Waarom Ford ervaren ingenieurs opnieuw heeft aangenomen om AI- en automatisatiefouten te herstellen
De recente klim van Ford naar de eerste plaats in de initiële kwaliteitsranglijsten van JD Power gaat gepaard met een verrassende bekentenis: het bedrijf moest voormalige ingenieurs terugroepen om fouten te herstellen die door de eigen geautomatiseerde systemen waren gemaakt. Deze koerswijziging onderstreept een cruciale les voor de techsector over de gevaren van een te grote afhankelijkheid van AI zonder het behoud van menselijke institutionele kennis.
De valkuilen van "AI-first" engineering
Enkele jaren lang probeerde Ford de productie- en ontwerpprocessen te stroomlijnen door zwaar te leunen op kunstmatige intelligentie en aangepaste ontwerpvereisten. Het bedrijf ontdekte echter dat het simpelweg introduceren van AI niet automatisch een hoogwaardig product garandeert. Het kernprobleem was tweeledig: de kwaliteit van de gegevens die werden gebruikt om de AI-modellen te trainen was onvoldoende, en het bedrijf had de waarde van "institutionele kennis" onderschat.
Charles Poon, VP van vehicle hardware engineering bij Ford, gaf toe dat het bedrijf ten onrechte aannam dat automatisering de nuance van ervaren ingenieurs kon vervangen. Toen ervaren personeel het bedrijf verliet, werd hun opgebouwde expertise niet volledig overgedragen naar de geautomatiseerde systemen, wat leidde tot een afname van de voertuigkwaliteit en een toename van terugroepacties.
Expertise herbouwen: De "human-in-the-loop"-strategie
Om deze koers te corrigeren, heeft Ford een enorme herinvestering in menselijk kapitaal ondernomen. De autofabrikant heeft meer dan 350 ervaren ingenieurs aangenomen, gepromoveerd of teruggehaald. Deze veteranen zijn er niet alleen om fysieke defecten te herstellen; ze hebben een veel complexere missie: het hertrainen van de AI-systemen en het begeleiden van jongere ingenieurs.
Door deze experts in te zetten om problemen te identificeren voordat ze "het systeem binnensluipen", creëert Ford in feite een hoogwaardige feedbackloop. Deze aanpak zorgt ervoor dat de gegevens die worden gebruikt om toekomstige AI-modellen te trainen, gebaseerd zijn op decennia aan praktijkervaring in voertuigontwikkelingscycli, waardoor de kloof tussen op silicium gebaseerde logica en de mechanische complexiteit in de echte wereld wordt overbrugd.
Van "find-and-fix" naar voorspellende preventie
Onder leiding van COO Kumar Galhotra verschuift Ford de fundamentele filosofie van een "find-and-fix"-mentaliteit naar een preventieve benadering. Voorheen werkte het bedrijf in silo's en werden defecten pas geïdentificeerd nadat ze waren opgetreden. De nieuwe strategie richt zich op "enablers en vroege indicatoren" om problemen te stoppen voordat ze zich in het eindproduct manifesteren.
Deze transformatie is het meest zichtbaar in de softwareontwikkeling van Ford. In tegenstelling tot consumentenelektronica, waar een "move fast and fix later"-aanpak gebruikelijk is, werkt automotive software in een veiligheidskritische omgeving. Om dit te beheren heeft Ford:
- Een toegewijd softwarekwaliteitsborgingsteam van 40 personen samengesteld.
- Software-, digitale- en productieteams geïntegreerd om silo's te doorbreken.
- Meer dan 100.000 nieuwe AI-gestuurde geautomatiseerde tests geïmplementeerd om edge cases te identificeren en software onder extreme omstandigheden te testen.
Waarom dit belangrijk is voor het AI-landschap
De ervaring van Ford dient als een waarschuwing voor elke sector die een snelle digitale transformatie ondergaat. Het bewijst dat AI een krachtvermenigvuldiger is, en geen vervanging voor diepgaande domeinexpertise. Voor ontwikkelaars en oprichters is de les duidelijk: automatisering zonder de begeleiding van ervaren menselijk toezicht leidt tot systemische kwetsbaarheid. Echte betrouwbaarheid in het tijdperk van AI vereist een hybride model waarbij machinesnelheid wordt getemperd door menselijke nauwkeurigheid.
Kernpunten
- De kenniskloof: Ford ontdekte dat AI-modellen faalden omdat de "institutionele kennis" van vertrekkende ervaren ingenieurs niet succesvol was gecodeerd in de geautomatiseerde systemen.
- Strategische heraanstellingen: Het bedrijf heeft meer dan 350 ervaren ingenieurs teruggehaald om personeel te begeleiden en AI-modellen te hertrainen met kwalitatief betere, door experts gestuurde gegevens.
- Preventief engineering: Ford stapt over van een reactief "find-and-fix"-model naar een proactieve aanpak, waarbij meer dan 100.000 AI-gestuurde tests worden gebruikt om softwaredefecten op te sporen voordat ze de klant bereiken.