Alexandre Izefler

ai-native

A Ford demitiu a fonte da própria IA

A Ford apostou que introduzir IA e ajustar os requisitos de projeto bastaria para ter qualidade. Furou, e ela pagou centenas de milhões para trazer 350 engenheiros de volta. O erro não foi o modelo. Foi automatizar antes de capturar o que os veteranos sabiam.

Alexandre Izefler
ai-nativespec-driven-developmentgovernanca

A Ford demitiu a fonte da própria IA

Em julho do ano passado, o CEO da Ford, Jim Farley, subiu num palco em Aspen e soltou uma frase que rodou o mundo. A inteligência artificial ia substituir metade, literalmente metade, dos trabalhadores de colarinho branco dos Estados Unidos. Menos de um ano depois, a própria Ford pagou centenas de milhões de dólares para trazer 350 engenheiros de volta. Gente experiente que ela mesma tinha deixado ir.

Dá pra ler essa história pela ironia, e a internet leu. Mas a ironia é a parte chata. O que me prendeu foi o motivo técnico da aposta ter furado, porque ele repete, na indústria pesada e cheia de aço, exatamente o erro que eu vejo em projeto de software com IA quase toda semana.

O erro não foi a IA, foi a ordem das coisas

Quem explicou o que aconteceu foi Charles Poon, VP de engenharia de hardware da Ford. A frase dele é quase uma confissão. Eles acharam que, só de introduzir inteligência artificial e alimentar o modelo com os requisitos de projeto que já tinham, sairia um produto de qualidade. Não saiu.

O detalhe que muda tudo está no que veio antes. Boa parte dos engenheiros mais tarimbados da Ford saiu da empresa antes que o conhecimento deles fosse parar dentro dos sistemas que deveriam substituí-los. A companhia cortou por volta de 5.300 posições assalariadas desde 2020. Quando foi ligar a IA, faltava o principal, que era a experiência que aquela gente carregava na cabeça. Sem essa base, o modelo fazia o que modelo faz quando a entrada é pobre. Ele amplificava input fraco em vez de pegar a falha de projeto.

Repare que ninguém aqui está dizendo que a IA é ruim. O próprio Poon resume bem. A inteligência artificial é uma ferramenta fantástica, mas ela vale só o quanto vale a informação com que você a treina. A Ford apertou o botão de automatizar antes de guardar a informação que faria a automação prestar. Inverteu a ordem, e a conta chegou depois, fora da planilha do corte.

A parte da especificação que mora na cabeça de quem faz

Aqui está o ponto que eu queria trazer, e ele vai muito além de carro.

A Ford tinha os requisitos de projeto escritos. Documento, norma, planilha, tudo no lugar. E mesmo assim o resultado saiu ruim. Por quê? Porque o requisito escrito nunca é a especificação inteira. Uma fatia enorme do que um engenheiro sênior sabe não está em documento nenhum. Está no faro. É a capacidade de olhar uma peça e desconfiar de um ponto de falha antes de ela chegar na linha de montagem. Isso não estava nos requisitos que a Ford ingeriu no modelo. Estava na cabeça de quem ela mandou embora.

É o mesmo buraco que eu vejo quando um time acha que "documentou o processo" e agora pode entregar tudo pra um agente. O que foi documentado é a casca. O julgamento que separa o output confiante e errado do output certo mora em outro lugar, e quase nunca foi escrito. Eu escrevo bastante por aqui sobre spec como fonte, sobre tratar a intenção como artefato de primeira classe. A história da Ford é a prova pelo avesso. Ela mostra o tamanho do prejuízo quando você trata o requisito raso como se fosse a especificação completa, e joga a IA em cima disso.

No fundo é o paradigma 70/30 aparecendo num galpão industrial. A execução, a IA cobre. Os 70% que continuam sendo humanos são a intenção bem-feita na entrada e o julgamento que valida a saída. A Ford cortou justamente essa camada e depois se surpreendeu que os 30% automatizados, sozinhos, não fechavam a conta.

Consertar foi refazer a fonte, não trocar o modelo

A parte mais reveladora vem no conserto, porque ele diz onde a empresa achou que estava o valor de verdade.

A Ford não trocou de modelo nem comprou uma IA melhor. Ela trouxe os veteranos de volta e botou essa gente pra fazer três coisas concretas. Reconstruir os pipelines de dados que alimentam a IA, ou seja, refazer a fonte. Formar os mais novos, transferindo o tal faro que nunca esteve em documento. E caçar pontos de falha na mão, antes de a peça chegar ao chão de fábrica. O COO Kumar Galhotra foi seco ao admitir que a empresa vinha se apoiando cada vez mais em sistemas automáticos de qualidade e não colhia resultado.

Olhe esse desenho de novo. Uma camada humana que verifica antes de o problema virar defeito caro. Um separando quem faz de quem confere. É o mesmo princípio que eu defendo pra loop de agente, agora fundido em metal. E funcionou. A Ford chegou ao topo do estudo de qualidade inicial da J.D. Power entre as marcas populares, a primeira vez desde 2010, com 152 problemas por 100 veículos e a maior melhora do ano no grupo dela. Farley creditou ao esforço centenas de milhões de dólares de fôlego em custo, por causa da queda em garantia e recall.

Não vou pintar conto de fadas. A mesma Ford ainda liderou os recalls entre as montadoras americanas em 2026. O buraco não fechou de um dia pro outro. Mas a direção do conserto é o recado. Quando a qualidade dependia de valer a pena, a Ford não apostou em mais automação. Apostou em gente experiente reconstruindo a fonte e conferindo o modelo.

Capture antes de cortar

Se tem uma lição que eu tiraria disso pra qualquer empresa mexendo com IA agora, é sobre ordem.

O conhecimento tácito do seu time é um ativo com prazo de validade. Ele existe enquanto a pessoa está lá. No dia em que ela sai sem ter passado esse conhecimento adiante, some, e nenhum modelo recupera o que nunca foi capturado. Automatizar antes de externalizar o que os seus especialistas sabem não é ganhar tempo. É serrar o galho e treinar a IA no serrote.

E tem o efeito de segunda ordem, que é ainda mais silencioso. Se você para de formar o júnior porque a IA cobre a tarefa dele hoje, quem vai ser o veterano que a sua empresa vai implorar pra ter de volta daqui a cinco anos? A Ford pagou caro pra reaprender que alguém precisa continuar produzindo o conhecimento que alimenta a máquina.

A barreira técnica caiu, eu repito isso sempre. Qualquer um gera código, projeto, análise hoje. O que ficou raro, e por isso ficou caro, é ter dentro de casa a fonte que faz esse volume todo prestar. A Ford descobriu isso da forma mais cara possível.

A IA amplifica a fonte que você dá pra ela. Se você demite a fonte antes de guardá-la, ela amplifica o vazio, agora em escala. Você pode automatizar a execução à vontade. A fonte, essa, ainda precisa existir em algum lugar. E por enquanto ela mora nas pessoas.

Referências