On nous répète que l’IA va absorber les métiers techniques un par un, à commencer par l’ingénierie. Ford vient de faire l’inverse : rappeler 350 ingénieurs chevronnés parce que ses systèmes automatisés ne tenaient plus la qualité.
Le réflexe serait d’y lire un échec de l’IA. C’est l’inverse. Cet épisode dit surtout ce qui manque encore à l’automatisation pour produire un objet fiable.
Ce que l’automatisation n’a pas vu venir
Les chiffres viennent directement de la direction du constructeur. Ford a réembauché 350 spécialistes techniques, d’anciens salariés pour certains, des ingénieurs partis chez des équipementiers pour d’autres. Motif assumé : l’intelligence artificielle et les systèmes automatisés n’avaient pas atteint le niveau de qualité visé.
Kumar Galhotra, directeur des opérations, l’a formulé sans détour : l’entreprise s’était reposée « de plus en plus sur des systèmes de qualité automatisés », avec des résultats décevants. Ces vétérans, surnommés en interne les « gray beard » (les barbes grises), ont une mission précise : traquer les points de défaillance d’une pièce avant même qu’elle n’arrive sur la chaîne.
Autrement dit, là où l’algorithme validait, l’œil expérimenté voit encore ce qui va casser.
« Introduire de l’IA » ne fabrique pas la qualité
La phrase la plus instructive vient de Charles Poon, vice-président de l’ingénierie matérielle des véhicules. « Nous avons cru à tort qu’en nous contentant d’introduire de l’intelligence artificielle et de lui faire ingérer nos exigences de conception, cela produirait un produit de haute qualité. »
Cette confession mérite qu’on s’y arrête, parce qu’elle décrit un piège très répandu. On alimente un modèle avec un cahier des charges, on attend qu’il en sorte une solution conforme, et on prend la fluidité de la réponse pour une garantie de justesse. Un modèle qui répond vite et bien ne répond pas forcément juste.
Ford a confondu deux choses : ingérer des spécifications et comprendre pourquoi elles existent. Un système entraîné sur des exigences de conception optimise ce qu’on lui montre, pas ce qu’on a oublié de lui dire.
L’expertise tacite, angle mort des modèles
C’est là que l’affaire dépasse l’industrie automobile. Ce que ces ingénieurs rapportent n’est pas dans les données : c’est le savoir tacite, accumulé sur des décennies de pannes, de rappels et de réparations. Le genre de connaissance qu’on ne sait pas formuler proprement, donc qu’on ne sait pas étiqueter pour entraîner un modèle.
Un système apprend des corrélations présentes dans son jeu de données. Il ne sait pas qu’une tolérance donnée, sur le papier acceptable, provoquera un bruit suspect au bout de trois ans. Cette intuition-là vit dans la tête des praticiens, et nulle part ailleurs.
Reste un point que le tableau alarmiste oublie souvent : Ford n’abandonne pas l’IA pour autant. Les vétérans reviennent aussi pour former les plus jeunes et, surtout, pour reprogrammer les outils d’IA eux-mêmes. L’humain ne remplace pas la machine, il la corrige et la réoutille. La boucle de qualité n’est pas « IA contre experts », c’est « experts qui apprennent à l’IA ce que les données ne contenaient pas ».
Des centaines de millions de dollars économisés
L’opération n’a rien d’un geste nostalgique. Le PDG Jim Farley évoque une baisse des coûts de garantie et de rappel, « des centaines et des centaines de millions de dollars » d’économies pour Ford. Le constructeur revendique aussi la première place parmi les marques grand public au classement JD Power Initial Quality Survey publié cette semaine.
Réembaucher des humains expérimentés a donc rapporté, mesurablement, là où l’automatisation seule coûtait en défauts non détectés. Voilà une donnée que les promesses de productivité « x10 par l’IA » oublient souvent de mettre en regard.
Ce que cet épisode dit de vos déploiements
L’enseignement vaut bien au-delà des usines. Beaucoup d’organisations branchent aujourd’hui un modèle sur un processus métier en supposant que l’ingestion des règles suffira à produire un résultat fiable. Le cas Ford montre le coût de ce raccourci.
Trois réflexes en découlent dès qu’on industrialise un modèle :
- ne jamais retirer l’expert du circuit de validation sous prétexte que le modèle « semble » performant : la fluidité n’est pas la fiabilité ;
- traiter le savoir tacite comme un actif à capturer activement, pas comme un coût à éliminer une fois l’IA en place ;
- garder une boucle où les praticiens réajustent en continu les outils, au lieu de figer un déploiement le jour de la mise en production.
Ford a payé en rappels et en garanties le prix d’une automatisation déléguée trop vite. La leçon n’est pas que l’IA déçoit, mais qu’elle ne remplace pas encore ce qui ne s’écrit pas dans un cahier des charges. Reste à savoir combien d’entreprises attendront, elles aussi, le rappel produit pour s’en souvenir.
