Ford 在过去三年里悄悄重新聘回了大约 350 名资深工程师，原因是那些本应取代他们的自动化质量控制系统和 AI 工具，无法把公司的质量维持在应有的水平。表面上看，这读起来不过是又一家把 AI 承诺往回收的公司，属于一个日益常见的类型。但 Ford 自己给出的真实解释，比这要具体得多，也有用得多。

Ford 负责整车硬件工程的副总裁 Charles Poon 直白地概括了这一误判：公司原以为可以换上 AI，却照样造出高质量的车。关键的微妙之处在于，AI 本身并没有根本性的故障。失败发生在软件的上游。经验丰富的工程师通过买断和自然流失相继离开，而他们脑中积累的机构知识从未被记录下来。几十年来辛苦积累的判断力，比如一处微妙的设计缺陷长什么样，或者哪个测试结果暗藏警讯，就这样直接离开了公司。

这正是 AI 让情况变糟而非变好的地方。用不包含这种判断力的数据训练出来的工具，并不会以某种方式把它重建出来。它们做的恰恰相反。没有老手来标记一个薄弱的输入，自动化系统就把它当作正常情况，并将其传播下去，放大微小的错误而不是抓住它们。这项技术自信而快速，而当它所自信的东西恰恰是错的时候，这正是最糟糕的组合。AI 非常擅长把它被给予的任何信号放大，包括一个糟糕的信号。

Ford 最终采用的解决办法，才是值得细细体会的部分。它没有抛弃 AI，也没有简单地买入更多。它把经验丰富的工程师请了回来，同时做两件事。如今他们负责主持强制性的会议，严谨地排查质量问题，他们指导那些从未得到经验传承的年轻员工，并且重新编程了 AI 工具，以在故障到达客户之前就将其拦截。换句话说，人被重新放回了那个既训练下一代工程师、也训练软件本身的闭环里。这种专业知识必须先存在于人身上，然后才能被编码进其他任何东西。

这个故事诚实的版本是喜忧参半的，而不是一条整洁的翻盘弧线。Ford 在最新一期 JD Power 新车质量调查中位居主流品牌之首，这表明这次纠偏正在起作用。但同一家公司今年的召回数量也在美国车企中居首，迄今已发出 51 起，涉及超过 1100 万辆车，是排名第二的对手的两倍多。所以这既不能证明 AI 失败了，也不能证明重新聘人就解决了一切。真正经得起时间检验的教训更狭窄，也更难回避。只存在于经验丰富之人身上的机构知识，不会免费地转移给一个模型，而一家先把这些人裁掉、再寄望软件已经把他们吸收进去的公司，终将代价高昂地发现，软件并没有。你不能把判断力解雇掉，却又留住判断力。