Charles Poon, VP de engenharia de hardware veicular da Ford, disse algo que poucos executivos têm coragem de falar: “Nós achamos, erroneamente, que bastava introduzir inteligência artificial e alimentar os requisitos de design para obter um produto de alta qualidade.”

A frase é cirúrgica. Resume o que aconteceu em centenas de empresas nos últimos dois anos — e o que ainda vai acontecer em centenas mais.

A Ford substituiu engenheiros veteranos por sistemas automatizados de inspeção e design assistido por IA. A ideia parecia sólida no PowerPoint: algoritmos que nunca dormem, não pedem férias e processam milhares de pontos de dados em segundos. Quem precisa de um cara com 30 anos de chão de fábrica quando tem um modelo treinado em milhões de registros?

Acontece que a IA não entende contexto. Não sente a vibração de uma porta mal encaixada. Não percebe que um parafuso está 0,3mm fora do ideal olhando pela angulação da luz. E, principalmente, não sabe o que não sabe.

350 “Gray Beards” Recontratados

A Ford chamou esses engenheiros de “gray beards” — barbas grisalhas. O apelido carinhoso esconde uma realidade dura: a empresa precisou recontratar, promover ou trazer de volta 350 profissionais experientes ao longo de três anos para consertar o estrago.

Muitos deles eram ex-funcionários da própria Ford. Outros vinham de fornecedores da cadeia automotiva. Todos tinham algo em comum: décadas de experiência prática que nenhum dataset consegue capturar.

Pela primeira vez em 16 anos, a Ford liderou o ranking de qualidade inicial do JD Power entre marcas mainstream — superando Toyota e Honda. E o fator decisivo não foi um upgrade de modelo de IA. Foram pessoas.

O Que a IA da Ford Errava (e Por Que Ninguém Previu)

Eu já vi código de machine learning aplicado em manufatura, e o problema é quase sempre o mesmo: os dados de treinamento não capturam exceções raras, mas essas exceções são exatamente o que separa um carro bom de um carro com recall.

O mais irônico é que a Ford não implementou IA de qualquer jeito. Eles investiram pesado, contrataram consultores, usaram modelos state-of-the-art de visão computacional e NLP para processar relatórios de qualidade. No papel, era um dos projetos de IA industrial mais ambiciosos do setor automotivo. E mesmo assim falhou.

A IA da Ford falhava em três frentes principais:

1. Padrões visuais sutis

Sistemas de visão computacional são ótimos para detectar defeitos binários — tem ou não tem. Mas quando o defeito é uma deformação sutil na pintura que só aparece sob certa luz, ou um desalinhamento de 0,5mm entre painéis, a IA simplesmente não pegava.

2. Conhecimento tácito

Engenheiros veteranos carregam décadas de “feeling” que nunca foi documentado. Eles sabem que determinado fornecedor tem histórico de entregar peças com micro-variações no lote de terça-feira. Sabem que certa liga metálica se comporta diferente quando a umidade passa de 80%. Isso não está em dataset nenhum.

3. Feedback loops quebrados

Quando um engenheiro humano detecta um problema, ele não apenas reporta — ele investiga a causa raiz, conversa com o time de design, sugere mudanças no processo. A IA reportava o defeito e… pronto. Sem contexto, sem rastreabilidade, sem a cadeia de ações corretivas que previne o próximo defeito.

Qualquer engenheiro de software reconhece esse cenário. É o equivalente de ter um linter que pega erros de sintaxe mas ignora bugs de lógica. Você acha que o código está limpo porque a ferramenta automatizada diz que está — até que o sistema cai em produção com um edge case que nenhum teste cobriu.

4. A ilusão da cobertura total

Talvez o mais perigoso: a IA dava aos gestores da Ford uma falsa sensação de segurança. Os dashboards mostravam taxas de detecção de 99,7%, o que parecia excelente. Mas os 0,3% que escapavam eram justamente os defeitos mais graves — aqueles que geram recalls milionários e, pior, colocam vidas em risco. Os gray beards sabiam intuitivamente que esses números eram enganosos. Executivos olhando planilhas, não.

O Papel Real dos Gray Beards

Poon explicou que os veteranos foram trazidos de volta com duas missões:

1. Treinar os sistemas de IA — não substituí-los. Os gray beards alimentaram os modelos com o conhecimento tácito que faltava, calibraram thresholds, e ensinaram a IA a reconhecer padrões que só a experiência detecta.

1. Mentorear engenheiros juniores — porque a Ford também percebeu que, ao demitir os veteranos, perdeu a cadeia de transmissão de conhecimento. Juniores ficaram sozinhos com documentação genérica e uma IA que validava tudo como “OK”.

O resultado? A IA continua rodando, mas agora com supervisão humana qualificada. A Ford não abandonou a automação — ela aprendeu que automação sem expertise humana é um desastre esperando para acontecer.

O AI Boomerang: Ford Não Está Sozinha

Se fosse só a Ford, seria uma curiosidade. Mas os dados mostram que isso é uma tendência massiva.

A consultoria Robert Half revelou que 29% das empresas que demitiram funcionários para implementar IA já recontrataram parte deles. De 600 profissionais de RH entrevistados cujas organizações fizeram cortes relacionados a IA no último ano, dois terços já recontrataram alguns desses funcionários.

A Forrester Research vai além: prevê que metade de todas as demissões atribuídas a IA serão revertidas de alguma forma até o final de 2026.

E o preço? Funções que antes pagavam US$ 55.000 agora exigem US$ 75.000 ou mais — porque o profissional que volta precisa ser um “humano híbrido”: alguém capaz de operar, auditar e corrigir as ferramentas de IA que supostamente o substituiriam.

Outros casos notáveis

O McDonald’s é talvez o exemplo mais emblemático. A rede implantou bots de IA para atendimento em drive-throughs de 100 unidades nos EUA. Os bots erravam pedidos de forma constistente — confundiam molhos, trocavam tamanhos, e em alguns casos adicionavam itens que ninguém pediu. O programa foi encerrado e os atendentes humanos voltaram.

A Amazon também alimentou a tendência de “quiet rehiring” — recontratação silenciosa. Após cortes massivos nos times corporativos, a empresa está ativamente tentando recuperar talentos em áreas como controle de qualidade de dados e julgamento humano aplicado a decisões automatizadas.

O padrão é sempre o mesmo: empresa anuncia com fanfarra que está “adotando IA para ganhar eficiência”, demite 15-30% do time, e 12 a 18 meses depois está postando vaga no LinkedIn para as mesmas funções — agora com o requisito adicional de “experiência com ferramentas de IA” e salário 30% maior. O ciclo completo da autossabotagem corporativa.

Até a Wix, que demitiu 1.000 funcionários alegando automação por IA, já começou a recontratar para funções de “human oversight” — supervisão humana dos sistemas que supostamente fariam o trabalho sozinhos. 55% das empresas que fizeram cortes motivados por IA já se arrependeram, segundo pesquisa da Curiouser.AI com executivos de RH.

73% das Empresas que Cortaram com IA Não Saíram no Lucro

Esse número da Forrester é devastador. Quase três quartos das organizações que executaram cortes de pessoal motivados por IA não conseguiram sair financeiramente à frente.

Por quê? Vários motivos se acumulam:

Custo de demissão (severance, legal)
+ Custo de recontratação (recrutamento, onboarding)
+ Salários mais altos na recontratação
+ Perda de conhecimento institucional (incalculável)
+ Queda de qualidade durante o gap
+ Dano reputacional como empregador
────────────────────────────────────
= Prejuízo líquido na maioria dos casos

A Forrester chama isso de “AI Washing” — empresas que atribuem cortes financeiramente motivados à “implementação de IA” para parecerem inovadoras, quando na verdade não tinham aplicações maduras prontas para substituir aqueles profissionais.

O Que Isso Significa Para Quem Escreve Código

Se você é desenvolvedor, essa história tem uma lição direta: a experiência importa mais do que nunca.

A narrativa de que “IA vai substituir programadores” segue o mesmo padrão do que aconteceu na Ford. Empresas vão tentar. Algumas vão demitir. Muitas vão descobrir, da pior maneira possível, que:

• Código gerado por IA sem revisão humana produz bugs sutis que explodem em produção
• Decisões de arquitetura exigem contexto que nenhum LLM possui sobre o domínio, as regras de negócio e o histórico de incidentes do sistema
• Debugging de sistemas complexos ainda é fundamentalmente uma atividade humana — boa sorte pedindo para um LLM investigar um deadlock em produção com logs parciais
• O custo de um bug em produção supera em ordens de magnitude o salário do dev que teria evitado

Eu não digo isso por otimismo. Digo porque os dados já mostram o padrão. A Forrester identificou que desenvolvedores de software e atendentes de suporte são as categorias mais pressionadas por IA, mas também as com maior taxa de boomerang — recontratação após o fracasso da automação.

Pensa comigo: se a Ford não conseguiu substituir engenheiros mecânicos — profissionais que trabalham com peças físicas, tolerâncias mensuráveis e defeitos visíveis — por IA, quanto mais difícil é substituir engenheiros de software, que lidam com abstrações invisíveis, requisitos ambíguos e sistemas distribuídos com milhões de estados possíveis?

A analogia direta com o mundo dev é o vibe coding. Você gera um app inteiro com prompts, tudo compila, os testes passam. Aí coloca em produção e descobre que o endpoint não trata race conditions, o schema do banco não tem índice no campo que recebe 10 mil queries por segundo, e a lib de auth que a IA escolheu teve uma CVE crítica há três semanas. Exatamente como o carro da Ford que passava na inspeção automatizada mas falhava na estrada.

A IA É Uma Ferramenta, Não Um Substituto

Charles Poon, da Ford, resumiu perfeitamente: “IA é uma ferramenta fantástica, mas é tão boa quanto a informação usada para treiná-la.”

Traduzindo para o nosso mundo: o GitHub Copilot é incrível, mas só funciona bem nas mãos de quem sabe o que está fazendo. O Claude Code acelera 10x a produtividade, mas precisa de um dev que entenda o codebase. Vibe coding sem code review é o equivalente digital de deixar a IA da Ford inspecionar carros sozinha.

A Ford não abandonou IA. Ela reposicionou IA como ferramenta sob supervisão de especialistas. E os resultados falam por si: de fora do top 5 para o #1 em qualidade. Com a mesma IA. A diferença foram as pessoas.

Tabela: IA sozinha vs IA + humanos experientes

E Quando o CEO Perguntar…

Na próxima vez que seu gestor chegar empolgado com a ideia de “substituir o time por IA”, mande esse artigo. Sério.

A Ford gastou três anos e recontratou 350 pessoas para aprender que IA sem experiência humana é uma bomba-relógio. O McDonald’s fechou 100 pontos de atendimento automatizado. A Forrester diz que 73% das empresas que tentaram não saíram no lucro.

Ou, nas palavras de um VP da Ford que teve a coragem de admitir publicamente: achamos que bastava jogar IA no problema. Estávamos errados.

A questão nunca foi IA vs humanos. Sempre foi IA com humanos. E quem demorar para entender isso vai pagar o preço — literalmente, em salários de recontratação 36% mais altos.

A Ford já aprendeu. A pergunta é: quantas empresas de tech precisam bater na mesma parede antes de chegar à mesma resposta?

—

Fonte de inspiração: Ford’s AI Hiccups Lead Carmaker to Rehire ‘Gray Beard’ Engineers — Bloomberg