Uber usa OpenAI para maximizar ganancias y reservar más rápido

Todos los días, millones de personas confían en Uber para reservar viajes, pedir comida, enviar paquetes y generar ganancias con flexibilidad. Detrás de cada solicitud hay un servicio complejo que opera en tiempo real, determinado por el tráfico, el clima, las llegadas a aeropuertos, los eventos locales y la demanda. Uber opera a una escala enorme: 40 millones de viajes al día, 10 millones de conductores y repartidores en 15 000 ciudades de más de 70 países. Cada una tiene su propia dinámica operativa, regulaciones y comportamiento de los pasajeros, lo que crea un sistema que debe adaptarse continuamente a escala global.

Uber usó durante mucho tiempo el aprendizaje automático para respaldar su servicio. Y ahora, gracias a los modelos de lenguaje de gran escala y los modelos de vanguardia de OpenAI, Uber puede interpretar señales complejas con mayor rapidez, ofrecer respuestas ágiles y conversacionales e impulsar experiencias de voz dentro de la aplicación.

La colaboración entre Uber y OpenAI ayuda a Uber a crear productos impulsados por la IA que simplifican las oportunidades de ganancias para conductores y repartidores y reducen la fricción para los pasajeros. Además, con los modelos de OpenAI, Uber puede implementar productos y experiencias ágiles más rápido que nunca.

Para los conductores, la flexibilidad es una de las mayores ventajas de Uber. Algunos conducen tiempo completo, otros solo los fines de semana y otros entre clases o turnos. Esta flexibilidad también implica que los conductores evalúen constantemente opciones y se hagan preguntas: ¿Dónde debería posicionarme en este momento? ¿Vale la pena ir al aeropuerto? ¿Debería pasar de los viajes a las entregas durante el horario del almuerzo? ¿Por qué mis ganancias fueron diferentes hoy?

Para ayudar a responder esas preguntas, Uber desarrolló Uber Assistant, un asistente impulsado por IA diseñado para ayudar a los conductores durante toda su experiencia en la plataforma, desde la incorporación y los primeros viajes hasta la optimización diaria de sus ganancias.

“Queremos permitirles a los conductores a tomar mejores decisiones al darles un vistazo resumido del servicio y la información en tiempo real”, dice Dharmin Parikh, director de Gestión de Producto en Uber.

El Assistant ayuda a los conductores a saber dónde y cuándo aumentar ganancias al convertir datos complejos, como tendencias de ganancias y zonas de alta demanda, en información simple y accionable sobre posicionamiento. Luego, pueden hacer preguntas de seguimiento usando lenguaje simple, recibir respuestas personalizadas y navegar la aplicación con facilidad.

El objetivo de Uber es reducir la carga cognitiva: el esfuerzo necesario para interpretar datos complejos del servicio mientras se intenta generar ganancias.

Esto es especialmente valioso para los conductores nuevos. Uber descubrió que usar la IA para resumir y comunicar fácilmente los datos del mundo real de Uber puede acelerar la incorporación, ya que ayuda a los conductores a aprender flujos de trabajo y dinámicas del servicio mucho más rápido que solo mediante prueba y error.

Aunque al principio se esperaba que Uber Assistant ayudara más a los conductores nuevos, los conductores experimentados también volvieron repetidamente para hacer preguntas de seguimiento y optimizar su tiempo en la plataforma, validando el producto como una utilidad a largo plazo y no solo como una herramienta de incorporación.

“El Assistant ayuda a los conductores a incorporarse rápidamente, en comparación con hacer cientos de viajes para entender cómo funciona la plataforma”, dice Parikh.

Para Uber, la precisión, la seguridad, la confiabilidad y la velocidad son prioridades absolutas al implementar cualquier sistema de IA cuyas respuestas interactúen con conductores y repartidores. Entre las consideraciones críticas están que las respuestas se mantengan dentro de las políticas y que la latencia cumpla con los estándares que los usuarios esperan de una aplicación móvil en tiempo real.

Por eso Uber diseñó Uber Assistant en torno a tres principios centrales: seguridad, confianza y baja latencia.

Los equipos de ingeniería de Uber construyeron una arquitectura multiagente que dirige cada solicitud del usuario al sistema especializado más adecuado. Por ejemplo, las preguntas sobre ganancias pueden manejarse de forma distinta a las preguntas de incorporación, y la orientación del servicio requiere un razonamiento diferente al de las acciones transaccionales.

Esta arquitectura permite a Uber dirigir cada tarea al modelo que mejor se adapta a sus necesidades operativas específicas, asegurando que cada consulta se atienda con el enfoque adecuado en lo que más importa.

Para clasificación ligera y respuestas rápidas, Uber usa modelos nano o mini más veloces. Para tareas más complejas, Uber aprovecha modelos de razonamiento más grandes.

Uber también desarrolló AI Guard, una capa interna de gobernanza que ayuda a revisar prompts y respuestas para promover la seguridad, la privacidad y la protección, hacer cumplir políticas, reducir alucinaciones y mantener la consistencia entre experiencias.

Cuando los conductores reciben recomendaciones precisas y útiles, regresan. Hacen más preguntas. Interactúan repetidamente. Además, pasan más tiempo productivo en la plataforma.

“Si los usuarios no confían en el sistema, los pierdes rápidamente”, dice Parikh. “Pero cuando ven valor, regresan”.

Uber también está aplicando las API Realtime de OpenAI a uno de los siguientes grandes cambios de interfaz en la tecnología: la voz.

Escribir en una aplicación puede ser eficiente para solicitudes simples, pero muchas necesidades de transporte y comercio son más complejas.

Un viajero podría querer decir: “Tengo cinco maletas y otras cinco personas conmigo. Necesito un viaje cómodo al aeropuerto. ¿Qué me recomiendas?”. Un adulto mayor o una persona con discapacidad visual puede preferir hablar en lugar de tocar menús.

Las nuevas experiencias de voz de Uber están diseñadas para que esos momentos no tengan fricciones. Los usuarios pueden tocar el ícono del micrófono en la barra de búsqueda “¿A dónde vas?” en la aplicación de Uber y pedir un viaje usando lenguaje simple. El sistema usa la API Realtime y otros modelos de vanguardia para interpretar la intención, aprovecha ubicaciones guardadas y el contexto del cliente, y hace recomendaciones mientras sincroniza respuestas habladas y visuales dentro de la aplicación.

Eso podría significar sugerir UberXL para viajes con mucho equipaje o reconocer destinos guardados como “casa”.

“La voz elimina la barrera de completar una tarea a la vez”, dice Parikh. “Puedes expresar toda tu intención de forma natural, y el sistema puede orquestar el resultado”.

La voz también amplía la accesibilidad y habilita nuevos flujos de trabajo en el ecosistema de Uber. Del lado de los conductores, les permite interactuar con la aplicación con las manos libres. Del lado de los pasajeros, puede reducir la fricción para clientes que quieren interacciones más rápidas y simples.

“La voz elimina la barrera de múltiples toques porque puedes decir varias cosas”, dice Vidyasagar. “Desbloquea esa capacidad de conectar las distintas partes del ecosistema”.

A medida que las capacidades de los LLM evolucionan rápidamente, Uber también ha cambiado la forma en que los equipos crean.

Los ingenieros de toda la organización trabajan con prompting, sistemas de recuperación, canales de evaluación y marcos de orquestación. Los equipos del área de producto, legales, operaciones y diseño colaboran más estrechamente para definir límites de políticas, probar resultados y mejorar las experiencias de usuario.

En lugar de que un pequeño equipo centralizado de IA sea dueño de la innovación, la inteligencia ahora puede integrarse en toda la empresa.

“Ya no es un grupo especializado el que hace todo esto”, dice Vidyasagar. “Muchos equipos pueden contribuir porque las barreras para crear bajaron”.

Ese cambio acelera la experimentación y crea nuevas ideas en todo el ecosistema de Uber.

“Cada trayecto, cada viaje es una secuencia de eventos, y entender y procesar esos matices es lo que los LLM nos permiten hacer”, dice Vidyasagar. “Eso nos da mucha información sobre hacia dónde debemos ir a continuación, y ese desbloqueo, a la escala que tenemos, es increíblemente poderoso”.

Uber Assistant actualmente se amplió en toda la red de conductores de EE. UU. en un despliegue experimental, mientras Uber sigue probando y refinando la experiencia:

• Cientos de miles de conductores en EE. UU. ahora tienen acceso a las experiencias beta de Uber Assistant.
• Mejora del soporte para conductores en etapas iniciales, lo que ayuda a los nuevos conductores a posicionarse mejor para tener más viajes.
• Fuerte participación recurrente, con usuarios que regresan después de interacciones exitosas.
• Mejor uso del tiempo en la plataforma mediante información más inteligente del servicio.
• Ciclos de iteración de producto más rápidos mediante especialización de modelos y sistemas de evaluación continua.

Desde ayudar a un conductor nuevo a conseguir su primer viaje hasta orientar a un conductor experimentado que busca mejores oportunidades de ganancias, Uber está usando modelos de OpenAI para hacer que el trabajo sea más productivo, el transporte más fluido y la logística cotidiana más humana.

“Como ingeniera, OpenAI simplemente desbloquea la capacidad de resolver esos problemas de maneras diferentes y únicas”, dice Vidyasagar.