前言

背景：隨著汽車製造商採用數據驅動工具和自動化系統，人們對品質和效率快速提升的期望也提高了。然而，當這些工具未達預期時，公司必須重新評估如何最有效地結合人類專業知識與科技。本文說明為何福特最近重聘大量資深工程師以解決 AI 驅動品質管控的不足、這些聘用如何被運用，以及公司目前看到的初步成效。目的在於強調將經驗判斷與現代自動化務實結合以達成可靠成果的決策。

懶散袋（Lazy bag）

福特在自動化品質系統未達預期後，重聘了約 350 名經驗豐富的工程師。 這些「灰鬚」專家 正在識別失效點、培訓年輕員工，並改進 AI 工具，而非完全放棄自動化。早期效益包含產品品質提升與預期的成本節省。

主體

近數月來，福特汽車公司採取了一項顯著措施：重聘大約 350 名資深工程師——其中許多人曾在該車廠或其供應商任職——以在自動化與 AI 系統表現不佳後加強產品品質。公司領導層承認，對自動化品質管控的日益依賴未能產生他們期望的穩定結果，促使他們重新回到實務技術專長，以在開發週期的早期捕捉問題。

福特營運長 Kumar Galhotra 表示，該車廠愈來愈倚重自動化品質系統，但發現結果令人失望。對此，福特招募了技術專家，其角色是 在零件進入生產線之前就尋找失效點。透過讓經驗豐富的工程師更早介入流程，該公司旨在預防缺陷，而非在組裝或交付後才偵測。

車輛硬體工程副總裁 Charles Poon 反思公司先前的假設：認為僅僅導入人工智慧並供給既有設計需求就能自動產出高品質產品，這一想法過於樂觀。事實證明，AI 與自動化是強大的工具，但不能取代深厚的領域知識與實務工程判斷。

這些被重聘的工程師，俗稱「灰鬚」專家，扮演幾個互補的角色。首先，他們進行根本原因分析與零部件和組件的實務驗證，憑藉多年關於零件在製造與運行壓力下行為的默會知識。其次，他們指導並培訓經驗較淺的工程師，傳承難以僅由資料捕捉的制度性知識。第三，他們與軟體團隊並肩合作，重新校準與重新程式化 AI 驗檢與設計工具，使這些系統更能反映真實生產與性能的細微差異。

重要的是，福特並未放棄對 AI 的投資。相反地，公司採取混合方式：將人類專業知識與自動化系統配對以達成更佳成果。此策略認識到，雖然 AI 能快速揭示模式並處理大量資料，但它依賴準確的需求、具代表性的訓練資料與持續調校——這些都是資深工程師能提供關鍵指引的領域。

這種混合方法的早期回報似乎是具體的。福特預估，重聘與相關的品質改善今年將帶來約 10 億美元的成本減少。與此同時，該車廠在 JD Power 初期品質調查中獲得肯定，在主流品牌中名列第一——這顯示資深監督與自動化工具的組合能實質提升被感知的品質。

從福特的經驗可得出幾項更廣泛的教訓。那些在未內嵌人類專業知識就急於自動化的組織，風險在於會錯過訓練資料中未出現的邊緣情形與微妙失效模式。資深從業者帶來難以編碼的模式識別與情境判斷。同時，單靠人工檢驗亦無法擴展；有效的路徑是利用專家來訓練、驗證並精進自動化，使其隨時間變得更可靠。

在操作面上，整合資深工程師本身也帶來挑戰。公司必須創造一個環境，使資深人員能與資料科學家與軟體工程師有效合作，解決術語與方法上的差異，並將默會知識文件化以便能夠指導模型與流程。清晰的溝通、結構化的師徒制以及共享的績效指標有助於彌合這些差距。

對其他投資 AI 的製造商與企業而言，福特的舉措務實地提醒人們在雄心與謙遜之間取得平衡。科技能加速改進，但要達成穩定的品質常需要包含人類驗證的反覆回饋迴路。最具韌性的做法是建立夥伴關係：利用 AI 來擴展與加速例行分析，同時讓技術嫻熟的工程師處理複雜情形、邊緣案例與持續改進。

總結來說，福特在 AI 驅動品質出現不足後重聘資深工程師，顯示這是一種務實的調整，而非對創新的退縮。透過將資深工程師的深厚領域專長與自動化的效率結合，福特旨在維持品質提升、降低成本，並建立更能反映真實製造經驗的健全 AI 系統。

關鍵見解表