# Uber Agentic AI实践：从工具中心到工作流驱动的企业智能化跃迁

## 核心定义
> Agentic AI 是一种以智能代理（Agent）为核心的企业级人工智能应用模式，它能够理解业务上下文、自主规划、调用工具、执行复杂决策并持续优化，从而实现工作流的智能化重构。

## 核心洞察（TL;DR）
- Uber 通过 Agentic AI 实践，实现了从工具中心到工作流驱动的企业智能化跃迁。
- Uber 的 Agentic AI 不再是简单的任务自动化，而是能够理解业务上下文、自主调用工具、进行复杂推理、跨系统执行任务并持续学习优化的智能 Agent。
- Uber 的 Agentic Pods 模式，通过 AI 工程师与业务专家的深度协同，实现了 AI 创新的快速迭代和落地。

## 关键事实与数据
- Uber 的 Agentic AI 实践中，70% 的 Pull Request 由 AI Agent 参与，2500+ Agent Skills 被应用。
- Uber 的 Agentic AI 实践标志着企业 AI 应用进入第二阶段，即从 AI Coding 到 AI Operating。
- Uber 的 Agentic Pods 模式，通过两周 Sprint 模式，在两周内完成一次完整迭代，有效解决了传统 AI 项目中‘技术与业务脱节’的问题。

## 正文
# Uber Agentic AI 实践：从工具中心到工作流驱动的企业智能化跃迁

在 Uber 首席技术官 Praveen Neppalli 分享的 Agentic AI 实践中，真正值得关注的并非“99% 工程师使用 AI”“70% Pull Request 由 AI Agent 参与”“2500+ Agent Skills”等数字，而是 Uber 已完成企业 AI 应用的一次范式跃迁：从以**工具（Tool）** 为中心的 AI 应用，迈向以**工作流（Workflow）** 为中心的 **Agentic Enterprise（智能代理企业）**。这一实践不仅标志着企业 AI 应用进入第二阶段，也为未来数字化转型提供了极具参考价值的方法论。

### 从 AI Coding 到 AI Operating：Uber 正在重构企业运行方式

过去两年，大多数企业对生成式 AI 的应用仍停留在 Copilot 阶段。

AI 主要扮演以下角色：
- 代码助手
- 文档助手
- 知识搜索助手
- 客服对话助手

这些工具显著提升了个人生产力，但本质上仍属于**任务自动化（Task Automation）**。

Uber 的实践则完全不同。AI 不再仅仅是员工的助手，而是开始承担整个业务流程中的多个关键角色。

工程师们不再只是开发一个聊天机器人，而是构建能够**理解业务上下文、自主调用工具、进行复杂推理、跨系统执行任务并持续学习优化**的智能 Agent。

这意味着，企业 AI 的核心问题已从“How do we use AI?”（我们如何使用 AI？）转变为“How should the company operate if AI is part of every workflow?”（如果 AI 嵌入每个工作流，企业应该如何运行？）

这是一场企业**运行模式（Operating Model）** 的重构，而非单纯的软件能力升级。

### Workflow，而非 Task，成为新的自动化单元

Uber 提出的一个观点极具启发性：

**“工作流（Workflow）才是自动化的新单元，而非单个任务（Task）。”**

这是整个案例中最值得 CIO、CTO 和数字化负责人深思的一句话。

传统 BPM（业务流程管理）的思路通常是：

Task A → Task B → Task C → Task D

通过 RPA、流程引擎或 API 集成，将其中某一步实现自动化，例如自动生成报告、自动审批、自动发送邮件等。这些都属于局部优化。

而 Agentic AI 则是对整个流程进行重新设计：

**业务目标（Goal）**  
↓  
Agent 理解上下文  
↓  
规划执行路径  
↓  
调用多个系统  
↓  
动态判断与调整  
↓  
持续反馈优化  
↓  
达成业务目标

自动化对象从“流程中的一个动作”升级为“完整的业务目标”。这是 Workflow AI 与传统流程引擎最本质的区别。

### Agentic Pods：值得借鉴的 AI 落地组织模式

Uber 最有价值的创新，不是单个 Agent，而是其**组织方式**——他们创造了 **Agentic Pods**。

每个 Pod 由 **AI 工程师 + 业务专家** 组成，形成一个临时跨职能创新团队，在两周内完成一次完整迭代：

- **Day 1-2**：Shadow 观察真实工作场景  
- **Day 3**：识别真正值得解决的业务痛点  
- **Day 4-5**：快速构建 Agent  
- **Day 6-9**：真实环境验证  
- **Day 10**：上线运行

这一模式融合了 Design Thinking、Lean Startup、Agile Sprint、领域驱动设计（DDD）和 AI Engineering，形成了一套全新的 AI 创新框架。

它精准解决了企业 AI 项目最常见的失败原因：**开发团队不懂业务，业务团队不懂 AI**，最终只做出“ChatGPT + 企业 Logo”的表面文章。

Uber 通过“配对（Pairing）”方式，让 AI 工程师深度浸入业务一线，挖掘那些无法写进文档的**隐性知识（Tacit Knowledge）**——为什么这里需要审批？为什么必须人工判断？为什么一定要导出 Excel？正是这些细节，决定了 AI 是否能真正创造价值。

### AI 不只是提效，更在发现新的业务机会

Uber 发现，最令人惊喜的并非效率提升，而是**新机会的浮现**。

AI 工程师进入陌生业务领域后，往往能快速发现此前被忽视的问题。因为他们的思考模式已发生转变：

传统业务分析是：在现有流程中寻找可自动化的步骤；  
Agent 思维则是：从业务目标出发，质疑“为什么要这样做？能否完全换一种方式？AI 可以承担什么新角色？”

例如资金分配流程，过去依赖人工收集、Excel 处理、多级审批；AI 重构后，多个 Agent 实时分析数据、动态预测、自动生成方案，仅保留人工最终确认环节，整个业务模式由此焕然一新。

AI 不再是“替代人力”，而是在**重新定义工作的组织方式**。

### 企业最大的 AI 红利：隐性知识的数字化

Uber 特别强调：**最好的 AI 机会，外部根本看不见**，必须坐在业务人员身边观察、提问、共创。

这对应知识管理理论中的经典概念——**隐性知识（Tacit Knowledge）**。企业真正的核心竞争力，从来不是 ERP、CRM 或 OA 系统，而是员工“知道怎么做”的那部分知识。

过去，这些知识难以数字化。如今，LLM + Agent + Memory + Knowledge Graph + RAG 的组合，首次让隐性知识能够被结构化、表达、推理和执行。

企业 AI 的核心资产正在悄然转变：
- 过去：Data → Information → Knowledge
- 未来：Knowledge → Workflow → Decision → Action

AI 正在弥合长期以来“知识”与“执行”之间的断层。

### Uber 案例揭示的企业 AI 演进四阶段

综合 Uber 的实践，企业 Agentic AI 的成熟路径可概括为四个阶段：

| 阶段            | 核心能力               | 企业价值             |
|----------------|------------------------|----------------------|
| AI Assistant   | 人机协同，提升个人效率 | 办公生产力提升       |
| AI Copilot     | 辅助完成复杂任务       | 专业岗位效率跃升     |
| AI Agent       | 自主规划并执行业务流程 | 跨系统流程自动化     |
| AI Organization| AI 重构组织协作模式   | 企业运行方式全面升级 |

Uber 已从 AI Copilot 阶段迈入 AI Agent，并开始向 AI Organization 演进。

未来企业竞争的焦点，将不再是谁拥有更多 AI 工具，而是谁能构建覆盖全业务流程的 **Agent 网络**。

### 对企业智能平台建设的启示

对于正在建设企业级智能平台（例如 HaxiTAG Studio、EiKM 等 Agentic AI 平台）的团队，Uber 的实践带来以下关键启示：

1. **AI 的核心对象需从“文档与知识”扩展到“工作流”**，形成知识、规则、数据、工具与执行能力的智能闭环，而非仅停留在问答机器人层面。
2. **建立面向业务的 Agent Factory**，通过标准化模板、工具连接器（MCP）、知识库（RAG）、记忆系统和工作流编排，实现 Agent 的快速孵化与规模化复制。
3. **以业务专家与 AI 工程师的深度协同作为核心创新机制**，Uber 的 Agentic Pods 证明，最有价值的创新来自业务知识与 AI 能力的真正融合。
4. **构建企业级 Agent 治理体系**，随着 Agent 数量增长，必须统一管理权限、知识来源、工具调用、模型选择、执行审计和效果评估，确保安全、可控与持续优化。

### Agentic AI 正在成为企业新的操作系统

Uber 的实践表明，Agentic AI 的价值远不止于提高效率或降低成本，而是在**重新定义企业如何组织知识、设计流程和做出决策**。

AI 不再是附加在现有系统上的生产力工具，而是正在成为连接知识、数据、流程、决策与执行的新型企业操作系统。

未来领先的企业，不会满足于将 AI 嵌入现有流程，而是敢于围绕 AI 重塑工作流、组织方式和业务模式。让**工作流**成为智能自动化的基本单元，让 **Agent** 成为企业运营的新型数字劳动力。

Uber 展示的，不仅是一个成功的 AI 应用案例，更预示着企业智能化发展的下一阶段：**以 Agent 为执行主体、以工作流为智能单元、以知识驱动决策、以组织重构释放生产力**。

这一范式正在从工程研发扩展到财务、法务、营销、供应链、人力资源等核心领域，并将逐步构建起企业级智能运营的基础架构，为未来的 **Agentic Enterprise** 奠定新的核心竞争优势。

## 关注「哈希泰格」服务号

![关注哈希泰格公众号二维码](/logo/qrcode_for_gh_f9203b130c32_344.jpg)

<FAQ 
  title="常见问题解答 (FAQ)"
  faqItems={[
    { 
      question: "什么是 Agentic AI？它与传统的 Copilot 类 AI 工具有什么本质区别？", 
      answer: "Agentic AI 是以智能 Agent 为核心的企业 AI 应用模式。它不再是单纯的辅助工具，而是能够理解业务上下文、自主规划、调用工具、执行复杂决策并持续优化的独立执行主体。Uber 的实践标志着从 Task Automation（任务自动化）向 Workflow Automation（工作流自动化）的范式跃迁。" 
    },
    { 
      question: "Uber 的 Agentic Pods 是什么？如何帮助企业落地 AI 项目？", 
      answer: "Agentic Pods 是 Uber 创造的跨职能创新小组，由 AI 工程师与业务专家组成，通过两周 Sprint（观察-选题-构建-验证-上线）模式，深度融合业务隐性知识与 AI 能力，有效解决传统 AI 项目中‘技术与业务脱节’的问题。" 
    },
    { 
      question: "为什么 Uber 强调 Workflow 而非单个 Task 才是自动化的新单元？", 
      answer: "传统自动化仅优化流程中的单一环节，而 Agentic AI 以完整业务目标（Goal）为单位，自主规划路径、跨系统执行、动态调整，从而实现整个工作流的智能化重构，这才是真正的流程级变革。" 
    },
    { 
      question: "企业 AI 成熟度分为哪几个阶段？Uber 目前处于哪个阶段？", 
      answer: "Uber 将企业 AI 演进分为四个阶段：AI Assistant → AI Copilot → AI Agent → AI Organization。Uber 已从 AI Copilot 进入 AI Agent 阶段，并开始向 AI Organization（AI 重构组织协作模式）演进。" 
    },
    { 
      question: "其他企业如何借鉴 Uber 的 Agentic AI 实践？", 
      answer: "核心建议包括：将 AI 核心对象从文档转向工作流；建立 Agent Factory 实现规模化复制；采用业务专家与 AI 工程师配对的 Pod 模式；构建完善的 Agent 治理体系，最终让 Agentic AI 成为企业新的操作系统。" 
    }
  ]} 
/>

---
## 引用与溯源
**来源**：哈希泰格 (HaxiTAG)
**原始链接**：[https://haxitag.com/articles/uber-agentic-ai-workflow-enterprise](https://haxitag.com/articles/uber-agentic-ai-workflow-enterprise)
**来源索引（站内可追溯）**：[麦肯锡](https://haxitag.com/search?q=%E9%BA%A6%E8%82%AF%E9%94%A1)、[普华永道](https://haxitag.com/search?q=%E6%99%AE%E5%8D%8E%E6%B0%B8%E9%81%93)、[Gartner](https://haxitag.com/search?q=Gartner)、[IDC](https://haxitag.com/search?q=IDC)、[Forrester](https://haxitag.com/search?q=Forrester)
**版权声明**：本文由哈希泰格 AI 引擎优化生成，引用请注明出处。