Ford recontrató cientos de ingenieros después de descubrir que sus sistemas de inteligencia artificial no podían resolver los problemas de calidad que esos mismos profesionales habían gestionado durante años. El caso no es anecdótico: Commonwealth Bank of Australia e IBM atraviesan un giro similar, y el patrón revela una tensión estructural en la estrategia de automatización empresarial de la última década.
El error de cálculo de Ford: calidad sin memoria institucional
Ford Motor Company, fundada en 1903 y con sede en Dearborn, Míchigan, lleva más de un siglo fabricando vehículos. Su apuesta por la automatización de procesos de ingeniería parecía lógica en un sector donde los márgenes son estrechos y la presión competitiva, constante.
El problema surgió cuando los sistemas automatizados se enfrentaron a fallos de calidad complejos. Sin el conocimiento acumulado de los ingenieros experimentados, la inteligencia artificial no tenía base suficiente para diagnosticar ni corregir.
Charles Poon, vicepresidente de ingeniería de hardware de Ford, lo formuló con precisión: la inteligencia artificial solo es tan buena como la información con la que se la entrena. Una frase que resume el límite más concreto y menos discutido de la automatización industrial.
Por qué los modelos de IA fallan sin el conocimiento tácito de los ingenieros
Los sistemas de inteligencia artificial aprenden de datos históricos estructurados. Pero el conocimiento de un ingeniero experimentado no siempre está en una base de datos: vive en decisiones tomadas en planta, en patrones reconocidos con años de práctica, en juicios difíciles de codificar.
Cuando Ford redujo su plantilla de ingenieros, esa memoria operativa desapareció. Los modelos de automatización heredaron datos, pero no la capacidad de interpretarlos ante situaciones nuevas o ambiguas.
Este es el punto ciego que muchas empresas tecnológicas y manufactureras han subestimado: la diferencia entre datos disponibles y conocimiento aplicable. No son equivalentes, y confundirlos tiene consecuencias medibles en la calidad del producto final.
Commonwealth Bank e IBM: el mismo patrón en sectores distintos
Ford no es un caso aislado. Commonwealth Bank of Australia, uno de los cuatro grandes bancos del país y referente en digitalización financiera en el Pacífico, también ha revertido parte de su estrategia de reducción de personal vinculada a la automatización.
IBM, compañía fundada en 1911 y pionera en inteligencia artificial empresarial con su plataforma Watson, había apostado públicamente por reducir contrataciones en áreas donde la IA pudiera cubrir funciones. Ese plan también está siendo revisado.
Que tres organizaciones de sectores tan distintos —automoción, banca y tecnología— coincidan en el mismo diagnóstico en un período breve no es casualidad. Apunta a un problema sistémico en cómo se planificó la transición hacia la automatización.
La ilusión de la sustitución directa uno a uno
Durante años, el argumento dominante en los consejos de administración fue sencillo: si una tarea puede automatizarse, el trabajador que la realiza puede ser prescindible. La lógica parecía impecable en una hoja de cálculo.
Lo que ese razonamiento ignoraba era la naturaleza interconectada del trabajo cualificado. Un ingeniero de hardware no solo ejecuta tareas discretas; también detecta anomalías, comunica problemas entre departamentos y adapta soluciones a contextos cambiantes. Esa función de integración es difícil de replicar con un modelo entrenado en datos históricos.
El resultado, en casos como el de Ford, fue un deterioro en los indicadores de calidad que terminó siendo más caro que el ahorro generado por la reducción de plantilla. La recontratación de cientos de profesionales es la evidencia más tangible de ese cálculo fallido.
El coste real de perder talento especializado
Recuperar a un ingeniero experimentado no es tan sencillo como volver a publicar una oferta de empleo. Muchos de esos profesionales habrán encontrado otros puestos, reorientado su carrera o, en algunos casos, emigrado a competidores.
El conocimiento tácito que se pierde cuando un equipo se desmantela no se recupera de forma inmediata. Requiere tiempo de adaptación, formación interna y, en muchos casos, años de exposición a los problemas específicos de esa empresa o sector.
Este coste de fricción —invisible en los modelos financieros que justificaron los despidos— es hoy el argumento más sólido contra las estrategias de sustitución masiva y apresurada de personal por sistemas automatizados.
Automatización selectiva frente a sustitución total: el debate que Ford reabre
La narrativa que emerge de estos casos no es que la inteligencia artificial no funcione. Es que funciona de forma diferente a como se prometió en ciertos contextos, y que su valor real aparece cuando complementa al trabajador cualificado, no cuando lo reemplaza de forma directa.
En manufactura, los sistemas de visión artificial han demostrado eficacia en la detección de defectos visuales en cadenas de producción. Pero identificar la causa raíz de un fallo sistémico en un componente de hardware —el tipo de problema que Ford no pudo resolver sin sus ingenieros— exige razonamiento causal que los modelos actuales no dominan de forma fiable.
La distinción entre tareas automatizables y tareas que requieren juicio experto es más fina de lo que los planes de transformación digital de 2019 y 2020 anticiparon. Ford lo está aprendiendo a un coste concreto y documentado.
El contexto macroeconómico que aceleró las decisiones equivocadas
Entre 2020 y 2023, la presión sobre las grandes corporaciones para reducir costes operativos fue intensa. La pandemia aceleró planes de digitalización que en condiciones normales habrían tardado cinco años en implementarse. Muchas empresas tomaron decisiones de reestructuración de plantilla con una urgencia que no permitió validar los supuestos sobre los que se basaban.
Ford, en particular, anunció en 2023 recortes significativos de personal en sus divisiones de ingeniería como parte de su transición hacia los vehículos eléctricos y la reorganización de sus procesos internos. La presión de competidores como Tesla, que opera con estructuras de ingeniería más compactas, influyó en esa dirección.
El problema es que Tesla y Ford son empresas con historias, culturas de ingeniería y bases de conocimiento institucional radicalmente distintas. Copiar la estructura organizativa sin considerar esas diferencias fue otro error de cálculo.
Lo que Ford, IBM y Commonwealth Bank implican para empresas en España y América Latina
El caso tiene resonancia directa para empresas en España, México y Argentina que están en medio de procesos de automatización. El contenido de origen menciona explícitamente estos mercados como contexto relevante.
En España, sectores como la automoción —con plantas de Stellantis en Zaragoza, Volkswagen en Navarra o Renault en Valladolid— y la banca —con entidades como Santander o BBVA a la vanguardia de la digitalización— llevan años invirtiendo en inteligencia artificial para optimizar procesos.
El riesgo de replicar el error de Ford existe. La tentación de reducir plantillas de ingenieros o analistas experimentados bajo el supuesto de que los sistemas automatizados los cubrirán es real, y los casos de Ford, IBM y Commonwealth Bank ofrecen evidencia concreta de que esa transición requiere más cautela de la que los planes de transformación digital suelen contemplar.
Ford, Poon y el nuevo mandato para los equipos de ingeniería de IA
Lo que el caso de Ford deja sobre la mesa es una pregunta operativa concreta para cualquier empresa que automatice procesos críticos: ¿quién alimenta el sistema con el conocimiento que necesita para funcionar bien?
Charles Poon, al señalar que la inteligencia artificial depende de la calidad de su entrenamiento, está describiendo una responsabilidad que no desaparece con la automatización: alguien tiene que generar, curar y validar los datos con los que el sistema aprende. Ese alguien, en la mayoría de los casos, es un profesional especializado.
El escenario más probable en los próximos años no es la sustitución masiva de ingenieros por sistemas autónomos, sino la redefinición de los roles: menos ejecución de tareas repetitivas, más supervisión de modelos, más gestión del conocimiento que esos modelos necesitan para ser útiles. Quien entienda antes esa transición —empresa, trabajador o sector— estará mejor posicionado cuando la siguiente oleada de automatización llegue.
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 →
