Ford despidió ingenieros, apostó por la IA y pagó miles de millones por el error

La idea que parecía brillante

Hay un momento en todas las grandes cagadas corporativas en el que la idea original sonaba perfectamente razonable en una sala de reuniones.

En el caso de Ford, el razonamiento era este: tenemos ingenieros con décadas de experiencia revisando especificaciones, aprobando piezas y cazando defectos antes de que lleguen a producción. Ese proceso es lento, caro y depende de que las personas estén en el sitio correcto en el momento correcto. ¿Y si la IA procesa los requisitos de diseño más rápido, sin fatiga, sin sesgos y sin nómina de senior?

Sobre el papel, el argumento tiene lógica. El problema está en lo que queda fuera del papel.

Ford llevaba años reduciendo plantilla. Según los datos disponibles, en el momento en que estalló el problema contaba con más de 5.000 empleados menos que en 2020. No hubo un día en que alguien firmara una orden de "despide a los ingenieros y mete IA". Fue una reducción gradual, acelerada por la confianza en que los sistemas automatizados podrían absorber el trabajo que antes hacían los veteranos.

El CEO Jim Farley lo había dicho sin rodeos: la IA "va a reemplazar literalmente a la mitad de todos los trabajadores de cuello blanco en Estados Unidos". Cuando el máximo ejecutivo de una empresa habla así, la señal hacia abajo es clara. Y Ford actuó en consecuencia.

Lo que la IA no sabe que no sabe

Aquí está el matiz que la mayoría de los análisis de automatización ignoran: los sistemas de IA en control de calidad industrial no fallan porque sean estúpidos. Fallan porque son literales.

Un ingeniero con veinte años en una línea de producción ha visto piezas que cumplían todas las especificaciones técnicas y aun así sabía que algo no cuadraba. Ese conocimiento no está en ningún manual. No está en los requisitos de diseño. Está en la memoria acumulada de haber visto cómo ciertos materiales se comportan de forma diferente bajo ciertas condiciones, cómo una tolerancia que está dentro del margen técnico puede ser problemática en combinación con otra pieza que también está dentro del margen técnico.

Los sistemas de IA de Ford procesaban specs. Aprobaban lo que técnicamente debía aprobarse. El problema es que la realidad de una línea de producción tiene una complejidad que no está en los requisitos de diseño.

Charles Poon, vicepresidente de ingeniería de hardware de vehículos de Ford, lo admitió ante periodistas con una claridad inusual para un ejecutivo de esa categoría:

"Erróneamente, pensamos que simplemente introduciendo inteligencia artificial y ajustando los requisitos de diseño, produciríamos un producto de alta calidad."

Esa frase vale más que cualquier análisis externo porque viene de dentro. Poon no estaba culpando a la tecnología. Estaba describiendo un error de comprensión sobre lo que la tecnología puede y no puede hacer.

El concepto que usó Kumar Galhotra, director de operaciones, fue "juicio matizado". Los sistemas carecían de él. Y eso, en control de calidad de vehículos, se traduce en piezas aprobadas que luego fallan de formas que ningún algoritmo había visto antes porque nadie le había enseñado a verlas.

El agujero que nadie quería calcular

El daño no fue abstracto. Ford terminó liderando los rankings de recalls (retiradas de vehículos) en Estados Unidos en lo que iba de 2026. Más retiradas que cualquier otro fabricante. Eso es un número concreto y verificable, y sus consecuencias son dobles: el coste directo de las retiradas y el coste reputacional de que tu marca aparezca en los titulares por problemas de calidad más que ninguna otra.

Los rankings de fiabilidad también cayeron. En un mercado donde la percepción de calidad tarda años en construirse y meses en destruirse, eso es un daño que no se repara con un comunicado de prensa.

Lo que no hay son cifras exactas del coste total. No se ha publicado un desglose del impacto financiero específicamente atribuible al período de automatización a ciegas. Lo que sí está claro, según la cobertura de Futurism de junio de 2026, es que el problema fue lo suficientemente gordo como para que Ford tomara medidas de emergencia.

Y las medidas de emergencia en este caso tenían nombre: los llamaron gray beards.

Los gray beards: el parche que nadie quería necesitar

Cuando una empresa tecnológicamente avanzada tiene que salir a buscar a los veteranos que dejó ir, hay algo que no cuadra en la narrativa original.

Ford recontrató, contrató de nuevo o promocionó a 350 ingenieros experimentados. La cifra la dio Poon, y es importante leerla bien: no son 350 recontrataciones puras. Incluye nuevas incorporaciones y promociones internas. Lo que se desconoce es la proporción exacta de cada categoría. Lo que sí se sabe es que el objetivo era claro: meter criterio humano en el proceso de control de calidad que había quedado en manos de sistemas que no tenían suficiente contexto para hacer el trabajo bien.

El problema con los gray beards (los veteranos con décadas de experiencia) no es solo encontrarlos. Es que el conocimiento que tienen no se transfiere fácilmente. Parte de lo que hace valioso a un ingeniero con veinte años en producción es precisamente lo que no puede articular: el instinto calibrado por miles de horas de trabajo real.

Aquí está la trampa estructural del caso Ford que va más allá del error concreto: los trabajadores experimentados se fueron antes de que la empresa pudiera transferir su conocimiento a los sistemas de IA. No hubo un período de transición en el que los veteranos entrenaran a los algoritmos con sus casos extremos, sus anomalías, sus "esto técnicamente pasa pero yo sé que algo está mal".

Se fueron y se llevaron el conocimiento con ellos. Y cuando Ford intentó que la IA lo recreara desde los requisitos de diseño, descubrió que los requisitos de diseño son una representación incompleta de la realidad de producción.

La paradoja del primer puesto en JD Power

Aquí viene el dato que parece contradictorio hasta que lo lees bien.

Simultáneamente al período en que Ford admitía su error y emprendía la recontratación masiva, la empresa obtuvo el primer puesto en el ranking de calidad inicial de JD Power por primera vez en casi dos décadas.

¿Cómo se explica eso?

La respuesta está en los tiempos. El ranking de JD Power mide la calidad inicial de los vehículos nuevos (problemas reportados en los primeros 90 días). Los recalls y los problemas de fiabilidad a largo plazo son otra métrica. Es perfectamente posible que las mejoras introducidas con los gray beards y el nuevo enfoque de control de calidad se reflejaran en los vehículos más recientes, mientras que los problemas acumulados del período de automatización a ciegas seguían manifestándose en vehículos ya en circulación.

No son datos contradictorios. Son datos de períodos distintos de un mismo proceso de corrección.

Lo que el primer puesto en JD Power demuestra es que el enfoque funciona cuando se aplica bien. Y lo que los recalls récord demuestran es el coste de haberlo aplicado mal durante el período anterior.

Lo que Ford hizo bien después de haberlo hecho mal

Hay un detalle en esta historia que se pierde fácilmente entre los titulares del desastre: Ford no tiró la IA por la ventana.

Después de admitir el error, la empresa añadió más de 100.000 nuevas pruebas impulsadas por IA para identificar casos extremos y estresar los sistemas de software. No es un abandono de la tecnología. Es un cambio de rol: la IA deja de ser el juez final y pasa a ser una herramienta de detección que trabaja con supervisión humana.

Esa distinción importa. Un sistema de IA que genera 100.000 pruebas para que un ingeniero las evalúe y decida es fundamentalmente diferente a un sistema de IA que aprueba o rechaza piezas de forma autónoma basándose en requisitos de diseño.

El primero amplifica la capacidad del ingeniero. El segundo intenta reemplazarla. Y como demuestra el caso Ford, la diferencia entre los dos enfoques puede medirse en miles de millones de dólares y en el número de vehículos que tienes que retirar del mercado.

Este es exactamente el tipo de distinción que marca la diferencia entre empresas que usan la IA como herramienta y empresas que la usan como excusa para reducir costes a corto plazo. Si te interesa cómo ese error de planteamiento se repite en otros sectores, el análisis de gobernanza de IA a escala y sus fallos reales lo desglosa con más detalle técnico.

Lo que otras empresas pueden aprender sin pagar la matrícula de Ford

El caso Ford no es un argumento contra la IA en procesos industriales. Es un argumento contra una comprensión superficial de lo que la IA puede hacer.

Hay un patrón que se repite en los fracasos de automatización: la empresa identifica una tarea que parece mecánica y repetitiva, decide que un sistema automatizado puede hacerla igual de bien o mejor, y reduce el personal que la hacía. El error está en la clasificación inicial. Lo que parecía mecánico tenía dentro una capa de criterio acumulado que no era visible hasta que desapareció.

En el caso de Ford, esa capa invisible era la capacidad de los ingenieros veteranos para detectar problemas que no estaban en los requisitos de diseño. En otros sectores, esa capa puede ser diferente, pero el mecanismo del error es el mismo.

La pregunta útil antes de automatizar no es "¿puede la IA hacer esto?". La pregunta útil es "¿qué parte de esto que parece mecánico tiene dentro criterio que no está documentado en ningún sitio?". Y la forma de responderla no es preguntársela al proveedor de IA. Es preguntársela a los trabajadores que llevan años haciendo la tarea.

Ford aprendió eso tarde. Los 350 ingenieros que tuvo que buscar de urgencia son la prueba de que el conocimiento no desaparece cuando se va una persona: se va con ella. Y recuperarlo cuesta más (en tiempo, en dinero y en reputación) que haberlo preservado desde el principio.

El matiz que separa una automatización inteligente de una catástrofe cara no es la calidad del modelo de IA. Es si la empresa entiende lo que está automatizando de verdad, no solo lo que aparece en los requisitos de diseño. Y eso, de momento, sigue siendo territorio humano. Como bien ilustra la frontera dentada de la IA, los sistemas fallan precisamente donde nadie los espera: en los bordes irregulares que no salen en el manual.