Ford har ägnat de senaste tre åren åt att tyst vända en av sina mest aggressiva satsningar på artificiell intelligens. Enligt en rapport från Bloomberg har biltillverkaren återanställt cirka 350 veteraningenjörer - internt kallade "grå skägg" - efter att AI-verktygen och de automatiserade systemen som var avsedda att ersätta dem inte uppfyllde kvalitetsförväntningarna.
Avsnittet framträder som en av de tydligaste fallstudierna hittills av gapet mellan löftet om AI-driven automation och den röriga verkligheten med att implementera den i tung industri. For more context on this story, see our ongoing AI trends.
Vad gick fel
Fords ledarskap hade antagit att AI och automatiserade diagnostiska system kunde absorbera mycket av det arbete som historiskt gjorts av dess mest erfarna ingenjörer. Det antagandet visade sig kostsamt. Enligt rapporten sa företagets VP för fordonshårdvaruteknik, Charles Poon, att ledare hade förbisett veteranernas djupa erfarenhet som hade överlevt många produktcykler.
Poon var rakt på resultatet och medgav att det bara var ett "stort misstag" att bara ersätta dessa ingenjörer med AI. Han var noga med att tillägga att AI förblir "ett fantastiskt verktyg", men varnade för att det "bara är lika bra som informationen du använder för att träna det" – ett erkännande som institutionell kunskap, den typ som samlats in under decennier i laboratorier och inte enkelt överförs till ett fabriksgolv i utbildningar, och inte enkelt överförs till en datauppsättning i decennier.
De återanställda ingenjörerna kör nu obligatoriska möten för att felsöka fordon och programmera om den automatiserade ingenjörsmjukvaran och AI-verktygen som inte fungerade. Deras jobb är att leta efter felpunkter innan delar någonsin når fabriksgolvet - den typ av förebyggande arbete som hjälper till att avvärja de massiva återkallelserna och defekterna som tidigare hade kostat företaget miljarder.
En mätbar vändning
Resultaten av att föra människor tillbaka in i slingan har varit slående. I förra årets J.D. Power Initial Quality Survey – en årlig studie som mäter problem i en bil under dess första 90 dagar av ägande – Ford slutade 10:e bland vanliga varumärken och fick poäng under branschgenomsnittet.
I år rankade J.D. Power dock Ford som det ledande mainstreammärket, och placerade det före Toyota och Honda. Ford tillskrev den dramatiska förbättringen direkt till expertisen hos de återvända ingenjörerna, ett sällsynt exempel på att ett stort företag offentligt krediterar mänskliga återanställningar för en kvalitetsåterhämtning.
Vändningen är särskilt anmärkningsvärd med tanke på det ekonomiska sammanhanget: Ford har arbetat för att sänka cirka 1 miljard dollar i utgifter i år, men har ändå kommit fram till att utgifter för veterantalanger var den mer tillförlitliga vägen till kvalitet än fortsatt beroende av AI.
Ford är inte ensam
Fords erfarenhet passar ett bredare och allt mer väldokumenterat mönster. En studie av outplacementföretaget Careerminds, citerad i täckningen av historien, undersökte företag som genomförde AI-drivna uppsägningar och fann att 35,6 % av dem var tvungna att återanställa mer än hälften av de anställda som de tidigare hade släppt. Ytterligare 32,7 % återanställde mellan 25 % och 50 % av dessa arbetare – vilket tyder på att en avsevärd andel av AI-drivna personalnedskärningar gick tillbaka när tekniken inte levererade.
Den varnande berättelsen som oftast åberopas vid sidan av Fords är Klarna. 2024 tillkännagav den svenska fintechs VD stolt att en ny AI-chatbot utförde arbetet med 700 heltidsanställda kundtjänstagenter, vilket fick företaget att frysa anställningar och skära ner hundratals tjänster. Men i mitten av 2025 och in på 2026 skar Klarna på att rekrytera mänskliga agenter igen efter att kundnöjdheten rasat. Företaget upptäckte att även om AI hanterade grundläggande frågor väl, besegrade komplexa problem som krävde nyans och empati det konsekvent.
Automatiseringens gränser
Sammantaget pekar dessa fall på en återkommande lärdom som teknikindustrin har varit långsam med att ta till sig: AI utmärker sig i smala, väldefinierade uppgifter men kämpar med omdömet, sammanhanget och det institutionella minnet som erfarna arbetare tillhandahåller.
I Fords fall manifesteras den bedömningen som en nästan instinktiv känsla för var en fordonsdesign kommer att misslyckas - kunskap byggd över årtionden av att se samma kategorier av defekter återkomma över produktcykler. Ingen mängd träningsdata, hur stor som helst, reproducerar lätt den typen av svårvunnen intuition, särskilt när de mest värdefulla lärdomarna är just de nästan-miss- och kantfall som aldrig hamnat i någon databas.
Inget av detta betyder att AI inte har någon plats på fabriksgolvet. Ford själv fortsätter att använda automatiserade diagnostiska verktyg – nu övervakade och förfinade av de ingenjörer som den en gång försökte ersätta. Den mer ärliga inramningen är en av augmentation snarare än substitution: AI är mest värdefull när den utökar räckvidden för skickliga människor, inte när den försöker eliminera dem.
En avräkning för hypecykeln
Berättelsen om Ford kommer i ett besvärligt ögonblick för AI-branschen. Efter år av djärva löften om automatisering som förskjuter stora kategorier av arbete, tyder en växande mängd bevis på att förskjutningen är mycket mer selektiv - och omkastningarna mycket vanligare - än vad den initiala hypen antydde.
För både investerare, chefer och arbetare erbjuder Fords ansikte en grundad påminnelse: det dyraste misstaget en organisation kan göra med AI kanske inte är att distribuera den för långsamt, men att lita på att den ersätter expertis som den aldrig var utrustad för att replikera.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
