De ingenieurs die Ford liet gaan en terugkocht
Toen Charles Poon, Ford-vicepresident voertuighardware, de fout eind juni 2026 uitlegde, gaf hij niet de software de schuld. Hij gaf de aanname erachter de schuld. "Ten onrechte dachten we dat het simpelweg invoeren van kunstmatige intelligentie en het inlezen van onze ontwerpeisen een hoogwaardig product zou opleveren", zei hij, volgens berichtgeving van TechCrunch en Fox Business op 28 en 30 juni. Dat gebeurde niet. Ford had op AI geleund om de kwaliteit van zijn voertuigen te bewaken, de tools versterkten zwakke invoer in plaats van ontwerpfouten te vangen, en het bedrijf had zo'n drie jaar lang stil 350 ervaren ingenieurs teruggehaald om de schade te herstellen.
Het detail dat dit van een automatiseringsverhaal in een beslissingsverhaal verandert, is waar de kennis naartoe ging. Veel van Fords meest ervaren ingenieurs waren al vertrokken voordat hun oordeel kon worden vastgelegd in iets waarvan een model kon leren. De AI werd getraind op de documenten, niet op het instinct dat een ingenieur met dertig jaar ervaring vertelde waar een onderdeel zou bezwijken lang voordat het de band bereikte. Toen de mensen vertrokken, vertrok dat instinct met hen, en geen hoeveelheid ingelezen eisen bracht het terug.
Waarom het ertoe doet: je kunt niet automatiseren wat nooit is opgeschreven
Waarom het ertoe doet: het verkooppraatje dat elke ondernemer nu hoort, is dat je je documenten aan een model kunt voeren en je senioren kunt vervangen. Ford is het controlegeval, geleid door een bedrijf met bijna onbeperkte middelen, en het toont de basispercentagefout in dat praatje. De aanname is dat expertoordeel in de artefacten leeft die experts maken. Vaak niet. Het leeft in hun hoofd als stille kennis, de patroonherkenning die nooit in een specificatie belandde, en een model dat alleen op het papierwerk is getraind, erft de blinde vlekken ervan. De tool faalde niet omdat hij zwak was. Hij faalde omdat wat hij moest vervangen nooit was vastgelegd.
Ja, maar: dit is geen argument tegen AI in kwaliteitscontrole. Ford zette de tools niet uit. De teruggekeerde ingenieurs bouwden ze om, en de AI signaleert nu defecten voordat componenten de band bereiken - mensen hertrainen het systeem in plaats van dat het systeem de mensen vervangt. De les gaat over de volgorde, niet over de tools: bewijs dat het model het oordeel reproduceert voordat je het oordeel het gebouw laat verlaten.
De beslissingsregel: behandel het vertrek van senioren als onomkeerbaar
De kern: voordat je een oordeelstaak automatiseert, stel jezelf een vraag - is de kennis die ik vervang echt vastgelegd in mijn data, of alleen in hoofden? Kun je niet met bewijs ja zeggen, dan wed je op een onbewezen hypothese, en de weddenschap heeft een asymmetrisch nadeel. Een ervaren specialist verliezen is een bijna onomkeerbare beslissing. De relaties, de patroonbibliotheek, de kennis welke leverancier waar bezuinigt - niets daarvan komt terug met de volgende aanwerving. Fords kwaliteitshervorming zette het op de eerste plaats onder de volumemerken in het JD Power-onderzoek van 2026, een rang die het in 16 jaar niet bereikte, en Jim Farley beschreef de dalende garantiekosten als honderden en honderden miljoenen dollars rugwind. Dat is de omvang van het verschil tussen deze beslissing goed en fout maken.
Voor een Europese ondernemer is de praktische regel om automatisering en expert parallel te laten lopen tot het model aantoonbaar het menselijke oordeel verslaat op de zaken die ertoe doen, en de expert tot dan te houden. Het werk van een senior automatiseren is een omkeerbaar experiment. De senior laten gaan is dat niet. Orden de volgorde daarnaar.
Lees hierna: Wie 145 miljard uitgeeft zegt dat het nog niet werkt · Google: 9% overhead, stroomverbruik plus 37%
