فورد سه سال گذشته را صرف معکوس کردن یکی از تهاجمی ترین شرط بندی های خود در زمینه هوش مصنوعی کرده است. طبق گزارشی از بلومبرگ، این خودروساز تقریباً 350 مهندس کهنه کار - با نام مستعار داخلی "ریش خاکستری" - را پس از اینکه ابزارهای هوش مصنوعی و سیستم های خودکار جایگزین آنها نتوانستند انتظارات کیفیت را برآورده کنند، دوباره استخدام کرده است.

این قسمت به عنوان یکی از واضح‌ترین مطالعات موردی در دنیای واقعی در مورد شکاف بین وعده اتوماسیون مبتنی بر هوش مصنوعی و واقعیت کثیف استقرار آن در صنایع سنگین ظاهر می‌شود. For more context on this story, see our ongoing more AI stories.

چه اشتباهی پیش آمد

رهبری فورد فرض کرده بود که هوش مصنوعی و سیستم‌های تشخیص خودکار می‌توانند بسیاری از کارهایی که در طول تاریخ توسط با تجربه‌ترین مهندسان آن انجام شده است را جذب کنند. این فرض گران تمام شد. بر اساس این گزارش، معاون مهندسی سخت افزار خودروی شرکت، چارلز پون، گفت که رهبران تجربه عمیق جانبازان را که از بسیاری از چرخه های محصول جان سالم به در برده اند، نادیده گرفته اند.

پون در مورد نتیجه کار صریح بود و اعتراف کرد که جایگزین کردن آن مهندسان با هوش مصنوعی یک "اشتباه بزرگ" بود. او مراقب بود که اضافه کند که هوش مصنوعی همچنان "ابزار فوق العاده ای" است، اما هشدار داد که "فقط به اندازه اطلاعاتی است که برای آموزش آن استفاده می کنید" - تشخیصی که دانش سازمانی در طول دهه و آزمایش های مختلف در سطح آزمایشگاهی انجام نمی دهد. به راحتی به یک مجموعه داده آموزشی منتقل شود.

مهندسان دوباره استخدام شده اکنون جلسات اجباری را برای عیب یابی وسایل نقلیه و برنامه ریزی مجدد نرم افزار مهندسی خودکار و ابزارهای هوش مصنوعی که عملکرد ضعیفی داشتند برگزار می کنند. کار آنها جستجوی نقاط خرابی قبل از اینکه قطعات به کف کارخانه برسند است - نوعی کار پیشگیرانه که کمک می‌کند تا از فراخوان‌ها و نقص‌های عظیمی که قبلاً میلیاردها هزینه برای شرکت داشت، خلاص شود.

چرخش قابل اندازه گیری

نتایج بازگرداندن انسان ها به این حلقه قابل توجه بوده است. در سال گذشته J.D. بررسی کیفیت اولیه نیرو — مطالعه سالانه ای که مشکلات یک خودرو را در 90 روز اول مالکیت آن اندازه گیری می کند — فورد در بین برندهای رایج رتبه دهم را به دست آورد و امتیاز کمتری از میانگین صنعت کسب کرد.

با این حال، امسال، J.D. Power فورد را به عنوان برترین برند اصلی رتبه بندی کرد و آن را بالاتر از تویوتا و هوندا قرار داد. فورد این پیشرفت چشمگیر را مستقیماً به تخصص مهندسین بازگشته نسبت داد، یک نمونه نادر از یک شرکت بزرگ که علناً به استخدام مجدد انسان برای بهبود کیفیت اعتبار می دهد.

این چرخش به ویژه با توجه به زمینه مالی قابل توجه است: فورد در سال جاری تلاش کرده است **تقریباً 1 میلیارد دلار از هزینه ها را کاهش دهد، اما به این نتیجه رسیده است که هزینه کردن برای استعدادهای کهنه کار راه مطمئن تر از اتکای مداوم به هوش مصنوعی است.

فورد تنها نیست

تجربه فورد با یک الگوی گسترده تر و به طور فزاینده مستند مطابقت دارد. یک مطالعه توسط شرکت جابجایی Careerminds که در پوشش داستان ذکر شد، شرکت‌هایی را که اخراج‌های مبتنی بر هوش مصنوعی انجام داده‌اند مورد بررسی قرار داد و دریافت که 35.6٪ از آنها مجبور بودند بیش از نیمی از کارمندانی را که قبلاً ترک کرده بودند، دوباره استخدام کنند. 32.7 درصد دیگر بین 25 تا 50 درصد از این کارگران را مجدداً استخدام کردند - این نشان می دهد که سهم قابل توجهی از کاهش کارکنان مبتنی بر هوش مصنوعی زمانی که این فناوری ارائه نشد، معکوس شد.

داستان هشداری که اغلب در کنار داستان فورد به کار می رود کلارنا است. در سال 2024، مدیرعامل فین‌تک سوئدی با افتخار اعلام کرد که یک چت ربات جدید هوش مصنوعی کار 700 نماینده تمام وقت خدمات مشتری را انجام می‌دهد، که باعث شد شرکت استخدام را متوقف کند و صدها موقعیت را کاهش دهد. اما در اواسط سال 2025 و تا سال 2026، پس از کاهش رضایت مشتری، Klarna در تلاش بود تا دوباره ماموران انسانی را استخدام کند **. این شرکت کشف کرد که در حالی که هوش مصنوعی پرس و جوهای اساسی را به خوبی مدیریت می کند، مسائل پیچیده ای که به نکات ظریف و همدلی نیاز دارند، به طور مداوم آن را شکست می دهند.

محدودیت های اتوماسیون

در مجموع، این موارد به درسی تکراری اشاره می‌کنند که صنعت فناوری در جذب آن کند بوده است: هوش مصنوعی در وظایف محدود و به خوبی تعریف شده برتری می‌یابد، اما با قضاوت، زمینه و حافظه نهادی که کارگران باتجربه ارائه می‌کنند مبارزه می‌کند.

در مورد فورد، این قضاوت به‌عنوان حسی تقریباً غریزی نشان می‌دهد که در کجای طراحی خودرو شکست می‌خورد – دانشی که طی دهه‌ها از مشاهده تکرار همان دسته‌های نقص در چرخه‌های محصول ایجاد شده است. هیچ مقدار از داده های آموزشی، هر چند بزرگ، به راحتی آن نوع شهودی را که به سختی به دست آمده است، بازتولید نمی کند، به ویژه زمانی که باارزش ترین درس ها دقیقاً موارد نزدیک و لبه هایی هستند که هرگز وارد هیچ پایگاه داده ای نشدند.

هیچ کدام از اینها به این معنی نیست که هوش مصنوعی جایی در کارخانه ندارد. خود فورد همچنان به استفاده از ابزارهای تشخیص خودکار ادامه می‌دهد - اکنون توسط مهندسانی که زمانی به دنبال جایگزینی آن بود، نظارت و اصلاح شده‌اند. قاب‌بندی صادقانه‌تر یکی از افزایش به جای جایگزینی است: هوش مصنوعی زمانی ارزشمندتر است که دسترسی انسان‌های ماهر را افزایش دهد، نه زمانی که سعی در حذف آنها داشته باشد.

حسابرسی برای چرخه هایپ

داستان فورد در لحظه ای ناخوشایند برای صنعت هوش مصنوعی فرا می رسد. پس از سال‌ها وعده‌های جسورانه در مورد اتوماسیون که دسته‌های گسترده‌ای از کار را جابجا می‌کند، مجموعه‌ای از شواهد نشان می‌دهد که جابجایی بسیار انتخابی‌تر - و معکوس‌ها بسیار رایج‌تر - از تبلیغات اولیه است.

برای سرمایه‌گذاران، مدیران و کارگران به طور یکسان، چهره درباره‌ی فورد یادآوری منطقی است: گران‌ترین اشتباهی که یک سازمان می‌تواند با هوش مصنوعی مرتکب شود ممکن است به آرامی آن را به کار نگیرد، اما اعتماد به آن برای جایگزینی تخصص‌هایی که هرگز برای تکرار آن تجهیز نشده بود.

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →