Ford จ้างผู้ตรวจสอบ “gray beard” กลับมา หลังการตรวจคุณภาพด้วย AI สะดุด

• Ford Motor Co. เรียกวิศวกรผู้คร่ำหวอดที่เรียกว่า “gray beard” กลับมาอีกครั้ง เพื่อลด ปัญหาคุณภาพ ที่เรื้อรัง โดยให้มาช่วยฝึกอบรมพนักงานรุ่นใหม่และเสริมเครื่องมือ AI
• ในช่วง 3 ปีที่ผ่านมา ได้จ้างวิศวกรผู้คร่ำหวอด 350 คน โดยหลายคนเป็นอดีตพนักงาน Ford และบางส่วนมาจากซัพพลายเออร์
• การรับมือปัญหาคุณภาพด้วย เครื่องมือ AI เพียงอย่างเดียวทำได้ยาก เพราะไม่ได้ให้ผลลัพธ์ตามที่คาดไว้ และปัญหาคุณภาพทำให้บริษัทมีต้นทุนระดับหลายพันล้านดอลลาร์
• บุคลากรที่ถูกจ้างกลับมามีหน้าที่ถ่ายทอดการตัดสินใจจากประสบการณ์ภาคสนาม พร้อมกับปรับจูนเครื่องมือ AI ที่ใช้รับมือปัญหาคุณภาพใหม่
• Ford ครองอันดับ 1 ในกลุ่มแบรนด์กระแสหลักจาก JD Power Initial Quality Survey ล่าสุดที่เผยแพร่เมื่อวันพฤหัสบดี

---

การรับมือคุณภาพที่เสริมด้วยบุคลากรผู้คร่ำหวอด

• Ford Motor Co. ไม่ได้แก้ ปัญหาคุณภาพ ที่ยืดเยื้อมานานด้วยระบบอัตโนมัติเพียงอย่างเดียว แต่รับมือด้วยการนำบุคลากรที่มีประสบการณ์กลับเข้ามาอีกครั้ง
• วิศวกรที่บริษัทเรียกว่า “gray beard” ช่วยสนับสนุนการตัดสินใจของพนักงานรุ่นใหม่ และรีโปรแกรมเครื่องมือ AI ที่ไม่ได้ให้ผลลัพธ์ตามที่คาดไว้

จ้างกลับมา 350 คนในช่วง 3 ปี

• Ford จ้างวิศวกรผู้คร่ำหวอด 350 คน ในช่วง 3 ปีที่ผ่านมา
• บุคลากรที่จ้างเข้ามามีอดีตพนักงาน Ford รวมอยู่จำนวนมาก และยังมีวิศวกรจากซัพพลายเออร์ด้วย
• คนเหล่านี้ถูกนำเข้ามาเพื่อจัดการปัญหาคุณภาพที่ดูเหมือนแก้ไขได้ยาก

ข้อจำกัดของเครื่องมือ AI และภาระต้นทุน

• เครื่องมือ AI ของ Ford ที่ใช้แก้ปัญหาคุณภาพไม่สามารถทำหน้าที่ตามที่คาดหวังได้อย่างเพียงพอ
• ปัญหาคุณภาพทำให้ Ford มีต้นทุนระดับ หลายพันล้านดอลลาร์
• บริษัทตั้งใจใช้ประสบการณ์ของวิศวกรผู้คร่ำหวอดเพื่อเสริมทั้งเครื่องมือ AI และความสามารถของพนักงานรุ่นใหม่ไปพร้อมกัน

ผลสำรวจ JD Power

• Ford ได้อันดับ 1 ในกลุ่มแบรนด์กระแสหลักจาก JD Power Initial Quality Survey ล่าสุดที่เผยแพร่เมื่อวันพฤหัสบดี
• ผลลัพธ์นี้ถูกนำเสนอร่วมกับผลงานหลังการจ้างวิศวกรผู้คร่ำหวอดกลับมาและการรับมือปัญหาคุณภาพ

[GN⁺]

ความคิดเห็นจาก Hacker News

• จากมุมมองของคนที่เคยผ่าน กระแสเอาต์ซอร์สไปต่างประเทศ ช่วงกลางยุค 2000 มาแล้ว กระแสครั้งนี้ก็กำลังเดินตามรอยเดิมแทบไม่ต่างกัน
  CEO/CFO ของบริษัทใหญ่ ๆ คุยโวกับเพื่อนตีกอล์ฟว่า “ประหยัดได้แค่ไหนจากแรงงานต่างประเทศ” แล้วในขั้นที่ 1 ก็ปลดคนจำนวนมาก ส่งงานไปต่างประเทศ และดันตัวชี้วัดทางการเงินให้ดูดีขึ้นอยู่ 5~6 ไตรมาส
  พอถึงขั้นที่ 2 พนักงานและองค์กรเริ่มพัง และเห็นชัดขึ้นว่ากำแพงด้านวัฒนธรรมกับการสื่อสารยังข้ามได้อย่างมีประสิทธิภาพยากมาก มีแค่ส่วนน้อยจริง ๆ ที่ทำได้ดี ส่วนใหญ่ไม่เหมาะ
  พอถึงราวขั้นที่ 3 คนที่มีความสามารถพอจะหางานใหม่ได้ก็ออกไปหมดแล้ว บริษัทเหลือเหมือนเปลือกที่ไหม้เกรียม และสลายไปเองในขั้นที่ 5
  • ประเด็นหลักคือ กำไรระยะสั้น พาร์ตเนอร์จากบริษัทอย่าง Accenture, Infosys เข้าไปล้อมผู้บริหารบริษัทอุตสาหกรรมเก่า ๆ และแม้ผลประกอบการบริษัทจะแย่ลง ก็ยังใช้ลูกเล่นทางบัญชีปิดบังได้ชั่วคราว
    แต่พอมีไตรมาสหนึ่งพังหนัก ทั้งปีบัญชีก็สั่นคลอน การโยนความรับผิดชอบก็เริ่มขึ้น แล้วคำอย่าง “รัดเข็มขัด” หรือ “เปลี่ยนต้นทุนคงที่เป็นต้นทุนผันแปร” ก็ถูกหยิบมาพูด
    ในจังหวะนั้น ข้อเสนอจาก Big Consulting ที่สามารถบันทึกเป็นเงินประหยัดได้ทันทีในปีบัญชีนี้ก็ดูน่าดึงดูดมาก
    รอยร้าวจะปรากฏเร็วมาก: การบริหารโปรแกรม/โครงการไม่พอ คุณภาพบริการรู้สึกว่าตกลงแต่ไม่มีตัวชี้วัด พอทีมแรกออกไปก็ต้องฝึกคนเอาต์ซอร์สใหม่ และยังประเมินขนาดโครงการใหม่ไม่ได้
    ภายในหน่วยธุรกิจจะเกิด แผนก IT เงา ขึ้นมา และผู้รับจ้างเอาต์ซอร์สก็ไม่ได้สนใจการรวมผู้ขายหรือการกดดันผู้ขายรายอื่น
    ถ้าเป้าหมายคือการปรับปรุงฝ่าย IT ที่ผลงานย่ำแย่เรื้อรังอย่างมีกลยุทธ์ มันอาจมีคุณค่าได้ แต่ถ้ารีบทำเพื่อกลบปัญหาธุรกิจหลักที่ซบเซา แทบจะไม่เห็นผล
  • สิ่งที่ตลกคือ ต่อให้ทุกคนเห็นตรงกันว่าภาวะผู้นำแบบนี้พัง แต่พอได้ขึ้นไปอยู่ในตำแหน่งที่มีอำนาจและการตัดสินใจคล้าย ๆ กัน ส่วนใหญ่ก็จะทำแบบเดิม
  • เรื่องแบบนี้ยังเกิดขึ้นอยู่จนถึงตอนนี้ เพียงแต่พยายามเหลือคนเทคนิคภายในไว้ไม่กี่คน ปัญหาคือโดยทฤษฎีแล้วคนภายในไม่ควรลงมือแก้ไขเอง ทำได้แค่ “ช่วย” เท่านั้น จึงแทบไม่มีแรงจูงใจให้อยู่ต่อ
  • ทางออกย่อมเป็นการ ใช้ AI ข้ามกำแพงทางวัฒนธรรม อยู่แล้ว มันแปลภาษาให้ด้วย แรงงานต่างประเทศก็ไม่จำเป็นต้องพูดภาษาของบริษัทอีกต่อไป และลดต้นทุนได้อีก /s
• ต่อให้มองข้ามไปก่อนว่าแนวคิดปลดพนักงานแล้วแทนที่ด้วย AI นั้นสายตาสั้นโดยตัวมันเอง Ford ก็ยัง ปลดพนักงานผิดกลุ่ม
  LLM ทำงานได้ดีที่สุดเมื่ออยู่ในมือวิศวกรอาวุโสที่มีประสบการณ์ ซึ่งเข้าใจองค์ประกอบด้านล่างอยู่แล้วและสามารถทำงานในระดับนามธรรมสูงได้
  ในแง่หนึ่ง การใช้ LLM agent คล้ายกับการสั่งงานพนักงานจูเนียร์ที่ฉลาดและรวดเร็วมาก แต่มีจุดบอดและขาดความรู้ขององค์กร
  คนที่ทำเรื่องนี้ได้ดีคือซีเนียร์ ดังนั้นถ้าปลดซีเนียร์ไป ก็เท่ากับปล่อยคนที่ใช้ LLM ให้เกิดประโยชน์ได้ดีที่สุดออกไป
  • นั่นเป็นพื้นฐานสุด ๆ ถ้าจะสร้าง พรอมป์ต์สำหรับงานสถาปัตยกรรม ที่ซับซ้อน อย่างน้อยก็ต้องรู้คำตอบในระดับนามธรรม
    ถ้าในหัวไม่มีการออกแบบระบบที่ถูกต้อง LLM ตัวไหนก็สร้างมันขึ้นมาจากอากาศไม่ได้
  • ใครบอกว่า Ford ปลดพนักงาน? ในบทความไม่มีเนื้อหาแบบนั้น
• เมื่อโมเดลทำได้ไม่ถึงกระแสโฆษณาเกินจริง แนวโน้มแบบนี้จะกลายเป็น รูปแบบมาตรฐาน โดยรวม
  LLM และ agent ช่วยได้มากในการแก้ปัญหายาก ๆ แต่เรายังไม่ได้อยู่ในจุดที่แค่ทำการออกแบบกับสถาปัตยกรรม แล้วปล่อยให้มันรับงานที่เหลือทั้งหมดไปได้
  ใกล้เข้ามาแล้ว และในบางกรณีการใช้งานอาจเป็นไปได้แล้ว แต่สำหรับงานระดับต่ำหรือการย้ายระบบครั้งใหญ่ในองค์กรขนาดใหญ่ ยังไม่เพียงพอ
  ผมมีทั้ง agent และใช้ agent ของ agent ด้วย แต่ก็ยังมีบางครั้งที่ต้องตัดงานก้อนใหญ่ของโปรเจกต์ทิ้ง เพราะเป็นโค้ดขยะที่ควรโยนให้หมาไป นี่อ้างอิงจาก GLM-5.2
  • ตรงนี้ การพัฒนาแบบขับเคลื่อนด้วยเอกสาร ช่วยได้ เวิร์กโฟลว์ของผม 75% คือการสร้างเอกสารในระดับนามธรรมที่ค่อย ๆ ต่ำลง จนสุดท้ายกลายเป็นโค้ด
    หลังผ่านเทสต์แล้ว โดยทั่วไปโค้ดจะเหมาะสม สะอาด ไม่มีบั๊ก และมีเอกสารประกอบดีมาก
    เพียงแต่คนยังต้องเข้าไปแทรกแซงซ้ำ ๆ อยู่ตลอด
• https://archive.is/DI4Cq
  The Verge ก็รายงานเรื่องนี้ด้วย:
  https://www.theverge.com/transportation/956316/ford-quality-...
  • สื่อทุกเจ้าควรหยิบเรื่องนี้มารายงานให้มากกว่านี้
• เหตุผลที่ AI ล้มเหลวในภาคอุตสาหกรรมคือ SKILL.md หรือวิธีป้อนความรู้อื่น ๆ ไม่ได้รับประกันการปฏิบัติตาม AI คิดว่าตัวเอง “รู้ดีกว่า”
  • เพื่อนผมก็เตรียมกลไกอย่าง hook ไว้เต็มไปหมดเพื่อป้องกันเรื่องนี้ แต่ LLM ก็ยังฝ่าฝืนมันเป็นครั้งคราว
    ผมไม่ได้คาดหวังมากว่าจะมีทางแก้ที่สมบูรณ์แบบไร้ที่ติสำหรับเรื่องนี้
  • ผมไม่แน่ใจว่านี่เป็นการประชดหรือเปล่า ผมมองว่าสาเหตุหลักที่มันล้มเหลวคือความรู้และประสบการณ์จำนวนมากเป็นสิ่งที่ อาศัยสัญชาตญาณ และไม่ได้ถูกบันทึกเป็นเอกสาร
  • ถ้าการปฏิบัติตามคือปัญหาหลัก เราก็คงไม่จำเป็นต้องคิดค้นวิธีทำให้คอมพิวเตอร์ไม่ทำตามคำสั่งเป๊ะ ๆ ตั้งแต่แรก
• วิศวกรซอฟต์แวร์ในสหรัฐฯ ต้องมี สหภาพแรงงาน
  ถ้ายังไม่ได้ไปทำงานที่อื่นแล้ว ผมคงไม่กลับไปหรอกถ้าไม่มีการขึ้นเงินเดือน 20% และสัญญาที่แน่นหนาแบบเหล็กกล้า
  • อุตสาหกรรมนี้มีวัฏจักรเฟื่องฟูกับซบเซาซ้ำไปมา โครงการเกิดขึ้นแล้วก็หายไป ต่อให้ทำงานในบริษัทซอฟต์แวร์ก็แค่เบาลงเล็กน้อยเท่านั้น
    ถ้าต้องการความมั่นคงและยอมรับเพดานการเติบโตที่จำกัดกว่า งานที่ยังต้องมี IT/การดูแลเซิร์ฟเวอร์ต่อเนื่องอาจดีกว่า
• Ford จ้างวิศวกร 350 คน ในช่วง 3 ปีที่ผ่านมา และเรื่องนี้เกิดขึ้นพร้อมกับข้อจำกัดในการใช้เครื่องมือตรวจสอบด้วย AI
  เรื่องนี้ไม่เกี่ยวกับ LLM และแทบแน่นอนว่าเกี่ยวกับโครงการนำร่อง MAIVIS กับ AiTriz ที่ใช้ CNN แบบเก่าสำหรับตรวจสอบภาพบนฮาร์ดแวร์ IBM แบบทำเฉพาะ
  • ใช่ ผมว่าหลายคนพลาดประเด็นสำคัญเรื่อง ช่วงเวลา ความผิดพลาดนี้ถูกตระหนักเมื่อ 3 ปีก่อน และระยะนำของการออกแบบรถยนต์กับกระบวนการผลิตนั้นยาว
    แถมจุดเริ่มของเรื่องนี้คือ “Ford กลับขึ้นสู่อันดับต้น ๆ ในการจัดอันดับคุณภาพของ JD Power” ดังนั้นแค่ความล่าช้าของการรายงานก็เพิ่มไปอีก 6~18 เดือน
    แบบนี้ความผิดพลาดในการปลดคนตั้งแต่แรกจึงเกิดขึ้นเมื่อ 5~8 ปีก่อน

ไม่รู้ว่า “MAIVIS และโครงการนำร่อง AiTriz” ที่กล่าวถึงนั้นถูกนำไปใช้เมื่อไร แต่อีกความเป็นไปได้คือทีมประชาสัมพันธ์ของ Ford เห็นว่าตอนนี้เรื่องเล่าแนว กระแสตีกลับ AI กำลังเป็นที่นิยม แล้วจึงหยิบมันมาเน้นแบบฉวยโอกาสเพื่ออธิบายเหตุการณ์ข่าวเชิงบวกที่น่าจะมีหลายสาเหตุ
โดยส่วนตัวคิดว่าควรมองบทความธีม “กระแสตีกลับ AI” แบบนี้อย่างจำกัดพอ ๆ กับธีม “การลดคนเพราะ AI” ที่บริษัทต่าง ๆ เคยหยิบมาใช้เพื่อสร้างความชอบธรรมให้การปลดพนักงานที่อยากทำอยู่แล้ว

• ชื่อเรื่องที่ส่งมาคือ “Ford rehires 350 engineers after AI fails to preserve expertise or train juniors” แต่เนื้อหาในบทความไม่ได้เป็นเช่นนั้น
  ถึงผู้ส่ง: “Please submit the original source. If a post reports on something found on another site, submit the latter.” - https://news.ycombinator.com/newsguidelines.html
  ตอนนี้เปลี่ยนกลับไปใช้ชื่อเดิมของบทความแล้ว
  เพิ่มเติมคือ บางครั้งสื่อก็เปลี่ยนชื่อบทความเป็นครั้งคราว ดังนั้นโดยปกติผู้ส่งอาจทำตามแนวทางอยู่แล้ว แต่บางทีก็ต้องใช้เวลาสักพักกว่าพวกเราจะตามทัน
• ใช่ อันนี้ดูไม่เกี่ยวกับ AI เลย หวังว่าคอมเมนต์นี้จะขึ้นไปอยู่บนสุด
• ความพยายามครั้งแรกล้มเหลวเลยถอยออกมาหนึ่งก้าว แต่พอเวลาผ่านไปสักหน่อยก็จะลองอีกครั้ง แล้วก็จะปลดคนเหล่านั้นอีก
  • ความฝันเรื่อง เครื่องจักรแรงงานถาวร เป็นสิ่งที่นายทุนหมกมุ่นถึงขั้นทำลายโลกเพื่อไล่ตามความฝันลวง ๆ ผู้กดขี่ต้องหยุดได้แล้ว
• ความรู้มีสองประเภท มี ความรู้ชัดแจ้ง ที่สามารถเข้ารหัสลงในไฟล์ Markdown หรือวิกิได้ง่าย และมี ความรู้ฝังลึก ซึ่งส่วนใหญ่อยู่ในประสบการณ์ของคนในองค์กร
  ความรู้ชัดแจ้งเป็นเหมือนยอดภูเขาน้ำแข็งขององค์ความรู้ขนาดมหึมาในองค์กร
  • ความรู้ฝังลึกนั้นไม่มีมูลค่าที่วัดเป็นตัวเลขได้ง่าย และไม่ปรากฏในงบกำไรขาดทุน ผู้บริหารส่วนใหญ่จึงไม่คำนึงถึง
    ตลอดอาชีพการงานเห็นเรื่องแบบนี้ซ้ำแล้วซ้ำเล่า เมื่อมีใครบางคนลาออกหรือเกิดการปลดคน หากไม่คำนึงถึงเรื่องนี้ บริษัทก็จะลนลานพยายามทำความเข้าใจขั้นตอนที่ใครบางคนคอยดำเนินการหรือดูแลอย่างเงียบ ๆ มาหลายปี และไม่มีใครอื่นนึกถึง
  • อาจใช้กระบวนการกลั่นก็ได้ ให้ AI ถามวิศวกรอาวุโสซ้ำ ๆ แบบนั้น แน่นอนว่าไม่ควรทำ เหมือนบีบน้ำมันออกจากมะกอก
• ลองคิดแบบง่าย ๆ ถ้ามีบริษัทที่มีพนักงาน 100 คน สร้างบ้าน 12 หลังพร้อมกัน ก็อาจทดลองเปลี่ยนทีมโครงสร้าง 6 คนให้เป็นทีม 2 คน+หุ่นยนต์ 1 ตัวได้
  สามารถทดลองหลายแบบเพื่อดูว่ามีทางเลือกที่ดีกว่าหรือไม่ และต้นทุนก็ตกกับพนักงาน 4 คน
  ถ้าเป็นบริษัทที่มีพนักงาน 1,000 คน สร้างบ้าน 100 หลังพร้อมกัน ก็อาจลดคนลงราว 12 คนเพื่อทำทีมใช้หุ่นยนต์ 3 ทีม
  แม้เป็นบริษัทที่มีพนักงาน 10,000 คน สร้างบ้าน 1,000 หลังพร้อมกัน การทดลองก็ยังใช้เพียงไม่กี่ทีมก็พอ และพนักงานที่ได้รับผลกระทบจะมีแค่ราว 20–30 คน
  น่าทึ่งที่บริษัทถอยห่างจากธุรกิจของตัวเองได้ขนาดนี้ จนไม่อาจเข้าใจผลกระทบของการเปลี่ยนแปลงโดยไม่ก่อ ความเสียหายในวงกว้าง ระดับนี้