Ford stellt wegen Problemen bei der KI-Qualitätsprüfung erneut „gray beard“-Inspektoren ein

• Ford Motor Co. setzt zur Verringerung hartnäckiger Qualitätsprobleme erneut erfahrene Ingenieure ein, die als „gray beards“ bezeichnet werden, um junge Mitarbeitende zu schulen und KI-Tools zu ergänzen
• In den vergangenen drei Jahren hat das Unternehmen 350 erfahrene Ingenieure eingestellt; viele davon sind ehemalige Ford-Mitarbeitende, einige kommen von Zulieferern
• Allein mit KI-Tools, die nicht die erwarteten Ergebnisse lieferten, ließ sich die Qualität schwer in den Griff bekommen; die Qualitätsprobleme verursachten dem Unternehmen Kosten in Höhe von mehreren Milliarden Dollar
• Die wieder eingestellten Fachkräfte geben ihre Einschätzungen aus der Praxis weiter und übernehmen zugleich die Aufgabe, die für die Qualitätsarbeit eingesetzten KI-Tools neu zu justieren
• Ford belegte in der am Donnerstag veröffentlichten aktuellen JD Power Initial Quality Survey unter den Volumenmarken den ersten Platz

---

Qualitätsarbeit mit Unterstützung erfahrener Fachkräfte

• Ford Motor Co. begegnet lang anhaltenden Qualitätsproblemen nicht allein mit Automatisierung, sondern setzt wieder erfahrene Fachkräfte ein
• Die von dem Unternehmen als „gray beards“ bezeichneten Ingenieure unterstützen junge Mitarbeitende bei Entscheidungen und programmieren KI-Tools neu, die nicht die erhoffte Leistung erbracht hatten

350 Wiedereinstellungen in drei Jahren

• Ford hat in den vergangenen drei Jahren 350 erfahrene Ingenieure eingestellt
• Unter den eingestellten Kräften sind viele ehemalige Ford-Mitarbeitende, daneben auch Ingenieure von Zulieferern
• Sie wurden eingesetzt, um Qualitätsprobleme anzugehen, die nur schwer lösbar erschienen

Grenzen der KI-Tools und hohe Kosten

• Die von Ford zur Lösung von Qualitätsproblemen eingesetzten KI-Tools erfüllten ihre erwartete Rolle nicht ausreichend
• Die Qualitätsprobleme verursachten Ford Kosten in Höhe von mehreren Milliarden Dollar
• Das Unternehmen will die Erfahrung erfahrener Ingenieure nutzen, um sowohl die KI-Tools als auch die Fähigkeiten junger Mitarbeitender zu ergänzen

Ergebnisse der JD Power-Studie

• Ford erreichte in der am Donnerstag veröffentlichten aktuellen JD Power Initial Quality Survey unter den Volumenmarken den ersten Platz
• Das Ergebnis wird zugleich als Erfolg nach der Wiedereinstellung erfahrener Ingenieure und den Maßnahmen gegen Qualitätsprobleme dargestellt

[GN⁺]

Hacker-News-Kommentare

• Wer den Offshoring-Boom Mitte der 2000er erlebt hat, sieht hier fast dieselbe Entwicklung
  CEOs/CFOs großer Konzerne prahlen vor ihren Golf-Freunden damit, wie viel sie durch Personal im Ausland gespart haben, entlassen in Phase 1 massenhaft Leute und verlagern die Arbeit ins Ausland, wodurch die Finanzkennzahlen für 5–6 Quartale besser aussehen
  In Phase 2 fangen Belegschaft und Organisation an zu zerfallen, und es zeigt sich, dass Kultur- und Kommunikationsbarrieren noch immer schwer effizient zu überwinden sind. Nur sehr wenige bekommen das wirklich gut hin, für die meisten passt es nicht
  Gegen Phase 3 herum sind die Leute, die sich problemlos einen anderen Job suchen konnten, längst weg, und das Unternehmen bleibt wie eine ausgebrannte Hülle zurück, die in Phase 5 natürlich verschwindet
  • Der Kern ist der kurzfristige Gewinn. Partner von Firmen wie Accenture oder Infosys umringen Führungskräfte alter Industrieunternehmen, und selbst wenn die Geschäftszahlen schlecht werden, kann man das mit buchhalterischen Tricks noch kurz kaschieren
    Wenn dann ein Quartal komplett entgleist, wackelt gleich das ganze Geschäftsjahr, das Zuschieben von Verantwortung beginnt, und plötzlich fallen Worte wie „den Gürtel enger schnallen“ oder „Fixkosten in variable Kosten umwandeln“
    In genau diesem Moment wirkt der Vorschlag von Big Consulting, dessen Einsparungen sofort in diesem Geschäftsjahr verbucht werden können, äußerst attraktiv
    Die Risse zeigen sich schnell: Es fehlt an Programm-/Projektmanagement, die Servicequalität wirkt schlechter, aber es gibt keine Metriken, nach dem Abgang des ersten Teams muss das Outsourcing-Personal neu angelernt werden, und neue Projekte können nicht einmal richtig geschätzt werden
    Innerhalb der Geschäftsbereiche entstehen Schatten-IT-Abteilungen, und der Outsourcing-Anbieter hat kein Interesse an Vendor-Konsolidierung oder daran, andere Anbieter unter Druck zu setzen
    Wenn das Ziel ist, eine chronisch schwache IT-Abteilung strategisch zu verbessern, kann das einen gewissen Wert haben, aber wenn es hektisch geschieht, um Schwächen im Kerngeschäft zu verdecken, bringt es fast nie etwas
  • Der witzige Teil ist: Selbst wenn alle sich einig sind, dass diese Art von Führung kaputt ist, machen die meisten später genau dasselbe, sobald sie in eine ähnliche Macht- und Entscheidungsposition kommen
  • Das passiert auch heute noch, nur versucht man jetzt, ein paar interne Technikleute zu behalten. Das Problem ist, dass die internen Kräfte theoretisch keine Änderungen selbst umsetzen dürfen und nur „unterstützen“ sollen, wodurch der Anreiz zu bleiben gering ist
  • Die Lösung ist natürlich, Kulturbarrieren mit AI zu überwinden. Es übersetzt ja auch, also müssen die Leute im Ausland nicht einmal mehr die Unternehmenssprache beherrschen und man kann die Kosten noch weiter senken /s
• Selbst wenn man einmal beiseitelässt, dass der Gedanke, Mitarbeitende zu entlassen und durch AI zu ersetzen, an sich kurzsichtig ist, hat Ford die falschen Mitarbeitenden entlassen
  LLMs funktionieren am besten in den Händen erfahrener Senior Engineers, die bereits auf hoher Abstraktionsebene arbeiten können, weil sie die darunterliegenden Bausteine verstehen
  In gewisser Weise ist der Einsatz von LLM-Agenten so, als würde man einer sehr klugen und schnellen Junior-Kraft Anweisungen geben, die aber blinde Flecken hat und über wenig Organisationswissen verfügt
  Die Leute, die darin gut sind, sind Senior-Leute. Wenn man also die Seniors entlassen hat, hat man genau die Personen weggeschickt, die LLMs am besten nutzen könnten
  • Das ist absolut grundlegend. Um komplexe Prompts für Architekturarbeit zu erstellen, muss man die Lösung zumindest auf der Abstraktionsebene schon kennen
    Wenn man kein korrektes Systemdesign im Kopf hat, wird kein LLM es aus dem Nichts herbeizaubern
  • Wer hat gesagt, dass Ford Mitarbeitende entlassen hat? Im Artikel steht davon nichts
• Da die Modelle hinter dem Hype zurückgeblieben sind, wird das insgesamt wohl ein Standardverlauf sein
  LLMs und Agenten sind eine große Hilfe beim Lösen schwieriger Probleme, aber wir sind noch nicht an dem Punkt, an dem wir nur Design und Architektur machen und ihnen den ganzen Rest überlassen können
  Wir sind näher dran, und für bestimmte Use Cases mag es schon gehen, aber für Low-Level-Arbeit oder groß angelegte Migrationen in Großunternehmen reicht es noch nicht
  Wir nutzen Agenten und sogar Agenten von Agenten, und trotzdem kommt es vor, dass man große Teile eines Projekts herausreißen und den Hunden zum Fraß vorwerfen muss, weil es Trash-Code ist. Stand GLM-5.2
  • Hier hilft dokumentationsgetriebene Entwicklung. 75 % meines Workflows bestehen inzwischen darin, Dokumente auf immer niedrigeren Abstraktionsebenen zu erzeugen, bis am Ende Code herauskommt
    Wenn die Tests durch sind, ist der Code normalerweise optimal, sauber, fehlerfrei und zudem extrem gut dokumentiert
    Allerdings braucht es weiterhin ständige wiederholte Eingriffe durch Menschen
• https://archive.is/DI4Cq
  The Verge berichtet ebenfalls darüber:
  https://www.theverge.com/transportation/956316/ford-quality-...
  • Alle Medien sollten das viel stärker aufgreifen
• Der Grund, warum AI in industriellen Umgebungen scheitert, ist, dass SKILL.md oder andere Methoden der Wissenseinspeisung keine Befolgung garantieren. Die AI glaubt, es „besser zu wissen“
  • Ein Freund von mir hat auch jede Menge Hook-artige Mechanismen vorbereitet, um das zu verhindern, aber LLMs verstoßen trotzdem manchmal noch dagegen
    Ich rechne nicht ernsthaft damit, dass es dafür eine perfekte Lösung gibt
  • Ich bin nicht sicher, ob das ironisch gemeint ist. Ich denke, der Hauptgrund für das Scheitern ist, dass viel Wissen und Erfahrung intuitiv sind und nicht dokumentiert vorliegen
  • Wenn Befolgung das Kernproblem wäre, hätte man wohl gar nicht erst Methoden erfinden müssen, damit Computer nicht einfach nur genau das tun, was man ihnen sagt
• Software Engineers in den USA brauchen Gewerkschaften
  Wenn sie nicht schon anderswo eine Stelle gefunden haben, sollten sie nicht zurückkommen ohne 20 % mehr Gehalt und einen wasserdichten Vertrag
  • Diese Branche durchläuft immer wieder Boom- und Bust-Zyklen. Projekte entstehen und verschwinden, auch wenn das bei Arbeit in Softwareunternehmen etwas weniger extrem ist
    Wenn man bereit ist, geringere Aufstiegschancen in Kauf zu nehmen und dafür Stabilität will, könnte IT-/Server-Administration besser sein, weil solche Arbeit dauerhaft gebraucht wird
• Ford hat in den letzten drei Jahren 350 Engineers eingestellt, und das geschah parallel zu den Defiziten beim Einsatz von AI-Inspektionswerkzeugen
  Das hat nichts mit LLMs zu tun, sondern bezieht sich mit hoher Wahrscheinlichkeit auf MAIVIS- und AiTriz-Piloten zur visuellen Inspektion mit veralteten Convolutional Neural Networks (CNNs) auf angepasster IBM-Hardware
  • Genau. Viele scheinen den entscheidenden Punkt des Zeitpunkts zu übersehen. Der Fehler wurde schon vor drei Jahren erkannt, und Vorlaufzeiten bei Fahrzeugdesign und Fertigungsprozessen sind lang
    Außerdem wurde diese Geschichte dadurch ausgelöst, dass „Ford in der JD-Power-Qualitätsstudie wieder in die Spitzengruppe zurückgekehrt ist“, was durch die Verzögerung in der Berichterstattung noch einmal 6–18 Monate draufschlägt
    Damit läge der ursprüngliche Entlassungsfehler eigentlich schon 5–8 Jahre zurück

Ich weiß nicht, wann das erwähnte „MAIVIS- und AiTriz-Pilotprojekt“ umgesetzt wurde, aber eine andere Möglichkeit ist, dass Fords PR-Team gesehen hat, dass gerade das Narrativ vom AI-Backlash Konjunktur hat, und es dann opportunistisch hervorgehoben hat, um ein eigentlich positives Nachrichtenereignis zu erklären, das mehrere Ursachen gehabt haben könnte
Ich persönlich finde, dass man solche Artikel zum Thema „AI-Backlash“ genauso zurückhaltend betrachten sollte wie früher das Thema „Entlassungen wegen AI“, das Unternehmen aufgegriffen haben, um Entlassungen zu rechtfertigen, die sie ohnehin vorhatten

• Der eingereichte Titel lautete „Ford rehires 350 engineers after AI fails to preserve expertise or train juniors“, aber das steht so nicht im Artikel
  An den Einreicher: „Please submit the original source. If a post reports on something found on another site, submit the latter.” - https://news.ycombinator.com/newsguidelines.html
  Ich habe es jetzt wieder auf den ursprünglichen Artikeltitel zurückgesetzt
  Ergänzend dazu: Medien ändern gelegentlich ihre Schlagzeilen, sodass Einreicher die Richtlinien meist befolgt haben, wir aber manchmal etwas brauchen, um das nachzuziehen
• Stimmt, das scheint nichts mit AI zu tun zu haben. Hoffentlich kommt dieser Kommentar ganz nach oben
• Der erste Versuch ist gescheitert, also ist man einen Schritt zurückgegangen, aber nach einiger Zeit wird man es wieder versuchen und diese Leute erneut entlassen
  • Der Traum von der ewigen Arbeitsmaschine ist etwas, dem Kapitalisten so besessen nachjagen, dass sie dafür sogar den Planeten zerstören. Die Unterdrücker müssen gestoppt werden
• Es gibt zwei Arten von Wissen. Da ist explizites Wissen, das sich leicht in Markdown-Dateien oder Wikis kodifizieren lässt, und implizites Wissen, das vor allem in den Erfahrungen von Organisationsmitgliedern steckt
  Explizites Wissen ist nur die Spitze des riesigen Wissenseisbergs einer Organisation
  • Dieses implizite Wissen hat keinen leicht quantifizierbaren Wert und taucht auch nicht in der Gewinn-und-Verlust-Rechnung auf, deshalb wird es von den meisten Führungskräften nicht berücksichtigt
    Ich habe das im Lauf meiner Karriere immer wieder gesehen. Wenn jemand geht oder Entlassungen stattfinden und man das nicht mitbedenkt, gerät das Unternehmen später in Hektik, weil es erst dann merkt, dass jemand jahrelang stillschweigend Abläufe betrieben oder gepflegt hat, an die sonst niemand gedacht hatte
  • Man könnte einen Distillationsprozess einsetzen. So, dass eine AI einem Senior Engineer immer wieder Fragen stellt, auch wenn man das natürlich nicht sollte. Wie Öl aus Oliven pressen
• Ganz einfach gedacht: Wenn es ein Unternehmen mit 100 Mitarbeitenden gibt, das gleichzeitig 12 Häuser baut, könnte man ein Experiment machen und ein sechsköpfiges Rohbau-Team durch ein Team aus 2 Personen + 1 Roboter ersetzen
  Man könnte mehrere Experimente durchführen, um zu sehen, ob es bessere Optionen gibt, und den Preis dafür zahlen 4 Mitarbeitende
  Wenn ein Unternehmen mit 1000 Mitarbeitenden gleichzeitig 100 Häuser baut, könnte man ungefähr 12 Personen abbauen, um 3 Roboter-Teams zu bilden
  Selbst wenn ein Unternehmen mit 10.000 Mitarbeitenden gleichzeitig 1000 Häuser baut, reichen für Experimente immer noch nur ein paar Teams, und betroffen wären wohl nur 20 bis 30 Mitarbeitende
  Es ist erstaunlich, dass ein Unternehmen sich so weit von seinem eigenen Geschäft entfernen kann, dass es die Auswirkungen von Veränderungen ohne massiven Schaden in dieser Größenordnung gar nicht mehr versteht