Hàng ngàn quyết định mỗi ngày — giao AI cái nào?

BASF dùng AI cho 180 nhà máy nhưng không thay planner. Bài học cho team Việt Nam: phân loại quyết định trước khi phân quyền.

Sơ đồ tóm tắt ý chính của bài viết.

Bối cảnh: planner đang "đánh" một mình trên sàn

Bao nhiêu quyết định vận hành trong team bạn hàng ngày thật sự dựa trên data, và bao nhiêu dựa trên... thói quen?

BASF Agricultural Solutions vận hành 180 nhà máy sản xuất, hơn 5.000 value chain (chuỗi giá trị từ nguyên liệu đến thành phẩm). Chu kỳ từ hoạt chất đến sản phẩm cuối có thể kéo dài hai năm. Mỗi ngày, đội ngũ planner ra hàng ngàn quyết định: sản xuất gì, khi nào, giữ bao nhiêu safety stock (tồn kho dự phòng). Vấn đề? Một planner ở nhà máy A không thể biết quyết định của mình sẽ tạo hiệu ứng domino thế nào ở nhà máy B cách đó nửa vòng trái đất.

Đây không phải bài toán "thiếu AI". Đây là bài toán phân loại: trong hàng ngàn quyết định mỗi ngày, cái nào đáng để máy xử lý, cái nào phải giữ cho người?

Quyết định: dựng bản sao số trước, tự động hóa sau

BASF không nhảy vào tự động hóa toàn bộ. Họ dùng AlphaEvolve trên Google Cloud để xây một digital twin — bản sao số của toàn bộ mạng lưới supply chain — mô phỏng cách quyết định cục bộ lan tỏa qua hệ thống.

Hiểu nôm na: thay vì đưa AI vào thay planner, họ đưa AI vào để planner nhìn thấy hậu quả của quyết định trước khi ấn nút.

Một bill of materials (cây cấu trúc nguyên vật liệu) ở BASF có thể sâu hơn 30 tầng. Thay đổi ở tầng 25 có thể khiến tầng 3 thiếu hàng sau nửa năm. Không có bản sao số, planner không có cách nào thấy được chuỗi phản ứng đó. Lựa chọn của BASF rất rõ: radar trước, autopilot sau.

Hệ quả: quyết định tốt hơn, không phải ít người hơn

Điều đáng chú ý: kết quả không phải "AI thay 50% nhân sự" như nhiều case study hay khoe. Planner vẫn ra quyết định — nhưng giờ họ nhìn được bức tranh toàn cục thay vì chỉ thấy góc sân mình đứng.

Trong dojo, khác biệt giữa đai trắng và đai đen không phải số đòn biết — mà là biết khi nào không ra đòn. BASF đang giúp planner "đọc thế" thay vì phản xạ theo quán tính.

Bài học: một khung phân loại cho team thực tế

Điều BASF làm đúng mà nhiều team bỏ qua: phân loại quyết định trước khi phân quyền.

Mình đề xuất một khung ba tầng cho team vận hành:

Tầng 1 — Lặp lại, hậu quả thấp. Quyết định có pattern rõ, sai thì sửa nhanh. Ví dụ: tự động reorder khi tồn kho dưới ngưỡng. → Giao AI hoặc rule-based automation (tự động theo luật cố định) xử lý, người chỉ audit định kỳ.

Tầng 2 — Lặp lại, hậu quả cao. Pattern có nhưng sai thì đau. Ví dụ: phân bổ ngân sách sản xuất giữa các dây chuyền. → AI đề xuất, người duyệt.

Tầng 3 — Chưa có pattern, hậu quả cao. Quyết định mới, chưa có tiền lệ, khó đảo ngược. Ví dụ: chọn nhà cung cấp mới cho nguyên liệu chiến lược. → Người quyết định, AI chỉ cung cấp dữ liệu nền.

Giá trị thật của digital twin kiểu BASF nằm ở chỗ biến quyết định Tầng 3 thành Tầng 2 — bằng cách cho planner thấy trước hậu quả. Không phải mọi quyết định đều cần AI, nhưng mọi quyết định đều cần được phân loại.

Áp dụng: bài tập 20 quyết định

Bạn không cần digital twin hay AlphaEvolve để bắt đầu. Thử bài tập này trong một buổi chiều:

Bước 1: Liệt kê 20 quyết định vận hành team bạn ra nhiều nhất tuần qua.

Bước 2: Phân mỗi quyết định vào Tầng 1, 2, hoặc 3.

Bước 3: Với nhóm Tầng 1 — hỏi: đã có rule tự động chưa? Nếu chưa, thậm chí một Google Apps Script hay n8n workflow (công cụ tự động hóa open-source) cũng đủ.

Bước 4: Với nhóm Tầng 2 — hỏi: AI có thể đề xuất được không nếu cho nó đủ context?

Giả sử team bạn 5 người, mỗi người xử lý khoảng 30–40 quyết định nhỏ mỗi ngày. Nếu 60–70% rơi vào Tầng 1, bạn đang để người làm việc mà script làm được — trong khi quyết định Tầng 2 và 3 bị xử lý vội vì hết thời gian.

Một team logistics ở một công ty FMCG Việt Nam mình biết đã dùng Google Sheets kết hợp Apps Script để tự động phân bổ hàng về kho vùng — toàn bộ là quyết định Tầng 1. Kết quả không phải "tiết kiệm X tỷ" mà thực tế hơn: planner có thêm hai tiếng mỗi ngày để xử lý case ngoại lệ, thứ trước đó bị bỏ qua vì không ai rảnh nhìn.

Cái bẫy: giao đại rồi đi uống cà phê

Sai lầm phổ biến nhất mình thấy: team không phân loại mà giao đại cho AI rồi tin kết quả.

Một team e-commerce từng dùng AI tự động điều chỉnh giá theo demand. Plot twist: AI hạ giá sản phẩm flagship 40% ngay trước ngày sale — vì nó "thấy" demand đang giảm. Thực ra demand giảm vì team marketing tắt ads trước giờ sale để dồn budget. AI không biết context đó.

Đây là quyết định Tầng 2 bị đối xử như Tầng 1. Trong đối luyện, bạn không bao giờ tung đòn mà không đọc đối phương — nhưng team này đang để AI ra đòn mà không cho nó đủ thông tin để đọc tình huống.

Câu hỏi đúng không phải "tool nào xịn nhất cho vận hành?" mà là "quyết định nào trong team mình xứng đáng được AI hỗ trợ trước?" Thứ tự luôn quan trọng hơn công cụ.

---

Bụi Wire — nghiện đọc release notes lúc 2 giờ sáng