Tự động hoá & AI trong chuỗi cung ứng dược phẩm: Bản đồ toàn chuỗi

Những ý chính

• Chỗ chuyển giao giữa các công ty là nơi dữ liệu chuỗi cung ứng dược hay bị gián đoạn nhất. Tự động hoá từng bước riêng lẻ không lấp được khoảng trống đó; định danh chung, trao đổi dữ liệu và hoạch định chung mới lấp được.
• Tự động hoá (quy tắc đã biết), tối ưu hoá (phương án tốt nhất bằng toán học trong các ràng buộc đã nêu) và AI (suy luận học từ dữ liệu) là các công cụ khác nhau, cần cách kiểm soát khác nhau. Mức cao hơn của bất kỳ công cụ nào cũng không mặc nhiên tốt hơn.
• "AI" không phải một thứ duy nhất. Mô hình dự báo, mô hình tạo sinh và tác tử (agent) sai theo những cách khác nhau và cần biện pháp bảo vệ khác nhau.
• Các quyết định có trách nhiệm — gồm phê duyệt nhà cung cấp, quyết định xử lý lô, kết luận QC, thu hồi và đánh giá cảnh giác dược — vẫn được giao cho người hoặc bộ phận có thẩm quyền theo hệ thống chất lượng và luật áp dụng.
• Nền móng dữ liệu và quản trị — thẩm định, toàn vẹn dữ liệu, an ninh và giám sát AI — quyết định tự động hoá có thể đi xa đến đâu một cách an toàn.

1. Vì sao phải nhìn toàn chuỗi

Một loại thuốc đến tay bệnh nhân qua nhiều mạng lưới cung ứng đan xen, không phải một tổ chức. Nhà cung cấp nguyên liệu khởi đầu và chất trung gian cung cấp cho các nhà sản xuất hoạt chất (API), trong khi các mạng lưới khác cung cấp tá dược, bao bì cấp 1 và cấp 2, thiết bị và dịch vụ kỹ thuật. Các dòng này hội tụ tại nhà sản xuất thành phẩm, rồi thuốc đi qua nhà nhập khẩu, nhà phân phối và nhà bán buôn đến bệnh viện và nhà thuốc.

Mỗi lần chuyển giao trong chuỗi đều có nguy cơ làm dữ liệu bị gián đoạn. Mã sản phẩm trong hệ thống của công ty này không phải mã của công ty kế tiếp. Số lô, chứng chỉ, trạng thái chất lượng — và quan trọng nhất là tín hiệu nhu cầu — phải được nhập lại, diễn giải lại hoặc suy đoán ở mỗi bước.

Ngành nghiên cứu chuỗi cung ứng có tên gọi cho một hệ quả của điều này. Năm 1997, Lee, Padmanabhan và Whang ^[32] mô tả hiệu ứng bullwhip (hiệu ứng cái roi da): khi mỗi công ty chỉ thấy đơn hàng của khách hàng liền kề, "phương sai của đơn hàng có thể lớn hơn phương sai của doanh số, và độ méo có xu hướng tăng dần khi đi ngược lên thượng nguồn". Một trong bốn nguyên nhân họ chỉ ra liên quan trực tiếp đến thuốc: trò chơi phân bổ hạn ngạch (rationing game). Khi hàng bị chia hạn ngạch, người mua thổi phồng đơn hàng để giành phần lớn hơn — nên ở phía thượng nguồn, tình trạng thiếu trông trầm trọng hơn nhu cầu thật.

Đó là lý do tự động hoá các bước bên trong một công ty — một hệ thống ERP ở đây, một hệ thống quản lý kho ở kia — tự nó không làm chuỗi cung ứng thông minh hơn. Nó giúp từng mắt xích hiệu quả hơn, trong khi khoảng trống giữa các mắt xích vẫn còn nguyên.

Bài này là bản đồ của các mắt xích và các khoảng trống đó. Với mỗi chặng của chuỗi, bài đặt năm câu hỏi: cái gì đã được tự động hoá, tối ưu hoá và AI giúp ở đâu, ai vẫn chịu trách nhiệm, khung pháp quy nào áp dụng, và dữ liệu trưởng thành đến đâu. Các bài sau trong chương trình sẽ đi sâu từng chặng.

Để bản đồ cụ thể, bài lần theo một ví dụ xuyên suốt: một ca thiếu một loại thuốc generic được dùng rộng rãi. Ví dụ mang tính minh hoạ, không phải một sản phẩm cụ thể, nhưng mỗi bước đều dựa trên quy định và bằng chứng được dẫn nguồn.

Phạm vi. Bản đồ bao trùm chuỗi cung ứng dược từ quyết định danh mục đến sau lưu hành. Bài không bàn việc tìm phân tử mới, nghiên cứu tiền lâm sàng hay phát triển lâm sàng — chuỗi đổi mới, vận hành theo các thực hành khác (GLP, GCP) và những người ra quyết định khác. Chuỗi đó giao với chuỗi cung ứng ở hai điểm — cung ứng thuốc nghiên cứu cho thử lâm sàng, và chuyển giao công nghệ sang sản xuất thương mại — mà các bài sau trong chương trình sẽ phân tích riêng.

Luận điểm trung tâm rất đơn giản: tự động hoá cải thiện việc thực thi bên trong từng mắt xích; giá trị toàn chuỗi chỉ xuất hiện khi định danh, trao đổi dữ liệu, hoạch định và quản trị cũng nối các mắt xích đó với nhau.

2. Tự động hoá, tối ưu hoá và AI là các công cụ khác nhau

Nhiều bài viết về "AI trong ngành dược" gọi mọi hệ thống số là AI. Làm vậy thì không thể lập luận về rủi ro, vì ba nhóm công cụ này hoạt động khác nhau.

Tự động hoá theo quy tắc thực thi logic đã định sẵn. ERP, MES, LIMS và hệ thống quản lý kho, workflow engine, tự động hoá quy trình bằng robot phần mềm (RPA), tích hợp EDI và API, mã vạch và RFID, cảm biến IoT, robot, kho tự động, serialization (đánh mã định danh duy nhất) và cảnh báo theo quy tắc đều làm đúng những gì được cấu hình. Hành vi của chúng do quy tắc tường minh, cấu hình, trạng thái hệ thống và dữ liệu đầu vào quyết định, không phải do quy luật học từ dữ liệu huấn luyện. Rủi ro của chúng là lỗi cấu hình và lỗ hổng trong bộ quy tắc.

Phân tích, hoạch định và tối ưu hoá hỗ trợ quyết định mà không dùng suy luận học được. Các phương pháp hoạch định như hoạch định nhu cầu vật tư (MRP) và tính tồn kho an toàn áp dụng logic và tham số đã định; các phương pháp tối ưu hoá — lập lịch sản xuất, tối ưu tuyến đường và phân bổ — tìm phương án khả thi tốt nhất theo một mục tiêu và các ràng buộc đã nêu; còn phân tích thì tổng hợp dữ liệu đã quan sát. Chúng giải thích được — nhưng chỉ tốt bằng các ràng buộc và dữ liệu đầu vào.

Mô hình AI học quy luật từ dữ liệu và khái quát hoá cho dữ liệu mới. Dự báo hay phân loại của chúng luôn mang độ bất định của mô hình, kể cả khi phần mềm chạy tất định. Nên tách thành ba dạng sử dụng AI trong vận hành, vì chúng sai theo những cách khác nhau:

Để mô tả một quy trình được tự động hoá đến đâu, chương trình này dùng hai thang đo riêng.

Với tự động hoá: Mức 1 — Thủ công (hệ thống ghi nhận và áp dụng quy tắc; người quyết định và thực hiện); Mức 2 — Gợi ý (hệ thống đề xuất; người xác nhận); Mức 3 — Tự động có rà soát (hệ thống tự làm trong các quy tắc đã định; người có thẩm quyền có thể rà soát và can thiệp); Mức 4 — Hoàn toàn tự động (bỏ bước xác nhận thường quy của con người).

Với AI: AI-0 (không có AI); AI-1 — Hỗ trợ (truy xuất, trích xuất, phân loại, tóm tắt, làm nổi bật); AI-2 — Khuyến nghị (dự báo, xếp hạng hoặc khuyến nghị; người quyết định); AI-3 — Thực thi có người kiểm soát (AI khởi động các hành động có giới hạn, đảo ngược được, dưới sự giám sát hoặc phê duyệt); AI-4 — Tự chủ (AI tự lập kế hoạch và tự thực hiện).

Mức cao hơn không mặc nhiên tốt hơn. Với các quyết định quan trọng về GMP như xuất xưởng lô và kết luận QC, mức đúng hiện nay là Mức 1: hệ thống áp dụng quy tắc và ghi lại bằng chứng, người có thẩm quyền quyết định.

3. Bản đồ toàn chuỗi

Bảng dưới tóm tắt cả chuỗi. Từng chặng được phân tích ở mục 4.

Hình 2. Bản đồ toàn chuỗi — bảy chặng, năm câu hỏi.

*Mức trưởng thành dữ liệu là nhận định định tính của chúng tôi, dựa trên ba câu hỏi: dữ liệu có cấu trúc chưa, có dùng định danh chung chưa, và có được trao đổi điện tử giữa các công ty chưa?

Có hai điểm nổi bật. Thứ nhất, dữ liệu trưởng thành nhất nằm ở nơi pháp luật buộc phải dùng định danh chung — serialization trong phân phối. Thứ hai, các quyết định có trách nhiệm không dịch chuyển sang phải của bảng khi công nghệ tốt lên: ở mọi chặng, vẫn là một người hoặc một bộ phận cụ thể quyết định.

4. Các chặng

Chặng 0 — Danh mục, phát triển sản phẩm, đăng ký và chuyển giao công nghệ

Trước khi chuỗi cung ứng vận hành, ba quyết định định hình nó: sản xuất hoặc nhập khẩu sản phẩm nào, bào chế ra sao, và hồ sơ đăng ký ghi gì.

Hồ sơ quan trọng với chuỗi cung ứng hơn người ta thường nghĩ. Nó xác lập nguyên liệu được phép và nguồn hoạt chất. Ở EU, chất lượng hoạt chất được chứng minh theo ba cách: Giấy chứng nhận phù hợp (CEP) do EDQM cấp ^[11], xác nhận chuyên luận Dược điển châu Âu tương ứng kiểm soát được chất lượng hoạt chất và thay cho phần chính của mục hoạt chất trong hồ sơ; Hồ sơ gốc hoạt chất (ASMF) ^[10], trong đó phần hạn chế (restricted part) bảo vệ bí quyết của nhà sản xuất còn người nộp hồ sơ chịu trách nhiệm về sản phẩm, được dẫn chiếu bằng thư cho phép tham chiếu (letter of access); hoặc nộp đầy đủ chi tiết ngay trong hồ sơ. Ở Mỹ, Drug Master File (DMF) ^[16] là hồ sơ bảo mật, không bắt buộc, không được "phê duyệt" hay "từ chối", và chỉ được xem xét cùng các hồ sơ có dẫn chiếu tới nó.

Các cơ chế này không tương đương nhau, nhưng hệ quả thì giống nhau: đổi nguồn hoạt chất về sau là một sự kiện pháp quy. Ở EU đó là một thay đổi/bổ sung (variation), theo Quy định (EC) số 1234/2008 được sửa đổi bởi Quy định uỷ quyền (EU) 2024/1701, với hướng dẫn phân loại mới áp dụng từ 15/01/2026 ^[8][9]. Phân loại thay đổi tuỳ vào nội dung thay đổi cụ thể và hồ sơ kèm theo.

Tự động hoá ở chặng này xoay quanh tài liệu: theo dõi hồ sơ và số đăng ký, cảnh báo hạn hiệu lực, quản lý tài liệu R&D, chuyển master data sang sản xuất, và quản lý artwork cùng nhãn đa ngôn ngữ — một nguồn vướng mắc thường xuyên giữa bộ phận đăng ký và sản xuất. Phân tích dữ liệu đăng ký và đấu thầu hỗ trợ lựa chọn danh mục; AI tạo sinh có thể giúp đọc và so sánh hồ sơ, nhãn (AI-1/2). Quyết định danh mục thuộc về ban lãnh đạo, nội dung hồ sơ thuộc về bộ phận đăng ký và QA, còn phê duyệt thuộc về cơ quan quản lý.

Dữ liệu đăng ký có thể được cấu trúc hoá ở quy mô lớn. Trong bộ dữ liệu PharmaCountry (snapshot production ngày 22/09/2026) ^[36], 131.361 trên 262.897 listing sản phẩm đang hoạt động — khoảng một nửa — có dữ liệu thị trường đã đăng ký, lấy từ năm cơ sở dữ liệu đăng ký quốc gia: Việt Nam, Hàn Quốc, Tây Ban Nha, Pháp và Nhật Bản. Điều này cho thấy dữ liệu đăng ký có thể gắn vào sản phẩm như thế nào; đó không phải độ phủ toàn cầu.

A — Nhà cung cấp, tìm nguồn và mua hàng

Tìm nguồn bắt đầu từ một danh sách mỏng. Đánh giá một nhà cung cấp mới mất nhiều tháng, và rủi ro tập trung thường sâu hơn vẻ ngoài: nhiều nhà sản xuất hoạt chất có thể cùng phụ thuộc một chất trung gian, điều mà góc nhìn ở tầng 1 không thấy được.

Ngay ở cấp độ listing trên platform, sự tập trung đã hiện rõ. Trong dữ liệu nhà cung cấp của PharmaCountry tính đến 21/09/2026, ba nước — Trung Quốc, Việt Nam và Hàn Quốc — chiếm 25,8% số công ty nhưng 64,7% số listing sản phẩm, và Đông Á chiếm 55,4% số listing (Report #01) ^[35]. Đây là dữ liệu của platform, không phải điều tra toàn ngành, và listing trên platform không cho thấy sự phụ thuộc vào tầng 2 phía thượng nguồn.

Tự động hoá gồm danh bạ và marketplace có cấu trúc, yêu cầu báo giá số, quản lý hợp đồng và thoả thuận chất lượng, lên lịch audit và chấm điểm nhà cung cấp theo quy tắc. Một số bước kiểm tra khi đánh giá nhà cung cấp có thể trở thành việc thường quy vì dữ liệu là công khai: cơ sở dữ liệu EudraGMDP của EU ^[13] — công khai từ năm 2011 — chứa chứng chỉ GMP, GDP và các tuyên bố không tuân thủ GMP, còn Cơ sở dữ liệu chứng nhận của EDQM ^[12] cho biết một CEP còn hiệu lực, hết hạn, bị rút hay bị đình chỉ. AI hỗ trợ tìm kiếm theo ngữ nghĩa, trích xuất phiếu kiểm nghiệm (COA) và báo giá (AI-1), cảnh báo rủi ro nguồn cung (AI-2) và entity resolution — nhận ra các tên viết khác nhau là cùng một nhà cung cấp.

Việc phê duyệt vẫn do con người. Ở nhà sản xuất, việc phê duyệt nhà cung cấp do hệ thống chất lượng dược phẩm điều chỉnh, thường có QA giám sát và dựa trên bằng chứng đánh giá được lưu hồ sơ, có thể gồm audit tuỳ mức rủi ro của nhà cung cấp và nguyên liệu; ở một nhà bán buôn tại EU, người chịu trách nhiệm GDP (Responsible Person) được giao "đánh giá và phê duyệt nhà cung cấp và khách hàng" ^[1]. Thuật toán có thể xếp hạng ứng viên; nó không đưa ra quyết định phê duyệt có trách nhiệm.

Phía nhà cung cấp: được tìm thấy. Tìm ra nhà cung cấp cũng là bài toán phân phối thông tin. Một nhà cung cấp đủ năng lực nhưng không được nhận diện, tìm kiếm và hiểu đúng trên các thị trường thì có thể không bao giờ lọt vào danh sách ứng viên ban đầu của người mua. Tự động hoá giúp thông tin nhà cung cấp và sản phẩm có cấu trúc, đa ngôn ngữ, tìm được. AI tạo sinh có thể soạn và dịch — với người duyệt trước khi đăng. Google không phạt bản thân nội dung do AI tạo; chính sách spam của Google nhắm vào việc "dùng công cụ AI tạo sinh hoặc công cụ tương tự để tạo nhiều trang mà không mang lại giá trị cho người dùng" ^[28]. Quy định về nội dung cũng khác nhau theo loại sản phẩm, đối tượng và nước: Chỉ thị EU 2001/83/EC ^[7] cấm quảng cáo thuốc kê đơn tới công chúng, nhưng hoạt chất, tá dược, thiết bị và dịch vụ gia công không được đối xử như nhau.

Hộp bằng chứng — một platform chúng tôi xây dựng và vận hành (bằng chứng của chính chúng tôi, không phải bằng chứng độc lập). Một platform B2B dược đa ngôn ngữ do chúng tôi xây dựng và vận hành phục vụ các trang render phía server ở tám ngôn ngữ có thẻ canonical và hreflang, một sitemap index sinh từ cơ sở dữ liệu, dữ liệu có cấu trúc, và các trang theo nước sản xuất sinh từ dữ liệu nhà cung cấp. Bản dịch do AI soạn và được duyệt trước khi nạp. Platform đang chạy thật; ở đây chúng tôi không đưa ra bất kỳ khẳng định nào về lưu lượng truy cập hay thứ hạng.

B — Thương mại quốc tế, xuất nhập khẩu và logistics

Di chuyển qua biên giới thêm vào chứng từ, phân loại hàng hoá và rủi ro nhiệt độ. Mỗi lần đổi đơn vị vận chuyển là thêm một lần chuyển giao dữ liệu.

Tự động hoá đã trưởng thành ở một số phần: EDI, khai báo hải quan điện tử, truy vết lô và serialization trong vận chuyển, ghi nhiệt độ liên tục có cảnh báo theo ngưỡng. Bản thân cảnh báo là theo quy tắc — một số đo nằm ngoài khoảng đã thẩm định thì kích hoạt cảnh báo sai lệch — không phải AI. Tối ưu hoá chọn tuyến và phương thức vận chuyển. Học máy dự báo có thể ước tính nguy cơ sai lệch nhiệt độ, phát hiện cảm biến hoạt động bất thường hoặc dự báo trễ hàng (AI-2). AI tạo sinh có thể gợi ý mã HS hoặc trích xuất thuộc tính sản phẩm (AI-1), nhưng việc phân loại chính thức vẫn là trách nhiệm của nhà nhập khẩu hoặc đại lý hải quan.

Quyết định chất lượng vẫn thuộc về con người. Hướng dẫn Thực hành tốt phân phối của EU (2013/C 343/01) nêu cần có "một quy trình … để điều tra và xử lý các sai lệch nhiệt độ" ^[1]; hàng còn dùng được hay không là do QA hoặc người chịu trách nhiệm GDP quyết định, không phải cảm biến. Thực hành tốt bảo quản và phân phối của WHO (TRS 1025, Phụ lục 7, 2020) ^[21] cũng coi bảo quản và phân phối là trách nhiệm trải rộng trên các bên khác nhau cùng xử lý sản phẩm y tế trong chuỗi cung ứng.

PharmaCountry hiện chưa có dữ liệu lô hàng; dòng thương mại là một lớp dữ liệu tương lai, và mọi tín hiệu thương mại được suy ra đều phải ghi rõ là suy luận.

C — Vận hành nhà máy: kho, sản xuất, QA/QC và thẩm định

Bên trong nhà máy, hệ thống giấy thường vẫn chạy. Thứ bị đứt là khoảng giữa các biểu mẫu: một thông báo giao hàng trong nhóm chat, một dự báo trong bảng tính, một phiếu xác nhận chuyền tay từ phòng này sang phòng khác.

Tự động hoá nhà máy dễ hiểu nhất qua thứ bậc ISA-95 (IEC 62264) ^[30]: quá trình vật lý (mức 0), cảm biến và cơ cấu chấp hành (mức 1), giám sát và điều khiển như SCADA (mức 2), quản lý vận hành sản xuất — MES, hồ sơ lô điện tử, LIMS — (mức 3), và hoạch định kinh doanh cùng logistics, tức ERP (mức 4). Tiêu chuẩn này chủ yếu xử lý giao diện giữa mức 3 và mức 4, cũng là nơi nhiều dự án gặp khó. ISA-88 bao phủ điều khiển theo mẻ: công thức (recipe) và phân cấp thiết bị. Quản lý kho (biệt trữ, trạng thái lô, hết hạn trước xuất trước), công nghệ phân tích quá trình và robot hoàn thiện bức tranh. Tự động hoá vật lý thường dễ biện minh hơn ở nơi sản lượng, độ ổn định của cơ cấu sản phẩm và mức chuẩn hoá quy trình hỗ trợ; nó không phải lựa chọn mặc định.

Tối ưu hoá lập lịch sản xuất. Học máy dự báo phát hiện bất thường trong kiểm soát trong quá trình hoặc hiệu suất, hỗ trợ bảo trì dự đoán và theo dõi xu hướng kết quả QC (AI-2); AI tạo sinh có thể giúp phân loại sai lệch (AI-1).

Các quyết định có trách nhiệm không dịch chuyển: chứng nhận và xuất xưởng lô bởi người có thẩm quyền ("QP" ở EU; chức danh khác nhau theo từng nước), kết luận QC, kết luận và quyết định xử lý sau điều tra kết quả ngoài tiêu chuẩn (OOS), và đóng sai lệch. Các khung quy định đã rõ: GAMP 5 ^[29] cho thẩm định hệ thống máy tính hoá, 21 CFR Part 11 ^[18] và EU GMP Annex 11 ^[3] cho hồ sơ và chữ ký điện tử, và hướng dẫn toàn vẹn dữ liệu của FDA (2018) ^[19] và PIC/S (PI 041-1) ^[20].

Hộp bằng chứng — một dự án ERP đang triển khai. Tại một nhà sản xuất dược Việt Nam, một hệ thống ERP mã nguồn mở đang được cấu hình để hàng được nhận vào biệt trữ và mỗi đợt giao được tách thành một lô con cho từng thùng, mang số lô của nhà cung cấp — truy xuất đến mức thùng (đã xây, đã test với dữ liệu thử). Quy trình hồ sơ lô điện tử bắt buộc ba bước ký duyệt theo vai trò — sản xuất, QA và trưởng bộ phận quản lý chất lượng — trước khi hoàn tất. Hồ sơ giấy gốc có nhiều ô ký duyệt chất lượng; quy trình số bắt buộc các bước phê duyệt theo vai trò tương ứng trước khi hoàn tất. Các bước ký duyệt này là kiểm soát quy trình, chưa phải chữ ký điện tử đáp ứng yêu cầu của Part 11 hoặc Annex 11. Kết luận QC và xuất xưởng lô vẫn ở Mức 1. Trạng thái: đã xây, chưa thẩm định, chưa go-live. Implementation series ghi lại dự án này.

D — Phân phối và bán buôn

Phân phối thường là nơi thiếu thuốc lộ ra dưới dạng bài toán phân bổ và sẵn có.

Tự động hoá gồm tự động bổ sung hàng, hết hạn trước xuất trước, xác minh mã khi nhận và xuất hàng, và truy vết thu hồi. Ở các thị trường lớn có quản lý chặt, yêu cầu serialization và truy xuất điện tử đã tạo ra một số cấu trúc dữ liệu dùng chung mạnh nhất ở hạ nguồn chuỗi cung ứng. Chỉ thị thuốc giả của EU (2011/62/EU) và Quy định uỷ quyền (EU) 2016/161 ^[6] — áp dụng từ 09/02/2019 — yêu cầu mã định danh duy nhất và thiết bị chống can thiệp trên hầu hết thuốc kê đơn, được xác minh qua một hệ thống kho dữ liệu. Ở Mỹ, Luật An ninh chuỗi cung ứng thuốc (DSCSA) yêu cầu truy xuất điện tử, liên thông và bảo mật đến từng hộp; sau giai đoạn ổn định, các miễn trừ tạm thời cho nhà sản xuất và cơ sở đóng gói lại đủ điều kiện, nhà phân phối bán buôn và nhà thuốc có từ 26 nhân viên dược toàn thời gian đã lần lượt hết hạn trong năm 2025; tháng 8/2026, FDA ban hành một miễn trừ riêng cho nhà thuốc nhỏ đủ điều kiện đến 27/11/2027 ^[17].

Tối ưu hoá phân bổ lượng hàng khan hiếm và lập kế hoạch bổ sung; học máy dự báo dự báo nhu cầu và thiếu thuốc (AI-2).

Trách nhiệm được phân tán, và khác nhau theo từng nước. Chính sách phân bổ khi thiếu hàng do bộ phận quản trị có thẩm quyền về thương mại, lâm sàng và pháp quy đặt ra. Quyết định và thực hiện thu hồi theo vai trò được giao cho cơ sở đăng ký (chủ sở hữu giấy đăng ký lưu hành), nhà sản xuất, nhà phân phối và cơ quan quản lý. Ví dụ ở EU, GMP Chương 8 ^[2] áp dụng quản lý rủi ro chất lượng cho quyết định thu hồi và yêu cầu tham vấn cơ quan quản lý về phạm vi thu hồi, trong khi người chịu trách nhiệm GDP của nhà bán buôn "điều phối và thực hiện kịp thời mọi hoạt động thu hồi" ^[1].

E — Bệnh viện, nhà thuốc và bán lẻ

Tại điểm điều trị, vấn đề là hết hàng, hàng quá hạn và tìm phương án thay thế khi thiếu. Ở một số thị trường, mua sắm công là kênh mua quan trọng; Việt Nam là một ví dụ.

Tự động hoá gồm tự động đặt hàng lại, quản lý hạn dùng, tủ và kho cấp phát tự động, xác minh mã khi cấp phát và đấu thầu điện tử. Bằng chứng về tự động hoá cấp phát là tích cực nhưng có điều kiện. Một tổng quan hệ thống trên 48 công trình (Batson và cộng sự, European Journal of Hospital Pharmacy, 2020) ^[33] ghi nhận giảm sai sót dùng thuốc, thời gian thực hiện thuốc và chi phí — đồng thời thấy thiết kế nghiên cứu không đồng nhất, lợi ích phụ thuộc vào việc triển khai tối ưu, và cần các nghiên cứu đủ cỡ mẫu trước khi kết luận chắc chắn về hiệu quả đầu tư.

Mua sắm công cũng đang số hoá. Ở Việt Nam, Luật Đấu thầu (số 22/2023/QH15, có hiệu lực từ 01/01/2024) ^[26] tổ chức đấu thầu trên Hệ thống mạng đấu thầu quốc gia, và đấu thầu thuốc tại cơ sở y tế công lập hiện theo Thông tư 40/2025/TT-BYT, văn bản đã thay thế hoàn toàn Thông tư 07/2024/TT-BYT ^[27].

AI có thể dự báo nhu cầu tại điểm điều trị, phân tích hồ sơ mời thầu và tìm các sản phẩm ứng viên có chung các thuộc tính cung ứng đã định nghĩa — thị trường được phép lưu hành, dạng bào chế, hàm lượng, quy cách đóng gói, nhà cung cấp đang có hàng (AI-2).

Ranh giới ở đây rất chặt. Hệ thống cung ứng có thể cho biết đang có gì; thay thế điều trị cho bệnh nhân là quyết định lâm sàng và dược.

F — Thông tin thị trường và sau lưu hành

Sau khi sản phẩm lưu hành, có ba dòng quan trọng: tín hiệu thị trường, báo cáo phản ứng có hại và thu hồi.

Tự động hoá đảm nhận tiếp nhận điện tử khiếu nại và báo cáo phản ứng có hại, truy vết lô bị ảnh hưởng qua hồ sơ phân phối và, ngày càng nhiều, thông báo thiếu thuốc có cấu trúc. Ở EU, Nền tảng giám sát thiếu thuốc châu Âu ^[14] — dựa trên Quy định (EU) 2022/123 và vận hành đầy đủ từ 29/01/2025 — nhận báo cáo thiếu thuốc thường xuyên từ cơ sở đăng ký của các thuốc cấp phép tập trung, và báo cáo rộng hơn khi có khủng hoảng. AI có thể hỗ trợ phân loại và điều phối ca, và phát hiện tín hiệu (AI-1/2); tín hiệu nhu cầu suy ra từ dữ liệu thị trường phải được ghi rõ là suy luận.

Đánh giá cảnh giác dược và quyết định thu hồi vẫn do con người và gắn với vai trò. Thực hành tốt cảnh giác dược (GVP) của EMA ^[15] đặt ra khung — Module VI cho thu thập và báo cáo phản ứng có hại nghi ngờ, Module IX cho quản lý tín hiệu.

5. Định danh, liên thông và khả năng quan sát chuỗi

Nếu có một mục trong bản đồ này đáng chú ý nhất, thì đó là mục này. Mọi ứng dụng AI ở trên đều giả định một điều thường không có: hai hệ thống thống nhất được là mình đang nói về cái gì.

Thứ tự rất quan trọng. Định danh đi trước: hai bên phải thống nhất bản ghi đang chỉ nhà cung cấp, sản phẩm hay lô nào. Liên thông thứ hai: họ phải trao đổi được dữ liệu đó. Khả năng quan sát thứ ba: chỉ khi đó mới có người nhìn được chuỗi từ đầu đến cuối. Hoạch định, tối ưu hoá và AI nằm trên cùng.

Định danh đã được giải quyết một phần ở nơi pháp luật bắt buộc. Mã định danh duy nhất của EU gồm mã sản phẩm, số serial, số lô và hạn dùng ^[6]; trên thực tế, GS1 GTIN thường được mã hoá trong GS1 DataMatrix với cùng các thành phần đó ^[31]. Nhà cung cấp và cơ sở sản xuất khó hơn. Trong chính dữ liệu của PharmaCountry (production, 22/09/2026) ^[36], một cơ sở sản xuất xuất hiện thành bốn bản ghi công ty với bốn cách viết cùng một tên nhà máy — cùng một địa chỉ được viết theo bốn cách và cùng một website — đều được tạo trong một ngày bởi một đợt import từ một cơ sở dữ liệu đăng ký quốc gia. Ngược lại, tên của một nhà cung cấp tá dược xuất hiện ở bốn nước — có thể là bốn cơ sở thật sự khác nhau. Trùng tên không chứng minh là trùng bản ghi. Chuẩn hoá tên đơn giản có thể đánh dấu các nhóm nghi trùng, nhưng chỉ độ giống nhau của chuỗi ký tự thì không xác định được hai bản ghi có phải cùng một pháp nhân hay cùng một cơ sở hay không. Entity resolution cần quy tắc, bằng chứng và người rà soát.

Liên thông nghĩa là EDI và API giữa các công ty và, bên trong nhà máy, một ranh giới ISA-95 rõ ràng giữa hệ thống vận hành và hệ thống kinh doanh.

Khả năng quan sát và hoạch định biến dữ liệu được trao đổi thành quyết định: dự báo nhu cầu, hoạch định bán hàng và vận hành (S&OP — cân đối cung và cầu định kỳ), hoạch định nhu cầu vật tư, tồn kho an toàn, và control tower — chỉ hữu ích khi có thêm phát hiện ngoại lệ và điều phối bên cạnh khả năng quan sát, không chỉ là dashboard. Dữ liệu đứt ở đâu, hoạch định đứt ở đó; lại là hiệu ứng bullwhip. Khả năng quan sát tới tầng 2 thường hạn chế, và không có trong dữ liệu listing hiện tại của PharmaCountry.

Kết luận thực tế: định danh kém và chất lượng dữ liệu kém có thể khiến AI lặp lại hoặc khuếch đại các lỗi sẵn có. Công việc định danh ít được chú ý hơn một dự án thử nghiệm AI, nhưng thường là khoản đầu tư nền tảng hơn.

6. Quản trị xuyên chuỗi

Quản trị không phải một khung duy nhất mà là nhiều khung, áp dụng theo từng chặng.

• Sản xuất (GMP): thẩm định hệ thống máy tính hoá (GAMP 5) ^[29], hồ sơ và chữ ký điện tử (21 CFR Part 11, EU GMP Annex 11) ^[18][3] và toàn vẹn dữ liệu (ALCOA+; FDA 2018; PIC/S PI 041-1) ^[19][20].
• Phân phối (GDP): hướng dẫn GDP của EU ^[1] định nghĩa người chịu trách nhiệm, việc đánh giá nhà cung cấp và khách hàng, thu hồi và sai lệch nhiệt độ.
• Cảnh giác dược (GVP): EMA GVP Module VI và IX ^[15].
• Khẳng định sản phẩm và quảng bá: quy định khác nhau theo loại sản phẩm, đối tượng và nước; ở EU, Chỉ thị 2001/83/EC điều chỉnh quảng cáo thuốc ^[7].

AI trong GMP vẫn đang được định hình. Tháng 7/2025, Uỷ ban châu Âu và nhóm công tác thanh tra EMA/PIC/S công bố dự thảo Annex 22 về trí tuệ nhân tạo ^[4], cùng các bản dự thảo sửa đổi Annex 11 và Chương 4. Dự thảo áp dụng cho mô hình AI/ML trong các ứng dụng GMP quan trọng — có tác động trực tiếp đến an toàn bệnh nhân, chất lượng sản phẩm hoặc toàn vẹn dữ liệu — và chỉ bao gồm mô hình tĩnh cho kết quả tất định. Dự thảo nêu rằng mô hình động, mô hình cho kết quả xác suất, AI tạo sinh và mô hình ngôn ngữ lớn "không nên được dùng trong các ứng dụng GMP quan trọng", và ở các ứng dụng không quan trọng, người có chuyên môn vẫn chịu trách nhiệm về kết quả. Quan điểm này hiện đang được thảo luận: tháng 6–7/2026, EMA tổ chức hội thảo đa bên về cách tiếp cận dựa trên rủi ro cho AI tạo sinh trong sản xuất thuốc ^[5]. Tính đến 9/2026, Annex 22 vẫn là dự thảo. Mối liên hệ với mục 2 là trực tiếp: dự thảo quản lý theo loại AI, không theo cái nhãn "AI".

An ninh mạng, quyền riêng tư và quản trị mô hình. Tự động hoá kết nối làm rộng bề mặt tấn công. AI đặt thêm các câu hỏi về nguồn gốc dữ liệu, quản lý mô hình và phiên bản, quyền truy cập thông tin mật của nhà cung cấp, GMP và bệnh nhân, sự phụ thuộc vào nhà cung cấp mô hình bên ngoài, quản lý thay đổi, theo dõi drift và khả năng audit. Ở EU, Chỉ thị NIS2 (EU) 2022/2555 ^[22] mở rộng nghĩa vụ an ninh mạng sang lĩnh vực y tế, gồm cả sản xuất dược phẩm và R&D thuốc, với doanh nghiệp cỡ vừa và lớn theo cách nội luật hoá của từng nước. Theo GDPR ^[23], dữ liệu sức khoẻ là loại dữ liệu đặc biệt, bị cấm xử lý trừ khi thuộc một ngoại lệ cụ thể — điều quan trọng với dữ liệu cảnh giác dược và bệnh viện.

Nguyên tắc xuyên suốt: kiểm soát tương xứng với rủi ro, và AI không bao giờ là lý do để bỏ trách nhiệm của con người.

7. Mức độ bằng chứng

Bao nhiêu trong số này đã được chứng minh? Cách xếp loại dưới đây là đánh giá biên tập của PharmaCountry, không phải tổng quan hệ thống: cột Đã xác lập dựa trên các nguồn đã dẫn, còn cột Đang nổi lên liệt kê các lĩnh vực đang phát triển, không phải các khẳng định đã được xếp hạng bằng chứng.

Ví dụ AI ở cột đầu cần một lưu ý. Zhu, Ninh, Zhao và Liu (Production and Operations Management, 2021) ^[34] thử nghiệm dự báo bằng học máy trên hai bộ dữ liệu lớn của các nhà sản xuất dược lớn và thấy hiệu quả vượt trội — cùng bằng chứng thực nghiệm về giá trị của thông tin tồn kho hạ nguồn. Đó là một nghiên cứu trên dữ liệu cụ thể. Bài học của nó chính là luận điểm của bài này: hiệu quả đến từ dữ liệu được chia sẻ qua ranh giới giữa các công ty, không chỉ từ thuật toán.

Với cột bên phải, cách nói chính xác không phải là những điều này bất khả thi, mà là chưa có đủ bằng chứng — và còn rào cản lớn về trách nhiệm và thẩm định — để coi chúng là cách vận hành đã chín.

8. Chương trình phía trước

Bài này là bản đồ. Chương trình sẽ đi sâu từng chặng: Intelligent Sourcing & Procurement (bài kế tiếp), thông tin thương mại và logistics, sản xuất thông minh, chất lượng và tuân thủ số, phân phối và bán buôn, nhà thuốc và bán lẻ — cùng một Implementation series ghi lại một dự án ERP thật với các giới hạn được nêu rõ, Being Found, về việc được tìm thấy trên môi trường số và hiện diện đa ngôn ngữ trong tìm nguồn dược, và — sau đó — chuỗi cung ứng thuốc thử lâm sàng. Dữ liệu cho phân tích tìm nguồn bắt đầu từ Report #01 — Global Pharmaceutical Supplier Landscape 2026.

Về bài viết này

Đây là một bản đồ phân tích. Bằng chứng gồm dữ liệu platform PharmaCountry (có ghi ngày snapshot và giới hạn; dữ liệu platform không phải điều tra toàn ngành), hai dự án triển khai ẩn danh — một dự án ERP chưa go-live, chưa thẩm định, chỉ dùng cho vận hành nhà máy, và một platform chúng tôi vận hành, chỉ dùng cho phần tìm nhà cung cấp — văn bản pháp quy gốc, tiêu chuẩn và nghiên cứu có bình duyệt. Ví dụ thiếu thuốc là minh hoạ. Cách xếp loại mức trưởng thành dữ liệu và mức độ bằng chứng là nhận định của chúng tôi. Các văn bản pháp quy được kiểm tra ngày 22/09/2026; quy định có thể thay đổi, và các bản dự thảo được ghi rõ là dự thảo.

Theo dõi chương trình: đăng ký bản tin PharmaCountry (form ở cuối trang) để nhận từng bài phân tích mới, hoặc tìm nhà cung cấp dược theo nước và danh mục.

Tài liệu tham khảo

Các số trong ngoặc vuông ở bài viết trỏ tới danh sách này. Tên tài liệu giữ nguyên ngôn ngữ gốc; các trích dẫn trong bài là bản dịch của PharmaCountry từ nguyên văn.

Văn bản pháp quy và hướng dẫn chính thức

[1] European Commission. Guidelines of 5 November 2013 on Good Distribution Practice of medicinal products for human use (2013/C 343/01). https://health.ec.europa.eu/document/download/9f28179a-a6f8-418a-a5fc-ecfbb3ae3ba8_en
[2] European Commission. EudraLex Vol. 4, EU GMP Chapter 8 — Complaints, Quality Defects and Product Recalls (effective 1 March 2015). https://health.ec.europa.eu/system/files/2016-11/2014-08_gmp_chap8_0.pdf
[3] European Commission. EudraLex Vol. 4 — EU GMP guidelines, incl. Annex 11 (Computerised Systems). https://health.ec.europa.eu/medicinal-products/eudralex/eudralex-volume-4_en
[4] European Commission. Draft Annex 22: Artificial Intelligence (consultation 7 July – 7 October 2025). https://health.ec.europa.eu/document/download/5f38a92d-bb8e-4264-8898-ea076e926db6_en?filename=mp_vol4_chap4_annex22_consultation_guideline_en.pdf
[5] EMA. GMP multistakeholder workshop on expert contributions to AI guidance development (Annex 22), 30 June – 1 July 2026. https://www.ema.europa.eu/en/events/good-manufacturing-practice-multistakeholder-workshop-expert-contributions-artificial-intelligence-guidance-development-annex-22
[6] European Commission. Falsified medicines — Directive 2011/62/EU and Delegated Regulation (EU) 2016/161. https://health.ec.europa.eu/medicinal-products/falsified-medicines_en
[7] Directive 2001/83/EC on the Community code relating to medicinal products for human use, Title VIII (Advertising). https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX:32001L0083
[8] Commission Delegated Regulation (EU) 2024/1701 amending Regulation (EC) No 1234/2008 (variations). https://eur-lex.europa.eu/eli/reg_del/2024/1701/oj/eng
[9] EMA. Guidance on the application of the revised variations framework. https://www.ema.europa.eu/en/guidance-application-revised-variations-framework
[10] EMA. Active substance master file procedure — scientific guideline. https://www.ema.europa.eu/en/active-substance-master-file-procedure-scientific-guideline
[11] EDQM. Certification of Suitability (CEP). https://www.edqm.eu/en/certification
[12] EDQM. How do I know if I have the latest valid version of a CEP? https://faq.edqm.eu/pages/viewpage.action?pageId=1377010
[13] EMA. EudraGMDP database. https://www.ema.europa.eu/en/human-regulatory-overview/research-development/compliance-research-development/good-manufacturing-practice/eudragmdp-database
[14] EMA. European Shortages Monitoring Platform (ESMP). https://www.ema.europa.eu/en/human-regulatory-overview/post-authorisation/medicine-shortages-availability-issues/european-shortages-monitoring-platform-esmp
[15] EMA. Good pharmacovigilance practices (GVP). https://www.ema.europa.eu/en/human-regulatory-overview/post-authorisation/pharmacovigilance-post-authorisation/good-pharmacovigilance-practices-gvp
[16] US FDA. Drug Master Files (DMFs). https://www.fda.gov/drugs/forms-submission-requirements/drug-master-files-dmfs
[17] US FDA. DSCSA exemptions (October 2024); small-dispenser exemption (August 2026); Exemptions under the DSCSA. https://www.fda.gov/media/182584/download · https://www.fda.gov/media/194424/download · https://www.fda.gov/drugs/drug-supply-chain-security-act-dscsa/exemptions-under-drug-supply-chain-security-act
[18] US eCFR. 21 CFR Part 11 — Electronic Records; Electronic Signatures. https://www.ecfr.gov/current/title-21/chapter-I/subchapter-A/part-11
[19] US FDA. Data Integrity and Compliance With Drug CGMP: Questions and Answers (December 2018). https://www.fda.gov/regulatory-information/search-fda-guidance-documents/data-integrity-and-compliance-drug-cgmp-questions-and-answers-guidance-industry
[20] PIC/S. PI 041-1, Good Practices for Data Management and Integrity in Regulated GMP/GDP Environments (2021). https://picscheme.org/docview/4234
[21] WHO. TRS 1025, Annex 7: Good storage and distribution practices for medical products (2020). https://www.who.int/publications/m/item/trs-1025-annex-7
[22] Directive (EU) 2022/2555 (NIS2 Directive), Articles 2–3 and Annex I (health sector). https://eur-lex.europa.eu/eli/dir/2022/2555/oj
[23] Regulation (EU) 2016/679 (General Data Protection Regulation), Article 9 — Processing of special categories of personal data. https://eur-lex.europa.eu/eli/reg/2016/679/oj
[24] Viet Nam. Pharmacy Law No. 105/2016/QH13, Article 60 (import of medicines without a marketing authorisation). https://vanban.chinhphu.vn/?pageid=27160&docid=184569
[25] Viet Nam. Law No. 44/2024/QH15 amending the Pharmacy Law (in force 1 July 2025), Official Gazette text. https://congbaocdn.chinhphu.vn/CongBaoCP/VanBan/2024/11/43548/53667-1-20241519-152044-2024-qh15.pdf
[26] Viet Nam. Law on Procurement No. 22/2023/QH15. https://vanban.chinhphu.vn/?pageid=27160&docid=208419
[27] Viet Nam Government portal. New points in Circular 40/2025/TT-BYT on medicine procurement at public health facilities. https://xaydungchinhsach.chinhphu.vn/nhung-diem-moi-trong-thong-tu-40-2025-tt-byt-ve-dau-thau-thuoc-119251105153744446.htm
[28] Google Search Central. Spam policies for Google web search. https://developers.google.com/search/docs/essentials/spam-policies

Tiêu chuẩn

[29] ISPE. GAMP 5: A Risk-Based Approach to Compliant GxP Computerized Systems, Second Edition (2022). https://ispe.org/publications/guidance-documents/gamp-5-guide-2nd-edition
[30] ISA. ISA-95 / IEC 62264, Enterprise-Control System Integration. https://www.isa.org/standards-and-publications/isa-standards/isa-95-standard
[31] GS1. Discussion paper on medicines identification requirements on primary level packaging using GS1 standards (2019). https://www.gs1.org/docs/healthcare/position-papers/Discussion-paper-on-medicines-identification-requirements-on-primary-level-packaging-using-GS1-standards-final.pdf

Nghiên cứu

[32] Lee, H.L., Padmanabhan, V., Whang, S. (1997). Information Distortion in a Supply Chain: The Bullwhip Effect. Management Science, 43(4), 546–558. https://doi.org/10.1287/mnsc.43.4.546
[33] Batson, S., Herranz, A., Rohrbach, N., Canobbio, M., Mitchell, S., Bonnabry, P. (2020). Automation of in-hospital pharmacy dispensing: a systematic review. European Journal of Hospital Pharmacy, 28(2). https://doi.org/10.1136/ejhpharm-2019-002081
[34] Zhu, X., Ninh, A., Zhao, H., Liu, Z. (2021). Demand Forecasting with Supply-Chain Information and Machine Learning: Evidence in the Pharmaceutical Industry. Production and Operations Management. https://doi.org/10.1111/poms.13426

Dữ liệu PharmaCountry

[35] PharmaCountry. Report #01 — Global Pharmaceutical Supplier Landscape 2026 (snapshot 21 September 2026). https://pharmacountry.com/insights/reports/global-pharmaceutical-supplier-landscape-2026
[36] PharmaCountry production database, read-only queries, 22 September 2026: registered-market coverage of product listings; duplicate-record example (four records of one site, matched on address and website). Methodology and queries on file.