“我们当时错误地以为，只要引入人工智能，再调整一下已有的设计要求，就能产出高质量产品。”
福特硬件工程副总裁 Charles Poon 在公司时隔 16 年重夺 J.D. Power 新车质量排名主流车企第一时，这样复盘过去的误判。
这场 AI 转型并未如预期般顺利，反而让福特付出惨痛代价：它最终意识到，AI 可以提升效率，却无法取代经验丰富的工程师。几十年积累下来的工程判断力，正随着老员工的离开而流失，而这是单靠技术无法填补的缺口。
350 名老工程师回归：AI 无法取代经验
在刚刚斩获 JD Power 主流汽车制造商初始质量排名榜首之际，福特公开谈起了近年来面临的挑战，尤其是在生产和设计中过度依赖自动化系统的问题。事实证明，这些自动化系统并不像之前预想的那样可靠，福特不得不聘请经验丰富的技术人员——有时甚至召回前员工——来纠正机器人犯下的错误。
在福特看来，人工智能既强大又容易踩坑。其有效性完全取决于训练 AI 模型所用的数据质量。此外，这家汽车制造商还低估了资深工程师积累的组织知识的价值——这些工程师经历过多个车辆开发周期。正是这些因素的叠加，最终导致福特汽车的质量下滑。
福特汽车硬件工程副总裁 Charles Poon 在本周面向记者的一场简报会上表示：“我们当时错误地以为，只要引入人工智能，再调整一下已有的设计要求，就能产出高质量产品。”
据 Poon 介绍，公司一些最有经验的员工在离开之前，他们掌握的知识并没有完全被导入福特的自动化系统。这迫使福特把其中一些人请回来，重新训练这些系统；在某些情况下，他们还需要指导年轻工程师——因为这些年轻工程师当时正努力维持福特汽车的质量水平。
他表示，福特为了重建这层专业技术体系，召回并提拔了 350 多名经验丰富的工程师。除了指导年轻工程师，他们还被要求改进数据收集和 AI 训练流程——而这些正是支撑福特自动化系统的基础。
Poon 说：“我们的很多资深工程师过去就有这方面的丰富经验，能够在问题进入系统之前发现它们。”
福特汽车的重新招聘似乎已初见成效，其 CEO Jim Farley 说，这带来了诸多好处，例如降低了保修和召回成本，“为福特在成本方面节省了数亿美元”。
过去几年，福特质量评分持续下滑，召回数量居行业之首。Explorer、Aviator 等重磅车型的发布暴露出执行层面的不足，疫情导致的供应链中断更令局面雪上加霜。
福特首席运营官 Kumar Galhotra 坦言，症结在于质量管理方式过于碎片化——各部门各自为政，奉行“发现并修复”的被动策略，问题出了再打补丁，却无法从源头阻止。Galhotra 说：“我们正在从发现问题再修复，转向问题发生前就预防。关注赋能因素和早期信号，而不是最终结果。别再盯着问题感叹，要真正解决它。”
转型不止于硬件。软件与数字化团队正与工程、制造、供应链深度协同，尝试将互联网的快速迭代与汽车工程的安全标准相融合。Poon 承认，过去福特常在开发后期才发现软件漏洞，但汽车不同于消费电子，不能照搬“先发布再修补”的模式——车辆运行在安全关键环境中，软件从一开始就必须正确。
为此，福特成立了一支 40 人的专项质量保证团队，专职于早期验证与缺陷预防。
但这并不意味着福特不打算把 AI 整合进更多流程。福特表示，公司已经大幅扩展自动化测试能力，新增了超过 10 万项由 AI 驱动的测试，用于识别边缘案例，并在各种条件下对软件系统进行压力测试。由于测试框架高度自动化，即便在开发后期发生软件变更，也可以快速重新验证，确保修改不会引入新的缺陷。
Poon 说：“因为这些测试高度自动化，所以即使软件在后期发生变更，我们也可以快速重新跑完整套验证流程，确保它在交付给客户之前能够完全正常运行。我们已经把软件可靠性确立为一门独立而严谨的纪律，并配套了严格的指标。”
下一步，福特的目标是建立更平衡的模式，让 AI 支持工程师，而非取代他们。希望这套系统既承载算力，也沉淀公司数十年的造车经验。
老工程师的困境：AI 时代，谁在真正干活？
福特召回 350 多名资深工程师的消息，在技术圈引发了不少讨论。许多人的关注点落在同一个问题上：公司在使用 AI 时，往往高估了自动化系统的判断力，同时又低估了真正有经验的人在其中扮演的角色。
有网友评论称，AI 最大的问题之一，是它会非常坚定地相信自己的方案是对的。即使方案里存在明显漏洞，它也能写出一份看起来很漂亮、逻辑完整、足以让管理层点头的三页说明。可一旦交到资深工程师手里，对方可能很快就能指出五个以上没有被充分考虑的问题，而这些问题足以让项目在原型阶段就出事故。更麻烦的是，当你把这些问题反馈给 AI，它通常会很快承认“你指出得完全正确”，但如果公司已经在模具、产线或系统改造上投入了大量成本，这种事后认错并不能挽回损失。
更令人担忧的是经验断层的加速。有观察者指出，一位高管曾亲眼看到新员工提交的 AI 生成工作“完全是粗制滥造”，而更糟糕的是，这些新人根本没有能力辨别哪些工作不合格。“AI 是工具，但如果没有人真正懂得自己在做什么，这个工具就会被过度使用，导致整个工作流程彻底僵化。”
也有评论把矛头指向了裁员的逻辑：“如果要裁员，他们裁错了人。那些‘老前辈’才应该负责运营 Agents——他们知道什么是好的，如何纠正糟糕的实现，不会让粗制滥造的项目充斥市场。”
“AI 确实非常有效，但解雇那些能分辨黄金和垃圾的人，简直是愚蠢至极。”
一位自称曾在财富 50 强公司工作的网友给出了更具体的佐证："我前公司大规模裁员，裁掉的多数是年龄较大、经验非常丰富的人，结果公司迅速垮掉，管理层还一脸困惑。后来几轮分拆和诉讼之后，所有人都在问，当初承诺的'股东价值增长'到底去哪了。"
福特能采取补救行动，还算是一个聪明的行为。但问题在于，即便留在一线，老工程师也没有因此变得轻松，反而开始承担更多为 AI 产物兜底的工作。而这种困境正在成为整个行业的普遍现象。
Menlo Ventures 合伙人 Deedy Das 曾把这种变化描述为一种新的“阶层分化”：一边是缺乏判断力、只会靠 AI 快速拼出结果的“氛围编码者”，另一边是经验丰富的工程师。
那些资深的“手艺人”工程师，也就是仍然真正重视自己职业的人，不得不在大量糟糕的 AI 代码中艰难跋涉，反复修补别人扔过来的烂摊子，最终陷入沮丧，开始怀疑自己的职业意义。
Das 在一篇很长的 X 帖子中写道：“大多数软件工程师正面临一种接近抑郁的身份认同危机。”
这种现象也催生了一个新词：“workslop”，可以理解为 AI 制造出来的工作垃圾。这些人看起来像完成了任务，甚至身兼数职，能让管理层产生生产力提升的错觉，并因此获得奖励。对他们来说，“软件工程不过是一场表演，目的是让同事相信你既聪明又勤奋”。
一旦他们的这些工作内容进入真实协作流程，就需要更细致、更有经验的同事花时间返工。AI 原本被寄望于减少负担，结果却把负担转移给了那些最有能力识别问题的人。
Das 在谈到这类工程师时说，“手艺人已经疲惫了”。他们每天面对越来越多问题，bug 渗入生产环境，组织却仍然相信再引入一轮 AI 就能解决。久而久之，他们对同事的不满增加，对工作的热情下降，甚至开始怀疑自己坚持工程质量的意义。
“最终，他们放弃了。那个他们曾经热爱的手艺已经死了。”
参考链接：
https://www.theverge.com/transportation/956316/ford-quality-jd-power-ranking-ai-automated-mistakes
