Gli ingegneri che Ford lascio andare e pago per riavere
Quando Charles Poon, vicepresidente hardware veicoli di Ford, ha spiegato l'errore a fine giugno 2026, non ha incolpato il software. Ha incolpato l'assunto che vi stava dietro. "Erroneamente pensavamo che, semplicemente introducendo l'intelligenza artificiale e inserendo i requisiti di progetto che avevamo, cio avrebbe prodotto un prodotto di alta qualità", ha detto, secondo quanto riportato da TechCrunch e Fox Business il 28 e il 30 giugno. Non e stato così. Ford si era affidata all'IA per sorvegliare la qualità dei suoi veicoli, gli strumenti hanno amplificato input deboli invece di cogliere i difetti di progetto, e l'azienda aveva passato circa tre anni a riassumere in silenzio 350 ingegneri veterani per riparare il danno.
Il dettaglio che trasforma questa da storia di automazione in storia di decisione e dove sia finito il sapere. Molti degli ingegneri più esperti di Ford se n'erano già andati prima che il loro giudizio potesse essere codificato in qualcosa da cui un modello potesse imparare. L'IA e stata addestrata sui documenti, non sull'istinto che diceva a un ingegnere con trent'anni di esperienza dove un pezzo avrebbe ceduto prima ancora di arrivare alla linea. Quando le persone se ne sono andate, quell'istinto se n'e andato con loro, e nessuna quantita di requisiti inseriti lo ha riportato.
Perche conta: non si può automatizzare cio che non e mai stato scritto
Perche conta: l'argomento che ogni imprenditore sente ora e che puoi dare i tuoi documenti a un modello e sostituire i tuoi senior. Ford e il caso di controllo, guidato da un'azienda con risorse quasi illimitate, e mostra l'errore di base rate in quell'argomento. L'assunto e che il giudizio esperto viva negli artefatti che gli esperti producono. Spesso non e così. Vive nelle loro teste come sapere tacito, il riconoscimento di schemi che non e mai finito in una specifica, e un modello addestrato solo sulle scartoffie ne eredita i punti ciechi. Lo strumento non ha fallito perché debole. Ha fallito perché cio che doveva sostituire non era mai stato catturato.
Si, ma: questo non e un argomento contro l'IA nel controllo qualità. Ford non ha spento gli strumenti. Gli ingegneri tornati li hanno ricostruiti, e l'IA ora segnala i difetti prima che i componenti arrivino alla linea - sono le persone a riaddestrare il sistema, non il sistema a sostituire le persone. La lezione riguarda la sequenza, non gli strumenti: dimostra che il modello riproduce il giudizio prima di lasciare che il giudizio esca dall'edificio.
La regola decisionale: trattare l'uscita dei senior come irreversibile
In conclusione: prima di automatizzare un compito di giudizio, fatti una domanda - il sapere che sostituisco e davvero codificato nei miei dati o solo nelle teste? Se non puoi rispondere si con prove, scommetti su un'ipotesi non provata, e la scommessa ha uno svantaggio asimmetrico. Perdere uno specialista veterano e una decisione quasi irreversibile. Le relazioni, la libreria di schemi, il sapere su quale fornitore taglia dove - niente di tutto cio torna con la prossima assunzione. La riforma della qualità di Ford l'ha portata prima tra i marchi generalisti nello studio JD Power 2026, un rango che non raggiungeva da 16 anni, e Jim Farley ha descritto il calo dei costi di garanzia come centinaia e centinaia di milioni di dollari di vento in poppa. Questa e la dimensione della differenza tra decidere bene e decidere male.
Per un imprenditore europeo, la regola pratica e far girare automazione ed esperto in parallelo finche il modello non batte in modo dimostrabile il giudizio umano nei casi che contano, e tenere l'esperto fino ad allora. Automatizzare il lavoro di un senior e un esperimento reversibile. Lasciar andare il senior non lo e. Ordina la sequenza di conseguenza.
Da leggere ora: Chi spende 145 miliardi dice che ancora non funziona · Google: 9% di overhead, consumi su del 37%
