Trzysta pięćdziesiąt osób z doświadczeniem mierzonym w dekadach, w tym byli pracownicy oraz specjaliści wypożyczeni od dostawców, wraca właśnie do Forda na konkretne stanowiska inżynierskie. Powód jest tym ciekawszy, im uważniej się na niego patrzy. Koncern przyznał wprost, że stawiał ostatnio na automatyczne systemy kontroli jakości oparte na AI i nie dostał z nich tego, czego oczekiwał. To nie jest jednak deklaracja porzucenia sztucznej inteligencji w fabryce, ponieważ wraca tu nie tyle stara praca, ile stara wiedza. Doświadczeni inżynierowie mają znajdować punkty awarii, których automaty nie zauważają, szkolić młodszych kolegów i pomagać przeprogramować same narzędzia AI tak, by w końcu mówiły to, co naprawdę dzieje się na linii. Z perspektywy całej branży to jeden z ciekawszych sygnałów ostatnich miesięcy. Pokazuje on, że wdrażanie AI w procesach krytycznych dopiero teraz uczy się trudnej różnicy między zastąpieniem eksperta a wzmocnieniem eksperta technologią.
Co właściwie zrobił Ford
Decyzja brzmi w komunikatach prosto, ale jej waga ujawnia się dopiero w detalach. Trzystu pięćdziesięciu specjalistów z dużym stażem wraca do firmy, część jako byli pracownicy, część jako eksperci wypożyczeni od dostawców. Nie są to klasyczne miejsca przy taśmie. To role pomiędzy projektowaniem, dostawcą i jakością. W codziennej pracy oznacza to ręczne audytowanie podzespołów, analizę raportów odrzutów oraz korygowanie tego, co system kontroli pokazuje, a czego nie pokazuje. Według wypowiedzi cytowanych przez Bloomberga i TechCrunch przedstawiciele kierownictwa Forda, w tym COO Kumar Galhotra, mówią wprost, że poleganie na automatycznym wglądzie w jakość nie dało wyników na poziomie, którego firma od siebie oczekuje. Z tego powodu doświadczony inżynier znów staje się pierwszym filtrem przed dostawą, a automatyczny system pełni rolę wsparcia, nie samodzielnego sędziego.
Dlaczego AI nie wystarczyło do kontroli jakości
Wbrew prostym tytułom, problem nie leży w tym, że modele AI są słabe. Problem leży w tym, że dobre modele AI potrzebują dobrego sygnału z rzeczywistości. W fabryce ten sygnał jest mieszanką kilku warstw. To dźwięk silnika, mikroskopijny luz w złączu, błędna tolerancja u dostawcy spoza pierwszej setki. Do tego dochodzi intuicja człowieka, który widział już raz, jak ta sama wada zatrzymała linię na trzy zmiany.
Wiedza ukryta, której nie da się zassać do bazy danych
Częścią tej rzeczywistości jest wiedza ukryta, po angielsku “tacit knowledge”. To umiejętność, której nikt nigdy nie spisał. Doświadczony inżynier wie, że konkretny dostawca w trzecim tygodniu października historycznie zwalnia tempo audytów wewnętrznych, dlatego partia z tego okna częściej miewa odchyłki. Model AI tej wiedzy nie ma, ponieważ nigdy nie pojawiła się ona w żadnym raporcie. Nawet najlepszy system kontroli oparty na danych pracuje dopiero na tym, co zostało skatalogowane.
Automatyzacja procesu, którego nie da się dobrze zmierzyć
Drugie źródło problemu jest bardziej fundamentalne. Aby zautomatyzować ocenę jakości, organizacja musi najpierw umieć tę jakość dobrze mierzyć. Tymczasem w wielu zakładach jakość mierzy się pośrednio – przez stopień reklamacji, średni czas przestoju, liczbę odrzuconych partii. To z kolei metryki opóźnione, a model uczący się na nich będzie zawsze o kilka tygodni za prawdziwym stanem linii. Z publicznych wypowiedzi Forda nie wynika wprost, że firma diagnozuje swój problem właśnie tak. Wynika za to, że automatyczna kontrola nie dawała wyników, których koncern od niej oczekiwał. Podobne zjawisko obserwowaliśmy w debacie o tym, dlaczego wielu pracowników odmawia korzystania z AI w codziennej pracy, gdy narzędzia są wdrażane bez przepracowania samego procesu.
Wzmocnienie eksperta vs zastąpienie eksperta
Kluczowa lekcja z decyzji Forda dotyczy nie konkretnej technologii, lecz filozofii wdrożenia. W ostatniej dekadzie wiele zarządów dało się przekonać, że AI w jakości oznacza zastąpienie inżyniera. Tymczasem najlepiej działające wdrożenia z ostatnich lat budują układ, w którym AI pełni rolę nieznużonego asystenta. Wyłapuje wzorce, zgłasza anomalie, ale to człowiek decyduje, czy zatrzymać linię, czy zlecić audyt do dostawcy. Ten model bywa nazywany “human-in-the-loop” i dziś wraca z hukiem w dyskusji o produkcji. Ford pokazuje go w skrajnie konkretnym wydaniu – trzystu pięćdziesięciu ludzi staje obok systemu, nie zamiast niego. Z kolei systemy AI w jakości dostają od nich nową pętlę zwrotną – prawdziwy ekspert, który wskazuje, gdzie model się myli i dlaczego.
Co znaczy to dla polskich firm produkcyjnych
Polski przemysł, szczególnie motoryzacyjny dostawca pierwszego rzędu i jego poddostawcy, słucha dziś Forda z większą uwagą niż słuchałby firmy z Doliny Krzemowej. Pierwszą lekcją jest ostrożność wobec sprzedawców obiecujących “AI quality control bez udziału człowieka”. To często rozwiązanie szukające problemu, a nie odwrotnie. Drugą lekcją jest natomiast waga ekspertów z dwudziestoletnim stażem. W wielu polskich zakładach kadra ta odchodzi obecnie na emeryturę bez wymiany pokoleniowej. W rezultacie próba zastąpienia jej algorytmem prowadzi do dokładnie takiego samego problemu, na który natknął się Ford. Trzecia lekcja dotyczy z kolei sekwencji wdrożenia AI – najpierw audyt sposobu mierzenia jakości, dopiero potem warstwa modelu. Czwarta lekcja jest natomiast najtrudniejsza dla działów HR. Pracownik z wieloletnim doświadczeniem to nie koszt, lecz aktywo. Organizacja nie umie go wycenić, dopóki nie pojawi się sytuacja, w której tylko on ją ratuje. Podobny wątek pojawiał się przy analizie polskiego rynku junior IT w erze automatyzacji n8n, tylko że tam dotyczył odwrotnego końca kariery.
Pierwsza Misja AI · Kodożercy
Używasz AI codziennie, ale czy robisz to dobrze?
Kurs Pierwsza Misja AI pokaże Ci techniki promptowania, które naprawdę działają. Praktyczne ćwiczenia z prawdziwym GPT-4, gamifikacja i certyfikat.
Sprawdź program kursu →
Podsumowanie
Decyzja Forda jest często streszczana jednym dramatycznym zdaniem o tym, że ktoś zwolnił AI i przywrócił ludzi. To uproszczenie krzywdzi obie strony. Z jednej strony AI nie zostało stąd wyrugowane. Zostało jedynie odciążone z odpowiedzialności, której organizacja nie umiała na nie spójnie przekazać. Z drugiej, trzysta pięćdziesiąt osób nie wraca po to, by ręcznie liczyć śruby. Wracają z wiedzą, której fabryka nigdy nie miała w żadnej bazie danych. Dla wielu polskich zarządów, które dziś budują plany radykalnej automatyzacji jakości, to dobry moment, aby przejrzeć własne projekty. Pytanie nie brzmi, czy używać AI w kontroli jakości, ponieważ to dziś jest oczywiste. Pytanie brzmi, kogo nie zwolnimy w trakcie wdrożenia tylko po to, by za rok ściągać go z rynku za znacznie wyższą stawkę.
Newsletter · DevstockAcademy & Kodożercy
Bądź na bieżąco ze światem IT, AI i automatyzacji
Co wtorek: newsy z branży, praktyczne tipy i narzędzia które warto znać. Zero spamu.
