Ford reincorpora a ingenieros "veteranos": AI no logró sustituir a profesionales experimentados

Ford reconoció un error: la empresa creía que la implementación de IA por sí sola garantizaría una alta calidad de los productos — y se equivocó. Ahora el fabricante de automóviles está recontratando ingenieros experimentados "canosos" que anteriormente había despedido como parte de la optimización de la producción.

La apuesta por la IA no funcionó

Ford había estado reduciendo activamente personal experimentado durante varios años, apostando por la automatización e inteligencia artificial. La lógica parecía racional: la IA asumiría tareas complejas de ingeniería, los costos disminuirían y la velocidad de desarrollo aumentaría. El resultado fue el opuesto. La calidad del producto se degradó — precisamente en las áreas donde ingenieros experimentados mantenían invisible el control de los procesos de producción. La empresa reconoció públicamente el error de cálculo:

"Erróneamente creímos que la implementación misma de la inteligencia

artificial... garantizaría un producto de alta calidad."

Este es un reconocimiento franco — raro para un gran fabricante de automóviles. Ford se convirtió en una de las pocas empresas que hablan abiertamente sobre el fracaso de la estrategia "primero automatización, después personas".

La IA es efectiva donde la tarea está bien definida y respaldada por datos de calidad. Pero en la fabricación de automóviles, una parte significativa del conocimiento valioso existe de forma implícita: experiencia, intuición, memoria de errores pasados. Este es precisamente el conocimiento que Ford perdió junto con sus veteranos despedidos.

Quiénes son los "canosos"

"Canosos" es un término informal americano para ingenieros con años de experiencia en producción. Son especialistas que recuerdan por qué se tomó una determinada decisión técnica hace una década, que pueden leer señales indirectas de problemas inminentes y que saben a quién acudir en situaciones no estándar. Tal experiencia es difícil de formalizar. Existe como intuición acumulada durante años en una planta de producción específica — y esto es precisamente lo que la IA no pudo replicar. Un algoritmo puede procesar millones de puntos de datos — pero no sabe lo que no sabe. Un ingeniero experimentado lo sabe y avisa.

El valor de tales especialistas se manifiesta en varias dimensiones:

• Conocimiento de la historia: por qué exactamente de esta manera — y no de otra
• Capacidad de predecir fallos por signos indirectos
• Conexiones informales dentro de la cadena de producción
• Capacidad de trabajar con excepciones donde los algoritmos fallan
• Memoria institucional de errores pasados y su costo

Cuando las empresas despiden masivamente a tales empleados en búsqueda de automatización, pierden no solo trabajadores. Pierden conocimiento que no puede cargarse en un modelo: los propios portadores no pueden formularlo completamente.

Por qué esto importa para toda la industria

La historia de Ford no es una excepción. Un ciclo similar se ve en aeronáutica, farmacéutica, energía: optimización de personal → automatización → declive de calidad → regreso forzado a las personas. En todos lados donde el producto es complejo y el costo del error es alto, este patrón se repite.

El problema no es la IA en sí. El problema es que la tecnología se implementó como un reemplazo de la experiencia, no como su amplificador. La IA funciona bien donde la tarea está claramente definida, los datos son completos y los patrones se repiten. En la producción de productos complejos, una parte significativa del conocimiento valioso permanece implícita — y aquí no hay forma de prescindir de las personas.

Es significativo que Ford, no una empresa tecnológica, fuera la autora de este reconocimiento. La industria automotriz es donde la experiencia se mide en décadas, y un error puede costar miles de retiros del mercado.

Qué significa esto

Ford reconoció abiertamente: la IA no reemplaza la experiencia humana — la complementa. Esta lección es importante para todo el mercado. Antes de reducir especialistas experimentados por la automatización, vale la pena responder honestamente la pregunta: ¿qué exactamente hacen que no pueda describirse como una tarea para un algoritmo?