Uber behandelt KI im Engineering zunehmend als Produktivitätshebel – und damit auch als Personalstrategie. 2026 gibt das Unternehmen mehr für KI aus und stellt langsamer ein. CEO Dara Khosrowshahi sagte, autonome Agenten erzeugten inzwischen rund 10 % der Code-Änderungen bei Uber; bevor dieser Code in die Codebasis übernommen wird, prüfen ihn weiterhin Mitarbeiterinnen und Mitarbeiter ^[10].

Für Tech-Teams ist das der spannende Punkt: Es geht nicht um die sofortige Ersetzung aller Entwicklerinnen und Entwickler. Es geht darum, zusätzliche Kapazität nicht mehr automatisch durch zusätzliche Stellen aufzubauen.

Die neue Rechnung: mehr Output, weniger zusätzlicher Stellenaufbau

Uber spricht nicht davon, das Engineering von heute auf morgen zu automatisieren. Die Strategie ist nüchterner: Das Unternehmen will das Wachstum der Belegschaft dosieren und gleichzeitig den Durchsatz der bestehenden Teams erhöhen ^[10]. Khosrowshahi sagte, er wolle, dass Beschäftigte mit KI ihre Leistung um 20 %, 30 %, 50 % oder sogar 100 % steigern ^[10].

Damit verändert sich die Personalrechnung. Wenn mehr Engineering-Kapazität gebraucht wird, kann Uber versuchen, einen Teil davon über Coding-Agenten, Entwicklerwerkzeuge, GPUs – also Rechenhardware für KI-Workloads – und automatisierte Abläufe zu gewinnen. Khosrowshahi hat auch die längerfristige Möglichkeit angesprochen, einen Teil des zusätzlichen Engineering-Personalbedarfs durch KI-Agenten und GPUs zu ersetzen; aktuell bleibt das Modell aber klar mit menschlicher Kontrolle verbunden ^[5][10].

Vom Autocomplete zum arbeitenden Agenten

Die wichtigste Verschiebung liegt nicht darin, dass eine KI im Editor bessere Vorschläge macht. Uber bewegt sich in Richtung agentenbasierter Entwicklung: Systeme übernehmen größere Aufgaben, nutzen Projektkontext, schreiben Code und bereiten Änderungen zur Prüfung vor.

CTO Praveen Neppalli Naga sagte, Uber habe sich stark auf KI-Coding eingelassen. 95 % der Uber-Ingenieurinnen und -Ingenieure nutzten demnach monatlich KI-Tools, und ein interner KI-Agent erstelle etwa 1.800 Code-Änderungen pro Woche ^[13].

Das heißt nicht, dass jede Änderung automatisch live geht. Der zentrale Kontrollpunkt bleibt das menschliche Review: Khosrowshahi sagte, KI-generierter Code werde von Beschäftigten geprüft, bevor er in ein Repository übernommen wird ^[10].

KI sitzt inzwischen an mehreren Stellen im Entwicklungsprozess

Ubers Produktivitätsprogramm geht offenbar über reine Codegenerierung hinaus. Eine Session von Developer Productivity Engineering beschrieb, dass Uber über den gesamten Softwareentwicklungszyklus hinweg in KI investiert, um Entwicklerinnen und Entwickler schneller qualitativ gute Software ausliefern zu lassen. Genannt wurden unter anderem Coding-Assistenten, die auf große Monorepos – also sehr große gemeinsame Codebestände – angepasst werden, agentische Systeme für umfangreiche Code-Migrationen sowie KI-gestützte Tests und Code-Reviews ^[14].

Das ist für die Produktivitätsfrage entscheidend. Die eigentliche Wette lautet nicht: Eine KI schreibt ein paar Zeilen schneller. Sie lautet: Wiederkehrende Arbeitsschritte, Migrationen, Tests, Review-Vorbereitung und Standardimplementierungen lassen sich so weit automatisieren, dass ein Team mehr Vorhaben gleichzeitig bewegen kann.

Warum die 10 % nicht die ganze Geschichte erzählen

Ein Bericht von The Pragmatic Engineer beschrieb, dass 84 % der Uber-Entwicklerinnen und -Entwickler agentisches Coding nutzen – also etwa Kommandozeilen-Agenten einsetzen oder im Editor deutlich komplexere Anfragen stellen als reine Tab-Vervollständigungen ^[8]. Derselbe Bericht nannte außerdem, dass 65 % bis 72 % des Codes innerhalb IDE-basierter Werkzeuge KI-generiert seien ^[8].

Diese Werte messen jedoch nicht dasselbe wie Khosrowshahis 10 %-Angabe. Die 10 % beziehen sich auf Code-Änderungen, die von autonomen Agenten produziert werden. Die 65 % bis 72 % beziehen sich auf Code, der innerhalb von IDE-Werkzeugen generiert wird ^[8][10]. Praktisch bedeutet das: KI kann beim Entwurf eines deutlich größeren Code-Anteils helfen, als die Zahl der gemergten Änderungen zeigt, die ausdrücklich autonomen Agenten zugerechnet werden.

Gleichzeitig gilt: Hohe Nutzung ist noch kein belastbarer Nachweis dafür, wie viele Entwicklerstunden tatsächlich eingespart werden. Die Zahlen zeigen vor allem, wie tief KI bereits in den Arbeitsalltag eingedrungen ist.

Wie daraus weniger Neueinstellungen werden können

Wenn Teams mit gleicher Besetzung mehr liefern, muss Uber den Personalbestand nicht im gleichen Tempo ausbauen wie früher. Genau darin liegt die wirtschaftliche Logik hinter der Kombination aus höheren KI-Ausgaben und langsamerem Hiring ^[10].

Kosten verschwinden dadurch nicht, sie verschieben sich. Berichte beschrieben, dass die Nutzung von Claude Code bei Uber stark anzog und ein für 2026 vorgesehenes KI-Coding-Budget früher als erwartet aufgebraucht worden sei; zugleich wurde der Einsatz von Werkzeugen wie Claude Code und Cursor erwähnt ^[2][3]. Diese Berichte sollte man eher als Momentaufnahme denn als vollständige Bilanz der KI-Ausgaben verstehen. Sie machen aber den Trade-off sichtbar: Softwarekapazität wird zunehmend als Mischung aus Menschen, Agenten, Tools und Rechenleistung geplant.

Nicht nur Code: KI rückt auch in den Betrieb vor

Uber nutzt KI schon seit Jahren in Bereichen wie der Preisgestaltung für Fahrten und beim Zusammenbringen von Fahrerinnen, Fahrern und Fahrgästen ^[20]. Neuere Berichte beschreiben, dass generative KI und agentische KI auch im Kundensupport, beim Onboarding von Fahrern sowie in Teilen des Engineering-Entwicklungszyklus eingesetzt werden und dort manuelle Eingriffe in bestimmten Abläufen reduzieren ^[11].

Damit wird die Produktivitätsgeschichte breiter. Wenn KI interne Serviceprobleme schneller einordnet, Supportprozesse strafft oder manuelle Schritte beim Onboarding reduziert, entstehen Effizienzgewinne nicht nur dort, wo Code geschrieben wird ^[11].

Was das für Entwicklerinnen und Entwickler bedeutet

Die bisher belegten Informationen sprechen für ein beaufsichtigtes KI-Engineering, nicht für ein Engineering ohne Menschen. Uber lässt Agenten mehr Arbeit vorbereiten und Code entwerfen, aber menschliche Teams prüfen KI-geschriebenen Code weiterhin vor der Übernahme ^[10].

Für Entwicklerinnen und Entwickler verschiebt sich damit der Schwerpunkt. Architektur, fachliches Urteil, Debugging, Reviews und Produktionsqualität bleiben menschliche Kernaufgaben. Mehr Entwurfsarbeit, Migrationen, Tests und repetitive Implementierung können jedoch an KI-Systeme delegiert werden ^[10][14].

Für die Personalplanung heißt das: Der Druck liegt vor allem auf zusätzlichem Stellenwachstum. Uber kann weiter in Engineering-Kapazität investieren und trotzdem weniger neue Beschäftigte einstellen, als es ohne KI-Werkzeuge möglicherweise nötig gewesen wäre – vorausgesetzt, die versprochenen Produktivitätsgewinne halten im realen Arbeitsalltag stand ^[10].