Ford מצאה את עצמה בשבועות האחרונים במוקד דיון רחב בהרבה מסיפור תפעולי נקודתי. לפי דיווחים מ-TechCrunch, Bloomberg וגורמים נוספים בתעשיית הרכב, יצרנית הרכב האמריקאית החזירה בשנים האחרונות כ-350 מהנדסים ותיקים, חלקם עובדים לשעבר וחלקם מומחים שהגיעו מספקים, לאחר שמערכות אוטומטיות וכלי AI לא הצליחו לספק את רמת האיכות שלה ציפתה החברה. האמירה הבולטת ביותר הגיעה מצ'רלס פוּן, סגן נשיא להנדסת חומרת רכב ב-Ford, שהודה כי בחברה חשבו בטעות שעצם הכנסת הבינה המלאכותית והזנת דרישות התכנון למערכות יספיקו כדי לייצר מוצר איכותי. בפועל, כך עולה מהדיווחים, התברר כי במקומות שבהם נדרש שיקול דעת הנדסי מצטבר, זיכרון ארגוני והבנה עמוקה של תקלות עבר, האלגוריתמים לא הצליחו להחליף ניסיון אנושי.
מה בעצם קרה ב-Ford
הסיפור אינו על נסיגה מוחלטת מ-AI, אלא על תיקון כיוון. במשך תקופה Ford הגבירה את השימוש במערכות בדיקה אוטומטיות, כלי ניתוח ופתרונות AI כחלק ממאמץ רחב להפחית תקלות, לצמצם עלויות אחריות ולשפר את איכות המוצר. אלא שלפי הדיווחים, ההנחה שלפיה ניתן להמיר בקלות ידע הנדסי רב-שנים לכללים, מודלים ומערכי בדיקה התבררה כאופטימית מדי. החברה גילתה שהמערכות ידעו לזהות דפוסים מסוימים, אך לא תמיד הבינו את ההקשר: למה תקלה מסוימת מסוכנת יותר ממה שנראה על הנייר, מדוע סטייה קטנה בייצור עלולה להתפתח לבעיה סדרתית, ואילו סימנים מוקדמים מחייבים התערבות עוד לפני שהחלק מגיע לפס הייצור. לפי גורמים שצוטטו בסיקור, Ford החלה להחזיר מומחים ותיקים כדי לאתר נקודות כשל מוקדם יותר, להעביר ידע למהנדסים צעירים יותר, וגם לשפר את אופן ההפעלה והאימון של כלי ה-AI עצמם.
- כ-350 מהנדסים ותיקים גויסו או הוחזרו בשלוש השנים האחרונות.
- חלק מהמהנדסים הגיעו מתוך Ford עצמה, וחלקם מספקים ומומחי איכות חיצוניים.
- התפקיד שלהם אינו רק 'לתקן תקלות', אלא גם להכשיר עובדים צעירים ולכוון מחדש מערכות AI ואוטומציה.
- החברה לא ויתרה על AI, אלא עברה למודל שבו בני אדם מנוסים מפקחים על המערכות ומשפרים אותן.
למה AI נכשל במקום שבו הוותיקים הצליחו
הנקודה החשובה ביותר בסיפור של Ford היא שהכשל אינו בהכרח טכני במובן הצר, אלא ארגוני-תעשייתי. AI טוב מאוד בעיבוד כמויות מידע גדולות, באיתור חריגות וביצוע אוטומציה של משימות חוזרות. אבל בתעשיית הרכב, ובעיקר בהנדסת איכות, חלק ניכר מהערך נובע ממה שקשה מאוד לקודד: אינטואיציה מקצועית, היכרות עם 'היסטוריית הפציעות' של פלטפורמות רכב, זיהוי קשרים חלשים בין שינוי קטן במפרט לבין כשל עתידי, והבנה של תנאי אמת במפעל ובשימוש של הלקוח. לפי דיווחים שונים, ב-Ford הבינו שחלק מהידע הזה כלל לא הועבר למודלים או למערכות, בין היתר משום שעובדים מנוסים עזבו לפני שהניסיון שצברו תועד באופן שמערכות יכלו לנצל. במילים אחרות, הבעיה לא הייתה רק ש-AI לא היה חכם מספיק, אלא שהנתונים, התהליכים והחונכות הארגונית לא היו בשלים מספיק כדי לאפשר לו להצליח.
גם ברמה הניהולית, ההודאה של Ford מעניינת במיוחד משום שהיא מגיעה בתקופה שבה חברות רבות מציגות AI כפתרון כמעט מיידי לבעיות פרודוקטיביות, פיתוח ואיכות. ב-Ford, לפחות לפי התמונה שעולה מהדיווחים, קרה ההפך: ככל שהחברה נשענה יותר על מערכות אוטומטיות לבקרת איכות, כך התחדדה ההבנה שחסרה שכבת מומחיות אנושית שיודעת לפרש את הממצאים ולפעול על פיהם. זהו הבדל קריטי בין כלי עזר חכמים לבין תחליף אמיתי למומחים. במפעל, במעבדה או בפיתוח רכב, טעות קטנה אינה נשארת באקסל; היא מתגלגלת לעלויות אחריות, לתיקוני שירות, לריקולים ולפגיעה במוניטין. לכן, גם אם מערכת AI מצליחה לקצר בדיקות או לייעל תהליכים, עדיין נדרש אדם מנוסה שידע מתי לסמוך עליה, מתי להצליב ממצא, ומתי לעצור קו לפני שנזק קטן הופך לבעיה יקרה.
הפרדוקס: במקביל, Ford דווקא רשמה שיפור במדדי האיכות
דווקא על רקע ההודאה במגבלות ה-AI, Ford מגיעה לסיפור הזה מעמדה חזקה יותר מזו שהייתה לה בעבר. לפי נתוני JD Power שפורסמו ב-25 ביוני 2026, Ford דורגה ראשונה מבין המותגים העממיים במחקר ה-Initial Quality Study של 2026, שבוחן את מספר הבעיות שעליהן מדווחים בעלי רכב ב-90 הימים הראשונים לבעלות. מדובר בשיפור משמעותי עבור יצרנית שסבלה בשנים האחרונות מביקורת על איכות, עלויות אחריות וריקולים. לפי הודעת החברה ולפי סיקור משלים, השיפור לא נבע מצעד אחד, אלא משילוב של הידוק תהליכים, תוספת בדיקות, הרחבת צוותי איכות, ושימוש מדויק יותר בטכנולוגיה. במילים אחרות, לא עצם השימוש ב-AI הוביל לשיפור, אלא חזרה לאיזון: יותר בדיקות, יותר מומחיות, יותר בקרה אנושית, ורק מעליהן שכבת אוטומציה שנועדה לשרת את התהליך ולא להחליף אותו.
- JD Power פרסמה את מחקר האיכות הראשונית של 2026 ב-25 ביוני 2026.
- Ford דורגה ראשונה בקרב המותגים העממיים בארה"ב במחקר זה.
- המחקר בוחן בעיות שעליהן מדווחים לקוחות ב-90 ימי הבעלות הראשונים.
- לפי Ford, גם עלויות האחריות והריקולים ירדו, עם תרומה של מאות מיליוני דולרים לרוח גבית בעלויות.
מהדיווחים עולה שבחלק מהאתרים ובדגמים החברה חיזקה מאוד גם את שכבת הבקרה הפיזית. כך למשל דווח על תוספת של מאות נקודות בדיקה, עשרות בדיקות טכנולוגיות חדשות והרחבה משמעותית של כלי בדיקה מבוססי AI סביב השקות דגמים כמו Expedition. זו דוגמה חשובה, משום שהיא מבהירה שהלקח של Ford אינו 'AI לא עובד', אלא 'AI עובד טוב יותר כשהוא מחובר למשמעת תפעולית ולמומחים שיודעים מה לחפש'. ללא שכבת הידע הזו, קל מאוד לייצר תחושת שליטה מדומה: לוח מחוונים נראה מסודר, המודל מייצר ציונים וסימונים, אבל הבעיה האמיתית ממשיכה להתבשל בשטח. כשחברה תעשייתית בסדר גודל של Ford בוחרת להחזיר ותק הנדסי במקום להכריז על אוטומציה מלאה, היא למעשה אומרת לשוק כולו שהאיכות אינה רק בעיית דאטה, אלא בעיית שיפוט.
מה זה אומר על שוק העבודה ההנדסי
לא פחות מההיבט הטכנולוגי, זהו גם סיפור על ערך העבודה המקצועית. בשנים האחרונות נבנה לא פעם נרטיב שלפיו AI יחליף במהירות שכבות רחבות של מהנדסים, בודקים ואנשי תפעול. המקרה של Ford מציע תמונה מפוכחת יותר: ייתכן שחלק מהמשימות אכן יעברו אוטומציה, אבל היכולות הקשות ביותר להחלפה הן דווקא אלה שנצברו באיטיות לאורך שנים של כשלונות, תיקונים, השקות ובעיות אמת. המהנדסים הוותיקים, אותם 'gray beard' engineers, אינם רק מאגר ידע; הם מנגנון בקרה ארגוני. הם יודעים אילו שאלות לשאול, אילו הנחות לפרק, ואיפה הטכנולוגיה עלולה לטעות גם כאשר היא נראית משכנעת. לכן, מבחינת שוק העבודה, המסר אינו חזרה לעבר, אלא שינוי בהגדרת הערך: פחות ביצוע טכני שגרתי, יותר פיקוח, שילוב מערכות, אימות, הדרכה ואחריות על החלטות.
- הניסיון המצטבר של מהנדסים ותיקים נשאר נכס שקשה להמיר למודל חישובי.
- AI עשוי לצמצם עבודה ידנית וחזרתית, אך לא בהכרח להחליף שיפוט הנדסי.
- חברות יצטרכו להשקיע יותר בהעברת ידע בין דורות עובדים.
- הכשרה עתידית תדרוש שילוב של מומחיות תחומית עמוקה עם שליטה בכלי AI ואוטומציה.
ההיבט הזה רלוונטי מאוד גם לישראל. תעשיית הרכב המקומית אינה מייצרת כלי רכב בקנה המידה של Detroit, אך ישראל משולבת עמוק בשרשרת הערך העולמית דרך תוכנה לרכב, חיישנים, אבטחת סייבר, ADAS, ניתוח נתונים, בדיקות ואוטומציה. עבור חברות ישראליות שמוכרות פתרונות AI לתעשייה, הסיפור של Ford הוא תזכורת חדה לכך שלא די להדגים מודל מרשים או מערכת שמפיקה תובנות. לקוחות תעשייתיים גדולים מחפשים עמידות, עקביות, traceability, והיכולת להסביר החלטות במצבי קצה. מוצר AI שלא יודע להשתלב במשמעת הנדסית אמיתית עלול להיתקל בתקרת זכוכית מהר מאוד. מנגד, חברות ישראליות שיודעות לבנות שכבות בקרה, אימות, סימולציה, ניהול ידע ותמיכה בהחלטות אנושיות עשויות ליהנות בדיוק מהמגמה ש-Ford מחדדת: AI ככוח מכפיל למומחים, לא כתחליף גס להם.
הלקח הרחב יותר לתעשיית ה-AI
בסופו של דבר, הסיפור של Ford חשוב משום שהוא חורג מתעשיית הרכב. הוא משקף תבנית שחוזרת כיום בתחומים רבים: הנהלות ממהרות ליישם AI כדי להאיץ תהליכים ולהקטין עלויות, ואז מגלות שהערך האמיתי נוצר רק כאשר משלבים את הטכנולוגיה בתוך מערכת עבודה קיימת, עם אחריות אנושית ברורה ועם נתונים איכותיים באמת. זה נכון ברפואה, בפיננסים, בייצור, בלוגיסטיקה וגם בפיתוח תוכנה. ככל שהמשימה קריטית יותר, כך המחיר של אוטומציה חלקית או לא מבוקרת גבוה יותר. במקרה של Ford, הלקח כבר מתורגם להחלטות מעשיות: החזרת מומחים, חיזוק בקרת האיכות, שימוש ב-AI בתוך מסגרת פיקוח הדוקה יותר, והשקעה בהעברת ידע לדור הבא. עבור מי שמחפש להבין לאן עולם ה-AI התעשייתי הולך, זה כנראה הכיוון המדויק: פחות הבטחות על החלפת אנשים, יותר מערכות היברידיות שבהן אנשים מנוסים מגדירים את הגבולות שבתוכם המכונה באמת מועילה.
במובן הזה, Ford לא רק הודתה במגבלה של AI; היא גם סימנה מסלול בוגר יותר ליישום שלו. החברה אינה זונחת אוטומציה, אך היא מבהירה ששיפור איכות ברכב הוא משימה רבת שכבות: דאטה, תוכנה, ייצור, הנדסה, בקרה, תרבות ארגונית וזיכרון מקצועי. כאשר אחד המרכיבים האלה חסר, גם המודל המתקדם ביותר יתקשה לסגור את הפער. עבור תעשיית ה-AI, זהו רגע חשוב של התפכחות; עבור היצרנים, זהו שיעור בניהול סיכונים; ועבור העובדים המנוסים, זו תזכורת לכך שהון אנושי עמוק עדיין אינו משאב שניתן להחליף בקלות. דווקא בעידן של בינה מלאכותית, הערך של ידע אנושי שקט, מצטבר ולא זוהר הופך גלוי יותר.