Como a Uber usa agentes de IA para contratar menos e entregar mais código

A guinada da Uber em IA deve ser lida menos como o fim dos engenheiros e mais como uma estratégia de eficiência de quadro. A empresa está colocando mais dinheiro em IA, desacelerando o ritmo de contratação e tentando aumentar a capacidade de entrega dos times atuais. O sinal mais claro veio do CEO Dara Khosrowshahi: cerca de 10% das mudanças de código da Uber já são produzidas por agentes autônomos, mas funcionários ainda revisam esse código antes que ele entre em um repositório .

Menos contratação incremental, não menos engenharia

A Uber não está descrevendo um futuro imediato em que engenheiros desaparecem do desenvolvimento de software. A ideia, por enquanto, é mais pragmática: dosar o crescimento do quadro e usar IA para elevar a produtividade de quem já está na empresa . Khosrowshahi disse que quer que funcionários usem IA para aumentar sua capacidade de entrega em 20%, 30%, 50% ou até 100% .

Isso muda a conta de contratação. Em vez de abrir novas vagas toda vez que precisa de mais capacidade de software, a companhia pode tentar compor parte dessa capacidade com agentes de codificação, automação, ferramentas para desenvolvedores e computação. Khosrowshahi também já comentou a possibilidade, no longo prazo, de substituir parte do aumento incremental do quadro de engenharia por agentes de IA e GPUs — processadores usados em larga escala para cargas de IA —, mas as informações disponíveis hoje ainda apontam para um modelo com humano no circuito .

Da sugestão de linha ao agente que prepara mudanças

A mudança mais importante é a passagem da IA como simples autocompletar para a IA como participante ativo no fluxo de desenvolvimento. O CTO da Uber, Praveen Neppalli Naga, disse que a empresa mergulhou de vez em codificação com IA, que 95% dos engenheiros usam ferramentas de IA todos os meses e que um agente interno está fazendo cerca de 1.800 mudanças de código por semana .

Esse esforço não se limita a rascunhar trechos de código. Uma sessão de Developer Productivity Engineering descreveu a iniciativa da Uber como algo que percorre o ciclo de vida do desenvolvimento de software, incluindo assistentes de código adaptados a grandes monorepos — repositórios muito grandes que concentram diversos projetos —, sistemas agentivos para migrações de código em larga escala e fluxos de teste e revisão de código com apoio de IA .

O ponto de controle continua sendo a revisão. Segundo Khosrowshahi, código gerado por IA é verificado por funcionários antes de ser adicionado ao repositório . Em outras palavras: os agentes ajudam a produzir e preparar mais trabalho, mas a Uber não está apresentando isso como engenharia de produção sem supervisão.

Por que 10% das mudanças não significa 10% de todo o código

Os números sobre IA na engenharia da Uber medem coisas diferentes e não devem ser colocados todos no mesmo balde.

O dado de 10% citado por Khosrowshahi se refere a mudanças de código produzidas por agentes autônomos . Separadamente, o The Pragmatic Engineer relatou que 84% dos desenvolvedores da Uber eram usuários de codificação agentiva, ou seja, usavam agentes por linha de comando ou faziam pedidos mais complexos do que simples autocompletar em um ambiente de desenvolvimento integrado, o IDE. O mesmo relatório apontou que, dentro de ferramentas baseadas em IDE, 65% a 72% do código era gerado por IA .

Esses dados podem ser verdadeiros ao mesmo tempo porque falam de coisas distintas: mudanças atribuídas a agentes autônomos, adoção de fluxos de trabalho agentivos e geração de código dentro de ferramentas de IDE. A leitura prática é que a IA pode ajudar a rascunhar uma fatia bem maior do texto do código do que a parcela de mudanças integradas que é atribuída especificamente a agentes autônomos .

A economia: o custo não some, ele muda de lugar

Se engenheiros conseguem entregar mais com o mesmo tamanho de equipe, a Uber pode aumentar a produção de software sem ampliar o quadro no mesmo ritmo. Essa é a lógica econômica por trás de gastar mais com IA enquanto se contrata menos .

Mas o custo não desaparece. Ele passa a incluir, em escala maior, ferramentas de IA, agentes, automação e infraestrutura computacional. Uma reportagem afirmou que a alta no uso do Claude Code teria esgotado antes do previsto o orçamento de 2026 da Uber para IA aplicada à codificação, e que a companhia também usa ferramentas como Claude Code e Cursor . Esse episódio não fecha a conta econômica da IA na Uber; ele mostra a intensidade da demanda por essas ferramentas e o tipo de troca que empresas de tecnologia estão tentando fazer: combinar pessoas, agentes, software e infraestrutura.

A IA também está entrando nas operações

A estratégia da Uber não se limita à engenharia. Khosrowshahi disse que a empresa usa IA há anos para precificar corridas por app e conectar motoristas a passageiros . Reportagens mais recentes indicam que IA generativa e IA agentiva também estão sendo aplicadas a atendimento ao cliente, integração de motoristas e partes do ciclo de desenvolvimento de engenharia, reduzindo intervenção manual em alguns fluxos .

Isso importa porque ganhos de produtividade fora do código também podem aliviar a pressão por novas contratações. Se a IA acelera suporte, simplifica onboarding ou ajuda a identificar gargalos em serviços internos, a empresa pode remover travas operacionais sem necessariamente adicionar o mesmo número de pessoas que precisaria antes .

O que isso significa para engenheiros

O modelo atual da Uber aponta para engenharia com IA supervisionada, não para uma operação sem engenheiros. Agentes podem rascunhar código, preparar mudanças, apoiar migrações e ajudar em testes ou revisões, mas pessoas continuam revisando o código escrito por IA antes da integração .

O impacto mais provável está nas contratações incrementais. A Uber pode ampliar sua capacidade de engenharia contratando menos gente adicional do que contrataria em outro cenário, desde que as ferramentas de IA entreguem ganhos confiáveis nos fluxos reais de trabalho . A pergunta em aberto é a mensuração: taxas de adoção e porcentuais de código gerado mostram uso amplo, mas não provam sozinhos um ganho exato em qualidade, confiabilidade, manutenção e custo de longo prazo .