Retour aux « gray beards ». Ford a reconnu avoir trop parié sur l’intelligence artificielle pour améliorer la qualité de ses véhicules. Le constructeur a recruté, promu ou réembauché 350 ingénieurs vétérans sur trois ans, dont d’anciens salariés et des profils venus de fournisseurs, pour corriger ce que les outils automatisés n’avaient pas su détecter.
En interne, ces profils sont surnommés les engineers aux cheveux gris. Leur mission : transmettre leur expérience à des équipes plus jeunes et réentraîner des systèmes d’IA qui ne produisaient pas les résultats attendus. La réponse aux problèmes de qualité n’a donc pas été un déploiement logiciel supplémentaire mais un retour assumé de l’expertise accumulée sur plusieurs cycles de développement.
Points clés
- Ford a recruté, promu ou réembauché 350 ingénieurs vétérans sur trois ans
- L’IA déployée pour le contrôle qualité n’a pas produit les résultats attendus, faute de savoir métier transmis
- Les vétérans encadrent les jeunes équipes et reprogramment les systèmes d’IA et de machine learning
- Ford conserve l’IA mais la replace autour de l’expertise humaine, après des milliards de dollars de pertes liées aux défauts
Ford remet l’expérience humaine au centre
Selon les informations rapportées par Bloomberg, l’aveu vient de Charles Poon, vice-président de l’ingénierie matérielle véhicule chez Ford. L’entreprise a cru à tort qu’il suffisait d’introduire de l’IA et d’y injecter les exigences de conception pour obtenir un produit de haute qualité.
« Nous avons cru à tort qu’en introduisant simplement de l’intelligence artificielle et en ajustant les exigences de conception dont nous disposions, cela produirait un produit de haute qualité. »
Charles Poon, vice-président de l’ingénierie matérielle véhicule chez Ford
Le problème n’était pas seulement technique. Ford a laissé partir une partie de ses ingénieurs les plus expérimentés avant que leur savoir ne soit transmis aux processus et aux outils censés automatiser le contrôle qualité. L’IA a eu moins de contexte pour reconnaître certains défauts. Les équipes ont dû reconstruire une partie de cette mémoire métier.
Les 350 ingénieurs rappelés ou recrutés ont servi à deux tâches. Encadrer les plus jeunes et corriger les outils d’IA et de machine learning utilisés pour repérer les défauts plus tôt dans la fabrication. Ces profils ont participé à des réunions de résolution de problèmes de qualité et à la reprogrammation des systèmes pour prévenir les anomalies avant qu’elles n’atteignent l’usine.
Une stratégie qui s’éloigne du tout-automatique
Ford cherche depuis plusieurs années à réduire ses coûts de garantie et de rappels. Les sources consultées décrivent des pertes qui se chiffrent en milliards de dollars sur plusieurs années, liées à des défauts persistants. Le constructeur n’a pas abandonné l’IA mais a réorganisé son usage autour de la compétence humaine plutôt qu’en remplacement de celle-ci.
Ford a aussi ajouté une équipe dédiée à l’assurance qualité logicielle et élargi ses tests automatisés pour couvrir davantage de cas limites. L’idée n’est plus de supposer que les systèmes apprennent seuls à partir des spécifications de conception mais de leur fournir le jugement de personnes capables d’identifier les signaux faibles.
Le cas Ford ramène à un point concret pour l’industrie automobile. La qualité ne dépend pas seulement de la puissance des modèles d’IA mais de la qualité des données, de la continuité des équipes et du transfert de savoir entre générations d’ingénieurs.
