Theo Bộ Nông nghiệp và Môi trường, Việt Nam mất 3,5–4,1 tỷ USD mỗi năm vì thất thoát sau thu hoạch. Tương đương 12% GDP nông nghiệp.

Con số đó đủ lớn để ai bán giải pháp AI cũng mang ra mở đầu bài thuyết trình.

Nhưng hãy hỏi tiếp một câu: tổn thất bao nhiêu phần trăm?

Anh chị sẽ nhận được ít nhất ba câu trả lời. Viện Cơ điện nông nghiệp và Công nghệ sau thu hoạch nói 20–25% cho nông sản, thủy sản nói chung (2024). Một bài báo năm 2018 dẫn VCCI Cần Thơ và CEL Consulting nói rau quả mất tới 45%. FAO đo cho toàn thế giới: rau quả tổn thất 25,4% năm 2023.

Ba nguồn, ba phạm vi đo, ba thời điểm khác nhau. Chưa có bộ số chuẩn theo từng mặt hàng cho Việt Nam.

Nếu cả quốc gia còn chưa thống nhất được mình mất bao nhiêu, thì câu hỏi cho từng nhà máy là: anh chị có biết lô dứa hôm qua mất bao nhiêu kg giữa vườn và máy chà không? Không biết thì chưa có gì cho AI tối ưu.

Nước phát triển đang đo gì, trước khi dự đoán gì

FAO theo dõi tổn thất lương thực bằng một chỉ số riêng trong Mục tiêu Phát triển Bền vững (SDG 12.3.1), từ sau thu hoạch qua vận chuyển, bảo quản, bán buôn, chế biến. Kết quả năm 2023: 13,3% toàn cầu, gần như không nhúc nhích so với 13,0% năm 2015. Rau quả tệ nhất và còn tệ đi: từ 23,2% lên 25,4%. Khu vực Đông và Đông Nam Á: 13,9%.

Tức là tám năm bàn về công nghệ, con số chung vẫn đứng yên.

Ở Hà Lan, Wageningen University & Research vận hành một hạ tầng riêng cho sau thu hoạch: 40 phòng kiểm soát khí hậu, 150 bình kín để thử điều kiện bảo quản, phòng thử thiết bị vận chuyển lạnh từ -20 °C đến +50 °C, camera siêu phổ và hệ đo tự động dựa trên học sâu. Để ý thứ tự: phòng kiểm soát khí hậu và cảm biến có trước, học sâu dùng để đọc số đo.

Ở Thụy Sĩ, nhóm của Thijs Defraeye tại Empa xây “song sinh số” (digital twin) cho từng lô hàng: một mô hình vật lý của trái cây, chạy trên dữ liệu nhiệt độ thật ghi dọc chuỗi. Với cam quýt, họ chạy trên 47 lô hàng thương mại. Với rau quả nhập từ Tây Ban Nha, họ theo dõi 95 lô hàng.

Phía doanh nghiệp, Walmart công bố năm 2018 hệ thống “Eden”: học máy chấm lỗi rau quả trên hơn 1 triệu ảnh, cộng dữ liệu nhiệt độ kho và xe lạnh, triển khai ở 43 trung tâm phân phối, theo công ty đã tránh được 86 triệu USD hàng hỏng. Đây là số công ty tự công bố từ 2018; kết quả sau đó tôi chưa kiểm được.

Bằng chứng nói gì: phần lớn tiền nằm ở nhiệt độ và thời gian

Đọc các nghiên cứu, điều làm tôi dừng lại là: những con số tiết kiệm lớn nhất đến từ việc kiểm soát nhiệt độ, độ ẩm và thời gian — không phải từ thuật toán.

Nghiên cứu 95 lô hàng của Empa (2022) cho thấy:

Hạ nhiệt độ vận chuyển 5 °C kéo dài hạn dùng dâu tây thêm 36%, mâm xôi thêm 73%.
Rút ngắn một ngày nằm ở trung tâm phân phối tăng chỉ số chất lượng 18% với dưa leo, cà tím và 60% với quả mọng.
Mỗi 10% độ ẩm tương đối tăng thêm giảm 20% hao hụt khối lượng.

Nghiên cứu 47 lô cam quýt đăng trên Nature Food (2022) cho thấy chất lượng và khả năng bán giữa các lô chênh nhau từ 3% đến 60%. Một nửa số lô nằm ngoài vùng cân bằng giữa giữ chất lượng, xử lý lạnh kiểm dịch ruồi đục quả, và tránh tổn thương lạnh. Thanh long, xoài xuất Mỹ, Úc, Nhật cũng phải qua xử lý kiểm dịch — bài toán đánh đổi tương tự.

Một nghiên cứu mô phỏng khác trên Environmental Science & Technology (06/2025) dùng cảm biến nhiệt độ cộng mô hình động học Arrhenius — công cụ cổ điển, không phải AI — để tính hạn dùng còn lại thay cho hạn in cố định. Kết quả: hạn dùng trái cây, sữa, rau kéo dài thêm 8,1–13,8%.

Vậy AI thêm được gì? Một nghiên cứu trên Food Control với việt quất trong chuỗi lạnh: dùng cảm biến khí (O₂, CO₂, ethylene) cộng học máy SVM, dự đoán độ tươi đúng 94,01%, so với 85,10% của phương pháp Arrhenius truyền thống chỉ dựa trên nhiệt độ và chỉ tiêu chất lượng.

Gần chín điểm phần trăm là đáng kể. Nhưng để có chín điểm đó, trước hết phải có dữ liệu nhiệt độ và khí ghi liên tục.

Và các giới hạn:

Nghiên cứu việt quất làm trên nền tảng giám sát do nhóm tự xây, ở ba mức nhiệt 0, 5 và 22 °C — chưa phải chuỗi thương mại.
Nghiên cứu hạn dùng động là mô phỏng. Chính tác giả tính ra việc sản xuất cảm biến tự nó phát thải 7,7 triệu tấn CO₂e, và với thủy sản, thịt, lợi ích nhỏ hơn 2 đến 5 lần.
Tổng quan năm 2025 về AI dự đoán hạn dùng nêu ba điểm nghẽn: dữ liệu sẵn có, khả năng dùng mô hình cho sản phẩm khác, chi phí tính toán.
Nhóm Wageningen chỉ ra triển khai AI cảnh báo sớm đặc biệt khó ở nước thu nhập thấp và trung bình, vì kết nối yếu và thiếu dữ liệu.

Việt Nam có nên dùng không

Nên — nhưng theo đúng thứ tự, và thứ tự này ngược với cách hầu hết giải pháp đang được chào bán.

Bước một: đo. Gắn thiết bị ghi nhiệt độ trên pallet, trong kho lạnh, trên xe. Ghi giờ hái, giờ về xưởng, giờ vào kho, giờ lên máy. Cân nguyên liệu ở cổng và ở đầu dây chuyền. Chi phí thấp, không cần AI, và cho anh chị con số tổn thất của chính mình thay vì con số 20% hay 45% của người khác.

Với dứa, anh chị có thể đối chiếu các khâu thu hoạch và bảo quản trong bài hướng dẫn thu hoạch và bảo quản dứa MD2. Chưa làm được phần đó thì chưa nên bàn AI.

Bước hai: mô hình đơn giản. Có một mùa vụ dữ liệu, dùng mô hình hạn dùng theo nhiệt độ để quyết định lô nào xuất trước, lô nào đưa thẳng vào chế biến.

Bước ba: AI. Khi đã có dữ liệu nhiệt, khí, ảnh gắn với từng lô và kết quả thật của lô đó — lúc ấy học máy mới có thứ để học, và mới đo được nó có hơn mô hình đơn giản hay không.

Còn một cách giảm tổn thất không cần cảm biến nào: không để trái cây phải chờ. Nguyên liệu chín đúng lúc, đưa vào chế biến thành puree và chiết vào drum vô trùng 200 kg thì không còn là hàng tươi phải chạy đua với nhiệt độ nữa. Với nhiều vùng nguyên liệu, đó là quyết định giảm tổn thất có hiệu quả hơn mọi thuật toán.

Chính Bộ Nông nghiệp và Môi trường nêu hồ tiêu là ví dụ hàng xuất khẩu có công nghệ bảo quản sau thu hoạch còn yếu. Cái thiếu ở đó là quy trình và thiết bị cơ bản, không phải AI.

Cơ chế quản lý: 5 điểm cho chuỗi lạnh và kho nguyên liệu

1. Một người chủ quản có tên. Trưởng kho hoặc trưởng logistics nhận cảnh báo nhiệt độ và chịu trách nhiệm xử lý lô. Không phải “hệ thống tự báo”.

2. Dữ liệu có chủ. Logger trên xe lạnh thuê ngoài thuộc về ai, ai được tải dữ liệu, ai được sửa. File nhiệt độ gốc không ai được chỉnh; lưu ít nhất qua hết hạn dùng của lô và thời hạn khiếu nại của buyer. Thỏa thuận trước buyer được xem phần nào.

3. Thẩm định trước khi tin. Mô hình dự đoán hạn dùng chạy song song với cách cũ — cảm quan, đo Brix, cân hao hụt — ít nhất một mùa vụ. So ngày mô hình dự đoán với ngày lô hàng thực sự xuống cấp. Chênh bao nhiêu, ghi lại.

4. Con người giữ quyền dừng. Nhiệt độ vượt ngưỡng: hệ thống cảnh báo. Còn quyết định chuyển lô sang chế biến, hạ loại hay hủy là của người có tên ở điểm 1. Thuật toán không tự hủy hàng, không tự ký giao hàng.

5. Đo lợi ích bằng tiền. Không báo cáo “mô hình chính xác 94%”. Báo cáo: số tấn hao hụt giảm so với vụ trước nhân với giá nguyên liệu; số lô phải hạ loại; số khiếu nại về chất lượng.

Năm câu phải hỏi nhà cung cấp giải pháp giám sát và dự đoán

Mô hình hạn dùng của anh đã hiệu chỉnh cho loại quả nào, giống nào, ở dải nhiệt độ nào? Có dữ liệu cho xoài, thanh long, dứa trồng ở Việt Nam không?
Phần nào là AI, phần nào là mô hình động học thông thường? Trên dữ liệu của tôi, AI hơn mô hình Arrhenius đơn giản bao nhiêu?
Cảm biến đo nhiệt độ không khí hay nhiệt độ quả, đặt ở vị trí nào trên pallet? Hiệu chuẩn bao lâu một lần, ai cấp chứng nhận hiệu chuẩn?
Mất sóng trên đường thì sao? Logger có tự lưu và tải bù khi có kết nối lại không?
Dữ liệu thuộc về ai, xuất ra định dạng nào? Khi đổi nhà cung cấp, tôi mang được toàn bộ lịch sử các lô đi không?

Những câu hỏi dạng này — về dữ liệu, nghiệm thu, quyền sở hữu — nằm trong bộ 37 câu hỏi phải hỏi nhà cung cấp thiết bị trước khi ký hợp đồng. Tải bản đầy đủ tại foodtech.paulnguyen.vn hoặc nhắn Zalo 0938 613 408.

Nếu anh chị muốn xác định tổn thất của chính nhà máy mình nằm ở khâu nào trước khi mua bất cứ giải pháp nào, đặt một phiên chẩn đoán dự án — 45–60 phút, không tính phí.

Đọc thêm: AI trong nhà máy thực phẩm: dùng ở đâu, chưa nên dùng ở đâu · Hướng dẫn thu hoạch và bảo quản dứa MD2 · Drum vô trùng 200 kg

Nguồn

Bộ Nông nghiệp và Môi trường, qua VietnamPlus/TTXVN. Tổn thất hàng tỷ USD mỗi năm do bảo quản sau thu hoạch yếu kém, 01/10/2025. https://www.vietnamplus.vn/ton-that-hang-ty-usd-moi-nam-do-bao-quan-sau-thu-hoach-yeu-kem-post1066251.vnp
PGS.TS Phạm Anh Tuấn, Viện Cơ điện nông nghiệp và Công nghệ sau thu hoạch, qua báo Nông nghiệp và Môi trường. Tổn thất sau thu hoạch nông sản, thủy sản chiếm 12% GDP toàn ngành nông nghiệp, 25/09/2024. https://nongnghiepmoitruong.vn/tri-thuc-nong-dan/ton-that-sau-thu-hoach-nong-san-thuy-san-chiem-12-gdp-toan-nganh-nong-nghiep-d401250.html
Báo Quảng Ninh, dẫn VCCI Cần Thơ và CEL Consulting. Thất thoát nông sản sau thu hoạch — điểm nghẽn lớn của nông nghiệp, 29/09/2018 (số liệu cũ, chỉ dùng để minh họa độ vênh). https://baoquangninh.vn/that-thoat-nong-san-sau-thu-hoach-diem-nghen-lon-cua-nong-nghiep-2402833.html
FAO. SDG Indicator 12.3.1 — Global food losses (Tracking progress on food and agriculture-related SDG indicators 2025). https://www.fao.org/sustainable-development-goals-data-portal/data/indicators/1231-global-food-losses/
Wageningen University & Research. FreshTech Facility — Sensing, storage & robotics. https://www.wur.nl/en/research/facilities/freshtech-facility-sensing-storage-robotics
Chandrima Shrivastava, Thijs Defraeye và cộng sự (Empa). Digital twins enable the quantification of the trade-offs in maintaining citrus quality and marketability in the refrigerated supply chain. Nature Food, 2022. https://doi.org/10.1038/s43016-022-00497-9
Kanaha Shoji, Thijs Defraeye và cộng sự (Empa). Optimizing the postharvest supply chain of imported fresh produce with physics-based digital twins. Journal of Food Engineering, 2022. https://doi.org/10.1016/j.jfoodeng.2022.111077
Grocery Dive. Walmart develops produce inspection technology to track freshness, 02/03/2018. https://www.grocerydive.com/news/grocery–walmart-develops-produce-inspection-technology-to-track-freshness/534221/
Wu và cộng sự. Nghiên cứu hạn dùng động bằng cảm biến IoT. Environmental Science & Technology, 30/06/2025. https://pmc.ncbi.nlm.nih.gov/articles/PMC12269072/
Wen-Tao Huang, Xiaoshuan Zhang và cộng sự. Improvement of blueberry freshness prediction based on machine learning and multi-source sensing in the cold chain logistics. Food Control, tập 145, 2023, bài 109496. https://doi.org/10.1016/j.foodcont.2022.109496 (đối chiếu bản tóm tắt ngày 26/09/2026)
Mahdi Rashvand, Da-Wen Sun. Artificial intelligence for prediction of shelf-life of various food products: Recent advances and ongoing challenges. Trends in Food Science & Technology, 2025. https://doi.org/10.1016/j.tifs.2025.104989
Wenjuan Mu, Hans Marvin (Wageningen). Making food systems more resilient to food safety risks by including AI, big data, and IoT into food safety early warning. Comprehensive Reviews in Food Science and Food Safety, 2024. https://doi.org/10.1111/1541-4337.13296