Inzynierowie, ktorych Ford wypuscil i zaplacil za powrot

Gdy Charles Poon, wiceprezes Forda ds. sprzetu pojazdow, wyjaśniał błąd pod koniec czerwca 2026 roku, nie obwiniał oprogramowania. Obwinial założenie, ktore za nim stało. "Blednie sądziliśmy, ze samo wprowadzenie sztucznej inteligencji i wczytanie posiadanych wymagań projektowych da produkt wysokiej jakosci", powiedzial, wedlug relacji TechCrunch i Fox Business z 28 i 30 czerwca. Tak sie nie stało. Ford oparł sie na AI, by pilnować jakosci swoich pojazdow, narzędzia wzmacniały słabe dane wejściowe zamiast wychwytywać wady projektowe, a firma przez około trzy lata po cichu ponownie zatrudniała 350 doświadczonych inżynierów, by naprawić szkodę.

Szczegol, ktory zmienia to z historii o automatyzacji w historię o decyzji, to dokąd odeszła wiedza. Wielu najbardziej doświadczonych inżynierów Forda juz odeszło, zanim ich osąd mozna bylo zakodować w czyms, z czego model moglby sie uczyć. AI trenowano na dokumentach, nie na instynkcie, ktory mówił inzynierowi z trzydziestoletnim stażem, gdzie część zawiedzie, na dlugo zanim dotarła do taśmy. Gdy ludzie odeszli, ten instynkt odszedl z nimi, i zadna ilosc wczytanych wymagań go nie przywróciła.

Dlaczego to ważne: nie da sie zautomatyzowac tego, czego nigdy nie zapisano

Dlaczego to ważne: argument sprzedażowy, ktory słyszy teraz każdy właściciel, brzmi, ze mozna podać dokumenty modelowi i zastąpić seniorów. Ford to przypadek kontrolny, prowadzony przez firme o niemal nieograniczonych zasobach, i pokazuje błąd częstości bazowej w tym argumencie. Zalozenie brzmi, ze osąd eksperta tkwi w artefaktach, ktore eksperci wytwarzają. Czesto tak nie jest. Tkwi w ich głowach jako cichą wiedza, rozpoznawanie wzorców, ktore nigdy nie trafilo do specyfikacji, a model trenowany wylacznie na papierologii dziedziczy jej martwe pola. Narzedzie nie zawiodło dlatego, ze bylo słabe. Zawiodlo, bo to, co mialo zastąpić, nigdy nie zostalo uchwycone.

Tak, ale: to nie argument przeciw AI w kontroli jakosci. Ford nie wyłączył narzędzi. Powracajacy inżynierowie je przebudowali, a AI teraz oznacza wady, zanim komponenty dotrą do taśmy - to ludzie douczają system, a nie system zastępuje ludzi. Lekcja dotyczy kolejności, nie narzędzi: udowodnij, ze model odtwarza osąd, zanim pozwolisz osadowi opuścić budynek.

Regula decyzyjna: traktuj odejście seniorów jako nieodwracalne

Podsumowanie: zanim zautomatyzujesz zadanie oceny, zadaj jedno pytanie - czy wiedza, ktora zastępuje, jest naprawdę zakodowana w moich danych, czy tylko w głowach? Jesli nie mozesz odpowiedzieć tak z dowodami, obstawiasz nieudowodniona hipotezę, a zakład ma asymetryczna strate. Utrata doświadczonego specjalisty to decyzja niemal nieodwracalna. Relacje, biblioteka wzorców, wiedza o tym, ktory dostawca gdzie oszczędza - nic z tego nie wraca z kolejnym naborem. Reforma jakosci Forda wyniosła go na pierwsze miejsce wśród marek popularnych w badaniu JD Power 2026, na pozycję, ktorej nie osiągnął od 16 lat, a Jim Farley opisał spadające koszty gwarancji jako setki i kolejne setki milionów dolarów wiatru w plecy. Taka jest skala różnicy między dobrą a złą decyzja.

Dla europejskiego właściciela praktyczna reguła jest uruchamianie automatyzacji i eksperta równolegle, dopoki model w sposob wykazywalny nie pokona ludzkiego osądu w sprawach, ktore sie liczą, i utrzymanie eksperta do tego czasu. Automatyzacja pracy seniora to eksperyment odwracalny. Pozwolenie seniorowi odejsc juz nie. Ustaw kolejnosc odpowiednio.

Czytaj dalej: Ten, kto wydaje 145 miliardów, mowi, ze to jeszcze nie działa  ·  Google: 9% narzutu, zuzycie pradu w gore o 37%