Otomobil devi Ford, yapay zeka sistemlerinin deneyimli mühendislerin uzmanlığını karşılayamaması ve ürün kalitesinde sorunlar yaşanması üzerine 350 mühendisi yeniden işe aldı. Şirketin araç donanım mühendisliği başkan yardımcısı Charles Poon, yapay zekanın insan uzmanlığının yerini tamamen alabileceğine dair yanlış bir inanış içinde olduklarını kabul etti.

Kurumsal Bilgi Kaybı ve Yapay Zeka Sorunu

Yaşanan temel sorunun yapay zekanın bozuk olması değil, deneyimli çalışanların sistemlere aktarmaları gereken kurumsal bilgileri bırakmadan ayrılmaları olduğu belirtildi. Decadeler boyunca biriken mühendislik yargıları eğitim verilerine işlenmediği için, otomatik araçlar tasarım hatalarını tespit etmek yerine zayıf girişleri çoğaltan bir yapıya dönüştü. Bu boşluğu doldurmak için 350 tecrübeli isim geri çağrıldı, yeni alımlar yapıldı veya terfiler gerçekleştirildi.

Kalite Artışı ve Yazılım Güvenlik Önlemleri

Geri dönen mühendisler, genç personele mentorluk yapma ve yapay zeka eğitimini besleyen veri hatlarını yeniden inşa etme görevlerini üstlendi. Ayrıca Ford, 40 kişilik özel bir yazılım kalite güvence ekibi kurarak, yazılım değişikliklerini doğrulamak amacıyla 100 binin üzerinde yapay zeka destekli otomatik test ekledi. Bu adımlar sonucunda şirket, 16 yıl sonra ilk kez JD Power başlangıç kalitesi sıralamasında ana akım markalar arasında birinci sıraya yerleşti. Ford, 100 araç başına 152 sorunla Nissan ve Buick'i geride bıraktı.

Geri Çağırmalar ve Sektörel Etkiler

Kalite sıralamasındaki yükselişe rağmen Ford, 2026 yılında 11 milyon araçtan fazlasını kapsayan 51 geri çağırma işlemiyle ABD'li otomobil üreticileri arasında lider konumda bulunuyor. CEO Jim Farley'nin daha önce beyaz yakalı çalışanların yarısının yapay zeka ile değiştirileceği yönündeki öngörüsü, şirketin yaşadığı bu kalite kriziyle karmaşık bir hal aldı. Sektördeki genel daralma kapsamında Detroit otomobil üreticileri toplamda 20 bin beyaz yakalı pozisyonunu kaybederken, Ford 2020 zirvesinden bu yana yaklaşık 5 bin 300 maaşlı pozisyonu eledi.

Ne anlama geliyor?

Bu durum, karmaşık üretim süreçlerinde insan tecrübesinin dijital sistemlere aktarılma mekanizmasının nasıl işlemesi gerektiğini göstermektedir. Uzmanlık gerektiren alanlarda, sadece veri girişi yapmak yeterli olmamakta; karar verme süreçlerini yöneten sezgisel yargıların da sisteme kodlanması gerekmektedir. Veri setleri eksik olduğunda, otomatik araçlar hataları ayıklamak yerine mevcut yanlışları tekrarlayan bir döngü oluşturmaktadır.

Yazılım geliştirme süreçlerinde, otomasyonun tek başına yeterli olmadığı ve insan denetiminin kritik olduğu bir yapı ön plandadır. Özellikle uç durumların tespiti ve nihai kalite kontrol aşamalarında, uzman personelin denetimi olmadan yürütülen süreçler, ürünün piyasaya çıkış sonrası performansını doğrudan etkilemektedir. Bu mekanizma, teknik bilgiyle pratik tecrübenin sentezlenmesinin operasyonel sürdürülebilirlik için temel şart olduğunu ortaya koymaktadır.