Cómo Uber pasó del derroche en IA a los 'Agentic Pods' y logró eficiencias de 400x

Dos meses después, el CTO de Uber, Praveen Neppalli Naga, presentó un enfoque radicalmente diferente. Los resultados fueron tan llamativos —un proceso de planificación financiera que pasó de 15 horas a 30 minutos, informes que bajaron de dos días a 10 minutos— que se convirtió en uno de los casos de estudio de IA empresarial más seguidos del año . Así es cómo funcionan los Agentic Pods de Uber y por qué representan un cambio fundamental en la forma en que la empresa piensa la IA.

¿Qué son los Agentic Pods?

Los Agentic Pods son pequeños equipos de dos personas —cada uno formado por un ingeniero con dominio de IA y un experto de un área de negocio— a los que se les asigna un sprint fijo de dos semanas para observar un flujo de trabajo manual y reconstruirlo con agentes de IA . Naga lanzó el programa a mediados de 2026, desplegando aproximadamente 30 pods en 16 funciones empresariales, incluyendo Finanzas, Legal, Marketing, RRHH, Atención al Cliente y Compras, en un período de dos meses .

El plan de 10 días, paso a paso

Naga publicó el flujo de trabajo exacto en LinkedIn el 7 de julio de 2026 :

• Días 1-2: El ingeniero sigue al experto del área, observando cada paso del flujo de trabajo real.
• Día 3: El pod prioriza la tarea de mayor impacto para automatizar.
• Días 4-9: La pareja construye el agente de IA de forma colaborativa, validándolo con los colegas del experto.
• Día 10: El agente funcional se pone en producción.

El plazo fijo no es accidental. Obliga al equipo a lanzar algo real en lugar de pulir algo indefinidamente . Como describió Naga, el objetivo era "dejar de tratar la IA como un experimento caro y empezar a usarla para rediseñar flujos de trabajo complejos y manuales" .

Ahorros de productividad medidos

Los resultados han sido reportados ampliamente en múltiples medios, atribuidos a datos internos de Uber :

Estas cifras representan reducciones en el tiempo de ciclo de 30x a 400x para procesos empresariales centrales. Naga también informó que 9,000 flujos de trabajo de soporte manual se habían convertido en autoservicio .

Del 'tokenmaxxing' a la automatización dirigida

La estrategia anterior —bautizada como tokenmaxxing— era un enfoque de alto gasto en el que casi el 95% de los aproximadamente 5,000 ingenieros de Uber usaban herramientas como Claude Code y Cursor a diario . Pero la empresa no podía vincular ese consumo de tokens con ningún resultado de negocio medible. En mayo de 2026, Macdonald le dijo a Business Insider que se estaba volviendo "más difícil justificar" el gasto en IA porque "ese vínculo [entre el uso de tokens y la productividad] aún no existe" . Un mayor uso de tokens no se traducía en mejoras proporcionales en los productos para el consumidor .

Las diferencias clave entre las dos estrategias:

• Era del tokenmaxxing: Despliegue generalizado de herramientas de IA a todos los ingenieros; gasto medido por volumen de tokens; sin un vínculo claro de ROI reconocido por la dirección .
• Era de los Agentic Pods: Enfoque dirigido, primero al flujo de trabajo; ingenieros integrados en departamentos no técnicos; éxito medido por reducciones concretas en el tiempo de proceso .

Por qué funcionó la estructura de pods

La estructura de Agentic Pods resolvió dos problemas que el enfoque de tokenmaxxing no pudo. Primero, obligó a los ingenieros a entender un problema de principio a fin antes de construir, en lugar de acumular tokens sin un resultado definido. Segundo, vinculó el gasto en IA directamente con resultados de negocio medibles —horas ahorradas, informes acelerados, flujos de trabajo eliminados .

En solo dos meses, 16 pods se ejecutaron en 16 funciones empresariales . El modelo se ha expandido desde entonces. Como señaló Naga, después de los pods, el 99% de los ingenieros de Uber usaban herramientas de IA, pero ahora con un marco que asegura que ese uso produzca resultados que el negocio pueda rastrear .