Warum Ford erfahrene Ingenieure wieder einstellte, um KI- und Automatisierungsfehler zu beheben

Fords jüngster Aufstieg auf Platz 1 in den JD Power-Qualitätsrankings geht mit einem überraschenden Geständnis einher: Das Unternehmen musste ehemalige Ingenieure zurückholen, um Fehler zu beheben, die von seinen eigenen automatisierten Systemen verursacht wurden. Dieser Kurswechsel verdeutlicht eine entscheidende Lektion für die Tech-Branche hinsichtlich der Gefahren einer übermäßigen Abhängigkeit von KI, ohne das menschliche institutionelle Wissen zu bewahren.

Die Fallstricke des „AI-First“-Engineerings

Mehrere Jahre lang versuchte Ford, seine Produktions- und Designprozesse zu optimieren, indem es stark auf künstliche Intelligenz und angepasste Designanforderungen setzte. Das Unternehmen stellte jedoch fest, dass die bloße Einführung von KI nicht automatisch ein qualitativ hochwertiges Produkt garantiert. Das Kernproblem war zweifach: Die Qualität der zum Training der KI-Modelle verwendeten Daten war unzureichend, und das Unternehmen hatte den Wert des „institutionellen Wissens“ unterschätzt.

Charles Poon, Fords VP of Vehicle Hardware Engineering, gab zu, dass das Unternehmen fälschlicherweise davon ausging, dass Automatisierung die Nuancen ersetzen könne, die erfahrene Ingenieure einbringen. Als erfahrenes Personal das Unternehmen verließ, wurde deren angesammeltes Fachwissen nicht vollständig in die automatisierten Systeme übertragen, was zu einem Rückgang der Fahrzeugqualität und einer Zunahme von Rückrufaktionen führte.

Expertise wiederaufbauen: Die „Human-in-the-Loop“-Strategie

Um diesen Trend zu korrigieren, hat Ford massiv in sein Humankapital reinvestiert. Der Automobilhersteller hat über 350 erfahrene Ingenieure eingestellt, befördert oder zurückgeholt. Diese Veteranen sind nicht nur dazu da, physische Mängel zu beheben; sie haben eine weitaus anspruchsvollere Aufgabe: die KI-Systeme neu zu trainieren und jüngere Ingenieure zu mentoren.

Indem Ford diese Experten einsetzt, um Probleme zu identifizieren, bevor sie sich „in das System einschleichen“, schafft das Unternehmen im Wesentlichen eine hochwertige Feedbackschleife. Dieser Ansatz stellt sicher, dass die zum Training zukünftiger KI-Modelle verwendeten Daten auf jahrzehntelanger praktischer Erfahrung in Fahrzeugentwicklungszyklen basieren und so die Lücke zwischen siliziumbasierter Logik und realer mechanischer Komplexität schließen.

Von „Find-and-Fix“ zu prädiktiver Prävention

Unter der Leitung von COO Kumar Galhotra verschiebt Ford seine grundlegende Philosophie von einer „Find-and-Fix“-Mentalität (Finden und Beheben) hin zu einem präventiven Ansatz. Zuvor arbeitete das Unternehmen in Silos und identifizierte Mängel erst, nachdem sie aufgetreten waren. Die neue Strategie konzentriert sich auf „Enabler und Frühindikatoren“, um Probleme zu stoppen, bevor sie sich im Endprodukt manifestieren.

Diese Transformation zeigt sich am deutlichsten in der Softwareentwicklung von Ford. Im Gegensatz zur Unterhaltungselektronik, wo ein „Move fast and fix later“-Ansatz üblich ist, agiert Automotive-Software in einem sicherheitskritischen Umfeld. Um dies zu bewältigen, hat Ford:

• Ein spezielles 40-köpfiges Team für Software-Qualitätssicherung geschaffen.
• Software-, Digital- und Fertigungsteams integriert, um Silos aufzubrechen.
• Über 100.000 neue KI-gestützte automatisierte Tests implementiert, um Edge Cases zu identifizieren und die Software unter extremen Bedingungen zu Stresstests zu unterziehen.

Warum dies für die KI-Landschaft von Bedeutung ist

Die Erfahrung von Ford dient als Warnung für jede Branche, die sich in einer schnellen digitalen Transformation befindet. Sie beweist, dass KI ein Multiplikator ist, aber kein Ersatz für tiefgreifende Domänenexpertise. Für Entwickler und Gründer ist die Lehre klar: Automatisierung ohne die Anleitung durch erfahrene menschliche Aufsicht führt zu systemischer Fragilität. Wahre Zuverlässigkeit im Zeitalter der KI erfordert ein Hybridmodell, bei dem die Geschwindigkeit der Maschine durch menschliche Sorgfalt gezügelt wird.

Die wichtigsten Erkenntnisse

• Die Wissenslücke: Ford stellte fest, dass KI-Modelle scheiterten, weil das „institutionelle Wissen“ ausscheidender erfahrener Ingenieure nicht erfolgreich in die automatisierten Systeme kodiert worden war.
• Strategische Neueinstellungen: Das Unternehmen holte über 350 erfahrene Ingenieure zurück, um Mitarbeiter zu mentoren und KI-Modelle mit qualitativ hochwertigeren, expertengesteuerten Daten neu zu trainieren.
• Präventives Engineering: Ford wechselt von einem reaktiven „Find-and-Fix“-Modell zu einem proaktiven Ansatz und nutzt über 100.000 KI-gestützte Tests, um Softwarefehler zu finden, bevor sie die Kunden erreichen.