Uber rivoluziona l'IA aziendale con gli 'Agentic Pods': dai flussi di lavoro di 15 ore ai report in 10 minuti

Nel maggio 2026, l'AD di Uber Andrew Macdonald ha dichiarato a Business Insider qualcosa che ha fatto riflettere tutto il settore tecnologico: l'azienda stava bruciando denaro nell'IA senza riuscire a tracciare una linea chiara verso i risultati di business . Poche settimane prima, Uber aveva esaurito l'intero budget 2026 per gli strumenti di coding AI in meno di quattro mesi . Il fenomeno aveva un nome interno: tokenmaxxing — trattare il volume di token AI come una misura di progresso piuttosto che di risultati concreti .

Due mesi dopo, il CTO di Uber Praveen Neppalli Naga ha svelato un approccio radicalmente diverso. I risultati sono stati così eclatanti — un processo di pianificazione finanziaria passato da 15 ore a 30 minuti, report da due giorni a 10 minuti — che è diventato uno dei case study sull'IA aziendale più seguiti dell'anno . Ecco come funzionano gli 'Agentic Pods' di Uber e perché rappresentano un cambiamento fondamentale nel modo in cui l'azienda pensa all'IA.

Cosa sono gli 'Agentic Pods'?

Gli 'Agentic Pods' sono piccoli team di due persone — ciascuno composto da un ingegnere esperto di AI e un esperto del dominio proveniente da una funzione aziendale — a cui viene assegnato uno sprint fisso di due settimane per osservare un flusso di lavoro manuale e ricostruirlo con agenti AI . Naga ha lanciato il programma a metà 2026, schierando circa 30 pod in 16 funzioni aziendali tra cui Finanza, Legale, Marketing, Risorse Umane, Assistenza Clienti e Procurement in due mesi .

Il Playbook Esatto in 10 Giorni

Naga ha pubblicato il flusso di lavoro preciso su LinkedIn il 7 luglio 2026 :

• Giorni 1-2: L'ingegnere segue l'esperto del dominio, osservando ogni fase del flusso di lavoro reale.
• Giorno 3: Il pod dà priorità al compito a più alto impatto da automatizzare.
• Giorni 4-9: La coppia costruisce l'agente AI in modo collaborativo, validandolo con i colleghi dell'esperto.
• Giorno 10: L'agente funzionante viene rilasciato in produzione.

La scadenza rigorosa non è casuale. Costringe il team a rilasciare qualcosa di concreto piuttosto che perfezionare all'infinito . Come ha descritto Naga, l'obiettivo era "smettere di trattare l'IA come un esperimento costoso e iniziare a usarla per riprogettare flussi di lavoro manuali complessi" .

Guadagni di Produttività Misurati

I risultati sono ampiamente riportati da più fonti, attribuiti ai dati interni di Uber :

Processo	Prima	Dopo	Riduzione
Analisi di allocazione del capitale (in 150 città)	15 ore	30 minuti	30x
Report finanziari di pacing	2 giorni	10 minuti	~288x
Controllo qualità web marketing	2 settimane	~50 minuti	~400x

Questi rappresentano riduzioni dei tempi di ciclo da 30x a 400x per processi aziendali fondamentali. Naga ha anche riferito che 9.000 flussi di lavoro di supporto manuale sono stati convertiti in self-service .

Dal Tokenmaxxing all'Automazione Mirata

La strategia precedente — soprannominata tokenmaxxing — era un approccio ad alta spesa in cui quasi il 95% dei circa 5.000 ingegneri di Uber utilizzava strumenti come Claude Code e Cursor quotidianamente . Ma l'azienda non riusciva a collegare quel consumo di token a risultati di business misurabili. Nel maggio 2026, Macdonald ha detto a Business Insider che stava diventando "più difficile giustificare" la spesa AI perché "quel collegamento [tra utilizzo di token e produttività] non c'è ancora" . Un volume maggiore di token non si traduceva in miglioramenti proporzionali nei prodotti destinati ai consumatori .

Le differenze chiave tra le due strategie:

• Era del tokenmaxxing: Implementazione generalizzata di strumenti AI di coding a tutti gli ingegneri; spesa tracciata in base al volume di token; nessun chiaro legame con il ROI riconosciuto dalla leadership .
• Era degli 'Agentic Pods': Approccio mirato e basato sui flussi di lavoro; ingegneri integrati in dipartimenti non di engineering; successo misurato in riduzioni concrete dei tempi di processo .

Perché la Struttura dei Pod ha Funzionato

La struttura degli 'Agentic Pods' ha risolto due problemi che l'approccio tokenmaxxing non poteva. In primo luogo, ha costretto gli ingegneri a comprendere un problema dall'inizio alla fine prima di costruire, piuttosto che accumulare token senza un output definito. In secondo luogo, ha legato la spesa AI direttamente a risultati di business misurabili — ore risparmiate, report accelerati, flussi di lavoro eliminati .

In soli due mesi, 16 pod hanno operato in 16 funzioni aziendali . Il modello è stato da allora ampliato. Come ha notato Naga, dopo i pod, il 99% degli ingegneri di Uber utilizzava strumenti AI — ma ora con un framework per garantire che tale utilizzo producesse risultati tracciabili per il business .