KI scheitert Ford: Warum die Ingenieure zurückkehren

KI scheitert bei Ford genau dort, wo viele es erwartet hätten: in der Qualitätskontrolle ganz ohne menschliche Erfahrung. Der Konzern hatte Prüfungen und Teile der Konstruktion stark automatisiert, holt nun aber laut Berichten rund 350 erfahrene Ingenieure zurück, weil die Systeme die Produktqualität allein nicht sichern konnten. Die Veteranen sollen die Algorithmen neu trainieren, nicht ersetzen.

Das ist keine Absage an KI. Es ist eine Korrektur überzogener Erwartungen. Charles Poon, Vice President Vehicle Hardware Engineering bei Ford, fasst den Fehler nüchtern zusammen: man habe geglaubt, das Einspeisen der Konstruktionsanforderungen genüge, und am Ende stehe ein hochwertiges Produkt. Genau dort lag der Denkfehler.

Warum scheitert KI bei Ford in der Qualitätskontrolle?

KI scheitert bei Ford, weil die Systeme das Erfahrungsurteil erfahrener Ingenieure nicht abbilden konnten. Ford hatte stark automatisiert, die Ergebnisse waren laut Golem jedoch unzureichend. Poon sagt: „Künstliche Intelligenz ist ein fantastisches Werkzeug, aber sie ist nur so gut wie die Informationen, mit denen man sie trainiert.“

Das Problem sind seltene, teure Fehler. Ein Algorithmus erkennt Muster in den Daten, die man ihm zeigt. Wie sich ein Partikelfilter nach Wintern mit Streusalz, schlechter Kraftstoffqualität und Kurzstrecke verhält, steht in keinem sauberen Trainingsdatensatz. Diese Urteile tragen Menschen, die solche Schäden über Jahre gesehen haben.

Wie teuer wurde der Fehler?

Die übereilte KI-Einführung führte laut Branchenberichten zu Milliardenverlusten durch Rückrufe und Garantiekosten. In Deutschland mussten 164.000 Euro-6-Diesel wegen Partikelfilter-Defekten zurück, der Rückruf läuft unter KBA-Code 24E06. Autonews bringt diese Fälle direkt mit der automatisierten Qualitätskontrolle in Verbindung.

Was lässt sich daraus ableiten?

• Reine Automatisierung spart vorne Kosten und erzeugt sie hinten doppelt, wenn Fehler ins Feld gelangen.
• Rückrufe schaden der Marke länger als jeder Effizienzgewinn sie rechtfertigt.
• Die teuersten Fehler sind die seltenen, für die kaum Trainingsdaten existieren.

Aus meiner Beratungspraxis kenne ich dieses Muster aus kleinerem Maßstab. Unternehmen automatisieren Prüfschritte, weil sie messbar Zeit sparen, und übersehen, dass die seltenen Ausnahmen den Schaden verursachen. Wer KI ohne erfahrene Kontrolle einsetzt, sollte zuerst klären, welcher Anwendungsfall sich überhaupt eignet. Ein praxisorientierter Vergleich gängiger KI-Tools für Führungskräfte hilft, Stärken und Grenzen vor dem Kauf einzuordnen, falls Sie vor genau dieser Entscheidung stehen.

Bedeutet die Kehrtwende das Ende der KI bei Ford?

Nein. Ford ordnet KI vom Ersatz zum Werkzeug neu. Die zurückgeholten Ingenieure programmieren die bestehenden Systeme um, damit Qualitätsprobleme früher auffallen. Nach der Korrektur erreichte Ford laut JD-Power-Ranking 2026 erstmals seit 16 Jahren Platz eins unter den Volumenmarken, vor Toyota und Honda. Mensch plus Maschine, nicht Maschine statt Mensch.

Das deckt sich mit Befunden anderswo. Wer mehr über typische Schwachstellen automatisierter Systeme lesen will, findet in den Lehren aus dem GitLab Report zu KI-Coding ein vergleichbares Muster: KI beschleunigt, übernimmt aber nicht die Verantwortung für das Ergebnis.

Was sollten Unternehmen daraus mitnehmen?

Behalten Sie Erfahrungswissen im Prozess, statt es einzusparen. KI sortiert Daten, Menschen entscheiden bei Unklarheit. Der nächste Schritt ist nicht die nächste Lizenz, sondern die Frage, wo Ihre Veteranen Fehler erkennen, die kein Datensatz kennt.

• Definieren Sie, welche Prüfschritte KI sicher trägt und welche menschliche Freigabe brauchen.
• Trainieren Sie Systeme mit echten Felddaten, nicht nur mit Soll-Anforderungen.
• Rechnen Sie Rückrufrisiken in jede Automatisierungsbilanz ein.

Wer diese Verantwortung auf Leitungsebene verankern will, findet in einer kompakten KI-Ausbildung für Führungskräfte einen Rahmen für solche Entscheidungen. Sie ersetzt keine Fachingenieure, sie hilft, Aufgaben sauber zwischen Mensch und KI zu trennen.

Zurück zur Ausgangsfrage: KI scheitert bei Ford nicht, weil sie schlecht ist, sondern weil sie ohne erfahrene Köpfe falsch eingesetzt wurde. Der Nutzen entscheidet sich daran, wie gut Sie die Aufgaben zuschneiden, die Sie ihr übergeben. Daran arbeiten jetzt 350 Ingenieure.