Los ingenieros que Ford dejo marchar y pago por recuperar
Cuando Charles Poon, vicepresidente de hardware de vehículos de Ford, explicó el error a finales de junio de 2026, no culpó al software. Culpo a la suposición que había detrás. "Por error, pensamos que con solo introducir inteligencia artificial e ingerir los requisitos de diseño que teníamos, eso produciría un producto de alta calidad", dijo, segun informaron TechCrunch y Fox Business el 28 y el 30 de junio. No fue así. Ford se había apoyado en la IA para vigilar la calidad de sus vehículos, las herramientas amplificaron entradas débiles en lugar de detectar fallos de diseño, y la empresa había pasado unos tres años recontratando en silencio a 350 ingenieros veteranos para deshacer el daño.
El detalle que convierte esto de una historia de automatización en una historia de decisión es adónde fue el saber. Muchos de los ingenieros más experimentados de Ford ya se habían ido antes de que su juicio pudiera codificarse en algo que un modelo pudiera aprender. La IA se entrenó con los documentos, no con el instinto que le decía a un ingeniero de treinta años dónde fallaría una pieza antes de llegar a la cadena. Cuando las personas se fueron, ese instinto se fue con ellas, y ninguna cantidad de requisitos ingeridos lo devolvió.
Por que importa: no se puede automatizar lo que nunca se escribió
Por que importa: el argumento que todo empresario oye ahora es que puedes dar tus documentos a un modelo y sustituir a tus veteranos. Ford es el caso de control, dirigido por una empresa con recursos casi ilimitados, y muestra el error de tasa base de ese argumento. La suposición es que el juicio experto vive en los artefactos que producen los expertos. A menudo no es así. Vive en sus cabezas como saber tácito, el reconocimiento de patrones que nunca llego a una especificación, y un modelo entrenado solo en el papeleo hereda sus puntos ciegos. La herramienta no falló por débil. Fallo porque aquello que debia sustituir nunca se había capturado.
Si, pero: esto no es un argumento contra la IA en el control de calidad. Ford no apagó las herramientas. Los ingenieros que volvieron las reconstruyeron, y la IA ahora señala defectos antes de que los componentes lleguen a la cadena - las personas reentrenan el sistema en vez de que el sistema las sustituya. La lección trata de la secuencia, no de las herramientas: demuestra que el modelo reproduce el juicio antes de dejar que el juicio salga del edificio.
La regla de decisión: tratar la salida de veteranos como irreversible
En resumen: antes de automatizar una tarea de juicio, hazte una pregunta - el saber que sustituyó esta realmente codificado en mis datos o solo en cabezas? Si no puedes responder si con pruebas, apuestas por una hipótesis no probada, y la apuesta tiene un lado negativo asimétrico. Perder a un especialista veterano es una decisión casi irreversible. Las relaciones, la biblioteca de patrones, el saber de que proveedor recorta por dónde - nada de eso vuelve con la siguiente contratacion. La reforma de calidad de Ford lo situó primero entre las marcas generalistas del estudio JD Power 2026, un puesto que no alcanzaba en 16 años, y Jim Farley describió la caida de los costes de garantia como cientos y cientos de millones de dólares de viento a favor. Ese es el tamaño de la diferencia entre acertar y errar esta decisión.
Para un empresario europeo, la regla práctica es hacer correr la automatización y el experto en paralelo hasta que el modelo supere de forma demostrable el juicio humano en los casos que importan, y mantener al experto hasta entonces. Automatizar el trabajo de un veterano es un experimento reversible. Dejar marchar al veterano no lo es. Ordena la secuencia en consecuencia.
Leer a continuación: Quien gasta 145.000 millones dice que aún no funciona · Google: 9% de overhead y un 37% mas de energia
