Yuri Misnik, Chief Technology Officer, inDrive – Interview Series

Yuri Misnik je Chief Technology Officer ve společnosti inDrive, kde řídí globální technologickou strategii společnosti. S více než dvěma desetiletími mezinárodní zkušeností vytvořil Misnik a vedl programy s velkým dopadem na technologii v oblasti cloudu, finančních služeb a rozsáhlé digitální transformace.

Než se připojil k inDrive, zastával seniorní role v Microsoftu a AWS. Později působil jako Digital CIO v HSBC, CIO v National Australia Bank a Group CTO ve First Abu Dhabi Bank, kde modernizoval komplexní, vysoce regulované prostředí prostřednictvím cloudu, Agile, DevOps a produktově orientovaných inženýrských modelů.

Misnik začal svou kariéru v leteckém inženýrství, přispíval k návrhu letadla Boeing 787, než přešel do softwarového inženýrství a online obchodních systémů. Stejně tak je zběhlý v legacy platformách i moderních distribuovaných architekturách, je známý tím, že spojuje základní systémy s inovacemi na špici.

V inDrive se zaměřuje na budování systémů, týmů a platforem, které budou pohánět další fázi globálního růstu společnosti.

inDrive je globální platforma mobility a městských služeb, která spojuje uživatele s řidiči a poskytovateli služeb napříč službami typu ride-hailing, doručování a dalšími službami na vyžádání. Založena v roce 2013, společnost operuje v více než 48 zemích a více než 1 000 městech, s stovkami milionů stažení aplikací po celém světě. Jejím hlavním rozlišovacím znakem je model peer-to-peer cen, který umožňuje cestujícím a řidičům přímo vyjednávat o cenách, místo aby se spoléhali na algoritmické ceny, s cílem vytvořit transparentnější a spravedlivější transakce. Kromě dopravy expanduje inDrive do oblastí, jako je meziměstská doprava, kurýrní služby, fintech nabídky a dokonce i doručování potravin, čímž se позиcionuje jako širší „super app“ zaměřený na dostupné a spravedlivé městské služby.

Začali jste v matematickém modelování a konečné elementární analýze, než jste přešli přes Microsoft, AWS, HSBC a National Australia Bank, a nyní vedete transformaci AI v inDrive. Jak vám tato cesta utvořila způsob, jakým přemýšlíte o budování systémů AI, které jsou technicky ambiciózní, ale stále zakořeněné ve spravedlivosti, odolnosti a skutečných omezeních?

Začal jsem svou kariéru v aplikované matematice a konečné elementární analýze, což je fundamentálně o pochopení, kde váš model selhává, spíše než oslavovat, kde funguje. Tento způsob myšlení je přesně tím, jak jsem dnes přistupuji k systémům AI.

V Microsoftu a poté v AWS, kde jsem strávil více než deset let, jsem se naučil, co se stane, když stavíte platformy ve globálním měřítku. Předpokládáte, že systémy se zhorší, sítě selžou, komponenty se budou chovat neočekávaně. V inDrive, které operuje napříč více než 1 000 městy ve 48 zemích, se tento způsob myšlení ukázal jako absolutně zásadní.

HSBC a National Australia Bank (NAB) přinesly jiný úhel pohledu. V HSBC jsem budovat digitální maloobchodní kapacity napříč desítkami regulačních režimů. V NAB jsem řídil transformaci cloudu, přesouvaje kritické bankovní aplikace do AWS. V těchto prostředích má každá technologická rozhodnutí regulační, reputační a finanční důsledky. Model AI nebo ML, který nemůže vysvětlit svá rozhodnutí způsobem, který regulátor nebo zákazník může pochopit, není aktivum, ale pasivem.

Produkt by měl odrážet potřeby lidí, ne demonstrovat složitost vašeho stacku. Tento princip je tím, co udržuje technickou ambici zakořeněnou ve spravedlivosti a skutečných omezeních.

To znamená budování systémů AI, které informují a podporují, například doporučením spravedlivé ceny bez odebrání kontroly lidem na trhu.Prostřednictvím všech těchto zkušeností je jednoduché: technická ambice bez operační disciplíny je jen demonstrace. Moje kariéra byla postupem od „můžeme navrhnout nebo postavit tohle?“ k „měli bychom nasadit tohle a co se stane, když selže ve 3 hodiny ráno na trhu, kde jsou vysoké sázky?“ To je perspektiva, kterou přináším do inDrive.

Většina platforem používá AI pro stanovení cen. inDrive používá vyjednávání. Jak tedy strojové učení skutečně zapadá do vašeho modelu a kde napříč platformou dodává největší hodnotu bez kompromisování transparentnosti, která činí inDrive odlišným?

AI v inDrive není jen o cenách; je zabudován napříč celou firmou, pokrývající marketing a růst, personalizaci super app, zákaznickou podporu, geoprostorovou inteligenci, interní nástroje, prevenci podvodů a více. Více než 80 % naší pracovní síly používá různé nástroje AI od zákaznické podpory a marketingu po kódování a analýzu. AI dělá významnou práci v okolní infrastruktuře – v roce 2025 jsme dosáhli 14% zlepšení přesnosti ETA ve srovnání s rokem 2024 s pomocí našich hlubokých učících modelů. Když lidé ptají na AI a ceny, je důležité pochopit, že je to jen jeden rozměr mnohem širší schopnosti.

inDrive byla založena v Jakutsku, aby bojovala proti nespravedlivým, kartelovým cenám taxi. Naše jádrové konkurenční identita je tento model peer-to-peer vyjednávání — cestující navrhnou, řidiči přijmou, proti-navrhnou nebo odmítají. Tento otevřený tok nabídek je zásadní. Co dělá AI, je působit jako rozhodnutí podpory kolem toho, co lidé vyjednávají. Pokud se podíváte na tradiční modely cenového šoku – jsou to černé skříňky. Uživatel vidí násobitel a nemá žádnou možnost. V našem modelu vidí cestující navrhovanou cenu, řidič může přijmout nebo proti-navrhnout, a cestující rozhodne, zda přijmout nebo počkat na další nabídku. ML dělá tyto návrhy chytřejší a více kontextově relevantní na základě nabídky, poptávky, vzdálenosti, dopravy a času, ale mechanismus vyjednávání zachovává uživatelskou agenturu. Také používáme ML, aby pomohli řidičům pochopit, kdy a kde jsou vyšší výdělky.Používáme AI, aby snížili informační asymetrii mezi oběma stranami, ne aby ji využili.

Co vlastně znamená „AI-first super app“ v praxi v inDrive a které části platformy jsou nejvíce přirozeným fitem pro AI dnes: marketplace matching, bezpečnost, zákaznická podpora, finanční služby, nebo něco jiného?

Většina společností, které říkají „AI-first“, myslí si, že přidali chatbota. To není to, co děláme.

AI-first znamená, že AI sedí ve vrstvě operace platformy, ne ve vrstvě funkcí. Každé rozhodnutí o produktu – od marketplace matchingu po zákaznickou podporu až po hodnocení úvěru – začíná otázkou: jaké údaje máme, a jak by měla inteligence utvořit tuto zkušenost? Na rozdíl od tradičních super app, které vyrostly před érou AI, zabudováváme tyto schopnosti od základu, jak škálováme napříč osmi vertikálami: ride-hailing, meziměstské cesty, kurýrní služby, nákladní doprava, doručování potravin, městské služby a finanční produkty.

Z hlediska přirozeného fitu je marketplace matching a cenová inteligence jádrem – lepší matching znamená vyšší využití, což znamená lepší ekonomiku pro obě strany. Důvěra a bezpečnost jsou také kritickou oblastí: detekce anomálií v reálném čase, ověření řidiče a prevence podvodů.

Operujeme v 48 zemích a desítkách jazyků. AI-podporovaná podpora – nejen chatboty, ale inteligentní triáž, automatické řešení běžných problémů a vícejazyčná schopnost – je jak costo-množitelem, tak kvalitním multiplikátorem.

Finanční služby prostřednictvím inDrive.Money je oblast, kde AI pomohla vytvořit novou hodnotu pro zákazníky – v tomto případě naše řidiče. Používáme data jízd, vzorce výdělků a chování na platformě, abychom vytvořili alternativní modely úvěru pro řidiče, které tradiční banky nemohou replikovat pomocí standardních úvěrových dat. Je již živé v Mexiku, Kolumbii, Brazílii, Indonésii a Peru.

Používáme AI také pro přístupnost a inkluzi: zjednodušování rozhraní pro uživatele s nižší gramotností nebo postižením. Ve mnoha našich trzích je to požadavek pro dosažení adresovatelné populace.

Super app násobitel je, že každá další vertikála obohacuje datový graf. Cestující, který také používá doručování potravin a půjčky pro řidiče, nám dává 360stupňový behaviorální obraz. To dělá každou jednotlivou službu chytřejší – ale pouze pokud je správná datová základna a správa, což je tvrdá část.

inDrive je obzvláště silný v emergentních a frontier trzích, kde provozní podmínky mohou dramaticky kolísat. Jak navrhujete systémy AI, které fungují dobře napříč regiony s velmi odlišnou infrastrukturou, platebními zvyky, regulačními prostředími a uživatelskými očekáváními?

Obtíž spočívá ve vytvoření jednotného modelu, který funguje spolehlivě napříč 48 zeměmi a více než 1 000 městy v 8 odlišných regionech. Řešíme to s jednotnou, vysoce konfigurovatelnou platformou, kde většina práce, kterou děláme pro nové spuštění zemí, jsou změny konfigurace, ne nový kód. To zaměřuje naše inženýrské úsilí na místní požadavky: ověření řidiče, validaci dokumentů a integrace vládních databází.

Naše architektura používá více regionů AWS a multi-availability zónové prostředí, které eliminuje jediné body selhání. Naše DevOps platforma je vysoce automatizovaná, což pomáhá našim rostoucím inženýrským týmům v Pákistánu, Egyptě a Asii Pacifiku fungovat se stejnými standardy jako naše evropské týmy. Také budujeme inženýrskou kapacitu v Latinské Americe, kde máme významné obchodní operace, abychom lépe sloužili tomuto trhu s blízkou inženýrskou přítomností.

Vedli jste velké cloudové a digitální transformační úsilí v institucích, jako je HSBC a NAB. Jaké zkušenosti z vysoce regulovaných finančních prostředí se ukazují jako nejvíce cenné, když inDrive expanduje do služeb, jako je fintech, a buduje více AI-řízených rozhodovacích systémů?

Tři zkušenosti z HSBC a NAB se přenášejí téměř přímo.

První, auditovatelnost a kontroly kolem dat nejsou volitelné. V bankovnictví musí být každý kritický datový prvek, každé rozhodnutí, které ovlivňuje zákazníka, obklopeno odpovídajícími kontrolami, které chrání integritu a konzistenci. Všechno musí být stopovatelné a vysvětlitelné. A v digitálním světě musíte kombinovat rychlost s kontrolami, což znamená, že všechny regulační požadavky musí být automatizovány od začátku. Takže začínáte myslet na regulační požadavky a kontroly jako na softwarový produkt, odstraňující manuální práci a spoléhající se na automatizaci všude.

Druhé, data governance precedují data science. V NAB a HSBC jsem se naučil, že největší překážka pro AI není model – je to data. Kdo to vlastní? Je to čisté? Je to souhlasné? Je to řádně lineární? V inDrive, škálování z ride-hailingu do finančních služeb znamená, že naše data governance musí rychle zrát. Pokud postavíte AI před governance, nahromadí se technický a regulační dluh, který se stává exponenciálně těžším na splacení.

Třetí, operační odolnost matters více než modelová výkonnost. Bankovnictví mi naučilo, že model s 99,9% přesností, který selže katastroficky v 0,1% případě, je horší než model s 95% přesností s elegantním poklesem. V našem případě by falešný pozitiv na detekci podvodů, který by uzamkl řidiče z jejich výdělků, mohl zničit důvěru. Navrhujete pro případ selhání, ne pro šťastnou cestu.

Výhodou, kterou inDrive má oproti tradičním fintechům, je, že máme kontinuální behaviorální data o借cích. Víme, jak často jezdí, jejich akceptační sazby, jejich výdělkové vzorce, jejich signály spolehlivosti. To nabízí robustnější signály pro úvěrovou hodnověrnost než bodový FICO skóre nebo bankovní výpis. Ale tato výhoda se materializuje pouze tehdy, pokud postavíme governance a rámce spravedlivosti, abychom ji mohli použít zodpovědně, což je místo, kde je bankovní „svalová paměť“ neocenitelná.

Mnohé společnosti mluví o „lidských v smyčce“, ale tento výraz často zůstává vágní. V inDrive, kde byste měli ponechat lidskou úsudek nezpochybnitelný, i když agentic workflows a automatizace se stávají schopnějšími?

Mám jednoduchý princip: automatizujte opakované; držte lidi na nezvratném. Pokud je špatné rozhodnutí levně revertibilní, automatizujte. Pokud může zničit důvěru, živobytí nebo bezpečnost, lidský úsudek zůstává.

Cenová autorita je nejzřetelnějším příkladem a tím, co definuje inDrive. Člověk – jak cestující, tak řidič – vždy má poslední slovo o ceně. To je nezpochybnitelné, bez ohledu na to, jak sofistikované naše AI doporučení budou. Okamžik, kdy bychom to vzali pryč, bychom se stali jen další algoritmickou platformou, ztratíme to, co nás odlišuje. To je architektonické.

Bezpečnostní eskalace je další jasný případ. Automatizujeme první úroveň obsahu a podpory v měřítku. Školený na milionech textů, náš AI systém zpracovává přes dvě třetiny chatů o ride-hailing, aby rychle detekoval, označil a chránil zákazníky před nesprávným jazykem. Ale když je situace skutečně ambivalentní nebo má významné důsledky pro někoho život, člověk rozhodne. Automatizace by měla inteligentně filtrovat případy, zajišťující, že lidský úsudek je aplikován pouze tehdy, když je skutečně cenný. Náklad na falešný negativ je někoho bezpečnost. Nemůžete automatizovat to a udržet odpovědnost.

Naše širší princip je, že AI by měl podporovat lidský úsudek, jednat jako člen týmu, ne náhrada.

Trh entry a regulační adaptace vyžadují lidský úsudek, protože jsou inherentně kontextové. Žádný AI systém by neměl autonomně rozhodovat, jak operujeme v novém regulačním prostředí. A účetní rozhodnutí – trvalé zákazy, řešení sporů, odvolání – vyžadují lidský úsudek, protože kontext je vždy bohatší, než co data zachytí.

Chyba, kterou mnohé společnosti dělají, je, že považují „lidské v smyčce“ za fázi, kterou nakonec automatizují. Pro kategorie, které jsem popsal, je to špatné rámování. Jsou to případy, kde lidský úsudek je strukturálně vhodný a zůstane jím.

Jedna z nejtěžších částí škálování AI není modelová výkonnost, ale operační disciplína: kvalita dat, governance, monitoring a kontrola nákladů. Jaký byl největší překážkou v proměně AI z izolovaných případů použití na operační vrstvu napříč podnikem?

Každý dává zdvořilou odpověď: kvalita dat. To je pravda, ale nedostatečné. Skutečnou překážkou je organizační. Nejobtížnější věc není žádný jednotlivý technický problém, ale přechod z kultury individuálních AI experimentů na kulturu systematických AI operací. Tato změna vyžaduje změnu, jak týmy myslí o vlastnictví, odpovědnosti a měření.

Když zacházíte s AI jako souborem izolovaných iniciativ, každá skupina buduje svou vlastní pipeline, své vlastní vzorce přístupu k datům, své vlastní pochopení toho, co „kvalita“ znamená pro jejich model. Ale když chcete, aby AI byla horizontální operační vrstva dotýkající se cen, bezpečnosti, podpory, geo, personalizace současně, potřebujete sdílené základy.

To zahrnuje jednotnou sémantickou vrstvu s konzistentními definicemi metrik, sdílený rámec kvality dat, infrastrukturu pro správu modelů s vestavěnými postupy MLOps a společné bezpečnostní zásady.

Často podceňovaná nákladová dimenze je také vitální. Poskytujeme týmům přehled o skutečných nákladech (na jízdu, na transakci, úložiště), aby pomohli zlepšit odpovědnost, což pohání lepší inženýrské rozhodnutí. Například optimalizace úložiště nám umožnila snížit náklady na geo-data, což významně snížilo náklady na infrastrukturu na transakci. Úroveň zlepšení, které jsme viděli, je možná pouze tehdy, když je vlastnictví nákladů decentralizováno a zabudováno do týmů, ne spravováno centrálně jako dopočet.

Další významnou výzvou je použití AI pro interní operace. Automatizace chaosu pouze vede k chaosu. Proto aktivně pracujeme s interními týmy, aby formalizovaly svou práci, popsaly své procesy jasně a vyčistily zastaralou dokumentaci. Ačkoli to není nic nového, tyto základní kroky jsou zásadní pro úspěšné přijetí a využití AI v rámci organizace.

Platformy pro ride-hailing zpracovávají obrovské množství reálných behaviorálních dat. Jak vyvažujete příležitost použít tato data pro lepší personalizaci a předpověď s potřebou zachovat důvěru, soukromí a spravedlivost pro obě strany – řidiče i cestující?

Výhodou dat v ride-hailing je skutečná. Kombinovaná s daty o doručování a fintech, stává se to mimořádně bohatým behaviorálním datovým souborem. Pokušení tyto údaje příliš využít je přesně to, čeho se snažíme vyvarovat.

Používáme rigorózní omezení účelu. Používáme data shromážděná pro zlepšení jízd. Není repurponováno pro cílení reklamy nebo prodáváno třetím stranám. Naši uživatelé si vybrali inDrive částečně proto, že nám více důvěřují než tradičním subjektům. Tato důvěra, jednou porušená, se neobnoví.

Na straně řidiče zacházíme s daty jako s ekonomickým partnerstvím. Řidiči nejsou zdroje dat. Měli by pochopit, co shromažďujeme, jak to používáme a – kriticky – z toho profitovat. inDrive.Money je přímým příkladem: stejná behaviorální data, která pomáhají nám provozovat marketplace, také umožňují finančním službám, které řidiči potřebují a nemohou získat od tradičních bank. Tato hodnota výměny musí být oboustranná, transparentní a spravedlivá.

Pro předpověď poptávky preferujeme agregované vzorce nad individuálním sledováním, pokud je to možné. Není třeba vědět, kam jede konkrétní osoba každý den; je třeba vědět, že poptávka v dané zóně se zvyšuje o 30 % v pátek večer.

Operujeme v zemích s velmi odlišnými rámcemi ochrany soukromí – od brazilského LGPD po trhy s minimálními zákony na ochranu dat. Naše přístup je, že se držíme vyššího standardu, bez ohledu na to, co místní zákon povoluje.

Model super app byl velmi úspěšný v částech Asie, ale je těžší ho replikovat napříč fragmentovanými globálními trhy. Co musí být pravdivé, z technologického a AI hlediska, aby super app fungoval napříč desítkami zemí, spíše než jen v jedné těsně integrované ekosystémy?

Model super app, který se stal populárním v Asii, fungoval v rámci relativně homogenních regulačních a infrastrukturních prostředí, s hlubokou integrací napříč platbami, sociálními a komerčními službami, které měly málo silných nezávislých alternativ. Replikace toho globálně vyžaduje fundamentálně odlišný přístup, a myslíme si, že náš model je lépe přizpůsoben fragmentovaným trhům.

Základ musí být globální implicitně, lokální podle designu. Exponujeme sdílené platformové služby – identitu, peněženku, oznámení, analýzu, mapy, podporu – jako stabilní kolejnice, do kterých partneři mohou rychle zapojit. Každá služba je nezávisle nasaditelná a lokálně konfigurovatelná, takže nové trhy mohou být spuštěny prostřednictvím konfigurace, ne nového kódu. Nemůžete odeslat monolitický produkt a očekávat, že bude rezonovat všude.

Tento modulární přístup umožňuje každé službě – jízdám, doručování, potravinám, fintechu – přizpůsobit se potřebám každého trhu, zatímco operuje na sdílené platformě. Také jednotná identita a datová vrstva jsou zásadní. Celá hodnota super app spočívá v tom, že použití jedné služby zlepšuje ostatní. To vyžaduje jeden uživatelský datový graf napříč vertikálami. Budování toho bez vytvoření problému s ochranou soukromí je nejobtížnější technickou výzvou celého úsilí.

Druhá věc je, že relevance engine musí fungovat na úrovni jednotlivce, ne trhu. Co nazýváme „segmentem jednoho“ – používání dat, analýz a ML k pochopení, co je důležité pro konkrétního zákazníka v konkrétním kontextu – je to, co dělá super app užitečným, spíše než zahuštěným.

Třetí, potřebujete lokální partnerství nad build-everything přístupem. Investovali jsme do Krave Mart v Pákistánu pro doručování potravin, spojili se s Fingular a Ammana v Indonésii pro finanční služby. Technologická platforma je globální; služba dodání je lokální. AI pomáhá tím, že dělá tyto integrace bezproblémovými pro koncového uživatele.

Čtvrtá, potřebujete frekvenční kotvu. To je důvod, proč je doručování potravin tak důležité pro naši strategii. Ride-hailing může být týdenní. Doručování potravin je denní nebo téměř denní.

Pátá, operační model musí být schopen absorbovat variabilitu trhu od trhu bez ztráty soudržnosti. Naše Zero-Code platforma, která pohání přes 400 produkčních obrazovek navštívených více než 300 milionykrát, umožňuje nám spustit nové obrazovky, spustit experimenty a přizpůsobit se místním požadavkům bez úplného opětovného nasazení aplikací. Tato flexibilita, kombinovaná s decentralizovanou multi-regionální infrastrukturou, je tím, co umožňuje platformě fungovat soudržně napříč trhy, bez toho, aby se vynutila uniformitu nebo akceptovala fragmentaci.

Pohledem do budoucna tři až pět let, kde si myslíte, že AI vytvoří největší konkurenční separaci v mobility platformách: předpověď poptávky, důvěra a bezpečnost, autonomní operace, automatizace podpory, ekonomika řidičů, nebo zcela nové služby, které dosud neexistují?

AI se dotkne všech těchto, ale stupeň separace se bude lišit.

V rámci tří let bude mít každá vážná mobility platforma pravděpodobně kompetentní předpověď poptávky. Bezpečnostní a důvěrné funkce budou stolkem. Podpora se bude rychle automatizovat, jakmile zralé LLM. Autonomní operace budou mít význam eventually, ale plná autonomie globálně (mimo dobře rozvinuté trhy, jako je USA) je nepravděpodobná, že by měla materiální dopad na frontier trhy v průběhu příštího desetiletí.

Velká oblast diferenciace napříč průmyslem je pravděpodobně označena zcela novými službami, které dosud neexistují. Kombinace reálných časových dat o poloze, behaviorálních datech, platebních datech a místních tržních informacích vytváří základ pro služby, které jsme dosud nepojmenovali, v oblastech, jako je hyperlokální obchod, zdravotnictví nebo prediktivní logistika. Platforma s nejbohatším datovým základem a organizační agilitou pro rychlé testování a škálování nových vertikálů bude mít komponující se výhodu.

Agentic AI je oblast, kde se otevře nejdelší separace. Jakmile agentic workflows zrají, budou zpracovávat onboarding, monitorování podvodů, finanční operace a personalizované koučování, platformy s pravými datovými základy mohou umožnit rychlejší experimentování a škálování.

AI samo o sobě nevytváří konkurenční výhodu. Vytváří výhodu, když je kombinován s unikátními daty, unikátní tržní pozicí a operační disciplínou pro realizaci. Pozice inDrive – druhá nejsilnější ride-hailing aplikace na světě, s dominantními pozicemi na frontier trzích, více než 400 miliony stažení a značkou postavenou na spravedlivosti – je základem. AI je zesilovač. Bez základu nemá zesilovač nic, co by zesiloval.

Děkuji za skvělý rozhovor, čtenáři, kteří chtějí se dozvědět více, by měli navštívit inDrive.