Ubers 'Agentic Pods': Da 30 ingeniører skar 15 timers arbejdsgange ned til 30 minutter

To måneder senere præsenterede Ubers CTO, Praveen Neppalli Naga, en radikalt anderledes tilgang. Resultaterne var så slående — en finansiel planlægningsproces faldt fra 15 timer til 30 minutter, rapporter fra to dage til 10 minutter — at det blev en af årets mest omtalte enterprise AI-case studier . Her er, hvordan Ubers Agentic Pods fungerer, og hvorfor de repræsenterer et grundlæggende skift i, hvordan virksomheden tænker om AI.

Hvad er Agentic Pods?

Agentic Pods er små, to-personers teams — hvert par består af én AI-kyndig ingeniør og én fagekspert fra en forretningsfunktion — der får en fast to ugers sprint til at observere en manuel arbejdsgang og genopbygge den med AI-agenter . Naga lancerede programmet i midten af 2026 og deployerede omkring 30 pods på tværs af 16 forretningsfunktioner, herunder Finans, Juridisk, Marketing, HR, Kundesupport og Indkøb, over to måneder .

Den præcise 10-dages playbook

Naga offentliggjorde den præcise arbejdsgang på LinkedIn den 7. juli 2026 :

• Dag 1-2: Ingeniøren skygger fageksperten og observerer hvert trin i den virkelige arbejdsgang.
• Dag 3: Poden prioriterer den opgave med størst effekt, der skal automatiseres.
• Dag 4-9: Parret bygger AI-agenten i fællesskab og validerer den med ekspertens kolleger.
• Dag 10: Den fungerende agent implementeres i produktion.

Den hårde deadline er ikke tilfældig. Den tvinger teamet til at levere noget ægte frem for at polere noget i det uendelige . Som Naga beskrev det, var målet at "stoppe med at behandle AI som et dyrt eksperiment og begynde at bruge det til at redesigne komplekse, manuelle arbejdsgange" .

Målte produktivitetsgevinster

Resultaterne er bredt rapporteret på tværs af flere medier og tilskrives Ubers interne data :

Disse repræsenterer cyklustidsreduktioner på 30x til 400x for kerneprocesser. Naga rapporterede også, at 9.000 manuelle support-arbejdsgange var blevet konverteret til selvbetjening .

Fra tokenmaxxing til målrettet automatisering

Den tidligere strategi — kaldet tokenmaxxing — var en udgiftstung tilgang, hvor næsten 95 % af Ubers ca. 5.000 ingeniører dagligt brugte værktøjer som Claude Code og Cursor . Men virksomheden kunne ikke forbinde det token-forbrug med nogen målbart forretningsresultat. I maj 2026 sagde Macdonald til Business Insider, at det blev "sværere at retfærdiggøre" AI-udgifter, fordi "det link [mellem token-forbrug og produktivitet] er der ikke endnu" . Højere token-forbrug omsatte sig ikke til proportionale forbedringer i kundevendte produkter .

De væsentligste forskelle mellem de to strategier:

• Tokenmaxxing-æraen: Blanket implementering af AI-kodningsværktøjer til alle ingeniører; udgifter spores via token-volumen; ingen klar ROI-forbindelse anerkendt af ledelsen .
• Agentic Pods-æraen: Målrettet, workflow-første tilgang; ingeniører integreret i ikke-ingeniørafdelinger; succes målt ved konkrete tidsbesparelser i processer .

Hvorfor pod-strukturen virkede

Agentic Pod-strukturen løste to problemer, som tokenmaxxing-tilgangen ikke kunne. For det første tvang den ingeniører til at forstå et problem fra start til slut, før de byggede, i stedet for at akkumulere tokens uden et defineret output. For det andet knyttede den AI-udgifter direkte til målbare forretningsresultater — sparede timer, accelererede rapporter, eliminerede arbejdsgange .

På bare to måneder kørte 16 pods på tværs af 16 forretningsfunktioner . Modellen er siden blevet udvidet. Som Naga bemærkede, brugte 99 % af Ubers ingeniører efter podene AI-værktøjer — men nu med en ramme, der sikrede, at brugen producerede resultater, som virksomheden kunne spore .