Ford despidió a sus ingenieros, los reemplazó con cámaras de IA, y los está recontratando

Novecientas cámaras con inteligencia artificial, instaladas para inspeccionar la calidad de los vehículos en las líneas de producción de Ford, no detectaron defectos que los técnicos humanos que esas mismas cámaras reemplazaron habrían identificado sin dificultad. La empresa ya tomó una decisión al respecto: recontrató entre 300 y 350 de los ingenieros veteranos —internamente apodados "graybeards"— que había despedido al desplegar el sistema.

El patrón que ya tiene cifra, no solo anécdota

El caso de Ford no es un incidente aislado que la prensa amplificó por su valor narrativo. Un estudio de Orgvue publicado en marzo encontró que 39% de los líderes empresariales encuestados habían recortado puestos específicamente citando inteligencia artificial como justificación, y que 55% de ese mismo grupo ya reconoce que la decisión fue equivocada. Gartner proyecta que, hacia 2027, la mitad de las empresas que despidieron personal citando IA habrán recontratado para puestos similares. Una encuesta de Robert Half sitúa esa proporción, ya materializada hoy, entre 29% y 32% de las empresas que eliminaron roles por IA.

Una encuesta de SHL realizada entre junio y julio de este año, con más de mil trabajadores estadounidenses, encontró que cerca de uno de cada cinco reporta haber sido despedido o reemplazado por IA y después invitado a regresar a su puesto. El fenómeno ya tiene nombre informal en la cobertura especializada: "AI rebounding" —el reboté de la IA—, y empresas como IBM, Booz Allen Hamilton y CSX aparecen mencionadas junto a Ford en distintas coberturas de esta misma tendencia.

Por qué el caso de Ford es el más claro de todos

Lo que distingue al caso de Ford de una estadística agregada es que la propia empresa explicó, con cierto nivel de detalle, qué salió mal. Charles Poon, vicepresidente de ingeniería de hardware vehicular de Ford, reconoció que la empresa asumió —incorrectamente— que alimentar los requisitos de diseño a un sistema de IA produciría, por sí mismo, un resultado de calidad equivalente al que generaban sus ingenieros experimentados. El sistema de cámaras, desplegado para automatizar la inspección visual de defectos en las líneas de ensamblaje, pasó por alto fallas que los técnicos humanos despedidos habrían detectado de forma rutinaria.

El resultado posterior tiene una ironía que merece señalarse con precisión: Ford se convirtió en la marca mainstream mejor calificada del Estudio de Calidad Inicial 2026 de J.D. Power, aparentemente después de la corrección —aunque la misma empresa acumuló un número récord de retiros de vehículos en 2025 y ya lleva varios en 2026, un dato que complica cualquier narrativa de éxito sin matices sobre el episodio completo.

El conocimiento no estaba en ningún documento — estaba en la gente que se fue

La explicación más precisa de lo que falló no es que la inteligencia artificial sea, en abstracto, incapaz de inspeccionar calidad vehicular. Es más específica, y más incómoda para cualquier empresa que esté considerando un recorte similar: según la propia explicación de Ford, algunos de los trabajadores más experimentados se fueron antes de que su conocimiento quedara capturado en ningún sistema, lo que significa que las herramientas de IA que debían reemplazarlos se entrenaron con información incompleta desde el inicio. El conocimiento tácito de un inspector con años de experiencia —qué patrón visual distingue un defecto real de una variación cosmética aceptable, qué combinaciones de factores elevan el riesgo de una falla específica— no vive en un manual de especificaciones que se pueda cargar a un modelo. Vive, de forma difusa y difícil de documentar, en la persona que lo acumuló con el tiempo.

Despedir a esa persona antes de que ese conocimiento se transfiriera —a un sistema, a un compañero más joven, a cualquier repositorio accesible— no es un error de la tecnología de IA. Es un error de secuencia: la empresa eliminó su propia fuente de entrenamiento antes de que el sistema pudiera aprender de ella, y después se sorprendió de que el sistema no supiera lo que nunca tuvo oportunidad de aprender.

El costo que ninguna hoja de cálculo de ahorro por despido incluye

Lucy Beaumont, vicepresidenta global de producto y diseño de SHL, ofrece una lectura que va más allá del error técnico puntual: despedir a alguien, dice, cambia de forma fundamental el contrato psicológico entre esa persona y la empresa, y recontratarla no repara esa ruptura por completo. "Realmente rompiste la confianza con esas personas", señala, lo que implica que los trabajadores que regresan rara vez igualan el nivel de productividad y compromiso que tenían antes de ser despedidos. Los propios datos de la encuesta de SHL respaldan esa fricción: casi la mitad de los trabajadores estadounidenses encuestados exigiría un aumento salarial significativo para regresar, 43% querría garantías escritas de estabilidad laboral, 40% pediría transparencia total sobre cómo se usaría la IA en su puesto, y 30% esperaría una disculpa explícita de la dirección antes de volver.

Eso significa que el costo real de un despido prematuro por IA no termina con la liquidación que la empresa ya pagó. Incluye, también, el costo de negociar el regreso de trabajadores que ya no confían del todo en la organización, en condiciones que probablemente sean más caras —salario, garantías, transparencia— que las que tenían antes de irse, y con una productividad que, según la misma experta, difícilmente vuelve a su nivel original.

Lo que Joseph Fuller, de Harvard, agrega a la lectura

Joseph Fuller, profesor de la Harvard Business School y codirector del proyecto Managing the Future of Work, ofrece un marco que ayuda a entender por qué este patrón se repite entre empresas que no tienen nada más en común: su investigación sostiene que la inteligencia artificial funciona mejor cuando se combina con el conocimiento contextual de los trabajadores existentes, no cuando se usa como sustituto directo de ese conocimiento con el único objetivo de reducir costos de nómina. Es, en esencia, el mismo argumento que ilustra el caso de Ford desde un ángulo distinto: la IA como herramienta que amplifica la experiencia humana ya acumulada tiende a funcionar; la IA desplegada para eliminar esa experiencia antes de capturarla tiende a fallar de formas que solo se vuelven visibles después, cuando ya es más caro corregirlas.

No es solo Ford: el mismo error, en industrias que no comparten nada más

Lo que hace que este patrón merezca atención sostenida, y no solo un titular aislado sobre una automotriz, es que la misma secuencia —despedir citando eficiencia de IA, descubrir una brecha de desempeño, recontratar en condiciones más caras— aparece en coberturas sobre IBM, Booz Allen Hamilton y CSX, empresas que no comparten industria, modelo de negocio ni tipo de trabajo afectado. Klarna, el prestamista sueco que se volvió un caso de estudio temprano de reemplazo de servicio al cliente por IA, incluso salió a aclarar públicamente que su propia contratación reciente de personal humano no debe leerse como una reversión de su estrategia, insistiendo en que su asistente de IA sigue haciendo el trabajo equivalente de más de 800 puestos y que la nueva contratación es un programa premium de soporte, no un retroceso. Esa aclaración, por sí misma, es evidencia indirecta de que el patrón de reversión se ha vuelto lo bastante visible como para que una empresa sienta la necesidad de distanciarse de él públicamente, incluso cuando insiste en que su caso es diferente.

La variedad de industrias involucradas —manufactura automotriz, consultoría, tecnología, logística ferroviaria— sugiere que el problema no es específico de ningún tipo de tarea ni de ningún proveedor de IA en particular. Es, más bien, un patrón de implementación: la tentación de capturar el ahorro de nómina de inmediato, antes de confirmar que el sistema que reemplaza a esas personas realmente opera al nivel que el caso de negocio original asumía.

La pregunta que una empresa debería hacerse antes de la siguiente ronda de recortes

Si el patrón documentado por Orgvue, Gartner y SHL se sostiene, la lección no es que la inteligencia artificial no sirva para automatizar tareas que antes hacían personas —hay evidencia suficiente, incluida la mejora posterior de Ford en calidad, de que puede hacerlo—. La lección es que el orden de las operaciones importa tanto como la decisión misma: capturar el conocimiento tácito de los trabajadores que una IA va a reemplazar, antes de que se vayan, no es un paso opcional ni un gesto de buena voluntad hacia empleados salientes. Es, según la evidencia que este caso y los que lo acompañan documentan, una condición técnica para que el sistema que los reemplaza funcione del todo.

Fuentes

• AI-driven layoffs are creating a new class of boomerang employees—companies are realizing they "pulled the plug too quickly" — CNBC Make It
• Ford, IBM and CBA reverse AI-driven layoffs as automation stalls — AI Weekly
• Ford replaced hundreds of engineers with AI — now it's bringing them back after quality problems — Tom's Guide
• Ford rehires hundreds of "graybeard" engineers after AI shortcomings — Boing Boing
• The AI rehire correction paradox: 87K cuts YTD, but a third of companies are already reversing course — Forkast News