“인공지능을 들이고 설계 요건만 넣으면 고품질 제품이 나올 거라고, 잘못 생각했습니다.” 2026년 6월, Ford의 차량 하드웨어 엔지니어링 부사장 찰스 푼(Charles Poon)이 기자들에게 한 말입니다. 회사 임원이 공개 자리에서 이렇게까지 말하는 일은 드뭅니다.
Bloomberg 보도에 따르면 Ford는 경험 많은 엔지니어 약 350명을 다시 데려왔습니다. 전직 Ford 직원도 있고 협력사 출신도 있습니다. 사내에서는 이들을 ‘그레이 비어드(gray beard)’, 희끗한 수염의 베테랑이라고 부릅니다.
이 글은 Bloomberg 보도를 옮긴 TechCrunch, Fortune, CarExpert 기사(2026년 6월 28일~30일)를 바탕으로 정리했습니다. 발언과 수치는 기사에 적힌 사실이고, 그것을 사람과 AI의 몫으로 나눠 읽는 것은 제 해석입니다. AI에게 검수나 판단을 맡기고 있다면, 이 사례는 무엇을 사람이 쥐고 있어야 하는지 보여 줍니다. 글 끝에는 오늘 해 볼 세 단계를 붙였습니다.
‘대체’가 아니라 ‘소홀히 했다’였습니다
이 뉴스는 ‘AI로 엔지니어를 대체했다가 실패해서 다시 뽑았다’는 제목으로 많이 퍼졌습니다. 그런데 Ford 임원들의 발언에는 사람을 AI로 바꿨다는 말이 없습니다.
최고운영책임자 쿠마르 갈호트라(Kumar Galhotra)는 “자동화된 품질 시스템에 점점 더 의존했지만, 원하는 결과를 얻지 못했다”고 말했습니다. 푼 부사장은 한 걸음 더 들어갑니다. “지난 몇 년간 가장 경험 많은 엔지니어들의 경험에 마땅히 기울였어야 할 만큼 주의를 기울이지 않았다”는 것입니다.
두 사람이 말한 실수는 사람을 내보낸 것이 아니라, 자동화에 기대는 동안 경험을 소홀히 한 것입니다. 이 차이를 놓치면 이 사례는 ‘AI는 아직 멀었다’는 흔한 이야기로 끝나 버립니다.
베테랑이 맡은 것은 실패를 알아보는 눈입니다
다시 온 베테랑들이 하는 일은 기사마다 조금씩 다르게 적혀 있지만, 모으면 네 가지입니다. 매주 의무로 여는 동료 설계 리뷰에서 내부 감사관 역할을 하고(설계 리뷰), 설계가 공장으로 넘어가기 전에 실패 지점을 찾고(실패 지점 찾기), 젊은 엔지니어를 가르치고(후배 교육), AI 품질 도구를 다시 손봅니다(AI 도구 재설정). 마지막 일은 기사에 따르면 결함이 생기기 전에 막도록 AI 도구를 다시 설정하는 것인데, 구체적으로 무엇을 바꾸는지는 기사에 나오지 않습니다. 갈호트라의 표현으로는 “부품이 공장 바닥에 닿기 전에 실패 지점을 찾아내는” 사람들입니다.
Ford가 AI를 버린 것도 아닙니다. 조립 라인에서는 스마트폰 카메라로 호스와 전기 연결을 확인하는 AI 비전 시스템이 여전히 돌고 있습니다. Ford 대변인은 Fortune에 “AI는 품질 문제를 잡는 강력한 도구지만, 쓰는 사람만큼만 좋다”고 밝혔습니다. 푼 부사장도 “AI는 훌륭한 도구지만, 학습시킨 정보만큼만 좋다”고 덧붙였습니다.
기사에 적힌 것은 여기까지입니다. 제 식으로 묶어 보면, 네 가지 모두 무엇이 실패인지 알아보는 눈이 있어야 하는 일입니다. 실패 지점 찾기는 갈호트라가 대표로 꼽은 그 눈 자체이고, 설계 리뷰는 그 눈을 동료와 맞추는 자리, 후배 교육은 그 눈을 넘기는 일, AI 도구 재설정은 그 눈을 도구에 옮기는 일로 읽힙니다.
품질 1위를 베테랑 덕으로만 볼 수는 없습니다
CEO 짐 팔리(Jim Farley)는 보증·리콜에 드는 비용이 줄어 “말 그대로 수억, 수억 달러”를 아끼는 효과가 생기고 있다고 말했습니다. Ford는 가장 최근 JD Power 초기 품질 조사(새 차를 산 사람에게 초기 문제를 묻는 조사)에서 대중 브랜드 부문 1위에 올랐고, 한 해 전에는 10위였습니다.
그런데 리콜 건수 자체는 아직 미국 자동차 회사 중 가장 많습니다. 비용이 줄었다는 말과 건수가 많다는 말이 함께 나오는 이유를 갈호트라는 리콜이 “후행 지표”라는 말로 설명했습니다. 리콜은 이미 팔린 차에서 뒤늦게 드러나는 숫자라, 지금 바꾼 설계의 효과는 시간이 지나야 보인다는 뜻으로 읽힙니다. 그는 “새 차량에서는 리콜 건수가 꾸준히 내려갈 것”이라고 말했습니다. 다만 비용이 왜 벌써 줄었는지는 기사에 설명이 없습니다.
그래서 이 결과를 베테랑 350명의 성과로만 읽으면 과장입니다. 순위가 오른 원인이 하나라는 근거도 기사에는 없습니다. 이 사례에서 꺼낼 수 있는 것은 ‘사람이 AI보다 낫다’가 아니라, 무엇을 실패로 볼지 아는 사람을 빼면 시스템만으로는 품질이 나오지 않았다는 것까지입니다.
AI는 많이 보고, 사람은 실패를 정합니다
Ford의 말을 일의 단위로 나눠 보면 이렇게 갈립니다. AI가 잘하는 것은 많이 보는 일입니다. 공장 카메라는 사람이 할 수 없는 횟수로 검사하고, 지치지도 않습니다. 사람이 정해야 하는 것은 무엇을 실패로 볼지, 그리고 그 기준을 다시 AI에 넣는 일입니다.
임원들이 한 말은 ‘경험을 소홀히 했다’까지입니다. 여기서부터는 제 해석입니다. 푼 부사장의 고백을 다시 읽으면, Ford가 놓친 것은 AI의 능력보다 순서에 가까워 보입니다. 실패의 감각을 먼저 꺼내 기준으로 적고 AI에 넣었어야 하는데, 이미 적혀 있던 설계 요건만 넣고 시작한 것으로 읽힙니다. 그 감각을 가진 사람들이 수십 년 일한 엔지니어였고, Ford는 그들을 다시 데려왔습니다.
막히는 곳: 기준이 한 사람 머릿속에만 있습니다
이 구조를 우리 조직에 옮길 때 막힐 곳이 있습니다. 실패를 알아보는 기준이 매뉴얼보다 오래 일한 사람의 머릿속에 더 많이 있는 조직이라면 여기서 막힙니다. ‘이 도면은 이 부분이 늘 말썽’이라는 감각은 검사 항목으로 적혀 있지 않습니다.
그 사람이 은퇴하거나 자동화 뒤로 밀려나면, AI에 넣을 기준 자체가 사라집니다. Ford는 협력사와 전직 직원 중에서 베테랑을 다시 찾을 수 있었지만, 그런 사람을 다시 부를 수 없는 조직도 많습니다. 그래서 자동화보다 먼저 할 일은, 무엇을 실패로 보는지를 그 사람이 있을 때 꺼내 두는 것입니다.
실천과제: 주인 찾기, 꺼내기, 다시 넣기
Ford 베테랑이 한 일을 우리 팀 크기로 줄이면 세 단계입니다. AI에게 맡긴 일 하나를 골라 순서대로 해 봅니다.
팀에서 1번의 이름이 떠오르지 않거나 모두가 한 사람에게만 기대고 있다면, 그것부터가 위험 신호입니다. 혼자 일한다면 주인은 자신이니, 지난 결과물 중 직접 고친 것 세 건을 2번 재료로 씁니다. 2번은 Ford의 주간 설계 리뷰를 작게 줄인 셈입니다. 3번은 그 실패가 들어 있던 예전 결과물을 다시 맡겨 보면 됩니다. AI가 그 실패를 스스로 짚어 내면 통과이고, 그대로 지나가면 문장을 고쳐 다시 넣습니다.
마치며: ‘AI를 되돌렸다’가 아니라 ‘기준을 아는 사람을 다시 세웠다’
Ford는 AI를 버리지 않았습니다. 무엇을 실패로 볼지 아는 사람을 시스템 앞에 다시 세웠습니다. AI가 많이 볼수록, 무엇을 봐야 하는지 아는 사람의 자리는 더 분명해져야 합니다.
이 글은 AI의 도움을 받아 작성했습니다.
참고 자료
- TechCrunch, Ford rehires ‘gray beard’ engineers after AI falls short: https://techcrunch.com/2026/06/28/ford-rehires-gray-beard-engineers-after-ai-falls-short/
- Fortune, Ford AI hired human workers, gray beards, automation: https://fortune.com/2026/06/29/ford-ai-hired-human-workers-gray-beards-automation/
- CarExpert, Ford rehires veteran engineers after AI falls short on quality: https://www.carexpert.com.au/car-news/ford-rehires-veteran-engineers-after-ai-falls-short-on-quality