En una planta de Ford en Dearborn, cientos de cámaras inteligentes revisan cada pieza que baja por la línea a la caza de los defectos que a un ojo humano se le escaparían. En los últimos años, por esa misma línea han vuelto a entrar los ingenieros veteranos a los que las cámaras debían dejar sin trabajo.
No los ha traído la nostalgia: la automatización se quedó corta y alguien tenía que enseñarle lo que no había aprendido. Vuelven para reprogramar a la máquina.
Detrás de esa escena hay una apuesta. Ford había confiado a la inteligencia artificial una tarea que durante décadas hicieron personas: mirar cada coche y frenar los defectos antes de que llegaran a la calle. En 2025 llamó a revisión sus coches 152 veces, un récord absoluto, casi el doble de las 77 del máximo anterior (General Motors, 2014) y cerca del triple que el segundo fabricante con más retiradas ese año.
Hay tres formas de contar lo que pasó, y las tres son ciertas. La primera es organizativa. Durante años, en Ford la ingeniería, la fabricación, la cadena de suministro y el control de calidad funcionaron como mundos separados, y los defectos se detectaban tarde, cuando corregirlos ya salía caro. En 2023, Kumar Galhotra, director de operaciones de la compañía, reunió las cuatro áreas bajo un solo mando para intentar arreglarlo.
La segunda es económica. Los ingenieros veteranos no se habían evaporado: la compañía llevaba años adelgazando plantilla, con 5.300 puestos de oficina menos que en 2020, y muchos de los que sabían se habían jubilado o se habían marchado a los proveedores.
La tercera es regulatoria. A finales de 2024, la NHTSA multó a Ford con 165 millones de dólares por tardar en retirar unas cámaras traseras defectuosas y lo dejó bajo supervisión trimestral. La presión para arreglar la calidad no venía solo de dentro.
Las tres explican por qué la compañía necesitaba actuar. Ninguna explica por qué actuó así: devolviendo a la línea a las personas que la inteligencia artificial debía sustituir.
El sistema que Ford desplegó, el Mobile AI Vision System, había ingerido los requisitos de diseño de cada pieza. Sabía comparar lo que veía con lo que la pieza debía ser. Una cámara entrenada con la especificación encuentra los defectos especificados: la soldadura fuera de tolerancia, la medida que no cuadra.
Pero una parte de los defectos no figura en ninguna especificación. Son los que reconoce quien ha visto pasar cien mil piezas y nota que esta no va bien antes de saber decir por qué. La máquina busca lo que le dijeron que buscara. El veterano encuentra lo que nadie sabía que había que buscar.
Charles Poon, vicepresidente de ingeniería de hardware de Ford, lo admitió: nos equivocamos al creer que, con solo introducir inteligencia artificial y darle nuestros requisitos de diseño, saldría un producto de calidad. El fallo no fue usar IA: fue dar por hecho que se le podía dictar con reglas lo que un inspector solo aprende viendo.
Ese reconocer sin poder explicar lo conoce cualquiera: basta oír cómo alguien de casa dice hola al teléfono para saber que le pasa algo, aunque nadie sepa señalar en qué lo ha notado. En psicología tiene nombre: thin-slicing, la capacidad de leer un patrón fiable a partir de una porción mínima de experiencia. Malcolm Gladwell lo popularizó en Blink (2005). No es infalible ni es magia: es una base de datos construida a fuerza de años.
Y si es una base de datos, ¿por qué no habría de poder copiarse a una máquina?
Eso es lo que Ford intenta ahora. Los veteranos que la compañía llama gray beards no han vuelto para sustituir a la máquina, sino para enseñarla. Alimentan al sistema con el criterio que no aprendió de los requisitos: marcan los defectos que la cámara pasó por alto y explican por qué una pieza correcta sobre el plano no lo estaba en la línea. Es un intento de enseñar con ejemplos lo que vivía en la mirada de alguien.
Y esa es solo la mitad de su tarea: la otra es formar a los ingenieros jóvenes que vienen detrás.
Si funciona del todo, Ford habrá logrado lo que casi nadie ha conseguido: convertir el juicio en especificación, lo tácito en explícito, y entonces las cámaras podrán prescindir de los veteranos. Si no funciona del todo, siempre quedará una parte del oficio que solo viaja de una persona a otra, y la fábrica seguirá dependiendo de que haya alguien a quien mirar.
Nadie en Ford dice cuál de las dos cosas está pasando.
Lo que le pasó a Ford tiene un nombre más preciso en economía. Hay una frontera entre las tareas que se pueden codificar y delegar en una máquina y las que dependen de un juicio que solo se adquiere haciendo. El economista Luis Garicano lleva décadas mapeándola. Automatizar, visto así, es empujar esa frontera: pasar tareas de un lado al otro.
El matiz que Garicano añade sobre la IA es justo el que la compañía aprendió a golpes. A diferencia del software de antes, la inteligencia artificial no necesita que le dicten las reglas: aprende con ejemplos, y con ellos puede cruzar parte de esa frontera que parecía infranqueable.
Pero los ejemplos no salen de la nada. Salen de quien ya sabe. Ford quiso mover la línea prescindiendo precisamente de las personas que tenían los ejemplos, y la línea se le vino encima.
Quizá, entonces, el problema no era la IA, sino Ford.
La versión de la máquina derrotada tiene un fallo: casi seguro es falsa. La inspección visual automatizada es, sobre el papel, justo lo que una máquina hace mejor que una persona: no se cansa, no aparta la vista, revisa más superficie de la que ningún equipo humano abarca. Ford no ha renunciado a esa idea. Sigue usando su Mobile AI Vision System para inspeccionar piezas y detectar patrones de fallo en los datos de producción.
La máquina no fracasó en lo que se le da bien.
Y hay una explicación que cambia el ángulo. El problema, diría Galhotra, no fue que el juicio del veterano no se pudiera escribir, sino que Ford intentó escribirlo cuando quien lo tenía ya se había marchado. La compañía había recortado 5.300 puestos desde 2020, en parte confiando en que la IA cubriría el hueco. El conocimiento salió por la puerta antes de que nadie lo capturara. Alimentada con datos pobres, la cámara no podía aprender lo que ya no estaba. Eso no es un límite de la inteligencia artificial. Es un problema de secuencia y de datos, y los problemas de datos se arreglan.
Hasta el peligro que sugieren esas 152 retiradas merece cierta cautela. De casi 13 millones de vehículos que Ford retiró en una década, solo 2.350 llevaban aviso de no conducir, menos que BMW con una fracción de los coches afectados, según un estudio de My Lemon Firm. Volumen de retiradas no es lo mismo que peligro.
A esa objeción hay que darle casi toda la razón. Revisar lo que está claramente definido es trabajo de las máquinas, y esta nunca ha sido una historia de humanos derrotando a robots. Pero ahí no termina la cuestión. La verdadera pregunta es si un juicio que nadie sabe explicar con palabras puede llegar a capturarse por completo. Que Ford lo intente ahora no demuestra que sea posible. Simplemente deja la respuesta para más adelante.
En 2026, con los veteranos dentro, Ford encabezó entre las marcas generalistas el índice independiente de calidad inicial de J.D. Power (la que se mide en los primeros meses de uso), por primera vez desde 2010. Y a la vez iba camino de otro récord de retiradas. La calidad inicial sube. La fiabilidad a largo plazo, no. Galhotra lo explica sin rodeos: los recalls son un indicador retardado, que miden el coche de ayer, no el que sale hoy de la fábrica. La objeción entierra la versión romántica del cuento, la de la intuición mágica que ninguna máquina alcanzará. No entierra la honesta: que una parte del oficio quizá solo se aprenda haciéndolo, y que nadie ha demostrado todavía lo contrario.
Nada de esto es nuevo, y ese es el detalle que Ford preferiría no subrayar. Años después de la mayor crisis de retiradas de su historia, Toyota apagó líneas ya automatizadas y trajo de vuelta a sus veteranos para dominar el proceso y, luego, enseñar a los robots. Mitsuru Kawai, el vicepresidente que lo dirigió, paró una línea de soldadura que dejaba defectos, hizo que los humanos la hicieran a mano y después les pidió que reprogramaran las máquinas. Lo dijo entonces a Bloomberg: para ser el amo de la máquina hay que saber enseñarle.
Ford no ha descubierto nada. Lo ha vuelto a aprender, y con factura.
La historia de Ford la cuenta Ford, y eso pesa. La versión que ha llegado, la del juicio que la máquina no supo replicar, es la que mejor le sienta: ante los inversores luce mejor que admitir que recortó demasiado hondo y lo pagó en calidad. El marco más elegante lo firma quien salió peor del recorte.
En la línea de Dearborn, los veteranos siguen mirando las piezas que pasan.
Puede que Ford acabe enseñando a sus cámaras a ver lo que hoy no ven. La IA aprende de ejemplos, y los veteranos están dentro dándoselos. La frontera de la que habla Garicano se mueve, y esta vez se mueve deprisa. Cuánto de ese ojo se deja copiar y cuánto se queda en la persona, nadie lo sabe todavía. Ford tampoco.
Y aunque ese ojo experto pueda copiarse, primero tiene que existir para poder copiarlo. Mientras tanto, la máquina va ocupando el trabajo más rutinario, los primeros pasos, precisamente los que antes servían para formar ese ojo. Ford ha encontrado a sus gray beards porque todavía los había. La pregunta es cuántos seguirán quedando. Esa es una cifra que no aparece en ningún informe de resultados.
La máquina no se jubila. Quien la enseña, sí.