Ford dijo que reincorporó unos 350 ingenieros veteranos en los últimos tres años después de comprobar que sus sistemas de IA y control automatizado no estaban encontrando suficientes problemas de calidad antes de que las piezas llegaran a fábrica.
La compañía explicó que parte de esos especialistas volvió desde fuera de la empresa y otra parte fue contratada desde proveedores, con una tarea concreta: detectar puntos de fallo antes, entrenar a equipos más jóvenes y ayudar a mejorar las herramientas técnicas que usa hoy Ford.
La señal más clara del giro aparece en cómo la automotriz describe el error. Según ejecutivos, Ford creyó que bastaba con alimentar sus sistemas con requisitos de diseño para obtener mejores resultados, pero esa combinación de automatización y datos no fue suficiente para reemplazar el criterio acumulado de ingenieros que habían pasado por varios ciclos de producto.
El caso no trata de un fabricante abandonando la IA, pero sí de una empresa corrigiendo un uso incompleto de las herramientas. En sectores donde una falla pequeña termina en reparaciones, garantías o retiros, la experiencia práctica sigue siendo necesaria para revisar cruces entre diseño, manufactura, software y hardware.
Cómo cambió Ford su control de calidad con 350 ingenieros veteranos
Ford contrató a esos 350 ingenieros veteranos a lo largo de tres años. La empresa los identifica internamente con la expresión “gray beard”, una referencia propia a la experiencia acumulada. Las 350 incorporaciones no ocurrieron de una vez y no todos eran ex trabajadores de Ford. Algunos habían trabajado antes en la compañía y otros provenían de otros proveedores.
Kumar Galhotra, director de operaciones de Ford, dijo que la empresa venía dependiendo cada vez más de sistemas automatizados de calidad sin obtener los resultados esperados. Por eso recuperó especialistas técnicos que hoy revisan posibles fallos antes de que una pieza llegue al piso de planta.
El cambio mueve el control hacia etapas previas, cuando corregir un error cuesta menos que hacerlo una vez iniciado el ensamblaje o, peor aún, después de la venta.
Charles Poon, vicepresidente de ingeniería de hardware vehicular, añadió que la IA depende de la calidad de la información con la que se entrena. Ford reconoció que había perdido parte del conocimiento que tenían sus ingenieros más experimentados y que ese vacío afectó la capacidad de sus sistemas para anticipar problemas.
Ese conocimiento veterano ahora cumple dos funciones al mismo tiempo. La primera es operativa: encontrar puntos débiles en componentes, procesos y diseños antes de que se conviertan en fallas costosas. La segunda es de transferencia: formar a personal más joven y ayudar a ajustar mejor los sistemas automáticos que Ford mantiene en uso.
Así como Ford, muchas empresas han acelerado la automatización con la expectativa de reducir costos y tiempos, pero el caso muestra que en procesos complejos la pregunta no es solo cuánto puede automatizarse, sino qué parte necesita experiencia acumulada para interpretar señales ambiguas, revisar excepciones y detectar fallos.
La propia Ford vinculó estas contrataciones a mejores resultados de calidad. Bloomberg señaló que la compañía quedó como la marca generalista mejor posicionada en la edición más reciente del estudio de calidad inicial de J.D. Power. Ejecutivos de la empresa también atribuyeron a ese enfoque una baja en costos de garantía y retiros, aunque esas cifras deben leerse como afirmaciones cercanas.
Ford mantiene herramientas de IA y automatización, solo que ahora las alimenta con revisión experta y con equipos que conocen mejor dónde suelen aparecer los fallos. La empresa pasó de confiar en que el sistema encontraría problemas por sí solo a construir un proceso donde la herramienta y la experiencia se corrigen entre sí.
Eso también cambia la conversación sobre empleo técnico. No significa una retirada general de la IA, ni una vuelta completa al trabajo manual, pero si un recordatorio de la importancia en el equilibrio: la experiencia que en un momento se visualizó prescindible, volvió a la fuerza a ser parte fundamental, centrada en el entrenamiento, validación y mejora continua de las herramientas.
Al final, el manejo eficiente de esta combinación parece ser el más útil y sostenible para elegir entre una total automatización o revisión humana.
Fuentes
Bloomberg Law / Bloomberg News
TechCrunch
Computerworld
The Verge
