A Inteligência Artificial vem transformando a engenharia em uma velocidade impressionante. Modelos capazes de analisar milhões de dados, identificar padrões e automatizar tarefas complexas alimentaram a expectativa de que, em pouco tempo, boa parte das decisões técnicas poderia ser tomada por algoritmos.
A experiência recente da Ford mostra que a realidade é mais complexa.
Ao ampliar o uso de IA no desenvolvimento de veículos, a montadora percebeu que a tecnologia produzia excelentes resultados quando apoiada por conhecimento técnico consolidado, mas apresentava limitações importantes diante de situações que exigiam experiência prática, julgamento e compreensão do contexto. A conclusão levou a empresa a reforçar suas equipes com centenas de engenheiros veteranos, transformando a experiência humana em um componente estratégico para aumentar a eficiência da Inteligência Artificial.
A iniciativa não representa um recuo na transformação digital. Pelo contrário. Mostra uma evolução na forma como a IA é aplicada à engenharia.
Nos últimos anos, a Ford expandiu o uso de Inteligência Artificial em atividades como desenvolvimento de projetos, validação de componentes, testes de software e inspeções automatizadas por visão computacional. O objetivo era acelerar o desenvolvimento de produtos, reduzir defeitos e aumentar a qualidade dos veículos.
Segundo Charles Poon, Vice-Presidente de Engenharia de Hardware de Veículos da Ford, a empresa acreditava que grandes volumes de documentação técnica, aliados a modelos avançados de IA, seriam suficientes para apoiar decisões complexas de engenharia. Na prática, perceberam que existia um conhecimento fundamental que nunca havia sido completamente registrado.
Esse conhecimento é conhecido como conhecimento tácito.
Ele é construído ao longo de anos de experiência e envolve a capacidade de antecipar problemas, reconhecer padrões incomuns, compreender as interações entre software, hardware, manufatura, fornecedores e clientes e avaliar os impactos indiretos de pequenas alterações de projeto. São decisões baseadas muito mais na vivência do que em documentos técnicos.
Esse patrimônio intelectual raramente aparece em desenhos, especificações ou procedimentos. Quando profissionais experientes deixam uma organização sem compartilhar esse conhecimento, parte significativa desse capital desaparece com eles.
A Ford identificou que essa lacuna era especialmente crítica nas interfaces entre diferentes áreas. Muitos problemas de qualidade não surgiam dentro da engenharia mecânica, elétrica, eletrônica ou da manufatura isoladamente, mas justamente na integração entre essas disciplinas. Resolver essas situações exige experiência, colaboração multidisciplinar e capacidade de interpretar contextos que dificilmente podem ser aprendidos apenas por meio de dados históricos.
Foi nesse momento que a empresa redefiniu sua estratégia.
Nos últimos três anos, aproximadamente 350 engenheiros veteranos foram contratados, promovidos ou recontratados para atuar nas etapas críticas do desenvolvimento de produtos. Além de liderarem revisões técnicas e mentorarem profissionais mais jovens, esses especialistas passaram a enriquecer continuamente as bases de conhecimento utilizadas no treinamento dos modelos de Inteligência Artificial.
Ao mesmo tempo, equipes multidisciplinares envolvendo engenharia, qualidade, manufatura e cadeia de suprimentos passaram a trabalhar de forma integrada, reduzindo os tradicionais silos organizacionais e ampliando a troca de conhecimento entre diferentes especialidades.
Nesse novo modelo, a Inteligência Artificial deixou de ser vista como substituta dos especialistas e passou a atuar como uma ferramenta para potencializar sua capacidade de análise.
Enquanto algoritmos identificam padrões, executam milhares de testes automatizados e detectam anomalias praticamente imperceptíveis em inspeções convencionais, engenheiros experientes validam interpretações, analisam exceções, tomam decisões críticas e retroalimentam continuamente os sistemas com novos aprendizados.
Os resultados dessa estratégia começaram a aparecer rapidamente.
No J.D. Power Initial Quality Study 2026, a Ford foi reconhecida como a marca de maior qualidade entre os fabricantes generalistas dos Estados Unidos, apresentando uma das maiores reduções no número de problemas por cem veículos em comparação com anos anteriores. Embora ainda existam desafios relacionados a programas de recall de plataformas desenvolvidas em ciclos anteriores, os indicadores reforçam que a combinação entre Inteligência Artificial, experiência humana e gestão do conhecimento produziu ganhos concretos na qualidade dos produtos.
O caso Ford deixa uma mensagem importante para empresas de todos os setores.
A Inteligência Artificial aprende com dados. As pessoas aprendem com a experiência.
Modelos conseguem identificar padrões presentes nas informações disponíveis, mas especialistas compreendem exceções, relações de causa e efeito, contexto operacional e fatores que dificilmente aparecem em bancos de dados. É essa combinação que torna as decisões mais robustas e os processos mais confiáveis.
Por isso, organizações que desejam ampliar o uso da IA precisam olhar além da tecnologia. Preservar o conhecimento dos profissionais seniores, estruturar processos de gestão do conhecimento, estimular a colaboração multidisciplinar e garantir a qualidade dos dados utilizados no treinamento dos modelos tornam-se fatores tão importantes quanto a escolha da própria plataforma de Inteligência Artificial.
A principal lição da Ford não é que a Inteligência Artificial possui limitações.
É que ela alcança seu maior potencial quando trabalha ao lado da inteligência humana. Sua empresa está preparada para integrar Inteligência Artificial, gestão do conhecimento e engenharia de forma estratégica? A Setec apoia organizações na formação de equipes, desenvolvimento de competências e implantação de processos que transformam conhecimento técnico em vantagem competitiva, acelerando a inovação e fortalecendo a qualidade dos resultados.
Referências
- Ford Motor Company. Declarações de Charles Poon, Vice President, Vehicle Hardware Engineering, sobre a estratégia de integração entre Inteligência Artificial e engenharia.
- J.D. Power. 2026 U.S. Initial Quality Study (IQS).
- Nonaka, I.; Takeuchi, H. The Knowledge-Creating Company. Oxford University Press, 1995.
- Davenport, T.; Prusak, L. Working Knowledge: How Organizations Manage What They Know. Harvard Business School Press, 1998.
- ISO 30401:2018 – Knowledge Management Systems — Requirements.
