Ingeniørerne, som Ford lod gå og betalte for at få tilbage

Da Charles Poon, Fords vicepræsident for køretøjshardware, forklarede fejlen i slutningen af juni 2026, gav han ikke softwaren skylden. Han gav antagelsen bag den skylden. "Fejlagtigt troede vi, at det blot at indføre kunstig intelligens og indlæse de designkrav, vi havde, ville give et produkt af høj kvalitet," sagde han ifølge omtale fra TechCrunch og Fox Business den 28. og 30. juni. Det gjorde det ikke. Ford havde lænet sig op ad AI for at overvåge kvaliteten af sine køretøjer, værktøjerne forstærkede svage input i stedet for at fange designfejl, og virksomheden havde brugt cirka tre år på i stilhed at genansætte 350 erfarne ingeniører for at rette skaden.

Detaljen, der gør dette fra en automatiseringshistorie til en beslutningshistorie, er, hvor videnen tog hen. Mange af Fords mest erfarne ingeniører var allerede gået, før deres dømmekraft kunne kodes ind i noget, en model kunne lære af. AI'en blev trænet på dokumenterne, ikke på instinktet, der fortalte en ingeniør med tredive års erfaring, hvor en del ville svigte, længe før den nåede samlebåndet. Da folkene gik, gik det instinkt med dem, og ingen mængde indlæste krav bragte det tilbage.

Hvorfor det betyder noget: man kan ikke automatisere det, der aldrig blev skrevet ned

Hvorfor det betyder noget: det salgsargument, enhver ejer hører nu, er, at man kan give sine dokumenter til en model og erstatte sine seniorer. Ford er kontrolcasen, drevet af en virksomhed med næsten ubegrænsede ressourcer, og den viser basisrate-fejlen i argumentet. Antagelsen er, at ekspertens dømmekraft bor i de artefakter, eksperterne producerer. Ofte gør de ikke. Den bor i deres hoveder som tavs viden, mønstergenkendelsen, der aldrig nåede en specifikation, og en model trænet kun på papirarbejdet arver dens blinde vinkler. Værktøjet slog ikke fejl, fordi det var svagt. Det slog fejl, fordi det, det skulle erstatte, aldrig var blevet indfanget.

Ja, men: dette er ikke et argument mod AI i kvalitetskontrol. Ford slukkede ikke værktøjerne. De tilbagevendte ingeniører genopbyggede dem, og AI'en markerer nu defekter, før komponenter når samlebåndet - mennesker gentræner systemet i stedet for, at systemet erstatter menneskene. Lektien handler om rækkefølgen, ikke værktøjerne: bevis, at modellen gengiver dømmekraften, før du lader den forlade bygningen.

Beslutningsreglen: behandl seniorers afgang som uigenkaldelig

Bundlinjen: før du automatiserer en vurderingsopgave, så stil ét spørgsmål - er den viden, jeg erstatter, faktisk kodet ind i mine data eller kun i hoveder? Kan du ikke svare ja med beviser, vædder du på en ubevist hypotese, og væddemålet har en asymmetrisk bagside. At miste en erfaren specialist er en næsten uigenkaldelig beslutning. Relationerne, mønsterbiblioteket, viden om hvilken leverandør der skærer hvor - intet af det kommer tilbage med den næste ansættelse. Fords kvalitetsreform bragte den i top blandt volumenmærkerne i JD Power-undersøgelsen 2026, en placering den ikke havde nået i 16 år, og Jim Farley beskrev de faldende garantiomkostninger som hundreder og atter hundreder af millioner dollars i medvind. Det er størrelsen på forskellen mellem at træffe denne beslutning rigtigt og forkert.

For en europæisk ejer er den praktiske regel at lade automatisering og ekspert køre parallelt, indtil modellen påviseligt slår den menneskelige dømmekraft i de sager, der betyder noget, og at beholde eksperten indtil da. At automatisere en seniors arbejde er et reversibelt eksperiment. At lade senioren gå er det ikke. Ordn rækkefølgen derefter.

Læs videre: Uber brændte sit AI-budget 2026 på fire måneder  |  Den, der bruger 145 milliarder, siger, at det ikke virker endnu