Bloomberg reportó el 25 de junio que Ford ha estado recontratando a ingenieros veteranos de control de calidad después de que sus herramientas IA fallaran en detectar problemas críticos. La cifra acumulada en los últimos 3 años: alrededor de 350 ingenieros reincorporados, muchos ex-empleados con 20-30 años de experiencia. Ford les llama internamente "gray beard engineers". El resultado: la marca acaba de liderar el JD Power Initial Quality Survey 2026 por primera vez desde 2010.
Lo que ha pasado
Ford apostó hace unos años por automatizar parte del control de calidad de producción con sistemas IA (visión artificial para inspección, modelos predictivos de defecto, generadores automáticos de especificaciones). El reporte de Bloomberg apunta que esos sistemas se quedaron cortos en escenarios reales. Defectos sutiles que un veterano detecta de oído o de tacto. Casos de borde con materiales nuevos. Variabilidad de producción que los modelos no habían visto en datos de entrenamiento.
Ejecutivos de Ford lo reconocieron con honestidad poco habitual: habían creído que simplemente "injerir requisitos de diseño" en un sistema de IA produciría calidad sin necesidad del expertise de técnicos experimentados. No funcionó. Los problemas de calidad de los años previos costaron a Ford miles de millones en garantías y recalls.
Los veteranos recontratados no han sustituido a la IA. Hacen tres cosas. Entrenan a personal joven en detección fina (transfiriendo conocimiento tácito que tardaría años en aparecer sin mentor). Reprograman y ajustan las herramientas IA existentes (les dan los casos de borde que los datos públicos no contenían). Lideran troubleshooting profundo en fallos donde los sistemas automáticos solo dicen "algo va mal" sin diagnosticar.
La lección que se está repitiendo
Este patrón aparece cada vez más en empresas que hicieron "AI-first" demasiado rápido. Hay clases de tareas donde el coste de un error es alto (un recall automotriz cuesta entre 100 y 500 dólares por vehículo, multiplicado por flota afectada puede ser cientos de millones). Tareas donde la variabilidad es grande (cada lote de material, cada cambio de proveedor introduce ruido). Tareas donde el conocimiento tácito acumulado es difícil de capturar en datos históricos.
Manufactura de precisión, diagnóstico clínico, auditoría financiera, control aéreo, ciberseguridad ofensiva. Todas en la misma categoría. TechCrunch lo describió como el primer U-turn público de una OEM grande, pero probablemente no será el último.
No es que la IA no sirva. Es que el modelo "humano fuera del bucle" no aguanta en estos dominios. El modelo que sí aguanta: IA hace el 80% del volumen rutinario con alta confianza, humano experto revisa el 20% sospechoso, los datos de esa revisión realimentan al sistema. Este es el patrón que las empresas que lo están haciendo bien (Stitch Fix, Stripe Radar, parte de Mayo Clinic) llevan años perfeccionando.
Por qué importa
Si lideras operaciones, ventas, soporte o cualquier función donde estés tentado de "automatizar a Pepe" porque la IA ya hace su trabajo, la lección Ford es exactamente la advertencia que necesitas. El ahorro de costes en headcount puede convertirse en pérdida mayor por errores no detectados, daño de marca o regulación que llega después.
Para una empresa de 50 empleados que está evaluando eliminar 3-5 posiciones "porque la IA las hace": calcula primero el coste esperado de un error no detectado en el peor escenario (pérdida de cliente top, multa regulatoria, recall, fuga de datos). Si esa cifra es más de 6-12 meses del salario que ibas a ahorrar, el cálculo no compensa. Para una empresa de 300+ empleados, la asimetría es aún mayor: una sola crisis de calidad puede costar el equivalente a 20-50 plazas.
Para Barner (operaciones físicas, logística, calidad de producto) este caso es directamente aplicable. Un AI inspector de fotos de pedidos puede ayudarte a sacar volumen, no a quitar el ojo humano final en SKUs nuevos o lotes problemáticos. El día que falle, falla en serie y todos los clientes se enteran a la vez vía redes sociales. El coste de mantener 1 inspector humano experto cerca del proceso (60-80k EUR/año) es trivial frente al riesgo de una ola de devoluciones masiva (fáciles 200-500k EUR de impacto directo más daño de marca a 12 meses).
Qué hacer
- Antes de eliminar un puesto porque "la IA lo hace": define el plan de revisión humana de los outputs y mide tasa de errores en 3-6 meses reales (no en pilotos controlados con casos fáciles). Documenta el coste máximo posible de un error no detectado y compara con el ahorro de la plaza.
- Identifica qué conocimiento tácito tiene la persona que estás pensando en sustituir (criterios no escritos, intuición sobre proveedores, detección fina de anomalías). Si no lo tienes documentado en wiki, vídeo o playbook, no estás listo para automatizar. Inviertes 2-4 semanas en capturarlo o pagarás 6-12 meses recontratando.
- Mantén a los veteranos como reviewers de la IA, formadores de los junior y troubleshooters de casos raros, no como obstáculo a quitar. El coste de tenerlos cerca (incluso a media jornada o como consultores externos) es menor que el coste de tener que volver a contratarlos cuando ya se han ido a la competencia.