Ford readmite a sus ingenieros veteranos después de que la inteligencia artificial no logró reemplazar décadas de conocimiento especializado en sus líneas de fabricación. El experimento, basado en modelos de lenguaje de gran escala, alcanzó el 98% de acierto en entornos controlados, pero ese margen de error resultó inaceptable en producción real.
El 2% que hundió el plan de automatización de Ford
Ford Motor Company, fundada en 1903 y con sede en Dearborn, Míchigan, lleva más de un siglo fabricando vehículos en serie. Es una de las empresas industriales más grandes del mundo, con operaciones en decenas de países y decenas de miles de empleados en planta. Su apuesta por la inteligencia artificial para sustituir ingenieros experimentados parecía, sobre el papel, un movimiento lógico dentro de la presión del sector por reducir costes operativos.
El problema emergió cuando los sistemas de IA se desplegaron en condiciones reales. Una tasa de acierto del 98% suena impresionante en un laboratorio. En una línea de fabricación que procesa miles de operaciones diarias, ese 2% de error se convierte en un volumen de fallos con consecuencias directas sobre la calidad del producto, los tiempos de parada y los costes de reparación.
Ese desfase entre el rendimiento en pruebas controladas y el rendimiento en producción no es un fallo menor. Es la diferencia entre un sistema funcional y uno que genera pérdidas.
Quiénes son los ‘gray beards’ y qué saben que la IA no sabe
Ford llamó de vuelta a los ingenieros a quienes había dejado marchar. La empresa los denomina internamente “gray beards”, una expresión coloquial del inglés que se traduce literalmente como “barbas grises” y que designa a los profesionales veteranos con décadas de experiencia acumulada en planta.
Estos ingenieros concentran lo que en psicología cognitiva se denomina conocimiento tácito: el conjunto de habilidades, intuiciones y patrones de reconocimiento que un profesional desarrolla con los años y que no puede transferirse fácilmente a un manual, una base de datos o un modelo de lenguaje.
Saben cuándo una máquina suena diferente antes de que aparezca el fallo. Identifican anomalías que no están en ningún histórico de datos. Toman decisiones en segundos basándose en contexto que ningún sistema ha aprendido a codificar.
Quiénes están detrás
Esa clase de conocimiento no desaparece cuando alguien firma su jubilación o su carta de despido. Pero recuperarlo tiene un coste, tanto económico como reputacional para la empresa que decidió prescindir de él.
El patrón que se repite en la industria manufacturera
El caso de Ford no es aislado. La industria manufacturera lleva varios años atravesando un ciclo reconocible: inversión acelerada en automatización e inteligencia artificial, reducción de plantillas especializadas, y posterior redescubrimiento de que ciertas tareas requieren criterio humano que los sistemas actuales no replican con fiabilidad suficiente.
Los modelos de lenguaje de gran escala, como los que Ford utilizó en este experimento, son herramientas potentes para procesar texto, generar documentación técnica o analizar grandes volúmenes de datos estructurados. No están diseñados para operar con la misma eficacia en entornos físicos complejos donde las variables cambian en tiempo real y donde el coste de un error no es una respuesta incorrecta en pantalla, sino un defecto en una pieza o una parada de línea.
La brecha entre lo que los sistemas de IA pueden hacer en condiciones óptimas y lo que se les exige en entornos industriales reales sigue siendo uno de los problemas más documentados del sector tecnológico aplicado a la manufactura.
Por qué la automatización industrial falla donde promete más
La promesa de la automatización total en entornos de fabricación complejos choca con una realidad estructural: las plantas industriales son sistemas dinámicos. Las condiciones cambian, los materiales varían entre lotes, las máquinas envejecen de forma irregular y los procesos se adaptan continuamente a demandas externas.
Los sistemas de inteligencia artificial actuales aprenden de datos históricos. Funcionan bien cuando el presente se parece al pasado que procesaron durante el entrenamiento. Cuando aparece una situación nueva, un fallo no registrado, una combinación de variables que nunca ocurrió antes, su rendimiento cae de forma brusca. Los ingenieros veteranos, en cambio, generalizan a partir de principios, no de patrones memorizados.
Esto no significa que la IA no tenga un lugar en la manufactura. Lo tiene, y es relevante. Pero ese lugar no es la sustitución completa del criterio experto, sino su amplificación: sistemas que ayudan al ingeniero a procesar más información, detectar anomalías más rápido o documentar procesos con mayor precisión.
El coste real de prescindir del talento especializado
Reincorporar a un ingeniero veterano no es tan sencillo como hacer una llamada telefónica. Muchos de estos profesionales, una vez que salen de una empresa, no están disponibles de inmediato. Algunos han iniciado otras actividades, otros han negociado condiciones de salida que complican la reincorporación, y otros simplemente han perdido la motivación para volver a una organización que los consideró prescindibles.
Ford ha tenido que asumir ese coste. La empresa no ha detallado públicamente los términos de estas reincorporaciones ni el número exacto de ingenieros readmitidos, pero la decisión en sí misma es un reconocimiento explícito de que el cálculo original estaba equivocado.
Este tipo de errores tiene también un impacto en la cultura interna. Los empleados que permanecieron en la empresa observan cómo se trata a los veteranos. La señal que reciben cuando ven que el talento senior es reemplazado por sistemas automatizados y luego recuperado a toda prisa no es una señal de confianza en la plantilla.
Ford y la presión competitiva que aceleró la decisión
Ford compite en un mercado donde los márgenes se han reducido de forma sostenida en los últimos años. La transición hacia los vehículos eléctricos ha exigido inversiones masivas en nuevas plataformas, baterías y procesos de fabricación, mientras los ingresos de los modelos de combustión tradicionales siguen siendo el principal sustento financiero de la compañía.
En ese contexto, la tentación de reducir costes de personal mediante la automatización es comprensible. Los modelos de lenguaje y los sistemas de visión artificial han mostrado resultados llamativos en entornos de prueba, y las cifras de adopción en el sector tecnológico han generado expectativas que no siempre se trasladan a la industria pesada con la misma velocidad.
La historia de Ford con sus “gray beards” es, en parte, el resultado de esa presión: decisiones tomadas con demasiada rapidez, basadas en métricas de laboratorio, sin suficiente validación en el entorno de producción donde los sistemas iban a operar.
Lo que el caso Ford cambia para los ingenieros industriales y las empresas del sector
Si te dedicas a la ingeniería industrial o gestionas equipos técnicos en manufactura, el caso Ford ofrece tres lecturas concretas sobre cómo puede evolucionar esta tensión entre automatización y talento especializado.
El primer escenario es el de la coexistencia estructurada: las empresas que aprendan de este tipo de fracasos diseñarán modelos híbridos donde los sistemas de IA asisten a los ingenieros en lugar de reemplazarlos. Quien gana aquí es el profesional que sabe trabajar con estas herramientas, no el que las teme ni el que las ignora.
El segundo escenario es el del encarecimiento del talento senior. Si varias empresas del sector repiten el ciclo de Ford, la demanda de ingenieros veteranos aumentará justo cuando muchos de ellos ya habrán salido del mercado laboral. Eso convierte el conocimiento tácito en un activo escaso, y los activos escasos se pagan más caro.
Lo que viene
El tercer escenario, menos probable pero no descartable, es que los avances en inteligencia artificial aplicada a entornos físicos, especialmente en robótica y sistemas de control en tiempo real, reduzcan esa brecha de forma significativa en los próximos años. Pero ese desarrollo requiere tiempo, datos industriales de alta calidad y una validación rigurosa que hoy todavía no existe a la escala necesaria.
¿Cuántas empresas están repitiendo ahora mismo el error que Ford ya ha reconocido? La respuesta a esa pregunta determinará cuántos ingenieros veteranos recibirán una llamada parecida en los próximos meses.
Imagen ilustrativa generada con inteligencia artificial.
Edición con asistencia de herramientas de IA bajo supervisión editorial. Cómo trabajamos.
Fermín Sánchez es el responsable editorial de LaPrensaIA, diario de divulgación sobre inteligencia artificial. Cubrimos la actualidad de la IA con criterio propio —tecnología, empresas y sociedad— de forma clara para el público no técnico. Cada artículo se elabora con la asistencia tecnológica de Iberia y se revisa antes de publicarse. Más sobre cómo trabajamos →
