Ford recontrata inspetores “gray beard” após dificuldades na inspeção de qualidade com IA

• A Ford Motor Co. está trazendo de volta engenheiros veteranos, chamados de “gray beard”, para treinar funcionários mais jovens e complementar ferramentas de IA, em uma tentativa de reduzir problemas crônicos de qualidade
• Nos últimos 3 anos, contratou 350 engenheiros veteranos; muitos são ex-funcionários da Ford e alguns vieram de fornecedores
• Apenas as ferramentas de IA, que não entregaram o desempenho esperado, não foram suficientes para lidar com a qualidade, e os problemas de qualidade geraram custos de bilhões de dólares para a empresa
• Os profissionais recontratados têm a função de transmitir julgamento prático de campo e, ao mesmo tempo, reajustar as ferramentas de IA usadas na resposta a problemas de qualidade
• A Ford ficou em 1º lugar entre as marcas de grande volume na mais recente JD Power Initial Quality Survey, divulgada na quinta-feira

---

Resposta de qualidade complementada por profissionais veteranos

• A Ford Motor Co. está enfrentando seus problemas de qualidade de longa data não apenas com automação, mas também trazendo de volta profissionais experientes
• Os engenheiros que a empresa chama de “gray beard” ajudam no julgamento dos funcionários mais jovens e reprogramam ferramentas de IA que não entregaram os resultados esperados

350 recontratações em 3 anos

• A Ford contratou 350 engenheiros veteranos nos últimos 3 anos
• Entre os contratados há muitos ex-funcionários da Ford, além de engenheiros vindos de fornecedores
• Eles foram alocados para lidar com problemas de qualidade que pareciam difíceis de resolver

Limites das ferramentas de IA e pressão de custos

• As ferramentas de IA da Ford usadas para resolver problemas de qualidade não cumpriram suficientemente o papel esperado
• Os problemas de qualidade geraram para a Ford custos de bilhões de dólares
• A empresa busca usar a experiência dos engenheiros veteranos para complementar tanto as ferramentas de IA quanto a capacidade dos funcionários mais jovens

Resultado da pesquisa da JD Power

• A Ford ficou em 1º lugar entre as marcas de grande volume na mais recente JD Power Initial Quality Survey, divulgada na quinta-feira
• Esse resultado é apresentado junto aos avanços após a recontratação de engenheiros veteranos e a resposta aos problemas de qualidade

[GN⁺]

Opiniões do Hacker News

• Tendo vivido a febre do offshoring de meados dos anos 2000, isso parece estar seguindo quase exatamente a mesma trajetória
  CEOs/CFOs de grandes empresas ficam se gabando para os amigos do golfe sobre “quanto economizaram com mão de obra no exterior”, e na fase 1 demitem gente em massa e mandam o trabalho para fora, inflando os indicadores financeiros por 5 ou 6 trimestres
  Quando chega a fase 2, os funcionários e a organização começam a se deteriorar, e fica claro que barreiras culturais e de comunicação ainda são difíceis de superar com eficiência. Só uma minoria realmente consegue fazer isso bem; para a maioria, não funciona
  Lá pela fase 3, quem tinha capacidade de arrumar outro emprego já foi embora, e a empresa fica como uma casca queimada, desaparecendo naturalmente na fase 5
  • O ponto central é o lucro de curto prazo. Parceiros de empresas como Accenture e Infosys cercam executivos de velhas empresas industriais, e mesmo quando o desempenho da companhia piora, dá para esconder por um tempo com truques contábeis
    Aí um trimestre vai muito mal, o ano fiscal inteiro balança, começa o jogo de empurra, e surgem frases como “apertar o cinto” e “transformar custo fixo em custo variável”
    Nesse momento, a proposta da Big Consulting, que pode ser contabilizada como economia já neste ano fiscal, passa a parecer muito atraente
    As rachaduras aparecem logo: falta gestão de programa/projeto, a qualidade do serviço parece cair mas não há métricas, quando a primeira equipe sai é preciso treinar de novo o pessoal terceirizado, e ninguém consegue nem estimar o tamanho de novos projetos
    Dentro da unidade de negócios surge um departamento de TI paralelo, e a empresa de outsourcing não tem interesse em consolidar fornecedores nem em pressionar outros vendors
    Se a meta for melhorar estrategicamente um departamento de TI cronicamente ruim, isso até pode ter valor, mas quando é uma medida apressada para encobrir problemas no negócio principal, quase nunca funciona
  • O engraçado é que, mesmo quando todo mundo concorda que esse tipo de liderança está quebrado, assim que chegam a posições parecidas de poder e decisão a maioria acaba fazendo exatamente a mesma coisa
  • Isso ainda continua acontecendo, só que agora tentam manter algumas pessoas técnicas internamente. O problema é que o pessoal interno, em teoria, não pode fazer as mudanças diretamente e só pode “ajudar”, então o incentivo para ficar é fraco
  • A solução, obviamente, é superar a barreira cultural com IA. Como ela também traduz, nem vai ser mais necessário que a equipe no exterior fale o idioma da empresa, então dá para cortar ainda mais custos /s
• Mesmo deixando de lado que a própria ideia de demitir funcionários e substituí-los por IA já é míope, a Ford demitiu as pessoas erradas
  LLMs funcionam melhor nas mãos de engenheiros seniores experientes, que já entendem os componentes abaixo e conseguem trabalhar em alto nível de abstração
  Em certo sentido, usar agentes baseados em LLM é como dar instruções a um júnior muito inteligente e rápido, mas com pontos cegos e pouco conhecimento organizacional
  Quem faz isso bem é o sênior; se você demitiu os seniores, mandou embora justamente quem melhor sabe tirar proveito dos LLMs
  • Isso é o básico do básico. Para criar prompts de trabalho arquitetural complexos, você precisa saber a solução pelo menos no nível de abstração
    Se não houver um desenho correto do sistema na sua cabeça, nenhum LLM vai inventar isso do nada
  • Quem disse que a Ford demitiu funcionários? A matéria não diz isso
• Como os modelos ficaram abaixo do hype, isso deve se tornar um desdobramento padrão no geral
  LLMs e agentes ajudam muito a resolver problemas difíceis, mas ainda não estamos no ponto de fazer só design e arquitetura e entregar todo o resto para eles
  Chegamos perto, e em alguns casos de uso específicos isso talvez já seja possível, mas ainda falta muito para trabalho de baixo nível ou migrações em larga escala de grandes empresas
  Eu uso agentes e até agentes de agentes, e mesmo assim ainda há vezes em que pego grandes blocos do projeto e preciso jogar fora como código lixo. Isso com o GLM-5.2
  • Desenvolvimento guiado por documentação ajuda aqui. Uns 75% do meu fluxo de trabalho é gerar documentação em níveis cada vez mais baixos de abstração até isso virar código
    Depois que os testes passam, o código normalmente fica ótimo, limpo, sem bugs e muito bem documentado
    Mas ainda exige intervenção humana contínua e repetitiva
• https://archive.is/DI4Cq
  O The Verge também cobriu isso:
  https://www.theverge.com/transportation/956316/ford-quality-...
  • Todos os veículos deveriam cobrir isso mais
• O motivo de a IA fracassar no chão de fábrica é que SKILL.md e outros métodos de injeção de conhecimento não garantem conformidade. A IA acha que “sabe melhor”
  • Um amigo meu também preparou um monte de mecanismos tipo hook para impedir isso, mas o LLM ainda quebra essas regras às vezes
    Não tenho grandes expectativas de que exista uma solução perfeita para isso
  • Não sei se isso é ironia. Acho que o principal motivo das falhas é que muito conhecimento e experiência são intuitivos e não estão documentados
  • Se conformidade fosse o problema central, nem teria sido necessário inventar um jeito de fazer computadores não seguirem apenas exatamente o que lhes foi mandado
• Engenheiros de software nos EUA precisam de sindicato
  Se ainda não arrumaram emprego em outro lugar, não deveriam voltar sem aumento de 20% e contrato blindado
  • Este setor vive ciclos de alta e baixa. Projetos aparecem e desaparecem, e mesmo em empresas de software isso só é um pouco menos intenso
    Se você aceita um potencial de crescimento mais limitado em troca de estabilidade, talvez TI/administração de servidores seja melhor, porque esse tipo de trabalho continua sendo necessário
• A Ford contratou 350 engenheiros nos últimos 3 anos, e isso aconteceu ao mesmo tempo em que apareciam as limitações do uso de ferramentas de inspeção por IA
  Isso não tem relação com LLMs; quase certamente está falando dos pilotos do MAIVIS e do AiTriz para inspeção visual com redes neurais convolucionais (CNNs) antigas em hardware IBM customizado
  • Exato. Muita gente parece estar perdendo o ponto essencial do timing. O erro foi percebido há 3 anos, e os prazos de antecedência em projeto automotivo e processos de manufatura são longos
    Além disso, a história surgiu porque “a Ford voltou ao topo do ranking da pesquisa de qualidade da JD Power”, então só o atraso na cobertura já acrescenta mais 6 a 18 meses
    Isso coloca o erro original de demissão em algo entre 5 e 8 anos atrás

Não sei quando o tal “piloto da MAIVIS e da AiTriz” foi implementado, mas outra possibilidade é que a equipe de PR da Ford tenha visto que a narrativa de reação contra a IA está em alta e a tenha enfatizado de forma oportunista para explicar um evento de notícias positivo que provavelmente teve várias causas
Pessoalmente, acho que essas matérias com o tema de “reação contra a IA” devem ser vistas com tantas ressalvas quanto o tema de “cortes por causa da IA”, que as empresas antes usavam para justificar demissões que já queriam fazer de qualquer forma

• O título enviado foi “Ford rehires 350 engineers after AI fails to preserve expertise or train juniors”, mas a matéria não diz isso
  Ao autor do envio: “Please submit the original source. If a post reports on something found on another site, submit the latter.” - https://news.ycombinator.com/newsguidelines.html
  Agora ele foi revertido para o título original da matéria
  Além disso, veículos às vezes mudam o título de uma matéria, então normalmente quem enviou seguiu as diretrizes, mas às vezes levamos um tempo para acompanhar
• Sim, isso não parece ter relação com IA. Espero que este comentário vá para o topo
• A primeira tentativa falhou, então recuaram, mas depois de algum tempo vão tentar de novo e demitir essas pessoas outra vez
  • O sonho da máquina de trabalho perpétuo é algo pelo qual os capitalistas são obcecados a ponto de destruir até o planeta em busca de uma fantasia. Os opressores precisam parar
• Existem dois tipos de conhecimento. Há o conhecimento explícito, que pode ser facilmente codificado em arquivos Markdown ou wikis, e o conhecimento tácito, que está principalmente incorporado na experiência das pessoas da organização
  O conhecimento explícito é como a ponta do iceberg do conhecimento organizacional
  • Esse conhecimento tácito não tem um valor facilmente quantificável e não aparece no demonstrativo de resultados, então a maioria dos executivos não o leva em conta
    Vi isso se repetir ao longo de toda a minha carreira. Quando alguém sai ou acontece uma demissão e isso não é considerado, a empresa acaba correndo atrás para descobrir processos que alguém vinha tocando ou mantendo em silêncio por anos e nos quais ninguém mais pensava
  • Talvez desse para usar um processo de destilação. Tipo fazer a IA ficar perguntando repetidamente ao engenheiro sênior, embora isso obviamente não devesse acontecer. Como espremer óleo de uma oliva
• Pensando de forma simples. Se há uma empresa em que 100 funcionários constroem 12 casas ao mesmo tempo, ela pode experimentar trocar uma equipe de estrutura de 6 pessoas por uma equipe de 2 pessoas + 1 robô
  Pode fazer vários experimentos para ver se existe uma opção melhor, e o preço disso recai sobre 4 funcionários
  Se for uma empresa em que 1000 funcionários constroem 100 casas ao mesmo tempo, ela pode cortar umas 12 pessoas para montar 3 equipes com robôs
  Mesmo que seja uma empresa com 10 mil funcionários construindo 1000 casas ao mesmo tempo, para o experimento ainda bastariam algumas equipes, e o número de pessoas afetadas ficaria em algo como 20 a 30
  O espantoso é a empresa se distanciar tanto assim do próprio negócio a ponto de não conseguir entender o impacto de uma mudança sem um dano em massa dessa escala