// TOM'S HARDWARE ITALIA — INTELLIGENZA ARTIFICIALE
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.
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.
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 completa