Uberin Agentic Pods: Miten 30 insinööriä kutisti 15 tunnin työprosessit 30 minuuttiin

Kaksi kuukautta myöhemmin Uberin teknologiajohtaja Praveen Neppalli Naga esitteli täysin toisenlaisen lähestymistavan. Tulokset olivat niin silmiinpistäviä — taloussuunnitteluprosessin lasku 15 tunnista 30 minuuttiin, raporttien lasku kahdesta päivästä 10 minuuttiin — että siitä tuli yksi vuoden seuratuimmista yritys-AI-tapaustutkimuksista . Tässä on, miten Uberin Agentic Pods toimivat ja miksi ne edustavat perustavanlaatuista muutosta yrityksen tavassa ajatella tekoälyä.

Mitä Agentic Pods ovat?

Agentic Pods ovat pieniä, kahden hengen tiimejä — joissa jokaisessa on yksi AI-taitoinen insinööri ja yksi toimialueen asiantuntija liiketoimintafunktiosta — jotka saavat kiinteän kahden viikon sprintin havainnoidakseen manuaalista työnkulkua ja rakentaakseen sen tilalle AI-agentteja . Naga käynnisti ohjelman vuoden 2026 puolivälissä, ja noin 30 podia otettiin käyttöön 16 liiketoimintafunktiossa, kuten taloushallinnossa, lakiasioissa, markkinoinnissa, henkilöstöhallinnossa, asiakastuessa ja hankinnassa kahden kuukauden aikana .

Tarkka 10 päivän toimintamalli

Naga julkaisi tarkan työnkulun LinkedInissä 7. heinäkuuta 2026 :

• Päivät 1–2: Insinööri varjostaa toimialueen asiantuntijaa ja havainnoi jokaista todellisen työnkulun vaihetta.
• Päivä 3: Pod priorisoi korkeimman vaikutuksen tehtävän automatisoitavaksi.
• Päivät 4–9: Pari rakentaa AI-agentin yhteistyössä ja validoi sen asiantuntijan kollegoiden kanssa.
• Päivä 10: Toimiva agentti otetaan käyttöön tuotannossa.

Kova määräaika ei ole sattumaa. Se pakottaa tiimin toimittamaan jotain todellista sen sijaan, että se hioisi jotain loputtomasti . Kuten Naga kuvaili, tavoitteena oli "lopettaa tekoälyn kohtelu kalliina kokeiluna ja alkaa käyttää sitä monimutkaisten, manuaalisten työnkulkujen uudelleensuunnitteluun" .

Mitatut tuottavuushyödyt

Tuloksia on raportoitu laajasti useissa medioissa, ja ne perustuvat Uberin sisäisiin tietoihin :

Nämä edustavat 30x–400x sykliaikojen lyhennyksiä ydinliiketoimintaprosesseissa. Naga raportoi myös, että 9 000 manuaalista tukityönkulkua oli muutettu itsepalveluksi .

Tokenmaxxingista kohdennettuun automaatioon

Aikaisempi strategia — nimeltään tokenmaxxing — oli menokeskeinen lähestymistapa, jossa lähes 95 % Uberin noin 5 000 insinööristä käytti työkaluja kuten Claude Code ja Cursor päivittäin . Mutta yritys ei pystynyt yhdistämään token-kulutusta mihinkään mitattavaan liiketoimintatulokseen. Toukokuussa 2026 Macdonald kertoi Business Insiderille, että tekoälymenojen perusteleminen oli tulossa "yhä vaikeammaksi", koska "sitä yhteyttä [tokenien käytön ja tuottavuuden välillä] ei ole vielä olemassa" . Suurempi tokenien käyttö ei johtanut oikeasuhteisiin parannuksiin kuluttajille suunnatuissa tuotteissa .

Keskeiset erot strategioiden välillä:

• Tokenmaxxing-aikakausi: Tekoälykoodaustyökalujen laaja käyttöönotto kaikille insinööreille; menoja seurattiin tokenien määrällä; johdon mukaan selkeää ROI-yhteyttä ei ollut .
• Agentic Pods -aikakausi: Kohdennettu, työnkulkukeskeinen lähestymistapa; insinöörit upotettiin ei-teknisiin osastoihin; menestystä mitattiin konkreettisilla prosessiaikojen lyhennyksillä .

Miksi pod-rakente toimi

Agentic Pods -rakenne ratkaisi kaksi ongelmaa, joita tokenmaxxing-lähestymistapa ei kyennyt ratkaisemaan. Ensinnäkin se pakotti insinöörit ymmärtämään ongelman päästä päähän ennen rakentamista, sen sijaan että he kerryttäisivät tokeneita ilman määriteltyä lopputulosta. Toiseksi se sitoi tekoälymenot suoraan mitattaviin liiketoimintatuloksiin — säästettyihin tunteihin, nopeutettuihin raportteihin, poistettuihin työnkulkuihin .

Vain kahdessa kuukaudessa 16 podia toimi 16 liiketoimintafunktiossa . Mallia on sittemmin laajennettu. Kuten Naga totesi, podien jälkeen 99 % Uberin insinööreistä käytti tekoälytyökaluja — mutta nyt kehyksellä, joka varmistaa, että käyttö tuottaa tuloksia, joita liiketoiminta voi seurata .