Ubers „Agentic Pods”: Wie 30 Ingenieure 15-Stunden-Workflows auf 30 Minuten verkürzten

Im Mai 2026 sagte Ubers COO Andrew Macdonald gegenüber Business Insider etwas, das die Tech-Branche aufhorchen liess: Das Unternehmen verbrenne Unsummen für KI, ohne einen klaren Zusammenhang zu den Geschäftsergebnissen ziehen zu können . Nur wenige Wochen zuvor hatte Uber sein gesamtes KI-Budget für 2026 in weniger als vier Monaten aufgebraucht . Das Phänomen hatte intern bereits einen Namen: Tokenmaxxing – die Behandlung von KI-Token-Volumen als Erfolgsmassstab, unabhängig von den tatsächlichen Ergebnissen .

Zwei Monate später präsentierte Ubers CTO Praveen Neppalli Naga einen radikal anderen Ansatz. Die Ergebnisse waren so verblüffend – ein Finanzplanungsprozess sank von 15 Stunden auf 30 Minuten, Berichte von zwei Tagen auf zehn Minuten – dass dies zu einer der meistbeachteten Enterprise-KI-Fallstudien des Jahres wurde . So arbeiten Ubers „Agentic Pods”, und warum sie einen fundamentalen Wandel im KI-Denken des Unternehmens darstellen.

Was sind „Agentic Pods”?

„Agentic Pods” sind kleine Zweier-Teams – bestehend aus einem KI-versierten Ingenieur und einem Fachexperten aus einer Geschäftsabteilung – die in einem festen Zwei-Wochen-Sprint einen manuellen Arbeitsablauf beobachten und mit KI-Agenten neu aufbauen . Naga startete das Programm Mitte 2026 und setzte in zwei Monaten rund 30 Pods in 16 Geschäftsbereichen ein, darunter Finanzen, Recht, Marketing, Personalwesen, Kundenservice und Beschaffung .

Der genaue Zehn-Tage-Plan

Naga veröffentlichte den genauen Workflow am 7. Juli 2026 auf LinkedIn :

• Tag 1-2: Der Ingenieur begleitet den Fachexperten und beobachtet jeden Schritt des realen Workflows.
• Tag 3: Das Team priorisiert die Aufgabe mit der grössten Hebelwirkung für die Automatisierung.
• Tag 4-9: Das Paar baut den KI-Agenten gemeinsam auf und validiert ihn mit den Kollegen des Experten.
• Tag 10: Der funktionierende Agent wird in die Produktion überführt.

Die harte Frist ist kein Zufall. Sie zwingt das Team, etwas Reales auszuliefern, anstatt unendlich zu verfeinern . Wie Naga es beschrieb, ging es darum, „aufzuhören, KI wie ein teures Experiment zu behandeln, und damit zu beginnen, komplexe, manuelle Workflows neu zu gestalten” .

Gemessene Produktivitätssteigerungen

Die Ergebnisse wurden von mehreren Medien berichtet und basieren auf Ubers internen Daten :

Prozess	Vorher	Nachher	Reduktion
Kapitalallokation (über 150 Städte)	15 Stunden	30 Minuten	30x
Finanzielle Pacing-Berichte	2 Tage	10 Minuten	~288x
Marketing-Web-Qualitätssicherung	2 Wochen	~50 Minuten	~400x

Dies entspricht einer Reduzierung der Durchlaufzeiten um das 30- bis 400-fache für Kernprozesse. Naga berichtete zudem, dass 9.000 manuelle Support-Workflows in Self-Service umgewandelt wurden .

Vom „Tokenmaxxing” zur gezielten Automatisierung

Die frühere Strategie – „Tokenmaxxing” genannt – war ein ausgabenintensiver Ansatz, bei dem fast 95 % der rund 5.000 Ingenieure bei Uber täglich Tools wie Claude Code und Cursor nutzten . Das Unternehmen konnte diesen Token-Verbrauch jedoch nicht mit messbaren Geschäftsergebnissen verknüpfen. Im Mai 2026 sagte Macdonald gegenüber Business Insider, es werde „zunehmend schwieriger”, die KI-Ausgaben zu rechtfertigen, da „dieser Zusammenhang [zwischen Token-Nutzung und Produktivität] noch nicht hergestellt sei” . Höherer Token-Verbrauch führte nicht zu proportionalen Verbesserungen bei den kundenorientierten Produkten .

Die wesentlichen Unterschiede zwischen den beiden Strategien:

• Tokenmaxxing-Ära: Pauschale Bereitstellung von KI-Coding-Tools für alle Ingenieure; Ausgaben gemessen am Token-Volumen; kein klarer, von der Führung anerkannter ROI .
• Agentic-Pods-Ära: Gezielter, workflow-zentrierter Ansatz; Ingenieure in nicht-technischen Abteilungen eingebettet; Erfolg gemessen an konkreten Zeitersparnissen .

Warum die Pod-Struktur funktionierte

Die „Agentic-Pod”-Struktur löste zwei Probleme des „Tokenmaxxing”-Ansatzes. Erstens zwang sie Ingenieure, ein Problem von Anfang bis Ende zu verstehen, bevor sie bauten – anstatt wahllos Token zu verbrauchen. Zweitens verknüpfte sie KI-Ausgaben direkt mit messbaren Geschäftsergebnissen – gesparte Stunden, beschleunigte Berichte, eliminierte Workflows .

In nur zwei Monaten liefen 16 Pods in 16 Geschäftsbereichen . Das Modell wurde inzwischen ausgeweitet. Wie Naga anmerkte, nutzen nach den Pods 99 % der Uber-Ingenieure KI-Tools – aber nun mit einem Rahmenwerk, das sicherstellt, dass die Nutzung Ergebnisse liefert, die das Unternehmen nachverfolgen kann .