Trợ lý AI đã bắt đầu giúp người mua tìm và so sánh nhà cung cấp, nhưng khâu chốt đơn vẫn chủ yếu do con người thực hiện. Với ngành in, kịch bản “tác tử AI tự tìm, cấu hình và đặt đơn in” mới ở giai đoạn đề xuất và thử nghiệm, các nguồn được đối chiếu chưa cho thấy đơn in nào do AI đặt ở quy mô lớn. Bài viết phân biệt tác tử AI với quy trình tự động và trợ lý AI, xác định mô hình năm lớp dữ liệu và giao thức mà một tác tử cần để làm việc với nhà in, đề xuất ba bậc quyền hạn cho AI cùng ba điều kiện dừng. Hai việc mà nhà in nên làm ngay hiện nay: làm cho dữ liệu năng lực của nhà in rõ ràng, đọc được bằng máy và quyết định chỗ nào AI chỉ được gợi ý, soạn thảo hay không được tự hành động.
Một tình huống giả định
Tình huống giả định. Một giám đốc marketing cần 5.000 hộp quà Tết, in nhiều màu, cán màng mờ, ép kim. Thay vì gọi ba cho nhà in mà họ biết, người này nhắn cho trợ lý AI: “Tìm nhà in làm được hộp này, giao trước 20/12, so sánh giúp tôi.” Trợ lý trả về hai, ba cái tên. Nếu cách mua hàng này lan rộng, những nhà in không có trong danh sách sẽ không biết mình vừa mất đi cơ hội có thể giành được đơn hàng. Câu hỏi đặt ra là: điều kiện nào khiến một nhà in có mặt trong danh sách mà trợ lý AI lập ra và điều kiện nào khiến chính nhà in biết dừng AI lại khi nó đi quá giới hạn. Theo Primavn, điều này sẽ dần hiện thực trong tương lai gần, khi AI ngày càng đi sâu hơn vào mỗi ngóc ngách của ngành.
1. Agentic print là gì
Thuật ngữ “tác tử AI” (AI agent) bị dùng rộng đến mức khó kiểm chứng. Anthropic (2024b) phân biệt hai loại hệ thống: quy trình (workflow), trong đó mô hình ngôn ngữ và công cụ được điều phối theo các đường mã viết sẵn, với tác tử, trong đó mô hình tự định hướng quá trình và dùng công cụ của mình để làm việc. OpenAI (2025b) mô tả tác tử là hệ thống tự hoàn thành nhiệm vụ thay người dùng, gồm mô hình, công cụ và chỉ dẫn, một chatbot trả lời một lượt không phải tác tử. Từ hai khái niệm này, tác tử dùng trong bài tạm được định nghĩa như sau: tác tử AI là hệ thống trong đó mô hình ngôn ngữ, không phải mã viết sẵn, quyết định trình tự các bước công việc và công cụ cần gọi cho mỗi công việc, lặp lại theo phản hồi của công cụ, và dừng hoặc trả quyền cho con người ở những điều kiện xác định. Một quy trình có các bước cố định, kể cả bước có gọi mô hình học máy, không phải tác tử.
Định nghĩa này loại bớt nhiều thứ đang được tiếp thị là “AI tác tử”. Gartner (2025a) gọi việc gắn nhãn lại trợ lý, chatbot hay tự động hóa quy trình bằng robot phần mềm mà không có năng lực tác tử thực chất là “agent washing”, ước tính chỉ khoảng 130 nhà cung cấp là thật và dự báo hơn 40% dự án tác tử bị hủy đến cuối năm 2027.
Mặt khác, Zipper (2026) dùng “agentic print” để chỉ giai đoạn sản phẩm in được thiết lập sao cho tác tử AI có thể tìm thấy, cấu hình và đặt lại đơn mà không cần con người khởi phát đơn đầu tiên, ông cho rằng với tác tử, chỉ những gì máy đọc và hiểu được mới “tồn tại”. Zipper là chủ tịch IOP, một trong các bên khởi động sáng kiến UCP-Print (CIP4, 2026). Vì vậy, câu nói trên được dùng như một quan điểm có lợi ích, không phải số liệu thị trường. Bốn thuật ngữ thường đi kèm với Agentic print:
- GEO (Generative Engine Optimization, tối ưu hiển thị trong câu trả lời của AI) bắt nguồn từ nghiên cứu của Aggarwal và cộng sự (2024), báo cáo mức tăng hiển thị tới 40% trên bộ dữ liệu thử nghiệm của họ, đó là kết quả phòng thí nghiệm, không phải cam kết cho một nhà in. AEO là nhãn thương mại chồng lấn với GEO, chưa có định nghĩa của tổ chức tiêu chuẩn nào.
- MCP (Model Context Protocol) là chuẩn mở Anthropic công bố ngày 25/11/2024 để nối trợ lý AI với dữ liệu và công cụ nghiệp vụ (Anthropic, 2024a).
- UCP (Universal Commerce Protocol) là chuẩn mở cho thương mại tác tử, Google công bố ngày 11/1/2026 cùng Shopify, Etsy, Wayfair, Target và Walmart, doanh nghiệp đặt file mô tả năng lực tại /.well-known/ucp để tác tử tự khám phá (Handa & Gupta, 2026). Giao thức thiên về bán lẻ.
- ACP (Agentic Commerce Protocol) của OpenAI và Stripe, công bố ngày 29/9/2025, bắt người dùng xác nhận từng bước và giới hạn token thanh toán theo số tiền và người bán (OpenAI, 2025a).
Người mua đã làm gì với AI
Theo khảo sát 645 người mua B2B của Gartner (2026), 45% đã dùng AI tạo sinh khi tìm nhà cung cấp, nhưng 69% vẫn xác nhận lại thông tin do AI đưa ra với nhân viên bán hàng. Ở phía người tiêu dung cá nhân, McKinsey (2026) ghi nhận 63% dùng AI để so sánh phương án và 47% chưa sẵn sàng để AI tự thực hiện các giao dịch lặp lại. Gộp lại, AI đã vào khâu tìm kiếm và lập danh sách rút gọn (shortlist), còn khâu chốt đơn vẫn chủ yếu là con người. Chưa có thông tin nào cho thấy đơn đặt hàng in do AI đặt ở quy mô lớn. Tác tử in vì thế là hướng được đề xuất, chưa phải thực tế thị trường.
2. AI “đọc” gì về nhà in?
Thuật toán xếp hạng của các công cụ AI không công khai. Có hai nguồn với độ tin cậy khác nhau. Nguồn thứ nhất là nội dung công khai mà công cụ trả lời của AI trích dẫn, như website, hồ sơ năng lực, tài liệu kỹ thuật, có bằng chứng thực nghiệm hạn chế (nghiên cứu GEO nêu trên), chưa có bằng chứng riêng cho ngành in. Nguồn thứ hai là mô tả có cấu trúc, đọc được bằng máy, về sản phẩm và năng lực nhà in, đây là hướng được Zipper (2026) và Zwang (2026) đề xuất.
Mô hình năm lớp
Để biết nhà in cần chuẩn bị dữ liệu nào, có thể sắp các thành phần liên quan thành năm lớp (Hình 1). Đây là tổng hợp của tác giả từ tài liệu CIP4 và ISO, không phải mô hình chính thức của tổ chức nào. Bảng 1 ghi điều đã xác nhận và điều chưa xác nhận ở từng lớp.
Hình 1. mô hình năm lớp dữ liệu và giao thức nối tác tử mua hàng với nhà in.
Bảng 1. Trạng thái của từng lớp (tính đến tháng 10/2026)
| Lớp | Điều đã xác nhận | Điều chưa xác nhận hoặc cần thận trọng |
| 1 | MCP, UCP, ACP đã công bố (mục 1.2). Sáng kiến UCP-Print do IOP, bvdm và Intergraf khởi động tháng 5/2026, CIP4, PRINTING United Alliance và Ghent Workgroup tham gia (CIP4, 2026). PTPGE/GutenLex là dự án từ vựng đang thử nghiệm công khai (Zwang, 2026, PTPGE, 2026). | Chưa phải chuẩn được phê chuẩn, PTPGE ở dạng public beta, số liệu về quy mô bộ từ vựng xem tại https://prima.vn/tu-agentic-print-den-packz-12-ai-dang-tai-cau-truc-cach-nha-in-ban-hang-va-san-xuat-bao-bi/ |
| 2 | PrintTalk 2.2 và Automated Print Procurement ICS 2.2 mô tả giao dịch giữa người mua và nhà in (CIP4, n.d.). | Mức triển khai thực tế chưa có khảo sát. |
| 3 | XJDF 2.2 (cùng JDF 1.8 và PrintTalk 2.2, công bố tháng 5/2024, có mã hóa JSON và REST API), JDF không bị loại bỏ. ISO 21812-1:2019 định nghĩa bộ khóa siêu dữ liệu theo từng phần tài liệu (document part, DPart) để mô tả ý định sản phẩm in trong file PDF. | ISO 21812-1 không nhúng file XJDF vào PDF, nhà in có thể tách thành file đồ họa XJDF hoặc JDF. |
| 4 | PDF/X (ISO 15930) và đặc tả Ghent Workgroup. PDF/X-6 (ISO 15930-9:2020, nền PDF 2.0) hỗ trợ DPart, PDF/X-4 thì không. | Năm 2023 bvdm và CIP4 ghi nhận chưa ứng dụng nào xuất được PDF 2.0 (bvdm & CIP4, 2023), chưa có cập nhật 2026. |
| 5 | Hai tài liệu Quality Control (Customer ICS và MIS ICS) phiên bản 2.2, ngày 30/7/2025, yêu cầu tối thiểu XJDF 2.2, kết quả đo trả về qua thông điệp XJMF. ISO 12647-2/-3/-4 chỉ được dùng để quy chiếu loại vật liệu in, ISO 13655:2017 để quy chiếu điều kiện đo (CIP4, 2025a, 2025b). | ICS là tài liệu tương tác dành cho kỹ sư phần mềm, không phải API cắm là chạy, chưa xác định hãng thiết bị đo hay MIS nào đã triển khai. |
Còn thiếu điều gì
Nếu mô hình năm lớp hợp lý, phần thiếu thật sự của tác tử in là lớp thứ nhất, lớp khám phá và gọi tên sản phẩm in, các lớp từ hai đến năm đã có tài liệu của CIP4 và ISO. Zwang (2026) nhận xét từ vựng của ngành “mang tính bộ lạc”, tức mỗi nhà in gọi một sản phẩm bằng một cách, và giới thiệu PTPGE (bảng tuần hoàn các yếu tố in) và GutenLex (hệ thống mô tả nhà sản xuất), dự kiến chuyển về một tiểu ban của Ghent Workgroup. Với nhà in, hệ quả thực tế là phần việc có thể bắt đầu ngay, không cần chờ lớp thứ nhất: mô tả sản phẩm và năng lực máy theo cấu trúc nhất quán, ghi mục tiêu, dung sai cùng kết quả đo màu thành dữ liệu thay vì lời nói. Phần quản lý màu và hiệu ứng gia công nằm ngoài khuôn khổ bài này và sẽ được bàn ở bài riêng.
3. Dữ liệu của nhà in sẵn sàng đến đâu
Muốn được tác tử nhìn thấy, nhà in cần dữ liệu về máy, vật liệu, gia công, thời gian giao và giá ở dạng có cấu trúc, nhất quán, cập nhật. Các khảo sát cho thấy còn xa. Khảo sát AI lần thứ ba của Alliance Insights trên 294 nhà cung cấp dịch vụ in, chủ yếu ở Bắc Mỹ, cho biết 38% đã triển khai AI ở ít nhất một chức năng, nhưng chỉ 12% có chiến lược AI chính thức, khoảng 14% có hệ thống lõi tích hợp cao và 25% có chính sách quản trị dữ liệu đầy đủ, lỗi nhập liệu thủ công là vấn đề dữ liệu được nêu nhiều nhất (Cross, 2026).
Rào cản cũng không phải tiền. Khảo sát năm 2025 của cùng đơn vị ghi nhận thiếu chuyên môn nội bộ ở mức 57%, khó xác định tình huống ứng dụng 56%, tích hợp hệ thống cũ 44%, còn chi phí chỉ 11%, chỉ 7% có lộ trình AI (Alliance Insights, 2025). FESPA khảo sát 774 doanh nghiệp ở 89 quốc gia và thấy khoảng 40% chưa dùng AI ở khâu nào (FESPA, 2026). Các khảo sát có mẫu và định nghĩa khác nhau nên không gộp thành một tỷ lệ.
Ở Việt Nam chưa tìm thấy khảo sát nào tách riêng ngành in. Khảo sát toàn nền kinh tế do AWS tài trợ cho biết khoảng 26% doanh nghiệp dùng AI năm 2026, trong đó 61% mới thử nghiệm và 8% đã đưa vào vận hành (VCCI, 2026). Trong ngành bao bì, khảo sát của Vietnam Report (10/2026, chưa rõ cỡ mẫu) ghi nhận hơn ba phần tư doanh nghiệp khó kết nối AI với dây chuyền hiện có (Tạp chí Kinh tế Tài chính, 2026). Nhận thức cao, tích hợp thấp.
Áp lực nhân lực làm bài toán này cấp bách hơn. Tại Đức, bvdm (2025) ghi 99.433 lao động đóng bảo hiểm xã hội và 7.973 hợp đồng đào tạo cuối năm 2024, giảm từ 111.784 và 8.725 năm 2022. Tại Việt Nam, Cục Xuất bản, In và Phát hành cho biết năm 2022 ngành có hơn 61.000 lao động, nhu cầu bổ sung 2.200–2.500 người mỗi năm, trong khi bốn cơ sở đào tạo cung ứng khoảng 1.200, tức khoảng một nửa (Báo Văn hóa, 2023).
“Dữ liệu sẵn sàng” vì thế là chuyện nền móng: bảng giá nằm trong đầu một người định giá, thông số máy ở bảng tính cá nhân, thời gian giao do trưởng ca ước lượng. Đó là tri thức ngầm, ở đây nó trở thành điều kiện để được chọn, muốn làm điều đó cần phải chuyển nó thành dữ liệu, như mô tả trong https://prima.vn/khi-nguoi-tho-gioi-nghi-viec-khung-chuyen-hoa-tri-thuc-ngam-va-giai-phap-cho-khung-hoang-nhan-luc-nha-in-viet-nam/
4. Quyền hạn và điều kiện dừng cho AI
Ba bậc quyền hạn theo hậu quả của sai sót
McGrew và McAbee (2026) đề xuất phân việc dùng AI theo hậu quả của sai sót, trên cơ sở đó bài dùng ba bậc: Gợi ý (Suggest), Soạn thảo (Prepare) và Hành động (Act). Bảng 2 nêu ví dụ và kiểm soát tối thiểu cho từng bậc, các ví dụ trong ngành in do tác giả minh họa.
Bảng 2. Ba bậc quyền hạn của AI trong nhà in
| Bậc | Ví dụ trong nhà in | Hậu quả khi sai | Kiểm soát tối thiểu |
| Gợi ý (Suggest) | Động não ý tưởng thiết kế, tóm tắt biên bản họp sản xuất, soạn nháp bản tin tiếp thị. | Thấp, sửa được trong nội bộ, không gây thiệt hại tài chính. | Người dùng đọc lại, quy định không dán dữ liệu khách hàng lên chatbot công cộng. |
| Soạn thảo (Prepare) | Trích thông số từ PDF của khách, nháp phiếu công việc (job ticket), nháp bảng định mức vật tư. | Trung bình, sai sót có thể lan sang các bước sau nếu không bị chặn. | Kỹ thuật viên kiểm tra và bấm duyệt trước khi chuyển bước. |
| Hành động (Act) | Gửi báo giá ràng buộc, cam kết ngày giao, sửa file preflight, trộn dữ liệu in biến đổi, xuất hóa đơn. | Cao, thiệt hại tài chính, pháp lý và uy tín. | Không để AI tự hành động nếu chưa có phê duyệt của người có tên, nhật ký đầy đủ, hạn mức. |
Ba điều kiện dừng
Phân bậc cho biết việc nào cần người, điều kiện dừng cho biết khi nào hệ thống phải ngừng. Anthropic (2024b) lưu ý các hệ thống tác tử thường đặt điều kiện dừng, chẳng hạn số vòng lặp tối đa và điểm kiểm tra để con người cho ý kiến, OpenAI (2025b) nêu việc chuyển cho người khi vượt ngưỡng lỗi hoặc khi hành động có rủi ro cao. Trên cơ sở đó, tác giả đề xuất ba điều kiện dừng cho nhà in (Hình 2), đây là lập luận của tác giả, không phải một chuẩn.
- Dữ liệu hoặc kết quả vượt ngưỡng đã định. Đầu vào thiếu, giá nằm ngoài khoảng cho phép, độ tin cậy thấp, hay sai lệch màu vượt dung sai khách hàng đặt: hệ thống dừng và chuyển người xử lý, không tự điều chỉnh để “cho qua”.
- Hành động ràng buộc hoặc không thu hồi được. Báo giá có giá trị pháp lý, cam kết giao hàng, hóa đơn: luôn qua một người có tên, người này giữ quyền ghi đè quyết định của AI.
- Chưa có chủ sở hữu, hạn mức và công tắc dừng. Mỗi ứng dụng AI cần một người chịu trách nhiệm, hạn mức chi phí (số tiền hoặc số lần gọi) và công tắc dừng (kill switch) đang hoạt động, thiếu một trong ba thì chưa bật tính năng.
Hình 2. Ba điều kiện dừng khi AI đề xuất hoặc thực hiện một việc.
Rủi ro dữ liệu và an ninh
Sự tin tưởng quá mức vào AI gắn với hai hiện tượng: mô hình bịa thông tin một cách tự tin (hallucination) và con người thiên lệch theo kết quả tự động (automation bias). Magesh và cộng sự (2025) kiểm tra các công cụ AI pháp lý có tra cứu dữ liệu nền và vẫn ghi nhận tỷ lệ ảo giác trên 17%, đây là kết quả trong lĩnh vực pháp lý, ở đây để cảnh báo về cơ chế, không phải để suy ra tỷ lệ sai của AI báo giá in. Về an ninh, OWASP (2025) xếp lệnh (prompt injection) ở đầu bảng danh sách rủi ro cho ứng dụng mô hình ngôn ngữ. Một tác tử nội bộ vừa đọc email hoặc PDF của khách, vừa có quyền chạm vào ERP, có thể bị thao túng bởi chỉ dẫn ẩn trong file, vì vậy quyền đọc và quyền ghi nên tách khỏi nhau. Nhân viên tự dán dữ liệu khách hàng hoặc file thiết kế vào chatbot công cộng (AI bóng tối, Shadow AI) là rủi ro thứ ba: IBM (2025) ghi nhận 63% tổ chức bị vi phạm dữ liệu chưa có chính sách quản trị AI, và Shadow AI làm chi phí xử lý sự cố tăng thêm trung bình 670.000 USD, mẫu của IBM là các tổ chức đã bị vi phạm.
Hai khung có thể dùng để xây quản trị AI nội bộ là NIST AI RMF 1.0 (NIST, 2023), gồm bốn chức năng Quản trị (Govern), Lập bản đồ (Map), Đo lường (Measure) và Xử lý (Manage), và ISO/IEC 42001:2023, hệ thống quản lý AI theo chu trình PDCA. Khung NIST đang được sửa đổi nên cần kiểm tra lại bản hiện hành trước khi áp dụng. Theo nguyên tắc “tiêu chuẩn nội bộ trước chứng chỉ”, nhà in nhỏ nên bắt đầu bằng danh mục ứng dụng AI, người chịu trách nhiệm và quy tắc dữ liệu, trước khi nghĩ đến chứng nhận.
Các lưu ý tại VN: Luật Trí tuệ nhân tạo (Số 134/2025/QH15) có hiệu lực từ 1/3/2026 và Quyết định 33/2026/QĐ-TTg quy định danh mục AI rủi ro cao theo ngành, hoạt động in thương mại thông thường chưa thấy thuộc danh mục này. Luật Bảo vệ dữ liệu cá nhân (Số 91/2025/QH15) có hiệu lực từ 1/1/2026, nên việc tải dữ liệu biến đổi chứa tên, địa chỉ hay hình ảnh cá nhân, hoặc danh sách khách hàng, lên dịch vụ AI đặt máy chủ ở nước ngoài cần được cân nhắc theo các quy định về chuyển dữ liệu.
Bảng 3. Ví dụ ứng dụng AI và tự động hóa trong in, kèm loại bằng chứng
| Ví dụ | Loại bằng chứng | Nguồn minh chứng | Không nên suy ra |
| Heidelberg Prinect Inspection Control 4 | Tuyên bố của hãng | Hai camera màu so từng tờ in với dữ liệu tiền in PDF đã duyệt, hỗ trợ Push to Stop (Heidelberg, n.d.). | Rằng hệ thống dùng AI hoặc học máy (tài liệu không nhắc). |
| EyeC ProofRunner Web (9/2025) | Tuyên bố của hãng | Bộ phân loại AI huấn luyện sẵn chia lỗi thành bốn loại cộng nhóm “khác”, tách lỗi nghiêm trọng khỏi lỗi không cần dừng máy (Converting Quarterly, 2025). | Mức giảm báo động giả hay tiết kiệm (hãng không nêu tỷ lệ). |
| Haik và cộng sự (HP), 2020 | Bản thảo trên arXiv, dữ liệu của chính tác giả | So ảnh chuẩn với ảnh quét giá rẻ cho in dữ liệu biến đổi, báo cáo tỷ lệ báo động giả 0,005% (Haik et al., 2020). | Khái quát thành độ chính xác của kiểm tra in nói chung. |
| HiFlow AI Quote Agent (10/2026) | Thông báo của hãng | Hãng trình diễn tác tử hội thoại hỏi thông số và soạn báo giá trong ERP/MIS tại TLMI (Labels & Labeling, 2026). | Kết quả của khách hàng (chưa có). |
| TEAM Concept Printing, máy Komori GL 640 (2023) | Nhà in tự báo cáo | Thời gian chuẩn bị máy giảm 30%, phế liệu giảm gần 40% (Printing Impressions, 2023). | Rằng đây là AI (đây là tự động hóa máy in) hoặc là mức trung bình của ngành. |
| Ước tính cước vận chuyển, nhà in doanh thu 20–40 triệu USD (Alliance 2025) | Giai thoại phỏng vấn | Từ 4 giờ còn 2 phút, sai lệch trong 5% so với tính tay (Alliance Insights, 2025). | Thời gian phản hồi đơn hàng nói chung. |
Dữ liệu có phương pháp rõ hơn đi theo chiều ngược lại: trong khảo sát của Alliance Insights (2025), 63% nhà in không đồng ý rằng AI sẽ giảm nhân sự trong tổ chức của mình và rào cản chính là chuyên môn nội bộ chứ không phải chi phí. Điều này khớp với nguyên tắc AI bổ sung chứ không thay thế con người.
5. Lộ trình theo mức năng lực số M1–M4
Bảng 4 sắp thứ tự việc nên làm trước và việc nên chưa làm theo bốn mức năng lực số. Đây là đề xuất của tác giả.
Bảng 4. Thứ tự ưu tiên về AI theo mức năng lực số M1–M4 (đề xuất)
| Mức | Đặc điểm (mô tả tạm) | Nên làm trước | Chưa nên làm |
| M1 Khởi động | Quản lý thủ công, dữ liệu phân tán trên sổ sách, tri thức nằm ở từng cá nhân, chưa có MIS. | Lập danh mục công cụ AI nhân viên đang tự dùng, ban hành quy định không dán dữ liệu khách hàng lên chatbot công cộng, thử ở bậc Gợi ý. | Cho AI can thiệp vào tính giá, báo giá, lập lịch hoặc đọc file thiết kế của khách. |
| M2 Chuẩn hóa | Có phần mềm kế toán hoặc bán hàng riêng lẻ, thông số máy và bảng giá đã số hóa nhưng chưa đồng bộ. | Chuẩn hóa danh mục sản phẩm, khổ máy, vật liệu, gia công, phân công người quản trị dữ liệu, đặt chuẩn kiểm tra màu nội bộ trước khi hướng tới G7 hoặc ISO. | Nối AI vào sản xuất khi khâu nhập liệu tại xưởng còn làm bằng tay. |
| M3 Tích hợp | Vận hành MIS/ERP và web-to-print tập trung, dữ liệu sản xuất ghi nhận gần thời gian thực. | Thử ở bậc Soạn thảo (bóc tách RFQ, nháp báo giá, nháp job ticket) và luôn có người duyệt, thử mô tả việc in theo XJDF hoặc siêu dữ liệu ISO 21812-1, tích hợp đo màu tự động. | Cấp quyền cho AI gửi báo giá ràng buộc hoặc tự cam kết ngày giao. |
| M4 Tối ưu | Hạ tầng số hoàn chỉnh, kết nối API từ tiền in đến sau in, sẵn sàng trao đổi máy với máy. | Công bố mô tả năng lực máy đọc được theo các chuẩn đã có, theo dõi UCP-Print và PTPGE, thí điểm khi chuẩn ổn định, thiết lập hạn mức và công tắc dừng. | Cam kết độc quyền một giao thức thương mại tác tử khi chuẩn ngành chưa ổn định. |
Trước khi đưa tính năng AI ở bậc Soạn thảo hoặc Hành động vào vận hành, ban quản lý nên trả lời năm câu hỏi thẩm định của McGrew và McAbee (2026): quyết định cụ thể nào được AI hỗ trợ, nguồn dữ liệu nào được dùng để huấn luyện hoặc truy vấn, chuyện gì xảy ra nếu AI sai, ai giữ quyền ghi đè quyết định của AI, và đo bằng chỉ số định lượng nào để khẳng định quy trình đã tốt lên. Cũng cần nhớ một nguyên tắc quen thuộc trong cải tiến quy trình: tự động hóa một quy trình đang hỏng chỉ làm nó hỏng nhanh hơn, nên chuẩn hóa dữ liệu gốc và quy trình thủ công phải đi trước phần mềm.
Kết luận
Hai việc trong tiêu đề nghe ngược nhau, một bên mở ra cho AI thấy, bên kia kìm AI lại, nhưng chung một nền: dữ liệu rõ ràng và trách nhiệm rõ ràng. Nhà in chưa nắm thông số máy của mình thì không mô tả được cho tác tử, cũng không giao việc cho AI mà biết khi nào nó sai.
Thứ tự tác giả đề nghị chủ nhà in mang theo là: con người và dữ liệu trước, công cụ sau, thử ở bậc Gợi ý trước, bậc Hành động sau, chuẩn nội bộ trước, giao thức bên ngoài sau. Chưa thể nói kịch bản AI chọn nhà in sẽ đến khi nào, hay có đến ở quy mô lớn hay không. Nhưng nhà in có dữ liệu sạch, có người chịu trách nhiệm cho từng ứng dụng AI và quy tắc rõ về chỗ nào được tự chạy sẽ không mất gì nếu nó đến sớm và vẫn được lợi nếu nó chưa đến.
Tài liệu tham khảo
Aggarwal, P., Murahari, V., Rajpurohit, T., Kalyan, A., Narasimhan, K., & Deshpande, A. (2024). GEO: Generative engine optimization (arXiv:2311.09735v3). https://arxiv.org/abs/2311.09735 Alliance Insights. (2025). AI adoption in the printing industry: From curiosity to competitive advantage. PRINTING United Alliance. https://www.printing.org/docs/default-source/academy-docs/2025_ai_adoption_in_the_print_industry_final-update.pdf Anthropic. (2024a, November 25). Introducing the Model Context Protocol. https://www.anthropic.com/news/model-context-protocol Anthropic. (2024b, December 19). Building effective agents. https://www.anthropic.com/engineering/building-effective-agents Báo Văn hóa. (2023, March 3). Nhiều bài toán cần giải của ngành in. https://baovanhoa.vn/chinh-sach-quan-ly/nhieu-bai-toan-can-giai-cua-nganh-in-38852.html bvdm. (2025). Statistik Berufsbildung Druck und Medien 2024/2025 [Thống kê đào tạo nghề, tình trạng 06/05/2025]. https://www.bvdm-online.de/fileadmin/user_upload/Bundesverband/Statistik_Berufsbildung_2024.pdf bvdm & CIP4. (2023, August). PDF and JDF [White paper]. https://www.cip4.org/files/cip4-2022/Documents/Workflow%20Automation/White%20Papers/BVDM_CIP4_PDF_JDF_Aug2023.pdf CIP4. (n.d.). Specifications. https://www.cip4.org/print-automation/specifications CIP4. (2025a, July 30). Quality control: Customer ICS, version 2.2. https://www.cip4.org/files/cip4/ics/Quality%20Control%20Customer%20ICS%202.2.pdf CIP4. (2025b, July 30). Quality control: MIS ICS, version 2.2. https://www.cip4.org/files/cip4/ics/Quality%20Control%20MIS%20ICS%202.2.pdf CIP4. (2026, July 10). UCP and CIP4 initiative [News]. https://www.cip4.org/news-detail/UCP-and-CIP4-Initiative Converting Quarterly. (2025, September 17). EyeC ushers in a new era of quality control: Pre-trained AI for intelligent inline inspection. https://convertingquarterly.com/eyec-ushers-in-a-new-era-of-quality-controlpre-trained-ai-for-intelligent-inline-inspection/ Cross, L. (2026, October 13). AI in print is entering its next phase. Printing Impressions. https://www.piworld.com/article/ai-in-print-is-entering-its-next-phase/ FESPA. (2026, May 11). FESPA launches its 2026 Print Census as it releases key findings from its 2025 survey [Press release]. https://adcomms.co.uk/media-centre/fespa-launches-its-2026-print-census-as-it-releases-key-findings-from-its-2025-survey Gartner. (2025a, June 25). Gartner predicts over 40% of agentic AI projects will be canceled by end of 2027 [Press release]. https://www.gartner.com/en/newsroom/press-releases/2025-06-25-gartner-predicts-over-40-percent-of-agentic-ai-projects-will-be-canceled-by-end-of-2027 Gartner. (2026, May 20). Gartner survey finds 69% of B2B buyers turn to sales reps to validate AI-generated insights [Press release]. https://www.gartner.com/en/newsroom/press-releases/2026-05-20-gartner-survey-finds-sixty-nine-percent-of-b-two-b-buyers-turn-to-sales-reps-to-validate-ai-generated-insights Haik, O., Perry, O., Chen, E., & Klammer, P. (2020). A novel inspection system for variable data printing using deep learning (arXiv:2001.04325). https://arxiv.org/abs/2001.04325 Handa, A., & Gupta, A. (2026, January 11). Under the hood: Universal Commerce Protocol (UCP). Google Developers Blog. https://developers.googleblog.com/under-the-hood-universal-commerce-protocol-ucp Heidelberg. (n.d.). Prinect Inspection Control. https://www.heidelberg.com/en/prinect-inspection-control IBM. (2025, July 30). 2025 cost of a data breach: Navigating the AI rush without sidelining security. https://www.ibm.com/think/x-force/2025-cost-of-a-data-breach-navigating-ai International Organization for Standardization. (2019). ISO 21812-1:2019 Graphic technology — Print product metadata for PDF files — Part 1: Architecture and core requirements for metadata. ISO. International Organization for Standardization. (2020). ISO 15930-9:2020 Graphic technology — Prepress digital data exchange using PDF — Part 9: Complete exchange of printing data (PDF/X-6) and partial exchange of printing data with external profile reference (PDF/X-6p and PDF/X-6n) using PDF 2.0. ISO. International Organization for Standardization & International Electrotechnical Commission. (2023). ISO/IEC 42001:2023 Information technology — Artificial intelligence — Management system. ISO/IEC. https://www.iso.org/standard/42001 Labels & Labeling. (2026, October 13). HiFlow shows AI-powered ERP. https://www.labelsandlabeling.com/news/workflow-mis-inspection/hiflow-shows-ai-powered-erp Magesh, V., Surani, F., Dahl, M., Suzgun, M., Manning, C. D., & Ho, D. E. (2025). Hallucination-free? Assessing the reliability of leading AI legal research tools. Journal of Empirical Legal Studies, 22, 216. https://law.stanford.edu/publications/hallucination-free-assessing-the-reliability-of-leading-ai-legal-research-tools McGrew, P., & McAbee, R. (2026). The cost of being wrong: Making good AI decisions in print. WhatTheyThink Quarterly, Issue 3 (The Software Issue). https://whattheythink.com/quarterly/2026-software/131397-cost-being-wrong-making-good-ai-decisions-print/ McKinsey & Company. (2026, April 16). AI to browse but not to buy [Chart of the week]. https://www.mckinsey.com/featured-insights/charts/ai-to-browse-but-not-to-buy National Institute of Standards and Technology. (2023). Artificial intelligence risk management framework (AI RMF 1.0) (NIST AI 100-1). https://doi.org/10.6028/NIST.AI.100-1 OpenAI. (2025a, September 29). Buy it in ChatGPT: Instant Checkout and the Agentic Commerce Protocol. https://openai.com/index/buy-it-in-chatgpt/ OpenAI. (2025b). A practical guide to building agents. https://cdn.openai.com/business-guides-and-resources/a-practical-guide-to-building-agents.pdf OWASP. (2025). OWASP top 10 for LLM applications 2025 (LLM01: Prompt injection). https://genai.owasp.org/llmrisk/llm01-prompt-injection/ PDF Association. (n.d.). ISO 21812-1: Print product metadata for PDF files. https://pdfa.org/resource/iso-21812-1/ Printing Impressions. (2023, April 13). Printers highlight benefits of sheetfed offset press automation. https://www.piworld.com/article/printers-highlight-benefits-sheetfed-offset-press-automation PTPGE. (2026). Periodic Table of Print Graphic Elements [Project website, truy cập 16/10/2026]. https://ptpge.org/home/ Tạp chí Kinh tế Tài chính. (2026, October 1). Công bố Top 10 công ty uy tín ngành bao bì năm 2026 và đánh giá bức tranh tăng trưởng ngành. https://tapchikinhtetaichinh.vn/cong-bo-top-10-cong-ty-uy-tin-nganh-bao-bi-nam-2026-va-danh-gia-buc-tranh-tang-truong-nganh-168479.html Tilleke & Gibbins. (2026a, July 6). Vietnam introduces sectoral list of high-risk AI systems. https://www.tilleke.com/insights/vietnam-introduces-sectoral-list-of-high-risk-ai-systems/ Tilleke & Gibbins. (2026b). Vietnam’s new Personal Data Protection Law: A closer look. https://www.tilleke.com/insights/vietnams-new-personal-data-protection-law-a-closer-look/ VCCI. (2026, October 1). Việt Nam có 245.000 doanh nghiệp đang ứng dụng AI. https://vcci.com.vn/tin-tuc/viet-nam-co-245000-doanh-nghiep-dang-ung-dung-ai Zipper, B. (2026, July 21). Agentic print: Print wird Infrastruktur [Whitepaper]. zipcon consulting. https://zipcon.de/en/agentic-print/ Zwang, D. (2026, September 22). What is the language of print? WhatTheyThink. https://whattheythink.com/articles/131830-what-language-print/