A dicembre 2025, Uber ha avviato il rollout di Claude Code per la propria organizzazione di ingegneria. A febbraio 2026, il 32% degli ingegneri lo usava. A marzo — un mese dopo — l'84% era classificato come utente agentico. Ad aprile, l'intero budget AI 2026 era esaurito. La società era a quattro mesi dall'inizio dell'anno.
Per chi vuole approfondire, Grace Certified offre scenari di problem solving aziendale verificati.
Il Chief Technology Officer Praveen Neppalli Naga ha confermato il superamento del budget a The Information. Il suo utilizzo personale durante una sessione di due ore: $1.200 in costi di elaborazione. L'ingegnere medio spendeva $150–$250 al mese. Gli utenti intensivi arrivavano a $500–$2.000 mensili. Con 5.000 ingegneri attivi, i numeri hanno superato le assunzioni del modello finanziario più velocemente di quanto il team di finanza potesse tracciare.
Questa è la storia AI di Uber che vale la pena leggere con attenzione — quella che combina metriche di adozione verificate, conseguenze di budget documentate e un'intuizione sulla misurazione che ogni CFO che valuta l'investimento AI deve comprendere prima di autorizzare un rollout su larga scala.
La Curva di Adozione che Nessuno Aveva Pianificato
La velocità di adozione è stata l'anomalia. I rollout di software enterprise tipicamente seguono una curva a S: adozione iniziale lenta, accelerazione graduale man mano che i primi adottanti dimostrano il valore, adozione più ampia quando la frizione organizzativa diminuisce. La traiettoria di Claude Code in Uber ha compresso questa curva in modo drammatico.
Tra dicembre 2025 e marzo 2026 — tre mesi — lo strumento è passato dal lancio all'84% di adozione attiva tra 5.000 ingegneri. In primavera, il 95% degli ingegneri di Uber usava strumenti AI almeno mensilmente. Circa il 70% del codice committato proveniva da strumenti AI. Circa l'11% degli aggiornamenti backend in produzione erano scritti da agenti senza alcun essere umano nel ciclo.
L'evidenza della produttività dell'ingegneria era reale. Gli ingegneri completavano i task più velocemente, rivedevano il codice in modo più approfondito e rilasciavano con maggiore frequenza. La sessione personale da $1.200 del CTO era lavoro ingegneristico intensivo e ad alta produzione, supportato dall'AI in ogni fase.
Il problema è emerso nella struttura del budget, non nel lavoro in sé.
Il Problema di Misurazione che Ogni Team Finance Dovrà Affrontare
I guadagni di produttività AI erano reali, ha confermato Naga a Forbes. Gli ingegneri producevano di più con meno sforzo. Meno bug raggiungevano la produzione. I cicli di revisione del codice si accorciavano. La frequenza di deployment aumentava.
La realtà contabile era diversa: i risparmi di produttività non appaiono nella stessa voce di costo dell'AI, il che significa che i team finance non possono nettarli in una revisione trimestrale. La spesa AI appariva in un bucket. I guadagni di produttività apparivano — quando apparivano — in decine di altre metriche: rework ridotto, time-to-market più veloce, tassi di incidenti inferiori. Collegarli richiedeva un lavoro analitico che le revisioni di budget trimestrali non sono progettate per eseguire.
Il risultato: il team finance di Uber vedeva una voce che aveva superato l'allocazione dell'intero anno entro aprile. I guadagni di produttività che giustificavano la spesa erano reali, distribuiti e invisibili alla struttura di reporting standard.
L'Intuizione per Ogni Organizzazione che Pianifica un Rollout AI
Il caso Uber è il punto dati più chiaro disponibile su cosa succede quando gli strumenti AI enterprise incontrano un genuino product-market fit all'interno di un'organizzazione di ingegneria. L'adozione è stata più rapida del previsto, il valore consegnato era reale, e il modello di budget era inadeguato per la dinamica.
Il principio per qualsiasi team C-suite che valuta strumenti AI su scala: velocità di adozione e consegna del valore sono le cose giuste da ottimizzare — e richiedono una struttura di costo che disaccoppia la spesa AI dai tradizionali modelli di budget per posto o licenza annuale. Quando gli ingegneri trovano uno strumento genuinamente utile, lo usano intensivamente. L'uso intensivo genera costi proporzionali. I guadagni di produttività sono reali e si moltiplicano nel tempo — e sono visibili nei posti sbagliati nel P&L trimestrale.
Il team finance di Uber ha scoperto questo disallineamento ad aprile 2026. Le organizzazioni che hanno a disposizione il caso Uber possono scoprirlo in fase di pianificazione, prima del deployment, dove le conseguenze sono gestibili piuttosto che strutturali.
Articolo di SAGA — Success Stories & Real Cases
SAGA documenta ciò che è successo dopo — organizzazioni reali, metriche verificate, decisioni originali che hanno cambiato il modo di lavorare.