SIZL: Đưa AI và MES vào những nhà máy không thể xây lại từ đầu

Một nhà máy không trở thành “smart factory” chỉ vì lắp thêm vài màn hình. Nếu số liệu sản xuất vẫn được nhập lại bằng Excel, máy cũ không truyền dữ liệu, nguyên nhân lỗi chỉ nằm trong kinh nghiệm của một vài tổ trưởng và kế hoạch sản xuất không phản ánh tình trạng thiết bị theo thời gian thực, lớp phần mềm phía trên khó tạo ra thay đổi thật.

SIZL (시즐) chọn đi từ chính khoảng trống đó. Công ty Hàn Quốc kết nối máy móc, thu thập dữ liệu tại công đoạn và đưa hoạt động sản xuất lên MES; sau đó dùng dữ liệu đã được chuẩn hóa để phân tích quy trình, hỗ trợ ra quyết định và phát triển AI cho nhà máy. Đây là cách tiếp cận đáng chú ý với doanh nghiệp vừa và nhỏ: nâng cấp nhà máy đang vận hành, thay vì yêu cầu xây lại một nhà máy hoàn toàn mới.

SIZL là công ty nào?

SIZL được CEO Lee Ji-hyun (이지현) thành lập vào tháng 8/2016. Công ty tập trung cung cấp giải pháp cải tiến quy trình smart factory cho các doanh nghiệp sản xuất vừa và nhỏ tại Hàn Quốc, gồm hệ thống quản lý sản xuất MES, thu thập dữ liệu thiết bị, phân tích công đoạn và các mô-đun AI.

Tên tuổi SIZL gắn với một bài toán rất thực tế của công nghiệp Hàn Quốc: phần lớn nhà cung cấp linh kiện không sở hữu dây chuyền mới đồng nhất. Trong cùng một xưởng có thể tồn tại máy đời cũ, máy nhập khẩu, PLC khác chuẩn và nhiều thao tác thủ công. Vì vậy, dự án chuyển đổi số phải trả lời câu hỏi “lấy dữ liệu lên bằng cách nào” trước khi nói đến AI.

SIZL xây các mô-đun IoT và phương thức kết nối để ghi nhận sản lượng, điện năng, áp suất, tốc độ, lưu lượng hoặc trạng thái máy; sau đó đồng bộ với thông tin kế hoạch và tiêu chuẩn trong MES. Người quản lý có thể theo dõi trên web hoặc điện thoại, còn dữ liệu lịch sử tạo nền tảng cho truy tìm nguyên nhân và tối ưu quy trình.

MES chỉ là điểm khởi đầu

Giải pháp quản lý thông tin sản xuất của SIZL bao phủ dữ liệu chuẩn, bán hàng, kế hoạch sản xuất, chất lượng và tồn kho. Điểm quan trọng hơn là công ty tìm cách giảm gánh nặng nhập liệu — nguyên nhân khiến nhiều dự án MES thất bại sau nghiệm thu.

SIZL giới thiệu các phương thức như nhận diện sản phẩm bằng AI để tự động liên kết thông tin sản xuất, nhập kết quả đo kiểm bằng giọng nói và kết nối dữ liệu trực tiếp từ thiết bị. Khi người vận hành không phải vừa làm việc vừa nhập lại quá nhiều biểu mẫu, dữ liệu có cơ hội phản ánh đúng hiện trường hơn.

Một hệ thống như vậy tạo ra ba lớp giá trị:

• Nhìn thấy: biết máy nào đang chạy, dừng hay phát sinh bất thường và đơn hàng đang ở công đoạn nào.
• Giải thích: đối chiếu chất lượng, điều kiện máy, vật tư và thao tác để tìm nguyên nhân biến động.
• Cải tiến: điều chỉnh lịch sản xuất, tiêu chuẩn vận hành, bảo trì hoặc phân bổ nguồn lực dựa trên dữ liệu.

Không phải nhà máy nào cũng cần AI ngay. Với nhiều xưởng, chỉ cần có số liệu thời gian thực đáng tin cậy, truy xuất lô sản xuất và quản lý tồn kho chính xác đã tạo ra lợi ích lớn.

Từ dữ liệu nhà máy đến SIZL Agentic Brain

Hướng phát triển mới cho thấy SIZL muốn đi xa hơn vai trò nhà cung cấp MES. Công ty đang thúc đẩy SIZL Agentic Brain, nền tảng AI chuyên biệt cho công nghiệp, cùng hướng AI Copilot dựa trên Manufacturing Data Hub.

Khái niệm AI Copilot trong nhà máy không nên hiểu như chatbot trả lời kiến thức chung. Một trợ lý có giá trị phải đọc được dữ liệu sản xuất có ngữ cảnh: mã hàng nào, máy nào, ca nào, tiêu chuẩn nào, biến động xảy ra trước lỗi bao lâu và hành động nào đã được thực hiện. Khi đó người quản lý mới có thể hỏi “vì sao tỷ lệ lỗi của ca đêm tăng?”, “đơn hàng nào có nguy cơ trễ?” hoặc “máy nào cần kiểm tra trước kỳ bảo trì?”.

Năm 2026, SIZL đảm nhận vai trò chủ trì dự án phát triển nền tảng XaaS dựa trên Manufacturing Data Hub và dịch vụ AI Copilot cùng Interroid. Theo thông tin doanh nghiệp công bố, dự án có quy mô thỏa thuận khoảng 860 triệu won và kéo dài đến cuối năm 2026. Đây là tín hiệu cho thấy SIZL đang chuyển kinh nghiệm triển khai theo dự án thành dịch vụ phần mềm có thể tái sử dụng.

Vì sao AI chạy ngay trong nhà máy đáng chú ý?

SIZL cũng hợp tác với hãng bán dẫn AI Hàn Quốc Rebellions để kết hợp Agentic Brain với NPU ATOM Max, hướng đến máy chủ suy luận AI on-premise cho sản xuất.

Lựa chọn này giải quyết ba vấn đề thường gặp. Thứ nhất, dữ liệu công thức, chất lượng và năng suất có thể là bí mật sản xuất nên doanh nghiệp không muốn gửi toàn bộ lên cloud. Thứ hai, một số phản hồi tại dây chuyền cần độ trễ thấp và vẫn phải hoạt động khi mạng bên ngoài gián đoạn. Thứ ba, chi phí suy luận liên tục có thể dễ dự báo hơn khi AI chạy trên hạ tầng tại chỗ.

Tuy nhiên, on-premise không tự động đồng nghĩa với an toàn hoặc hiệu quả. Doanh nghiệp vẫn cần quản lý phiên bản mô hình, quyền truy cập, log, cập nhật bảo mật, giám sát độ lệch và phương án vận hành khi phần cứng lỗi.

Một trường hợp cho thấy cách SIZL tạo giá trị

Trong một dự án công khai về công đoạn hàn, khách hàng cần tăng sản lượng theo giờ, theo dõi quy trình thời gian thực và quản lý vật tư phụ như khí CO₂. SIZL thu thập dữ liệu sản lượng, điện năng, áp suất, tốc độ và lưu lượng qua mô-đun IoT, rồi kết nối với MES để giám sát trên web và ứng dụng.

Theo số liệu case study do SIZL công bố, dây chuyền tự động đạt khoảng 14,99 sản phẩm/giờ, so với mức 5–8 sản phẩm/giờ trước đó trong điều kiện được mô tả. Con số này không nên được dùng như cam kết cho mọi nhà máy — hiệu quả phụ thuộc thiết bị, sản phẩm và thay đổi quy trình — nhưng nó minh họa đúng cơ chế tạo giá trị: đo dữ liệu trước, xác định điểm nghẽn, tự động hóa phần phù hợp và tiếp tục theo dõi sau triển khai.

SIZL khác INTERX ở đâu?

Cả hai đều làm AI cho sản xuất, nhưng góc tiếp cận không hoàn toàn giống nhau. INTERX nổi bật với tối ưu công thức, chất lượng, thị giác máy, an toàn và Digital Twin hướng tới nhà máy tự chủ. SIZL có điểm xuất phát rất rõ ở kết nối thiết bị hiện hữu, MES và cải tiến công đoạn cho SME, sau đó đưa AI Copilot và Agentic AI vào lớp dữ liệu đó.

Doanh nghiệp không nên chọn nhà cung cấp chỉ bằng danh sách tính năng. Cần xác định vấn đề nằm ở đâu:

• nếu dữ liệu từ máy và quy trình còn rời rạc, ưu tiên kiến trúc thu thập dữ liệu, chuẩn hóa mã và MES;
• nếu dữ liệu đã đủ tốt nhưng khó tối ưu, đánh giá mô hình phân tích, dự báo và AI theo từng use case;
• nếu cần AI phản hồi tại hiện trường, kiểm tra edge/on-premise, độ trễ và khả năng tích hợp điều khiển;
• nếu có nhiều nhà máy, đánh giá khả năng chuẩn hóa template và quản trị tập trung nhưng vẫn xử lý khác biệt từng site.

Cơ hội tại Việt Nam

Việt Nam có nhiều nhà máy điện tử, cơ khí, ô tô, nhựa, thực phẩm và nhà cung cấp cấp 1–2 cho doanh nghiệp Hàn Quốc. Nhiều cơ sở đã đầu tư máy móc nhưng dữ liệu vận hành vẫn bị chia cắt giữa máy, giấy tờ, Excel, ERP và kinh nghiệm cá nhân. Đây là môi trường phù hợp với mô hình nâng cấp từng bước của SIZL.

Một lộ trình hợp lý có thể bắt đầu ở một line, một nhóm máy và một KPI thay vì triển khai MES toàn nhà máy ngay lập tức:

1. Chọn vấn đề có chi phí rõ: thời gian dừng máy, lỗi chất lượng, sản lượng theo giờ hoặc thất thoát vật tư.

2. Kiểm tra dữ liệu có thể lấy trực tiếp từ PLC/cảm biến và dữ liệu nào vẫn cần con người nhập.

3. Chạy baseline đủ dài trước khi thay đổi quy trình.

4. Triển khai dashboard và cảnh báo, xác nhận dữ liệu có được tổ trưởng sử dụng thật.

5. Chỉ thêm AI khi đã có dữ liệu đủ sạch và hành động sau dự báo được xác định.

Với dự án Hàn–Việt, còn cần giao diện và tài liệu song ngữ, đội hỗ trợ tại Việt Nam, phân quyền giữa trụ sở và nhà máy, tích hợp ERP hiện có, quy định dữ liệu và cam kết thời gian xử lý sự cố. Công nghệ từ Hàn Quốc sẽ khó mở rộng nếu mọi thay đổi nhỏ đều phải chờ kỹ sư bay sang hiện trường.

Những câu hỏi cần đặt ra trước một PoC

Doanh nghiệp nên yêu cầu câu trả lời cụ thể thay vì chỉ xem demo:

• SIZL đã kết nối loại máy, PLC và giao thức tương tự chưa?
• Dữ liệu được thu theo chu kỳ nào, có mất dữ liệu khi mất mạng không?
• MES chuẩn có thể cấu hình đến đâu trước khi phải phát triển riêng?
• KPI được tính từ nguồn nào và ai chịu trách nhiệm xác nhận baseline?
• AI đưa ra dự báo hay có quyền kích hoạt hành động trên thiết bị?
• Dữ liệu và mô hình nằm ở cloud, edge hay máy chủ trong nhà máy?
• Chi phí sau PoC gồm giấy phép, thiết bị, bảo trì và thay đổi quy trình ra sao?

PoC tốt không chỉ chứng minh phần mềm chạy. Nó phải chứng minh người tại xưởng sử dụng kết quả để ra quyết định và KPI thay đổi theo cách có thể kiểm toán.

Kết luận

Điểm đáng chú ý ở SIZL là lộ trình phát triển khá “đúng thứ tự”: kết nối hiện trường, hình thành dữ liệu sản xuất, quản trị bằng MES, phân tích quy trình rồi mới tiến tới AI Copilot và Agentic AI. Trong sản xuất, AI không thể cứu một hệ thống dữ liệu thiếu mã chuẩn, cảm biến không ổn định và quy trình không có người chịu trách nhiệm.

Nếu SIZL đóng gói được kinh nghiệm triển khai Hàn Quốc thành kiến trúc dễ nhân rộng, có đối tác delivery mạnh tại Việt Nam và chứng minh hiệu quả bằng KPI, công ty có cơ hội trở thành một cầu nối AX thực dụng cho các nhà máy vừa và nhỏ — nhóm cần chuyển đổi nhất nhưng khó chấp nhận những dự án quá lớn, quá đắt và quá xa hiện trường.

Nguồn tham khảo

• Website chính thức SIZL
• Giải pháp quản lý thông tin sản xuất
• Các trường hợp triển khai smart factory
• Giới thiệu SIZL và CEO Lee Ji-hyun
• Dự án Manufacturing Data Hub và AI Copilot
• Phòng tin tức SIZL — hợp tác Agentic AI on-premise

Bài viết độc lập của KVBiz, tổng hợp và phân tích từ nguồn công khai. Số liệu case study do doanh nghiệp công bố cần được xác nhận theo điều kiện của từng dự án.