Uber führt ChatGPT Work unternehmensweit ein
Uber rollt ChatGPT Work für mehr als 30.000 Mitarbeiter weltweit aus. Die Ankündigung erfolgte am 22. Oktober 2026. Zuvor hatte der Konzern die agentische Plattform mit 1.000 Beschäftigten erprobt.
ChatGPT Work ist in ChatGPT Enterprise integriert und soll komplexe Wissensarbeit über mehrere Arbeitsschritte hinweg erledigen. Dazu zählen Recherchen, Besprechungsvorbereitungen, Präsentationen, Datenanalysen und Arbeitsabläufe über mehrere Anwendungen hinweg.
| Kennzahl | Angabe |
|---|---|
| Zielgruppe des Rollouts | Mehr als 30.000 Mitarbeiter |
| Umfang der Pilotphase | 1.000 Mitarbeiter |
| Ankündigung | 22. Oktober 2026 |
| Standardmodell | GPT-6.1 Sol |
Zugriff auf E-Mails, Dateien und Kalender
Der KI-Agent wird mit Google Drive, Gmail, Google Calendar und Slack verbunden. Damit erhält die Plattform Zugriff auf zentrale Kommunikationskanäle und Unternehmensdaten. Welche Berechtigungen im Einzelnen gelten und wie Daten gespeichert oder verarbeitet werden, wurde nicht erläutert.
Als Standardmodell kommt GPT-6.1 Sol zum Einsatz. Es soll hohe Leistungsfähigkeit mit Kosteneffizienz verbinden. Hinzu kommen multimodale Funktionen für Sprache und Bildgenerierung.
Die Softwareentwickler von Uber verwenden weiterhin separat Codex für Code-Erstellung und Entwicklungsabläufe. Der allgemeine Rollout richtet sich dagegen an Bereiche wie Operations, Finanzen, Marketing und Produkt.
Schulungen und freigegebene Integrationen
Uber begleitet die Einführung mit Mitarbeiterschulungen, einer internen Bibliothek für KI-Kompetenzen und zentral freigegebenen Integrationen. Das ist bei einem Rollout dieser Größenordnung entscheidend, weil ein Agent nicht nur Texte erzeugt, sondern Aktionen und Datenflüsse über mehrere Systeme hinweg verbindet.
Uber wolle allen Beschäftigten Werkzeuge geben, um Probleme zu lösen, Innovationen voranzutreiben und die Zukunft des Unternehmens mitzugestalten, erklärte CTO Praveen Neppalli Naga sinngemäß.
OpenAI-Präsident Greg Brockman bezeichnete den Zugang zu Modellen und Agenten für Zehntausende Mitarbeiter sinngemäß als wichtigen Schritt, um komplexere Aufgaben über bestehende Arbeitswerkzeuge hinweg zu bearbeiten.
Produktivitätsgewinn bleibt bislang unbelegt
Uber und OpenAI wollen später Kennzahlen zur Akzeptanz, zu Anwendungsfällen und zu messbaren Ergebnissen veröffentlichen. Für die Pilotphase mit 1.000 Beschäftigten wurden bislang keine konkreten Produktivitätswerte genannt. Auch Preise und Vertragskonditionen des Enterprise-Einsatzes bleiben offen.
Damit lässt sich der wirtschaftliche Nutzen derzeit nicht belastbar bewerten. Gerade bei agentischen Plattformen müssen Lizenzkosten, verbrauchsabhängige Modellkosten, Einführungsaufwand und interne Kontrollen gemeinsam betrachtet werden. Dass solche Kosten stark von der technischen Umsetzung abhängen, zeigt auch die Senkung der Browser-Agent-Kosten bei Asana.
Tiefe Integration erhöht den Vendor-Lock-in
Der Rollout zeigt, wie stark große Unternehmen ihre Wissensarbeit an proprietäre KI-Plattformen anbinden. Sobald E-Mail, Kalender, Dateien und interne Kommunikation in einer zentralen Agentenplattform zusammenlaufen, steigen die technischen und organisatorischen Wechselkosten.
Für DACH-Unternehmen ist vor allem die datenschutzrechtliche Prüfung relevant. Bei der Verarbeitung von E-Mails, Dokumenten und Kalenderdaten müssen DSGVO-Vorgaben, Zugriffsrechte, Aufbewahrungsregeln und mögliche Betriebsvereinbarungen berücksichtigt werden. Die Ankündigung enthält keine Details dazu, wie diese Fragen bei Uber gelöst werden.
Zusätzlich entsteht ein Sicherheitsrisiko durch weitreichende Berechtigungen. Welche Folgen unzureichend kontrollierte Agentenzugriffe haben können, verdeutlicht die Warnung vor KI-Agenten als Insider-Risiko. Identitäten, Protokollierung und abgestufte Freigaben werden damit zu einem Teil der Plattformarchitektur und nicht nur zu einer administrativen Nebenfrage.
Eine solche zentrale SaaS-Lösung kann die Einführung beschleunigen, bindet jedoch Prozesse und Daten eng an einen US-Anbieter. Open-Source-Agenten, lokale Modelle oder On-Premises-Architekturen verursachen mehr Eigenaufwand, bieten aber mehr Kontrolle über Datenflüsse, Modellwahl und laufende Kosten. Wie leistungsfähig offene Modelle inzwischen sein können, zeigt die Einschätzung, dass Open-Weight-KI bis zu 90 % der Leistung proprietärer Systeme erreicht.