Fin juin 2026, plusieurs médias ont relayé une information qui a surpris de nombreux observateurs : Ford a décidé de réembaucher plus de 350 ingénieurs expérimentés afin de renforcer ses processus de conception et d’améliorer ses outils d’intelligence artificielle.
À première vue, l’information peut sembler anecdotique. Pourtant, elle constitue un signal fort à l’heure où de nombreuses entreprises investissent massivement dans l’IA pour automatiser certaines activités, réduire leurs coûts et gagner en productivité.
Cette décision intervient dans un contexte particulièrement sensible. En 2026, Ford est passé de la première à la dixième place du classement qualité J.D. Power, une référence dans l’industrie automobile. Dans le même temps, le constructeur a enregistré près d’un milliard de dollars de coûts liés aux rappels de véhicules.
Les véhicules produits sous ce nouveau régime ont multiplié les problèmes techniques, entraînant une succession de rappels et une dégradation manifeste de la satisfaction client.
Pour l’entreprise, l’enjeu n’est donc pas seulement technologique. Il est aussi économique, industriel et réputationnel.
Au-delà du cas Ford, cette actualité soulève une question qui concerne aujourd’hui toutes les organisations : que risque-t-on de perdre lorsque l’on considère que l’expertise humaine peut être entièrement remplacée par des données, des procédures et des algorithmes ?
Pourquoi Ford a réembauché 350 ingénieurs expérimentés
Depuis plusieurs années, Ford a fortement investi dans l’automatisation, le machine learning et l’intelligence artificielle afin d’améliorer ses processus de conception et de contrôle qualité.
L’objectif semblait logique. Si l’on dispose de spécifications techniques détaillées, de procédures documentées, d’historiques de conception et de milliers de données issues des projets passés, pourquoi une IA ne pourrait-elle pas reproduire une partie du travail réalisé par les ingénieurs ?
Mais la réalité s’est révélée plus complexe.
Malgré les investissements réalisés, certains défauts continuaient à échapper aux systèmes automatisés. Des problèmes n’étaient détectés qu’à un stade avancé du développement et certaines anomalies passaient entre les mailles du filet.
Le chiffre donne le vertige : près d’un milliard de dollars consacrés aux rappels pour la seule année 2026. Chaque rappel implique des coûts de logistique, de main-d’œuvre dans les concessions, de pièces de remplacement, de communication auprès des clients et de gestion de l’image de marque.
Ford paie ainsi doublement le prix de son erreur stratégique : d’abord à travers les suppressions de postes et le départ d’experts expérimentés, puis à travers les surcoûts engendrés par les problèmes de qualité et la nécessité de faire revenir une partie de ces profils.
Quand les données ne suffisent plus
Face à ces difficultés, Charles Poon, vice-président de l’ingénierie matérielle des véhicules chez Ford, a reconnu :
« Nous avons pensé à tort qu’en introduisant simplement de l’intelligence artificielle et en intégrant les exigences de conception que nous avions établies, cela donnerait lieu à un produit de haute qualité. »
Cette déclaration met en lumière une croyance répandue dans de nombreuses organisations.
Nous avons parfois tendance à considérer que l’expertise est entièrement contenue dans les procédures, les référentiels, les modes opératoires ou les bases de données, comme si l’ensemble de l’expertise pouvait être capturé dans des documents, puis reproduit par des algorithmes.
Or une partie essentielle de l’expertise humaine échappe précisément à cette logique.
L’erreur de Ford : avoir confondu travail prescrit et travail réel
Cette situation fait écho à une distinction classique de l’ergonomie et de la psychologie du travail entre travail prescrit et travail réel, notamment développée par des auteurs tels que Jacques Leplat, Alain Wisner, François Daniellou ou encore Pierre Falzon.
Le travail prescrit
Le travail prescrit correspond à ce qui est prévu par l’organisation :
- les procédures ;
- les référentiels ;
- les spécifications techniques ;
- les règles ;
- les modes opératoires.
C’est généralement cette partie que les entreprises cherchent à standardiser et que les systèmes d’intelligence artificielle apprennent le plus facilement.
Le travail réel
Le travail réel désigne, quant à lui, ce que les professionnels font effectivement pour atteindre les objectifs fixés dans des situations qui ne se déroulent jamais exactement comme prévu, parce que la réalité est toujours plus complexe que ce qui est écrit dans les procédures.
Les salariés arbitrent, adaptent leurs décisions à des situations inédites, détectent des anomalies, compensent certaines imperfections du système, interprètent des signaux faibles et résolvent des problèmes qui n’étaient prévus dans aucun manuel.
D’une certaine manière, l’intelligence artificielle est particulièrement performante pour apprendre le travail prescrit. Elle apprend à partir de règles, de données, de procédures et d’exemples passés.
En revanche, elle rencontre davantage de difficultés lorsqu’il s’agit de reproduire ce qui fait la richesse du travail réel : l’adaptation à l’imprévu, l’interprétation des signaux faibles, l’arbitrage entre plusieurs solutions imparfaites ou encore l’intuition forgée par des années d’expérience.
Ford disposait des données, des spécifications et des procédures. Ce qui manquait à ses modèles était une partie du travail réel de ses ingénieurs les plus expérimentés.
Le savoir tacite, angle mort de nombreux projets d’IA
Pour corriger le problème, Ford a décidé de faire revenir plus de 350 ingénieurs expérimentés, parfois retraités, parfois partis chez des fournisseurs.
Surnommés les « barbes grises » au sein de l’entreprise, ces experts participent désormais aux revues de conception, animent des réunions obligatoires de résolution de problèmes et contribuent à améliorer les modèles d’intelligence artificielle.
Comme l’explique Charles Poon :
« Nous avons pris conscience que pour améliorer certains de nos outils d’automatisation, d’apprentissage automatique et d’intelligence artificielle, nous devions nous assurer qu’ils soient formés par les personnes les plus expérimentées. »
Cette prise de conscience renvoie directement à la notion de savoir tacite développée par le philosophe Michael Polanyi. Sa formule est devenue célèbre :
« Nous savons plus que nous ne pouvons dire. »
Un ingénieur expérimenté repère parfois un risque avant même de pouvoir expliquer précisément pourquoi. Un recruteur détecte une incohérence dans un parcours alors qu’aucun élément pris isolément ne semble problématique. Un manager perçoit qu’une équipe est en train de décrocher avant que les indicateurs ne se dégradent.
Ces jugements reposent sur des milliers d’expériences accumulées, des erreurs observées, des situations déjà rencontrées et la capacité à interpréter des signaux faibles.
C’est précisément ce qui rend leur automatisation difficile.
De la substitution à la complémentarité entre IA et expertise humaine
L’un des enseignements les plus intéressants de cette histoire est que l’opposition entre intelligence artificielle et expertise humaine est probablement un faux débat.
Ford semble d’ailleurs avoir profondément revu son approche.
Au lieu de remplacer les ingénieurs par l’IA, le constructeur cherche désormais à organiser une véritable collaboration entre l’humain et la machine. Les algorithmes peuvent traiter des volumes massifs de données, réaliser des simulations complexes ou détecter certaines anomalies plus rapidement qu’un humain.
Les experts, eux, apportent leur jugement, leur capacité d’analyse critique, leur compréhension du contexte et leur aptitude à prendre des décisions dans l’incertitude.
L’IA excelle dans le traitement de l’information ; l’humain conserve la responsabilité de l’interprétation, du jugement et de la décision.
Cette complémentarité apparaît aujourd’hui bien plus prometteuse que les scénarios reposant sur une substitution pure et simple des experts.
Quels enseignements pour les RH ?
L’histoire de Ford dépasse largement le secteur automobile. Elle interpelle directement les professionnels des ressources humaines confrontés à des enjeux de transmission des compétences, de départs à la retraite et d’intégration de l’intelligence artificielle dans les organisations.
La question n’est plus seulement de savoir quels métiers seront transformés par l’IA. Elle est aussi de comprendre quels savoirs critiques risquent de disparaître.
- Quels sont les experts qui détiennent les connaissances les plus précieuses ?
- Comment les identifier ?
- Comment organiser la transmission de leur expérience ?
- Comment les associer aux projets d’intelligence artificielle ?
- Comment éviter que des années d’apprentissage ne quittent l’entreprise avec eux ?
Le véritable enjeu : préserver l’intelligence du réel
L’histoire de Ford rappelle finalement que les organisations ne perdent pas uniquement des compétences lorsqu’un expert quitte l’entreprise.
Elles perdent aussi une partie du travail réel qui permet à l’organisation de fonctionner malgré les imprévus, les ambiguïtés et les situations que les procédures n’avaient pas anticipées.
Or c’est précisément cette intelligence du réel que Ford est allé rechercher en réembauchant ses ingénieurs les plus expérimentés.
Cette affaire déplace finalement le débat.
La question n’est peut-être pas de savoir si l’intelligence artificielle remplacera les humains. La véritable question est sans doute beaucoup plus stratégique pour les entreprises :
Savons-nous réellement ce que savent nos experts ?
Car demain, la ressource la plus rare ne sera peut-être pas la donnée. Ce sera le discernement.
FAQ sur Ford, l’intelligence artificielle et l’expertise humaine
Pourquoi Ford a-t-il réembauché 350 ingénieurs expérimentés ?
Ford a réembauché des ingénieurs expérimentés afin de renforcer ses processus de conception, de détecter plus tôt certains problèmes de qualité et d’améliorer ses outils d’intelligence artificielle grâce à l’expertise de professionnels chevronnés.
Quelles limites de l’IA le cas Ford met-il en évidence ?
Le cas Ford montre que l’intelligence artificielle apprend principalement à partir de données, de règles, de procédures et d’exemples passés. Elle rencontre davantage de difficultés lorsqu’il s’agit de reproduire le jugement, l’intuition, l’interprétation des signaux faibles et l’adaptation à des situations imprévues.
Quelle est la différence entre travail prescrit et travail réel ?
Le travail prescrit correspond aux règles, aux procédures, aux référentiels et aux objectifs définis par l’organisation. Le travail réel désigne ce que les professionnels font concrètement pour atteindre ces objectifs dans des situations qui ne se déroulent jamais exactement comme prévu.
Qu’est-ce que le savoir tacite ?
Le savoir tacite désigne une connaissance acquise par l’expérience, mais difficile à formaliser ou à expliquer complètement. Il peut s’agir d’une intuition, d’un jugement professionnel ou de la capacité à détecter un risque grâce à des années de pratique.
L’intelligence artificielle peut-elle remplacer totalement les experts ?
L’intelligence artificielle peut traiter de grandes quantités de données, réaliser des simulations et détecter rapidement certaines anomalies. Elle rencontre toutefois davantage de difficultés pour interpréter des situations inédites, arbitrer entre plusieurs solutions imparfaites et reproduire le discernement forgé par l’expérience.
Quels enseignements les RH peuvent-elles tirer de la décision de Ford ?
Les professionnels des ressources humaines doivent identifier les savoirs critiques, organiser la transmission des compétences, valoriser l’expérience des seniors et associer les experts métier aux projets d’intelligence artificielle.
