# Ford, AI 품질검사 차질로 ‘gray beard’ 검사관 재고용 > Clean Markdown view of GeekNews topic #30843. Use the original source for factual precision when an external source URL is present. ## Metadata - GeekNews HTML: [https://news.hada.io/topic?id=30843](https://news.hada.io/topic?id=30843) - GeekNews Markdown: [https://news.hada.io/topic/30843.md](https://news.hada.io/topic/30843.md) - Type: GN+ - Author: [neo](https://news.hada.io/@neo) - Published: 2026-06-26T10:05:49+09:00 - Updated: 2026-06-26T10:05:49+09:00 - Original source: [bloomberg.com](https://www.bloomberg.com/news/articles/2026-06-25/ford-has-been-rehiring-quality-inspectors-after-ai-fell-short) - Points: 1 - Comments: 1 ## Topic Body - Ford Motor Co.는 고질적인 **품질 문제**를 줄이기 위해 “gray beard”로 불리는 베테랑 엔지니어들을 다시 불러 젊은 직원 교육과 AI 도구 보완에 투입함 - 지난 **3년간 350명**의 베테랑 엔지니어를 채용했으며, 다수는 전직 Ford 직원이고 일부는 공급업체 출신임 - 기대만큼 성과를 내지 못한 **AI 도구**만으로는 품질 대응이 어려웠고, 품질 문제는 회사에 수십억 달러 규모의 비용을 초래함 - 재고용된 인력은 현장 판단을 전수하는 동시에 품질 대응에 쓰이는 AI 도구를 다시 조정하는 역할을 맡음 - Ford는 목요일 공개된 최신 **JD Power Initial Quality Survey**에서 대중 브랜드 중 1위를 기록함 --- ### 베테랑 인력으로 보완한 품질 대응 - Ford Motor Co.는 오래 지속된 **품질 문제**를 자동화만으로 해결하지 않고, 경험 많은 인력을 다시 투입하는 방식으로 대응함 - 회사가 “**gray beard**”라고 부르는 엔지니어들은 젊은 직원의 판단을 돕고, 기대한 성과를 내지 못한 AI 도구를 재프로그래밍함 ### 3년간 350명 재고용 - Ford는 지난 **3년 동안 350명**의 베테랑 엔지니어를 고용함 - 채용된 인력에는 전직 Ford 직원이 많이 포함되며, 공급업체 출신 엔지니어도 있음 - 이들은 해결이 어려워 보였던 품질 문제를 다루기 위해 투입됨 ### AI 도구의 한계와 비용 부담 - 품질 문제 해결에 쓰인 Ford의 **AI 도구**는 기대한 역할을 충분히 수행하지 못함 - 품질 문제는 Ford에 **수십억 달러** 규모의 비용을 초래함 - 회사는 베테랑 엔지니어의 경험을 활용해 AI 도구와 젊은 직원의 역량을 함께 보완하려 함 ### JD Power 조사 결과 - Ford는 목요일 공개된 최신 **JD Power Initial Quality Survey**에서 대중 브랜드 중 1위를 차지함 - 이 결과는 베테랑 엔지니어 재고용과 품질 문제 대응 이후의 성과로 함께 제시됨 ## Comments ### Comment 60339 - Author: neo - Created: 2026-06-26T10:05:50+09:00 - Points: 1 ###### [Hacker News 의견들](https://news.ycombinator.com/item?id=48674446) - 2000년대 중반의 **오프쇼어링 열풍**을 겪어본 입장에서는 이번 흐름도 거의 같은 궤적을 밟고 있음 대기업 CEO/CFO들이 골프 친구들과 “해외 인력으로 얼마나 아꼈는지” 떠들어대고, 1단계로 사람들을 대거 해고해 일을 해외로 보내면서 5~6분기 동안 재무 지표를 끌어올림 2단계에 이르면 직원과 조직이 망가지기 시작하고, 문화·커뮤니케이션 장벽은 아직 효율적으로 넘기 어렵다는 사실이 드러남. 정말 소수만 그걸 잘 해내고, 대부분은 맞지 않음 3단계쯤에는 다른 직장을 구할 능력 있는 사람은 이미 떠났고, 회사는 타다 남은 껍데기처럼 남아 5단계에서 자연 소멸함 - 핵심은 **단기 이익**임. Accenture, Infosys 같은 회사의 파트너들이 오래된 산업 기업 임원들을 둘러싸고, 회사 실적이 나빠져도 회계적 꼼수로 잠깐 가릴 수 있음 그러다 한 분기가 크게 망가지면 회계연도 전체가 흔들리고, 책임 공방이 시작되며 “허리띠 졸라매기”, “고정비를 변동비로 바꾸기” 같은 말이 나옴 그 순간 Big Consulting이 내놓은, 이번 회계연도에 바로 절감액으로 잡을 수 있는 제안이 아주 매력적으로 보임 균열은 금방 드러남: 프로그램/프로젝트 관리가 부족하고, 서비스 품질이 떨어진 느낌은 있는데 지표가 없고, 첫 팀이 나가면 아웃소싱 인력을 다시 교육해야 하며, 새 프로젝트 규모 산정도 못 함 사업부 안에는 **그림자 IT 부서**가 생기고, 아웃소싱 업체는 벤더 통합이나 다른 벤더를 압박하는 일에는 관심이 없음 만성적으로 성과가 나쁜 IT 부서를 전략적으로 개선하려는 목적이라면 가치가 있을 수도 있지만, 핵심 사업의 부진을 덮으려고 급하게 하면 거의 효과가 없음 - 이런 리더십이 망가졌다고 다들 동의해도, 막상 비슷한 권한과 의사결정 위치에 올라가면 대부분 똑같은 일을 하게 되는 게 웃긴 부분임 - 지금도 계속 벌어지고 있고, 다만 내부 기술 인력을 몇 명 남겨두려 할 뿐임. 문제는 내부 인력이 이론상 변경을 직접 하면 안 되고 “도와주기만” 해야 하니 남아 있을 유인이 약하다는 데 있음 - 해결책은 당연히 **문화 장벽을 AI로 넘기는 것**임. 번역도 해주니 해외 인력이 회사 언어를 할 필요조차 없어지고 비용을 더 줄일 수 있음 /s - 직원을 해고하고 AI로 대체하려는 발상 자체가 근시안적인 건 차치하더라도, Ford는 **잘못된 직원을 해고**했음 LLM은 아래 구성요소를 이미 이해하고 있어 높은 추상화 수준에서 일할 수 있는 숙련된 시니어 엔지니어 손에서 가장 잘 작동함 어떤 의미에서 LLM 에이전트를 쓰는 건 아주 똑똑하고 빠르지만 사각지대가 있고 조직 지식이 부족한 주니어에게 지시를 내리는 것과 비슷함 그걸 잘하는 사람이 시니어인데, 시니어를 해고했다면 LLM을 가장 잘 활용할 수 있는 사람들을 내보낸 셈임 - 그건 기본 중의 기본임. 복잡한 **아키텍처 작업 프롬프트**를 만들려면 적어도 추상화 수준에서는 해법을 알고 있어야 함 머릿속에 올바른 시스템 설계가 없다면 어떤 LLM도 허공에서 그걸 만들어내지 못함 - Ford가 직원을 해고했다고 누가 말했나? 기사에는 그런 내용이 없음 - 모델들이 과대광고에 못 미쳤으니, 이런 흐름은 전반적으로 **표준적인 전개**가 될 것임 LLM과 에이전트는 어려운 문제를 풀 때 큰 도움이 되지만, 우리가 설계와 아키텍처만 하고 나머지 일을 전부 맡길 수 있는 단계는 아직 아님 가까워지긴 했고, 특정 사용 사례에서는 이미 가능할 수도 있지만, 저수준 작업이나 대기업의 대규모 이전 작업에는 아직 부족함 에이전트도 있고 에이전트의 에이전트도 쓰지만, 여전히 프로젝트의 큰 덩어리를 떼어내 쓰레기 코드라서 개들에게 던져줘야 하는 일이 있음. GLM-5.2 기준임 - 여기서는 **문서 주도 개발**이 도움이 됨. 내 작업 흐름의 75%는 점점 낮은 추상화 수준으로 문서를 생성하다가 결국 코드가 되게 하는 것임 테스트를 통과한 뒤에는 보통 코드가 최적이고 깔끔하며 버그도 없고, 문서화도 엄청 잘 되어 있음 다만 사람이 계속 반복적으로 개입해야 함 - [https://archive.is/DI4Cq]() The Verge도 다루고 있음: [https://www.theverge.com/transportation/956316/ford-quality-...]() - 모든 매체가 이걸 더 많이 다뤄야 함 - 산업 현장에서 AI가 실패하는 이유는 **SKILL.md**나 다른 지식 주입 방식이 준수를 보장하지 않기 때문임. AI는 자기가 “더 잘 안다”고 생각함 - 내 친구도 이를 막으려고 훅 같은 장치를 잔뜩 준비했지만, LLM은 여전히 가끔 그것들을 어김 여기에 완전무결한 해법이 존재한다고 크게 기대하지 않음 - 이게 반어법인지 잘 모르겠음. 주로 실패하는 이유는 많은 지식과 경험이 **직관적**이고 문서화되어 있지 않기 때문이라고 봄 - 준수가 핵심 문제였다면, 컴퓨터가 지시받은 그대로만 하지 않게 만드는 방법을 굳이 발명할 필요가 없었을 것임 - 미국 소프트웨어 엔지니어에게는 **노조**가 필요함 이미 다른 곳에 취업하지 않았다면, 20% 임금 인상과 철통같은 계약 없이는 돌아가지 않을 것임 - 이 업계는 호황과 불황이 반복됨. 프로젝트는 생겼다 사라지고, 소프트웨어 회사에서 일해도 그 정도가 조금 덜할 뿐임 더 제한적인 상승 여력을 감수하고 안정성을 원한다면, IT/서버 관리가 계속 필요한 업무라서 더 나을 수 있음 - Ford는 지난 3년 동안 엔지니어 **350명**을 채용했고, 이는 AI 검사 도구 사용의 부족함과 동시에 벌어진 일임 이건 LLM과는 관련이 없고, 거의 확실히 맞춤형 IBM 하드웨어에서 구식 합성곱 신경망(CNN)으로 시각 검사를 하는 MAIVIS와 AiTriz 파일럿에 관한 내용임 - 맞음. 많은 사람이 **시점**이라는 핵심을 놓치는 것 같음. 실수는 3년 전에 인식됐고, 자동차 설계와 제조 공정의 선행 기간은 김 게다가 이 이야기의 계기는 “Ford가 JD Power 품질 조사 순위 상위권으로 복귀”했다는 것이어서, 보도 지연만 해도 6~18개월이 더해짐 그러면 원래의 해고 실수는 5~8년 전에 벌어진 일이 됨 언급한 “MAIVIS와 AiTriz 파일럿”이 언제 구현됐는지는 모르지만, 또 다른 가능성은 Ford 홍보팀이 지금 **AI 역풍** 서사가 유행하는 걸 보고, 여러 원인이 있었을 긍정적 뉴스 이벤트를 설명하는 데 그걸 기회주의적으로 강조했을 수 있다는 것임 개인적으로는 이런 “AI 역풍” 테마 기사들을, 예전에 회사들이 어차피 하고 싶던 해고를 정당화하려고 붙잡았던 “AI로 인한 감원” 테마만큼이나 제한적으로 봐야 한다고 생각함 - 제출 제목은 “Ford rehires 350 engineers after AI fails to preserve expertise or train juniors”였는데, 기사 내용은 그렇지 않음 제출자에게: “Please submit the original source. If a post reports on something found on another site, submit the latter.” - [https://news.ycombinator.com/newsguidelines.html]() 지금은 기사 원제목으로 되돌려둠 덧붙이면, 매체가 기사 제목을 가끔 바꾸는 경우가 있어서 제출자가 보통은 가이드라인을 따른 것이지만, 우리가 따라잡는 데 시간이 걸리기도 함 - 맞음, 이건 AI와 관련 없어 보임. 이 댓글이 최상단으로 올라가면 좋겠음 - 첫 시도는 실패해서 한발 물러섰지만, 시간이 좀 지나면 다시 시도하고 그 사람들을 또 해고할 것임 - **영구 노동 기계**라는 꿈은 자본가들이 허구의 꿈을 좇기 위해 지구까지 파괴할 만큼 집착하는 것임. 억압자들은 멈춰야 함 - 지식에는 두 종류가 있음. 마크다운 파일이나 위키에 쉽게 코드화할 수 있는 **명시적 지식**이 있고, 조직 구성원들의 경험 속에 주로 담긴 **암묵지**가 있음 명시적 지식은 거대한 조직 지식 빙산의 꼭대기 같은 것임 - 그 암묵지는 쉽게 수치화되는 가치가 없고, 손익계산서에도 나타나지 않으니 대부분의 임원이 고려하지 않음 경력 내내 이런 일을 반복해서 봤음. 누군가 떠나거나 해고가 벌어질 때 이를 고려하지 않으면, 회사는 누군가가 몇 년 동안 조용히 운영하거나 유지해왔고 다른 누구도 생각하지 않았던 절차를 뒤늦게 파악하느라 허둥댐 - 증류 과정을 쓸 수도 있겠음. AI가 시니어 엔지니어에게 반복해서 질문하게 하는 식으로, 물론 그러면 안 됨. 올리브에서 기름을 짜내듯이 - 단순하게 생각해봄. 직원 100명이 한 번에 집 12채를 짓는 회사가 있다면, 6명짜리 골조 팀을 2명+로봇 1대 팀으로 바꾸는 실험을 할 수 있음 더 나은 선택지가 있는지 여러 실험을 해볼 수 있고, 그 대가는 직원 4명에게 돌아감 직원 1000명이 한 번에 집 100채를 짓는 회사라면 12명 정도를 줄여 로봇 팀 3개를 만들 수 있음 직원 1만 명이 한 번에 집 1000채를 짓는 회사라도 실험에는 여전히 몇 개 팀이면 충분하고, 영향을 받는 직원은 20~30명 정도에 그칠 것임 회사가 자기 사업과 이렇게 멀어져, 이 정도 규모의 **대량 피해** 없이 변화의 영향을 이해하지 못하게 된다는 게 놀라움