Mengapa Ford Mempekerjakan Kembali Insinyur Veteran untuk Memperbaiki Kesalahan AI dan Otomasi

Kenaikan posisi Ford ke peringkat pertama dalam peringkat kualitas awal JD Power baru-baru ini disertai dengan pengakuan yang mengejutkan: perusahaan harus memanggil kembali mantan insinyur untuk memperbaiki kesalahan yang dibuat oleh sistem otomatisnya sendiri. Perubahan haluan ini menyoroti pelajaran penting bagi industri teknologi mengenai bahaya ketergantungan berlebih pada AI tanpa melestarikan pengetahuan institusional manusia.

Jebakan Rekayasa "AI-First"

Selama beberapa tahun, Ford mencoba merampingkan proses produksi dan desainnya dengan sangat mengandalkan kecerdasan buatan dan penyesuaian persyaratan desain. Namun, perusahaan menemukan bahwa sekadar memperkenalkan AI tidak secara otomatis menjamin produk berkualitas tinggi. Masalah utamanya ada dua: kualitas data yang digunakan untuk melatih model AI tidak memadai, dan perusahaan telah meremehkan nilai dari "pengetahuan institusional."

Charles Poon, VP rekayasa perangkat keras kendaraan Ford, mengakui bahwa perusahaan secara keliru berasumsi bahwa otomasi dapat menggantikan nuansa yang diberikan oleh para insinyur veteran. Saat personel berpengalaman meninggalkan perusahaan, keahlian yang mereka kumpulkan tidak sepenuhnya dialihkan ke dalam sistem otomatis, yang menyebabkan penurunan kualitas kendaraan dan peningkatan penarikan kembali produk (recall).

Membangun Kembali Keahlian: Strategi Human-in-the-Loop

Untuk memperbaiki lintasan ini, Ford telah melakukan investasi ulang modal manusia secara besar-besaran. Produsen mobil tersebut telah merekrut, mempromosikan, atau memanggil kembali lebih dari 350 insinyur berpengalaman. Para veteran ini tidak hanya bertugas memperbaiki cacat fisik; mereka diberi tugas yang jauh lebih canggih: melatih ulang sistem AI dan membimbing insinyur yang lebih muda.

Dengan menggunakan para ahli ini untuk mengidentifikasi masalah sebelum "menyusup ke dalam sistem," Ford pada dasarnya sedang menciptakan loop umpan balik berkualitas tinggi. Pendekatan ini memastikan bahwa data yang digunakan untuk melatih model AI di masa depan didasarkan pada pengalaman puluhan tahun dalam siklus pengembangan kendaraan secara langsung, menjembatani kesenjangan antara logika berbasis silikon dan kompleksitas mekanis dunia nyata.

Beralih dari "Find-and-Fix" ke Pencegahan Prediktif

Di bawah kepemimpinan COO Kumar Galhotra, Ford sedang menggeser filosofi fundamentalnya dari mentalitas "find-and-fix" (temukan-dan-perbaiki) ke mentalitas preventif. Sebelumnya, perusahaan beroperasi dalam silo, mengidentifikasi cacat hanya setelah cacat tersebut muncul. Strategi baru ini berfokus pada "enablers and early indicators" (pendorong dan indikator awal) untuk menghentikan masalah sebelum bermanifestasi pada produk akhir.

Transformasi ini paling nyata terlihat dalam pengembangan perangkat lunak Ford. Berbeda dengan elektronik konsumen, di mana pendekatan "bergerak cepat dan perbaiki nanti" adalah hal yang umum, perangkat lunak otomotif beroperasi dalam lingkungan yang kritis terhadap keselamatan. Untuk mengelola hal ini, Ford telah:

  • Membuat tim penjaminan kualitas perangkat lunak khusus beranggotakan 40 orang.
  • Mengintegrasikan tim perangkat lunak, digital, dan manufaktur untuk meruntuhkan silo.
  • Mengimplementasikan lebih dari 100.000 tes otomatis baru berbasis AI untuk mengidentifikasi kasus ekstrem (edge cases) dan melakukan uji stres pada perangkat lunak di bawah kondisi ekstrem.

Mengapa Ini Penting bagi Lanskap AI

Pengalaman Ford berfungsi sebagai peringatan bagi industri apa pun yang sedang menjalani transformasi digital yang cepat. Hal ini membuktikan bahwa AI adalah pengganda kekuatan (force multiplier), bukan pengganti keahlian domain yang mendalam. Bagi para pengembang dan pendiri, pelajarannya jelas: otomasi tanpa panduan pengawasan manusia yang berpengalaman akan menyebabkan kerapuhan sistemik. Keandalan sejati di era AI membutuhkan model hibrida di mana kecepatan mesin diseimbangkan dengan ketelitian manusia.

Poin-Poin Penting

  • Kesenjangan Pengetahuan: Ford menemukan bahwa model AI gagal karena "pengetahuan institusional" dari para insinyur veteran yang pergi belum berhasil dikodekan ke dalam sistem otomatis.
  • Perekrutan Kembali yang Strategis: Perusahaan memanggil kembali lebih dari 350 insinyur berpengalaman untuk membimbing staf dan melatih ulang model AI dengan data berkualitas lebih tinggi yang didorong oleh para ahli.
  • Rekayasa Preventif: Ford beralih dari model reaktif "find-and-fix" ke pendekatan proaktif, menggunakan lebih dari 100.000 tes berbasis AI untuk menangkap cacat perangkat lunak sebelum sampai ke tangan pelanggan.