AIで人を減らしたフォード、品質崩壊で350人を呼び戻した

何が起きたのか

フォードは設計と品質検査の工程にAI自動化を深く入れ、ベテランエンジニアの数を絞った。狙いと逆の結果が出た。自動化システムは複雑な問題に対して人間が持っていた微妙な判断を再現できず、止めるべき不具合がそのまま量産ラインを通過した。同社は自動化品質システムにますます依存したが望む結果が得られなかったと認めた。代償は数十億ドル規模で、フォードは2025年に米国で最も多くのリコールを出した自動車メーカーになった(報じられたリコールキャンペーンだけで150件超)。

復旧のやり方が核心だ。フォードは過去3年で社内で’グレイビアード(gray beard)‘と呼ばれる熟練エンジニア約350人を再雇用・再配置した。痛いのは、去ったエンジニアの暗黙知(tacit knowledge)が結局AIシステムに移されなかった点だ。クマール・ガルホトラCOOは「自動化品質システムにますます頼ったが望む結果が出なかった。技術専門家を呼び戻し、部品がラインに届く前に故障点を探させた」と述べた。チャールズ・プーン車両ハードウェアエンジニアリング担当VPは「AIは素晴らしい道具だが、学習に使った情報の良さ以上にはならない」と語った。フォードはAIを捨てなかった。人の監督下に置き、エッジケースを捉える新規AIテストを10万件以上追加した。人とAIを再び結び直した後、16年ぶりに主流ブランドの中でJ.D.パワー初期品質調査の1位に立った。

創業者にとっての意味

この一件は「AI代替」と「AI拡張」の違いを高い授業料で教える。代替は人を抜いてその席にモデルを置く。拡張は人を残し、その判断をモデルで広げる。フォードが見落としたのは、ベテランの暗黙知がデータに移される前に人が先に出ていったことだ。不具合を捉えていた直感はマニュアルにも学習データにもなかった。自動化はその空白を埋められず、コストはリコールと再雇用として返ってきた。

スタートアップに免疫はない。むしろ危ない。少人数でやっていた仕事をAIに置き換えれば短期コストは下がるが、その人だけが知っていた例外処理・顧客文脈・失敗パターンも一緒に消える。表面の指標は無事なのに、端のほうで品質が崩れる。フォードと同じ罠だ。本当の問いは「AIで人を減らせるか」ではなく「この作業でAIは実際に価値を足すのか、それとも見えないコストを膨らませるのか」だ。

日本市場でも直接的だ。人手不足を背景に製造・物流・サービスでAI自動化と省人化が一気に進むが、熟練者の高齢化で現場の暗黙知がまとめて抜ける構図はフォードと重なる。自動化で人を減らす前に、その人の判断をどうデータに残すかを解かなければ、削った人件費を品質事故で吐き出すことになる。SaaSや運用チームも同じで、CS・QAをAIで自動化するとき、人が拾っていた微妙な信号をモデルが取りこぼす地点を測らなければ、解約率という請求書が届く。

今できること

AIである役割を減らすか自動化しようとするなら、その人を出す前にまず二つをやる。一つ、その人が捉える例外と判断基準を文書・データとして取り込み、モデルに入れられるか検証する。移せない暗黙知が大きいなら、代替ではなく拡張へ設計を変える。二つ、作業を段階に分け、AIが実際に精度を上げる区間と下げる区間を分けて測る。全体を一度に渡さず、人をループに残したまま段階ごとに検証し、データが認める所だけ自動化の比率を上げる。結局そのほうが安く済む。