Ford เรียกคืนวิศวกรผู้มีประสบการณ์หลังจาก AI ไม่ตรงตามคาด

Ford เพิ่งยอมรับสิ่งที่บริษัทเทคโนโลยีส่วนใหญ่ไม่กล้าพูดออกมา: พวกเขาเชื่อใจ AI มากเกินไป และมันทำให้เสียค่าใช้จ่ายไปมาก บริษัทผู้ผลิตรถยนต์ได้เรียกคืนวิศวกรผู้มีประสบการณ์ 350 คน — หลายคนเป็นพนักงานเดิม — หลังจากระบบการควบคุมคุณภาพอัตโนมัติไม่สามารถบรรลุเป้าหมายได้ เรื่องราวของ Ford ที่เรียกคืนวิศวกรผู้มีประสบการณ์หลังจาก AI ไม่ตรงตามคาด ไม่ใช่แค่ข่าวสารจากดีทรอยต์เท่านั้น มันเป็นสัญญาณที่นักพัฒนาและผู้ก่อตั้งทุกคนที่กำลังสร้างสิ่งต่างๆ ด้วย AI ในตอนนี้ต้องอ่านอย่างระมัดระวัง

เกิดอะไรขึ้น

ประธานฝ่ายปฏิบัติการของ Ford Kumar Galhotra บอกกับนักข่าวว่าบริษัทได้ "พึ่งพาระบบการควบคุมคุณภาพอัตโนมัติมากขึ้นเรื่อยๆ" — และได้รับผลลัพธ์ที่ผิดหวังอย่างต่อเนื่อง ดังนั้น Ford จึงเปลี่ยนทิศทาง บริษัทได้นำเข้าสิ่งที่เรียกว่า "วิศวกรผู้มีประสบการณ์": ผู้เชี่ยวชาญที่มีประสบการณ์ลึกซึ้ง บางคนถูกดึงมาจากการเกษียณอายุ คนอื่นๆ ถูกดึงกลับมาจากบริษัทซัพพลายเยอร์ งานของพวกเขาคืออะไร? ค้นหาจุดล้มเหลวก่อนที่ชิ้นส่วนที่มีข้อบกพร่องจะถึงพื้นโรงงาน

Charles Poon ผู้บริหารด้านวิศวกรรมฮาร์ดแวร์ยานพาหนะของ Ford พูดอย่างตรงไปตรงมาเกี่ยวกับความผิดพลาด "เราคิดผิดว่าเพียงแค่นำเทคโนโลยี AI มาใช้และนำข้อกำหนดการออกแบบที่เรามีอยู่เข้าไปในระบบ ก็จะสร้างผลิตภัณฑ์ที่มีคุณภาพสูง"

คำพูดนั้นสมควรได้รับความสนใจ Ford ไม่ล้มเหลวเพราะ AI เป็นซอฟต์แวร์ที่ไม่ดี มันล้มเหลวเพราะบริษัทสันนิษฐานว่าการป้อนข้อกำหนดการออกแบบเข้าไปในระบบ AI ก็เพียงพอที่จะรับประกันผลลัพธ์ที่มีคุณภาพสูง ความรู้ด้านโดเมน — ความเข้าใจโดยนัยเกี่ยวกับวิธีการทำงานของชิ้นส่วนภายใต้ความเครียดในโลกแห่งความเป็นจริง ความเข้าใจที่สร้างขึ้นจากการสังเกตการณ์ความล้มเหลวเป็นเวลาหลายสิบปี — ไม่ได้ถูกบันทึกไว้ในชุดข้อมูลการฝึกอบรมใดๆ

ตามรายงานของ Bloomberg Ford ไม่ได้ละทิ้ง AI วิศวกรผู้มีประสบการณ์ที่ได้รับการเรียกคืนกำลังทำสองสิ่งพร้อมกัน: ฝึกอบรมวิศวกรรุ่นเyounger และปรับโปรแกรม AI tools ใหม่ เป้าหมายคือการฉีดความรู้ของสถาบันกลับเข้าไปในระบบอัตโนมัติ — ไม่ใช่เพื่อแทนที่ AI แต่เพื่อให้มันทำงานได้จริง และผลลัพธ์ในช่วงแรกนั้นมีนัยสำคัญ: Ford คาดว่าจะลดต้นทุนได้ 1 พันล้านดอลลาร์ในปีนี้จากโครงการนี้ และบริษัทผู้ผลิตรถยนต์เพิ่งอ้างว่าได้อันดับหนึ่งในหมู่แบรนด์หลักในการสำรวจ JD Power Initial Quality Survey

นี่คือเรื่องราวเกี่ยวกับการเพิ่มประสิทธิภาพ AI ที่ทำได้ถูกต้อง — แต่เฉพาะหลังจากบทเรียนที่เจ็บปวดและมีค่าใช้จ่ายสูงเกี่ยวกับว่าการเพิ่มประสิทธิภาพ AI ที่ทำได้ผิดดูเหมือนอย่างไร

ทำไมมันถึงสำคัญสำหรับเอเชีย

ภาคการผลิตและเทคโนโลยีของเอเชียกำลังอยู่ตรงกลางของการเดิมพันเดียวกับที่ Ford ทำ — และบางแห่งกำลังมุ่งหน้าไปยังกำแพงเดียวกัน

ทั่วทั้งเอเชียตะวันออกเฉียงใต้ เกาหลีใต้ ญี่ปุ่น และจีน บริษัทผู้ผลิตและบริษัทเทคโนโลยีได้ทำการอัตโนมัติการควบคุมคุณภาพ การตรวจสอบโค้ด และการตรวจสอบความถูกต้องของการออกแบบด้วยระบบ AI อย่างก้าวร้าว การขายเสมอเหมือนกัน: ลดจำนวนพนักงาน เพิ่มปริมาณการผลิต ลดต้นทุน สมมติฐานที่ฝังอยู่ในการขายนั้นเหมือนกับที่ Charles Poon ของ Ford ยอมรับว่าเป็นความผิดพลาด — ว่าการป้อนข้อกำหนดและข้อมูลทางประวัติศาสตร์นั้นเพียงพอสำหรับ AI ที่จะสร้างผลลัพธ์ที่มีคุณภาพสูง

มันไม่ใช่ ยังไม่ใช่ บางทีอาจไม่เคยเป็นเช่นนั้น ในแยกตัวออกมา

ความท้าทายเฉพาะในเอเชียนั้นซับซ้อนมากขึ้นจากปัจจัยด้านประชากรศาสตร์และวัฒนธรรม ในญี่ปุ่นและเกาหลีใต้ มีความตึงเครียดที่ได้รับการบันทึกไว้เป็นอย่างดีระหว่างวิศวกรอาวุโสที่เกษียณอายุซึ่งมีความรู้โดยนัยเป็นเวลาหลายสิบปี และกำลังแรงงานรุ่นเยาว์ที่มีความสามารถทางเทคนิค แต่ขาดความลึกของประสบการณ์นั้น ในเอเชียตะวันออกเฉียงใต้ อุตสาหกรรมเทคโนโลยีนั้นอ่อนไหวตามการออกแบบ — ทีมวิศวกรเฉลี่ยที่บริษัทสตาร์ทอัพเวียดนามหรืออินโดนีเซียนั้นเอียงไปทางวิศวกรในช่วงอายุ 20 ปีของพวกเขา นั่นไม่ใช่จุดอ่อน แต่มันหมายความว่าชั้นความรู้ "ผู้มีประสบการณ์" นั้นบาง หรือไม่มีเลย

ภาคการผลิตของจีนได้เคลื่อนไปสู่การอัตโนมัติเร็วที่สุด และมีสัญญาณของการถดถอยของคุณภาพในหมวดหมู่ผลิตภัณฑ์บางประเภทแล้ว เรื่องราวของ Ford จะสร้างความสัมพันธ์กับวิศวกรด้านคุณภาพในเซินเจิ้นและเฉิงตู่ที่ได้ระบุปัญหาเดียวกันอย่างเงียบๆ ภายในบริษัท

สำหรับผู้ก่อตั้งเทคโนโลยีเอเชียโดยเฉพาะ: หากคุณกำลังสร้างเวิร์กโฟลว์ที่ช่วยเหลือด้วย AI — ไม่ว่าจะในการผลิต การพัฒนาซอฟต์แวร์ หรือการออกแบบผลิตภัณฑ์ — บทเรียนของ Ford คือ AI ของคุณนั้นดีเท่ากับความรู้ด้านโดเมนที่คุณได้เข้ารหัสไว้ในนั้น ความเร็วของการปรับใช้ไม่ใช่ตัวแทนของความลึกของบริบท

นี่หมายความว่าอะไรสำหรับนักพัฒนา

มาแปลสิ่งนี้เป็นสิ่งที่เป็นรูปธรรมสำหรับวิศวกรที่อ่านสิ่งนี้

รูปแบบความล้มเหลวของ Ford แมปโดยตรงกับวิธีที่ทีมพัฒนาจำนวนมากใช้ AI coding tools ในตอนนี้ คุณป้อนข้อกำหนดของคุณให้กับ AI โค้ดเบสที่มีอยู่ของคุณ บางทีอาจมีผลลัพธ์ตัวอย่างสองสามตัวอย่าง — และคุณคาดหวังผลลัพธ์ที่มีคุณภาพการผลิต บางครั้งคุณได้รับมัน บ่อยครั้ง โดยเฉพาะในโดเมนที่ซับซ้อนหรือเกี่ยวข้องกับมรดก คุณได้รับสิ่งที่ดูถูกต้องแต่ล้มเหลวภายใต้เงื่อนไขจริง

ความขนานนั้นแม่นยำ: AI ของ Ford ได้ป้อนข้อกำหนดการออกแบบและสร้างชิ้นส่วนที่ดูถูกต้องบนกระดาษ AI ของคุณป้อนข้อกำหนดและสร้างโค้ดที่ผ่านการตรวจสอบระดับพื้นผิว รูปแบบความล้มเหลวในทั้งสองกรณีไม่ใช่ AI ที่หลงทางแบบสุ่ม — มันคือ AI ที่สร้างผลลัพธ์ที่เป็นไปได้ซึ่งขาดการตัดสินใจที่ฝังอยู่ซึ่งมาจากประสบการณ์เท่านั้น

สิ่งที่ Ford คิดออก — และสิ่งที่นักพัฒนาควรนำไปใช้ — คือกรอบงานสามส่วนสำหรับการทำให้ AI ทำงานได้จริงในบริบทที่มีความเสี่ยงสูง:

• ความรู้ด้านโดเมนต้องชัดเจน ไม่ใช่สมมติฐาน อย่าคาดหวังให้ AI อนุมานข้อจำกัดจากข้อกำหนดเพียงอย่างเดียว วิศวกรอาวุโสในทีมของคุณที่พูดว่า "แนวทางนั้นจะทำให้เกิดเงื่อนไขการแข่งขันภายใต้โหลด" ต้องเข้ารหัสความรู้นั้นเข้าไปในพรอมต์ การป้องกัน หรือรายการตรวจสอบ — ไม่ใช่เพียงแค่เก็บไว้ในหัวของพวกเขา
• การตรวจสอบของมนุษย์ไม่ใช่ทางเลือกสำรอง — มันคือสถาปัตยกรรม วิศวกรผู้มีประสบการณ์ของ Ford ไม่ได้ตรวจสอบผลลัพธ์ของ AI เป็นเครือข่ายความปลอดภัย พวกเขาฝังอยู่ในโครงสร้างในกระบวนการ นักพัฒนาต้องออกแบบเวิร์กโฟลว์ AI ของพวกเขาในลักษณะเดียวกัน: ความเชี่ยวชาญของมนุษย์ที่จุดตัดสินใจที่สำคัญ ไม่ใช่เพียงแค่ที่ส่วนท้าย
• AI tools ต้องได้รับการฝึกอบรมในบริบทของคุณ ไม่ใช่เพียงข้อมูลทั่วไป วิศวกรผู้มีประสบการณ์ของ Ford กำลังตั้งโปรแกรม AI tools ใหม่ด้วยความรู้ของสถาบัน สำหรับทีมพัฒนา นี่หมายถึงการปรับแต่ง การสร้างฐานความรู้ภายใน และการป้อนกรณีความล้มเหลวจริงกลับเข้าไปในเครื่องมือของคุณอย่างต่อเนื่อง

บน แพลตฟอร์มการพัฒนา AI-native เวิร์กโฟลว์ที่รับรู้บริบทประเภทนี้เป็นเป้าหมายของการออกแบบ — ไม่ใช่ความคิดภายหลัง แพลตฟอร์มที่จะชนะไม่ใช่แพลตฟอร์มที่ทำให้การอัตโนมัติมากที่สุด แต่เป็นแพลตฟอร์มที่ทำให้ง่ายต่อการฝังความเชี่ยวชาญของมนุษย์ในจุดที่ถูกต้องในลูปการพัฒนา

นอกจากนี้ยังมีความหมายของความสามารถสำหรับทีมนักพัฒนาเอเชีย เรื่องราวของ Ford เป็นข้อโต้แย้งที่แข็งแกร่งสำหรับการไม่ปล่อยให้วิศวกรอาวุโสของคุณกลายเป็นผู้จัดการหรือสถาปนิกบริสุทธิ์ที่ไม่เคยสัมผัส AI tools ค่าของพวกเขาในตอนนี้ไม่ใช่เพียงแค่ในการตรวจสอบโค้ด — มันอยู่ในการกำหนดวิธีที่ AI tools ของคุณเข้าใจโดเมนของคุณ เก็บพวกเขาไว้ใกล้กับเครื่องมือ

ประเด็นสำคัญ

ดึงกลับไปยังภาพใหญ่ การตัดสินใจของ Ford ที่จะเรียกคืนวิศวกรผู้มีประสบการณ์ 350 คนและการประหยัด 1 พันล้านดอลลาร์ที่คาดว่าจะตามมาคือหนึ่งในจุดข้อมูลจากโลกแห่งความเป็นจริงที่ชัดเจนที่สุดที่เรามีเกี่ยวกับว่าการอัตโนมัติเฉพาะ AI ที่ไหนพังลง — และวิธีแก้ไขดูเหมือนอย่างไร

สิ่งต่างๆ สองสามอย่างโดดเด่นว่าเป็นบทเรียนที่ยั่งยืน:

• AI แทนที่ความเชี่ยวชาญเป็นปัญหาที่แตกต่างจาก AI ที่เพิ่มประสิทธิภาพความเชี่ยวชาญ Ford ลองใช้อันแรก โครงการเรียกคืนคืออันหลัง ผลลัพธ์ไม่สามารถเปรียบเทียบได้ หากกลยุทธ์ AI ของคุณสร้างขึ้นรอบการแทนที่คนที่มีประสบการณ์มากที่สุดของคุณ คุณอาจสะสมหนี้สินด้านคุณภาพที่จะมา