Ford ha sbagliato con l’AI, e ha dovuto assumere umani per rimediare

Ford ha vinto il JD Power 2025 tra i marchi mainstream, primo posto in sedici anni. È anche il brand con più richiami del settore automobilistico, con un volume che supera cinque volte il secondo classificato. Questi due dati non si contraddicono: si spiegano. Il premio JD Power misura la qualità percepita nei 90 giorni dopo l’acquisto. Le campagne di richiamo misurano i difetti che emergono nel tempo. Ford ha migliorato la prima metrica e peggiorato la seconda nello stesso periodo — e l’intelligenza artificiale ha un ruolo in entrambe le dinamiche.

La storia che emerge dai dati del 2025 è quella di un’azienda che ha creduto che l’AI potesse sostituire il giudizio esperto degli ingegneri senior nella fase di verifica della qualità, ha scoperto che questa sostituzione non funzionava, e ha dovuto tornare sui propri passi. È il limite delle infrastrutture aziendali di fronte all’AI portato al caso concreto. Oltre 350 ingegneri esperti riassunti dopo essere stati liquidati nell’ambito di una più ampia ristrutturazione orientata all’automazione, come riporta Squared Tech. Il costo di questo errore non è quantificato pubblicamente, ma include i costi di separazione, le perdite di know-how nel frattempo uscito dall’azienda, e i difetti prodotti nell’intervallo tra l’uscita degli ingegneri e il loro rientro.

JD Power primo posto con qualità peggiorata: i numeri che non tornano

Il JD Power 2025 Initial Quality Study assegna a Ford la leadership tra i marchi mainstream con 193 problemi per 100 veicoli (PP100). Nel 2024 Ford aveva registrato 178 PP100. La scala JD Power è inversa: meno problemi, migliore qualità. Ford ha vinto il premio nello stesso anno in cui la sua qualità misurata in termini assoluti è peggiorata di 15 punti. Il paradosso si spiega con il fatto che l’intera industria ha peggiorato — Ford è migliorata in termini relativi, non assoluti.

Il calo di qualità assoluta non è un dato di contorno. Charles Poon, vice president of Vehicle Hardware Engineering di Ford, ha dichiarato con insolita franchezza: “Per errore, abbiamo pensato che introducendo semplicemente l’intelligenza artificiale — che fosse per la generazione di test o per l’identificazione dei problemi — questo avrebbe prodotto un prodotto di alta qualità.” La frase è un’ammissione diretta che l’assunzione strategica era sbagliata. Ford ha trattato l’AI come un moltiplicatore che avrebbe automaticamente trasformato la qualità dei test in qualità del prodotto finale. Non è andata così.

L’errore non era nell’AI in sé. I sistemi implementati — AiTriz per la prevenzione dei difetti, MAIVS per la validazione dei veicoli — funzionano come progettati. Il problema era nell’assunzione che questi sistemi potessero operare senza la supervisione di ingegneri con decenni di esperienza sul campo. Ford ha costruito un sistema di 100.000 test automatizzati supervisionati da 40 ingegneri. Il numero di test è aumentato di un ordine di grandezza. Il numero di persone che li interpreta è rimasto fisso, quasi immutato.

AiTriz e MAIVS: l’AI che trova i problemi dopo, non prima

I sistemi AI che Ford ha implementato hanno capacità reali ma limiti strutturali che la narrativa aziendale aveva sottostimato. AiTriz — il sistema di analisi dei difetti basato su AI — è in grado di identificare pattern di guasto nei dati storici di produzione con una velocità che gli ingegneri umani non possono eguagliare. MAIVS, il sistema di validazione veicoli, processa enormi volumi di dati di test e identifica anomalie in modo automatico.

Il problema di entrambi è che operano prevalentemente in modalità “find-and-fix”: identificano problemi dopo che si sono manifestati nei test o nei dati di produzione. Kumar Galhotra, chief operating officer di Ford, ha riconosciuto questo limite e ha descritto il cambio di strategia in corso: passare da un approccio “find-and-fix” a un approccio “prevent” — non permettere che il problema si manifesti. È la differenza tra diagnostica e prevenzione, e l’AI attuale è molto più efficace nel primo dominio che nel secondo — perché la prevenzione richiede conoscenza del contesto che non è completamente contenuta nei dataset storici.

La prevenzione dei difetti nelle fasi di ingegnerizzazione e produzione richiede un tipo di conoscenza che non è codificabile in dati strutturati: il giudizio tacito che un ingegnere accumula in anni di lavoro su un tipo specifico di componente o sistema. Sapere che un certo fornitore tende a degradare la qualità nelle fasi finali dei contratti, che un particolare processo di saldatura è sensibile all’umidità stagionale, che un’interfaccia elettronica mostra comportamenti anomali sotto certe condizioni termiche che i test standard non replicano — questo tipo di conoscenza contestuale non è estratta da AiTriz e MAIVS perché non è nei dati. È nelle persone. Ed è uscita dall’azienda insieme agli ingegneri che sono stati licenziati.

Il ritorno degli ingegneri: quello che le macchine non hanno imparato

La decisione di riassumere oltre 350 ingegneri senior non è stata un’inversione di strategia sull’AI — Ford continua a investire in AiTriz, MAIVS e sistemi correlati. È stata l’ammissione che i sistemi AI e il giudizio esperto non sono sostituti ma complementari, e che il bilanciamento precedente aveva spostato troppo il peso verso l’automazione, svuotando il livello di supervisione che dà senso ai risultati prodotti dall’AI.

Gli ingegneri riassunti coprono le aree di validazione e testing dove il gap tra la capacità dell’AI di identificare pattern noti e la capacità umana di anticipare scenari anomali è più ampio. Poon ha descritto il nuovo approccio come un sistema ibrido in cui l’AI amplifica le capacità degli ingegneri piuttosto che sostituirle. La frase è standard nella comunicazione corporate, ma il fatto che 350 persone siano state riassunte dopo essere state tagliate le dà un peso specifico maggiore del solito — e trasforma la dichiarazione da aspirazione a politica operativa documentata.

Il costo dell’errore non è solo economico. Nel periodo in cui Ford ha operato con organico ridotto nella qualità veicoli, sono usciti dall’azienda ingegneri con competenze specifiche che in alcuni casi non sono facilmente sostituibili. La perdita di know-how tacito — quella conoscenza che non è documentata nei manuali né catturata nei dataset di training — non si recupera con le riassunzioni: si ricostituisce lentamente, attraverso anni di lavoro sul campo. Le riassunzioni risolvono il problema dello staff, non il problema della conoscenza.

Il record di richiami: il conto che arriva dopo

Ford guida l’industria automobilistica per numero di richiami. Il volume è cinque volte superiore a quello del secondo brand del settore, secondo i dati NHTSA. Questa statistica non emerge dall’analisi JD Power — che misura la soddisfazione a 90 giorni — ma dagli archivi di campagne recall pubblici e dai dati degli enti regolatori. I richiami hanno costi diretti misurabili: logistica, sostituzione dei componenti, gestione del cliente. Ma hanno anche costi indiretti più difficili da quantificare: erosione della brand equity, impatto sui tassi di riacquisto, effetto sulla valutazione delle auto usate.

Ford ha vinto un premio sulla qualità percepita nei primi tre mesi di proprietà mentre il suo track record sulle criticità che emergono nel tempo è il peggiore del settore. Questo non è un paradosso statistico: è un segnale che l’ottimizzazione della qualità iniziale e la prevenzione dei difetti strutturali stanno avvenendo su orizzonti temporali diversi, con strategie diverse e risultati divergenti.

L’AI ha ottimizzato quello che era ottimizzabile rapidamente — i difetti che emergono nella fase di accettazione del veicolo e nei primi mesi di utilizzo. Non ha risolto i problemi di qualità strutturale che richiedono anni per manifestarsi. La qualità nel tempo dipende dalla solidità delle decisioni ingegneristiche prese nella fase di progettazione, non dal numero di test automatizzati eseguiti nella fase di produzione.

Cosa Ford ha sbagliato, cosa sbagliano tutti

L’errore di Ford non è insolito: è la versione automobilistica di un errore che molte grandi aziende hanno fatto nell’adozione dell’AI. L’assunzione che l’aumento del volume di output automatizzato — test, analisi, reportistica — si traduca automaticamente in aumento della qualità dell’output è la stessa che ha portato molte aziende tech a scoprire che generare più codice con l’AI non significa generare codice migliore né più affidabile in produzione. L’illusione dell’automazione si manifesta con le stesse dinamiche in settori diversi: i CEO vedono i numeri migliorare in superficie, i COO scopono le inefficienze strutturali quando è già tardi.

La qualità non dipende dal volume: dipende dalla rilevanza dei test rispetto ai difetti che si vuole prevenire, dalla capacità di interpretare correttamente i risultati, dalla comprensione del contesto in cui il prodotto verrà usato. Questi tre elementi richiedono un tipo di intelligenza contestuale che i sistemi AI del 2025-2026 non hanno ancora. Possono aumentare la velocità di esecuzione dei test, possono identificare pattern nei dati con una granularità che gli umani non raggiungono, ma non possono ancora sostituire il giudizio che un ingegnere esperto applica quando decide quali test sono rilevanti e come interpretare un risultato ambiguo.

Il caso Ford è utile perché è raro nella sua trasparenza. La stessa difficoltà di portare l’AI in produzione dentro i sistemi reali si ripete in tutti i settori, ma raramente con documenti pubblici così precisi. La maggior parte delle aziende che fa questo errore lo scopre in silenzio, lo corregge senza comunicarlo e non ne parla. Ford lo ha fatto in un settore in cui i difetti si misurano pubblicamente, i richiami sono registrati da agenzie governative e i premi vengono assegnati da terze parti indipendenti. La combinazione di questi fattori trasforma il caso in un documento industriale di valore, che mostra cosa succede quando si rimuove il layer di giudizio esperto da un processo critico fidandosi troppo dell’automazione — e quanto costa tornare indietro, ammesso che sia ancora possibile farlo completamente.