Inżynierowie, których Ford wypuścił i zapłacił za powrót

Gdy Charles Poon, wiceprezes Forda ds. sprzętu pojazdów, wyjaśniał błąd pod koniec czerwca 2026 roku, nie obwiniał oprogramowania. Obwiniał założenie, które za nim stało. "Błędnie sądziliśmy, że samo wprowadzenie sztucznej inteligencji i wczytanie posiadanych wymagań projektowych da produkt wysokiej jakości", powiedział, według relacji TechCrunch i Fox Business z 28 i 30 czerwca. Tak się nie stało. Ford oparł się na AI, by pilnować jakości swoich pojazdów, narzędzia wzmacniały słabe dane wejściowe zamiast wychwytywać wady projektowe, a firma przez około trzy lata po cichu ponownie zatrudniała 350 doświadczonych inżynierów, by naprawić szkodę.

Szczegół, który zmienia to z historii o automatyzacji w historię o decyzji, to dokąd odeszła wiedza. Wielu najbardziej doświadczonych inżynierów Forda już odeszło, zanim ich osąd można było zakodować w czymś, z czego model mógłby się uczyć. AI trenowano na dokumentach, nie na instynkcie, który mówił inżynierowi z trzydziestoletnim stażem, gdzie część zawiedzie, na długo zanim dotarła do taśmy. Gdy ludzie odeszli, ten instynkt odszedł z nimi, i żadna ilość wczytanych wymagań go nie przywróciła.

Dlaczego to ważne: nie da się zautomatyzować tego, czego nigdy nie zapisano

Dlaczego to ważne: argument sprzedażowy, który słyszy teraz każdy właściciel, brzmi, że można podać dokumenty modelowi i zastąpić seniorów. Ford to przypadek kontrolny, prowadzony przez firmę o niemal nieograniczonych zasobach, i pokazuje błąd częstości bazowej w tym argumencie. Założenie brzmi, że osąd eksperta tkwi w artefaktach, które eksperci wytwarzają. Często tak nie jest. Tkwi w ich głowach jako cicha wiedza, rozpoznawanie wzorców, które nigdy nie trafiło do specyfikacji, a model trenowany wyłącznie na papierologii dziedziczy jej martwe pola. Narzędzie nie zawiodło dlatego, że było słabe. Zawiodło, bo to, co miało zastąpić, nigdy nie zostało uchwycone.

Tak, ale: to nie argument przeciw AI w kontroli jakości. Ford nie wyłączył narzędzi. Powracający inżynierowie je przebudowali, a AI teraz oznacza wady, zanim komponenty dotrą do taśmy - to ludzie douczają system, a nie system zastępuje ludzi. Lekcja dotyczy kolejności, nie narzędzi: udowodnij, że model odtwarza osąd, zanim pozwolisz osądowi opuścić budynek.

Reguła decyzyjna: traktuj odejście seniorów jako nieodwracalne

Podsumowanie: zanim zautomatyzujesz zadanie oceny, zadaj jedno pytanie - czy wiedza, którą zastępuję, jest naprawdę zakodowana w moich danych, czy tylko w głowach? Jeśli nie możesz odpowiedzieć tak z dowodami, obstawiasz nieudowodnioną hipotezę, a zakład ma asymetryczną stratę. Utrata doświadczonego specjalisty to decyzja niemal nieodwracalna. Relacje, biblioteka wzorców, wiedza o tym, który dostawca gdzie oszczędza - nic z tego nie wraca z kolejnym naborem. Reforma jakości Forda wyniosła go na pierwsze miejsce wśród marek popularnych w badaniu JD Power 2026, na pozycję, której nie osiągnął od 16 lat, a Jim Farley opisał spadające koszty gwarancji jako setki i kolejne setki milionów dolarów wiatru w plecy. Taka jest skala różnicy między dobrą a złą decyzją.

Dla europejskiego właściciela praktyczną regułą jest uruchamianie automatyzacji i eksperta równolegle, dopóki model w sposób wykazywalny nie pokona ludzkiego osądu w sprawach, które się liczą, i utrzymanie eksperta do tego czasu. Automatyzacja pracy seniora to eksperyment odwracalny. Pozwolenie seniorowi odejść już nie. Ustaw kolejność odpowiednio.

Czytaj dalej: Uber spalił budżet AI 2026 w cztery miesiące  |  Ten, kto wydaje 145 miliardów, mówi, że to jeszcze nie działa