AI로 사람을 줄인 포드, 품질이 무너지자 베테랑 350명을 다시 불렀다

무슨 일이 있었나

포드가 설계와 품질 검사 공정에 AI 자동화를 깊숙이 들이면서 노련한 엔지니어 자리를 줄였다. 결과는 의도와 반대로 갔다. 자동화 시스템은 복잡한 문제 앞에서 사람이 가졌던 미묘한 판단을 흉내 내지 못했고, 잡았어야 할 결함이 그대로 양산 라인을 통과했다. 회사는 자동화 품질 시스템에 점점 더 기댔지만 원하는 결과가 나오지 않았다고 인정했다. 그 대가는 수십억 달러 규모였고, 포드는 2025년 미국에서 가장 많은 리콜을 낸 완성차 업체가 됐다(보도된 리콜 캠페인만 150여 건).

복구 방식이 핵심이다. 포드는 지난 3년에 걸쳐 사내에서 ‘그레이 비어드(gray beard)‘라 불리는 베테랑 엔지니어 350여 명을 다시 채용하거나 재배치했다. 떠난 엔지니어들의 암묵지(tacit knowledge)가 끝내 AI 시스템에 담기지 못했다는 게 뼈아픈 지점이었다. 쿠마르 갈호트라 COO는 “자동화 품질 시스템에 점점 더 기댔지만 원하는 결과가 나오지 않았다. 기술 전문가들을 다시 불러 부품이 라인에 닿기 전에 결함 지점을 찾게 했다”고 말했다. 찰스 푼 차량 하드웨어 엔지니어링 부사장은 “AI는 훌륭한 도구지만, 학습에 쓴 정보만큼만 좋다”고 했다. 포드는 AI를 버리지 않았다. 사람의 감독 아래 두고 엣지 케이스를 잡는 신규 AI 테스트 10만 건 이상을 더 붙였다. 그렇게 사람과 AI를 다시 엮은 뒤, 16년 만에 처음으로 주류 브랜드 가운데 J.D. 파워 초기품질조사 1위에 올랐다.

창업자에게 의미하는 것

이 사건은 ‘AI 대체’와 ‘AI 증강’의 차이를 비싸게 가르쳐 준다. 대체는 사람을 빼고 그 자리에 모델을 넣는다. 증강은 사람을 남겨 두고 그 판단을 모델로 넓힌다. 포드가 놓친 건 베테랑의 암묵지가 데이터로 옮겨지기 전에 사람이 먼저 나갔다는 것이다. 결함을 잡아내던 직관은 매뉴얼에도, 학습 데이터셋에도 없었다. 자동화는 그 빈자리를 메우지 못했고, 비용은 리콜과 재고용으로 돌아왔다.

스타트업이라고 면역이 있지 않다. 오히려 더 위험하다. 소수 인력이 하던 일을 AI로 갈아 끼우면 단기 비용은 줄지만, 그 사람만 알던 예외 처리·고객 맥락·실패 패턴이 함께 사라진다. 표면 지표는 멀쩡한데 가장자리에서 품질이 무너지는, 포드와 같은 함정이다. 핵심 질문은 “AI로 사람을 줄일 수 있나”가 아니라 “이 작업에서 AI가 실제로 가치를 더하나, 아니면 보이지 않는 비용을 키우나”다.

한국 제조·하드웨어 스타트업 맥락에선 더 직접적이다. 스마트팩토리와 AI 검사 도입이 정부 지원과 맞물려 빠르게 퍼지는 중인데, 숙련공 고령화로 현장 암묵지가 한꺼번에 빠져나가는 구도가 포드와 겹친다. 자동화로 인력을 줄이기 전에 그 사람의 판단을 어떻게 데이터로 남길지부터 풀지 않으면, 절감한 인건비를 품질 사고로 토해 내게 된다. SaaS·서비스 팀도 같다. CS·운영·QA를 AI로 자동화할 때, 사람이 잡던 미묘한 신호를 모델이 놓치는 지점을 측정하지 않으면 이탈률로 청구서가 날아온다.

지금 취할 수 있는 행동

AI로 어떤 역할을 줄이거나 자동화하려 한다면, 그 사람을 내보내기 전에 두 가지를 먼저 하라. 첫째, 그가 잡아내는 예외와 판단 기준을 문서·데이터로 캡처해 모델에 넣을 수 있는지 검증한다. 못 옮기는 암묵지가 크다면 대체가 아니라 증강으로 설계를 바꾼다. 둘째, 작업을 단계로 쪼개 AI가 실제로 정확도를 올리는 구간과 떨어뜨리는 구간을 나눠 측정한다. 전체를 한 번에 넘기지 말고, 사람을 루프에 남긴 채 구간별로 검증한 뒤 자동화 비중을 늘리는 편이 결국 싸게 먹힌다.