Ford recontró 350 ingenieros veteranos este mes porque sus sistemas de IA para control de calidad no estaban dando los resultados esperados. El COO Kumar Galhotra admitió que la empresa llevaba tiempo apoyándose cada vez más en sistemas automatizados de calidad con resultados decepcionantes. El VP Charles Poon fue más directo: cometieron el error de pensar que con solo introducir IA generarían un producto de calidad.
El problema no es la IA. Es el diseño del proceso. Un modelo entrenado en datos históricos no captura el conocimiento tácito que un inspector veterano acumula viendo miles de piezas reales: los edge cases raros, los defectos sutiles, los pequeños cambios de proveedor que una persona nota antes de que aparezcan en los datos. Ese conocimiento no se aprende de registros. Se aprende de años de planta.
El modelo que Ford está implantando combina los dos recursos. Los veteranos re-contratados entrenan a equipos más jóvenes y corrigen los sistemas de IA cuando fallan. No sustitución: superposición. Los resultados iniciales hablan por sí solos: Ford lidera ahora entre marcas convencionales en el estudio de calidad inicial de JD Power, con ahorros reportados de cientos y cientos de millones de dólares.
Para una empresa mediana, la lección es transferible a cualquier proceso crítico con alta variabilidad: validación de documentos legales, revisión de contratos, atención al cliente en casos complejos, auditoría de calidad en producción. Antes de retirar la supervisión humana de un proceso automatizado con IA, responde esta pregunta: ¿quién detecta el error cuando la IA falla, y en cuánto tiempo?