Bloomberg reporto el 25 de junio que Ford ha estado recontratando a ingenieros veteranos de control de calidad despues de que sus herramientas IA fallaran en detectar problemas criticos. La cifra acumulada en los ultimos 3 anos: alrededor de 350 ingenieros reincorporados, muchos ex-empleados con 20-30 anos 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 aposto hace unos anos por automatizar parte del control de calidad de produccion con sistemas IA (vision artificial para inspeccion, modelos predictivos de defecto, generadores automaticos de especificaciones). El reporte de Bloomberg apunta que esos sistemas se quedaron cortos en escenarios reales. Defectos sutiles que un veterano detecta de oido o de tacto. Casos de borde con materiales nuevos. Variabilidad de produccion que los modelos no habian visto en datos de entrenamiento.
Ejecutivos de Ford lo reconocieron con honestidad poco habitual: habian creido que simplemente "injerir requisitos de diseno" en un sistema de IA produciria calidad sin necesidad del expertise de tecnicos experimentados. No funciono. Los problemas de calidad de los anos previos costaron a Ford miles de millones en garantias y recalls.
Los veteranos recontratados no han sustituido a la IA. Hacen tres cosas. Entrenan a personal joven en deteccion fina (transfiriendo conocimiento tacito que tardaria anos en aparecer sin mentor). Reprograman y ajustan las herramientas IA existentes (les dan los casos de borde que los datos publicos no contenian). Lideran troubleshooting profundo en fallos donde los sistemas automaticos solo dicen "algo va mal" sin diagnosticar.
La leccion que se esta repitiendo
Este patron aparece cada vez mas en empresas que hicieron "AI-first" demasiado rapido. Hay clases de tareas donde el coste de un error es alto (un recall automotriz cuesta entre 100 y 500 dolares por vehiculo, 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 tacito acumulado es dificil de capturar en datos historicos.
Manufactura de precision, diagnostico clinico, auditoria financiera, control aereo, ciberseguridad ofensiva. Todas en la misma categoria. TechCrunch lo describio como el primer U-turn publico de una OEM grande, pero probablemente no sera el ultimo.
No es que la IA no sirva. Es que el modelo "humano fuera del bucle" no aguanta en estos dominios. El modelo que si aguanta: IA hace el 80% del volumen rutinario con alta confianza, humano experto revisa el 20% sospechoso, los datos de esa revision realimentan al sistema. Este es el patron que las empresas que lo estan haciendo bien (Stitch Fix, Stripe Radar, parte de Mayo Clinic) llevan anos perfeccionando.
Por que importa
Si lideras operaciones, ventas, soporte o cualquier funcion donde estes tentado de "automatizar a Pepe" porque la IA ya hace su trabajo, la leccion Ford es exactamente la advertencia que necesitas. El ahorro de costes en headcount puede convertirse en perdida mayor por errores no detectados, dano de marca o regulacion que llega despues.
Para una empresa de 50 empleados que esta evaluando eliminar 3-5 posiciones "porque la IA las hace": calcula primero el coste esperado de un error no detectado en el peor escenario (perdida de cliente top, multa regulatoria, recall, fuga de datos). Si esa cifra es mas de 6-12 meses del salario que ibas a ahorrar, el calculo no compensa. Para una empresa de 300+ empleados, la asimetria es aun mayor: una sola crisis de calidad puede costar el equivalente a 20-50 plazas.
Para Barner (operaciones fisicas, logistica, 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 problematicos. El dia que falle, falla en serie y todos los clientes se enteran a la vez via redes sociales. El coste de mantener 1 inspector humano experto cerca del proceso (60-80k EUR/ano) es trivial frente al riesgo de una ola de devoluciones masiva (faciles 200-500k EUR de impacto directo mas dano de marca a 12 meses).
Que hacer
- Antes de eliminar un puesto porque "la IA lo hace": define el plan de revision humana de los outputs y mide tasa de errores en 3-6 meses reales (no en pilotos controlados con casos faciles). Documenta el coste maximo posible de un error no detectado y compara con el ahorro de la plaza.
- Identifica que conocimiento tacito tiene la persona que estas pensando en sustituir (criterios no escritos, intuicion sobre proveedores, deteccion fina de anomalias). Si no lo tienes documentado en wiki, video o playbook, no estas listo para automatizar. Inviertes 2-4 semanas en capturarlo o pagaras 6-12 meses recontratando.
- Manten a los veteranos como reviewers de la IA, formadores de los junior y troubleshooters de casos raros, no como obstaculo 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.