Uber's Agentic Pods: Hoe 30 ingenieurs werkstromen van 15 uur terugbrachten naar 30 minuten

Twee maanden later onthulde Uber's CTO Praveen Neppalli Naga een radicaal andere aanpak. De resultaten waren zo opvallend — een financieel planningsproces dat van 15 uur naar 30 minuten ging, rapporten van twee dagen naar 10 minuten — dat het een van de meest bestudeerde enterprise AI-case studies van het jaar werd . Dit is hoe Uber's Agentic Pods werken en waarom ze een fundamentele verschuiving betekenen in hoe het bedrijf over AI denkt.

Wat zijn Agentic Pods?

Agentic Pods zijn kleine teams van twee personen — elk bestaande uit één AI-vaardige ingenieur en één domeinexpert uit een bedrijfsfunctie — die een vaste sprint van twee weken krijgen om een handmatige workflow te observeren en te herbouwen met AI-agenten . Naga lanceerde het programma medio 2026 en zette in twee maanden tijd ongeveer 30 pods in voor 16 bedrijfsfuncties, waaronder Finance, Legal, Marketing, HR, Customer Support en Procurement .

Het exacte stappenplan van 10 dagen

Naga publiceerde de precieze werkwijze op LinkedIn op 7 juli 2026 :

• Dag 1-2: De ingenieur loopt mee met de domeinexpert en observeert elke stap van de echte workflow.
• Dag 3: Het team prioriteert de taak met de hoogste impact om te automatiseren.
• Dag 4-9: Het team bouwt de AI-agent samen, en valideert deze met collega's van de expert.
• Dag 10: De werkende agent wordt in productie genomen.

De harde deadline is geen toeval. Het dwingt het team om iets echts te leveren in plaats van eindeloos te perfectioneren . Zoals Naga het beschreef, was het doel om "te stoppen met AI als een duur experiment te behandelen en het te gaan gebruiken om complexe, handmatige workflows te herontwerpen" .

Gemeten productiviteitswinsten

De resultaten worden breed gerapporteerd in meerdere media, toegeschreven aan Uber's interne gegevens :

Dit zijn doorlooptijdverkortingen van 30x tot 400x voor kernprocessen. Naga meldde ook dat 9.000 handmatige ondersteuningsworkflows waren omgezet naar selfservice .

Van tokenmaxxing naar gerichte automatisering

De eerdere strategie — tokenmaxxing gedoopt — was een uitgaven-zware aanpak waarbij bijna 95% van Uber's ongeveer 5.000 ingenieurs dagelijks tools zoals Claude Code en Cursor gebruikte . Maar het bedrijf kon die tokenconsumptie niet koppelen aan meetbare bedrijfsresultaten. In mei 2026 vertelde Macdonald aan Business Insider dat het "steeds moeilijker te rechtvaardigen" werd om AI-uitgaven te verantwoorden, omdat "die link [tokengebruik en productiviteit] er nog niet is" . Hoger tokenverbruik vertaalde zich niet in evenredige verbeteringen van consumentgerichte producten .

De belangrijkste verschillen tussen de twee strategieën:

• Tokenmaxxing-tijdperk: Breed inzetten van AI-codeertools voor alle engineers; uitgaven gemeten aan tokenvolume; geen duidelijke ROI-link erkend door het management .
• Agentic Pods-tijdperk: Gerichte, workflow-eerste aanpak; engineers ondergebracht bij niet-technische afdelingen; succes gemeten aan concrete procesverkorting .

Waarom de pod-structuur werkte

De Agentic Pod-structuur loste twee problemen op die de tokenmaxxing-aanpak niet kon. Ten eerste dwong het engineers om een probleem van begin tot eind te begrijpen voordat ze gingen bouwen, in plaats van tokens te verzamelen zonder een duidelijk doel. Ten tweede koppelde het AI-uitgaven direct aan meetbare bedrijfsresultaten — bespaarde uren, versnelde rapporten, geëlimineerde workflows .

In slechts twee maanden draaiden er 16 pods in 16 bedrijfsfuncties . Het model is inmiddels uitgebreid. Zoals Naga opmerkte, gebruikte na de pods 99% van Uber's engineers AI-tools — maar nu met een raamwerk dat ervoor zorgde dat dat gebruik resultaten opleverde die het bedrijf kon volgen .