Ford rappelle ses ingénieurs vétérans après les ratés de ses caméras IA en usine

Le constructeur automobile américain Ford a réintégré des ingénieurs vétérans expérimentés, que l'on surnomme en interne, pour plaisanter, les « greybeards » (les « barbes grises »). En cause : des centaines de caméras IA chargées de vérifier la conception et la qualité en production ont commencé à défaillir régulièrement. C'est ce qu'a rapporté le quotidien britannique Guardian le 30 juin 2026.

Qu'est-ce qui a dérapé avec les caméras IA ?

Ford a déployé à grande échelle des systèmes de vision par ordinateur sur ses lignes de production : des centaines de caméras devaient comparer automatiquement les pièces aux plans et détecter les défauts d'assemblage sans intervention humaine. Ce type d'automatisation du contrôle qualité est répandu depuis longtemps dans l'industrie automobile : les caméras traquent les rayures sur la carrosserie, les écarts entre panneaux et les déviations par rapport à la géométrie de référence. Mais selon le Guardian, chez Ford, le système s'est révélé bien moins fiable que prévu, et l'entreprise s'est heurtée à des défaillances systématiques des contrôles.

• Ford utilisait des centaines de caméras IA pour contrôler la conception et la production
• Les vérifications automatiques défaillaient régulièrement
• L'entreprise a commencé à réintégrer des ingénieurs vétérans
• Le Guardian l'a rapporté le 30 juin 2026
• Le surnom « greybeards » renvoie à la barbe grise, et non à un poste officiel

Qui sont les « greybeards » ?

Chez Ford, on surnomme pour plaisanter « greybeards » les ingénieurs expérimentés les plus âgés : le surnom renvoie à la barbe grise, et non à un titre officiel. L'entreprise les replace précisément là où les algorithmes gèrent le plus mal les cas atypiques : un angle de vue inhabituel sur une pièce, des reflets sur le métal ou des types de défauts rares, absents des données d'entraînement des caméras. Leur longue expérience de la chaîne d'assemblage reste pour l'instant un filet de sécurité là où l'automatisation se trompe en silence, c'est-à-dire laisse passer un défaut au lieu de le signaler.

Ces systèmes de vision par ordinateur s'entraînent sur des milliers d'exemples annotés de défauts et de pièces conformes. Mais une vraie chaîne de production génère une variété infinie de petites variations, du lot de métal à l'éclairage de l'atelier selon l'heure de la journée. Face à une situation absente de son jeu d'entraînement, l'algorithme peut soit laisser passer un vrai défaut, soit, à l'inverse, rejeter une pièce conforme. Dans les deux cas, la facture est lourde pour la chaîne si personne ne peut revérifier. Voilà pourquoi les systèmes d'IA repèrent bien les écarts typiques et fréquents, mais peinent sur les cas rares et atypiques, ceux-là mêmes qui font la réputation d'une marque en matière de qualité d'assemblage.

Qu'est-ce que cela signifie ?

Le cas Ford illustre la limite pratique de l'automatisation actuelle en production : l'IA permet de passer à l'échelle sur les contrôles de routine, mais ne remplace pas entièrement l'expertise humaine là où le coût d'une erreur est élevé. Sans un humain capable de repérer une défaillance et d'expliquer pourquoi une pièce donnée diffère des autres, les erreurs s'accumulent simplement sur la chaîne jusqu'à ressurgir chez le concessionnaire ou dans les réclamations des propriétaires. C'est pourquoi même les constructeurs les plus avancés reviennent à un modèle hybride « algorithme plus œil expérimenté ».