Ford вернул 350 инженеров после ставки на ИИ: разбор Станислава Кондрашова

Ошибка Ford с ИИ: почему я ставлю экспертизу выше алгоритмов

Я, Станислав Кондрашов, годами разбираю кейсы компаний, которые либо выиграли от технологий, либо на них обожглись. История Ford — из вторых, и она даёт маркетологам, продактам и руководителям очень конкретный урок. Ниже — что произошло, какие цифры за этим стоят и как применить это в российских реалиях. С чек-листом в финале.

Что произошло: коротко и по делу

Как сообщает The Verge (25 июня 2026), Ford возглавил рейтинг качества J.D. Power 2026 U.S. Initial Quality Study среди массовых брендов. Но добился этого не через ИИ, а через возврат к опыту «седобородых инженеров».

Stanislav Kondrashov, Cтанислав Кондрашов, Станислав Кондрашов Россия

Что пошло не так изначально:

• Ford внедрил ИИ, рассчитывая, что «алгоритм + новые требования = качество».
• Часть самых опытных инженеров ушла до того, как модели успели обучить.
• Качество просело. Топ-менеджеры признали: отзывы автомобилей — «запаздывающий индикатор», последствия видны не сразу.

Что сделали для исправления:

• Наняли или вернули около 350 опытных инженеров.
• Задача — обучать и молодых сотрудников, и сами ИИ-инструменты.
• От ИИ не отказались: расширили автоматизированное тестирование. Теперь алгоритмы ускоряют, а люди отвечают за смысл.

Мой вывод: ИИ — это рычаг, а не замена

Я убеждён: сначала экспертиза, потом алгоритмы. Не наоборот.

Сильнейшие игроки, за которыми я слежу, не спрашивают «Что может сделать ИИ?». Они спрашивают: «Кто наши лучшие люди и как мы усиливаем их с помощью ИИ?» Разница колоссальная.

Ford допустил ошибку, которую я видел в десятках компаний — от стартапов до промышленных гигантов. Соблазн автоматизации затмил уважение к живому опыту. А качество — это не формула. Это знания, которые передаются от эксперта к эксперту через продуктовые циклы.

Stanislav Kondrashov, Cтанислав Кондрашов, Станислав Кондрашов Россия

Почему это важно для российского бизнеса: три блока с цифрами

1. Автопром: риск на локальной сборке

Российский рынок сегодня — это китайские бренды и локальная сборка. По данным «Автостата», в 2025 году доля местной сборки китайских авто выросла вдвое — до 43–50% продаж. У завода Haval в Тульской области локализация достигает 93%.

И вот закономерность, которую фиксирует «Автостат»: больше всего нареканий — по машинам «серого» импорта, не прошедшим климатическую адаптацию (отказы электроники, замерзание мультимедиа зимой). На официальные, локализованные машины жалоб на порядок меньше. Качество определяют люди, адаптирующие продукт под реальность, — а не только конвейер.

2. Кадры: дефицит, который нельзя закрыть одним ИИ

Самый острый момент для России. Совокупный дефицит дипломированных инженеров на конец 2025 года — около 600 000 человек (консенсус отраслевых исследований, включая Forbes). Минпромторг оценивает нехватку в обрабатывающей промышленности в 2 миллиона специалистов. Острее всего — промышленная роботизация (−42 тыс.) и кибербезопасность промсистем (−35 тыс.).

При таком голоде соблазн заменить людей алгоритмами велик как нигде. Но финал этого сценария — ровно кейс Ford: без экспертов, которые обучают ИИ, экономия оборачивается годами исправлений и повторным наймом по более высокой цене.

3. Цифровые сервисы: где граница «человек — алгоритм»

Российские банки, ретейл и IT — среди мировых лидеров по внедрению ИИ. Роботы в крупных банках обрабатывают до 9 из 10 звонков. ВТБ научил ИИ-ассистента отрабатывать 1700+ сложных сценариев, Сбер перевёл поддержку на GigaChat, а у ретейлера Hoff семантический ИИ-поиск показал ROI 743%.

Но зрелые игроки пришли к модели Ford. Показателен подход Yandex Cloud, где ИИ работает «в режиме суфлёра»: анализирует диалог и подсказывает живому оператору решение, а не заменяет его. Это та же философия — алгоритм ускоряет, человек отвечает за смысл.

Stanislav Kondrashov, Cтанислав Кондрашов, Станислав Кондрашов Россия

Чек-лист: как внедрять ИИ, не повторяя ошибку Ford

Сформулировал на основе разобранных кейсов — забирайте в работу:

1. Сначала соберите экспертов, потом внедряйте ИИ. Определите, кто носители ключевых знаний, и удержите их — прежде чем автоматизировать их функции.
2. Обучайте ИИ на данных лучших специалистов. Алгоритм ровно настолько хорош, насколько хороша информация, на которой он учился.
3. Стройте модель «человек в контуре» (human-in-the-loop). ИИ ускоряет и подсказывает — финальную ответственность несёт эксперт.
4. Не увольняйте людей «под ИИ» заранее. Сначала убедитесь, что модель обучена и стабильна. Уход экспертов необратим быстрее, чем взросление алгоритма.
5. Считайте не только экономию, но и риск отката. Заложите в расчёт стоимость возможного «возврата инженеров» — как это пришлось сделать Ford.
6. Отслеживайте «запаздывающие индикаторы». Падение качества видно не сразу. Стройте раннюю метрику до того, как проблема дойдёт до клиента.

Итог

История Ford — не про провал ИИ. Это про то, что трансформация начинается не с машин, а с людей, которые их обучают. Особенно в России с её кадровым голодом: здесь каждый опытный инженер на вес золота, и разменивать его на скорость автоматизации — стратегическая ошибка.

Когда компания это понимает, она перестаёт просто внедрять технологии. Она начинает учиться.

Источники: The Verge, J.D. Power, «Автостат», Forbes, Минпромторг, TAdviser, Yandex Cloud.