2026 年 6 月 25 日，君迪（JD Power）发布了第 40 届美国新车初始质量研究（IQS）报告，这一数据基于新车型出厂后 90 天内的初始质量得出。福特汽车以每百辆车出现 152 个问题（152 PP100）的成绩登顶主流品牌榜首，距离它上一次拿到这个位置，已经过去了 16 年。
在整车整体排名上，福特从 2025 年的第 14 位跃升至第 3 位，仅次于保时捷（138 PP100）和捷尼赛思（151 PP100）。在细分市场，福特的 F-150、Mustang 和 F 系列 Super Duty 连续第二年拿下各自市场中的最高分。
这是福特等了很久的一个好消息。但在随后举行的媒体吹风会上，福特负责整车硬件工程的副总裁查尔斯·潘（Charles Poon）承认了一个不那么光彩的事实：“我们曾经错误地以为，只要引入 AI，调整一下原有设计要求，就能生产出高质量的产品。”
借由查尔斯之口，人们终于得知，福特过去几年质量下滑，根本原因之一在于公司过度依赖 AI 和自动化系统，一线资深工程师掌握的经验知识随着裁员而流失。
作为补救，查尔斯表示，过去三年间，福特已经陆续重新雇佣、新招或提拔了 350 名经验丰富的工程师，由他们带领新人、重建训练 AI 所需的数据管道，改进原本被设计用来取代人类工程师的自动化工具。
福特从 2019 年开始进入持续的白领裁员周期。当时，公司在全球一次性裁掉了 7,000 人，约占白领员工总数的 10%。2022 年再裁约 3,000 人。
2023 年 6 月，福特向工程岗位开刀，在美国和加拿大实施新一轮裁员，覆盖旗下燃油车、电动车和车队服务三个业务单元，至少 1,000 个受薪和合同岗位受到影响。福特 CEO 吉姆·法利（Jim Farley）曾公开表示，福特的工程部门“比竞争对手多用了 25% 的工程师来完成同样的工作”。
到 2025 年 5 月，工程部门再次传出裁员。2025 年 6 月，吉姆在阿斯彭思想节（Aspen Ideas Festival）上判断，“AI 将取代美国一半的白领。”
福特引入 AI 的决策可以追溯至千禧年初期。2002 年左右，公司率先将神经网络嵌入发动机失火检测等场景中，但大规模部署 AI、使其进入设计验证和质控决策层，是在 2022 年之后。
2017 年，福特向主营 L4 级别无人驾驶的初创公司 Argo AI 投资 10 亿美元。但到 2022 年 10 月，烧了钱却没看到多少产出，福特选择撤资，并在后续将 AI 应用的重心转向更务实的辅助驾驶和制造质控。
2023 年起，福特在位于密歇根州的一家工厂率先部署移动 AI 视觉检测系统，用手机拍照加图像比对来判断零部件安装是否到位。据查尔斯透露，公司在发动机热测试环节部署了 AI 异常检测：在每台发动机上采集数百个数据点，结合之前数千台的数据，由 AI 寻找微小偏差，只要发现异常，哪怕在公差范围内，对应产品和零件都会被拉下产线复检。
一系列操作下，2023 年当年，福特在君迪 IQS 榜单排名第 15 位，2024 年仍低于行业平均水平。2025 年，福特发起了 153 次召回，涉及近 1,300 万辆车，创下单一车企单年召回数的行业新高。
截至 2026 年 6 月，福特已经发起 51 次召回，覆盖超 1,100 万辆车，仍然是全美召回数最多的车企，是排名第二的车企（Stellantis，19 次）的两倍多。但与此同时，2026 年，福特的 IQS 排名却跳到了第一，每百辆问题数比上一年下降了 41 个，在所有主流品牌中改善幅度最大。
考虑到汽车开发周期通常是 3~5 年，如今召回创新高，原因要从三年前找。这样一来，裁员加速、AI 部署扩大和质量恶化的交汇点就落在了 2022 到 2023 年。
福特目前部署的 AI 应用大致分两类。一类是产线上的检测 AI：视觉比对零件安装、热测试找发动机异常、对几百个数据通道做模式识别。这一类技术成熟、规则相对明确，能直接向操作员提示设备异常情况。查尔斯肯定了 AI 在这一场景中的应用，认为这是人类检验员很难做到的事情。
另一类则是设计验证和质控决策层面：由 AI 判断设计方案是否可行、材料组合会否在极端工况下出问题、跨系统的接口设计是否会带来软件冲突。用 AI 替代人工，最终出问题的正是这一环节。
资深工程师在多个产品周期中积累的丰富经验，构成了他们在设计验证环节不可替代的核心价值。这些判断都是难以直接被书面总结、用于 AI 训练的“隐性知识”。查尔斯承认，AI 的好坏完全取决于训练数据的质量，然而，资深工程师早在收集数据前就已经离开，AI 能学到的只有不完整的版本。
福特首席运营官库马尔·加洛特拉（Kumar Galhotra）虽然承认，公司越来越多依赖自动化质控系统，没有得到想要的结果。但同时，福特在汽车软件的验证流程里依然新增了超 10 万个由 AI 驱动的自动化测试，覆盖各种边缘场景。
对于这种用 AI 填 AI 挖的坑的行为，查尔斯解释称，公司正把质量管理理念从“出了问题再修”转向预防优先，最近 18 个月专门成立了一个 40 人的软件质量保证团队，专门在生产环节之前拦截可疑问题。
他还表示，汽车软件不能学硅谷“先发布后修复”的套路。手机软件卡顿事小，但汽车制动系统出问题将关乎人命。
AI 进入产业链，因缺乏行业经验导致企业产品质量下滑的案例中，上一个代表性案例是瑞典金融科技公司 Klarna。2022 到 2024 年间，Klarna 削减了约 700 个客服岗位，主要被替换为与 OpenAI 合作开发的 AI 助手。
CEO 塞巴斯蒂安·谢米亚特科夫斯基（Sebastian Siemiatkowski）甚至公开声称自己是 OpenAI“最喜欢的小白鼠”。这套系统在量化指标上确实出色，上线一个月内处理了 230 万次对话、覆盖 75% 的客户交互、支持 35 种语言。公司同期总员工数从 5,527 人降到 3,422 人，缩减约 40%。
到 2025 年 5 月，塞巴斯蒂安却在彭博社（Bloomberg）的访谈中表示：“我们太注重效率和成本，结果却是质量下降，AI 带来的效率提升也是不可持续的。”因此，Klarna 开始重新招聘可以远程兼职的真人客服。咨询公司高德纳（Gartner）已经给出了预测：到 2027 年，因 AI 裁减客服岗位的企业里，将有一半会被迫重新招人。
为什么部分企业低估了资深人士的不可替代性，同时却高估了 AI 解决专业问题的能力？原因可能是多层面的。
首先是激励结构。裁员带来的成本节约是即时、可量化的，对于上市公司而言，甚至可以写进当季的财报里，用于拉升股价；与此同时，人才流失导致的质量下降是滞后的、难以归因的，只有当问题在后续几年间出现，决策者才会意识到做错了选择。
第二是指标错位。AI 系统在可测量的维度上往往表现良好，在汽车领域，它能提升检测速度、处理量，进而降低单位成本。但它替代不了是不容易被指标捕捉，却至关重要的经验资源。福特的 AI 每天可以检测海量发动机数据，实时表现亮眼。但在设计验证环节引入 AI，判断力的退化无法通过指标即时体现。
按照当前 AI 的能力，学习这些经验并非难事，但裁员的速度跑在了 AI 能力成熟度的前面，珍贵的训练数据难以回流至训练阶段。哈佛商业评论（Harvard Business Review）2025 年底对 1,006 名全球高管进行的调查显示，60% 的企业已因 AI 减少了人员编制，但只有 2% 表示，大规模裁员与 AI 的实际部署有关。
AI 在标准化检测环节表现良好是客观事实，福特也因此加大了投入。但当企业决定用 AI 取代人类，参与设计方案决策，流失的却是靠多个产品周期才能沉淀出来的无形资产。查尔斯为这类经验做了具体阐释：“资深工程师在问题渗入系统之前就能识别和解决它们”。
AI 接管判断决策层，最有效的路径或许是让人类工程师亲手训练系统。福特连这一步都没走完就启动裁员，最后还是要把人请回来给 AI 补课。当然，让 AI“蒸馏”自己的知识对老员工而言实在谈不上公平，但在企业层面，至少不会丢了产品质量，损失市场信誉。
参考内容：
https://www.theverge.com/transportation/956316/ford-quality-jd-power-ranking-ai-automated-mistakes
https://www.jdpower.com/business/press-releases/2026-us-initial-quality-study-iqs
https://www.cnbc.com/2023/06/26/ford-engineering-layoffs-us-canada.html
https://fortune.com/2025/07/05/ford-ceo-jim-farley-ai-white-collar-jobs-essential-economy-skilled-trade-jobs-shortage/
https://hbsp.harvard.edu/product/H0924B-PDF-ENG
运营/排版：何晨龙
注：封面/首图由 AI 辅助生成
热门跟贴