A FORD está recontratando engenheiros veteranos para acelerar o uso de IA.
A corrida pela inteligência artificial levou muitas organizações a acreditar que bastaria alimentar modelos com grandes volumes de documentos técnicos para obter decisões de engenharia equivalentes às de profissionais experientes. A experiência recente da Ford mostra que essa premissa era apenas parcialmente verdadeira. A empresa descobriu que algoritmos sofisticados não substituem décadas de experiência acumulada e que a eficácia da inteligência artificial depende diretamente da qualidade do conhecimento utilizado para orientá-la. Essa constatação motivou uma mudança estratégica que passou a integrar IA, engenharia tradicional e gestão do conhecimento como pilares de um mesmo sistema de desenvolvimento.
Nos últimos anos, a Ford ampliou significativamente o uso de inteligência artificial e automação em atividades de projeto, validação e inspeção de veículos. A expectativa era reduzir defeitos, acelerar o desenvolvimento de novos produtos e transformar requisitos técnicos em decisões de engenharia de maior qualidade. Segundo Charles Poon, Vice-Presidente de Engenharia de Hardware de Veículos da Ford, acreditava-se que a combinação entre modelos de IA e documentação técnica seria suficiente para produzir veículos mais confiáveis. Os resultados iniciais mostraram que essa expectativa não se confirmou, não por limitações da tecnologia, mas pela ausência de um elemento essencial que nunca esteve integralmente registrado nos sistemas corporativos.
Grande parte da engenharia depende do chamado conhecimento tácito, construído ao longo de anos de experiência prática. Trata-se da capacidade de antecipar falhas antes que elas ocorram, reconhecer padrões incomuns, compreender as interações entre software, hardware, manufatura e fornecedores e avaliar os efeitos indiretos de pequenas alterações de projeto. Essas decisões raramente aparecem em especificações técnicas, desenhos ou requisitos formais. Elas fazem parte do repertório acumulado dos especialistas e, quando esses profissionais deixam a organização, uma parcela relevante desse patrimônio intelectual pode desaparecer antes de ser convertida em conhecimento estruturado.
A empresa identificou que essa lacuna tornava-se ainda mais evidente nas interfaces entre diferentes disciplinas. Muitos dos problemas de qualidade não surgiam dentro das áreas de engenharia mecânica, elétrica, software embarcado, manufatura ou cadeia de suprimentos isoladamente, mas na integração entre elas. Cada equipe executava corretamente sua parcela do trabalho, enquanto defeitos emergiam justamente nas fronteiras entre sistemas, onde decisões dependiam de contexto, experiência e julgamento técnico. Essas situações dificilmente podem ser aprendidas apenas pela análise de dados históricos, pois envolvem relações causais complexas e condições específicas que nem sempre estão documentadas.
Diante desse diagnóstico, a Ford não reduziu seus investimentos em inteligência artificial. Ao contrário, redefiniu seu papel dentro do processo de engenharia. Nos últimos três anos, a empresa contratou, promoveu ou trouxe de volta aproximadamente 350 engenheiros veteranos para atuar nas etapas críticas do desenvolvimento de produtos. Esses profissionais passaram a liderar revisões obrigatórias de projeto, orientar engenheiros mais jovens, identificar modos potenciais de falha antes do início da produção e enriquecer os dados utilizados no treinamento dos modelos de IA. Paralelamente, equipes multidisciplinares reunindo engenharia, manufatura, qualidade e cadeia de suprimentos passaram a trabalhar de forma integrada, reduzindo os efeitos dos tradicionais silos organizacionais.
Nesse novo modelo, a inteligência artificial deixou de ser tratada como substituta da experiência humana e passou a funcionar como sua amplificadora. A empresa expandiu o uso de visão computacional para inspeção de montagem, implementou centenas de milhares de testes automatizados de software e passou a utilizar algoritmos capazes de identificar pequenas anomalias praticamente imperceptíveis em inspeções convencionais. Entretanto, os resultados dessas ferramentas passaram a ser continuamente supervisionados por especialistas responsáveis por validar interpretações, analisar exceções e retroalimentar os modelos com novos aprendizados provenientes da prática.
Os efeitos dessa mudança começaram a aparecer nos indicadores de qualidade. O estudo J.D. Power Initial Quality Study 2026 posicionou a Ford como a marca de maior qualidade entre os fabricantes generalistas dos Estados Unidos, representando um avanço expressivo em relação à posição ocupada apenas três anos antes. O número de problemas por cem veículos apresentou uma das maiores reduções do setor, embora a empresa reconheça que ainda existam desafios relacionados a recalls de plataformas desenvolvidas em ciclos anteriores. Ainda assim, os resultados reforçam que o novo modelo de desenvolvimento produziu melhorias consistentes na qualidade inicial dos veículos.
O caso oferece uma lição relevante para organizações de qualquer segmento que buscam ampliar o uso da inteligência artificial. Projetos dessa natureza tendem a produzir resultados limitados quando tratam conhecimento apenas como documentação digital. Modelos aprendem padrões presentes nos dados, enquanto especialistas acumulam compreensão sobre exceções, contexto, relações de causa e efeito e critérios de julgamento construídos pela experiência. É justamente essa combinação que permite desenvolver sistemas mais robustos, confiáveis e adaptáveis a situações complexas.
Sob essa perspectiva, a prioridade deixa de ser apenas adquirir modelos cada vez mais sofisticados. Passa a incluir mecanismos estruturados de gestão do conhecimento, preservação da experiência dos profissionais seniores, colaboração multidisciplinar e governança sobre a qualidade dos dados utilizados no treinamento dos sistemas. A inteligência artificial depende menos da quantidade de informação disponível do que da capacidade da organização de transformar experiência prática em conhecimento explícito e continuamente atualizado.
A principal conclusão do caso Ford não é que a inteligência artificial falhou, mas que seus limites tornam-se evidentes quando ela opera desconectada da experiência humana. Algoritmos aceleram análises, identificam padrões e ampliam significativamente a produtividade, porém continuam dependentes da qualidade das informações, dos processos que lhes dão contexto e das pessoas responsáveis por ensinar, validar e aperfeiçoar seu funcionamento. O avanço observado pela Ford reforça uma tendência cada vez mais evidente nas organizações de alto desempenho. A vantagem competitiva não será construída pela inteligência artificial isoladamente, nem apenas pela experiência dos especialistas, mas pela capacidade de integrar ambos em um sistema contínuo de aprendizagem, preservação do conhecimento e melhoria da qualidade.
