Uber показал, как будет выглядеть компания с цифровыми сотрудниками

Что именно опубликовал Uber

В августе 2026 года Uber рассказал, как управляет масштабным использованием AI в разработке. Более 70% pull request в компании уже связываются с работой локальных или облачных агентов, сотрудники создали свыше 3 600 агентных навыков, а число их запусков превысило 30 000 в день.

Однако важнее самих масштабов архитектурный вывод Uber. Компания движется от интерактивных сессий, которые начинает инженер, к управляемым агентам. Такие агенты проверяют код, помогают исправлять сбои CI, проводят визуальную проверку изменений, разбирают алерты и выполняют задачи по сопровождению кода. Человек сохраняет контроль через review и эскалации.

От AI-чата к управляемому цифровому сотруднику

Обычный AI-чат реагирует на отдельный запрос. Пользователь сам собирает материалы, формулирует задачу, переносит результат в рабочую систему и повторяет всё заново при следующем запуске. Такой инструмент ускоряет человека, но редко меняет процесс целиком.

Управляемый агент работает иначе. У него есть ограниченная роль, понятный ожидаемый результат, доступные инструменты, рабочий контекст и правила обращения к человеку. Он может запускаться по событию или расписанию и выполнять один и тот же процесс последовательно.

• Роль отвечает на вопрос, за какую часть процесса отвечает агент.
• Инструменты определяют, какие источники агент может читать и какие действия выполнять.
• Контекст связывает запрос с текущими задачами, документами, изменениями и решениями.
• Ограничения задают права доступа и ситуации, в которых требуется подтверждение человека.
• Метрика результата показывает, приносит ли агент пользу процессу.

В Laplace мы называем такого участника процесса цифровым сотрудником. Это не попытка скопировать профессию или исключить человека из работы. Это специализированный AI-агент, которому можно передать ограниченную повторяемую часть процесса: собрать статус проекта, проверить качество задач, подготовить контекст по клиентскому запросу или найти расхождения между требованиями и реализацией.

Измерять нужно ценность, а не активность AI

Uber раскладывает затраты на AI-сессию по пользователям, сессиям, шагам, запросам, токенам и цене токена. Но для управляемых агентов компания использует более важный уровень метрик: стоимость завершённого результата вместе с показателем качества.

• Для проверки кода — стоимость одной проверки, точность, полнота и уровень шума.
• Для работы с инцидентами — стоимость обработанного алерта и время восстановления.
• Для изменений в коде — стоимость принятого pull request и доля откатов.

Этот принцип переносится на любые бизнес-процессы. Для цифрового координатора полезнее считать время подготовки достоверной сводки и число найденных блокировок, чем количество сообщений. Для агента поддержки — время до готового ответа, полноту источников и долю правок специалиста. Для помощника по документации — число подтверждённых расхождений и принятых обновлений.

Качество AI-агента определяется качеством контекста

В больших организациях агент тратит значительную часть времени не на создание результата, а на поиск правильной информации. Задача может находиться в Jira, решение — в Confluence, реализация — в GitHub, а важное исключение — в истории обсуждений. Если связь между ними неизвестна, AI начинает перебирать источники, расходует больше токенов и всё равно рискует ошибиться.

Uber иллюстрирует проблему сравнением одной задачи. Агент с доступом к внутреннему AI Context Graph нашёл нужный набор данных и правильно ответил за 38 секунд. Агент без графа потратил более 20 минут, столкнулся с ошибками и пришёл к неверному выводу. Это отдельный эксперимент Uber, а не универсальная оценка ускорения, но он хорошо показывает значение подготовленного корпоративного контекста.

В действующем Laplace цифровые сотрудники получают контекст через подключённые рабочие системы и документы в рамках прав конкретного workspace. Единый Knowledge Graph, который связывает задачи, документы, изменения, решения и участников, находится в бэклоге продукта. Мы рассматриваем его как возможный следующий слой для более согласованной работы цифровой команды, но эта технология пока не является доступной функцией Laplace.

Уже сейчас перед автоматизацией важно проверить качество исходного контекста. Если задачи не связаны с требованиями, решения нигде не зафиксированы, а документы устарели, агент унаследует эти пробелы. Context Audit в Laplace помогает обнаружить такой контекстный долг и выбрать процесс, который действительно готов к внедрению AI.

Один лучший AI для всех задач — слабая стратегия

Uber выбирает модель под конкретную нагрузку, сравнивая стоимость завершённой задачи, качество и надёжность. Главная модель может планировать и оценивать работу, а более доступные модели — выполнять хорошо определённые подзадачи. Такой подход снижает стоимость без автоматического снижения качества.

На уровне бизнеса действует тот же принцип специализации. Агенту для подготовки еженедельного статуса не нужны те же инструкции, инструменты и уровень автономности, что агенту для анализа инцидента или проверки договора. Цифровая команда должна состоять из ролей, спроектированных вокруг процессов, а не из копий одного универсального чат-бота.

Что означают результаты Uber для других компаний

С февраля по август 2026 года число активных пользователей агентных решений Uber выросло в семь раз, а число запросов — в 9,4 раза. При фиксированной модели стоимость тысячи запросов снизилась примерно на 34% от пикового значения, а стоимость сессии — на 52% от июньского пика. Uber отдельно предупреждает, что конкретные показатели зависят от кодовой базы, размера команды и сценариев использования.

Поэтому копировать проценты бессмысленно. Полезно копировать метод: выбрать реальную работу, собрать benchmark из её примеров, оценивать качество и стоимость результата, а затем улучшать маршрутизацию моделей, контекст, инструменты и инструкции.

• Начните с одного повторяемого процесса с понятным владельцем.
• Зафиксируйте baseline: время, качество, ошибки и ручные передачи контекста.
• Определите доступные источники и устраните критические пробелы в данных.
• Ограничьте роль и действия агента, добавьте review или подтверждение человека.
• Считайте стоимость и качество завершённого результата.
• Расширяйте цифровую команду только после проверки пилота.

Как этот подход продолжает Laplace

Laplace переносит принцип управляемых агентов из отдельных технических сценариев в повседневные процессы компании. Организация может создавать цифровых сотрудников с разными ролями и навыками, подключать к ним разрешённые рабочие инструменты и запускать повторяемые задачи по расписанию.

Путь начинается не с массового создания агентов, а с анализа процесса. Нужно понять, где теряется контекст, какие действия повторяются, какой результат можно проверить и где должен участвовать человек. После этого ограниченный сценарий превращается в измеримый пилот, а проверенные роли — в цифровую команду.

Частые вопросы об AI-агентах и подходе Uber

Что такое Software Factory в понимании Uber?

Это система AI-инструментов и управляемых агентов для разных этапов разработки: создания и проверки кода, исправления CI, работы с инцидентами и сопровождения. Компания управляет моделями, контекстом, инструментами, стоимостью и качеством результата на уровне общей платформы.

Чем управляемый AI-агент отличается от чат-бота?

Чат-бот обычно отвечает на отдельный запрос пользователя. Управляемый агент имеет определённую роль, инструменты, источники контекста, ограничения и критерий результата; он также может выполнять повторяемый процесс по расписанию с контролем человека.

Какие AI-агенты подходят для бизнеса?

Хороший первый сценарий регулярно повторяется, использует несколько рабочих источников, имеет проверяемый результат и допускает человеческий контроль. Примеры: проектная сводка, проверка качества задач, подготовка ответа клиенту или поиск расхождений в документации.

Есть ли в Laplace Knowledge Graph?

Пока нет. Цифровые сотрудники Laplace работают с подключёнными системами и документами в пределах доступного им workspace. Единый Knowledge Graph находится в бэклоге и рассматривается как будущее направление развития общей контекстной основы цифровой команды.

Как измерять эффективность цифрового сотрудника?

Метрика должна отражать результат конкретного процесса: затраченное время, полноту, точность, долю принятых рекомендаций, число ошибок или стоимость завершённой задачи. Количество сообщений и созданных агентов само по себе не показывает бизнес-ценность.