Ford tái tuyển dụng các giám định viên “gray beard” vì AI kiểm tra chất lượng gặp trục trặc

• Ford Motor Co. đang triệu hồi lại các kỹ sư kỳ cựu được gọi là “gray beard” để đào tạo nhân viên trẻ và bổ trợ cho các công cụ AI nhằm giảm các vấn đề chất lượng cố hữu
• Trong 3 năm qua, hãng đã tuyển dụng 350 kỹ sư kỳ cựu; nhiều người là cựu nhân viên Ford và một số đến từ các nhà cung cấp
• Chỉ dựa vào các công cụ AI không đạt hiệu quả như kỳ vọng là không đủ để xử lý chất lượng, và các vấn đề chất lượng đã gây cho công ty chi phí lên tới hàng tỷ USD
• Những nhân sự được tái tuyển dụng vừa truyền lại khả năng phán đoán tại hiện trường, vừa đảm nhiệm việc tinh chỉnh lại các công cụ AI dùng cho xử lý chất lượng
• Ford đứng đầu nhóm thương hiệu đại chúng trong JD Power Initial Quality Survey mới nhất được công bố hôm thứ Năm

---

Ứng phó chất lượng được bổ trợ bằng nhân lực kỳ cựu

• Ford Motor Co. không chỉ giải quyết các vấn đề chất lượng kéo dài bằng tự động hóa mà còn ứng phó bằng cách đưa trở lại những nhân sự giàu kinh nghiệm
• Các kỹ sư mà công ty gọi là “gray beard” hỗ trợ khả năng phán đoán của nhân viên trẻ và lập trình lại các công cụ AI không đạt được kết quả như mong đợi

Tái tuyển dụng 350 người trong 3 năm

• Ford đã tuyển dụng 350 kỹ sư kỳ cựu trong 3 năm qua
• Lực lượng được tuyển gồm nhiều cựu nhân viên Ford, cùng với các kỹ sư đến từ nhà cung cấp
• Họ được đưa vào để xử lý những vấn đề chất lượng vốn được xem là khó giải quyết

Giới hạn của công cụ AI và gánh nặng chi phí

• Các công cụ AI của Ford dùng để giải quyết vấn đề chất lượng đã không thực hiện đầy đủ vai trò như kỳ vọng
• Các vấn đề chất lượng đã gây cho Ford chi phí ở mức hàng tỷ USD
• Công ty muốn tận dụng kinh nghiệm của các kỹ sư kỳ cựu để đồng thời bổ trợ cho công cụ AI và năng lực của nhân viên trẻ

Kết quả khảo sát JD Power

• Ford xếp hạng nhất trong nhóm thương hiệu đại chúng ở JD Power Initial Quality Survey mới nhất được công bố hôm thứ Năm
• Kết quả này cũng được đưa ra như một thành quả sau khi tái tuyển dụng các kỹ sư kỳ cựu và tăng cường ứng phó với các vấn đề chất lượng

[GN⁺]

Ý kiến trên Hacker News

• Với góc nhìn của người từng trải qua làn sóng offshore giữa những năm 2000, diễn biến lần này gần như đang đi đúng cùng một quỹ đạo
  CEO/CFO của các tập đoàn lớn khoe với bạn chơi golf rằng họ đã tiết kiệm được bao nhiêu nhờ nhân lực ở nước ngoài, rồi ở giai đoạn 1 họ sa thải hàng loạt nhân sự và chuyển việc ra nước ngoài, qua đó kéo đẹp các chỉ số tài chính trong 5–6 quý
  Đến giai đoạn 2, nhân sự và tổ chức bắt đầu hỏng hóc, đồng thời lộ ra rằng rào cản văn hóa và giao tiếp vẫn chưa thể vượt qua một cách hiệu quả. Chỉ có số rất ít làm tốt điều đó, còn đa số thì không phù hợp
  Tầm giai đoạn 3, những người có năng lực để tìm việc khác đã rời đi hết, công ty chỉ còn lại như cái vỏ cháy dở rồi tự biến mất ở giai đoạn 5
  • Cốt lõi là lợi nhuận ngắn hạn. Các partner của những công ty như Accenture, Infosys vây quanh các lãnh đạo ở những doanh nghiệp công nghiệp lâu đời, và dù kết quả kinh doanh đi xuống thì vẫn có thể tạm che bằng các mánh kế toán
    Nhưng đến khi một quý nào đó vỡ trận lớn thì cả năm tài chính rung chuyển, bắt đầu đổ lỗi qua lại, rồi xuất hiện những câu như “thắt lưng buộc bụng”, “chuyển chi phí cố định thành chi phí biến đổi”
    Đúng lúc đó, đề xuất từ Big Consulting với khoản tiết kiệm có thể ghi nhận ngay trong năm tài chính hiện tại trông cực kỳ hấp dẫn
    Các vết nứt lộ ra rất nhanh: thiếu quản lý chương trình/dự án, cảm giác chất lượng dịch vụ giảm nhưng không có chỉ số đo, đội đầu tiên rời đi là phải đào tạo lại nhân lực outsourcing, cũng không ước lượng nổi quy mô dự án mới
    Bên trong đơn vị kinh doanh bắt đầu mọc lên bộ phận IT trong bóng tối, còn bên outsource thì không hề quan tâm tới việc hợp nhất vendor hay gây sức ép lên vendor khác
    Nếu mục tiêu là cải tổ chiến lược một bộ phận IT vốn kém hiệu quả triền miên thì có thể còn đáng giá, nhưng nếu làm gấp để che đậy sự sa sút của mảng kinh doanh cốt lõi thì gần như không có tác dụng
  • Phần buồn cười là dù ai cũng đồng ý kiểu lãnh đạo này đã hỏng rồi, nhưng đến khi chính họ leo lên vị trí có quyền lực và quyền ra quyết định tương tự thì đa số lại làm đúng y như vậy
  • Chuyện này vẫn đang tiếp diễn, chỉ là họ cố giữ lại một ít nhân lực kỹ thuật nội bộ. Vấn đề là nhân sự nội bộ về lý thuyết không được tự mình thực hiện thay đổi mà chỉ được “hỗ trợ”, nên động lực để ở lại rất yếu
  • Giải pháp hiển nhiên tất nhiên là dùng AI để vượt qua rào cản văn hóa. Có cả dịch tự động, nên nhân lực ở nước ngoài thậm chí chẳng cần biết ngôn ngữ của công ty nữa và còn giảm chi phí thêm được /s
• Bỏ qua chuyện bản thân ý tưởng sa thải nhân viên để thay bằng AI đã là thiển cận, Ford còn sa thải nhầm người
  LLM hoạt động hiệu quả nhất trong tay các kỹ sư senior lành nghề, những người đã hiểu sẵn các thành phần bên dưới nên có thể làm việc ở mức trừu tượng cao
  Theo một nghĩa nào đó, dùng agent LLM giống như giao việc cho một junior rất thông minh và nhanh nhạy nhưng có điểm mù và thiếu kiến thức tổ chức
  Người làm tốt việc đó là senior, nên nếu sa thải senior thì tức là đã cho nghỉ đúng những người có thể tận dụng LLM tốt nhất
  • Đó là điều cơ bản nhất. Muốn viết prompt cho công việc kiến trúc phức tạp thì ít nhất ở mức trừu tượng bạn phải biết lời giải trông như thế nào
    Nếu trong đầu không có thiết kế hệ thống đúng đắn, thì chẳng có LLM nào tự bịa nó ra từ hư không được
  • Ai nói Ford đã sa thải nhân viên? Bài báo không hề nói vậy
• Vì các mô hình không đáp ứng được mức cường điệu đã quảng bá, xu hướng này nhìn chung sẽ là diễn biến tiêu chuẩn
  LLM và agent rất hữu ích khi giải bài toán khó, nhưng chúng ta vẫn chưa ở giai đoạn chỉ làm thiết kế và kiến trúc rồi giao toàn bộ phần còn lại cho chúng
  Chúng ta đã tiến gần hơn, và trong một số use case cụ thể thì có thể đã làm được, nhưng với các tác vụ mức thấp hoặc các đợt migration quy mô lớn ở doanh nghiệp thì vẫn chưa đủ
  Tôi có dùng agent, thậm chí agent của agent, nhưng vẫn có lúc bóc hẳn một mảng lớn của dự án ra rồi phải quăng cho chó vì nó là code rác. Theo GLM-5.2 là vậy
  • Phát triển hướng tài liệu có ích ở đây. 75% quy trình làm việc của tôi là tạo ra tài liệu ở các mức trừu tượng ngày càng thấp cho tới khi cuối cùng nó trở thành code
    Sau khi qua được test, code thường tối ưu, gọn gàng, không bug và được tài liệu hóa cực kỳ tốt
    Chỉ là con người vẫn phải liên tục can thiệp lặp đi lặp lại
• https://archive.is/DI4Cq
  The Verge cũng có bài về chuyện này:
  https://www.theverge.com/transportation/956316/ford-quality-...
  • Mọi cơ quan báo chí nên đưa tin về chuyện này nhiều hơn
• Lý do AI thất bại trong môi trường công nghiệp là vì SKILL.md hay các cách bơm tri thức khác không đảm bảo được việc tuân thủ. AI nghĩ rằng nó “biết rõ hơn”
  • Bạn tôi cũng đã chuẩn bị đủ thứ như hook để ngăn chuyện đó, nhưng LLM vẫn thỉnh thoảng phá luật
    Tôi không kỳ vọng quá nhiều rằng tồn tại một lời giải hoàn hảo cho chuyện này
  • Không rõ đây có phải nói mỉa không. Theo tôi, lý do thất bại chủ yếu là vì phần lớn kiến thức và kinh nghiệm mang tính trực giác, không được tài liệu hóa
  • Nếu tuân thủ mới là vấn đề cốt lõi, thì hẳn đã chẳng cần phải phát minh ra cách khiến máy tính không chỉ làm đúng y những gì nó được bảo
• Các kỹ sư phần mềm ở Mỹ cần công đoàn
  Nếu chưa kiếm được việc ở nơi khác, thì họ sẽ không quay lại nếu không có mức tăng lương 20% và hợp đồng chặt như thép
  • Ngành này vốn luôn lặp lại chu kỳ bùng nổ rồi suy thoái. Dự án sinh ra rồi biến mất, và kể cả làm ở công ty phần mềm thì mức độ cũng chỉ đỡ hơn đôi chút
    Nếu chấp nhận dư địa tăng trưởng bị giới hạn hơn để đổi lấy ổn định, thì IT/quản trị server có thể tốt hơn vì đó là công việc vẫn luôn cần duy trì
• Ford đã tuyển 350 kỹ sư trong 3 năm qua, đồng thời với việc bộc lộ hạn chế của công cụ kiểm tra bằng AI
  Chuyện này không liên quan tới LLM, mà gần như chắc chắn là nói về pilot MAIVIS và AiTriz dùng thị giác máy tính để kiểm tra trên phần cứng IBM tùy biến bằng mạng nơ-ron tích chập (CNN) kiểu cũ
  • Đúng vậy. Có vẻ nhiều người đang bỏ lỡ điểm mấu chốt là thời điểm. Sai lầm đã được nhận ra từ 3 năm trước, còn thời gian dẫn trong thiết kế ô tô và quy trình sản xuất thì rất dài
    Hơn nữa, câu chuyện này được khơi ra từ việc “Ford quay lại nhóm đầu trong bảng xếp hạng khảo sát chất lượng của JD Power”, nên chỉ riêng độ trễ đưa tin cũng đã cộng thêm 6–18 tháng
    Như vậy thì sai lầm sa thải ban đầu thực ra đã xảy ra từ 5–8 năm trước

Không rõ “thí điểm MAIVIS và AiTriz” được triển khai khi nào, nhưng một khả năng khác là đội PR của Ford thấy câu chuyện AI bị phản tác dụng đang thịnh hành nên đã cơ hội nhấn mạnh điều đó để giải thích một sự kiện tin tức tích cực vốn có thể do nhiều nguyên nhân tạo nên
Cá nhân tôi nghĩ các bài viết theo mô-típ “AI bị phản tác dụng” như thế này cũng nên được nhìn nhận một cách dè dặt, chẳng khác gì mô-típ “cắt giảm nhân sự vì AI” mà trước đây các công ty từng vin vào để biện minh cho các đợt sa thải vốn dĩ họ đã muốn làm

• Tiêu đề bài gửi là “Ford rehires 350 engineers after AI fails to preserve expertise or train juniors”, nhưng nội dung bài báo không nói vậy
  Gửi người đăng bài: “Please submit the original source. If a post reports on something found on another site, submit the latter.” - https://news.ycombinator.com/newsguidelines.html
  Hiện đã đổi lại thành tiêu đề gốc của bài báo
  Nói thêm thì, các cơ quan báo chí đôi khi thay đổi tiêu đề bài viết, nên thường là người gửi đã làm đúng theo hướng dẫn, chỉ là đôi khi chúng tôi mất thời gian để theo kịp
• Đúng vậy, chuyện này có vẻ không liên quan đến AI. Mong là bình luận này sẽ lên đầu
• Lần thử đầu tiên thất bại nên họ lùi lại một bước, nhưng sau một thời gian họ sẽ lại thử nữa rồi lại sa thải những người đó
  • Giấc mơ về một cỗ máy lao động vĩnh viễn là thứ mà giới tư bản ám ảnh đến mức sẵn sàng hủy hoại cả Trái Đất để theo đuổi một ảo tưởng hư cấu. Những kẻ áp bức phải dừng lại
• Có hai loại tri thức. Một là tri thức hiển minh, có thể dễ dàng mã hóa thành các tệp markdown hoặc wiki; hai là tri thức ngầm, chủ yếu nằm trong kinh nghiệm của các thành viên trong tổ chức
  Tri thức hiển minh chỉ như phần chóp của tảng băng tri thức khổng lồ của tổ chức
  • Tri thức ngầm đó không có giá trị dễ định lượng và cũng không xuất hiện trên báo cáo lãi lỗ, nên phần lớn lãnh đạo không tính đến
    Suốt sự nghiệp của mình tôi đã nhiều lần thấy chuyện này lặp lại. Khi ai đó nghỉ việc hoặc bị sa thải mà không tính đến điều này, công ty sẽ cuống cuồng nhận ra có những quy trình đã được một ai đó âm thầm vận hành hoặc duy trì suốt nhiều năm mà không ai khác từng nghĩ tới
  • Có thể dùng quá trình chưng cất. Kiểu để AI liên tục đặt câu hỏi cho kỹ sư kỳ cựu, dù tất nhiên không nên làm vậy. Như ép dầu từ quả ô liu vậy
• Nghĩ đơn giản thế này. Nếu có một công ty với 100 nhân viên đang cùng lúc xây 12 căn nhà, họ có thể thử nghiệm thay một đội dựng khung 6 người bằng đội 2 người + 1 robot
  Họ có thể làm nhiều thử nghiệm để xem có lựa chọn nào tốt hơn không, và cái giá sẽ đổ lên đầu 4 nhân viên
  Nếu là công ty 1.000 nhân viên đang cùng lúc xây 100 căn nhà, họ có thể cắt khoảng 12 người để lập 3 đội robot
  Ngay cả với công ty 10.000 nhân viên đang cùng lúc xây 1.000 căn nhà, việc thử nghiệm vẫn chỉ cần vài đội, và số nhân viên bị ảnh hưởng có lẽ chỉ dừng ở 20~30 người
  Điều đáng ngạc nhiên là công ty lại trở nên xa rời chính hoạt động kinh doanh của mình đến mức không thể hiểu được tác động của thay đổi nếu không gây ra thiệt hại hàng loạt ở quy mô như vậy