Ford 請返資深工程師補 AI 甩漏：自動化都要有人睇得出邊度錯

Ford 今次認咗咩

Ford 近年想用 AI 同自動化質素檢查系統，早啲搵到零件同軟件問題，但效果冇佢想像咁順。TechCrunch 引述 Bloomberg 指，Ford 管理層話公司請返、提拔或者由供應商搵嚟約 350 名資深技術專家，有啲係前員工，任務係喺零件入廠前捉潛在故障位，順手教新人同改 AI 工具。Charles Poon 講法幾直：Ford 之前以為設計要求餵咗畀 AI，就會自然做出高質產品，結果呢個假設太樂觀。

圖片：Ford

成績好睇，但唔等於 Ford 已經翻身

Ford 另一邊確實有成績拎返出嚟。J.D. Power 2026 年美國 Initial Quality Study 入面，Ford 喺主流品牌排第一，分數係 152 PP100；呢個指標睇新車首 90 日車主回報同維修資料，PP100 越低越好。F-150、Mustang 同 Super Duty 都喺各自級別排第一。不過 IQS 只係初期問題回報，唔係長期可靠性報告，對香港買車參考都有限。Business Insider 提到 Ford 過去幾年嘅召回問題，而從 IQS 呢項指標睇，今次只可以當係新車質素有改善嘅早期訊號。

Ford 補嘅其實係斷咗嘅經驗

Ford 官方文章講得詳細啲：2023 年開始，公司令工程、製造、供應鏈同質素團隊行得近啲，資深工程師每星期都要一齊審設計，喺藍圖去到工廠前先搵故障位。官方講 Vehicle Engineering 約 300 名資深工程師；其他報道講嘅技術專家範圍較闊，約 350 名，口徑有少少唔同，但方向一致：AI 都係照用，問題係要有人知道邊啲舊錯最值得餵畀系統，邊啲警報係真風險。

呢個位，同 coding agents 好似

呢個教訓擺返去公司 IT，同而家人人講嘅 coding agents、客服 bot、文件摘要工具都好貼。工具可以幫你跑 test、改 code、分類 ticket、抽重點，但佢唔會天生知道你間公司邊啲客訴最麻煩、邊段 legacy code 改完會爆、邊種合約字眼一定要交返俾人睇。最容易出事嘅位，通常就係 team 同 team 之間嘅交界，亦即係資料庫、SOP 同新人訓練最少寫清楚嘅地方。

香港公司點避坑

香港中小企同辦公室 IT 試 AI，通常第一步就係買工具或者叫同事開 account，呢步最易快得滯。比較實際嘅做法，係先搵資深同事拆舊 case：邊啲錯出過事、邊啲例外唔可以亂答、邊啲 code review 一定要人簽名，再用呢批資料訓練 prompt、規則同測試集。人手覆核亦唔可以變橡皮圖章，因為負責覆核嘅人冇時間、冇權叫停，AI 可能只係令錯誤睇落冇咁易發現。

下一步睇新車，同睇召回

Ford 呢次冇放棄 AI；資深人手反而重新擺返喺 AI 旁邊，令工具有好啲嘅訓練資料同判斷邏輯。下一步要睇嘅係，2023 年之後設計嘅新平台，召回同首 90 日問題會唔會繼續回落；仲有，嗰 300 至 350 名資深人手教完新人之後，知識有冇真係留喺系統入面。公司想用 AI 慳人手可以理解，但如果連識判斷嘅人都慳埋，之後出事先補救，通常仲貴。

參考來源

• TechCrunch — Ford rehires ‘gray beard’ engineers after AI falls short — original report
• Ford Named Top Mainstream Brand in 2026 JD Power Initial Quality Study — Ford 自己講 IQS 成績、2023 年後質素改革、資深工程師 design review 同官方配圖來源。
• 2026 U.S. Initial Quality Study (IQS) | JD Power — 核對 2026 IQS 方法、90 日車主回報、Ford 152 PP100 同 mass market 排名。
• Ford: AI Didn't Solve Quality Problems Alone, so We Hired Engineers — 補充 350 名 technical specialists、召回背景、AI 訓練資料同 team 邊界問題。
• Ford had to hire back former engineers to fix mistakes made by its automated systems — 補充 Charles Poon 同 Kumar Galhotra 講法、軟件 QA team 同 automated tests 背景。

本文根據原文及公開資料整理；資料有出入時，以原文及官方資料為準。