Ford ने AI की विफलता के बाद अनुभवी इंजीनियरों को फिर से नियुक्त किया

Ford ने अभी कुछ ऐसा स्वीकार किया है जो ज्यादातर टेक कंपनियां जोर से नहीं कहती हैं: उन्होंने AI पर बहुत अधिक भरोसा किया, और इसकी कीमत चुकानी पड़ी। ऑटोमेकर ने 350 अनुभवी इंजीनियरों को वापस नियुक्त किया — उनमें से कई पूर्व कर्मचारी थे — क्योंकि स्वचालित गुणवत्ता प्रणालियां अपेक्षित परिणाम नहीं दे सकीं। Ford ने AI की विफलता के बाद अनुभवी इंजीनियरों को फिर से नियुक्त किया की कहानी सिर्फ एक डेट्रॉइट की खबर नहीं है। यह एक संकेत है कि हर डेवलपर और संस्थापक जो अभी AI के साथ काम कर रहे हैं, उन्हें ध्यान से पढ़ना चाहिए।

क्या हुआ

Ford के मुख्य परिचालन अधिकारी Kumar Galhotra ने पत्रकारों को बताया कि कंपनी "स्वचालित गुणवत्ता प्रणालियों पर अधिक से अधिक निर्भर रही है" — और लगातार निराशाजनक परिणाम मिल रहे हैं। तो Ford ने अपना रुख बदल दिया। इसने जो लोग लाए उन्हें Ford आंतरिक रूप से "अनुभवी इंजीनियर" कहता है: गहरे अनुभव वाले विशेषज्ञ, कुछ सेवानिवृत्ति से निकाले गए, अन्य आपूर्तिकर्ताओं से वापस लाए गए। उनका काम? उत्पादन लाइन तक पहुंचने से पहले विफलता के बिंदुओं को खोजना।

Ford के वाहन हार्डवेयर इंजीनियरिंग के उपाध्यक्ष Charles Poon इस गलती के बारे में स्पष्ट थे। "गलती से हमने सोचा कि कृत्रिम बुद्धिमत्ता को शुरू करने और हमारी डिजाइन आवश्यकताओं को लागू करने से एक उच्च-गुणवत्ता वाला उत्पाद तैयार हो जाएगा।"

इस उद्धरण को एक पल के लिए समझें। Ford विफल नहीं हुआ क्योंकि AI खराब सॉफ्टवेयर था। यह विफल हुआ क्योंकि कंपनी ने मान लिया कि डिजाइन आवश्यकताओं को AI सिस्टम में डालना गुणवत्ता आउटपुट की गारंटी देने के लिए पर्याप्त था। डोमेन ज्ञान — यह निहित समझ कि एक हिस्सा वास्तविक दुनिया के तनाव में कैसे व्यवहार करता है, दशकों तक चीजों को विफल होते देखने से बना अंतर्ज्ञान — किसी भी प्रशिक्षण डेटासेट में कैप्चर नहीं किया गया था।

Bloomberg की रिपोर्टिंग के अनुसार, Ford AI को त्याग नहीं रहा है। पुनः नियुक्त अनुभवी अब दो काम एक साथ कर रहे हैं: युवा इंजीनियरों को प्रशिक्षित करना और AI उपकरणों को स्वयं फिर से प्रोग्राम करना। लक्ष्य संस्थागत ज्ञान को स्वचालित प्रणालियों में वापस डालना है — AI को प्रतिस्थापित करने के लिए नहीं, बल्कि इसे वास्तव में काम करने के लिए। और प्रारंभिक परिणाम महत्वपूर्ण हैं: Ford इस पहल से इस साल $1 बिलियन की कम लागत की प्रत्याशा करता है, और ऑटोमेकर ने JD Power Initial Quality Survey में मुख्यधारा ब्रांडों में शीर्ष स्थान का दावा किया है।

यह सही तरीके से किए गए AI संवर्धन की कहानी है — लेकिन केवल गलत तरीके से किए गए AI संवर्धन की दर्दनाक, महंगी सीख के बाद।

एशिया के लिए यह क्यों महत्वपूर्ण है

एशिया के विनिर्माण और प्रौद्योगिकी क्षेत्र उसी दांव के बीच में हैं जो Ford ने लगाया था — और कुछ उसी दीवार की ओर जा रहे हैं।

दक्षिण पूर्व एशिया, दक्षिण कोरिया, जापान और चीन में, निर्माताओं और टेक कंपनियों ने AI प्रणालियों के साथ गुणवत्ता नियंत्रण, कोड समीक्षा और डिजाइन सत्यापन को आक्रामक रूप से स्वचालित किया है। पिच हमेशा एक जैसी होती है: कर्मचारियों को कम करें, थ्रूपुट बढ़ाएं, लागत कम करें। उस पिच में निहित धारणा Ford के Charles Poon द्वारा स्वीकार की गई गलती के समान है — कि आवश्यकताओं और ऐतिहासिक डेटा को लागू करना AI के लिए गुणवत्ता आउटपुट उत्पन्न करने के लिए पर्याप्त है।

यह नहीं है। अभी तक नहीं। संभवतः कभी नहीं, अलगाव में।

एशिया में विशिष्ट चुनौती जनसांख्यिकीय और सांस्कृतिक कारकों से जटिल है। जापान और दक्षिण कोरिया में, सेवानिवृत्त वरिष्ठ इंजीनियरों के बीच एक अच्छी तरह से प्रलेखित तनाव है जो दशकों का निहित ज्ञान रखते हैं और युवा कार्यबल जो तकनीकी रूप से सक्षम हैं लेकिन उस अनुभवात्मक गहराई की कमी है। दक्षिण पूर्व एशिया में, टेक उद्योग डिजाइन द्वारा युवा है — एक वियतनामी या इंडोनेशियाई स्टार्टअप में औसत इंजीनियरिंग टीम 20 के दशक में इंजीनियरों की ओर भारी झुकाव रखती है। यह एक कमजोरी नहीं है, लेकिन इसका मतलब है कि "अनुभवी" ज्ञान परत पतली या पूरी तरह अनुपस्थित है।

चीन के विनिर्माण क्षेत्र ने स्वचालन पर सबसे तेजी से आगे बढ़ा है, और कुछ उत्पाद श्रेणियों में पहले से ही गुणवत्ता में गिरावट के संकेत हैं। Ford की कहानी शेनझेन और चेंगदू के गुणवत्ता इंजीनियरों के साथ गूंजेगी जो आंतरिक रूप से समान समस्याओं को चिन्हित कर रहे हैं।

एशिया के टेक संस्थापकों के लिए विशेष रूप से: यदि आप AI-सहायक वर्कफ़्लो बना रहे हैं — चाहे विनिर्माण, सॉफ्टवेयर विकास, या उत्पाद डिजाइन में — Ford पाठ यह है कि आपका AI केवल उतना अच्छा है जितना डोमेन ज्ञान आपने इसमें एन्कोड किया है। तैनाती की गति संदर्भ की गहराई का विकल्प नहीं है।

डेवलपर्स के लिए इसका क्या मतलब है

आइए इसे इस लेख को पढ़ने वाले इंजीनियरों के लिए कुछ ठोस में अनुवाद करें।

Ford की विफलता पैटर्न सीधे इस बात से मेल खाता है कि कई विकास टीमें अभी AI कोडिंग उपकरणों का उपयोग कैसे कर रही हैं। आप AI को अपना आवश्यकता दस्तावेज़, आपका मौजूदा कोडबेस, शायद कुछ उदाहरण आउटपुट देते हैं — और आप उत्पादन-गुणवत्ता परिणामों की अपेक्षा करते हैं। कभी-कभी आप उन्हें प्राप्त करते हैं। अक्सर, विशेष रूप से जटिल या विरासत-आसन्न डोमेन में, आप कुछ ऐसा प्राप्त करते हैं जो सही दिखता है लेकिन वास्तविक परिस्थितियों में विफल हो जाता है।

समानता सटीक है: Ford के AI ने डिजाइन आवश्यकताओं को लागू किया और ऐसे हिस्से तैयार किए जो कागज पर सही दिखते थे। आपका AI एक विनिर्देश लागू करता है और ऐसा कोड तैयार करता है जो सतह-स्तरीय समीक्षा पास करता है। दोनों मामलों में विफलता मोड AI को यादृच्छिक रूप से भ्रमित नहीं कर रहा है — यह AI को प्रशंसनीय आउटपुट तैयार कर रहा है जिसमें एम्बेडेड निर्णय की कमी है जो केवल अनुभव से आता है।

जो Ford ने समझा — और जो डेवलपर्स को आंतरिक करना चाहिए — उच्च-दांव संदर्भों में AI को वास्तव में काम करने के लिए एक तीन-भाग की रूपरेखा है:

• डोमेन ज्ञान स्पष्ट होना चाहिए, मान लिया नहीं। AI को केवल आवश्यकताओं से बाधाओं का अनुमान लगाने की अपेक्षा न करें। आपकी टीम के वरिष्ठ इंजीनियर जो कहते हैं "यह दृष्टिकोण लोड के तहत दौड़ की स्थिति का कारण बनेगा" को उस ज्ञान को प्रॉम्प्ट, गार्डरेल या समीक्षा चेकलिस्ट में एन्कोड करने की आवश्यकता है — बस इसे अपने सिर में न रखें।
• मानव समीक्षा एक फॉलबैक नहीं है — यह आर्किटेक्चर है। Ford के अनुभवी AI आउटपुट की समीक्षा सुरक्षा जाल के रूप में नहीं कर रहे हैं। वे प्रक्रिया में संरचनात्मक रूप से एम्बेड हैं। डेवलपर्स को अपने AI वर्कफ़्लो को उसी तरह डिजाइन करने की आवश्यकता है: महत्वपूर्ण निर्णय बिंदुओं पर मानव विशेषज्ञता, केवल अंत में नहीं।
• AI उपकरणों को आपके संदर्भ पर प्रशिक्षित किया जाना चाहिए, केवल सामान्य डेटा पर नहीं। Ford के अनुभवी शाब्दिक रूप से संस्थागत ज्ञान के साथ AI उपकरणों को फिर से प्रोग्राम कर रहे हैं। विकास टीमों के लिए, इसका मतलब है ठीक-ट्यूनिंग, आंतरिक ज्ञान आधार बनाना, और लगातार वास्तविक विफलता मामलों को अपने उपकरणों में वापस फीड करना।

AI-नेटिव विकास प्लेटफॉर्म पर, इस तरह का संदर्भ-जागरूक वर्कफ़्लो डिजाइन लक्ष्य है — एक बाद की सोच नहीं। जो प्लेटफॉर्म जीतेंगे वे वे नहीं हैं जो सबसे अधिक स्वचालित करते हैं, बल्कि वे जो विकास लूप में सही बिंदुओं पर मानव विशेषज्ञता को एम्बेड करना संरचनात्मक रूप से आसान बनाते हैं।

एशियाई डेव टीमों के लिए यहां एक प्रतिभा निहितार्थ भी है। Ford की कहानी यह नहीं होने देने का एक मजबूत तर्क है कि आपके वरिष्ठ इंजीनियर शुद्ध प्रबंधक या आर्किटेक्ट बन जाएं जो कभी AI उपकरणों को छूते नहीं हैं। उनका मूल्य अभी केवल कोड समीक्षा में नहीं है — यह आपके AI उपकरणों को आपके डोमेन को समझने के तरीके को आकार देने में है। उन्हें उपकरणों के करीब रखें।

मुख्य निष्कर्ष

बड़ी तस्वीर में वापस खींचें। Ford का 350 अनुभवी इंजीनियरों को फिर से नियुक्त करने का निर्णय और उसके बाद $1 बिलियन की प्रत्याशित बचत हमारे पास सबसे स्पष्ट वास्तविक दुनिया के डेटा बिंदुओं में से एक है कि AI-केवल स्वचालन कहां टूट जाता है — और समाधान कैसा दिखता है।

कुछ चीजें टिकाऊ सबक के रूप में सामने आती हैं:

• AI को विशेषज्ञता को प्रतिस्थापित करना AI को विशेषज्ञता को संवर्धित करने से एक अलग समस्या है। Ford ने पूर्व को आजमाया। पुनः नियुक्ति कार्यक्रम बाद वाला है। परिणाम तुलनीय नहीं हैं। यदि आपकी AI रणनीति आपके सबसे अनुभवी लोगों को प्रतिस्थापित करने के चारों ओर बनी है, तो आप संभवतः एक गुणवत्ता ऋण जमा कर रहे हैं जो भविष्य में आपको खर्च आएगा।