển khai AI Agent nào?”
hãy bắt đầu bằng một câu hỏi đơn giản hơn:
“Trong quy trình hiện tại, công việc nào đang tốn nhiều thời gian, phụ thuộc vào con người hoặc có thể tạo ra giá trị lớn nhất nếu được AI hỗ trợ?”
Xác định đúng vấn đề đó chính là bước đầu tiên để biến AI Agent từ một công nghệ đang được quan tâm thành một công cụ thực sự tạo ra giá trị trong hoạt động sản xuất.
