Ubers Agentic Pods: Da AI-budsjettet ble brent på fire måneder, snudde de alt

To måneder senere lanserte Ubers CTO Praveen Neppalli Naga en radikalt annerledes tilnærming. Resultatene var så oppsiktsvekkende – en økonomisk planleggingsprosess gikk fra 15 timer til 30 minutter, og rapporter som tidligere tok to dager ble kuttet til 10 minutter – at det ble en av årets mest omtalte casestudier innen bedrifts-AI . Her er hvordan Ubers Agentic Pods fungerer, og hvorfor de markerer et grunnleggende skifte i måten selskapet tenker AI på.

Hva er Agentic Pods?

Agentic Pods er små team på to personer – hvert team består av én AI-kyndig ingeniør og én fagekspert fra en forretningsfunksjon – som får en fast to-ukers sprint til å observere en manuell arbeidsflyt og bygge den om med AI-agenter . Naga lanserte programmet midt i 2026, og satte inn omtrent 30 pods fordelt på 16 forretningsfunksjoner, inkludert Finans, Juridisk, Markedsføring, HR, Kundeservice og Innkjøp i løpet av to måneder .

Den eksakte 10-dagers oppskriften

Naga publiserte den presise arbeidsflyten på LinkedIn 7. juli 2026 :

• Dag 1-2: Ingeniøren skygger fageksperten og observerer hvert steg i den virkelige arbeidsflyten.
• Dag 3: Teamet prioriterer den oppgaven med høyest effekt å automatisere.
• Dag 4-9: Paret bygger AI-agenten i samarbeid og validerer den med ekspertens kolleger.
• Dag 10: Den fungerende agenten lanseres i produksjon.

Den harde deadline er ingen tilfeldighet. Den tvinger teamet til å levere noe ekte i stedet for å polere i det uendelige . Som Naga forklarte, var målet å "slutte å behandle AI som et dyrt eksperiment og begynne å bruke det til å redesigne komplekse, manuelle arbeidsflyter" .

Målte produktivitetsgevinster

Resultatene er bredt rapportert i flere medier, og tilskrives Ubers interne data :

Dette representerer tidsbesparelser på 30x til 400x for sentrale forretningsprosesser. Naga rapporterte også at 9.000 manuelle støttearbeidsflyter var blitt konvertert til selvbetjening .

Fra tokenmaxxing til målrettet automatisering

Den tidligere strategien – kalt tokenmaxxing – var en kostnadstung tilnærming der nesten 95 % av Ubers omtrent 5.000 ingeniører brukte verktøy som Claude Code og Cursor daglig . Men selskapet klarte ikke å koble dette token-forbruket til noen målbare forretningsresultater. I mai 2026 sa Macdonald til Business Insider at det ble "vanskeligere å forsvare" AI-utgiftene fordi "den koblingen [mellom token-bruk og produktivitet] ikke er der ennå" . Høyere token-bruk oversatte seg ikke til proporsjonale forbedringer i kundevendte produkter .

De viktigste forskjellene mellom de to strategiene:

• Tokenmaxxing-tiden: Masseutrulling av AI-kodingsverktøy til alle ingeniører; utgifter spores etter token-volum; ingen klar ROI-kobling erkjent av ledelsen .
• Agentic Pods-tiden: Målrettet, arbeidsflyt-først-tilnærming; ingeniører plassert i ikke-tekniske avdelinger; suksess målt i konkrete tidsbesparelser i prosesser .

Hvorfor pod-strukturen fungerte

Agentic Pod-strukturen løste to problemer som tokenmaxxing-tilnærmingen ikke kunne. For det første tvang den ingeniører til å forstå et problem fra ende til annen før de begynte å bygge, i stedet for å akkumulere tokens uten et definert resultat. For det andre koblet den AI-utgifter direkte til målbare forretningsresultater – sparte timer, raskere rapporter og eliminerte arbeidsflyter .

På bare to måneder kjørte 16 pods på tvers av 16 forretningsfunksjoner . Modellen har siden blitt utvidet. Som Naga bemerket, etter podene brukte 99 % av Ubers ingeniører AI-verktøy – men nå med et rammeverk som sikret at bruken ga resultater bedriften kunne spore .