Os 'Agentic Pods' da Uber: Como 30 engenheiros reduziram fluxos de 15 horas para 30 minutos

Em maio de 2026, o COO da Uber, Andrew Macdonald, disse ao Business Insider algo que fez o setor de tecnologia parar: a empresa estava queimando dinheiro com IA sem conseguir traçar uma linha clara entre os gastos e os resultados do negócio . Poucas semanas antes, a Uber havia estourado todo o seu orçamento de ferramentas de codificação de IA para 2026 em menos de quatro meses . O fenômeno tinha um nome dentro da empresa: tokenmaxxing — tratar o volume de tokens de IA como uma medida de progresso, em vez de resultados .

Dois meses depois, o CTO da Uber, Praveen Neppalli Naga, revelou uma abordagem radicalmente diferente. Os resultados foram tão impressionantes — um processo de planejamento financeiro caindo de 15 horas para 30 minutos, relatórios de dois dias para 10 minutos — que se tornou um dos estudos de caso de IA empresarial mais acompanhados do ano . Aqui está como os Agentic Pods da Uber funcionam e por que eles representam uma mudança fundamental na forma como a empresa pensa sobre IA.

O que são os Agentic Pods?

Agentic Pods são pequenas equipes de duas pessoas — cada uma combinando um engenheiro proficiente em IA com um especialista de uma área de negócios — que recebem um sprint fixo de duas semanas para observar um fluxo de trabalho manual e reconstruí-lo com agentes de IA . Naga lançou o programa em meados de 2026, implantando cerca de 30 pods em 16 funções de negócios, incluindo Finanças, Jurídico, Marketing, RH, Suporte ao Cliente e Compras, ao longo de dois meses .

O manual exato de 10 dias

Naga publicou o fluxo de trabalho preciso no LinkedIn em 7 de julho de 2026 :

• Dias 1-2: O engenheiro acompanha o especialista, observando cada etapa do fluxo de trabalho real.
• Dia 3: O pod prioriza a tarefa de maior impacto para automatizar.
• Dias 4-9: A dupla constrói o agente de IA de forma colaborativa, validando-o com os colegas do especialista.
• Dia 10: O agente funcional é colocado em produção.

O prazo final rígido não é acidental. Ele força a equipe a entregar algo real, em vez de polir algo indefinidamente . Como Naga descreveu, o objetivo era "parar de tratar a IA como um experimento caro e começar a usá-la para redesenhar fluxos de trabalho complexos e manuais" .

Ganhos de produtividade medidos

Os resultados são amplamente relatados em vários veículos, atribuídos aos dados internos da Uber :

Processo	Antes	Depois	Redução
Análise de alocação de capital (em 150 cidades)	15 horas	30 minutos	30x
Relatórios de ritmo financeiro	2 dias	10 minutos	~288x
Garantia de qualidade de web marketing	2 semanas	~50 minutos	~400x

Essas representam reduções de tempo de ciclo de 30x a 400x para processos de negócios essenciais. Naga também relatou que 9.000 fluxos de trabalho manuais de suporte foram convertidos para autoatendimento .

Do tokenmaxxing à automação direcionada

A estratégia anterior — apelidada de tokenmaxxing — era uma abordagem de gastos pesados onde quase 95% dos cerca de 5.000 engenheiros da Uber usavam ferramentas como Claude Code e Cursor diariamente . Mas a empresa não conseguia vincular esse consumo de tokens a nenhum resultado de negócio mensurável. Em maio de 2026, Macdonald disse ao Business Insider que estava se tornando "mais difícil justificar" os gastos com IA porque "essa ligação [entre uso de tokens e produtividade] ainda não existe" . O maior uso de tokens não estava se traduzindo em melhorias proporcionais nos produtos voltados para o consumidor .

As principais diferenças entre as duas estratégias:

• Era do tokenmaxxing: Implantação generalizada de ferramentas de codificação de IA para todos os engenheiros; gastos monitorados por volume de tokens; nenhum link claro de ROI reconhecido pela liderança .
• Era dos Agentic Pods: Abordagem direcionada, primeiro o fluxo de trabalho; engenheiros incorporados em departamentos não relacionados à engenharia; sucesso medido por reduções concretas no tempo de processo .

Por que a estrutura do Pod funcionou

A estrutura do Agentic Pod resolveu dois problemas que a abordagem tokenmaxxing não conseguia. Primeiro, forçou os engenheiros a entender um problema de ponta a ponta antes de construir, em vez de acumular tokens sem uma saída definida. Em segundo lugar, vinculou os gastos com IA diretamente a resultados de negócios mensuráveis — horas economizadas, relatórios acelerados, fluxos de trabalho eliminados .

Em apenas dois meses, 16 pods foram executados em 16 funções de negócios . O modelo foi expandido desde então. Como Naga observou, após os pods, 99% dos engenheiros da Uber estavam usando ferramentas de IA — mas agora com uma estrutura para garantir que esse uso produzisse resultados que a empresa pudesse acompanhar .