Ford ha richiamato 350 ingegneri veterani dopo che l’AI Ford e i sistemi automatici di controllo qualità non hanno raggiunto il livello atteso nei nuovi veicoli, secondo TechCrunch. L’azienda li ha scelti tra ex dipendenti e specialisti che lavoravano presso fornitori.
Per chi usa l’AI per progettare prodotti fisici, il punto è concreto: un modello può leggere requisiti e dati di progetto, ma non sostituisce l’occhio di chi conosce tolleranze, guasti e difetti prima che finiscano in fabbrica.
Dove l’AI Ford ha mancato il bersaglio
Il COO Kumar Galhotra ha detto ai giornalisti che Ford aveva aumentato l’affidamento su sistemi automatici di qualità, ottenendo risultati deludenti. Quei sistemi servono a confrontare requisiti tecnici, dati di progettazione e controlli prima che un componente arrivi alla linea produttiva. In teoria riducono errori e tempi. Nel caso Ford, secondo i dirigenti, non hanno prodotto il livello di qualità richiesto.
Charles Poon, vicepresidente Ford per l’ingegneria hardware dei veicoli, ha sintetizzato il punto con una frase rara per chiarezza:
“Mistakenly we thought that by just introducing artificial intelligence and ingesting the design requirements that we had, that that would produce a high-quality product.”
Ford affida a questi 350 profili una correzione pratica dell’AI. Devono fare due lavori che il software da solo non ha chiuso: trovare punti di guasto prima che i componenti entrino in fabbrica e riprogrammare gli strumenti AI con criteri più vicini alla produzione reale. La società li chiama “gray beard”, barbe grigie: ingegneri senior che hanno visto errori ricorrenti, fornitori deboli, tolleranze tradite da dettagli minimi.
Il passaggio più importante riguarda il ruolo dei dati. Ford aveva dati di progetto e requisiti. Poon dice che l’azienda pensava bastasse alimentarli dentro un sistema AI per ottenere qualità. L’errore sta nel verbo: alimentare. Nei prodotti fisici, un requisito non spiega da solo dove una saldatura cede, come un fornitore interpreta una specifica o quale rumore segnala un problema che il test automatico non classifica.
La parte più fragile sta nel confine tra discipline: design, manufacturing, software e hardware devono interpretare lo stesso requisito senza trasformarlo in un difetto costoso.
La domanda che i comunicati non pongono è precisa: quante aziende stanno presentando l’automazione AI come riduzione del lavoro umano mentre dipendono da esperti senior per evitare errori in produzione?
Ford ora assegna a quei tecnici anche un compito formativo. Devono addestrare personale più giovane e correggere gli strumenti AI, quindi trasformare esperienza tacita in regole, controlli e segnali leggibili dalle macchine. Qui il termine addestramento indica sia il training di un modello sia il trasferimento di conoscenza da chi conosce il prodotto a chi deve costruirlo e al software che lo supporta.
Il risultato economico pesa più della narrativa. Jim Farley, CEO di Ford, ha collegato il rientro di queste competenze a costi di garanzia e richiami in calo, con un beneficio da centinaia di milioni di dollari sui costi. L’azienda ha anche ottenuto il primo posto tra i marchi generalisti nella J.D. Power Initial Quality Survey pubblicata nella settimana del 28 giugno 2026.
Per un costruttore, quel margine vale più di una demo: se un difetto entra in produzione, il costo arriva dopo, tra garanzia, richiami e fiducia persa.
L’AI può accelerare controlli, simulazioni e verifica dei requisiti, ma nei processi ad alto costo di errore serve qualcuno che sappia dire al modello cosa cercare. Se quella competenza esce dall’azienda, il risparmio iniziale diventa debito operativo.
Ford sta mostrando un uso meno spettacolare dell’AI e più utile: catturare il giudizio tecnico prima che vada perso e farlo lavorare dentro i controlli. Chi compra strumenti AI per progettazione, qualità o supply chain dovrebbe leggere questa notizia come una verifica interna: il modello migliora il lavoro degli esperti o copre il fatto che gli esperti non sono più nella stanza?
Fonti citate
- Ford rehires ‘gray beard’ engineers after AI falls short , TechCrunch, 28 giugno 2026.