Агенты Uber вместо токенов: как 30 инженеров сократили 15-часовые процессы до 30 минут

В мае 2026 года COO Uber Эндрю Макдональд заявил Business Insider то, от чего технологическая индустрия замерла: компания тратит огромные деньги на ИИ, но не может провести чёткую линию между этими расходами и бизнес-результатами . За несколько недель до этого Uber сжёг весь свой годовой бюджет на ИИ-инструменты для кодинга менее чем за четыре месяца . У этого явления внутри компании было имя: токенмаксинг (tokenmaxxing) — отношение к объёму потребляемых токенов как к мерилу прогресса, а не результата .

Два месяца спустя CTO Uber Правин Непалли Нага представил радикально иной подход. Результаты оказались настолько впечатляющими — процесс финансового планирования сократился с 15 часов до 30 минут, подготовка отчётов — с двух дней до 10 минут, — что этот кейс стал одним из самых обсуждаемых в корпоративном ИИ за последний год . Вот как работают «агентные поды» Uber и почему они знаменуют фундаментальный сдвиг в мышлении компании об искусственном интеллекте.

Что такое «агентные поды» (Agentic Pods)?

«Агентные поды» — это мини-команды из двух человек: одного ИИ-инженера и одного профильного эксперта из бизнес-подразделения. Им даётся жёсткий двухнедельный спринт, чтобы изучить ручной рабочий процесс и пересобрать его с помощью ИИ-агентов . Нага запустил программу в середине 2026 года, развернув около 30 таких подов в 16 бизнес-функциях, включая финансы, юриспруденцию, маркетинг, HR, поддержку клиентов и закупки, за два месяца .

Точный 10-дневный план действий

Нага опубликовал чёткий алгоритм в LinkedIn 7 июля 2026 года :

• Дни 1–2: Инженер «тенью» следует за экспертом, наблюдая за каждым шагом реального рабочего процесса.
• День 3: Команда определяет задачу с наибольшим эффектом для автоматизации.
• Дни 4–9: Пара совместно создаёт ИИ-агента, проверяя его с коллегами эксперта.
• День 10: Рабочий агент запускается в продакшн.

Жёсткий дедлайн — не случайность. Он заставляет команду выпустить что-то реальное, а не полировать проект до бесконечности . Как описал это Нага, цель была «перестать относиться к ИИ как к дорогому эксперименту и начать использовать его для перепроектирования сложных ручных процессов» .

Измеренные результаты продуктивности

Данные широко цитируются в различных источниках и приписываются внутренним показателям Uber :

Процесс	До	После	Сокращение
Анализ распределения капитала (по 150 городам)	15 часов	30 минут	в 30 раз
Финансовые отчёты	2 дня	10 минут	~ в 288 раз
Контроль качества веб-маркетинга	2 недели	~50 минут	~ в 400 раз

Это сокращение времени цикла в 30–400 раз для ключевых бизнес-процессов. Нага также сообщил, что 9 000 ручных процессов в службе поддержки были переведены в самообслуживание .

От «токенмаксинга» к точечной автоматизации

Прежняя стратегия — «токенмаксинг» — была подходом, ориентированным на огромные расходы. Почти 95% из ~5 000 инженеров Uber ежедневно использовали такие инструменты, как Claude Code и Cursor . Но компания не могла связать это потребление токенов с каким-либо измеримым бизнес-результатом. В мае 2026 года Макдональд заявил Business Insider, что «становится всё труднее оправдывать» расходы на ИИ, потому что «этой связи [между использованием токенов и производительностью] пока нет» . Более высокое потребление токенов не приводило к пропорциональному улучшению продуктов для конечных пользователей .

Ключевые различия между двумя стратегиями:

• Эра токенмаксинга: Повсеместное внедрение ИИ-инструментов для кодинга для всех инженеров; расходы отслеживались по объёму токенов; руководство признавало отсутствие чёткой связи с ROI .
• Эра агентных подов: Целевой, процессно-ориентированный подход; инженеры внедрены в неинженерные отделы; успех измеряется конкретным сокращением времени процессов .

Почему структура «подов» сработала

Структура «агентных подов» решила две проблемы, которые не мог решить токенмаксинг. Во-первых, она заставила инженеров досконально изучить проблему от начала до конца, прежде чем что-то строить, вместо того чтобы накапливать токены без чёткого результата. Во-вторых, она напрямую привязала расходы на ИИ к измеримым бизнес-показателям — сэкономленным часам, ускоренным отчётам, устранённым процессам .

Всего за два месяца 16 подов были запущены в 16 бизнес-функциях . Модель с тех пор была расширена. Как отметил Нага, после запуска подов 99% инженеров Uber использовали ИИ-инструменты — но теперь у них была система, гарантирующая, что это использование приносит результаты, которые бизнес может отследить .