Uber nutzt OpenAI für smarteres Verdienen und Buchen

Jeden Tag verlassen sich Millionen Menschen auf Uber, um Fahrten zu buchen, Essen zu bestellen, Pakete zu versenden und flexibel Geld zu verdienen. Hinter jedem Tippen steckt ein komplexer Echtzeit-Marktplatz, der von Verkehr, Wetter, Flughafenankünften, lokalen Veranstaltungen und Nachfrage geprägt wird. Uber arbeitet in enormem Maßstab: 40 Millionen Fahrten pro Tag, 10 Millionen Fahrer:innen und Kurier:innen in 15.000 Städten in über 70 Ländern. Jede Stadt hat ihre eigene Betriebsdynamik, Regulierung und ihr eigenes Fahrgastverhalten. Dadurch entsteht ein System, das sich in globalem Maßstab kontinuierlich anpassen muss.

Uber nutzt schon lange maschinelles Lernen zur Unterstützung seines Marktplatzes. Und jetzt kann Uber dank großer Sprachmodelle und der Frontier-Modelle von OpenAI komplexe Signale schneller per Reasoning erfassen, schnelle dialogorientierte Antworten liefern und Sprachfunktionen in der App ermöglichen.

Die Zusammenarbeit zwischen Uber und OpenAI hilft Uber dabei, KI-gestützte Produkte zu entwickeln, die Verdienstmöglichkeiten für Fahrer:innen und Kurier:innen vereinfachen und Reibung für Fahrgäste verringern. Mit den Modellen von OpenAI kann Uber zudem optimierte Produkte und Erlebnisse schneller denn je bereitstellen.

Für Fahrer:innen ist Flexibilität eine der größten Stärken von Uber. Manche fahren in Vollzeit, andere nur am Wochenende, wieder andere zwischen Vorlesungen oder Schichten. Diese Flexibilität bedeutet auch, dass Fahrer:innen ständig Optionen abwägen und Fragen stellen: Wo sollte ich mich gerade positionieren? Lohnt es sich, zum Flughafen zu fahren? Sollte ich mittags von Fahrten zu Lieferungen wechseln? Warum sah mein Verdienst heute anders aus?

Um diese Fragen zu beantworten, entwickelte Uber den Uber Assistant, einen KI-gestützten Assistenten, der Fahrer:innen während ihres gesamten Lebenszyklus auf der Plattform unterstützt – vom Onboarding und den ersten Fahrten bis hin zur täglichen Optimierung ihrer Verdienste.

„Wir möchten Fahrer:innen in die Lage versetzen, bessere Entscheidungen für sich selbst zu treffen, indem wir ihnen eine zusammengefasste Sicht auf den Marktplatz und Echtzeit-Einblicke bieten“, sagt Dharmin Parikh, Director of Product Management bei Uber.

Der Assistant unterstützt Fahrer:innen dabei, wo und wann sie Geld verdienen können, indem er komplexe Daten wie Verdiensttrends und Heatmaps in einfache, umsetzbare Positionierungsempfehlungen übersetzt. Danach können sie in Alltagssprache Folgefragen stellen, individuelle Antworten erhalten und sich leicht in der App zurechtfinden.

Ubers Ziel ist es, die kognitive Belastung zu verringern – also den Aufwand, der nötig ist, um komplexe Marktplatzdaten zu interpretieren, während man versucht, Geld zu verdienen.

Das hat sich besonders für neue Fahrer:innen als wertvoll erwiesen. Uber stellte fest, dass der Einsatz von KI zur Zusammenfassung und leicht verständlichen Vermittlung der realen Daten von Uber das schnellere Einarbeiten fördern kann, indem Fahrer:innen Arbeitsabläufe und Marktplatzdynamiken deutlich schneller lernen als allein durch Versuch und Irrtum.

Obwohl zunächst erwartet wurde, dass Uber Assistant vor allem neueren Fahrer:innen hilft, kehrten auch erfahrene Fahrer:innen wiederholt zurück, um Folgefragen zu stellen und ihre Zeit auf der Plattform zu optimieren. Das bestätigte das Produkt als langfristig nützliches Werkzeug und nicht nur als Onboarding-Tool.

„Der Assistant hilft Fahrer:innen, schneller durchzustarten, statt mehrere Hundert Fahrten zu brauchen, um zu verstehen, wie die Plattform funktioniert“, sagt Parikh.

Für Uber haben Genauigkeit, Sicherheit, Vertrauenswürdigkeit und Geschwindigkeit oberste Priorität, wenn ein KI-System implementiert wird, dessen Ausgaben mit Fahrer:innen und Kurier:innen interagieren. Zu den zentralen Anforderungen gehört, dass Antworten innerhalb der Richtlinien bleiben und die Latenz dem Standard entspricht, den Nutzende von einer mobilen Echtzeit-App erwarten.

Deshalb hat Uber den Uber Assistant an drei Kernprinzipien ausgerichtet: Sicherheit, Vertrauen und geringe Latenz.

Die Engineering-Teams von Uber entwickelten eine Multi-Agent-Architektur, die jede Anfrage von Nutzer:innen an das jeweils geeignetste spezialisierte System weiterleitet. Fragen zu Verdiensten können zum Beispiel anders behandelt werden als Onboarding-Fragen, und Marktplatzhinweise erfordern anderes Reasoning als transaktionale Aktionen.

Diese Architektur ermöglicht es Uber, jede Aufgabe an das Modell weiterzuleiten, das am besten zu den jeweiligen betrieblichen Anforderungen passt. So wird sichergestellt, dass jede Anfrage mit dem angemessenen Fokus auf das bearbeitet wird, was am wichtigsten ist.

Für leichtgewichtige Klassifizierung und schnelle Antworten nutzt Uber schnellere Nano-/Mini-Modelle. Für komplexere Aufgaben setzt Uber größere Reasoning-Modelle ein.

Uber entwickelte außerdem AI Guard, eine interne Governance-Ebene, die dabei hilft, Prompts und Antworten zu prüfen, um Sicherheit und Datenschutz zu fördern, Richtlinien durchzusetzen, Halluzinationen zu reduzieren und Konsistenz über verschiedene Erlebnisse hinweg zu wahren.

Wenn Fahrer:innen präzise, nützliche Empfehlungen erhalten, kommen sie zurück. Sie stellen mehr Fragen. Sie interagieren wiederholt. Und sie verbringen mehr produktive Zeit auf der Plattform.

„Wenn Nutzer:innen dem System nicht vertrauen, verliert man sie schnell“, sagt Parikh. „Wenn sie aber einen Mehrwert erkennen, kommen sie zurück.“

Uber setzt die Realtime APIs von OpenAI auch für einen der nächsten großen Interface-Wechsel in der Technologie ein: Sprache.

Das Tippen in eine App kann für einfache Anfragen effizient sein. Aber viele Anforderungen in Transport und Handel sind komplexer.

Eine reisende Person könnte sagen: „Ich habe fünf Gepäckstücke und noch fünf weitere Personen dabei. Ich brauche eine komfortable Fahrt zum Flughafen. Was empfiehlst du?“ Eine ältere Person oder ein:e sehbehinderte:r Fahrgast spricht vielleicht lieber, als sich durch Menüs zu tippen.

Die neuen Spracherlebnisse von Uber sind darauf ausgelegt, solche Momente reibungslos zu machen. Nutzende können in der Uber-App auf das Mikrofonsymbol in der Suchleiste „Wohin?“ tippen und mit natürlicher Sprache eine Fahrt anfordern. Das System nutzt die Realtime API und andere Frontier-Modelle, um die Absicht zu interpretieren, greift auf gespeicherte Orte und Kund:innenkontext zurück und gibt Empfehlungen – während gesprochene und visuelle Antworten in der App synchronisiert werden.

Das kann etwa bedeuten, UberXL für Fahrten mit viel Gepäck vorzuschlagen oder gespeicherte Ziele wie „Zuhause“ zu erkennen.

„Sprache beseitigt die Hürde, nur eine Aufgabe nach der anderen erledigen zu können“, sagt Parikh. „Man kann seine volle Absicht natürlich ausdrücken, und das System kann das Ergebnis orchestrieren.“

Sprache erweitert außerdem die Barrierefreiheit und ermöglicht neue Arbeitsabläufe im gesamten Uber-Ökosystem. Für Fahrer:innen bedeutet das eine freihändige Interaktion mit der App. Für Fahrgäste kann es die Reibung verringern, wenn sie schnellere, einfachere Interaktionen möchten.

„Sprache beseitigt die Hürde des mehrfachen Tippens, weil man mehrere Dinge sagen kann“, sagt Vidyasagar. „Das eröffnet die Möglichkeit, die verschiedenen Teile des Ökosystems miteinander zu verbinden.“

Da sich die Fähigkeiten von LLMs rasant weiterentwickeln, hat Uber auch die Art verändert, wie Teams entwickeln.

Ingenieur:innen im gesamten Unternehmen arbeiten mit Prompting, Retrieval-Systemen, Evaluierungs-Pipelines und Orchestrierungs-Frameworks. Teams aus Produkt, Recht, Betrieb und Design arbeiten enger zusammen, um Richtliniengrenzen festzulegen, Ausgaben zu testen und Nutzererlebnisse zu verbessern.

Statt dass ein kleines, zentrales KI-Team Innovationen verantwortet, kann Intelligenz nun im gesamten Unternehmen verankert werden.

„Es ist nicht mehr nur eine spezialisierte Gruppe, die all das macht“, sagt Vidyasagar. „Viele Teams können beitragen, weil die Hürden beim Entwickeln gesunken sind.“

Dieser Wandel beschleunigt Experimente und schafft neue Ideen im gesamten Uber-Ökosystem.

„Jede Fahrt, jede Tour ist eine Abfolge von Ereignissen, und dieses differenzierte Verständnis und die Verarbeitung dessen sind das, was uns das LLM erschließt“, sagt Vidyasagar. „Das gibt uns viele Informationen darüber, wohin wir als Nächstes gehen sollten, und dieser Gewinn – in unserem Maßstab – ist außergewöhnlich stark.“

Uber Assistant wurde inzwischen in einem experimentellen Rollout im gesamten Fahrer:innennetzwerk der USA ausgeweitet, während Uber das Erlebnis weiter testet und verfeinert:

• Hunderttausende Fahrer:innen in den USA haben jetzt Zugang zu den Beta-Erlebnissen von Uber Assistant
• Verbesserte Unterstützung für Fahrer:innen am Anfang ihres Lebenszyklus, damit neue Fahrer:innen sich besser für mehr Fahrten positionieren können
• Starke wiederholte Interaktion, wobei Nutzende nach erfolgreichen Interaktionen zurückkehren
• Bessere Zeitausnutzung auf der Plattform durch intelligentere Marktplatz-Einblicke
• Schnellere Produktiterationszyklen durch Modellspezialisierung und kontinuierliche Evaluierungssysteme

Von der Unterstützung neuer Fahrer:innen bei ihrer ersten Fahrt bis zur Begleitung erfahrener Fahrer:innen auf der Suche nach besseren Verdienstmöglichkeiten nutzt Uber Modelle von OpenAI, um Arbeit produktiver, Mobilität nahtloser und Alltagslogistik menschlicher zu machen.

„Als Ingenieurin erschließt OpenAI einfach die Möglichkeit, diese Probleme auf andere und einzigartige Weise zu lösen“, sagt Vidyasagar.