Wie Uber mit KI-Agenten das Einstellen neuer Entwickler bremst

Uber nutzt KI vor allem als Effizienzhebel: mehr Entwicklungsleistung aus bestehenden Teams, weniger zusätzlicher Personalaufbau pro neuem Projekt. Das klarste Signal kam von CEO Dara Khosrowshahi. Er sagte, autonome Agenten produzierten inzwischen rund 10 % der Codeänderungen bei Uber; menschliche Beschäftigte prüften diesen Code weiterhin, bevor er in ein Repository übernommen werde .

Es geht nicht um „Ingenieure weg“, sondern um weniger Zusatzbedarf

Ubers aktuelle Strategie klingt nüchterner als viele KI-Schlagzeilen: Die Firma will das Wachstum der Belegschaft stärker dosieren und gleichzeitig den Durchsatz der vorhandenen Mitarbeitenden erhöhen . Khosrowshahi sagte, Beschäftigte sollten KI nutzen, um ihre Leistung um 20 %, 30 %, 50 % oder sogar 100 % zu steigern .

Damit verschiebt sich die Rechnung. Wenn neue Softwarekapazität gebraucht wird, muss Uber nicht mehr automatisch im gleichen Umfang zusätzliche Entwicklerinnen und Entwickler einstellen. Ein Teil dieser Kapazität kann aus Coding-Agenten, Entwicklerwerkzeugen, Automatisierung und Rechenleistung kommen.

Khosrowshahi hat auch die längerfristige Möglichkeit angesprochen, einen Teil des zusätzlichen Engineering-Personalbedarfs durch KI-Agenten und GPUs zu ersetzen . Nach den verfügbaren Berichten ist das heute aber kein Modell ohne Menschen, sondern ein Mensch-in-der-Schleife-Ansatz: KI bereitet Arbeit vor, Menschen kontrollieren und verantworten die Übernahme .

Was KI im Uber-Engineering konkret macht

Der Wandel geht über klassische Autovervollständigung hinaus. Uber-CTO Praveen Neppalli Naga sagte, das Unternehmen habe sich stark auf KI-gestütztes Coding eingelassen. 95 % der Uber-Ingenieurinnen und -Ingenieure nutzten demnach jeden Monat KI-Tools, und ein interner KI-Agent nehme rund 1.800 Codeänderungen pro Woche vor .

Auch die interne Entwicklerproduktivität wird breiter gedacht. Eine Session zu Ubers Developer Productivity Engineering beschrieb KI-Initiativen entlang des gesamten Softwareentwicklungszyklus: angepasste Coding-Assistenten für große Monorepos, agentische Systeme für umfangreiche Code-Migrationen sowie KI-gestützte Tests und Code-Reviews .

Der entscheidende Kontrollpunkt bleibt aber die Prüfung. Khosrowshahi sagte, KI-generierter Code werde von Beschäftigten kontrolliert, bevor er in ein Repository aufgenommen werde . Uber stellt die Agenten also nicht als unbeaufsichtigte Produktionsentwickler dar, sondern als Systeme, die mehr Arbeit vorbereiten und beschleunigen.

Warum „10 % der Codeänderungen“ nicht „10 % des Codes“ bedeutet

Die verschiedenen Kennzahlen zu Ubers KI-Einsatz messen unterschiedliche Dinge – und sollten nicht in einen Topf geworfen werden.

Khosrowshahis 10-%-Angabe bezieht sich auf Codeänderungen, die autonome Agenten erzeugen . Separat berichtete The Pragmatic Engineer, 84 % der Uber-Entwickler seien Nutzer agentischer Coding-Workflows – also etwa von Kommandozeilen-Agenten oder komplexeren Agenten-Anfragen statt bloßer Tab-Vervollständigung in der Entwicklungsumgebung . Derselbe Bericht nannte 65 bis 72 % KI-generierten Code innerhalb IDE-basierter Werkzeuge .

Diese Zahlen können gleichzeitig stimmen, weil sie unterschiedliche Ebenen erfassen: autonom erzeugte Codeänderungen, die Nutzung agentischer Arbeitsweisen und KI-generierten Code in Entwicklerwerkzeugen. Praktisch heißt das: KI kann beim Entwurf eines viel größeren Codeanteils helfen, als die 10-%-Zahl für autonom erzeugte, zusammengeführte Änderungen allein nahelegt .

Wie das den Einstellungsdruck senkt

Wenn Engineering-Teams mit gleicher Besetzung mehr ausliefern, kann Uber seine Softwarekapazität steigern, ohne die Zahl der Beschäftigten im selben Tempo zu erhöhen. Genau darin liegt die wirtschaftliche Logik: mehr Ausgaben für KI, langsamerer Personalaufbau .

Kosten verschwinden dadurch nicht, sie wandern nur an andere Stellen. Statt ausschließlich zusätzliche Gehälter zu finanzieren, bezahlt Uber auch KI-Tools, Agenten und Recheninfrastruktur. Ein Bericht zu Ubers KI-Coding-Rollout beschrieb, dass die starke Nutzung von Claude Code das KI-Coding-Budget für 2026 früher als erwartet ausgeschöpft habe; außerdem nutze Uber Werkzeuge wie Claude Code und Cursor . Das ist eher eine Momentaufnahme der Tool-Nachfrage als eine vollständige Kostenrechnung. Es zeigt aber den neuen Mix: Softwarekapazität wird zunehmend aus Menschen, Agenten, Werkzeugen und Infrastruktur zusammengesetzt.

KI steckt bei Uber nicht nur im Code

Für Uber ist KI kein völlig neues Thema. Khosrowshahi sagte, das Unternehmen nutze KI seit Jahren, um Fahrpreise im Ridesharing zu bestimmen und Fahrerinnen und Fahrer mit Fahrgästen zusammenzubringen .

Neuere Berichte beschreiben zusätzlich den Einsatz generativer und agentischer KI in Bereichen wie Kundensupport, Fahrer-Onboarding und Teilen des Engineering-Entwicklungszyklus. In einigen Arbeitsabläufen sei dadurch weniger manuelles Eingreifen nötig .

Das ist für die Personalplanung wichtig: Produktivitätsgewinne außerhalb der Softwareentwicklung können ebenfalls den Einstellungsdruck senken. Wenn Support-Prozesse schneller laufen, Onboarding vereinfacht wird oder interne Serviceprobleme leichter diagnostiziert werden, kann Uber Engpässe abbauen, ohne zwingend im früheren Umfang zusätzliches Personal aufzubauen .

Was das für Entwicklerinnen und Entwickler bedeutet

Ubers Modell deutet derzeit nicht auf eine Entwicklung ohne Engineering-Teams hin. Es zeigt eher, wie beaufsichtigte KI-Entwicklung aussehen kann: Agenten entwerfen Code, bereiten Änderungen vor, unterstützen Migrationen und helfen bei Tests oder Reviews; Menschen prüfen KI-Code weiterhin vor dem Merge .

Am stärksten dürfte der Effekt beim zusätzlichen Personalbedarf sein. Uber kann versuchen, die Engineering-Kapazität auszuweiten und zugleich weniger neue Stellen zu schaffen, als ohne KI nötig gewesen wären . Offen bleibt die Messfrage: Nutzungsraten und Codegenerierungsquoten zeigen, dass KI im Alltag angekommen ist. Sie beweisen für sich genommen aber noch nicht, wie groß der Netto-Produktivitätsgewinn über Qualität, Zuverlässigkeit, Wartbarkeit und langfristige Engineering-Kosten hinweg tatsächlich ist.