Trong bài “Quản lý dự án xây dựng: Từ kế hoạch tổng thể đến kiểm soát thực thi tại công trường“, chúng ta đã đi từ kế hoạch tổng thể đến cơ chế kiểm soát thực thi tại công trường. Điểm quan trọng nhất là một dự án không nên đợi đến khi công việc đã chậm mới bắt đầu phản ứng. Kế hoạch chỉ thực sự có giá trị khi được nối với dữ liệu thực tế và tạo ra đủ thời gian để nhà quản lý điều chỉnh. Bài viết này sẽ đi thêm một bước: liệu trí tuệ nhân tạo (Artificial Intelligence – AI) có thể nhận ra nguy cơ chậm tiến độ trước khi độ trễ xuất hiện rõ trên báo cáo hay không?

Câu trả lời là có, nhưng không theo cách “AI nhìn vào tiến độ rồi đoán ngày hoàn thành”. Chậm tiến độ thường là kết quả cuối của một chuỗi tín hiệu hình thành từ trước: thời gian phê duyệt kéo dài, bản vẽ phát hành muộn, vật tư chưa đặt đúng hạn, năng suất giảm, số lượng công việc bị vướng tăng, mặt bằng chưa sẵn sàng, nguồn lực thiếu ổn định hoặc thay đổi thiết kế diễn ra dày hơn. Nếu dữ liệu về những tín hiệu này được thu nhận có cấu trúc, AI có thể học các mối quan hệ mà con người khó theo dõi đồng thời trên hàng nghìn công việc và nhiều dự án.

Tuy nhiên, dự báo không đồng nghĩa với tiên tri. Một mô hình có thể cho biết một gói công việc có nguy cơ cao, nhưng nhà quản lý vẫn phải hiểu nguyên nhân, đánh giá bối cảnh và lựa chọn biện pháp. Giá trị lớn nhất của AI không phải là thay người lập tiến độ hay chỉ huy trưởng, mà là mở rộng “tầm nhìn sớm”: biến các dấu hiệu rời rạc thành cảnh báo có thứ tự ưu tiên, để dự án can thiệp khi vẫn còn phương án xử lý.

1. Chậm tiến độ không bắt đầu vào ngày công việc bị ghi nhận là chậm

Trong cách quản lý truyền thống, một công việc thường được xem là có vấn đề khi ngày bắt đầu thực tế muộn hơn kế hoạch, phần trăm hoàn thành thấp hơn dự kiến hoặc ngày kết thúc dự báo vượt mốc. Đây là các tín hiệu rõ ràng, nhưng phần lớn đều là tín hiệu trễ. Đến lúc chúng xuất hiện, nguyên nhân có thể đã hình thành từ nhiều tuần trước.

Hãy lấy một gói thiết bị làm ví dụ. Kế hoạch yêu cầu lắp đặt vào tuần thứ 20. Sáu tuần trước đó, hồ sơ kỹ thuật vẫn chưa được phê duyệt. Năm tuần trước, đơn đặt hàng chưa thể phát hành. Ba tuần trước, nhà cung cấp báo thời gian giao kéo dài. Một tuần trước, công việc tiền nhiệm cũng bắt đầu chậm. Nếu hệ thống chỉ nhìn vào hoạt động “lắp đặt thiết bị”, đến tuần 20 mới ghi nhận chậm thì về mặt quản trị, cảnh báo đã quá muộn. Nhưng nếu hệ thống nhìn cả chuỗi trạng thái, nguy cơ đã xuất hiện từ tuần 14.

AI phù hợp với bài toán này vì nó có thể xem xét đồng thời nhiều tín hiệu, kể cả những tín hiệu riêng lẻ chưa đủ nghiêm trọng. Một yêu cầu thông tin chậm hai ngày có thể không đáng lo; một lần giao vật tư trễ cũng chưa chắc gây chậm. Nhưng nếu một gói công việc đồng thời có nhiều hồ sơ chờ phê duyệt, năng suất giảm, nhà thầu thiếu nhân lực và thời gian dự phòng đang thu hẹp, tổ hợp đó có thể tạo ra xác suất chậm cao hơn đáng kể.

Vì vậy, đối tượng AI cần dự báo không chỉ là “ngày hoàn thành”. Hệ thống có thể dự báo xác suất một công việc hoặc mốc bị chậm, mức độ chậm có thể xảy ra, khoảng thời gian còn lại để can thiệp, hoặc nhóm nguyên nhân có khả năng đóng góp nhiều nhất. Cách tiếp cận này biến dự báo thành công cụ điều hành thay vì một con số dự đoán đơn lẻ.

Hình 1. Chậm tiến độ thường hình thành qua một chuỗi tín hiệu trước khi xuất hiện thành sai lệch trên báo cáo.

2. AI cần dữ liệu gì để dự báo chậm tiến độ?

Một sai lầm phổ biến là cho rằng chỉ cần lấy file tiến độ từ phần mềm lập kế hoạch là có thể huấn luyện AI. File tiến độ rất quan trọng vì nó chứa cấu trúc công việc, quan hệ trước–sau, ngày kế hoạch, thời gian dự phòng và các mốc. Nhưng nó chủ yếu mô tả “dự án dự kiến vận hành như thế nào”. Để dự báo, AI còn phải biết “dự án thực tế đang vận hành ra sao” và “những điều kiện nào đang thay đổi”.

Lớp thứ nhất là dữ liệu kế hoạch: đường cơ sở, lịch cập nhật, đường găng, thời gian dự phòng, quan hệ phụ thuộc và lịch sử thay đổi ngày. Từ đây có thể tạo ra các tín hiệu như mức tiêu hao dự phòng, số lần dịch chuyển ngày, tỷ lệ công việc bắt đầu đúng hạn hoặc mức tập trung rủi ro quanh các mốc quan trọng.

Lớp thứ hai là dữ liệu thực thi: khối lượng thực hiện, khối lượng nghiệm thu, năng suất, trạng thái công việc, nhật ký công trường, nhân lực và thiết bị. Đây là lớp giúp phân biệt một tiến độ “đang đúng trên giấy” với một tiến độ có nền thực thi khỏe mạnh. Chẳng hạn, một công việc chưa chậm nhưng năng suất ba tuần liên tiếp giảm 15–20% so với giả định kế hoạch là tín hiệu cần chú ý.

Lớp thứ ba là dữ liệu ràng buộc: tình trạng bản vẽ, yêu cầu thông tin, phê duyệt biện pháp, vật tư, mặt bằng, nhà thầu phụ và các công việc tiền nhiệm. Trong nhiều dự án, chính dữ liệu này có giá trị cảnh báo sớm nhất. Một công việc chưa đến ngày bắt đầu nhưng có ba điều kiện bắt buộc chưa sẵn sàng có thể cần ưu tiên hơn một công việc đã chậm nhẹ nhưng còn nhiều thời gian dự phòng.

Lớp thứ tư là dữ liệu bối cảnh: thời tiết, thay đổi phạm vi, sự kiện hợp đồng, điều kiện địa chất, ngày nghỉ, hạn chế vận chuyển hoặc biến động thị trường. Các yếu tố này không phải lúc nào cũng nằm trong hệ thống tiến độ, nhưng có thể làm thay đổi xác suất hoàn thành. Với dự án hạ tầng hoặc dự án ngoài trời, chẳng hạn, ảnh hưởng của thời tiết cần được xem trong mối quan hệ với loại công việc và vị trí chứ không chỉ như một biến chung cho toàn dự án.

Điều quyết định không phải số lượng dữ liệu mà là khả năng liên kết. AI phải biết bản vẽ nào phục vụ gói công việc nào, vật tư nào cần cho công việc nào, nhà thầu nào chịu trách nhiệm, vấn đề nào đang chặn khu vực nào và tất cả các đối tượng đó nối với mốc tiến độ nào. Nếu dữ liệu nhiều nhưng không có định danh chung, mô hình rất khó học được chuỗi nguyên nhân–hệ quả.

Hình 2. Dự báo chậm tiến độ cần kết hợp dữ liệu kế hoạch với dữ liệu thực thi, ràng buộc, nguồn lực và bối cảnh.

3. AI thực sự “học” điều gì từ dữ liệu dự án?

AI không hiểu dự án theo cách một chỉ huy trưởng hiểu công trường. Mô hình học từ các mẫu hình lặp lại trong dữ liệu. Muốn dự báo tốt, doanh nghiệp phải biến các sự kiện quản lý thành những đặc trưng có ý nghĩa. Có thể hiểu “đặc trưng” là cách biểu diễn một trạng thái thành dữ liệu mà mô hình có thể so sánh giữa các thời điểm và các dự án.

Ví dụ, thay vì chỉ lưu ngày phê duyệt bản vẽ, hệ thống có thể tính số ngày phê duyệt trung bình, tỷ lệ hồ sơ quá hạn, xu hướng thời gian phê duyệt trong bốn tuần gần nhất và số công việc sắp bắt đầu đang phụ thuộc vào hồ sơ chưa duyệt. Thay vì chỉ lưu số lượng nhân lực, có thể tính mức chênh giữa nhân lực kế hoạch và thực tế, biến động nhân lực theo tuần, năng suất trên đầu người và số ca làm thêm.

Với tiến độ, các đặc trưng có thể gồm thời gian dự phòng còn lại, tốc độ tiêu hao dự phòng, số công việc tiền nhiệm chưa hoàn thành, số lần ngày kết thúc bị dịch chuyển, mức độ tập trung của các công việc rủi ro quanh đường găng và tỷ lệ hoàn thành kế hoạch tuần. Với vật tư, có thể là khoảng cách giữa ngày cần tại công trường và ngày giao dự kiến, số lần thay đổi ngày giao hoặc tỷ lệ vật tư quan trọng chưa có đơn hàng.

Sau khi có các đặc trưng, mô hình học máy (Machine Learning – ML) có thể tìm mối quan hệ giữa các mẫu trạng thái trong quá khứ và kết quả sau đó. Nếu nhiều gói công việc trong lịch sử có tổ hợp “phê duyệt kéo dài + dự phòng giảm nhanh + năng suất giảm + vật tư chưa sẵn sàng” và phần lớn sau đó bị chậm, mô hình có thể nhận diện tổ hợp tương tự trong dự án đang chạy.

Điểm cần nhấn mạnh là AI không nhất thiết phải dùng một mô hình phức tạp nhất. Trong quản lý dự án, khả năng giải thích thường quan trọng không kém độ chính xác. Một mô hình đơn giản hơn nhưng chỉ ra được năm yếu tố đang làm tăng nguy cơ có thể hữu ích hơn một mô hình rất chính xác nhưng không giải thích được vì sao. Nhà quản lý cần cơ sở để hành động, không chỉ cần một điểm số.

Hình 3. Chuỗi giá trị của dự báo: dữ liệu phải được chuyển thành tín hiệu, rủi ro có giải thích và cuối cùng là hành động.

4. Dự báo chậm tiến độ nên được thiết kế ở nhiều cấp độ

Không phải mọi bài toán dự báo đều cần trả lời cùng một câu hỏi. Ở cấp dự án, ban lãnh đạo có thể muốn biết xác suất vượt mốc hoàn thành và khoảng thời gian chậm có thể xảy ra. Ở cấp gói thầu, ban điều hành cần biết gói nào đang tạo rủi ro lớn nhất. Ở cấp công việc, cán bộ kế hoạch cần biết công việc nào có khả năng không bắt đầu đúng hạn. Ở cấp ràng buộc, hiện trường cần biết hồ sơ, vật tư hoặc mặt bằng nào phải được tháo gỡ trước.

Một kiến trúc hợp lý thường kết hợp ba dạng kết quả. Thứ nhất là phân loại rủi ro: thấp, trung bình, cao hoặc xác suất xảy ra chậm. Thứ hai là ước lượng tác động: nếu rủi ro xảy ra, có thể ảnh hưởng bao nhiêu ngày và mốc nào. Thứ ba là giải thích: những yếu tố nào đang đóng góp lớn nhất vào cảnh báo.

Nếu chỉ có phân loại rủi ro, hệ thống dễ tạo ra một danh sách dài các ô màu đỏ. Nếu chỉ có ước lượng số ngày chậm, người dùng có thể tranh luận về độ chính xác. Khi có thêm phần giải thích và liên kết đến đối tượng thực tế, cảnh báo trở nên hữu ích hơn: “Gói MEP tầng 12 có nguy cơ cao vì 4/7 bản vẽ chưa duyệt, thiết bị chính có ngày giao muộn hơn ngày cần 9 ngày và nhân lực thực tế thấp hơn kế hoạch 18%”.

Cũng cần dự báo theo thời gian trượt. Một cảnh báo hôm nay không phải kết luận cố định. Khi bản vẽ được duyệt, vật tư được giao hoặc nguồn lực được bổ sung, xác suất phải thay đổi. Điều này biến mô hình thành một bộ phận của vòng điều hành liên tục, thay vì một báo cáo dự báo được chạy một lần rồi cất đi.

5. AI không thay thế đường găng, phân tích dự phòng và kinh nghiệm của người quản lý

Các phương pháp kiểm soát tiến độ truyền thống vẫn giữ vai trò nền tảng. Phương pháp đường găng (Critical Path Method – CPM) cho biết chuỗi công việc có ảnh hưởng trực tiếp đến ngày hoàn thành theo logic của kế hoạch. Phân tích thời gian dự phòng cho biết mức đệm còn lại. So sánh đường cơ sở với thực tế cho biết sai lệch. Mô phỏng Monte Carlo có thể lượng hóa bất định của thời lượng và rủi ro trong nhiều kịch bản.

AI bổ sung một lớp khác: nhận diện mẫu hình đa biến từ dữ liệu thực thi. Nó có thể phát hiện rằng một công việc chưa nằm trên đường găng hôm nay nhưng đang có nhiều dấu hiệu suy giảm và có khả năng trở thành vấn đề trong vài tuần tới. Hoặc hai công việc có cùng thời gian dự phòng nhưng một công việc có hồ sơ, vật tư và nguồn lực ổn định, trong khi công việc còn lại liên tục phát sinh ràng buộc; mức rủi ro thực tế của chúng không giống nhau.

Vì vậy, không nên xây hệ thống theo hướng “AI thay Primavera” hay “AI thay cán bộ kế hoạch”. Cách đúng hơn là để logic tiến độ cung cấp cấu trúc, dữ liệu thực thi cung cấp trạng thái, mô hình xác suất cung cấp góc nhìn bất định và AI bổ sung khả năng học từ lịch sử. Cuối cùng, chuyên gia dự án đánh giá cảnh báo trong bối cảnh hợp đồng, kỹ thuật và hiện trường.

Nghiên cứu gần đây cũng cho thấy AI trong quản lý thời gian xây dựng đang được ứng dụng vào lập kế hoạch, dự báo rủi ro chậm, tối ưu thời gian và dự báo chu kỳ; đồng thời các nghiên cứu vẫn cảnh báo rằng nhiều mô hình được kiểm chứng trên dữ liệu nhỏ hoặc bối cảnh cụ thể, nên khả năng áp dụng rộng cần được đánh giá thận trọng. Đây là lý do doanh nghiệp không nên mua một “mô hình dự báo chung” rồi kỳ vọng nó hiểu ngay dữ liệu và cách vận hành riêng của mình.

Hình 4. AI nên bổ sung cho các phương pháp kiểm soát truyền thống, không thay thế cấu trúc logic của tiến độ và phán đoán chuyên môn.

6. Từ cảnh báo rủi ro đến quyết định: đây mới là phần khó nhất

Một hệ thống dự báo có thể thất bại ngay cả khi mô hình khá chính xác. Lý do là tổ chức không thiết kế bước tiếp theo sau cảnh báo. Nếu mỗi tuần AI đưa ra 200 cảnh báo nhưng không phân biệt mức độ ảnh hưởng, không xác định người chịu trách nhiệm và không có thời hạn xử lý, người dùng sẽ nhanh chóng rơi vào tình trạng “mệt mỏi vì cảnh báo”.

Cảnh báo cần được ưu tiên theo tác động quản trị. Một rủi ro 80% ở công việc nhỏ còn nhiều dự phòng có thể ít quan trọng hơn rủi ro 55% ở một gói thiết bị nằm trước mốc chạy thử. Vì vậy, điểm ưu tiên nên xem xét đồng thời xác suất, mức tác động, độ gần của mốc, khả năng lan truyền và thời gian còn lại để xử lý.

Sau đó, cảnh báo phải được chuyển thành hành động cụ thể. Nếu nguyên nhân chính là phê duyệt thiết kế, hành động có thể là đưa hồ sơ vào danh sách ưu tiên và phân cấp quyết định. Nếu là vật tư, cần làm việc với nhà cung cấp, đánh giá phương án thay thế hoặc điều chỉnh trình tự. Nếu là năng suất, phải phân tích tổ đội, biện pháp, mặt bằng và thiết bị. AI có thể gợi ý phương án từ lịch sử, nhưng thẩm quyền lựa chọn vẫn phải phù hợp với mức rủi ro và quy định dự án.

Một hệ thống tốt còn phải theo dõi kết quả của hành động. Nếu cảnh báo được xử lý và rủi ro giảm, dữ liệu đó trở thành phản hồi để đánh giá mô hình. Nếu cảnh báo bị bỏ qua nhưng cuối cùng không gây chậm, cần xem mô hình có quá nhạy hay không. Nếu dự án chậm mà hệ thống không cảnh báo, cần tìm nguyên nhân thiếu dữ liệu hoặc mẫu hình mới. Chính vòng phản hồi này giúp hệ thống cải thiện theo thời gian.

7. Bài toán dữ liệu: thách thức lớn hơn thuật toán

Trong thực tế triển khai, khó khăn lớn nhất thường không phải chọn thuật toán mà là chất lượng và tính nhất quán của dữ liệu. Một doanh nghiệp có thể lưu hàng trăm dự án nhưng mỗi dự án dùng cách đặt mã công việc khác nhau, định nghĩa hoàn thành khác nhau, cập nhật theo tần suất khác nhau và nguyên nhân chậm được ghi bằng văn bản tự do. Dữ liệu nhiều nhưng chưa chắc đã dùng được để học.

Doanh nghiệp cần chuẩn hóa tối thiểu các đối tượng: dự án, khu vực, gói công việc, hoạt động, nhà thầu, loại ràng buộc, nguyên nhân chậm và mốc. Cần giữ lịch sử thay đổi thay vì chỉ lưu trạng thái cuối. Nếu ngày kết thúc được sửa mười lần nhưng hệ thống chỉ còn ngày mới nhất, doanh nghiệp đã mất một tín hiệu rất giá trị về mức bất ổn của công việc.

Dữ liệu cũng phải tránh “rò rỉ tương lai”. Khi huấn luyện mô hình để dự báo tại tuần thứ 10, chỉ được dùng thông tin mà người quản lý thực sự có ở tuần thứ 10. Nếu vô tình đưa vào một trường dữ liệu chỉ được cập nhật sau khi công việc đã chậm, mô hình có thể đạt độ chính xác rất cao trong thử nghiệm nhưng không có giá trị thực tế.

Một vấn đề khác là thay đổi cách vận hành. Mô hình học từ các dự án cũ có thể suy giảm khi doanh nghiệp đổi loại dự án, nhà thầu, quy trình phê duyệt hoặc công nghệ thi công. Vì vậy, cần theo dõi chất lượng dự báo theo thời gian và huấn luyện lại khi dữ liệu mới cho thấy mô hình không còn phản ánh đúng thực tế.

8. Đo chất lượng dự báo như thế nào để không bị đánh lừa bởi một con số “độ chính xác”?

Trong bài toán chậm tiến độ, tỷ lệ dự án hoặc công việc bị chậm có thể thấp hơn nhiều so với số không chậm. Khi đó, một mô hình luôn dự đoán “không chậm” vẫn có thể có tỷ lệ đúng cao nhưng hoàn toàn vô dụng. Vì vậy, không nên chỉ nhìn vào độ chính xác tổng thể.

Doanh nghiệp cần quan tâm đến khả năng phát hiện đúng các trường hợp thực sự có rủi ro, tỷ lệ cảnh báo sai, mức độ hiệu chỉnh xác suất và đặc biệt là thời gian cảnh báo trước. Một mô hình phát hiện 70% sự cố trước bốn tuần có thể hữu ích hơn mô hình phát hiện 90% nhưng chỉ trước hai ngày, vì giá trị quản trị nằm ở thời gian phản ứng.

Ngoài chỉ số mô hình, cần đo kết quả kinh doanh: số ngày cảnh báo trước trung bình, tỷ lệ cảnh báo dẫn đến hành động, tỷ lệ rủi ro được tháo gỡ trước khi ảnh hưởng mốc, số ngày chậm tránh được, chi phí phục hồi giảm được và mức độ tin cậy của người dùng. Đây mới là thước đo xem AI có tạo giá trị hay chỉ tạo thêm một bảng điều hành.

9. Khả năng giải thích và trách nhiệm quản trị phải được thiết kế ngay từ đầu

Trong dự án xây dựng, một cảnh báo có thể kéo theo quyết định tăng nguồn lực, thay nhà cung cấp, điều chỉnh trình tự hoặc yêu cầu nhà thầu cam kết biện pháp phục hồi. Vì vậy, người dùng cần biết cảnh báo dựa trên dữ liệu nào và yếu tố nào ảnh hưởng nhiều nhất. Một điểm rủi ro không có giải thích rất khó trở thành cơ sở quản trị.

Hệ thống nên hiển thị dữ liệu nguồn, thời điểm cập nhật, mức tin cậy và các yếu tố chính làm tăng hoặc giảm rủi ro. Đồng thời phải ghi nhận người đã xem, quyết định nào được đưa ra và kết quả sau đó. Điều này vừa giúp kiểm toán quyết định, vừa tạo dữ liệu phản hồi để cải thiện mô hình.

AI cũng không nên tự động thay đổi đường cơ sở, cam kết hợp đồng hoặc điều động nguồn lực quan trọng chỉ dựa trên dự báo. Với các quyết định có tác động lớn, AI nên đóng vai trò cảnh báo, phân tích và đề xuất; con người phê duyệt. Mức tự động hóa có thể cao hơn ở các hành động ít rủi ro như tạo nhiệm vụ kiểm tra, nhắc hồ sơ quá hạn hoặc yêu cầu cập nhật trạng thái.

10. Lộ trình triển khai thực tế cho doanh nghiệp xây dựng

Giai đoạn đầu tiên nên bắt đầu từ một câu hỏi quản trị cụ thể, chẳng hạn: “Có thể cảnh báo trước hai đến bốn tuần những công việc có nguy cơ không bắt đầu đúng hạn không?”. Câu hỏi càng cụ thể, doanh nghiệp càng dễ xác định dữ liệu, tiêu chí thành công và nhóm người dùng.

Giai đoạn thứ hai là chuẩn hóa dữ liệu và tạo bộ lịch sử. Doanh nghiệp nên chọn một số dự án có dữ liệu tương đối tốt, thống nhất cấu trúc mã, nguyên nhân chậm và trạng thái ràng buộc. Không cần đợi dữ liệu hoàn hảo, nhưng phải biết rõ khoảng trống nào đang tồn tại.

Giai đoạn thứ ba là xây mô hình thử nghiệm song song với quy trình hiện tại. Trong vài tháng đầu, AI nên tạo cảnh báo để cán bộ kế hoạch và ban điều hành đánh giá, nhưng chưa dùng làm căn cứ duy nhất cho quyết định. Việc so sánh cảnh báo với nhận định chuyên gia giúp phát hiện lỗi dữ liệu, hiểu các trường hợp ngoại lệ và tạo niềm tin.

Giai đoạn thứ tư là đưa cảnh báo vào nhịp điều hành tuần. Cảnh báo phải xuất hiện đúng nơi người dùng ra quyết định, gắn với gói công việc, nguyên nhân, người chịu trách nhiệm và hành động. Đây là bước biến mô hình từ một thử nghiệm khoa học dữ liệu thành công cụ quản trị.

Giai đoạn cuối là mở rộng phạm vi và vòng học. Khi dữ liệu đủ lớn, doanh nghiệp có thể dự báo ở nhiều cấp, kết hợp dữ liệu mô hình thông tin công trình (Building Information Modeling – BIM), ảnh hiện trường, văn bản và dữ liệu cảm biến. Nhưng càng mở rộng, yêu cầu quản trị mô hình, quyền truy cập và kiểm soát chất lượng càng phải chặt chẽ.

Hình 5. Hệ thống dự báo hiệu quả phải tạo thành vòng kín từ quan sát, dự báo, ưu tiên, can thiệp đến học lại từ kết quả.

11. Một ví dụ: cảnh báo sớm gói cơ điện trước khi mốc chạy thử bị ảnh hưởng

Giả sử một gói cơ điện có mốc chạy thử sau tám tuần. Trên tiến độ, các công việc chính vẫn chưa bị chậm. Nếu chỉ nhìn bảng cập nhật, trạng thái có thể vẫn là màu xanh. Tuy nhiên, hệ thống ghi nhận bốn tín hiệu: thời gian phê duyệt bản vẽ tăng từ trung bình 5 ngày lên 11 ngày; 3 trong 8 thiết bị chính chưa chốt ngày giao; nhân lực thực tế thấp hơn kế hoạch 15%; và hai khu vực thi công tiền nhiệm đang tiêu hao nhanh thời gian dự phòng.

Mô hình không cần khẳng định “dự án sẽ chậm 12 ngày”. Một kết quả hữu ích hơn có thể là: nguy cơ ảnh hưởng mốc chạy thử tăng từ 28% lên 67% trong hai tuần; ba yếu tố đóng góp lớn nhất là thiết bị, phê duyệt và thiếu nhân lực; thời gian còn lại để xử lý trước khi gói việc đi vào chuỗi găng ước tính khoảng ba tuần.

Ban điều hành lúc này có thể yêu cầu chốt thiết bị thay thế, tổ chức phiên phê duyệt riêng cho hồ sơ quan trọng, bổ sung tổ đội và điều chỉnh trình tự ở khu vực đã sẵn sàng. Một tuần sau, nếu ngày giao được xác nhận và hồ sơ được duyệt, xác suất rủi ro giảm. Giá trị của AI nằm ở việc giúp dự án hành động ở tuần thứ nhất, thay vì đợi đến tuần thứ sáu mới thấy mốc chạy thử bắt đầu trượt.

Ví dụ này cũng cho thấy dự báo không phải sản phẩm cuối cùng. Sản phẩm cuối cùng là một quyết định tốt hơn, được đưa ra sớm hơn, dựa trên bằng chứng rõ hơn.

Kết luận

AI có thể giúp dự báo chậm tiến độ dự án xây dựng, nhưng chỉ khi doanh nghiệp nhìn bài toán đúng bản chất. Chậm tiến độ không phải một biến đơn lẻ xuất hiện đột ngột; nó thường là kết quả của chuỗi ràng buộc, suy giảm năng suất, thay đổi và quyết định chậm tích tụ theo thời gian. AI có lợi thế ở khả năng quan sát đồng thời nhiều tín hiệu và học từ những mẫu hình đã từng dẫn đến kết quả xấu.

Tuy nhiên, thuật toán không thể bù cho một hệ thống dữ liệu yếu. Nếu kế hoạch không có cấu trúc, trạng thái hiện trường không đáng tin cậy, vật tư và thiết kế không liên kết với công việc, hoặc nguyên nhân chậm không được ghi nhận, mô hình sẽ chỉ tạo ra một lớp “thông minh” trên nền dữ liệu thiếu bối cảnh.

Do đó, lộ trình hợp lý là: chuẩn hóa cách kiểm soát dự án, kết nối dữ liệu kế hoạch với thực thi và ràng buộc, sau đó dùng AI để mở rộng khả năng nhận diện sớm. Thành công không nên được đo bằng việc mô hình dự báo chính xác đến bao nhiêu chữ số, mà bằng việc dự án có thêm bao nhiêu thời gian để phản ứng và bao nhiêu vấn đề được xử lý trước khi trở thành chậm tiến độ thực sự.

Ở góc nhìn này, AI không thay thế người quản lý dự án. Nó giúp người quản lý nhìn thấy sớm hơn những điều mà một hệ thống báo cáo truyền thống chỉ cho thấy khi sự việc đã xảy ra. Và chính khoảng thời gian được tạo thêm giữa “tín hiệu đầu tiên” và “hậu quả cuối cùng” là giá trị quản trị lớn nhất của dự báo chậm tiến độ.

Tài liệu tham khảo

• Gao, Y. và cộng sự (2026), Artificial Intelligence in Construction Project Management: A Systematic Literature Review of Cost, Time, and Safety Management, Buildings.
• BIM and AI Integration for Dynamic Schedule Management: A Practical Framework and Case Study (2025), Buildings.
• AI-Driven Decision Support System for Proactive Risk Management in Construction Projects (2026), Intelligent Infrastructure and Construction.
• Project Management Institute (PMI), các tài liệu về quản lý tiến độ, đường găng, rủi ro và kiểm soát dự án.
• Oracle Construction and Engineering, Construction and Artificial Intelligence: Driving Better Outcomes with Data.