फोर्डने गेली तीन वर्षे कृत्रिम बुद्धिमत्तेवरील सर्वात आक्रमक पैज उलटवण्यात शांतपणे घालवली आहेत. ब्लूमबर्गच्या एका अहवालानुसार, ऑटोमेकरने सुमारे ३५० दिग्गज अभियंते पुन्हा नियुक्त केले आहेत — ज्यांना अंतर्गत टोपणनाव "ग्रे बियर्ड्स" आहे — त्यांना बदलण्यासाठी एआय टूल्स आणि ऑटोमेटेड सिस्टम गुणवत्ता अपेक्षा पूर्ण करू शकले नाहीत.

एआय-चालित ऑटोमेशनचे आश्वासन आणि जड उद्योगात ते तैनात करण्याचे गोंधळलेले वास्तव यांच्यातील अंतराचा हा भाग सर्वात स्पष्ट वास्तविक-जगातील केस स्टडीजपैकी एक म्हणून उदयास येत आहे. For more context on this story, see our ongoing AI industry coverage.

काय चूक झाली

फोर्डच्या नेतृत्वाने असे गृहीत धरले होते की AI आणि स्वयंचलित निदान प्रणाली त्याच्या सर्वात अनुभवी अभियंत्यांनी ऐतिहासिकदृष्ट्या केलेले बरेच काम आत्मसात करू शकतात. हे गृहितक महागात पडले. अहवालानुसार, कंपनीचे वाहन हार्डवेअर अभियांत्रिकीचे VP, चार्ल्स पून, म्हणाले की नेत्यांनी दिग्गजांच्या सखोल अनुभवाकडे दुर्लक्ष केले जे अनेक उत्पादन चक्रात टिकून राहिले.

पून निकालाबद्दल स्पष्टपणे बोलत होते, त्यांनी कबूल केले की त्या अभियंत्यांना AI ने बदलणे ही एक "मोठी चूक होती." त्यांनी हे जोडण्याची काळजी घेतली की AI हे "एक विलक्षण साधन" आहे, परंतु सावधगिरीने ते "आपण प्रशिक्षण देण्यासाठी वापरत असलेल्या माहितीइतकेच चांगले आहे" - ही मान्यता आहे की संस्थात्मक ज्ञान, प्रकारची अकादमी आणि चाचणी प्रयोगशाळेत सहजपणे हस्तांतरित होत नाही. प्रशिक्षण डेटासेटमध्ये.

पुनर्नियुक्त अभियंते आता वाहनांच्या समस्यानिवारणासाठी अनिवार्य बैठका चालवतात आणि कमी कामगिरी करत असलेल्या स्वयंचलित अभियांत्रिकी सॉफ्टवेअर आणि एआय टूल्सचा पुनर्प्रोग्राम करतात. त्यांचे काम बिघाडाच्या बिंदूंचा शोध घेणे आहे भाग कधीही प्लांटच्या मजल्यापर्यंत पोहोचण्यापूर्वी — एक प्रकारचे प्रतिबंधात्मक कार्य जे मोठ्या प्रमाणात आठवणे आणि दोष दूर करण्यात मदत करते ज्यामुळे कंपनीला कोट्यवधींचा खर्च आला होता.

मोजता येण्याजोगा टर्नअराउंड

मानवांना लूपमध्ये परत आणण्याचे परिणाम धक्कादायक आहेत. गेल्या वर्षी जे.डी. पॉवर इनिशियल क्वालिटी सर्व्हे — मालकीच्या पहिल्या ९० दिवसांत कारमधील समस्या मोजणारा वार्षिक अभ्यास — फोर्डने मुख्य प्रवाहातील ब्रँड्समध्ये १०वे स्थान मिळवले आणि उद्योगाच्या सरासरीपेक्षा कमी गुण मिळवले.

या वर्षी, तथापि, जेडी पॉवरने फोर्डला मुख्य प्रवाहातील शीर्ष ब्रँड म्हणून रँक दिला, तो टोयोटा आणि होंडापेक्षा पुढे आहे. फोर्डने त्या नाट्यमय सुधारणेचे श्रेय थेट परत आलेल्या अभियंत्यांच्या कौशल्याला दिले, हे एका मोठ्या कॉर्पोरेशनने सार्वजनिकरित्या मानवी पुनर्भरतीचे श्रेय दर्जेदार पुनर्बांधणीसाठी दिल्याचे दुर्मिळ उदाहरण आहे.

आर्थिक संदर्भ लक्षात घेता ही उलाढाल विशेषत: उल्लेखनीय आहे: फोर्ड या वर्षी अंदाजे $1 अब्ज खर्च कमी करण्यासाठी काम करत आहे, तरीही AI वर सतत अवलंबून राहण्यापेक्षा अनुभवी प्रतिभांवर खर्च करणे हा गुणवत्तेचा अधिक विश्वासार्ह मार्ग आहे असा निष्कर्ष काढला.

फोर्ड एकटा नाही

फोर्डचा अनुभव व्यापक आणि वाढत्या चांगल्या-दस्तऐवजीकरण केलेल्या पॅटर्नला बसतो. कथेच्या कव्हरेजमध्ये उद्धृत केलेल्या आउटप्लेसमेंट फर्म करिअरमाइंड्सच्या अभ्यासात, एआय-चालित टाळेबंदी करणाऱ्या कंपन्यांचे परीक्षण केले आणि असे आढळले की 35.6% त्यांना आधी सोडलेल्या कर्मचाऱ्यांपैकी निम्म्याहून अधिक पुन्हा नियुक्त करावे लागले. आणखी 32.7% कामगारांपैकी 25% आणि 50% दरम्यान पुनर्नियुक्ती करण्यात आली - हे सूचित करते की जेव्हा तंत्रज्ञान वितरीत करण्यात अयशस्वी झाले तेव्हा AI-चालित कर्मचाऱ्यांच्या कपातीचा मोठा वाटा उलट झाला.

फोर्डच्या शेजारी क्लार्ना ही सावधगिरीची कहाणी आहे. 2024 मध्ये, स्वीडिश फिनटेकच्या सीईओने अभिमानाने घोषणा केली की एक नवीन AI चॅटबॉट 700 पूर्ण-वेळ ग्राहक सेवा एजंट्स चे काम करत आहे, ज्यामुळे कंपनीला नियुक्ती थांबवण्यास आणि शेकडो पदांची कपात करण्यास प्रवृत्त केले. परंतु 2025 च्या मध्यापर्यंत आणि 2026 मध्ये, ग्राहकांचे समाधान कमी झाल्यानंतर क्लार्ना पुन्हा मानवी एजंट्सची भरती करण्यासाठी धडपडत होती. कंपनीने शोधून काढले की AI मूलभूत प्रश्न चांगल्या प्रकारे हाताळत असताना, सूक्ष्मता आणि सहानुभूती आवश्यक असलेल्या जटिल समस्यांनी सातत्याने त्याचा पराभव केला.

ऑटोमेशनच्या मर्यादा

एकत्रितपणे पाहिल्यास, ही प्रकरणे तंत्रज्ञान उद्योगाने आत्मसात करण्यास मंद गतीने आवर्ती धडा दर्शविला आहे: एआय अरुंद, चांगल्या-परिभाषित कार्यांमध्ये उत्कृष्ट आहे परंतु अनुभवी कामगार प्रदान केलेल्या निर्णय, संदर्भ आणि संस्थात्मक स्मृती यांच्याशी संघर्ष करते.

फोर्डच्या बाबतीत, तो निर्णय वाहन डिझाइन कुठे अयशस्वी होईल यासाठी जवळजवळ सहज ज्ञान म्हणून प्रकट होतो — उत्पादन चक्रांमध्ये दोषांच्या समान श्रेणी पाहण्याचे अनेक दशकांपासून तयार केलेले ज्ञान. कितीही प्रशिक्षण डेटा, कितीही मोठा असला तरी, सहजतेने अशा प्रकारचे कठोरपणे जिंकलेले अंतर्ज्ञान पुनरुत्पादित करू शकत नाही, विशेषत: जेव्हा सर्वात मौल्यवान धडे अगदी अचूकपणे चुकलेले असतात आणि ते कधीही कोणत्याही डेटाबेसमध्ये बनत नाहीत.

यापैकी काहीही याचा अर्थ AI ला कारखान्याच्या मजल्यावर स्थान नाही. फोर्डने स्वतःच स्वयंचलित निदान साधने वापरणे सुरू ठेवले आहे — आता पर्यवेक्षण आणि परिष्कृत अभियंते ज्यांना एकदा बदलण्याचा प्रयत्न करत होते. अधिक प्रामाणिक फ्रेमिंग हे बदलाऐवजी वाढवण्यापैकी एक आहे: जेव्हा ते कुशल मानवांपर्यंत पोहोचते तेव्हा AI सर्वात मौल्यवान असते, जेव्हा ते त्यांना दूर करण्याचा प्रयत्न करत नाही.

हायप सायकलचा हिशोब

फोर्ड स्टोरी एआय उद्योगासाठी एका विचित्र क्षणावर आली आहे. ऑटोमेशनच्या कामाच्या मोठ्या श्रेणींना विस्थापित करण्याबद्दलच्या अनेक वर्षांच्या धाडसी आश्वासनांनंतर, पुराव्यांचा वाढता भाग सूचित करतो की विस्थापन अधिक निवडक आहे — आणि उलट होणे अधिक सामान्य आहे — निहित सुरुवातीच्या प्रचारापेक्षा.

गुंतवणूकदार, एक्झिक्युटिव्ह आणि कामगार यांच्यासाठी, फोर्डचा ॲबट-फेस एक ग्राउंड रिमाइंडर ऑफर करतो: AI सह एखादी संस्था करू शकणारी सर्वात महागडी चूक कदाचित ती खूप हळूहळू तैनात करत नसेल, परंतु त्यावर विश्वास ठेवून ते कधीही नक्कल करण्यासाठी सुसज्ज नव्हते.

---

Stay Ahead of AI

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

Read more AI news →