Agentic Pods Ubera: Rewolucja w podejściu do AI, która skróciła 15-godzinne procesy do 30 minut

W maju 2026 roku Andrew Macdonald, COO Ubera, powiedział Business Insiderowi coś, co zatrzymało branżę technologiczną w pół kroku: firma przepalała pieniądze na AI, nie będąc w stanie wskazać jasnego przełożenia na wyniki biznesowe . Zaledwie kilka tygodni wcześniej Uber wydał cały swój budżet na narzędzia AI na rok 2026 w mniej niż cztery miesiące . W firmie zjawisko to miało już swoją nazwę: tokenmaxxing – traktowanie liczby zużytych tokenów AI jako miary postępu, a nie rezultatów .

Dwa miesiące później CTO Ubera, Praveen Neppalli Naga, zaprezentował radykalnie inne podejście. Wyniki były tak spektakularne – proces planowania finansowego skrócony z 15 godzin do 30 minut, raporty z dwóch dni do 10 minut – że stało się to jednym z najuważniej śledzonych przypadków zastosowania AI w przedsiębiorstwach w tym roku . Oto jak działają Agentic Pods Ubera i dlaczego stanowią fundamentalną zmianę w myśleniu firmy o sztucznej inteligencji.

Czym są Agentic Pods?

Agentic Pods to małe, dwuosobowe zespoły – każdy łączy jednego inżyniera biegłego w AI z jednym ekspertem dziedzinowym z działu biznesowego – które dostają sztywny dwutygodniowy sprint, aby zaobserwować ręczny przepływ pracy i odbudować go za pomocą agentów AI . Naga uruchomił program w połowie 2026 roku, rozlokowując około 30 takich zespołów w 16 funkcjach biznesowych, w tym w Finansach, Prawie, Marketingu, HR, Obsłudze Klienta i Zakupach, w ciągu dwóch miesięcy .

Dokładny przepis na 10 dni

Naga opublikował precyzyjny harmonogram na LinkedIn 7 lipca 2026 roku :

• Dni 1-2: Inżynier obserwuje eksperta dziedzinowego, notując każdy krok rzeczywistego procesu.
• Dzień 3: Zespół priorytetyzuje zadanie o największym wpływie do automatyzacji.
• Dni 4-9: Para wspólnie buduje agenta AI, walidując go z rówieśnikami eksperta.
• Dzień 10: Działający agent jest wdrażany do produkcji.

Sztywny termin nie jest przypadkowy. Zmusza zespół do dostarczenia czegoś realnego, zamiast dopracowywać coś w nieskończoność . Jak ujął to Naga, celem było „przestać traktować AI jak drogi eksperyment i zacząć używać go do przeprojektowywania złożonych, ręcznych procesów” .

Zmierzone zyski wydajności

Wyniki są szeroko raportowane przez wiele źródeł, oparte na wewnętrznych danych Ubera :

Proces	Przed	Po	Redukcja
Analiza alokacji kapitału (w 150 miastach)	15 godzin	30 minut	30x
Raporty tempa finansowego	2 dni	10 minut	~288x
Kontrola jakości stron marketingowych	2 tygodnie	~50 minut	~400x

To redukcja czasu cyklu od 30 do 400 razy w przypadku kluczowych procesów biznesowych. Naga podał również, że 9 000 ręcznych procesów wsparcia zostało przekształconych w samoobsługowe .

Od tokenmaxxingu do ukierunkowanej automatyzacji

Wcześniejsza strategia – nazwana tokenmaxxingiem – była podejściem opartym na wysokich wydatkach, gdzie prawie 95% z około 5 000 inżynierów Ubera codziennie korzystało z narzędzi takich jak Claude Code i Cursor . Firma nie potrafiła jednak powiązać tego zużycia tokenów z żadnym mierzalnym wynikiem biznesowym. W maju 2026 roku Macdonald powiedział Business Insiderowi, że coraz trudniej jest „uzasadnić” wydatki na AI, ponieważ „tego powiązania [między użyciem tokenów a produktywnością] jeszcze nie ma” . Wyższe zużycie tokenów nie przekładało się na proporcjonalną poprawę w produktach konsumenckich .

Kluczowe różnice między dwiema strategiami:

• Era tokenmaxxingu: Masowe wdrożenie narzędzi AI do kodowania dla wszystkich inżynierów; wydatki śledzone według objętości tokenów; brak jasnego związku z ROI potwierdzonego przez kierownictwo .
• Era Agentic Pods: Podejście ukierunkowane, nastawione na przepływ pracy; inżynierowie osadzeni w działach pozainżynieryjnych; sukces mierzony konkretną redukcją czasu procesów .

Dlaczego struktura Podów zadziałała

Struktura Agentic Pods rozwiązała dwa problemy, których nie mogło rozwiązać podejście tokenmaxxingu. Po pierwsze, zmusiła inżynierów do zrozumienia problemu od początku do końca przed zbudowaniem czegokolwiek, zamiast gromadzić tokeny bez określonego rezultatu. Po drugie, powiązała wydatki na AI bezpośrednio z mierzalnymi wynikami biznesowymi – zaoszczędzonymi godzinami, przyspieszonymi raportami, wyeliminowanymi procesami .

W ciągu zaledwie dwóch miesięcy uruchomiono 16 takich zespołów w 16 funkcjach biznesowych . Model został od tego czasu rozszerzony. Jak zauważył Naga, po wdrożeniu Podów 99% inżynierów Ubera korzystało z narzędzi AI – ale teraz w ramach struktury zapewniającej, że to użycie przynosi wymierne rezultaty .