夜雨聆风
Ford汽车过去三年激进裁掉资深工程师，用AI自动化质检系统替代。结果质量下降、损失数十亿美元。现在重新雇佣了350多名老工程师，J.D. Power调查显示，Ford首次在16年内成为主流品牌质量第一名。
这不是AI的失败，是决策的失败。
核心事实：裁员→赔钱→重聘→第一
过去三年，Ford越来越依赖AI驱动的质检系统来生产线。裁掉了大量资深工程师，以为AI消化设计需求就能生产高质量产品。
结果恰恰相反。自动化系统缺乏细腻判断，复杂问题不断漏过质检。自动化问题导致Ford损失了数十亿美元（billions of dollars）。
Ford不得不重新雇佣超过350名资深工程师。内部有个称呼："gray beards"（灰胡子）——指那些白发苍苍、经历过多个产品周期的老专家（被裁的时候，大概没人想到这层价值）。
这些人回来之后做什么？COO Kumar Galhotra说得很直接："他们在零件到达工厂之前就寻找故障点"（hunt for failure points before a part ever reaches the plant floor）。
效果立竿见影。J.D. Power年度汽车质量基准调查显示，Ford首次在16年内成为主流品牌质量第一名。
但Ford的现状有个矛盾：新车质量排名第一，但仍是美国召回最多的汽车制造商。高管解释：召回是过去自动化问题的遗留，不是现在重聘工程师的结果。
高管反思：三句关键引言
Ford这次失误，高管没有甩锅给AI，而是承认决策错了。
COO Kumar Galhotra：
"We had been relying more and more on automated quality systems and not getting the desired results."
我们越来越依赖自动化质检系统，但没有得到预期的结果。
"We brought back technical specialists and they hunt for failure points before a part ever reaches the plant floor."
我们带回技术专家，他们在零件到达工厂之前就寻找故障点。
VP Charles Poon（车辆硬件工程副总裁）说得更具体：
"Artificial intelligence is a fantastic tool, but it's only as good as the information you use to train it."
AI是一个fantastic工具，但它只和你用来训练它的信息一样好。
"We didn't pay as much attention as we should have to the experience of our most knowledgeable engineers."
我们没有像应该的那样关注最有经验工程师的经验。
"Mistakenly, we thought that by just introducing artificial intelligence and ingesting the design requirements that we had, that that would produce a high-quality product."
错误地，我们以为只要引入AI并消化设计需求，就能生产出高质量产品。
这三句话，把问题说透了：AI是好工具，但Ford忽略了"最有经验工程师的经验"——那些不是设计需求文档里的数据，而是隐性知识。
为什么AI质检失败了？
The Independent原文有一句话很关键："AI lacked the nuanced judgement when it came to complex problems"。
什么是"nuanced judgement"？
举个例子：质检系统检测零件尺寸、表面缺陷，AI可以做得很好——因为这是标准化、数据充足的任务。但当一个零件在特定温度、特定装配顺序下会出现问题，这个规律不在设计需求文档里，只在老工程师脑子里。
Ford的"gray beards"知道这些failure points在哪。AI不知道，因为没有人把这些经验变成训练数据。Ford有设计需求文档，但缺了"工程师经验"这部分信息——这正是Poon反思的点。
"gray beards"这个词的意味
Ford内部称呼资深工程师为"gray beards"——灰胡子。这个词本身就说明问题：经验=白发，但Ford之前没重视这个价值。
裁掉这些人，用AI替代，以为能省钱、提效（经典的"账面降本，现实爆雷"）。结果赔了数十亿美元，又花钱把他们请回来。
这个循环的成本，远超过一开始保留这些工程师的成本。
J.D. Power数据的意义
J.D. Power年度汽车质量基准调查（Initial Quality Survey）是行业权威指标。Ford首次在16年内成为主流品牌质量第一名，直接证明重聘工程师的效果。
数据不会说话，但数据会证明决策。
Ford激进AI质检那几年，质量排名靠后；重聘工程师后，16年首次第一。这个对比，比任何方法论都更直观。
Ford不会放弃AI，但换了个思路
Ford这次反思后，立场很明确：不放弃AI，但结合人类监督和经验使用。
COO Galhotra说："We brought back technical specialists and they hunt for failure points"——这不是AI替代人，而是AI+人。
VP Poon说："AI is a fantastic tool"——这不是否定AI，而是承认AI的局限。
Ford的未来方向：AI处理标准化质检，老工程师处理复杂问题诊断。AI需要老工程师的经验来训练，老工程师需要AI的效率来放大能力。
协作，不是替代。
其他公司会不会重蹈Ford的覆辙？
Ford的教训，其他公司在看。
制造业、质检、客服、甚至软件开发——激进裁员+AI替代的模式，正在很多行业复制。
Ford的案例给出了一个警示：AI适合标准化、数据充足的场景，不适合"经验驱动"的复杂诊断。
如果一家公司裁掉的是"gray beards"——那些掌握隐性知识的人，AI替代不了他们的价值。因为他们知道的东西，不在任何文档里，只在他们脑子里。
AI到底适合什么、不适合什么？
这个问题，Ford用数十亿美元买了个答案。
质检尺寸、检测缺陷、分类文档——这些标准化任务，AI可以做得很好。因为有历史数据、规则明确，输入输出清晰。给定A，AI就能输出B。
但遇到复杂问题诊断、异常情况识别、需要"gray beards"的failure points预判——这些"经验驱动"的场景，AI束手无策。因为工程师经验、医生直觉、设计师审美，这些隐性知识不在任何文档里，只在他们脑子里。
Charles Poon反思的那句话点破了本质："AI只和你用来训练它的信息一样好"。Ford有设计需求文档，但缺了"gray beards"脑子里的经验——这部分信息永远无法变成训练数据，因为它根本就不在系统里。
国内会不会上演同一出戏？
我看大概率会，而且可能更狠。
国内不少制造企业、客服中心、甚至软件团队，正走在Ford踩过的同一条路上：先上AI系统，再裁"贵"的老员工，理由是"AI能干一样的活，还不要社保"。但Ford这数十亿美元买来的教训恰恰是——AI能干的是"标准化的活"，干不了的是"gray beards脑子里的活"。
更麻烦的是，国内的gray beards往往连"被请回来"的机会都没有。Ford好歹还想得起这些人是谁、人在哪；很多公司裁完一轮，老工程师散了就是散了，那些failure points的隐性知识跟着人一起消失，再也找不回来。这不是降本增效，是把自己的工业记忆格式化了。
所以判断一家公司"AI替代裁员"会不会翻车，有个简单的试金石：被裁的人，脑子里有没有不在任何文档里的东西。有，且没人去把它变成训练数据——那这就是一颗未来的雷。
这个教训，比任何AI方法论都更实际：经验不是数据，是隐性知识。AI需要这些知识，才能从"工具"变成"解决方案"。
身边如果有正在搞"AI替代裁员"的老板、或正推进AI落地却打算顺带裁掉老员工的管理者——把这篇甩给他。几十亿美元的课，Ford替他上了。
来源：
The Independent援引Bloomberg报道：
https://www.the-independent.com/tech/ford-ai-automation-human-workers-b3003787.html
