Tối ưu hóa giá trị sản xuất nhờ các tác nhân AI (AI Agents)

Nguồn: Wanan Wanan/Shutterstock.com

Ngày nay, phần lớn các nhà sản xuất đều hiểu rằng AI sẽ làm thay đổi cách vận hành. Thực tế, 80% doanh nghiệp trong lĩnh vực này tin rằng AI sẽ trở thành yếu tố thiết yếu để duy trì hoặc thúc đẩy tăng trưởng vào năm 2030.

Tuy nhiên, “ứng dụng AI” có thể mang nhiều nghĩa khác nhau: từ các công cụ AI tạo sinh (generative AI) hỗ trợ soạn thảo nội dung, đến các hệ thống dự đoán nhu cầu hoặc gián đoạn, cho tới AI hành động độc lập (Agentic AI) - công nghệ đang bắt đầu thu hút sự quan tâm. Trong vài năm qua, nhiều nhà sản xuất đã sử dụng AI tạo sinh ở mức độ nhỏ như làm video đào tạo hoặc soạn báo cáo ca cho quản lý mới. Những ứng dụng này hữu ích, nhưng vẫn còn rất hạn chế so với những thay đổi lớn mà chúng ta chứng kiến trong năm vừa qua.

Bước tiến tiếp theo về hiệu quả sẽ đến từ Agentic AI. Khác với AI tạo sinh - vốn hoạt động thụ động và chỉ phản hồi khi có yêu cầu, Agentic AI luôn ở trạng thái “chủ động”. Nó có thể giám sát hoạt động, đưa ra quyết định và tự động hành động dựa trên các quy tắc lập luận. Đây chính là công cụ mạnh mẽ để gia tăng hiệu suất và mở khóa nhiều bài toán phức tạp.

Dù phần lớn các nhà sản xuất đã hiểu rõ tiềm năng của Agentic AI, họ vẫn gặp khó khăn trong việc xác định bắt đầu từ đâu, đầu tư vào lĩnh vực nào và mở rộng ra sao trong toàn tổ chức.

Xây dựng nền tảng dữ liệu vững chắc, dù phải vừa làm vừa hoàn thiện

Các tác nhân AI (AI agents) chỉ mạnh mẽ khi chúng có thể truy cập vào dữ liệu và hệ thống liên quan. Tuy nhiên, với phần lớn các nhà sản xuất, dữ liệu thường bị phân tán trong nhiều hệ thống rời rạc, vốn không được kết nối chặt chẽ với nhau. Ví dụ, một nhà máy có thể vận hành hàng nghìn máy móc, mỗi thiết bị lại lưu trữ dữ liệu riêng biệt và không được kết nối với các máy khác, chứ chưa nói tới việc liên thông với toàn bộ tổ chức.

Sự thiếu tích hợp này tạo ra thách thức lớn. Chẳng hạn, nếu một tác nhân AI được lập trình để cảnh báo kỹ thuật viên khi máy vượt ngưỡng hiệu suất, nhưng lại không thể truy cập vào dữ liệu tổng thể mà kỹ thuật viên cần để đưa ra quyết định, thì AI sẽ không thể hoàn thành nhiệm vụ. Giá trị của AI bị “gãy” ngay tại điểm mất kết nối đó.

Một giải pháp rõ ràng là đưa toàn bộ dữ liệu tổ chức về một nền tảng điện toán đám mây tập trung, nơi việc truy cập dữ liệu được phân quyền theo từng cấp trong doanh nghiệp. Dù điều này nghe có vẻ phức tạp và tốn nhiều thời gian, những phương pháp mới như lưới dữ liệu (data mesh) và truy cập dữ liệu không sao chép (zero-copy data access) có thể mang đến công cụ mở rộng quy mô, giúp nhà sản xuất từng bước hợp nhất và di chuyển dữ liệu. Việc “khâu nối” dữ liệu theo cách này không chỉ chứng minh hiệu quả cho các trường hợp sử dụng mà còn tạo ra giá trị ngay lập tức.

Bên cạnh đó, khi việc hài hòa dữ liệu (data harmonization) được đẩy mạnh, các tác nhân AI sẽ có thể hoạt động với tốc độ và quy mô cần thiết, từ đó tạo ra hiệu quả rõ rệt và thuyết phục doanh nghiệp tiếp tục đầu tư.

Các nhà sản xuất có thể bắt đầu quy trình này bằng những dự án thử nghiệm (pilot projects) với Agentic AI, nhằm phát hiện khoảng trống dữ liệu và xây dựng những “cầu nối vừa đủ” để thúc đẩy các ứng dụng ban đầu.

Xây dựng những thành công nhỏ để tạo nên ý tưởng lớn

Chúng ta đang sống trong một giai đoạn vô cùng thú vị của tác nhân AI (AI agents), với vô số khả năng và những ý tưởng đột phá chưa từng được hiện thực hóa. Để tiến tới các đổi mới mang tính cách mạng, các nhà sản xuất có thể cần chia nhỏ chúng thành những mục tiêu nhỏ hơn, dễ đạt được hơn. Những thử nghiệm này phải được lên kế hoạch chặt chẽ và đo lường cẩn thận, nhằm tạo ra kết quả tức thì trong khi vẫn phù hợp với bức tranh chiến lược lớn hơn. Trong quá trình đó, các nhóm có thể nhanh chóng rút kinh nghiệm từ những gì hiệu quả, đồng thời xây dựng kiến thức nội bộ để mở rộng quy mô ứng dụng AI.

Hiện nay, nhiều nhà sản xuất đang tìm cách ứng dụng Agentic AI trong kiểm soát chất lượng. Các quy trình tích hợp AI có thể phát hiện lỗi trong linh kiện bằng cách phân tích hình ảnh từ camera độ phân giải cao, sau đó sử dụng cánh tay robot để loại bỏ trực tiếp các bộ phận lỗi khỏi dây chuyền sản xuất. Điều này giúp giảm số lượng sản phẩm lỗi bị chuyển đến khách hàng, nâng cao tính đồng nhất và mức độ hài lòng của người tiêu dùng.

Những dữ liệu và hiểu biết này có thể trực tiếp hỗ trợ chuỗi cung ứng và quá trình thu mua. Ví dụ, nếu tỷ lệ lỗi tăng cao, nhà cung cấp có thể nghi ngờ sẽ không kịp thời hạn giao hàng cho một bộ phận hoặc cụm lắp ráp. Việc xây dựng một tác nhân AI tự động quét và tìm kiếm các nhà cung ứng thay thế có thể là điểm khởi đầu tốt. Về lâu dài, các tác nhân khác có thể tổng hợp dữ liệu ngữ cảnh để đánh giá độ tin cậy, sau đó đề xuất các lựa chọn cho bộ phận thu mua phê duyệt. Sau khi được phê duyệt, tác nhân AI có thể đặt hàng mới, giúp duy trì sản xuất mà không bị gián đoạn.

Khi các năng lực này phát triển hơn, AI agents có thể được ứng dụng trực tiếp trong lập kế hoạch kịch bản (scenario planning). Ví dụ, nếu một thảm họa thiên nhiên làm gián đoạn nguồn cung nguyên liệu chính, tác nhân AI có thể mô phỏng nhiều phương án ứng phó, bao gồm chuyển đổi nhà cung cấp, chấp nhận chi phí tăng cao, hoặc trì hoãn sản xuất. AI sau đó có thể phân tích tác động dây chuyền của từng kịch bản lên doanh thu và mức độ hài lòng khách hàng. Bằng cách tổng hợp nhiều tình huống và kết quả, ban lãnh đạo sẽ có đủ thông tin để đưa ra quyết định sáng suốt ngay cả trong áp lực.

Các nhà sản xuất có thể bắt đầu ngay từ hôm nay bằng cách xác định những “ý tưởng lớn” rồi chia nhỏ chúng thành các trường hợp ứng dụng trung gian với kết quả độc lập, đo lường được. Sau đó, xây dựng từng bước và kết nối chúng với các phương pháp Agentic AI ngày càng phát triển.

Cẩn trọng với tình trạng “tràn lan” tác nhân AI (Agent Sprawl)

Mặc dù Agentic AI còn khá mới trong ngành sản xuất, nhưng việc ứng dụng nó vẫn dựa trên những nguyên tắc cốt lõi quen thuộc của quản trị công nghệ: sự rõ ràng, trách nhiệm giải trình, giảm thiểu rủi ro và hiện thực hóa giá trị. Tuy vậy, thực tế cho thấy nhiều tổ chức thậm chí vẫn chưa có khung quản trị cơ bản cho công nghệ hiện tại, chứ chưa nói đến các hệ thống mới nổi như tác nhân AI.

Một cơ chế quản trị hiệu quả phải bắt đầu từ việc hiểu rõ công nghệ nào được phê duyệt để sử dụng, phạm vi áp dụng ra sao, và xác định được cả chuyên gia phụ trách cũng như các quy trình kinh doanh bị ảnh hưởng. Chính sự minh bạch này giúp lãnh đạo đánh giá nơi nào tác nhân AI và các công nghệ khác có thể tạo giá trị, những rủi ro nào có thể phát sinh, và kết quả mong đợi sẽ được ghi nhận, đo lường như thế nào.

Để đạt được điều này, cần có sự phối hợp đa chức năng. Ví dụ trong sản xuất, các trưởng ca có thể cung cấp phản hồi theo thời gian thực cho đội công nghệ về hiệu quả hoạt động của tác nhân AI trong quy trình hàng ngày. Tất nhiên, quản trị thay đổi cũng đóng vai trò then chốt, đảm bảo đào tạo đầy đủ và thiết lập kỳ vọng để việc ứng dụng được bền vững.

Một khung quản trị chặt chẽ không chỉ nâng cao hiệu quả vận hành mà còn bảo vệ tổ chức trước rủi ro. Trong trường hợp xảy ra sự cố (như gián đoạn hệ thống hay tấn công mạng), cơ chế quản trị giúp doanh nghiệp nhanh chóng xác định hệ thống bị ảnh hưởng và ứng phó kịp thời.

Ở cấp độ cao hơn, chính sự giám sát này sẽ biến các dự án thử nghiệm tác nhân AI rời rạc thành các chương trình triển khai toàn doanh nghiệp, tạo ra giá trị lâu dài, đo lường được và tiếp tục thu hút nguồn vốn đầu tư.

Các tổ chức nên thành lập ban điều phối quản trị dành riêng cho Agentic AI, ít nhất để quản lý và ghi nhận các hoạt động, tránh trùng lặp nỗ lực.

Chúng ta đang bước vào một tương lai nơi các tác nhân AI sẽ tương tác với nhau, không chỉ trong phạm vi tổ chức mà còn xuyên suốt nhiều đơn vị kinh doanh. Và dù giai đoạn này còn ở mức sơ khai, những doanh nghiệp tiên phong sẽ là những đơn vị bắt đầu triển khai tác nhân AI ngay từ bây giờ, với nền tảng dữ liệu “đủ dùng”, mục tiêu được sắp xếp theo tầng, và nhịp quản trị tinh gọn.

Theo Industry Today