Die Ingenieure, die Ford gehen liess und teuer zurückholte

Als Charles Poon, Ford-Vizepräsident für Fahrzeug-Hardware, den Fehler Ende Juni 2026 erklärte, gab er nicht der Software die Schuld. Er gab der Annahme dahinter die Schuld. "Fälschlicherweise dachten wir, dass allein die Einführung künstlicher Intelligenz und das Einspeisen unserer Konstruktionsvorgaben ein hochwertiges Produkt erzeugen würde", sagte er laut Berichten von TechCrunch und Fox Business vom 28. und 30. Juni. Das tat es nicht. Ford hatte KI zur Qualitätskontrolle seiner Fahrzeuge eingesetzt, die Werkzeuge verstärkten schwache Eingaben, statt Konstruktionsfehler zu finden, und der Konzern hatte rund drei Jahre lang still 350 erfahrene Ingenieure zurückgeholt, um den Schaden zu beheben.

Das Detail, das aus einer Automatisierungsgeschichte eine Entscheidungsgeschichte macht, ist die Frage, wohin das Wissen ging. Viele der erfahrensten Ingenieure Fords hatten das Unternehmen bereits verlassen, bevor ihr Urteilsvermögen in etwas Lernbares für ein Modell überfuehrt werden konnte. Die KI wurde auf den Dokumenten trainiert, nicht auf dem Instinkt, der einem Ingenieur mit dreissig Jahren Erfahrung sagte, wo ein Teil versagen würde, lange bevor es das Band erreichte. Als die Menschen gingen, ging dieser Instinkt mit ihnen, und keine Menge eingespeister Vorgaben brachte ihn zurück.

Warum es zählt: man kann nicht automatisieren, was nie aufgeschrieben wurde

Warum es zählt: Der Verkaufspitch, den jeder Unternehmer gerade hört, lautet, man könne seine Dokumente einem Modell füttern und seine Senioren ersetzen. Ford ist der Kontrollfall, geführt von einem Konzern mit nahezu unbegrenzten Mitteln, und er zeigt den Basisraten-Fehler in diesem Pitch. Die Annahme lautet, Expertenurteil lebe in den Artefakten, die Experten produzieren. Oft tut es das nicht. Es lebt in ihren Köpfen als stilles Wissen, die Mustererkennung, die es nie in eine Spezifikation schaffte, und ein nur auf dem Papierkram trainiertes Modell erbt dessen blinde Flecken. Das Werkzeug versagte nicht, weil es schwach war. Es versagte, weil das, was es ersetzen sollte, nie erfasst worden war.

Ja, aber: Das ist kein Argument gegen KI in der Qualitätskontrolle. Ford schaltete die Werkzeuge nicht ab. Die zurückgekehrten Ingenieure bauten sie um, und die KI meldet nun Defekte, bevor Bauteile das Band erreichen - Menschen trainieren das System nach, statt dass das System die Menschen ersetzt. Die Lektion betrifft die Reihenfolge, nicht die Werkzeuge: Beweise, dass das Modell das Urteil reproduziert, bevor du das Urteil aus dem Haus lässt.

Die Entscheidungsregel: den Weggang von Senioren als unumkehrbar behandeln

Fazit: Bevor du eine Urteilsaufgabe automatisierst, stelle eine Frage - steckt das Wissen, das ich ersetze, tatsächlich in meinen Daten oder nur in Köpfen? Kannst du das nicht mit Belegen bejahen, wettest du auf eine unbewiesene Hypothese, und die Wette hat einen asymmetrischen Nachteil. Einen erfahrenen Spezialisten zu verlieren, ist eine nahezu unumkehrbare Entscheidung. Die Beziehungen, die Musterbibliothek, das Wissen, welcher Lieferant an welcher Stelle spart - nichts davon kommt mit der nächsten Einstellung zurück. Fords Qualitätsumbau brachte den Konzern 2026 an die Spitze der JD-Power-Volumenmarken, einen Rang, den er seit 16 Jahren nicht erreicht hatte, und Jim Farley nannte die sinkenden Garantie- und Rückrufkosten Hunderte und Aberhunderte Millionen Dollar Rückenwind. Das ist die Größe des Unterschieds zwischen richtiger und falscher Entscheidung.

Für einen europäischen Unternehmer lautet die praktische Regel, Automatisierung und Experten parallel laufen zu lassen, bis das Modell das menschliche Urteil in den entscheidenden Fällen nachweislich schlägt, und den Experten so lange zu halten. Die Arbeit eines Senioren zu automatisieren, ist ein umkehrbares Experiment. Den Senioren gehen zu lassen, ist es nicht. Ordne die Reihenfolge entsprechend.

Weiterlesen: Wer 145 Milliarden ausgibt, sagt: es funktioniert noch nicht  ·  Google: 9 Prozent Overhead, 37 Prozent mehr Strom