Ford tuyển dụng lại các kỹ sư 'lão làng' sau khi AI không đạt yêu cầu

Ford vừa thừa nhận điều mà hầu hết các công ty công nghệ không dám nói ra: họ tin tưởng quá nhiều vào AI, và điều đó đã tốn kém. Nhà sản xuất ô tô đã tuyển dụng lại 350 kỹ sư có kinh nghiệm — nhiều người trong số họ là nhân viên cũ — sau khi các hệ thống kiểm chất lượng tự động không đạt được mục tiêu. Câu chuyện về Ford tuyển dụng lại các kỹ sư 'lão làng' sau khi AI không đạt yêu cầu không chỉ là một tiêu đề của Detroit. Đó là một tín hiệu mà mọi nhà phát triển và người sáng lập đang xây dựng với AI ngay bây giờ cần đọc kỹ lưỡng.

Chuyện gì đã xảy ra

Giám đốc điều hành của Ford Kumar Galhotra đã nói với các nhà báo rằng công ty đã "dựa vào các hệ thống kiểm chất lượng tự động ngày càng nhiều hơn" — và liên tục nhận được những kết quả thất vọng. Vì vậy Ford đã đảo chiều. Nó đã tuyển dụng những gì nó gọi nội bộ là các kỹ sư "lão làng": những chuyên gia có kinh nghiệm sâu sắc, một số được kéo từ hưu, những người khác được tuyển lại từ các nhà cung cấp. Công việc của họ? Tìm kiếm các điểm lỗi trước khi bất kỳ bộ phận bị lỗi nào đến sàn nhà máy.

Charles Poon, phó chủ tịch kỹ thuật phần cứng xe của Ford, đã thẳng thắn về sai lầm này. "Một cách nhầm lẫn, chúng tôi đã nghĩ rằng chỉ bằng cách giới thiệu trí tuệ nhân tạo và nhập các yêu cầu thiết kế mà chúng tôi có, điều đó sẽ tạo ra một sản phẩm chất lượng cao."

Câu trích dẫn đó xứng đáng được suy ngẫm. Ford không thất bại vì AI là phần mềm kém. Nó thất bại vì công ty giả định rằng việc đưa các yêu cầu thiết kế vào một hệ thống AI là đủ để đảm bảo chất lượng đầu ra. Kiến thức lĩnh vực — sự hiểu biết ngầm về cách một bộ phận hoạt động dưới áp lực thực tế, trực giác được xây dựng qua hàng chục năm chứng kiến những thứ bị hỏng — không được ghi lại trong bất kỳ tập dữ liệu huấn luyện nào.

Theo báo cáo của Bloomberg, Ford không phải là từ bỏ AI. Các cựu chiến binh được tuyển dụng lại hiện đang làm hai việc cùng một lúc: đào tạo các kỹ sư trẻ hơn và lập trình lại các công cụ AI. Mục tiêu là đưa kiến thức thể chế trở lại các hệ thống tự động — không phải để thay thế AI, mà để làm cho nó thực sự hoạt động. Và kết quả ban đầu rất đáng kể: Ford dự kiến sẽ giảm chi phí 1 tỷ đô la năm nay từ sáng kiến này, và nhà sản xuất vừa giành vị trí hàng đầu giữa các thương hiệu chính trong Khảo sát Chất lượng Ban đầu của JD Power.

Đây là một câu chuyện về tăng cường AI được thực hiện đúng — nhưng chỉ sau một bài học đau đớn và tốn kém về việc tăng cường AI được thực hiện sai trông như thế nào.

Tại sao điều này lại quan trọng đối với châu Á

Các lĩnh vực sản xuất và công nghệ của châu Á đang ở giữa cùng một cược mà Ford đã thực hiện — và một số đang hướng tới bức tường tương tự.

Trên khắp Đông Nam Á, Hàn Quốc, Nhật Bản và Trung Quốc, các nhà sản xuất và công ty công nghệ đã tích cực tự động hóa kiểm soát chất lượng, đánh giá mã và xác thực thiết kế bằng các hệ thống AI. Lập luận luôn giống nhau: giảm số lượng nhân viên, tăng thông lượng, giảm chi phí. Giả định được tích hợp vào lập luận đó giống hệt với giả định mà Charles Poon của Ford thừa nhận là một sai lầm — rằng nhập các yêu cầu và dữ liệu lịch sử là đủ để AI tạo ra đầu ra chất lượng cao.

Nó không phải. Chưa phải. Có thể không bao giờ, nếu riêng lẻ.

Thách thức cụ thể ở châu Á được phức tạp hóa bởi các yếu tố nhân khẩu học và văn hóa. Ở Nhật Bản và Hàn Quốc, có một căng thẳng được ghi chép rõ ràng giữa các kỹ sư cấp cao về hưu giữ hàng chục năm kiến thức ngầm và lực lượng lao động trẻ hơn có năng lực kỹ thuật nhưng thiếu độ sâu kinh nghiệm đó. Ở Đông Nam Á, ngành công nghệ công nghệ trẻ theo thiết kế — nhóm kỹ sư trung bình tại một công ty khởi nghiệp Việt Nam hoặc Indonesia nghiêng nặng về các kỹ sư ở tuổi 20. Đó không phải là một điểm yếu, nhưng nó có nghĩa là lớp kiến thức "lão làng" mỏng manh hoặc hoàn toàn vắng mặt.

Lĩnh vực sản xuất của Trung Quốc đã tiến nhanh nhất trong tự động hóa, và đã có những tín hiệu về suy giảm chất lượng trong các danh mục sản phẩm nhất định do kết quả. Câu chuyện Ford sẽ gây tiếng vang với các kỹ sư kiểm chất lượng ở Thâm Quyến và Thành Đô những người đã yên lặng báo cáo các vấn đề tương tự nội bộ.

Đối với các nhà sáng lập công nghệ châu Á cụ thể: nếu bạn đang xây dựng quy trình làm việc hỗ trợ AI — cho dù trong sản xuất, phát triển phần mềm hay thiết kế sản phẩm — bài học Ford là AI của bạn chỉ tốt như kiến thức lĩnh vực mà bạn đã mã hóa vào nó. Tốc độ triển khai không phải là sự thay thế cho độ sâu của bối cảnh.

Điều này có nghĩa gì đối với các nhà phát triển

Hãy dịch điều này thành một cái gì đó cụ thể cho các kỹ sư đang đọc điều này.

Mô hình lỗi Ford ánh xạ trực tiếp vào cách nhiều nhóm phát triển đang sử dụng các công cụ mã hóa AI ngay bây giờ. Bạn đưa AI của mình tài liệu yêu cầu của bạn, cơ sở mã hiện có của bạn, có thể là một vài đầu ra ví dụ — và bạn mong đợi kết quả chất lượng sản xuất. Đôi khi bạn nhận được chúng. Thường xuyên, đặc biệt là trong các lĩnh vực phức tạp hoặc liên quan đến di sản, bạn nhận được thứ gì đó trông đúng nhưng không thành công trong các điều kiện thực tế.

Sự tương song là chính xác: AI của Ford đã nhập các yêu cầu thiết kế và tạo ra các bộ phận trông đúng trên giấy. AI của bạn nhập một thông số kỹ thuật và tạo ra mã vượt qua đánh giá bề mặt. Chế độ lỗi trong cả hai trường hợp không phải là AI ảo tưởng ngẫu nhiên — đó là AI tạo ra đầu ra hợp lý thiếu phán đoán được nhúng chỉ đến từ kinh nghiệm.

Những gì Ford tìm ra — và những gì các nhà phát triển nên nội tâm — là một khuôn khổ ba phần để làm cho AI thực sự hoạt động trong các bối cảnh có cược cao:

• Kiến thức lĩnh vực phải rõ ràng, không phải được giả định. Đừng mong đợi AI suy ra các ràng buộc từ các yêu cầu một mình. Kỹ sư cấp cao trong nhóm của bạn người nói "cách tiếp cận đó sẽ gây ra các điều kiện chạy dưới tải" cần mã hóa kiến thức đó thành lời nhắc, hàng rào hoặc danh sách kiểm tra xem xét — không chỉ giữ nó trong đầu của họ.
• Xem xét của con người không phải là một giải pháp thay thế — đó là kiến trúc. Những "lão làng" của Ford không phải là xem xét đầu ra AI như một lưới an toàn. Họ được nhúng có cấu trúc trong quy trình. Các nhà phát triển cần thiết kế quy trình làm việc AI của họ theo cách tương tự: chuyên môn của con người tại các điểm quyết định quan trọng, không chỉ ở cuối.
• Các công cụ AI cần được đào tạo trên bối cảnh của bạn, không chỉ dữ liệu chung. Những cựu chiến binh của Ford đang literally lập trình lại các công cụ AI bằng kiến thức thể chế. Đối với các nhóm phát triển, điều này có nghĩa là tinh chỉnh, xây dựng cơ sở kiến thức nội bộ và liên tục đưa các trường hợp lỗi thực tế trở lại công cụ của bạn.

Trên một nền tảng phát triển hỗ trợ AI, loại quy trình làm việc nhận thức bối cảnh này là mục tiêu thiết kế — không phải là một suy nghĩ sau. Các nền tảng sẽ thắng không phải là những nền tảng tự động hóa nhiều nhất, mà là những nền tảng giúp dễ dàng nhúng chuyên môn của con người tại các điểm phù hợp trong vòng lặp phát triển.

Cũng có một hàm ý tài năng ở đây cho các nhóm phát triển châu Á. Câu chuyện Ford là một lập luận mạnh mẽ để không để các kỹ sư cấp cao của bạn trở thành những người quản lý thuần túy hoặc kiến trúc sư không bao giờ chạm vào công cụ AI. Giá trị của họ ngay bây giờ không chỉ là xem xét mã — đó là hình thành cách các công cụ AI của bạn hiểu lĩnh vực của bạn. Giữ họ gần gũi với các công cụ.

Những điểm chính

Rút lại để nhìn toàn cảnh. Quyết định của Ford tuyển dụng lại 350 kỹ sư có kinh nghiệm và khoản tiết kiệm 1 tỷ đô la dự kiến theo sau là một trong những điểm dữ liệu thực tế rõ ràng nhất mà chúng ta có về nơi tự động hóa chỉ AI bị phá vỡ — và giải pháp trông như thế nào.

Một vài điều nổi bật như những bài học bền vững:

• AI thay thế chuyên môn là một vấn đề khác với AI tăng cường chuyên môn. Ford đã thử cái trước. Chương trình tuyển dụng lại là cái sau. Các kết quả không thể so sánh được. Nếu chiến lược AI của bạn được xây dựng xung quanh việc thay thế những người có kinh nghiệm nhất của bạn, bạn có khả năng tích lũy một nợ chất lượng sẽ đến hạn.