포드, AI 성능 부족으로 '베테랑' 엔지니어 재고용

포드가 대부분의 기술 회사들이 공개적으로 말하지 않는 것을 인정했다: AI를 과도하게 신뢰했고, 그 대가를 치렀다는 것이다. 자동차 제조사는 자동화된 품질 관리 시스템이 기준을 충족하지 못한 후 350명의 베테랑 엔지니어(많은 경우 전직 직원)를 재고용했다. 포드가 AI 성능 부족으로 '베테랑' 엔지니어를 재고용한 이야기는 단순한 디트로이트 뉴스가 아니다. 지금 AI로 무언가를 만들고 있는 모든 개발자와 창업자가 주의 깊게 읽어야 할 신호다.

무슨 일이 있었나

포드의 최고운영책임자 쿠마르 갈호트라는 기자들에게 회사가 "자동화된 품질 관리 시스템에 점점 더 의존해왔다"고 말했고, 계속해서 실망스러운 결과를 얻었다고 했다. 그래서 포드는 방향을 바꿨다. 회사 내부에서 '베테랑' 엔지니어라고 부르는 깊은 경험을 가진 전문가들을 영입했다: 일부는 은퇴에서 복귀했고, 다른 일부는 협력사에서 다시 영입했다. 그들의 역할은 결함 있는 부품이 공장 바닥에 도달하기 전에 실패 지점을 찾는 것이다.

포드의 차량 하드웨어 엔지니어링 부사장 찰스 푼은 이 실수에 대해 직설적이었다. "우리가 실수한 것은 인공지능을 도입하고 우리가 가진 설계 요구사항을 입력하면 고품질 제품이 나올 것이라고 생각한 것이다."

이 인용문은 잠시 생각해볼 가치가 있다. 포드가 실패한 것은 AI가 나쁜 소프트웨어였기 때문이 아니다. 설계 요구사항을 AI 시스템에 입력하는 것만으로 품질 산출물을 보장할 수 있다고 가정했기 때문이다. 도메인 지식 — 실제 환경에서 부품이 어떻게 작동하는지에 대한 암묵적 이해, 수십 년간 물건이 어떻게 고장 나는지를 지켜본 직관 — 은 어떤 훈련 데이터셋에도 포함되어 있지 않았다.

블룸버그의 보도에 따르면, 포드는 AI를 포기하지 않고 있다. 재고용된 베테랑들은 이제 두 가지를 동시에 하고 있다: 젊은 엔지니어들을 교육하고 AI 도구 자체를 재프로그래밍하는 것이다. 목표는 제도적 지식을 자동화된 시스템에 다시 주입하는 것이다 — AI를 대체하는 것이 아니라 실제로 작동하게 만드는 것이다. 초기 결과는 상당하다: 포드는 이 이니셔티브로 올해 10억 달러의 비용 절감을 예상하고 있으며, 자동차 제조사는 JD Power 초기 품질 조사에서 주류 브랜드 중 1위를 차지했다.

이것은 올바르게 수행된 AI 증강에 관한 이야기다 — 하지만 오직 AI 증강이 잘못되었을 때 어떤 모습인지에 대한 고통스럽고 비용이 많이 드는 교훈 이후에만 그렇다.

아시아에 중요한 이유

아시아의 제조 및 기술 부문은 포드가 한 것과 동일한 베팅 중간에 있으며, 일부는 동일한 벽을 향해 나아가고 있다.

동남아시아, 한국, 일본, 중국 전역에서 제조사와 기술 회사들은 AI 시스템으로 품질 관리, 코드 리뷰, 설계 검증을 적극적으로 자동화해왔다. 그 제안은 항상 같다: 인력 감축, 처리량 증가, 비용 절감. 그 제안에 내재된 가정은 포드의 찰스 푼이 실수라고 인정한 것과 동일하다 — 요구사항과 과거 데이터를 입력하는 것만으로 AI가 품질 산출물을 생산하기에 충분하다는 것이다.

그렇지 않다. 아직은. 혹은 고립된 상태에서는 절대 그럴 수 없을지도 모른다.

아시아에서의 특정 과제는 인구통계학적, 문화적 요인으로 인해 더욱 복잡해진다. 일본과 한국에서는 수십 년의 암묵적 지식을 보유한 은퇴 중인 선임 엔지니어와 기술적으로 능숙하지만 그러한 경험적 깊이가 부족한 젊은 인력 사이의 잘 알려진 긴장이 있다. 동남아시아에서는 기술 산업이 설계상 젊다 — 베트남이나 인도네시아 스타트업의 평균 엔지니어링 팀은 20대 엔지니어들로 크게 치우쳐 있다. 이것은 약점이 아니지만, '베테랑' 지식 계층이 얇거나 완전히 부재함을 의미한다.

중국의 제조 부문은 자동화에서 가장 빠르게 움직였으며, 그 결과로 인해 특정 제품 카테고리에서 이미 품질 저하의 신호가 있다. 포드 이야기는 선전과 청두의 품질 엔지니어들이 내부적으로 조용히 지적해온 동일한 문제들과 공명할 것이다.

아시아 기술 창업자들을 위해 구체적으로: 제조, 소프트웨어 개발, 제품 설계 등 어디든 AI 보조 워크플로우를 구축하고 있다면, 포드의 교훈은 당신의 AI는 당신이 그것에 인코딩한 도메인 지식만큼만 좋다는 것이다. 배포 속도는 맥락의 깊이를 대체할 수 없다.

개발자를 위한 의미

이것을 이 글을 읽는 엔지니어들을 위한 구체적인 것으로 번역해보자.

포드의 실패 패턴은 많은 개발 팀이 지금 AI 코딩 도구를 사용하는 방식과 직접 매핑된다. 당신은 AI에 요구사항 문서, 기존 코드베이스, 아마도 몇 가지 예시 산출물을 입력하고 — 프로덕션 품질의 결과를 기대한다. 때때로 당신은 그것을 얻는다. 종종, 특히 복잡하거나 레거시 인접 도메인에서는 올바르게 보이지만 실제 조건에서 실패하는 것을 얻는다.

유사성은 정확하다: 포드의 AI는 설계 요구사항을 섭취하고 종이 위에서는 올바르게 보이는 부품을 생산했다. 당신의 AI는 사양을 섭취하고 표면적 검토를 통과하는 코드를 생산한다. 두 경우 모두 실패 모드는 AI가 무작위로 환각하는 것이 아니라 — 경험에서만 나오는 내재된 판단이 부족한 그럴듯한 산출물을 생산하는 것이다.

포드가 알아낸 것 — 그리고 개발자들이 내재화해야 할 것 — 은 높은 위험도 맥락에서 AI를 실제로 작동시키기 위한 3부 프레임워크다:

• 도메인 지식은 명시적이어야 하고, 가정되어서는 안 된다. AI가 요구사항만으로 제약을 추론할 것으로 기대하지 마라. 당신 팀의 선임 엔지니어가 "그 접근 방식은 부하 상태에서 경쟁 조건을 야기할 것이다"라고 말할 때, 그 지식을 프롬프트, 가드레일, 또는 검토 체크리스트에 인코딩해야 한다 — 단순히 머리 속에만 보관하는 것이 아니라.
• 인간 검토는 폴백이 아니라 아키텍처다. 포드의 베테랑들은 AI 산출물을 안전망으로 검토하지 않는다. 그들은 구조적으로 프로세스에 내장되어 있다. 개발자들은 동일한 방식으로 그들의 AI 워크플로우를 설계해야 한다: 중요한 결정 지점에서의 인간 전문성, 단순히 끝에서만이 아니라.
• AI 도구는 일반 데이터만이 아니라 당신의 맥락에서 훈련되어야 한다. 포드의 베테랑들은 문자 그대로 제도적 지식으로 AI 도구를 재프로그래밍하고 있다. 개발 팀의 경우, 이는 미세 조정, 내부 지식 기반 구축, 그리고 실제 실패 사례를 지속적으로 도구에 피드백하는 것을 의미한다.

AI 네이티브 개발 플랫폼에서, 이러한 종류의 맥락 인식 워크플로우는 설계 목표다 — 사후 생각이 아니다. 승리할 플랫폼은 가장 많이 자동화하는 것이 아니라, 개발 루프의 올바른 지점에서 인간 전문성을 내장하기 구조적으로 쉽게 만드는 것들이다.

아시아 개발 팀을 위한 인재 함의도 있다. 포드 이야기는 당신의 선임 엔지니어들이 순수 관리자나 AI 도구를 절대 건드리지 않는 아키텍트가 되도록 하지 말아야 한다는 강력한 주장이다. 그들의 가치는 지금 단순히 코드 검토에 있지 않다 — 당신의 AI 도구가 당신의 도메인을 이해하는 방식을 형성하는 데 있다. 그들을 도구 가까이에 두어라.

핵심 요점

큰 그림으로 물러나자. 포드의 350명의 베테랑 엔지니어 재고용 결정과 그 뒤에 따른 10억 달러의 예상 절감액은 AI 전용 자동화가 어디서 붕괴되는지 — 그리고 해결책이 어떤 모습인지에 대한 가장 명확한 실제 데이터 포인트 중 하나다.

몇 가지가 지속 가능한 교훈으로 두드러진다:

• AI가 전문성을 대체하는 것은 AI가 전문성을 증강하는 것과 다른 문제다. 포드는 전자를 시도했다. 재고용 프로그램은 후자다. 결과는 비교할 수 없다. 당신의 AI 전략이 가장 경험 많은 사람들을 대체하는 것을 중심으로 구축되어 있다면, 당신은 아마도 품질 부채를 축적하고 있을 것이다.