Ford staat voor het eerst in zestien jaar bovenaan de JD Power-kwaliteitsranking voor nieuwe auto’s. Mooi nieuws voor Dearborn — maar het verhaal erachter is vooral een les in wat AI níet kan. Want voordat die prijs binnenkwam, moest Ford eerst 350 ervaren ingenieurs terughalen die het eerder had laten gaan.
AI die fouten versterkt in plaats van vangt
Ford heeft de afgelopen jaren flink gesnoeid in zijn personeelsbestand: sinds het piekjaar 2020 verdwenen er zo’n 5.300 kantoorbanen, onderdeel van een bredere krimp waarbij de drie grote Detroitse autobouwers samen ruim 20.000 white-collar-banen schrapten (Bron: The Next Web). CEO Jim Farley zei publiekelijk dat AI “letterlijk de helft van alle kantoorwerkers in de VS” zou vervangen. Kwaliteitsinspecteurs en ervaren engineers hoorden bij de eersten die gingen.
De gedachte: AI pikt de patronen op die mensen jarenlang nodig hadden om te leren. Maar dat werkt alleen als die kennis ook daadwerkelijk in de systemen zit. En dat was bij Ford niet het geval.
Charles Poon, Ford’s VP voor voertuighardware-engineering, gaf het eind juni openlijk toe tegenover journalisten: het bedrijf geloofde dat het AI kon inzetten zonder verlies aan kwaliteit. De ervaren ingenieurs vertrokken echter voordat ze hun vakkennis in de trainingssystemen hadden kunnen inbrengen. Zonder die input — tientallen jaren aan oordeel over welke afwijkingen gevaarlijk zijn en welke niet — begon de AI zwakke input te versterken in plaats van ontwerpfouten te vangen (Bron: Bloomberg).
Beginner-tip:AI leert van voorbeelden. Als die voorbeelden onvolledig zijn of verkeerde conclusies bevatten, leert de AI die fouten ook. “Goede AI” begint bij goede menselijke kennis — niet andersom. Wat een taalmodel of ander AI-systeem wel en niet “weet”, leggen we uit inKunstmatige intelligentie: wat AI wel en niet is.
Terughalen wat je had weggestuurd
Ford loste het probleem op de enige manier die werkt: mensen. Het bedrijf haalde 350 ervaren ingenieurs binnen — deels oud-medewerkers die terugkwamen, deels specialisten van toeleveranciers, nieuwe krachten en interne promoties. Farley noemt ze zelf de “gray beards” (Bron: Fortune).
Hun nieuwe taak was nadrukkelijk niet hun oude taak opnieuw doen. Ze kregen drie opdrachten: junior medewerkers begeleiden, de datapijplijnen achter Ford’s machine-learning-tools opnieuw opbouwen, en de geautomatiseerde systemen verbeteren waardoor ze oorspronkelijk vervangen zouden worden. Daarnaast bouwde Ford een apart softwarekwaliteitsteam van 40 mensen op en voegde het ruim 100.000 AI-gestuurde geautomatiseerde tests toe aan zijn ontwikkelproces.
Het resultaat: 152 problemen per 100 voertuigen in de JD Power 2026 Initial Quality Study — 41 minder dan een jaar eerder, en de beste score bij de mainstream automerken, vóór Nissan en Buick. De F-150, Mustang en Super Duty wonnen elk hun segment, voor het tweede jaar op rij. Volgens Farley leveren de lagere garantieclaims “honderden en honderden miljoenen dollars” aan kostenvoordeel op.
Gevorderden:let op de volgorde in Ford’s oplossing. De teruggehaalde ingenieurs schrijven niet zelf inspectierapporten; ze bouwen de datapijplijnen en reviewen wat de AI leert. Dat is het verschil tussen AI als vervanging (mislukt) en AI als versterking van gecodificeerde vakkennis (werkt). De 100.000 geautomatiseerde tests zijn het product van die samenwerking, niet van de AI alleen.
Wat het zegt over AI en kennisoverdracht
Ford’s terugkeer naar de top laat iets zien wat in veel AI-discussies ontbreekt: kennis die jarenlang in mensen zit, verdwijnt als die mensen vertrekken. Niet omdat AI in principe niet zou kunnen leren, maar omdat je hem die kennis eerst moet geven.
Dat patroon kennen we uit Nederlands onderzoek: TNO stelde eerder vast dat AI werk sneller maakt, maar niet vanzelf beter. De winst zit in de combinatie van mens en machine, niet in de vervanging. En wie AI-output zonder eigen vakkennis moet bijsturen, herkent het beeld uit ons stuk over botsitting: de uren die je kwijt bent aan het corrigeren van AI-agents.
Het verhaal raakt ook een andere lijn die we eerder trokken: wie zijn baan verliest aan AI, blijft vaak onzichtbaar in de statistieken. Ford laat zien dat de gevolgen van dat vertrek op een gegeven moment wél zichtbaar worden — in de kwaliteit van je producten. Het sluit aan bij wat we schreven over de CEO-reflex om personeelsbesluiten aan AI op te hangen.
De timing is opvallend: dezelfde week dat Poon zijn erkenning deed, kondigden OpenAI, Anthropic, Amazon en Microsoft het fonds RAISE US aan — een non-profit van 500 miljoen dollar onder leiding van oud-handelsminister Gina Raimondo om Amerikaanse werknemers om te scholen voor de AI-economie (Bron: The Next Web). Ford’s ervaring suggereert dat het moeilijkste probleem niet omscholen is, maar vooraf weten welke mensen je niet kunt missen.
De keerzijde: een terugroeprecord
Voor de volledigheid: de JD Power-prijs staat naast een minder rooskleurig record. Ford leidt dit jaar ook de terugroepstatistieken in de VS, met 51 recalls in 2026 voor ruim 11 miljoen voertuigen — meer dan het dubbele van de eerstvolgende fabrikant. De kwaliteitsstudie meet nieuwe auto’s in de eerste 90 dagen; recalls raken vaak oudere modeljaren en software. Beide cijfers zijn waar, en samen vertellen ze een genuanceerder verhaal dan de prijsuitreiking alleen.