Ubers Agentic Pods – så skar 30 ingenjörer timslånga processer till minuter

Två månader senare presenterade Ubers CTO Praveen Neppalli Naga ett radikalt annorlunda angreppssätt. Resultaten var så slående – en ekonomisk planeringsprocess minskade från 15 timmar till 30 minuter, rapporter från två dagar till 10 minuter – att det blev en av årets mest uppmärksammade fallstudier inom företags-AI . Så här fungerar Ubers Agentic Pods och varför de innebär ett fundamentalt skifte i hur företaget ser på AI.

Vad är Agentic Pods?

Agentic Pods är små team på två personer – varje team består av en AI-kunnig ingenjör och en verksamhetsexpert från en affärsfunktion – som får en fast tvåveckorssprint på sig att observera ett manuellt arbetsflöde och bygga om det med AI-agenter . Naga lanserade programmet i mitten av 2026 och placerade cirka 30 poddar inom 16 olika affärsfunktioner, däribland Ekonomi, Juridik, Marknadsföring, HR, Kundsupport och Inköp, under loppet av två månader .

Den exakta tiodagarsplanen

Naga publicerade det exakta arbetsflödet på LinkedIn den 7 juli 2026 :

• Dag 1–2: Ingenjören skuggar verksamhetsexperten och observerar varje steg i det verkliga arbetsflödet.
• Dag 3: Poddens prioriterar den uppgift som ger störst nytta att automatisera.
• Dag 4–9: Paret bygger AI-agenten tillsammans och validerar den med expertens kollegor.
• Dag 10: Den fungerande agenten lanseras i produktion.

Den hårda deadline är ingen slump. Den tvingar teamet att leverera något verkligt i stället för att polera något oändligt . Som Naga beskrev det var målet att ”sluta behandla AI som ett dyrt experiment och börja använda det för att omforma komplexa, manuella arbetsflöden” .

Uppmätta produktivitetsvinster

Resultaten är brett rapporterade i flera medier och hänförs till Ubers interna data :

Detta är cykeltidsminskningar på 30x till 400x för centrala affärsprocesser. Naga rapporterade också att 9 000 manuella supportarbetsflöden hade konverterats till självbetjäning .

Från tokenmaxxing till riktad automatisering

Den tidigare strategin – kallad tokenmaxxing – var en utgiftstung ansats där nästan 95 % av Ubers cirka 5 000 ingenjörer använde verktyg som Claude Code och Cursor dagligen . Men företaget kunde inte koppla den tokenförbrukningen till något mätbart affärsresultat. I maj 2026 sa Macdonald till Business Insider att det blev ”svårare att motivera” AI-utgifterna eftersom ”den länken [mellan tokenanvändning och produktivitet] inte finns där än” . Högre tokenanvändning översattes inte till proportionella förbättringar i kundprodukter .

De viktigaste skillnaderna mellan de två strategierna:

• Tokenmaxxing-eran: Generell utrullning av AI-verktyg till alla ingenjörer; utgifter mättes i tokenvolym; ingen tydlig ROI-länk som ledningen erkände .
• Agentic Pods-eran: Riktad, arbetsflödesförst-ansats; ingenjörer placerades i icke-tekniska avdelningar; framgång mättes i konkreta processtidsminskningar .

Varför podstrukturen fungerade

Agentic Pod-strukturen löste två problem som tokenmaxxing-ansatsen inte kunde. För det första tvingades ingenjörerna att förstå ett problem från början till slut innan de byggde, i stället för att ackumulera tokens utan ett definierat resultat. För det andra knöts AI-utgifterna direkt till mätbara affärsresultat – sparade timmar, snabbare rapporter, eliminerade arbetsflöden .

På bara två månader kördes 16 poddar inom 16 olika affärsfunktioner . Modellen har sedan dess utökats. Som Naga noterade, efter poddarna använde 99 % av Ubers ingenjörer AI-verktyg – men nu med en struktur som säkerställde att användningen gav resultat som verksamheten kunde följa .