我第一次看到那组数字的时候，手指还停在手机屏幕边缘没动。
2026 年 6 月 25 日，君迪（JD Power）发布第 40 届美国新车初始质量研究（IQS）：以“新车出厂后 90 天内暴露的问题”来打分。
福特拿到主流品牌第一，152 PP100——每百辆车出现 152 个问题。
要知道，它上一次站上这位置，已经是 16 年前的事了。
这个瞬间很像一个人熬夜改完稿子、第二天终于被编辑说“行，就这样发吧”。
你会松一口气，也会顺手怀疑自己是不是太容易相信好消息。
可就在这口气还没完全放下，福特的媒体吹风会上，负责整车硬件工程的副总裁查尔斯·潘（Charles Poon）说了一句让人背后发凉的话：“我们曾经错误地以为，只要引入 AI，调整一下原有设计要求，就能生产出高质量的产品。”
我听到这句话的第一反应不是“福特不行”，也不是“AI 退场吧”。
我更像是想起自己以前修车：电路不对可以靠仪表查，螺丝松了可以拧紧，但有些毛病是“你不懂它为什么长在那儿”，然后等它爆发的时候才发现，原来那条路早就埋了雷。
AI 也是同样的逻辑——它擅长重复检测，擅长在大量样本里找规律，但它不擅长替代那种需要跨产品周期、靠人硬扛出来的判断力。
福特接下来给出的补救计划听起来很现实：过去三年，重新雇佣、招募或提拔了 350 名经验丰富的工程师，让他们带新人、重建 AI 训练所需的数据管道，并改进原本用于取代人类工程师的自动化工具。
你可以把它理解成：AI 不是没用，而是你把它当成了“全能主厨”，结果把最会做汤的厨师辞了。
菜当然也能炒，但味道为什么总差一口气？
那就是盐、火候和“翻锅的角度”不在了。
福特的问题，早就不是一天两天。
2019 年开始，福特进入持续的白领裁员周期。
全球一次性裁掉 7,000 人（约占白领总数 10%），2022 年再裁约 3,000 人。
2023 年 6 月，工程岗位又被“动刀”，覆盖燃油车、电动车和车队服务三个业务单元，美国和加拿大至少 1,000 个受薪与合同岗位受影响。
福特 CEO 吉姆·法利（Jim Farley）还提过一句很扎心的话：福特工程部门“比竞争对手多用了 25% 的工程师来完成同样的工作”。
这句话如果你把它翻译成大白话，就是：工程体系里有一大堆“靠经验把事情跑完”的环节。
裁员裁得太快的时候，那些“跑完的经验”也会跟着跑掉。
后面再用 AI 补回来，就像你把赛道数据删了，让无人系统凭感觉重学一遍——它学得更快，但你给它的起点已经不对了。
2023 年之后，质量下滑的证据逐渐变得扎实。
福特 2023 年在君迪 IQS 排名第 15 位，2024 年仍低于行业平均。
到了 2025 年，福特发起 153 次召回，涉及近 1,300 万辆车，创下单一车企单年召回数新高。
到 2026 年 6 月，福特已累计 51 次召回，覆盖超 1,100 万辆车，仍是全美召回最多的车企，第二名 Stellantis（19 次）的两倍多。
我知道有人会问：这不是自己打自己脸吗？
先质量差到需要大规模召回，再突然冲到第一名？
答案在时间差。
汽车开发周期通常 3 到 5 年。
召回和质量暴露的很多问题，会在后面才“长出来”，而裁员加速、AI 部署扩大和质量恶化的交汇点，正落在 2022 到 2023 年。
也就是说，大家在 2025、2026 才看到的“麻烦”，其实是更早那几年种下的。
你现在看到的是果子，不是种子。
但福特这次也不是只会“认错”，它给出了更具体的 AI 用法分法。
我很喜欢这种拆清楚的思路，因为车企说“我们更重视质量”听起来都一样，只有把质量问题拆到工艺链条上，才能看懂它到底在改什么。
福特目前部署的 AI 应用大致两类。
第一类是产线上的检测 AI。
比如移动 AI 视觉检测系统，用手机拍照再做图像比对，判断零部件安装是否到位；发动机热测试环节做 AI 异常检测。
它怎么检测？
在每台发动机上采集数百个数据点，再结合之前数千台的数据，由 AI 找出微小偏差。
只要发现异常，即便仍在公差范围内，相关产品和零件也会被拉下产线复检。
这种检测 AI 的价值很直接：它像一个永不打盹的“质检员”，而且它能在你根本看不出差异的地方，把差异按概率揪出来。
查尔斯也肯定了这种场景的 AI 应用：人类检验员很难做到完全一致的捕捉能力，尤其是在工作量巨大时。
第二类是设计验证和质控决策层面。
它更要命，因为它不是盯着“安装是否正确”，而是判断“设计方案是否可行”。
例如材料组合在极端工况下会不会出问题、跨系统接口设计是否会引发软件冲突。
这一类判断如果错了，后果不是返工一天，而是一个产品周期里都会跟着出状况。
福特最终承认：用 AI 替代人工并把它放进决策层，最后出问题的正是这环。
我想起一句古典味很重的话：知其然还要知其所以然。
AI 往往只把“然”学得很快，把“所以然”学得不够扎实。
查尔斯也点明了关键：AI 的好坏完全取决于训练数据质量。
资深工程师在收集数据前就离开了，AI 能学到的只是“不完整版本”。
这让我想到自己坐在车里试车时最常遇到的那种尴尬：你以为车会按说明书的方式表现，可它偏偏在某个极小概率工况里给你来一脚“性格不确定”。
比如同一条匝道，同样的油门开度，有的日子就是顺，有的日子就是慢半拍。
工程师解决的是“为什么”，AI 解决的是“看起来像”。
当你把 AI 放进决策，就等于把“为什么”的那部分交给了不一定完整的训练。
当然，福特没止步。
福特首席运营官库马尔·加洛特拉（Kumar Galhotra）承认公司越来越依赖自动化质控系统，但没有达到预期结果。
可同时，福特在汽车软件验证流程里新增了超 10 万个由 AI 驱动的自动化测试，覆盖各种边缘场景。
你可以把它当成：在产线检测之外，再往前一层，把“可能出事的角落”提前照亮。
查尔斯随后用一句话把逻辑讲得更硬：“公司正把质量管理理念从‘出了问题再修’转向预防优先。”
他们最近 18 个月专门成立了一个 40 人的软件质量保证团队，专门在生产环节之前拦截可疑问题。
更关键的一点是，他强调汽车软件不能学硅谷“先发布后修复”的套路。
手机软件卡顿事小，但制动系统出问题关乎人命。
我非常同意这点，因为车是带方向盘的“风险放大器”。
你可以容忍一个 App 的 bug 在晚上三点弹窗，但你不能容忍车在高速上“突然找不到自己”。
所以车企做验证不是为了浪费时间，而是为了把概率压到足够低。
这套逻辑不只是福特一个案例。
另一个我也记得很清楚：瑞典金融科技公司 Klarna。
2022 到 2024 年间，Klarna 削减了约 700 个客服岗位，主要被替换为与 OpenAI 合作的 AI 助手。
它的量化指标看上去很漂亮：上线一个月处理 230 万次对话，覆盖 75% 的客户交互，支持 35 种语言。
公司员工总数从 5,527 人降到 3,422 人，缩减约 40%。
但到 2025 年 5 月，Klarna 的 CEO 塞巴斯蒂安·谢米亚特科夫斯基（Sebastian Siemiatkowski）在彭博社访谈里承认：“我们太注重效率和成本，结果却是质量下降，AI 带来的效率提升也是不可持续的。”
于是他们开始重新招聘可以远程兼职的真人客服。
Gartner 的预测也很直接：到 2027 年，因 AI 裁减客服岗位的企业里，将有一半被迫重新招人。
这让我把今天的故事提炼成两个我最想和大家聊透的观点。
第一个观点是：AI 更像“加速器”，不是“替身演员”。
它擅长把重复劳动做得快、做得多，甚至做得比人更一致。
福特产线检测 AI 的视觉比对、热测试异常检测就是典型场景：规则明确、信号清晰，AI 可以把差异从海量数据里拎出来。
你看见了问题率下降，你就会觉得“AI 很灵”。
可当 AI 被放进设计验证、质控决策层，它变成了“替身演员”。
替身演员能演跑步，但不会替你穿过火场。
因为它拿到的剧本（训练数据）可能缺了那一段“幕后经验”。
裁员让资深工程师离场，经验的沉淀就没法及时回流到训练阶段。
AI 学到的永远是残缺版本，时间久了就会在下一轮工艺与设计决策里露馅。
第二个观点是：效率指标最容易骗人，安全指标最不该被拖延。
哈佛商业评论 2025 年底对 1,006 名全球高管的调查提到：60% 的企业因为 AI 减少了人员编制，但只有 2% 表示大规模裁员与 AI 部署有关。
听起来像是“大家都没把锅放在 AI 那边”，实际更像是：成本节约是当季就能写进财报的，质量下降是滞后的、很难归因的。
在车企里，滞后就是灾难预告。
3 到 5 年的开发周期让管理层很难立刻看见错误。
你裁员带来的成本下降是当下的，系统性风险的反噬却在未来开花结果。
于是你会在不同时点看到两种完全矛盾的画面：当下财务更好，几年后 IQS、召回、口碑接连出现。
福特这次从第 14 跃升到第 3，并最终在 2026 年 IQS 跳到第一，背后的努力像是在给过去的滞后付利息。
说到这里，我忍不住把话拉回到“用户到底关心什么”。
我们买车的时候，真的不会盯着每个 PP100，我也不会。
我们更在意的是：这车开起来稳不稳、加速和制动是不是线性、异响会不会在第三个月突然出现、系统更新后会不会带来新麻烦。
我试过一些车，给我的感觉常常不是“好不好”，而是“有没有脾气”。
有的车在平顺路面像一位训练有素的管家，踏板和转向响应都很干净；上了烂路，减震和悬架的匹配会更真实。
再遇到长下坡，我希望刹车热衰退不要太明显，希望制动力输出别突然软下去。
用户其实是在用自己的身体和时间去验证一套工程体系的成熟度。
当车企用 AI 做产线检测，它在一定程度上就像把刹车片装配这种“肉眼难控”的环节抓紧了，所以异样更少、返工更少，稳定性就更容易起来。
当车企在设计验证与质控决策层面用错方法，风险会在后续产品周期慢慢堆积，然后以召回的形式摊到消费者面前。
所以我更期待看到的是：AI 被用于“拦截问题”，而不是“替代判断”。
福特成立 40 人软件质量保证团队、增加超 10 万 AI 驱动自动化测试、强调不能学手机软件“先发布后修复”，这些动作更像在把车的生命线握回自己手里。
我还是要承认，看到福特 IQS 第一的那刻，我心里确实起了波澜。
它像一种“回到正确方向”的证明，也像给整个行业敲响的警钟：别把人类经验当成可随意替换的耗材。
经验不是抒情作品，它是统计出来的极端工况经验，是多次被问题教育出来的判断能力，是工程师在数据还没长出来之前就能嗅到不对的直觉。
子曰：知者不惑。
工程师更像“知者”，他们会在还没出事故之前就把路口封起来。
AI 也可以很“聪明”，但它需要人类给它完整的路、完整的路标、完整的训练数据。
裁员太快，路标断了，AI 再怎么快跑也只是跑向更大的未知。
福特等了很久才等来这个好消息。
它的 IQS 改善幅度最大，2026 年每百辆问题数比上一年下降 41 个，主流品牌里改善幅度也最高。
可我更愿意把它当成一句提醒：当你在生活里追求效率，别忘了安全和质量的代价往往不是“当下能算清的”。
当你在公司里谈 AI，别把资深经验当成“可有可无的备胎”。
我喜欢把车理解成一个会说话的系统。
它不会用报告解释你为什么会不舒服，它只会在方向盘回正的那一瞬间、在刹车踏板深浅变化的那一秒、在夜里车机启动的那一次时告诉你：这套系统有没有被认真训练过、有没有被真正负责过。
福特这次的故事让我更确认一件事——车的质量不是靠新技术“堆上去”的，是靠人和系统一起把“不确定”压到更安全的范围里。
AI 可以帮忙，但人不能缺席。
