Uber'in Agentik Pod'ları: Yapay Zeka Harcamalarını Verimliliğe Dönüştüren Strateji

İki ay sonra, Uber CTO'su Praveen Neppalli Naga radikal derecede farklı bir yaklaşım sundu. Sonuçlar o kadar çarpıcıydı ki — finansal planlama sürecinin 15 saatten 30 dakikaya, raporların iki günden 10 dakikaya düşmesi — yılın en yakından takip edilen kurumsal yapay zeka vaka çalışmalarından biri haline geldi . İşte Uber'in Agentik Pod'ları nasıl çalışıyor ve şirketin yapay zeka hakkındaki düşünce biçiminde neden temel bir değişimi temsil ediyorlar.

Agentik Pod'lar Nedir?

Agentik Pod'lar, her biri yapay zeka konusunda yetkin bir mühendis ile bir iş biriminden bir alan uzmanını bir araya getiren iki kişilik küçük ekiplerdir. Bu ekiplere, manuel bir iş akışını gözlemlemek ve yapay zeka ajanlarıyla yeniden inşa etmek için sabit iki haftalık bir sprint süresi verilir . Naga, programı 2026'nın ortalarında başlattı ve iki ay içinde Finans, Hukuk, Pazarlama, İK, Müşteri Desteği ve Satın Alma dahil olmak üzere 16 iş biriminde yaklaşık 30 pod dağıttı .

Kesin 10 Günlük Oyun Planı

Naga, 7 Temmuz 2026'da LinkedIn'de tam iş akışını yayınladı :

• 1-2. Günler: Mühendis, alan uzmanını gölgeler ve gerçek iş akışının her adımını gözlemler.
• 3. Gün: Pod, otomatikleştirilecek en yüksek etkili göreve öncelik verir.
• 4-9. Günler: İkili, yapay zeka ajanını işbirliğiyle inşa eder ve uzmanın meslektaşlarıyla doğrular.
• 10. Gün: Çalışan ajan üretime gönderilir.

Sıkı son tarih tesadüfi değildir. Ekibi, bir şeyi süresiz olarak cilalamak yerine gerçek bir şey çıkarmaya zorlar . Naga'nın tanımladığı gibi, amaç "yapay zekayı pahalı bir deney olarak görmeyi bırakıp, karmaşık, manuel iş akışlarını yeniden tasarlamak için kullanmaya başlamaktı" .

Ölçülen Verimlilik Kazanımları

Sonuçlar, Uber'in dahili verilerine atfedilerek birden çok kaynak tarafından geniş çapta raporlanmıştır :

Bunlar, temel iş süreçlerinde 30 kat ile 400 kat arasında döngü süresi azalmalarını temsil etmektedir. Naga ayrıca 9.000 manuel destek iş akışının self-servis hale getirildiğini bildirdi .

Tokenmaxxing'den Hedefli Otomasyona

Daha önceki strateji — tokenmaxxing olarak adlandırılan — Uber'in yaklaşık 5.000 mühendisinin neredeyse %95'inin Claude Code ve Cursor gibi araçları günlük olarak kullandığı ağır harcama yaklaşımıydı . Ancak şirket, bu token tüketimini ölçülebilir herhangi bir iş sonucuna bağlayamadı. Mayıs 2026'da Macdonald, Business Insider'a yapay zeka harcamalarını haklı çıkarmanın "giderek zorlaştığını" çünkü "[token kullanımı ile üretkenlik arasındaki] bağlantının henüz kurulamadığını" söyledi . Daha yüksek token kullanımı, tüketiciye yönelik ürünlerde orantılı iyileştirmelere dönüşmüyordu .

İki strateji arasındaki temel farklar:

• Tokenmaxxing dönemi: Tüm mühendislere yapay zeka kodlama araçlarının genel dağıtımı; harcamalar token hacmine göre takip edilir; liderlik tarafından kabul edilen net bir YG bağlantısı yoktur .
• Agentik Pod'lar dönemi: Hedefli, iş akışı odaklı yaklaşım; mühendisler mühendislik dışı departmanlara yerleştirilir; başarı, somut süreç süresi azalmalarıyla ölçülür .

Pod Yapısı Neden İşe Yaradı?

Agentik Pod yapısı, tokenmaxxing yaklaşımının çözemediği iki sorunu çözdü. İlk olarak, mühendisleri tanımlanmış bir çıktı olmadan token biriktirmek yerine, inşa etmeden önce bir sorunu uçtan uca anlamaya zorladı. İkinci olarak, yapay zeka harcamalarını doğrudan ölçülebilir iş sonuçlarına — kazanılan saatler, hızlandırılan raporlar, ortadan kaldırılan iş akışları — bağladı .

Sadece iki ay içinde, 16 iş biriminde 16 pod çalıştırıldı . Model o zamandan beri genişletildi. Naga'nın belirttiği gibi, pod'lardan sonra Uber mühendislerinin %99'u yapay zeka araçlarını kullanıyordu — ancak şimdi bu kullanımın işletmenin takip edebileceği sonuçlar üretmesini sağlayan bir çerçeveyle .