Durante los últimos años, Ford intentó apoyarse cada vez más en sistemas automatizados e inteligencia artificial para mejorar la calidad de sus vehículos. La idea parecía lógica: usar algoritmos para revisar piezas, detectar fallos de diseño y anticipar problemas antes de que llegaran al cliente. Sobre el papel, era una forma de hacer más rápida y precisa una tarea crítica para cualquier fabricante.
El problema es que la calidad no mejoró como se esperaba. Ford venía arrastrando una larga crisis de fiabilidad, con altos costes de garantía y numerosos llamados a revisión. En 2025, la marca lideró el ranking de recalls en Estados Unidos con 153 campañas que afectaron a casi 13 millones de vehículos, según datos recopilados a partir de la NHTSA.
La IA no falló sola: fallaron los datos que la alimentaban
Charles Poon, vicepresidente de ingeniería de hardware de Ford, reconoció que la compañía se equivocó al pensar que bastaba con introducir inteligencia artificial y cargar requisitos de diseño para obtener automáticamente un producto de alta calidad. La lección fue clara: una IA puede ser muy potente, pero solo aprende bien si recibe conocimiento valioso y bien estructurado.
Ahí apareció el verdadero problema. Ford había perdido parte del conocimiento interno acumulado por sus ingenieros más experimentados. Eran profesionales capaces de detectar puntos débiles que no siempre aparecen en una base de datos, sobre todo en las zonas grises donde se cruzan software, hardware, fabricación, proveedores y uso real del vehículo.
La respuesta fue volver a apoyarse en esos perfiles. En los últimos años, Ford incorporó y promovió a unos 350 ingenieros veteranos para liderar revisiones de diseño, entrenar a equipos jóvenes y mejorar las herramientas de IA usadas en el control de calidad. La compañía no abandonó la automatización; lo que hizo fue poner experiencia humana alrededor de ella.
Los “barbas canosas” volvieron para corregir a los algoritmos
Internamente, algunos de estos perfiles fueron descritos como ingenieros “gray beard”, una forma de referirse a especialistas con décadas de experiencia. Su tarea no es hacer el trabajo que debería hacer una máquina, sino encontrar los puntos ciegos de la máquina. Revisan diseños, anticipan fallos y ayudan a que los sistemas de IA aprendan de casos reales, no solo de reglas escritas en un documento.
El giro parece estar dando resultados. En el estudio de calidad inicial de J.D. Power de 2026, Ford fue la marca generalista mejor clasificada y registró 152 problemas por cada 100 vehículos, frente a los 193 del año anterior. Es una mejora de 41 problemas menos por cada 100 coches, y la primera vez en 16 años que Ford lidera entre las marcas de gran volumen.
Además, modelos como el Ford F-150, el Mustang y el Super Duty lideraron sus respectivos segmentos, mientras que en el ranking general Ford quedó por detrás de marcas premium como Porsche y Genesis.
La mejora también tiene impacto económico. Ford lleva años intentando reducir los costes de garantía, uno de los grandes dolores de cabeza de la compañía. Aunque todavía acumula llamados a revisión, varios ejecutivos sostienen que muchos de esos problemas corresponden a modelos antiguos y que las mejoras recientes deberían reflejarse con más claridad en los próximos años.
La lección va más allá de Ford. La inteligencia artificial puede acelerar procesos, detectar patrones y ayudar a prevenir errores, pero no reemplaza automáticamente el conocimiento experto. En una industria donde un fallo puede costar millones de dólares y afectar la seguridad de miles de personas, la experiencia acumulada sigue siendo una tecnología difícil de sustituir.
