Ứng dụng AI trong công nghiệp thực phẩm: dùng ở đâu trước

Năm 2025, cứ năm doanh nghiệp châu Âu thì có một doanh nghiệp dùng AI.

Nghe thì nhiều. Nhưng Eurostat bóc thêm một lớp: trong ngành chế tạo, AI được dùng nhiều nhất cho marketing và quản trị hành chính. Không phải cho dây chuyền.

Châu Âu, nơi làm ra phần lớn thiết bị chế biến tôi đưa về Việt Nam suốt mười lăm năm, đang dùng AI ở văn phòng nhiều hơn ở xưởng.

Tôi không nói điều này để khuyên anh chị đứng ngoài. Tôi nói để đặt đúng câu hỏi.

Câu hỏi không phải “có nên dùng AI không”. Câu hỏi là: dùng ở khâu nào trước, theo thứ tự nào, và ai ký tên khi nó sai.

Bài này là bản đồ. Các bài tiếp theo trong chuyên mục sẽ đi sâu từng khâu.

Bên mua và cơ quan kiểm tra đã dùng AI trước anh chị

Đây là điều nhiều chủ nhà máy chưa để ý.

Ở Mỹ, FDA sàng lọc điện tử toàn bộ lô hàng thực phẩm nhập khẩu bằng hệ thống PREDICT. Mỗi lô được chấm điểm rủi ro dựa trên bản chất sản phẩm và lịch sử của nhà sản xuất, nhà nhập khẩu, người gửi hàng. Điểm đó không công bố cho ai, kể cả nhà nhập khẩu.

Ở châu Âu, mạng lưới cảnh báo an toàn thực phẩm ghi nhận 10.490 thông báo trong năm 2025, tăng 11% so với năm trước. Đầu năm 2026, Uỷ ban châu Âu đưa vào dùng TraceMap, công cụ nối dữ liệu truy xuất để bắt tín hiệu bất thường sớm hơn (báo cáo năm 2025 của Mạng lưới Cảnh báo và Hợp tác). Trong 377 thông báo về gia vị, hồ tiêu chiếm khoảng 5%.

FAO tổng hợp các ứng dụng AI trong an toàn thực phẩm và xếp “nhắm mục tiêu kiểm soát”, trong đó có ưu tiên kiểm tra tại biên giới, vào nhóm ứng dụng chính (FAO, 2025).

Hệ quả rất thực tế. Lô hàng của anh chị đang bị một thuật toán đọc trước khi cập cảng. Thuật toán đó đọc lịch sử và dữ liệu của anh chị.

Doanh nghiệp không có dữ liệu sạch thì không có gì để tự bảo vệ.

Bằng chứng nói gì, và chỗ nó chưa nói

Tôi đã cho rà các nghiên cứu bình duyệt và tài liệu của cơ quan quản lý EU, Mỹ, Anh, FAO trong vài năm gần đây. Bức tranh theo từng khâu như sau.

Khâu	AI đã làm được gì	Giới hạn đã được ghi nhận
Phân loại nông sản sau thu hoạch	Nhóm nghiên cứu ĐH Sư phạm Kỹ thuật TP.HCM phân loại thanh long bằng camera và mạng nơ-ron, báo cáo độ chính xác trên 96%, nhanh gấp 6 lần làm tay	Dữ liệu 1.287 quả, chỉ chấm theo ngoại quan
Chống gian lận nguyên liệu	AI phát hiện hạt đu đủ trộn trong hạt tiêu đen với điểm 0,92	Người chấm lành nghề trên cùng bộ ảnh đạt 0,97, cao hơn AI
Độc tố nấm	Quang phổ cận hồng ngoại kết hợp học máy dùng để sàng lọc nhanh	Chưa có phương pháp nào loại này được thẩm định chính thức để thay phòng thí nghiệm
Chuỗi lạnh	Song sinh số theo dõi 47 lô cam quýt thương mại thật	Một nửa số lô nằm ngoài vùng tối ưu, chất lượng chênh 3–60% giữa các lô
Điều khiển quá trình	Song sinh số dây chuyền tiệt trùng cho thấy giảm 62% hơi khi khởi động	Mới là mô phỏng offline, chưa nối vào hệ điều khiển thật
Kiểm tra trên dây chuyền	Quang phổ cận hồng ngoại phân loại bột thực phẩm đạt 99,5% khi mẫu đứng yên	Giảm còn 91,7% khi mẫu chạy trên băng chuyền

Hai dòng cuối là bài học tôi muốn mọi chủ đầu tư nhớ.

Con số trong phòng thí nghiệm không phải con số trên dây chuyền. Và một mô hình tính toán đẹp không phải một nhà máy đã tiết kiệm được tiền.

Cơ quan Tiêu chuẩn Thực phẩm Anh (FSA) đi tới cùng kết luận. Báo cáo của Hội đồng Khoa học FSA công bố tháng 6/2026 cảnh báo hiệu năng mô hình trôi dần theo thời gian, nên thẩm định một lần là không đủ. Khuyến nghị trung tâm của báo cáo: AI hỗ trợ quyết định, còn con người chịu trách nhiệm (FSA Science Council).

Còn một khoảng trống cần nói thẳng. Tôi không tìm được nghiên cứu bình duyệt nào về AI cho dây chuyền puree, cô đặc nước quả hay collagen từ da cá. Ai chào anh chị “giải pháp AI đã chứng minh” cho đúng mấy dây chuyền này thì anh chị có quyền hỏi: chứng minh ở đâu, trên nguyên liệu nào.

Việt Nam có nên dùng không

Có. Nhưng theo một nguyên tắc:

Mua dữ liệu trước. Mua thuật toán sau.

AI chỉ giỏi bằng dữ liệu nó học. Một nhà máy còn ghi nhiệt độ thanh trùng bằng tay vào sổ, còn đo Brix rồi chép lên bảng, thì chưa có gì cho AI học. Mua phần mềm AI lúc này là mua một bộ não không có trí nhớ.

Thứ tự tôi khuyên cho doanh nghiệp chế biến Việt Nam:

Số hoá ghi chép mẻ và gắn cảm biến. Nhiệt độ, áp suất, lưu lượng, Brix, thời gian giữ nhiệt, lỗi, ghi tự động theo từng mẻ. Không có AI nào ở đây. Nhưng mọi thứ phía sau đứng trên bước này.
Thị giác máy ở khâu phân loại và kiểm tra. Đây là nơi lợi ích đo được bằng tiền nhanh nhất: bớt người chọn tay, bớt hàng loại nhầm, bớt hàng lỗi lọt sang buyer.
Bảo trì dự đoán cho cụm thiết bị đắt nhất. Cụm cô đặc, cụm tiệt trùng, máy chiết vô trùng. Điều kiện là đã có vài tháng dữ liệu vận hành ghi tự động từ bước 1.
AI hỗ trợ quyết định an toàn thực phẩm và truy xuất. Sàng lọc hồ sơ, cảnh báo xu hướng, đối chiếu lô. Khâu này đến sau cùng vì nó đòi dữ liệu của cả ba bước trên.

Có một mốc pháp lý mà doanh nghiệp đang dùng AI phải biết. Luật Trí tuệ nhân tạo số 134/2025/QH15 có hiệu lực từ 01/3/2026, phân loại hệ thống AI theo ba mức rủi ro và yêu cầu bảo đảm khả năng giám sát của con người (văn bản trên Cổng Chính phủ). Theo Điều 35 của luật, hệ thống đã vận hành trước ngày luật có hiệu lực có 12 tháng để tuân thủ, tức tới 01/3/2027 (18 tháng với y tế, giáo dục, tài chính). Tôi sẽ viết riêng một bài về luật này.

Cơ chế quản lý: năm điểm trước khi bật công tắc

Công nghệ không làm hỏng dự án AI. Cơ chế quản lý mới làm hỏng.

1. Một người chủ quản có tên. Không phải “phòng IT”, không phải “nhà cung cấp”. Một người cụ thể chịu trách nhiệm kết quả của hệ thống, và có quyền dừng nó.

2. Dữ liệu có chủ. Ai ghi, ai được sửa, lưu bao lâu, ai được xem. Dữ liệu sửa được mà không để lại dấu vết thì không dùng được cho AI, và càng không dùng được trước đoàn audit.

3. Thẩm định trước khi tin. Chạy song song với cách làm cũ ít nhất một mùa vụ. So sai số trên nguyên liệu thật của mình, ở tốc độ dây chuyền thật của mình. Sau đó thẩm định lại định kỳ, vì mô hình trôi.

4. Con người giữ quyền dừng. Viết rõ ngưỡng nào AI chỉ cảnh báo, ngưỡng nào người phải quyết. Với điểm kiểm soát tới hạn trong HACCP, người quyết.

5. Đo lợi ích bằng tiền. Tổn thất giảm bao nhiêu tấn. Hàng bị trả giảm bao nhiêu lô. Giờ dừng máy ngoài kế hoạch giảm bao nhiêu. Không đo bằng “độ chính xác 98%” trên tài liệu chào hàng.

Năm điểm này không mới. Chúng là tinh thần của HACCP và ISO 22000 áp vào một loại thiết bị mới. Nhà máy đã vận hành HACCP nghiêm túc sẽ thấy quen.

Câu hỏi phải hỏi nhà cung cấp giải pháp AI

Trước khi ký bất kỳ hợp đồng “giải pháp AI” nào, hỏi đủ sáu câu:

Mô hình được huấn luyện trên nguyên liệu nào, của nước nào? Có dữ liệu nguyên liệu Việt Nam không?
Độ chính xác đo ở phòng thí nghiệm hay trên dây chuyền đang chạy, ở tốc độ bao nhiêu?
Khi đổi giống, đổi mùa vụ, đổi bao bì thì ai huấn luyện lại, mất bao lâu, tốn bao nhiêu?
Dữ liệu sản xuất của tôi nằm ở đâu, ai sở hữu, tôi lấy ra được không nếu ngừng hợp đồng?
Hệ thống ghi lại lý do từng quyết định loại hàng hay cảnh báo không, xuất được cho audit không?
Nếu hệ thống sai và lô hàng bị trả, trách nhiệm của anh nằm ở điều khoản nào?

Câu thứ sáu thường làm cuộc họp im lặng lâu nhất. Đó là dấu hiệu anh chị đã hỏi đúng chỗ.

Cách đọc một báo giá thiết bị thì tôi đã viết ở bài Tổng chi phí sở hữu dây chuyền. Với AI, logic còn khắt khe hơn: phần mềm là thứ rẻ nhất, dữ liệu và con người vận hành nó mới là thứ đắt.

Loạt bài tiếp theo trong chuyên mục

Mỗi bài đi sâu một khâu, cùng một khung: nước phát triển đang làm gì, bằng chứng nói gì, Việt Nam nên hay chưa, quản lý thế nào.

Máy phân loại trái cây bằng AI trên dây chuyền thật
AI và tổn thất sau thu hoạch
Phát hiện hồ tiêu pha tạp và độc tố nấm
Máy X-quang có AI phát hiện dị vật
Bảo trì dự đoán cho cụm cô đặc và tiệt trùng
Đạo luật AI của châu Âu và nhà xuất khẩu Việt Nam
FSMA 204 và dữ liệu truy xuất buyer Mỹ sẽ hỏi
HACCP có AI: khi thuật toán sai, ai ký
Luật Trí tuệ nhân tạo 2025 và nhà máy thực phẩm
Doanh nghiệp vừa và nhỏ bắt đầu AI từ đâu

Anh chị đang tính đưa AI hoặc tự động hoá vào dây chuyền? Tải bộ 37 câu hỏi phải hỏi nhà cung cấp thiết bị trước khi ký hợp đồng tại foodtech.paulnguyen.vn, hoặc nhắn Zalo 0938 613 408. Nếu dự án đã có số liệu cụ thể, đặt một phiên chẩn đoán dự án 45–60 phút, không tính phí.

Đọc thêm: Sáu lần tôi nghe cùng một câu hỏi về cụm tiệt trùng · Brix là gì và vì sao buyer châu Âu chỉ hỏi bốn con số

Nguồn

Eurostat — 20% of EU enterprises use AI technologies, 11/12/2025. https://ec.europa.eu/eurostat/web/products-eurostat-news/w/ddn-20251211-2
FDA — Entry Screening Systems and Tools (PREDICT), cập nhật 09/10/2024. https://www.fda.gov/industry/fda-import-process/entry-screening-systems-and-tools
Uỷ ban châu Âu, DG SANTE — Alert and Cooperation Network 2025 Annual Report, 2026. https://food.ec.europa.eu/document/download/5266bb47-4b7e-4558-9910-4c66519cbe7f_en?filename=acn_annual-report_2025.pdf
FAO — Artificial intelligence for food safety: a literature synthesis, real-world applications and regulatory frameworks, 2025. https://www.fao.org/food-safety/news/detail/ai-for-food-safety–fao-publication-highlights-real-world-applications-and-regulatory-considerations/en
FSA Science Council — AI Applications in Food Safety and Authenticity, GOV.UK, 25/06/2026. https://www.gov.uk/government/publications/report-artificial-intelligence-applications/science-council-report-of-project-artificial-intelligence-applications-in-food-safety-and-authenticity
Nguyen Minh Trieu, Nguyen Truong Thinh — Quality Classification of Dragon Fruits Based on External Performance Using a Convolutional Neural Network, Applied Sciences, 2021. https://doi.org/10.3390/app112210558
N. Fatima, M.M. Khan — Siamese network-based computer vision approach to detect papaya seed adulteration in black peppercorns, Journal of Food Processing and Preservation, 2022. https://doi.org/10.1111/jfpp.16043
C. Shrivastava, T. Defraeye và cộng sự — 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
M.M. Bozzini và cộng sự — Energy-efficient start-up optimization via digital twin for a vegetable broth sterilization process, Journal of Food Engineering, 2025. https://doi.org/10.1016/j.jfoodeng.2025.112822
S. Ozturk, N.J. Watson — Near-infrared spectroscopy and machine learning for classification of food powders during a continuous process, Journal of Food Engineering, 2022. https://doi.org/10.1016/j.jfoodeng.2022.111339
Quốc hội — Luật Trí tuệ nhân tạo số 134/2025/QH15, thông qua 10/12/2025. https://vanban.chinhphu.vn/?pageid=27160&docid=216334&classid=1&typegroupid=3