Automatyzacja miała uprościć kontrolę jakości w Fordzie. Firma przyznała, iż część wiedzy o autach nie dała się tak łatwo zamknąć w modelach.
Ford ma powód do dumy i do wstydu jednocześnie. W najnowszym badaniu jakości nowych aut przeprowadzonym przez JD Power marka została najlepszym producentem masowym w USA. Tyle iż za tym sukcesem kryje się znacznie ciekawsza historia. Ford musiał przyznać, iż zbyt mocno uwierzył w automatyzację i sztuczną inteligencję, a potem ściągał z powrotem doświadczonych ludzi, żeby naprawiali to, czego algorytmy nie zrozumiały.
Ford wygrał ranking, ale nie może udawać, iż wszystko było dobrze
Ford w badaniu JD Power 2026 U.S. Initial Quality Study wyszedł na prowadzenie wśród marek masowych. Wynik to 152 problemy na 100 aut. Rok wcześniej było 193, więc różnica jest naprawdę wyraźna. Zresztą nie tylko Ford się poprawił – cała branża zeszła ze średniej 192 do 175 problemów na 100 samochodów. JD Power twierdzi, iż tak dużego skoku nie było od końcówki lat 90.
To nie jest małe osiągnięcie. Badanie opiera się na odpowiedziach prawie 80 tys. nabywców i leasingobiorców nowych samochodów po 90 dniach użytkowania, a także na danych z wizyt serwisowych u dealerów. Mierzy to, co najbardziej boli producentów: pierwsze problemy klienta po odebraniu nowego auta.
Ale właśnie tu zaczyna się ciekawsza część. Ford może świętować, ale nie może udawać, iż nagle stał się wzorem bez skazy. Firma przez cały czas prowadzi w USA pod względem liczby akcji serwisowych. W 2026 r. miała ich już 51, podczas gdy drugi w tej statystyce Stellantis miał 19. To ogromna różnica i dobry dowód na to, iż poprawa najnowszych modeli nie kasuje problemów nagromadzonych w poprzednich latach.
O tych kłopotach pisaliśmy już na Autoblogu w tekście: Ford pobił rekord. 153 to magiczna liczba. Wtedy zwracaliśmy uwagę na paradoks: Ford chwalił się najlepszą jakością od lat, ale jednocześnie tonął w akcjach serwisowych. Teraz ten paradoks stał się jeszcze większy.
AI miała załatwić jakość. Nie załatwiła
Co ciekawe, Ford wprost przyznał się do błędu. Firma za bardzo uwierzyła, iż sztuczna inteligencja, automatyzacja i nowe podejście do projektowania same z siebie poprawią jakość samochodów. Skoro systemy potrafią szybciej analizować dane, sprawdzać więcej wariantów i wychwytywać powtarzalne schematy, to powinny też pomóc w eliminowaniu błędów.
Tylko iż samochód to nie arkusz kalkulacyjny. To bardzo złożony produkt, w którym mechanika, elektronika, oprogramowanie, produkcja, dostawcy i zwykłe użytkowanie spotykają się w prawdziwym świecie. Auto musi działać na mrozie i w upale, w korku i w błocie, z przyczepą, na dziurawej drodze, z kierowcą, który nie czytał instrukcji, i z pasażerem, który podłączył kabel USB nie tam, gdzie trzeba.
Algorytm może wykrywać wzorce, ale nie zawsze rozumie, które drobne odstępstwo stanie się problemem za 2 czy 3 lata. Nie wie też sam z siebie, które błędy projektowe wracają po latach pod inną nazwą. Tę wiedzę mają ludzie, którzy przerobili kilka cykli projektowania, wdrażania i poprawiania samochodów. Ford odkrył, iż część tej wiedzy zniknęła razem z odejściem doświadczonych inżynierów.
Trzeba było ściągać ludzi z powrotem
Ford musiał zatrudnić, awansować albo ściągnąć z powrotem ponad 350 doświadczonych inżynierów. Ich zadaniem było odbudowanie warstwy wiedzy, której nie dało się po prostu zapisać w systemie i przekazać algorytmom. Chodziło nie tylko o poprawianie błędów, ale też o mentoring młodszych inżynierów i lepsze przygotowanie danych dla zautomatyzowanych narzędzi.
To jest bardzo istotny moment w dyskusji o AI w przemyśle. Przez ostatnie lata wiele firm mówiło o automatyzacji tak, jakby doświadczenie ludzi było tylko kosztem do zredukowania. Ford dostał twardą lekcję, iż w produkcie tak złożonym jak samochód wiedza instytucjonalna jest aktywem, a nie sentymentem.
Wiedza doświadczonego inżyniera często nie wygląda efektownie. To nie jest jedno wielkie odkrycie. To raczej pamięć tysięcy drobnych przypadków: które uszczelki starzeją się szybciej, kiedy klient źle użyje funkcji, jak dostawca zmienia tolerancje, dlaczego błąd z fabryki A wróci w fabryce B i czemu drobny problem z wiązką kabli może po czasie wywołać falę reklamacji.
AI potrafi pomóc w porządkowaniu takich danych, jednak jeżeli tych danych nie ma, jeżeli są źle opisane albo jeżeli brakuje ludzi, którzy potrafią powiedzieć, co naprawdę znaczą, algorytm zaczyna działać jak bardzo szybki praktykant bez starszego mechanika obok.
Samochód to nie telefon. Nie wszystko da się poprawić po premierze
Samochodu nie da się traktować jak telefona. W elektronice użytkowej przez lata utrwalił się model, w którym produkt trafia na rynek, a część problemów poprawia się później aktualizacjami. W samochodach to podejście ma bardzo twarde ograniczenia.
Auto jest przede wszystkim produktem bezpieczeństwa. jeżeli błąd dotyczy hamowania, układu kierowniczego, kamery cofania, systemu wspomagania kierowcy albo systemu odpowiedzialnego za zachowanie pojazdu, to nie wystarczy powiedzieć użytkownikowi: spokojnie, wyślemy aktualizację. Samochód od pierwszego dnia musi działać tak, żeby klient mógł mu zaufać.
Właśnie dlatego Ford stworzył osobny, 40-osobowy zespół jakości oprogramowania. Firma deklaruje też, iż rozbudowała automatyczne testy, w tym ponad 100 tys. testów wspieranych przez AI, które mają wykrywać przypadki brzegowe i stresować systemy software’owe w różnych scenariuszach. To brzmi imponująco, ale najważniejszy wniosek jest prosty: AI nie zastąpi rygoru inżynierskiego. Może go tylko wzmocnić, jeżeli ktoś ją dobrze poprowadzi.
AI może pomóc, ale tylko wtedy, gdy przestanie udawać inżyniera
Ford nie rezygnuje z AI. Wręcz przeciwnie: chce jej używać szerzej, ale już znacznie ostrożniej. I to jest najrozsądniejszy wniosek z całej historii. Sztuczna inteligencja może przyspieszać testy, wyszukiwać przypadki brzegowe, porównywać dane z produkcji i serwisu, pomagać w projektowaniu oraz wspierać zespoły jakości. Ale nie powinna być traktowana jak magiczna skrzynka, która sama wie, czym jest dobry samochód.
Dobry samochód nie składa się tylko z poprawnych danych wejściowych. Składa się z doświadczenia, kompromisów, przewidywania głupich scenariuszy, znajomości produkcji i świadomości, iż klient będzie używał auta inaczej, niż zakłada laboratorium. Tego nie da się w pełni wywnioskować z tabeli ani wygenerować z modelu, jeżeli wcześniej ktoś nie nauczył systemu, na co naprawdę patrzeć.
Można powiedzieć, iż Ford właśnie dostał jedną z najcenniejszych lekcji epoki AI. Algorytm może być świetnym narzędziem, ale nie zastępuje pamięci firmy. jeżeli doświadczonych ludzi wyrzuci się z procesu za wcześnie, potem trzeba ich ściągać z powrotem, żeby wytłumaczyli maszynie, czego sama nie widzi. W samochodach to szczególnie ważne, bo tu błąd nie kończy się na zawieszonej aplikacji. Kończy się w serwisie, na drodze, w akcji przywoławczej albo w utracie zaufania.
*Grafika wprowadzająca wygenerowana przez AI
