Le 25 juin 2026, le rapport IQS de J.D. Power a placé Ford en tête des marques grand public et à la troisième position générale, avec 152 défauts pour cent véhicules. Ce résultat marque un regain de qualité après plusieurs années difficiles, mais il intervient également comme un bilan des conséquences d'une automatisation prématurée. Entre 2022 et 2023, le constructeur a massivement déployé l'intelligence artificielle dans la validation des projets et le contrôle qualité, tout en accélérant les licenciements de personnel d'ingénierie. Cette stratégie a provoqué une perte de connaissances critiques et une dégradation durable de la fiabilité, se traduisant par un record de rappels en 2025. Charles Poon, vice-président de l'ingénierie hardware chez Ford, a reconnu que l'entreprise avait surestimé la capacité des algorithmes à remplacer le jugement humain dans la conception complexe. Les ingénieurs seniors, dont les suppressions visaient à rationaliser les coûts, détenaient un savoir empirique difficile à formaliser, mais indispensable pour anticiper les défaillances système. Privés de ces experts, les modèles d'IA ont été entraînés sur des données incomplètes, générant des erreurs qui ne se sont manifestées qu'avec le retard inhérent aux cycles de développement automobile. En réponse, Ford a engagé une correction de trajectoire. Le constructeur a recruté et promu 350 ingénieurs expérimentés pour réorganiser les flux de données, former les systèmes d'automatisation et rétablir un contrôle humain préalable aux décisions techniques. L'IA demeure valorisée pour la surveillance en temps réel des lignes de production et la détection d'anomalies thermiques, mais elle ne doit plus se substituer à l'expertise humaine en phase de conception. Une nouvelle équipe de quarante personnes est dédiée à la prévention des défauts logiciels, adoptant une approche corrective en amont plutôt que réactive. Cette évolution reflète une leçon plus large pour l'industrie technologique. Plusieurs entreprises, comme Klarna dans le secteur financier, ont constaté que la réduction des effectifs au profit de l'automatisation générait des gains financiers immédiats mais une dégradation qualitative différée. Les indicateurs de performance masquent souvent la perte de jugement expert, dont les effets ne deviennent visibles qu'après plusieurs cycles de production. Ford démontre que la transition numérique efficace repose sur une complémentarité entre l'efficacité algorithmique et la supervision d'ingénieurs chevronnés, préservant ainsi la fiabilité produit et la confiance des consommateurs.