Ford mengambil semula jurutera berpengalaman selepas AI gagal memenuhi harapan

Ford baru sahaja mengakui sesuatu yang kebanyakan syarikat teknologi tidak berani katakan dengan jelas: mereka terlalu mempercayai AI, dan ia telah merugikan mereka. Pembuat kereta itu mengambil semula 350 jurutera veteran — ramai di antaranya bekas pekerja — selepas sistem kawalan kualiti automatik gagal mencapai sasaran. Kisah Ford mengambil semula jurutera berpengalaman selepas AI gagal memenuhi harapan bukan hanya berita Detroit. Ia adalah isyarat yang perlu dibaca dengan teliti oleh setiap pembangun dan pengasas yang sedang membina dengan AI sekarang.

Apa yang Berlaku

Ketua pegawai operasi Ford Kumar Galhotra memberitahu wartawan bahawa syarikat telah "bergantung semakin banyak pada sistem kawalan kualiti automatik" — dan mendapat hasil yang konsisten mengecewakan. Jadi Ford mengubah haluan. Ia membawa masuk apa yang ia panggil secara dalaman "jurutera berpengalaman": pakar yang sangat berpengalaman, ada yang ditarik dari persaraan, ada yang diambil kembali dari pembekal. Tugas mereka? Mencari titik kegagalan sebelum sebarang bahagian yang cacat sampai ke lantai kilang.

Charles Poon, naib presiden kejuruteraan perkakasan kenderaan Ford, terang-terangan tentang kesilapan itu. "Secara tersilap kami fikir bahawa dengan hanya memperkenalkan kecerdasan buatan dan memasukkan keperluan reka bentuk yang kami ada, itu akan menghasilkan produk berkualiti tinggi."

Petikan itu layak mendapat perhatian. Ford tidak gagal kerana perisian AI itu buruk. Ia gagal kerana syarikat menganggap bahawa memasukkan keperluan reka bentuk ke dalam sistem AI adalah cukup untuk menjamin output berkualiti. Pengetahuan domain — pemahaman tersirat tentang bagaimana sesuatu bahagian berkelakuan di bawah tekanan dunia nyata, intuisi yang dibina selama beberapa dekad melihat perkara gagal — tidak ditangkap dalam mana-mana set data latihan.

Menurut laporan Bloomberg, Ford tidak meninggalkan AI. Para veteran yang diambil semula kini melakukan dua perkara serentak: melatih jurutera yang lebih muda dan memprogram semula alat AI itu sendiri. Matlamatnya adalah untuk menyuntikkan pengetahuan institusional kembali ke dalam sistem automatik — bukan untuk menggantikan AI, tetapi untuk menjadikannya benar-benar berfungsi. Dan hasil awal adalah ketara: Ford menjangkakan pengurangan kos $1 bilion tahun ini daripada inisiatif ini, dan pembuat kereta itu baru sahaja menuntut tempat teratas di kalangan jenama arus perdana dalam Tinjauan Kualiti Awal JD Power.

Ini adalah kisah tentang augmentasi AI yang dilakukan dengan betul — tetapi hanya selepas pelajaran yang menyakitkan dan mahal tentang rupa augmentasi AI yang dilakukan dengan salah.

Mengapa Ia Penting untuk Asia

Sektor pembuatan dan teknologi Asia berada di tengah-tengah pertaruhan yang sama yang dibuat Ford — dan ada yang menuju ke dinding yang sama.

Di seluruh Asia Tenggara, Korea Selatan, Jepun, dan China, pengilang dan syarikat teknologi telah secara agresif mengotomatikkan kawalan kualiti, semakan kod, dan pengesahan reka bentuk dengan sistem AI. Nada jualan selalu sama: kurangkan bilangan pekerja, tingkatkan daya pengeluaran, turunkan kos. Andaian yang tertanam dalam nada itu adalah sama dengan yang diakui Charles Poon Ford sebagai kesilapan — bahawa memasukkan keperluan dan data sejarah adalah cukup untuk AI menghasilkan output berkualiti.

Ia tidak. Belum lagi. Mungkin tidak pernah, secara terpencil.

Cabaran khusus di Asia diperumit oleh faktor demografi dan budaya. Di Jepun dan Korea Selatan, terdapat ketegangan yang terdokumen dengan baik antara jurutera kanan yang bersara yang memegang puluhan tahun pengetahuan tersirat dan tenaga kerja yang lebih muda yang mahir secara teknikal tetapi kekurangan kedalaman pengalaman itu. Di Asia Tenggara, industri teknologi masih muda mengikut reka bentuk — purata pasukan kejuruteraan di permulaan Vietnam atau Indonesia condong berat ke arah jurutera dalam usia 20-an mereka. Itu bukan kelemahan, tetapi ia bermakna lapisan pengetahuan "jurutera berpengalaman" adalah tipis atau tidak ada sama sekali.

Sektor pembuatan China telah bergerak paling cepat dalam automasi, dan sudah ada isyarat regresi kualiti dalam kategori produk tertentu sebagai hasilnya. Kisah Ford akan bergema dengan jurutera kualiti di Shenzhen dan Chengdu yang telah secara senyap menandakan isu yang sama secara dalaman.

Untuk pengasas teknologi Asia khususnya: jika anda membina aliran kerja yang dibantu AI — sama ada dalam pembuatan, pembangunan perisian, atau reka bentuk produk — pelajaran Ford adalah bahawa AI anda hanya sebaik pengetahuan domain yang telah anda kodkan ke dalamnya. Kecepatan penempatan bukan pengganti untuk kedalaman konteks.

Apa Maksudnya untuk Pembangun

Mari kita terjemahkan ini menjadi sesuatu yang konkrit untuk jurutera yang membaca ini.

Corak kegagalan Ford dipetakan secara langsung ke cara banyak pasukan pembangunan menggunakan alat pengekodan AI sekarang. Anda memberi AI dokumen keperluan anda, pangkalan kod sedia ada anda, mungkin beberapa contoh output — dan anda menjangkakan hasil berkualiti pengeluaran. Kadang-kadang anda mendapatkannya. Sering, terutamanya dalam domain yang kompleks atau berkaitan warisan, anda mendapat sesuatu yang kelihatan betul tetapi gagal di bawah keadaan sebenar.

Persamaannya adalah tepat: AI Ford memasukkan keperluan reka bentuk dan menghasilkan bahagian yang kelihatan betul di atas kertas. AI anda memasukkan spesifikasi dan menghasilkan kod yang lulus semakan peringkat permukaan. Mod kegagalan dalam kedua-dua kes bukan AI yang halusinasi secara rawak — ia adalah AI yang menghasilkan output yang munasabah tetapi kekurangan pertimbangan tertanam yang hanya datang dari pengalaman.

Apa yang Ford fikirkan — dan apa yang pembangun harus internalisasi — adalah rangka kerja tiga bahagian untuk menjadikan AI benar-benar berfungsi dalam konteks berisiko tinggi:

• Pengetahuan domain mesti jelas, bukan diandaikan. Jangan harapkan AI untuk menyimpulkan kekangan dari keperluan sahaja. Jurutera kanan di pasukan anda yang mengatakan "pendekatan itu akan menyebabkan keadaan perlumbaan di bawah beban" perlu mengodkan pengetahuan itu ke dalam gesaan, pagar, atau senarai semak semakan — bukan hanya memegangnya dalam kepala mereka.
• Semakan manusia bukan sandaran — ia adalah seni bina. Jurutera berpengalaman Ford tidak menyemak output AI sebagai jaring keselamatan. Mereka tertanam secara struktur dalam proses. Pembangun perlu mereka bentuk aliran kerja AI mereka dengan cara yang sama: kepakaran manusia pada titik keputusan yang penting, bukan hanya di akhir.
• Alat AI perlu dilatih pada konteks anda, bukan hanya data umum. Veteran Ford secara literal memprogram semula alat AI dengan pengetahuan institusional. Untuk pasukan pembangunan, ini bermakna penalaan halus, membina pangkalan pengetahuan dalaman, dan terus memberi suapan kes kegagalan sebenar kembali ke dalam alatan anda.

Pada platform pembangunan asli AI, aliran kerja yang sedar konteks jenis ini adalah matlamat reka bentuk — bukan pemikiran kemudian. Platform yang akan menang bukan yang mengotomatikkan paling banyak, tetapi yang membuat ia mudah secara struktur untuk membenamkan kepakaran manusia pada titik yang tepat dalam gelung pembangunan.

Terdapat juga implikasi bakat di sini untuk pasukan pembangun Asia. Kisah Ford adalah hujah yang kuat untuk tidak membiarkan jurutera kanan anda menjadi pengurus tulen atau arkitek yang tidak pernah menyentuh alatan AI. Nilai mereka sekarang bukan hanya dalam semakan kod — ia dalam membentuk bagaimana alatan AI anda memahami domain anda. Pastikan mereka dekat dengan alatan.

Pengambilan Utama

Tarik balik ke gambaran besar. Keputusan Ford untuk mengambil semula 350 jurutera veteran dan penjimatan $1 bilion yang dijangkakan yang diikuti adalah salah satu titik data dunia nyata yang paling jelas yang kami ada tentang tempat automasi hanya AI pecah — dan rupa penyelesaiannya.

Beberapa perkara menonjol sebagai pelajaran yang tahan lama:

• AI menggantikan kepakaran adalah masalah yang berbeza daripada AI menambah kepakaran. Ford mencuba yang pertama. Program pengambilan semula adalah yang kedua. Hasilnya tidak dapat dibandingkan. Jika strategi AI anda dibina di sekitar menggantikan orang paling berpengalaman anda, anda mungkin mengumpulkan hutang kualiti yang akan datang