7 ứng dụng AI trong quản lý sản xuất mới nhất 2026

Ứng dụng AI trong quản lý sản xuất là chủ đề nóng mà nhiều doanh nghiệp quan tâm. Theo nghiên cứu mới nhất từ Gartner, việc áp dụng Trí tuệ nhân tạo (AI) và Học máy (Machine Learning) có thể giúp các doanh nghiệp sản xuất cắt giảm tới 20% chi phí bảo trì, giảm 30% tỷ lệ phế phẩm và tăng 10% hiệu suất thiết bị toàn phần (OEE). Trong bối cảnh chuyển đổi số nhà máy đang tiến dần đến cấp độ tự trị (Autonomous Factory), AI không còn là một lựa chọn thử nghiệm mà đã trở thành năng lực cốt lõi quyết định năng lực cạnh tranh.

Thế nhưng, vẫn có rất nhiều doanh nghiệp Việt Nam đang nhìn nhận AI dưới góc nhìn mơ hồ, hoặc nhầm tưởng AI là những robot đắt đỏ nằm ngoài tầm với thay vì các giải pháp phần mềm tối ưu dữ liệu. Bài viết này từ MISA AMIS sẽ đưa ra góc nhìn quản trị toàn diện về AI trong sản xuất, tìm hiểu 7 ứng dụng đột phá nhất, kèm theo quy trình 6 bước thực thi, và các case study từ Siemens, GE Digital, BMW, Xiaomi,… cùng lời khuyên thực tiễn dành cho doanh nghiệp Việt.

I. Ứng dụng AI trong quản lý sản xuất là gì? Góc nhìn từ nhà quản trị

Dưới góc nhìn quản trị, giá trị của AI không nằm ở những cánh tay robot cơ khí thuần túy. AI (Trí tuệ nhân tạo) trong sản xuất là tập hợp các thuật toán học máy (Machine Learning), thị giác máy tính (Computer Vision), xử lý ngôn ngữ tự nhiên (NLP) và dữ liệu lớn (Big Data) nhằm mục đích: Tự động thu thập, phân tích dữ liệu và ra quyết định tối ưu theo thời gian thực (Real-time Decision Making).

Nếu như tự động hóa truyền thống (như hệ thống PLC, dây chuyền băng tải) chỉ vận hành theo các kịch bản lập trình cố định “Nếu A thì làm B”, thì AI sở hữu khả năng tự học hỏi từ những sai sót, tự điều chỉnh tham số khi môi trường nhà máy biến động mà không cần con người phải can thiệp viết lại code.

Hệ thống AI trong một nhà máy hiện đại được nuôi dưỡng bởi 3 nguồn luồng dữ liệu cốt lõi:

1. Dữ liệu từ thiết bị vật lý (OT – Operational Technology): Bao gồm các thông số về tần số rung động, nhiệt độ, áp suất, dòng điện được gửi về liên tục từ hệ thống cảm biến IoT gắn trên máy móc.

2. Dữ liệu quản trị (IT – Information Technology): Thông tin lưu trữ trên các phần mềm lõi của doanh nghiệp như ERP (Hoạch định nguồn lực), MES (Điều hành sản xuất), CRM (Quản lý khách hàng) về tiến độ đơn hàng, định mức nguyên vật liệu (BOM), dữ liệu tồn kho và năng suất nhân sự.

3. Dữ liệu môi trường bên ngoài (External Data): Biến động giá cả nguyên vật liệu trên sàn thế giới, dự báo thời tiết (ảnh hưởng đến logictics/vận chuyển), và xu hướng tiêu dùng từ thị trường.

AI chính là “bộ não” đứng ở giữa, kết hợp hai thế giới OT và IT để đưa ra các mệnh lệnh vận hành tối ưu nhất cho nhà máy.

II. 7 ứng dụng AI trong quản lý sản xuất tốt nhất hiện nay

Dưới đây là bảng tổng hợp 7 ứng dụng AI hàng đầu đang định hình lại ngành sản xuất toàn cầu:

Ứng dụng AI	Phù hợp với	Ưu điểm cốt lõi	Nhược điểm/Thách thức	Ví dụ thực tế
1. Bảo trì dự đoán (Predictive Maintenance)	Ngành nặng, máy móc đắt tiền, vận hành liên tục	Giảm 50% thời gian dừng máy ngoài kế hoạch	Chi phí đầu tư cảm biến ban đầu cao	Siemens, GE Digital
2. Kiểm tra chất lượng bằng thị giác máy	Điện tử, ô tô, may mặc, dệt may, F&B	Phát hiện lỗi vi mô chính xác 99.9%, tốc độ cao	Cần lượng lớn dữ liệu hình ảnh để huấn luyện	Foxconn, Samsung
3. Tối ưu hóa lịch sản xuất	Nhà máy nhiều công đoạn, danh mục sản phẩm lớn	Tự động xếp lịch tối ưu khi có sự cố, đơn hàng mới	Cần kết nối đồng bộ dữ liệu với MES/ERP	BMW Group
4. Dự báo nhu cầu và Quản lý kho	Hàng tiêu dùng (FMCG), thời trang, linh kiện	Giảm tồn kho từ 10 – 20%, tránh đứt gãy cung ứng	Phụ thuộc vào độ sạch của dữ liệu lịch sử	Unilever, Procter & Gamble
5. Thiết kế tối ưu hóa (Generative Design)	Cơ khí chế tạo, ô tô, hàng không, bao bì	Tạo ra hàng nghìn mẫu thiết kế nhẹ hơn, bền hơn	Đòi hỏi kỹ sư có năng lực số cao	Airbus, Nissan
6. Robot cộng tác thông minh (Cobots)	Lắp ráp, đóng gói, logistics nhà máy	Linh hoạt, làm việc an toàn cạnh con người	Chi phí phần cứng cao hơn robot truyền thống	Amazon Robotics
7. Tối ưu hóa tiêu thụ năng lượng	Ngành tiêu hao năng lượng lớn (Thép, xi măng, hóa chất)	Giảm 5 – 15% chi phí điện, khí thải	Cần tích hợp sâu vào hệ thống điện lưới nhà máy	Schneider Electric

1. AI bảo trị dự đoán (Predictive Maintenance)

Khái niệm & Cách thức vận hành

Công nghệ Bảo trì dự đoạn bằng AI sử dụng các thuật toán Học máy thuật toán học giám sát (Supervised Learning) và học không giám sát (Unsupervised Learning) để theo dõi liên tục trạng thái sức khỏe của máy móc.

Các cảm biến gắn trên thiết bị sẽ đo đạc liên tục các thông số vật lý. Khi máy móc bắt đầu có dấu hiệu mài mòn, cấu trúc rung động hoặc dải nhiệt độ sẽ lệch khỏi trạng thái “bình thường” (Anomalies). AI sẽ phát hiện ra sự bất thường này từ rất sớm, thậm chí vài tuần trước khi máy hỏng, và tự động tạo một phiếu yêu cầu bảo trì gửi đến đội kỹ thuật.

Ví dụ thực tiễn

Siemens đã áp dụng giải pháp bảo trì dự đoán cho các tuabin khí và hệ thống đường ray xe lửa của họ. Bằng cách phân tích dữ liệu cảm biến, họ đã giảm được hơn 50% các sự cố dừng máy đột ngột, giúp tiết kiệm hàng triệu USD chi phí sửa chữa khẩn cấp và đền bù hợp đồng.

Khi nào nên áp dụng

• Các ngành công nghiệp nặng như: Sản xuất thép, xi măng, lọc hóa dầu, phát điện.

• Nhà máy có các thiết bị cốt lõi (Bottleneck) mà nếu thiết bị đó dừng hoạt động thì toàn bộ nhà máy phải dừng theo.

2. AI kiểm tra chất lượng sản phẩm bằng thị giác máy tính (Computer Vision QA)

Khái niệm & Cách thức vận hành

Trong các nhà máy truyền thống, khâu kiểm tra chất lượng (KCS/QA) phụ thuộc hoàn toàn vào mắt nhìn của công nhân. Phương pháp này bộc lộ nhiều nhược điểm: Công nhân dễ mỏi mắt sau vài tiếng làm việc dẫn đến bỏ sót lỗi, tốc độ kiểm tra chậm, và không thể định lượng chính xác các lỗi siêu nhỏ.

Ứng dụng thị giác máy tính sử dụng các camera công nghiệp độ phân giải cao lắp đặt ngay tại băng chuyền sản xuất. Khi sản phẩm đi qua, camera sẽ chụp ảnh và thuật toán Deep Learning (Mạng thần kinh nhân tạo Convolutional Neural Network – CNN) sẽ so sánh bức ảnh đó với bộ dữ liệu hàng triệu hình ảnh sản phẩm chuẩn và sản phẩm lỗi đã được huấn luyện trước đó. Hệ thống có thể phát hiện các vết xước nhỏ bằng sợi tóc, bọt khí trong chai nước, hay mối hàn bị lệch chỉ trong vài mili-giây.

Ví dụ thực tiễn

Thông thường, tại các nhà máy ô tô truyền thống, các kỹ thuật viên thường sử dụng đèn để xác định các lỗi sơn trên bề mặt thân xe đã hoàn thiện, sau đó vẽ một vòng tròn xung quanh điểm lỗi để một nhóm công nhân khác có thể sửa chúng. Thế nhưng, tại nhà máy Regensburg của BMW, việc ứng dụng AI đang giúp công đoạn này có những thay đổi.

Tại công đoạn kiểm tra, đánh giá các bề mặt sơn sẽ có màn hình chiếu các mẫu sọc đen trắng lên bề mặt xe, sau đó được quét bởi một camera xác định bất kỳ thay đổi nào trong các sọc phản chiếu. Sau đó, máy tính lưu trữ dữ liệu một số vị trí, hình dạng và độ sâu của lỗi sơn và tạo ra hình ảnh 3D về nó.

Khi nào nên áp dụng

• Ngành sản xuất linh kiện điện tử, chất bán dẫn.

• Ngành đóng gói thực phẩm, dược phẩm, đồ uống (F&B) đòi hỏi tốc độ cao và nghiêm ngặt về an toàn vệ sinh.

• Ngành dệt may, da giày cần phát hiện lỗi sợi, lỗi đường chỉ trên diện rộng.

3. AI tối ưu hóa kế hoạch và sắp xếp lịch sản xuất tự động (AI Scheduling)

Khái niệm & Cách thức vận hành

Lập lịch sản xuất là một trong những bài toán đau đầu nhất của giám đốc nhà máy. Phải sắp xếp thứ tự các đơn hàng như thế nào để giảm thời gian thiết lập máy (Setup time)? Phải phân bổ công nhân vào ca nào để tối ưu năng suất? Khi có một chiếc máy bất ngờ bị hỏng hoặc một đơn hàng lớn bị hủy, toàn bộ kế hoạch trên Excel lập từ đầu tuần sẽ trở thành đống giấy lộn.

AI giải quyết bài toán này bằng thuật toán tối ưu hóa tổ hợp (Combinatorial Optimization) và học tăng cường (Reinforcement Learning). AI liên tục tính toán luồng công việc, tiến độ của từng công đoạn và tự động đưa ra lịch sản xuất tối ưu nhất. Khi có biến cố xảy ra, AI chỉ mất chưa đầy 1 phút để tái cấu trúc lại toàn bộ lịch sản xuất của hàng trăm chiếc máy, đảm bảo nhà máy không bị rơi vào trạng thái hỗn loạn.

Ví dụ thực tiễn

Nhà máy tại Bắc Kinh của Xiaomi đạt tỷ lệ tự động hóa 100% ở những công đoạn cốt lõi, vận hành bởi AI có khả năng tự đưa ra quyết định thay con người.

Vận hành toàn bộ hệ thống là nền tảng Xiaomi Hyper Intelligent Manufacturing Platform (IMP). Thay vì làm theo lệnh, nền tảng tích hợp AI và IoT có khả năng tự nhận thức thông qua hàng chục nghìn cảm biến thu thập dữ liệu về nhiệt độ mối hàn, lực ép cánh tay robot hay độ rung băng chuyền…theo thời gian thực. Hệ thống có thể đưa ra quyết định điều chỉnh thông số sản xuất ngay lập tức. Ví dụ, nếu độ nhớt của keo thay đổi do thời tiết, AI sẽ tính toán lại áp suất bơm để đảm bảo độ kết dính.

Tải ngay EBOOK ĐỘC QUYỀN NHÀ MÁY KHÔNG NGỦ, TẶNG KÈM 50++ TEMPLATE QUẢN TRỊ KẾ HOẠCH SẢN XUẤT CHO NHÀ QUẢN LÝ

4. AI dự báo nhu cầu thị trường và Quản lý chuỗi cung ứng (Demand Forecasting)

Khái niệm & Cách thức vận hành

Tồn kho quá nhiều sẽ làm nghẽn dòng vốn của doanh nghiệp, tăng chi phí lưu kho và rủi ro lỗi thời sản phẩm. Ngược lại, tồn kho quá ít dẫn đến đứt gãy chuỗi cung ứng, không có hàng giao cho khách, làm mất uy tín thương hiệu.

AI giúp giải quyết thế tiến thoái lưỡng nan này bằng cách phân tích dữ liệu bán hàng trong quá khứ kết hợp với các biến số thị trường bên ngoài để dự báo chính xác nhu cầu tiêu dùng của thị trường trong những tuần hoặc tháng tới.

Ví dụ thực tiễn

Trước đây, Unilever gặp vấn đề rất lớn và khó khăn trong việc dự báo nhu cầu do: Dữ liệu từ nhiều thị trường khác nhau không đồng nhất hơn nữa quy trình dự báo truyền thống tốn thời gian và kém chính xác. Cùng với đó là khó thích ứng nhanh với các thay đổi thị trường như xu hướng tiêu dùng, thời tiết, hoặc sự kiện bất ngờ như dịch bệnh, thiên tai,…

Sau đó, Unilever đã hợp tác với các công ty công nghệ như Microsoft và Blue Yonder để xây dựng hệ thống dự báo nhu cầu dựa trên AI.

Hệ thống này giúp:

+ Tích hợp dữ liệu từ nhiều nguồn: bán hàng lịch sử, xu hướng thị trường, dữ liệu thời tiết, mạng xã hội, chiến dịch quảng cáo,…

+ Áp dụng các thuật toán học máy để tự động học hỏi từ dữ liệu, phát hiện mô hình tiêu dùng và đưa ra dự báo chính xác hơn theo từng khu vực, từng sản phẩm.

+ Dự báo được cập nhật theo thời gian thực và có khả năng phản ứng nhanh với các thay đổi đột ngột của thị trường.

Việc triển khai AI trong dự báo nhu cầu đã mang lại cho Unilever nhiều kết quả tích cực. Độ chính xác trong dự báo đã được nâng cao rõ rệt, đạt tới 95% đối với nhiều nhóm sản phẩm, giúp doanh nghiệp có cái nhìn sát thực hơn về nhu cầu thị trường. Nhờ dự báo chính xác, Unilever giảm đáng kể chi phí tồn kho và hạn chế tình trạng hết hàng (out-of-stock) tại các điểm bán.

5. AI thiết kế tối ưu hóa sản phẩm (Generative Design)

Khái niệm & Cách thức vận hành

Thay vì các kỹ sư phải ngồi tự vẽ từng bản thiết kế trên phần mềm CAD theo tư duy lối mòn, họ chỉ cần nhập các tham số đầu vào cho AI: Vật liệu là gì? Trọng lượng tối đa bao nhiêu? Sức chịu lực yêu cầu như thế nào? Phương pháp sản xuất là đúc, phay hay in 3D?

Thuật toán Generative Design của AI sẽ tự động tính toán, thử nghiệm hàng chục nghìn kịch bản hình học khác nhau và đưa ra hàng loạt giải pháp thiết kế tối ưu nhất. Những hình dạng do AI tạo ra thường có cấu trúc hữu cơ giống như xương người hoặc rễ cây – những cấu trúc mà tư duy thông thường của con người không bao giờ nghĩ ra được, giúp giảm khối lượng vật liệu nhưng lại tăng độ bền vật lý lên gấp nhiều lần.

Ví dụ thực tiễn

Hãng hàng không Airbus đã ứng dụng Generative Design để thiết kế lại vách ngăn khoang hành khách trên dòng máy bay A320.

Kết quả là vách ngăn mới do AI thiết kế nhẹ hơn phiên bản cũ 45% nhưng kết cấu chịu lực không hề thay đổi. Việc giảm trọng lượng này giúp Airbus tiết kiệm hàng triệu lít nhiên liệu và có thể cắt giảm tới 465.000 tấn CO2 ra môi trường mỗi năm.

6. Robot cộng tác thông minh (Cobots)

Khái niệm & Cách thức vận hành

Robot công nghiệp truyền thống rất to lớn, nặng nề và nguy hiểm. Chúng được lập trình để lặp đi lặp lại một động tác cố định và phải được nhốt trong các lồng sắt bảo vệ để tránh va chạm gây tai nạn cho con người.

Robot cộng tác (Cobots) ứng dụng AI thì hoàn toàn khác. Chúng được trang bị các cảm biến lực và hệ thống thị giác máy tính AI. Cobots có thể làm việc ngay cạnh con người trên cùng một bàn thao tác. Khi nhận thấy tay của công nhân di chuyển vào vùng hoạt động, Cobot sẽ tự động giảm tốc độ hoặc dừng lại ngay lập tức để đảm bảo an toàn.

Thay vì phải lập trình bằng code phức tạp, công nhân có thể “dạy” Cobot bằng cách cầm tay robot di chuyển theo động tác mẫu, AI sẽ tự động ghi nhớ và lặp lại động tác đó.

Ví dụ thực tiễn

Tại Việt Nam, việc ứng dụng robot bước đầu đã giúp Công ty cổ phần Công nghiệp ô tô Vinacomin là đơn vị nhà nước đầu tiên đầu tư robot tại miền Bắc.

Từ 2018 trở về trước, các quy trình sản xuất thủ công chiếm chủ yếu tại VMIC, nơi sản xuất các bộ phận cho xe khai thác mỏ. Việc phụ thuộc vào lao động thủ công khiến năng suất không cao, chất lượng sản phẩm không đồng nhất, khiến đơn đặt hàng thấp và ảnh hưởng đến thu nhập của công nhân.

VMIC cho rằng để có thể phát triển và cạnh tranh, thì buộc phải thay thế máy móc, thiết bị hiện đại hóa. Dùng thiết bị lỗi thời, công nghệ cũ kỹ sẽ không thể cạnh tranh nổi. Và thất bại sẽ là tất yếu.

Sau gần 2 năm, nhập khẩu và đưa vào hoạt động, công ty đã thu hồi được vốn. Năng suất tăng từ 2-3 lần, chất lượng sản phẩm rất ổn định. Đơn đặt hàng của công ty cũng tăng thêm 50-60%.

7. Tối ưu hóa tiêu thụ năng lượng và Giảm dấu chân carbon (Green Manufacturing)

Khái niệm & Cách thức vận hành

Đối với các ngành công nghiệp nặng, chi phí năng lượng (điện, than, gas) chiếm tới 30 – 40% giá thành sản phẩm. Hệ thống AI năng lượng kết nối trực tiếp với mạng lưới đồng hồ thông minh và các thiết bị tiêu thụ trong nhà máy. AI phân tích các mô hình vận hành và tự động điều chỉnh hoạt động của hệ thống điều hòa công nghiệp (HVAC), lò nung, máy nén khí sao cho tiêu thụ ít năng lượng nhất mà không làm ảnh hưởng đến tiến độ sản xuất. Ví dụ, AI sẽ điều khiển các thiết bị công suất lớn vận hành tối đa vào giờ thấp điểm (giá điện rẻ) và giảm tải vào giờ cao điểm (giá điện đắt).

Ví dụ thực tiễn

Tập đoàn công nghệ năng lượng Schneider Electric đã triển khai giải pháp AI cho các nhà máy luyện kim và xi măng tại châu Âu, giúp các nhà máy này cắt giảm từ 10% đến 15% lượng điện năng tiêu thụ, trực tiếp giúp doanh nghiệp đạt được các chứng chỉ xanh và cắt giảm hàng nghìn tấn thuế carbon mỗi năm.

Các hệ thống quản lý năng lượng phải dựa trên tiêu chuẩn quốc tế như ISO 5001 để quản lý toàn bộ hệ thống năng lượng, và ISO 5006 để đánh giá việc sử dụng năng lượng trong từng khâu vận hành. Các hệ thống này thu thập dữ liệu liên tục theo thời gian thực (real time) và có khả năng phân tích chi tiết mức tiêu hao năng lượng trên từng đơn vị sản phẩm (SKU).

Thêm vào đó, các giải pháp này còn giúp điều khiển và tối ưu hóa hệ thống điện. Các chức năng quan trọng sẽ giúp minh bạch phát thải. Các công cụ của Schneider giúp khách hàng phân tích dấu chân carbon theo ba phạm vi (Scope 1, 2, 3), giúp biết chính xác máy móc nào gây ra phát thải CO₂.

IV. Quy trình 6 bước ứng dụng AI trong quản lý sản xuất cho doanh nghiệp Việt

Để biến công nghệ AI thành đòn bẩy tăng trưởng thực tế chứ không phải một dự án “đốt tiền” vô ích, ban giám đốc doanh nghiệp cần tuân thủ nghiêm ngặt lộ trình triển khai 6 bước sau:

Bước 1: Xác định bài toán cốt lõi và mục tiêu chiến lược

Doanh nghiệp không nên ứng dụng AI một cách dàn trải. Hãy ngồi lại cùng các trưởng bộ phận phân xưởng để tìm ra “nút thắt cổ chai” đang gây thiệt hại tài chính lớn nhất cho nhà máy.

Bước 2: Đánh giá năng lực và thu thập chuẩn hóa dữ liệu

Dữ liệu là “thức ăn” của AI. Nếu đầu vào là dữ liệu rác, kết quả đầu ra của AI sẽ là rác (Garbage in, Garbage out).  Trước khi mua phần mềm tích hợp AI, doanh nghiệp cần số hóa toàn bộ các quy trình cốt lõi này lên một nền tảng quản trị tập trung (như hệ thống ERP/MES) để tạo ra nguồn dữ liệu sạch, đồng bộ làm bệ phóng cho thuật toán AI.

Đây chính là bài toán mà các nền tảng quản trị quan hệ khách hàng chuyên nghiệp như MISA AMIS Sản xuất đang giải quyết cho hàng chục nghìn doanh nghiệp:

Dùng thử miễn phí

Bước 3: Lựa chọn giải pháp phù hợp: Tự xây dựng hay Mua sẵn (Make or Buy)?

• Mua sẵn (Buy): Đối với các bài toán phổ biến như Quản lý kho, Dự báo nhu cầu, hay Bảo trì dự đoán cho các thiết bị thông thường, doanh nghiệp nên ưu tiên mua hoặc thuê các giải pháp phần mềm SaaS (Phần mềm dịch vụ) của các đơn vị công nghệ uy tín. Cách này giúp tiết kiệm chi phí, thời gian triển khai nhanh và được kế thừa kinh nghiệm từ các nhà máy đi trước.

• Tự xây dựng (Make): Chỉ áp dụng đối với các tập đoàn lớn, có đội ngũ kỹ sư dữ liệu riêng và sở hữu các bí quyết công nghệ độc quyền, dây chuyền đặc thù không thể tìm thấy giải pháp thay thế trên thị trường.

Bước 4: Triển khai dự án mẫu (Pilot Project)

Tuyệt đối không triển khai AI đồng loạt cho toàn bộ nhà máy ngay từ đầu. Hãy chọn ra một dây chuyền sản xuất, một phân xưởng hoặc một nhóm máy thiết yếu để làm dự án mẫu (Pilot). Việc này giúp doanh nghiệp kiểm chứng độ chính xác của mô hình AI, phát hiện các lỗi xung đột hệ thống với chi phí và rủi ro thấp nhất.

Bước 5: Đào tạo nhân sự và quản trị sự thay đổi (Change Management)

Rào cản lớn nhất của các dự án AI không phải là công nghệ, mà là con người. Công nhân và kỹ sư vận hành có thể có tâm lý lo sợ bị AI thay thế dẫn đến việc phản kháng, không hợp tác hoặc không nhập đúng dữ liệu vào hệ thống. Ban lãnh đạo cần truyền thông rõ ràng: AI đóng vai trò là “trợ lý đắc lực” giúp giải phóng sức lao động của họ. Tổ chức các buổi đào tạo thực hành để giúp họ làm quen với cách đọc hiểu các khuyến nghị, cảnh báo từ hệ thống AI.

Bước 6: Đo lường chỉ số ROI và tiến hành mở rộng (Scale-up)

Sau giai đoạn thử nghiệm từ 3 – 6 tháng, hãy tiến hành đo lường hiệu quả kinh tế bằng chỉ số ROI (Tỷ suất hoàn vốn): Số tiền tiết kiệm được từ việc giảm phế phẩm, giảm tiêu hao năng lượng hay giảm thời gian dừng máy là bao nhiêu so với số vốn đầu tư ban đầu? Khi các chỉ số chứng minh dự án có lãi, doanh nghiệp mới tiến hành nhân rộng mô hình AI ra toàn bộ các dây chuyền và nhà máy khác của tổng công ty.