Ford重新聘用350名資深工程師：AI品管系統失準後的製造業糾偏實錄

Ford的VP Charles Poon說了一句值得刻在牆上的話：「我們以為只要導入AI、把設計需求餵進去，就能產出高品質產品。」結果沒有。

Ford近期公開承認，公司在品質管控上「愈來愈依賴自動化系統」，結果讓人失望。為了糾偏，他們回頭招募了350名資深工程師——有些是前員工，有些來自供應鏈廠商——讓這批被稱為「gray beard」（灰鬍子）的老師傅在零件進廠之前先獵出失效點。不是培訓AI、不是升級算法，是把人請回來。

這件事最關鍵的地方不是Ford踩了坑，而是他們踩的是哪種坑。製造業AI導入的主流敘事是：把歷史數據餵進去，讓模型學習品管標準，讓自動化系統取代人工判斷。Ford做了，然後品質沒有達標。COO Kumar Galhotra的說法是「令人失望的結果（disappointing results）」——這是高管公開說的，不是外部批評。問題很可能出在「設計需求文件」和「實際製造現場的隱性知識」之間的落差：一個老師傅看到某個零件的表面紋路就知道夾具有沒有偏，這種判斷沒辦法直接從規格書裡學到。

Ford的解法不是拋棄AI，而是用這批老工程師做兩件事：一是帶年輕員工，二是重新訓練AI工具——也就是說，要先有人的判斷，才能有品質更好的訓練資料。這個邏輯翻轉了常見的「AI取代人、人退場」路線，變成「人先進場、替AI打地基」。結果目前看起來有效：Ford預計今年可因此省下10億美元成本，並在本週公布的JD Power初始品質調查中拿下主流品牌第一。

對亞太製造業決策者而言，這個案例的警示不是「AI沒用」，而是「AI無法自動繼承現場知識」。製造現場的品質判斷有大量靠默會知識（tacit knowledge）運作的環節，這些知識既沒有被寫進設計文件，也沒有被系統性地轉化為訓練資料。如果在這個基礎還沒打好的狀態下就大規模替換人工，AI系統等於在一個不完整的知識基礎上做判斷，失準是可以預期的結果，不是意外。Ford花了多少時間和成本才走到「把人請回來」這一步，報導沒有說清楚，但光是350人的規模加上10億美元的預期效益，就足以說明這個糾偏動作的重量。台灣供應鏈廠商若正在評估品質管控的AI化路徑，這個案例值得當作壓力測試的參照：現場老師傅的知識有沒有被系統性萃取？還是只是把規格書丟進模型就算導入完成？