Ford가 '흰 수염' 베테랑을 다시 부른 이유: AI 자동화가 놓친 것
Ford가 ‘흰 수염’ 베테랑을 다시 부른 이유: AI 자동화가 놓친 것
AI가 대체한다던 자리에, 회사는 정년 가까운 베테랑을 다시 불러들였다. 그 결정의 근거는 무엇이고, 그 자리는 무엇을 위한 자리인가.
도입 — AI가 비운 자리에 돌아온 350명
2026년 6월 25일(KST), Hacker News 첫 페이지에 한 건의 Bloomberg 기사가 올랐다. 582점, 댓글 307개. 제목은 “Ford의 AI 차질이 자동차 회사를 ‘흰 수염’ 검사관 재고용으로 내몰다”였다. Slashdot은 같은 사건을 더 직설적으로 옮겼다. “Ford, AI가 전문성을 보존하지도 주니어를 훈련하지도 못하자 엔지니어 350명을 다시 고용하다.”
기사의 골자는 짧다. Ford는 지난 3년간 품질 문제를 잡기 위해 ‘흰 수염(gray beard)’ 엔지니어 — 정년에 가깝거나 이미 퇴직한, 혹은 공급사 출신의 베테랑 — 350명을 다시 불러들였다. 이 품질 문제는 회사에 수십억 달러의 비용을 안겼다. 그리고 그 베테랑들이 두 가지 일을 했다. 젊은 직원을 훈련했고, 제대로 작동하지 않던 AI 도구를 다시 프로그래밍하고 재훈련했다. 결과는 가시적이었다. Ford는 2026년 6월 발표된 최신 J.D. Power 신차 품질 조사(IQS)에서 주류 브랜드 1위에 올랐다.
이 사건이 582점을 받은 까닭은 단순하다. “AI가 일자리를 대체한다”는 서사가 한 거대 제조사의 생산 현장에서 정확히 역전된, 측정 가능한 사례이기 때문이다. 이 글은 그 역전의 구조를 들여다본다.
무슨 일이 있었나 — 자동화의 실패와 베테랑의 귀환
Ford가 처한 문제는 추상적이지 않았다. 리콜이었다. 미국 시장에서 Ford는 최근 몇 년간 리콜 건수 업계 1위라는 달갑지 않은 자리를 지켜 왔고, 그 리콜의 상당수는 출고 전에 잡았어야 할 결함이었다. 결함 하나가 시장에 나간 뒤에 잡히면 비용은 기하급수로 커진다. 부품 교체, 서비스센터 인건비, 법적 노출, 그리고 무엇보다 브랜드 신뢰의 손상. Bloomberg의 정리에 따르면 이 품질 문제가 누적적으로 회사에 안긴 비용은 수십억 달러 규모였다.
Ford가 처음 택한 해법은 시대의 문법을 따랐다. 자동화였다. 품질 검사 라인에 AI 기반 시각 검사 시스템과 자동 결함 탐지 도구를 도입했다. 카메라가 패널의 단차를 재고, 알고리즘이 용접 비드와 도장 표면을 판정하고, 센서가 조립 공차를 측정한다. 논리는 명료했다. 사람의 눈은 피로하고, 주관적이고, 비싸다. 기계의 눈은 지치지 않고, 일관되고, 결국 싸진다. 검사를 자동화하면 결함을 더 일찍, 더 균일하게 잡을 수 있어야 했다.
문제는 그 논리가 현장에서 깨졌다는 데 있다. 자동화된 시스템만으로는 비싼 결함을 막지 못했다. 기계는 자신이 학습한 패턴은 잘 잡았지만, 학습하지 못한 결함 — 새 모델의 새로운 결함 양상, 공급사 변경으로 생긴 미묘한 편차, 여러 요인이 겹쳐 발생하는 복합 결함 — 앞에서는 무력했다. 더 근본적인 문제는, AI 도구가 “왜 이것이 결함인가”를 판단하는 기준 자체가 부실했다는 점이다. 그 기준을 세우려면 무엇이 정상이고 무엇이 결함인지, 어떤 편차가 허용 범위이고 어떤 편차가 리콜로 이어지는지를 아는 사람이 필요했다. 그 사람들은 이미 회사를 떠난 뒤였다.
그래서 Ford는 그들을 다시 불렀다. 지난 3년간 350명. 이들이 한 일은 두 갈래였다. 첫째, 자동화 시스템이 놓친 결함을 직접 찾아내고, 엄격한 트러블슈팅을 주도했다. 자동 시스템이 통과시킨 차량을 베테랑이 다시 보고 결함을 잡아내는, 인간이 기계의 위에 서는 검수 구조다. 둘째 — 그리고 이것이 더 중요한데 — 그들은 AI 도구 자체를 다시 훈련했다. 무엇이 결함인지, 어떤 양상을 어떤 심각도로 분류해야 하는지에 대한 베테랑의 판단을 시스템에 다시 주입했다. Ford의 차량 하드웨어 엔지니어링 담당 부사장의 표현이 이 사건의 핵심을 요약한다. “인공지능은 환상적인 도구다. 그러나 그것은 당신이 훈련에 쓰는 정보만큼만 좋다.”
이 한 문장이 무겁다. AI가 실패한 것이 아니라, AI를 훈련할 정보가 없었던 것이다. 그리고 그 정보를 가진 사람들을, 바로 그 AI로 대체하려 했던 것이다. 베테랑이 돌아와 시스템을 재훈련하자 결과가 따라왔다. Ford는 J.D. Power 신차 품질 조사에서 주류 브랜드 1위에 올랐고, 회사는 출고 전 품질 개선이 효과를 내면서 업계 최고 수준이던 리콜 건수도 줄어들 것으로 내다본다. 자동화를 포기해서가 아니라, 자동화에 사람의 판단을 다시 채워 넣어서 얻은 결과다.
왜 AI가 놓쳤나 — 암묵지와 ‘교사’라는 두 역할
Ford의 실패를 한 단어로 줄이면 암묵지(tacit knowledge)다. 철학자 마이클 폴라니(Michael Polanyi)는 “우리는 말할 수 있는 것보다 더 많이 안다(We know more than we can tell)“는 문장으로 이 개념을 정리했다. 지식에는 두 종류가 있다. 명시지(explicit knowledge)는 규칙·수치·문서로 표현할 수 있는 지식이다. “패널 단차는 0.5mm 이내여야 한다”는 명시지다. 반면 암묵지는 표현되지 않고 몸에 새겨진 지식이다. 베테랑 검사관이 라인을 지나가는 차를 보고 “저건 뭔가 이상하다”고 느끼는 순간 — 그 직감을 그는 규칙으로 쓰지 못한다. 도장 표면의 광택이 미묘하게 다르거나, 패널의 반사가 평소와 어긋나거나, 닫히는 문의 소리가 살짝 둔하거나. 수십 년간 수만 대의 차를 보며 축적된 패턴 인식이 “이상하다”는 신호로 압축되어 나온다.
AI 시각 검사는 명시지의 영역에서 강하다. 측정 가능한 공차, 정의된 결함 유형, 라벨링된 학습 데이터가 있으면 사람보다 빠르고 일관되게 판정한다. 그러나 결함 검사의 핵심은 종종 명시지 바깥에 있다. 첫째, 결함을 ‘느끼는’ 능력이다. 처음 보는 결함 양상, 정의되지 않은 이상 신호는 학습 데이터에 없으므로 AI에게는 존재하지 않는다. 그러나 베테랑에게는 “이건 처음 보는데 뭔가 잘못됐다”는 판단이 가능하다. 둘째, 엣지 케이스의 판단이다. 같은 0.5mm의 단차라도 어디에서 발생했는지, 어떤 부품 조합에서 나왔는지, 다른 신호와 어떻게 겹치는지에 따라 무시할 결함과 리콜로 이어질 결함이 갈린다. 이 맥락적 판단은 규칙으로 환원되지 않는다.
그러나 Ford 사례의 진짜 급소는 다른 데 있다. 베테랑이 하는 두 번째 역할 — 가르치는 일 — 을 AI가 대체하지 못했다는 점이다. Slashdot의 프레이밍이 정확히 이 지점을 찌른다. AI는 두 가지를 실패했다. 제도적 전문성을 보존하지 못했고, 주니어 엔지니어를 훈련하지 못했다. ‘흰 수염’이라는 별명이 가리키는 것은 단지 결함을 잘 보는 사람이 아니라, 그 보는 법을 다음 세대에게 전수하는 사람이다. 베테랑은 라인 옆에 서서 주니어에게 “여기를 봐, 이 반사가 정상이 아니야”라고 가르친다. 이 도제식 전수는 암묵지를 사람에서 사람으로 옮기는 거의 유일한 통로다.
여기에서 역설이 드러난다. AI를 잘 훈련하려면 좋은 학습 데이터가 필요하고, 그 데이터를 만들 수 있는 사람은 베테랑이다. 즉 베테랑은 동시에 두 존재다. AI의 학습 데이터를 생산하는 원천이자, 인간 주니어를 길러내는 교사다. 그런데 자동화의 첫 국면에서 회사는 바로 그 베테랑들을 비용 절감의 이름으로 내보냈다. 그 순간 회사는 두 가지를 동시에 잃는다. AI를 훈련할 데이터의 원천을 잃고, 다음 세대를 길러낼 교사를 잃는다. 베테랑을 해고하는 것은 한 명의 검사관을 줄이는 일이 아니라, 미래의 검사 능력 전체의 저수지를 비우는 일이었다. Ford가 350명을 다시 부른 것은, 그 비워진 저수지를 다시 채우는 작업이었다.
더 큰 그림 — 물리 세계의 한계와 소프트웨어의 평행선
Ford의 사례는 한 자동차 회사의 일화로 끝나지 않는다. 2026년의 더 큰 주제 하나를 정확히 가리킨다. 물리적이고 암묵지에 의존하는 영역에서 AI 자동화가 부딪히는 한계다. 텍스트와 코드의 세계에서 AI는 폭발적으로 강했다. 학습 데이터가 디지털로 풍부하고, 정답이 비교적 명확하고, 실수의 비용이 낮기 때문이다. 그러나 용접 비드의 품질, 도장 표면의 결, 조립의 손맛 같은 영역은 데이터가 사람의 몸에 갇혀 있고, 정답이 맥락 의존적이며, 실수의 비용은 리콜로 곧장 환산된다. 이런 영역에서 “veteran의 머릿속을 디지털화하라”는 요구는 곧 암묵지를 명시지로 환원하라는 요구이고, 폴라니의 명제대로 그것은 본질적으로 불완전하게만 가능하다.
흥미로운 것은 이 구도가 소프트웨어 업계의 현재 논쟁과 정확히 평행을 이룬다는 점이다. AI 코딩 도구가 주니어 엔지니어의 일 — 보일러플레이트 작성, 단순 버그 수정, 테스트 작성 — 을 대신하면서, “그렇다면 주니어는 어디에서 성장하는가”라는 질문이 떠올랐다. 시니어는 주니어 시절의 반복 노동을 통해 시니어가 되었다. 그 노동을 AI가 가져가면 다음 세대 시니어의 양성 경로가 끊긴다. Ford의 ‘흰 수염’ 문제는 이 소프트웨어 논쟁의 제조업 버전이다. 둘 다 같은 구조를 공유한다. AI가 입문 단계의 노동을 흡수하면, 그 노동을 통해 길러지던 전문성의 파이프라인이 마른다. 그리고 그 전문성이야말로 AI를 훈련하고 감독할 유일한 자원이다.
그러나 Ford의 결론은 “AI를 버려라”가 아니다. 이 점이 중요하다. Ford는 AI 검사 시스템을 폐기하지 않았다. 베테랑을 시켜 그것을 다시 훈련했다. 즉 순수한 역전이 아니라 인간-AI 협업으로의 재정의다. 인간이 판단의 기준과 엣지 케이스를 책임지고, AI가 규모와 일관성을 담당하는 구조. J.D. Power 1위라는 결과는 자동화를 버린 회사가 아니라, 자동화에 인간을 다시 끼워 넣은(human-in-the-loop) 회사가 받은 보상이다. 전망의 핵심은 여기 있다. 앞으로의 경쟁우위는 “사람을 AI로 얼마나 대체했는가”가 아니라, “AI를 훈련하고 감독할 사람의 전문성을 얼마나 보존했는가”에서 갈릴 가능성이 높다.
결론 — ‘흰 수염’이라는 별명이 가리키는 것
‘흰 수염’이라는 별명은 다정하면서도 날카롭다. 그것은 단지 나이 든 엔지니어를 가리키는 것이 아니라, 비용표에 잡히지 않는 한 종류의 자산 — 수십 년간 몸에 축적된 암묵지, 그리고 그것을 전수하는 능력 — 을 가리킨다. Ford는 이 자산을 비용으로 분류해 내보냈고, 수십억 달러를 잃고서야 그것이 자산이었음을 다시 배웠다.
이 사건이 남기는 교훈은 AI 회의론이 아니다. Ford의 부사장 말 그대로, AI는 환상적인 도구이며, 결국 Ford를 품질 1위로 끌어올린 시스템의 일부다. 교훈은 더 구체적이다. AI는 그것을 훈련할 정보만큼만 좋고, 그 정보의 원천은 사람이며, 그 사람을 먼저 내보내면 AI도 함께 무너진다. 그리고 그 사람은 데이터의 원천일 뿐 아니라 다음 세대의 교사이기도 하다. 자동화를 도입하는 모든 조직 앞에 같은 질문이 놓인다. 당신은 AI로 대체하려는 그 사람들이, 동시에 당신의 AI를 훈련하고 당신의 다음 세대를 길러낼 유일한 자원이라는 사실을 계산에 넣었는가. Ford는 그 계산을 수십억 달러를 치르고 나서야 다시 했다. 다른 회사들에게는 그 청구서가 먼저 도착하지 않기를 바랄 뿐이다.
출처: