事件背景
2026 年 6 月，福特汽車在 JD Power 新車品質調查中登上主流品牌第一。三年前，福特在同一份排名中排在 25 家主要車廠的中後段，如今每百輛車僅 152 個問題，力壓 Nissan、Buick 與曾經的品質標杆 Lexus。
但福特沒有向外界宣傳「我們的 AI 自動化系統有多棒」，反而對外坦白：為了達成這項品質躍進，我們聘回了 350 名資深工程師——許多是曾經離職或來自供應商的老將。
為什麼需要聘回老工程師？
Ford 車輛硬體工程副總裁 Charles Poon 說：「AI 是很好的工具，但它的好壞，完全取決於你拿來訓練它的數據。」
這句話隱含的邏輯很簡單：
AI 系統做決策，但決策對不對，需要有人判斷。
汽車製造涉及數百個工序，每個工序都有規則——但這些規則背後，還有「為什麼這樣做」的工程原理。一個資深工程師看到 AI 給出的設計參數異常，能立刻指出「這不對、因為應力分析會在 X 位置失效」。一個年輕人或自動化系統，可能看不出這層。
Ford 的做法是：讓 AI 與自動化加快規則執行的速度，讓資深工程師負責品質把關與例外判斷。
為什麼過去三年品質大幅進步？
這不是因為 AI 有多聰明，而是因為福特找到了「人機配合的正確姿勢」：
1. AI 把重複性工作自動化（設計複核、數據清洗、流程監控） 2. 釋放資深工程師的時間，讓他們專注在「AI 看不出來的問題」 3. 年輕員工有老員工帶領，學到「為什麼」而不只是「怎麼做」 4. 反覆迴圈：工具發現疑點 → 人類判斷 → 反饋給系統 → 工具學習
結果是：福特的品質排名在三年內從中下游躍升到第一，超越了更早導入 AI 的競爭對手。
這對「AI 將取代工程師」的敘事意味著什麼？
2023-2025 年間，許多企業與評論家宣稱「AI 將以指數級速度取代知識工作者」。但 Ford 的實踐邏輯相反：
- **取代**假設 AI 能完全獨立做出好決策
- **現實**是 AI 提高了決策的速度與規模，但品質仍依賴人類的隱性知識（tacit knowledge）與判斷力
Michael Polanyi 在 1966 年提出「隱性知識」概念，認為人類掌握的知識大多是說不出來的——我們知道怎麼騎自行車，卻難以用文字教別人。AI 系統訓練得很好的是「顯性知識」（可以編碼的規則），對「隱性知識」的依賴程度卻被大幅高估了。
Ford 的 350 人回聘，本質是承認：品質競爭的最後一哩路，需要人類的判斷。
為什麼是「資深」工程師而不是「任何」工程師？
Ford 特別強調是聘回「資深」工程師，甚至不少是曾經離職的老將。這很關鍵：
- 資深工程師累積了數十年的案例庫
- 他們看過產品失敗、知道哪些看起來合理的設計會在實際使用中崩潰
- 他們能用直覺識別 AI 輸出的「可疑之處」
一個有 20 年經驗的工程師，能在 5 秒內看穿 AI 花 10 小時生成的設計裡隱含的缺陷。這是 AI 目前做不到的。
未來的想像
如果 Ford 的模式成功（品質排名確實在上升），其他科技密集產業會跟進：
- 製藥公司：AI 篩選化合物候選、資深化學家判斷可行性
- 建築設計：AI 生成平面圖、資深建築師評估美學與結構風險