Os engenheiros que a Ford deixou sair e pagou para recuperar

Quando Charles Poon, vice-presidente de hardware de veículos da Ford, explicou o erro no fim de junho de 2026, não culpou o software. Culpou a suposição por trás dele. "Por erro, pensámos que apenas introduzir inteligência artificial e ingerir os requisitos de projeto que tínhamos produziria um produto de alta qualidade", disse, segundo o relato de TechCrunch e Fox Business a 28 e 30 de junho. Não produziu. A Ford apoiara-se na IA para vigiar a qualidade dos seus veículos, as ferramentas amplificaram entradas fracas em vez de apanhar falhas de projeto, e a empresa passara cerca de três anos a recontratar em silêncio 350 engenheiros veteranos para reparar o dano.

O detalhe que transforma isto de uma história de automação numa história de decisão é para onde foi o saber. Muitos dos engenheiros mais experientes da Ford já tinham saído antes de que o seu juízo pudesse ser codificado em algo de que um modelo aprendesse. A IA foi treinada nos documentos, não no instinto que dizia a um engenheiro com trinta anos de experiência onde uma peça iria falhar muito antes de chegar à linha. Quando as pessoas saíram, esse instinto saiu com elas, e nenhuma quantidade de requisitos ingeridos o trouxe de volta.

Porque importa: não se pode automatizar o que nunca foi escrito

Porque importa: o argumento que todo o empresário ouve agora é que se podem dar os documentos a um modelo e substituir os veteranos. A Ford é o caso de controlo, dirigido por uma empresa com recursos quase ilimitados, e mostra o erro de taxa base desse argumento. A suposição é que o juízo especializado vive nos artefactos que os especialistas produzem. Muitas vezes não. Vive nas suas cabeças como saber tácito, o reconhecimento de padrões que nunca chegou a uma especificação, e um modelo treinado só na papelada herda os seus pontos cegos. A ferramenta não falhou por ser fraca. Falhou porque aquilo que devia substituir nunca fora capturado.

Sim, mas: isto não é um argumento contra a IA no controlo de qualidade. A Ford não desligou as ferramentas. Os engenheiros que regressaram reconstruíram-nas, e a IA agora assinala defeitos antes de os componentes chegarem à linha - as pessoas retreinam o sistema em vez de o sistema as substituir. A lição é sobre a sequência, não sobre as ferramentas: prova que o modelo reproduz o juízo antes de deixar o juízo sair do edifício.

A regra de decisão: tratar a saída de veteranos como irreversível

Em resumo: antes de automatizar uma tarefa de juízo, faz uma pergunta - o saber que substituo está realmente codificado nos meus dados ou só nas cabeças? Se não consegues responder sim com provas, apostas numa hipótese não provada, e a aposta tem um lado negativo assimétrico. Perder um especialista veterano é uma decisão quase irreversível. As relações, a biblioteca de padrões, o saber sobre que fornecedor corta onde - nada disso volta com a próxima contratação. A reforma de qualidade da Ford colocou-a em primeiro entre as marcas generalistas do estudo JD Power 2026, um lugar que não alcançava há 16 anos, e Jim Farley descreveu a queda dos custos de garantia como centenas e centenas de milhões de dólares de vento a favor. É esse o tamanho da diferença entre acertar e errar esta decisão.

Para um empresário europeu, a regra prática é correr a automação e o especialista em paralelo até o modelo superar de forma demonstrável o juízo humano nos casos que importam, e manter o especialista até lá. Automatizar o trabalho de um veterano é uma experiência reversível. Deixar o veterano sair não é. Ordena a sequência em conformidade.

Leia a seguir: A Uber queimou o orçamento de IA de 2026 em quatro meses  |  Quem gasta 145 mil milhões diz que ainda não funciona