Uber'de AI araçları yazılım geliştirmenin her aşamasına girmiş durumda: pull request'lerin %70'inden fazlası yerel ya da bulut agent'lara atfediliyor. Mühendisler yazılım yaşam döngüsü boyunca 3.600'ü aşkın agent becerisi (skill) yazmış ve günde 30 binin üzerinde beceri çalıştırılıyor. Oturumların artan bir kısmını insan değil, kod incelemesi, CI hatalarını kendi kendine onarma, görsel doğrulamalı uçtan uca PR'lar, nöbet alarmlarının triyajı ve hata ayıklama yapan otomatik yönetilen agent'lar başlatıyor. Şubat'tan Ağustos'a kadar haftalık aktif kullanıcılar 7, haftalık agent istekleri 9,4 kat arttı; toplam AI harcaması ise nisandan beri görece sabitlendi.

Bunu sağlayan şey maliyet denklemi: bir agent oturumunun maliyeti, ayrı ayrı ölçülüp optimize edilebilen terimlere ayrıştırılıyor. Kaldıraçlar da bu terimlere göre: token fiyatı için kıyaslama güdümlü, Pareto-optimal model seçimi ve model varsayılanları; istek başına token için 400K bağlam sınırı ve varsayılan orta akıl yürütme çabası, prompt önbellekleme, araç arama, CLI ile çözülen MCP çağrıları, araç çağrılarını toplu yapan “code mode” ve ağ geçidi üzerinden yönlendirilen SaaS MCP'leri.

Ölçüm tarafı haftalık ve aylık izlenen metrik katmanlarından oluşuyor: portföy (para nereye gidiyor), araç başına birim ekonomisi (araç ucuzluyor mu yoksa kullanım mı kayıyor), model ekonomisi (hangi model sürümü faturayı gerçekten değiştirdi), sürücü ayrıştırması (sayının neden değiştiği, açıklanmamış kalıntı bırakmadan) ve yönetilen agent çıktıları (değer başına maliyet düşüyor mu, model geçişlerinde kalite korunuyor mu). Uber, spesifik kazançların kendi ortamına özgü olduğunu, ama gerçek iş üzerinde kıyaslama yapıp doğruluk ve maliyeti optimize etme yönteminin evrensel olduğunu vurguluyor.