Uber Agentic Pods：讓工程師與領域專家一起找出可落地的 AI 應用

2026 年 7 月，Uber 技術長 Praveen Neppalli Naga 分享了一套名為 Agentic Pods 的做法，嘗試把工程團隊累積的 AI 能力，進一步帶進財務、營運、行銷與客服等部門。

當時 Uber 已有 99% 的工程師使用 AI 工具，超過 70% 的 Pull Requests 可歸因於本機或雲端 Agent 的參與。AI 已經進入工程團隊的日常工作，Agentic Pods 接著要處理的，是這些能力如何延伸到其他部門的工作流程中。

當使用者人數與 Agent 使用量持續增加，成本也會跟著暴增嗎？Uber 公布了一組值得對照的數據。2026 年 2 月至 8 月中，旗下 Agentic AI 產品的每週活躍使用者增加 7 倍，Agent 請求數增加 9.4 倍，但總 AI 支出自 4 月起則相對穩定。

本篇 Aiworks 將介紹 Agentic Pods 的運作方式，再拆解這套做法如何讓具備 AI 建置能力的工程師與熟悉產業和實務流程的工作者進入同一個工作現場，從既有工作流程中找出值得重新設計的環節。

Agentic Pods 是什麼？

Uber 挑選約 30 位熟悉 AI 與公司內部系統的工程師，讓他們與不同職能的領域專家配對。每個 Pod 以兩週為一個週期，從理解工作現場開始，一路完成選題、建置、驗證與交付。技術長表示，團隊在兩個月內共推進 16 個 Pods，涵蓋 16 種職能。

Uber 將這兩週拆成六個步驟。

一開始的兩天，工程師會先「在旁觀察」領域專家的實際工作；第 3 天，雙方會依工作量、重複程度、對組織的影響與資料條件排出優先順序；第 4 至 5 天共同建置；第 6 至 9 天則交給其他使用者驗證；最終在第 10 天完成交付。

企業推動 AI 時，往往會碰到一道能力落差：領域專家熟悉每天的工作、判斷與例外，卻不一定知道 Agent 能做到什麼；懂得建置 Agent 的工程師，則未必了解各部門的實際限制。

Agentic Pods 讓兩種專業在同一段工作流程上合作：一邊具備 AI 建置能力，一邊掌握領域經驗。領域專家直接示範平常怎麼工作，工程師在旁觀察、提問，並判斷資料、系統與 Agent 能力可以如何介入。

工程師從流程外部進入實務現場，也帶來另一個好處。他有機會挑戰目前被視為理所當然的做法：為什麼這裡要換一套工具？這個核准點究竟要判斷什麼，還是只是沿用過去的習慣？這些問題能讓團隊分辨哪些步驟確實需要人為處理，也有機會看出哪些舊有流程可以直接刪除。

Pod 的前兩天留給 Shadow，讓工程師跟著領域專家實際工作，先觀察一項任務如何完成，再決定要建置什麼。

如果工程師只靠需求文件理解工作，拿到的通常是整理過的標準 SOP。複雜工作被轉成固定格式時，例外情境、問題發生後的處理方式，以及實際執行者仰賴的判斷，很難全部留在文件裡。

實際觀察能補上這些空白，也讓工程師看見流程圖沒有記下的時刻。例如使用者得在工具間來回切換、不定時整理散落的資料，或是處理例外狀況。這些細節能讓熟悉 AI 的人判斷 Agent 可以如何協助，也能看出哪些步驟本身值得調整。

第 6 至 9 天，Pod 會請其他從事相同工作的人試用共同建置的 Agent 與新流程。

一個人的工作順序、操作習慣與常用資料位置，未必代表整個部門。換一位使用者試用，可能會遇到不同的權限、資料來源或例外情境。跨使用者驗證能提早找出這些差異，避免把只適合某個人的做法直接擴大。

當更多的使用者都能藉由新的工作流程完成任務，組織才更有依據決定是否擴大應用範圍。

Uber 技術長用一句話概括這套做法：“The workflow becomes the unit of automation – not the individual task.”

單點任務自動化可以加快填表速度，縮短查詢數據或產出報告的時間。但隨著 Agent 能一次處理更多項資訊，甚至同時執行多個步驟，團隊就有理由重新設計整段 Workflow。

舊流程裡，資料可能要沿著多條路徑，在不同工具與人員之間移動；每個步驟也常要等待前一步完成。當 Agent 能依條件接續處理其中一部分，原本分開的工作便可能同時進行，流程也能隨之縮短。

流程重設的價值，在於讓組織重新決定工作應該怎麼完成。團隊可以刪除沒有必要的核准，替換不再合用的舊工具，讓 Agent 接續完成適合自動處理的步驟，再把人工判斷留在需要承擔責任的位置。

Agentic Pods 提供了一套尋找機會與實際落實 AI 應用的方法。企業開始有能力建立更多 Agent，下一個問題就會是營運連續性（operational continuity）。政策、資料、系統權限、負責人與組織目標持續改變時，已經上線的 Agent 能不能跟著更新和維護？

這也是 AI 治理開始變得關鍵的地方。企業需要知道 Agent 由誰負責、使用哪些資料、在什麼條件下需要人工判斷，以及流程或政策改變後要如何重新驗證。規模化需要把安全、可信、合規、可追溯與責任歸屬納入日常運作，讓 Agent 在交付之後，成為可以長期維持的工作能力。

企業的長期競爭優勢，會來自兩種能力的接續：前端持續深入工作現場，找到值得重新設計的機會；後端則建立治理、問責與持續校準機制，讓這些工作流程能隨組織變化保持可靠。Agentic Pods 示範了企業如何找到機會並完成建置，治理則決定這些成果能否安全地擴大。

Aiworks 提供企業內訓、客製化培訓與實作工作坊，協助各產業團隊規劃生成式 AI 的導入與應用策略。

▼ 聯絡我們｜規劃你的 AI 實戰課程，讓轉型真正落地 ▼

（若表單未正常顯示，請點擊此連結進入表單填寫頁面）