חודשיים לאחר מכן, CTO של אובר, Praveen Neppalli Naga, חשף גישה רדיקלית שונה. התוצאות היו כה מרשימות – תהליך תכנון פיננסי שצנח מ-15 שעות לחצי שעה, דוחות מיומיים ל-10 דקות – שהן הפכו לאחד ממחקרי המקרה המעניינים ביותר בתחום ה-AI הארגוני השנה . הנה איך עובדים ה-Agentic Pods של אובר, ומדוע הם מייצגים שינוי יסודי באופן שבו החברה חושבת על בינה מלאכותית.
Agentic Pods הם צוותים קטנים של שני אנשים – כל צמד מורכב ממהנדס AI מיומן אחד ומומחה תחום אחד מחטיבה עסקית – אשר מקבלים ספרנט (sprint) מוגדר של שבועיים במטרה לצפות בתהליך עבודה ידני ולבנות אותו מחדש בעזרת סוכני AI . Naga השיק את התוכנית באמצע 2026, בפריסה של כ-30 צוותים כאלו (Pods) על פני 16 פונקציות עסקיות שונות, כולל פיננסים, משפטים, שיווק, משאבי אנוש, תמיכת לקוחות ורכש, במהלך חודשיים .
Naga פרסם את תהליך העבודה המדויק בלינקדאין ב-7 ביולי 2026 :
המועד האחרון הנוקשה אינו מקרי. הוא מכריח את הצוות לספק תוצר אמיתי במקום ללקק אותו ללא הגבלת זמן . כפי ש-Naga תיאר זאת, המטרה הייתה "להפסיק להתייחס ל-AI כאל ניסוי יקר ולהתחיל להשתמש בו כדי לתכנן מחדש תהליכי עבודה ידניים מורכבים" .
התוצאות דווחו בהרחבה במספר כלי תקשורת, והן מיוחסות לנתונים הפנימיים של אובר :
| תהליך | לפני | אחרי | קיצור |
|---|---|---|---|
| ניתוח הקצאת הון (ב-150 ערים) | 15 שעות | 30 דקות | פי 30 |
| דוחות פיננסיים (Pacing Reports) | יומיים | 10 דקות | ~פי 288 |
| בקרת איכות של אתרי שיווק | שבועיים | ~50 דקות | ~פי 400 |
אלו מייצגים קיצורים בזמני ביצוע (Cycle Time) של פי 30 עד פי 400 בתהליכים עסקיים מרכזיים. Naga דיווח גם על 9,000 תהליכי תמיכה ידניים שהוסבו לטיפול עצמי (Self-Service) .
האסטרטגיה המוקדמת יותר, שכונתה Tokenmaxxing, הייתה גישה מבוזבזת בה כמעט 95% מכ-5,000 המהנדסים של אובר השתמשו מדי יום בכלים כמו Claude Code ו-Cursor . אבל החברה לא יכלה לקשר את צריכת הטוקנים הזו לשום תוצאה עסקית מדידה. במאי 2026, מקדונלד אמר ל-Business Insider שנָהיָה "קשה יותר להצדיק" את ההוצאות על AI כי "הקשר [בין שימוש בטוקנים לפריון] עדיין לא קיים" . צריכה גבוהה יותר של טוקנים לא תורגמה לשיפורים פרופורציונליים במוצרים הפונים לצרכן .
ההבדלים המרכזיים בין שתי האסטרטגיות:
מבנה ה-Agentic Pods פתר שתי בעיות שהגישה הקודמת של Tokenmaxxing לא יכלה לפתור. ראשית, הוא אילץ את המהנדסים להבין בעיה מקצה לקצה לפני שהם בונים פתרון, במקום לצבור טוקנים בלי תוצר מוגדר. שנית, הוא קשר ישירות את הוצאות ה-AI לתוצאות עסקיות מדידות – שעות שנחסכו, דוחות שהואצו, תהליכים שבוטלו .
בתוך חודשיים בלבד, 16 Pods רצו על פני 16 פונקציות עסקיות שונות . המודל הורחב מאז. כפי ש-Naga ציין, לאחר ה-Pods, 99% מהמהנדסים של אובר השתמשו בכלי AI – אבל כעת עם מסגרת עבודה שמבטיחה שהשימוש הזה מייצר תוצאות שהעסק יכול לעקוב אחריהן .