Pourquoi Ford a réembauché des ingénieurs chevronnés pour corriger les erreurs d'IA et d'automatisation
La récente ascension de Ford à la première place du classement de la qualité initiale de JD Power s'accompagne d'un aveu surprenant : l'entreprise a dû faire revenir d'anciens ingénieurs pour corriger des erreurs commises par ses propres systèmes automatisés. Ce pivot met en lumière une leçon cruciale pour l'industrie technologique concernant les dangers d'une dépendance excessive à l'IA sans préserver le savoir institutionnel humain.
Les pièges de l'ingénierie « axée sur l'IA »
Pendant plusieurs années, Ford a tenté de rationaliser ses processus de production et de conception en s'appuyant fortement sur l'intelligence artificielle et sur des exigences de conception ajustées. Cependant, l'entreprise a découvert que l'introduction de l'IA ne garantit pas automatiquement un produit de haute qualité. Le problème de fond était double : la qualité des données utilisées pour entraîner les modèles d'IA était insuffisante, et l'entreprise avait sous-estimé la valeur du « savoir institutionnel ».
Charles Poon, vice-président de l'ingénierie matérielle des véhicules chez Ford, a admis que l'entreprise avait supposé à tort que l'automatisation pouvait remplacer la nuance apportée par les ingénieurs chevronnés. À mesure que le personnel expérimenté quittait l'entreprise, leur expertise accumulée n'était pas entièrement transférée dans les systèmes automatisés, ce qui a entraîné une baisse de la qualité des véhicules et une augmentation des rappels.
Reconstruire l'expertise : la stratégie de « l'humain dans la boucle »
Pour corriger cette trajectoire, Ford a entrepris un réinvestissement massif dans son capital humain. Le constructeur automobile a embauché, promu ou fait revenir plus de 350 ingénieurs expérimentés. Ces vétérans ne sont pas seulement là pour corriger des défauts physiques ; ils ont une mission bien plus sophistiquée : réentraîner les systèmes d'IA et encadrer les jeunes ingénieurs.
En utilisant ces experts pour identifier les problèmes avant qu'ils ne « s'insinuent dans le système », Ford crée essentiellement une boucle de rétroaction de haute qualité. Cette approche garantit que les données utilisées pour entraîner les futurs modèles d'IA sont enrichies par des décennies de cycles de développement de véhicules concrets, comblant ainsi le fossé entre la logique basée sur le silicium et la complexité mécanique du monde réel.
Passer de la logique « détecter et réparer » à la prévention prédictive
Sous la direction du directeur de l'exploitation (COO) Kumar Galhotra, Ford fait évoluer sa philosophie fondamentale, passant d'une mentalité de « détection et réparation » à une approche préventive. Auparavant, l'entreprise fonctionnait en silos, n'identifiant les défauts qu'après leur apparition. La nouvelle stratégie se concentre sur les « facilitateurs et les indicateurs précoces » pour stopper les problèmes avant qu'ils ne se manifestent dans le produit final.
Cette transformation est particulièrement évidente dans le développement logiciel de Ford. Contrairement à l'électronique grand public, où l'approche « avancer vite et réparer plus tard » est courante, le logiciel automobile opère dans un environnement critique pour la sécurité. Pour gérer cela, Ford a :
- Créé une équipe dédiée de 40 personnes pour l'assurance qualité logicielle.
- Intégré les équipes logicielles, numériques et de fabrication pour briser les silos.
- Mis en œuvre plus de 100 000 nouveaux tests automatisés alimentés par l'IA pour identifier les cas limites et tester la résistance des logiciels dans des conditions extrêmes.
Pourquoi cela est important pour le paysage de l'IA
L'expérience de Ford sert de mise en garde pour toute industrie subissant une transformation numérique rapide. Elle prouve que l'IA est un multiplicateur de force, et non un remplacement de l'expertise approfondie d'un domaine. Pour les développeurs et les fondateurs, la leçon est claire : l'automatisation sans la direction d'une supervision humaine expérimentée mène à une fragilité systémique. La véritable fiabilité à l'ère de l'IA nécessite un modèle hybride où la vitesse de la machine est tempérée par la rigueur humaine.
Points clés à retenir
- Le fossé des connaissances : Ford a constaté que les modèles d'IA échouaient parce que le « savoir institutionnel » des ingénieurs chevronnés partants n'avait pas été encodé avec succès dans les systèmes automatisés.
- Réembauche stratégique : L'entreprise a fait revenir plus de 350 ingénieurs expérimentés pour encadrer le personnel et réentraîner les modèles d'IA avec des données de meilleure qualité, pilotées par des experts.
- Ingénierie préventive : Ford passe d'un modèle réactif de « détection et réparation » à une approche proactive, utilisant plus de 100 000 tests alimentés par l'IA pour détecter les défauts logiciels avant qu'ils n'atteignent les clients.