Yuri Misnik, Chief Technology Officer, inDrive – Interview-serie

Yuri Misnik er Chief Technology Officer i inDrive, hvor han leder virksomhedens globale teknologistrategi. Med mere end to årtiers international erfaring har Misnik bygget og ledet højimpaktteknologiprogrammer inden for cloud, finansielle services og storstilet digital transformation.

Før han kom til inDrive, havde han seniortjenester i Microsoft (MSFT ) og AWS. Han fungerede senere som Digital CIO i HSBC, CIO i National Australia Bank og Group CTO i First Abu Dhabi Bank, hvor han moderniserede komplekse, højt regulerede miljøer gennem cloud, Agile, DevOps og produktcentreret ingeniørmodeller.

Misnik startede sin karriere inden for rumfartsingeniørvidenskab, hvor han bidrog til designet af Boeing 787, før han gik over til softwareingeniørvidenskab og online handelssystemer. Lige så flydende i legacy-platforme og moderne distribuerede arkitekturer er han kendt for at brobygge mellem grundlæggende systemer og banebrydende innovation.

I inDrive er han fokuseret på at bygge systemer, teams og platforme, der vil drive virksomhedens næste fase af global vækst.

inDrive er en global mobilitets- og byserviceplatform, der forbinder brugere med chauffører og serviceudbydere inden for ride-hailing, levering og andre on-demand services. Grundlagt i 2013 opererer virksomheden i over 48 lande og mere end 1.000 byer, med hundredvis af millioner af app-downloads verden over. Dens kernefordel er en peer-to-peer-prismodel, der tillader passagerer og chauffører at forhandle priser direkte, i stedet for at stole på algoritmepriser, med det formål at skabe mere transparente og retfærdige transaktioner. Ud over transport har inDrive udvidet sig til områder som intercity-rejser, kurér services, finansielle tilbud og endda levering af mad, og positionerer sig som en bredere “super app” fokuseret på tilgængelige og retfærdige byservices.

I begyndelsen startede du med matematisk modellering og endelig elementanalyse, før du gik videre til Microsoft, AWS, HSBC og National Australia Bank, og nu leder du AI-transformationen i inDrive. Hvordan har denne rejse formet din måde at tænke om at bygge AI-systemer på, der er teknisk ambitiøse, men stadig grundet i retfærdighed, robusthed og virkelige begrænsninger?

Jeg startede min karriere inden for anvendt matematik og endelig elementanalyse, som i bund og grund handler om at forstå, hvor dit model bryder sammen, snarere end at fejre, hvor det virker. Denne tankegang er præcis, hvordan jeg tilgang AI-systemer i dag.

I Microsoft og derefter AWS, hvor jeg tilbragte mere end et årti, lærte jeg, hvad der sker, når man bygger platforme i global skala. Man antager, at systemer vil degraderes, netværk vil fejle, komponenter vil opføre sig uventet. I inDrive, hvor vi opererer i mere end 1.000 byer i 48 lande, har denne tankegang været absolut vital.

HSBC og National Australia Bank (NAB) bragte en anden vinkel. I HSBC byggede jeg retail-digitale kompetencer på tværs af dusinvis af regulatoriske regimer. I NAB drev jeg cloud-transformationen, hvor jeg flyttede kritiske bankapplikationer til AWS. I disse miljøer har hver enkelt teknologisk beslutning regulatoriske, reputationsmæssige og finansielle konsekvenser. En AI- eller ML-model, der ikke kan forklare sine beslutninger på en måde, en regulator eller kunde kan forstå, er ikke en aktiv, men en passiv.

Et produkt skal reflektere folks behov, ikke demonstrere kompleksiteten af din stack. Denne princip er, hvad der holder den tekniske ambition grundet i retfærdighed og virkelige begrænsninger.

Det betyder at bygge AI-systemer, der informerer og assisterer, for eksempel ved at anbefale en retfærdig pris uden at fjerne kontrollen fra menneskene på markedet.Gennemgangen af alt dette er simpel: teknisk ambition uden operativ disciplin er bare en demo. Min karriere har været en progression fra “kan vi designe eller bygge dette?” til “skal vi deploye dette, og hvad sker der, når det fejler klokken 3 om natten i en marked, hvor der er virkelige omkostninger?” Det er den vinkel, jeg bringer til inDrive.

De fleste platforme bruger AI til at fastsætte priser. inDrive bruger forhandling. Hvordan passer maskinlæring ind i jeres model, og hvor på platformen leverer det mest værdi uden at kompromittere den transparens, der gør inDrive anderledes?

AI i inDrive er ikke kun om prissætning; det er indbygget i hele forretningen, fra marketing og vækst til super app-personalisering, kundesupport, geospatial intelligens, interne værktøjer, svindelforhindring og mere. Over 80% af vores arbejdskraft bruger en række AI-værktøjer fra kundesupport og marketing til kodning og analyse. AI gør betydeligt arbejde i den omgivende infrastruktur – i 2025 har vi opnået en 14% forbedring af ETA-nøjagtighed sammenlignet med 2024 takket være vores dybe læringmodeller. Når folk spørger om AI og prissætning, er det vigtigt at forstå, at det kun er en dimension af en langt bredere kapacitet.

inDrive blev grundlagt i Yakutsk for at bekæmpe uretfærdig, sammensvoren taxa-prissætning. Vores kernekonkurrenceevne er denne peer-to-peer-forhandlingsmodel — passagerer foreslår, chauffører accepterer, modtager eller afviser. Denne åbne budgivningsproces er fundamental. Hvad AI gør, er at fungere som beslutningsstøtte omkring denne menneskeforhandlede pris.Hvis du ser på traditionelle surge-prismodeller – de er en sort kasse. Brugeren ser en multiplikator og har ingen mulighed for at gå imod. I vores model ser passageren en foreslået pris, chaufføren kan acceptere eller modtage, og passageren beslutter, om han vil acceptere eller vente på et andet tilbud. ML gør disse forslag smartere og mere kontekstrelaterede baseret på udbud, efterspørgsel, afstand, trafik og tid, men forhandlingsmekanismen bevarer brugerens handlefrihed. Vi bruger også ML til at hjælpe chauffører med at forstå, hvornår og hvor indtjeningen er stærkest.Vi bruger AI til at reducere informationsasymmetri mellem begge parter, ikke til at udnytte den.

Hvad betyder en “AI-først super app” i praksis i inDrive, og hvilke dele af platformen er de mest naturlige til AI i dag: marketplace-matching, sikkerhed, kundesupport, finansielle services eller noget andet?

De fleste virksomheder, der siger “AI-først”, mener, at de har tilføjet en chatbot. Det er ikke, hvad vi gør.

AI-først betyder, at AI sidder i den operativa lag af platformen, ikke i funktionlaget. Hver produktbeslutning – fra marketplace-matching til kundesupport til kreditscoring – starter med spørgsmålet: hvilke data har vi, og hvordan skal intelligens forme denne oplevelse? I modsætning til legacy-super apps, der voksede før AI-æraen, indbygger vi disse kapaciteter fra bunden og op, mens vi skalerer på tværs af otte vertikaler: ride-hailing, intercity-rejser, kurér, fragt, madlevering, byservices og finansielle produkter.

I forhold til naturlig tilpasning er marketplace-matching og prissætningsintelligens den centrale motor – bedre matching betyder højere udnyttelse, hvilket betyder bedre økonomi for både chauffører og passagerer. Tillid og sikkerhed er også et kritisk område: realtids-anomalidetektion, chaufførverificering og svindelforhindring.

Vi opererer i 48 lande og dusinvis af sprog. AI-drevet support – ikke kun chatbots, men intelligent filtrering, automatisk løsning af almindelige problemer og multilingval kapacitet – er både en omkostnings- og kvalitetsmultiplier.

Finansielle services gennem inDrive.Money er, hvor AI har hjulpet os med at skabe en ny værdiproposition for kunder – i dette tilfælde, vores chauffører. Vi bruger kørselsdata, indtjeningmønstre og platformadfærd til at bygge alternative kreditmodeller for chauffører, som traditionelle banker ikke kan reproducere med almindelige kreditdata alene. Det er allerede live i Mexico, Colombia, Brasilien, Indonesien og Peru.

Vi bruger også AI til tilgængelighed og inklusion – forenkling af grænseflader for brugere med lavere læsefærdighed eller handicaps. I mange af vores markeder er det en krav for at nå den adressable befolkning.

Super app-multiplikator er, at hver yderligere vertikal beriger data-grafen. En passager, der også bruger madlevering og chauffør-lån, giver os en 360-graders adfærdsbillede. Det gør hver enkelt service smartere – men kun hvis data-grundlaget og styringen er rigtige, hvilket er det svære.

inDrive er særligt stærk i fremkomne og frontier-markeder, hvor driftsbetingelser kan variere dramatisk. Hvordan designer du AI-systemer, der fungerer godt på tværs af regioner med meget forskellige infrastrukturer, betalingsvaner, regulatoriske miljøer og brugerforventninger?

Udfordringen ligger i at skabe en samlet model, der fungerer pålideligt på tværs af 48 lande og over 1.000 byer i 8 distinkte regioner. Vi løser dette med en enkelt, højkonfigurerbar platform, hvor det meste af arbejdet, vi gør for nye lande, er konfigurationsændringer, ikke nyt kode. Dette fokuserer vores ingeniørarbejde på lokale krav: chaufførverificering, dokumentvalidering og integrering med regeringsdatabaser.

Vores arkitektur bruger multiple AWS-regioner og en multi-tilgængeligheds-zonemiljø, der eliminerer enkeltfejl. Vores DevOps-platform er højautomatiseret, hvilket hjælper vores voksende ingeniørteams i Pakistan, Ægypten og Asien-Stillehavet med at fungere med samme standarder som vores europæiske teams. Vi bygger også ingeniørkapacitet i Latinamerika, hvor vi har betydelige forretningsoperationer for at bedre betjene dette marked over tid med nærhed til ingeniørtilstedeværelse.

Du har ledt store cloud- og digitaltransformationsindsats i institutioner som HSBC og NAB. Hvad er de vigtigste lærdomme fra højt regulerede finansielle miljøer, der viser sig at være mest værdifulde, mens inDrive udvider sig til services som fin-tech og bygger mere AI-drevne beslutningssystemer?

Tre lærdomme fra HSBC og NAB overføres næsten direkte.

Først og fremmest er revision og kontroller omkring data ikke valgfrit. I bankverdenen skal hver kritisk dataelement, hver beslutning, der påvirker en kunde, være omgivet af passende kontroller, der beskytter integritet og konsistens. Alt skal være sporbart og forklarligt. Og i den digitale verden skal du kombinere hastighed med kontroller, hvilket betyder, at alle regulatoriske krav skal automatiseres fra starten. Så du begynder at tænke om regulatoriske krav og kontroller som et softwareprodukt, fjerner manuelt arbejde og stoler på automation overalt.

Andet, datastyring kommer før datavidenskab. I NAB og HSBC lærte jeg, at den største flaskehals for AI ikke er modellen – det er data. Hvem ejer det? Er det rent? Er det samtykket? Er det korrekt lineært? I inDrive skal vores datastyring modnes hurtigt, mens vi skalerer fra ride-hailing til finansielle services. Hvis du bygger AI før styring, akkumulerer du teknisk og regulatorisk gæld, der bliver eksponentielt sværere at betale tilbage.

Tredje, operativ robusthed betyder mere end modelpræstation. Banking lærte mig, at en 99,9% præcis model, der fejler katastrofalt i 0,1%-tilfældet, er værre end en 95% præcis model med en smuk degradering. I vores tilfælde vil en falsk positiv på svindelforhindring, der låser en chauffør ud af hans indtjening, ødelægge tillid. Du designer for fejlsituationen, ikke den lykkelige vej.

En fordel, inDrive har over traditionelle fin-tech-virksomheder, er, at vi har kontinuerlige adfærdsdata om låntagere. Vi ved, hvor ofte de kører, deres acceptrater, deres indtjeningmønstre, deres pålidelighedssignaler. Det tilbyder mere robuste signaler for kreditværdighed end en punkt-i-tiden FICO-score eller bankudstedelse. Men denne fordel materialiserer kun, hvis vi bygger styring og retfærdighedsrammer til at bruge det ansvarligt, hvilket er, hvor bankmusklernes hukommelse er uvurderlig.

Mange virksomheder taler om at holde “mennesker i løkken”, men den frase bliver ofte vag. I inDrive, hvor tror du, at menneskelig dømmekraft skal forblive uafhængig, selvom agente arbejdsprocesser og automation bliver mere kapable?

Jeg har en simpel princip: automatiser det gentagne; hold mennesker på det uændrede. Hvis en forkert beslutning er billig og kan vendes tilbage, automatiser. Hvis det kan ødelægge tillid, levebrød eller sikkerhed, forbliver menneskelig dømmekraft.

Prisautoritet er det mest åbenlyse eksempel og det, der definerer inDrive. Mennesket – både passageren og chaufføren – har altid det endelige ord om prisen. Dette er uafhængigt af, hvor avancerede vores AI-anbefalinger bliver. Øjeblikket, vi tager det væk, bliver vi bare endnu en algoritme-platform, og mister, hvad der adskiller os. Det er arkitektonisk.

Sikkerheds eskaleringer er endnu et klart tilfælde. Vi automatiserer førstniveau-indholdsmoderation og support i stor skala. Trænet på millioner af tekster, vores AI-system behandler over to tredjedele af ride-hailing-chatten for at hurtigt detektere, flagge og beskytte kunder mod upassende sprog. Men når en situation er virkelig tvetydig eller har betydelige konsekvenser for nogenes levebrød, tager en menneske beslutningen. Automation skal intelligent filtrere tilfælde, så menneskelig dømmekraft kun anvendes, når det virkelig er værdifuldt. Kostprisen for en falsk negativ er nogenes sikkerhed. Du kan ikke automatisere det og opretholde ansvar.

Vores bredere princip er, at AI skal støtte menneskelig dømmekraft, fungere som en teamkammerat, ikke en erstatning.

Markedsindtræden og regulatorisk tilpasning kræver menneskelig dømmekraft, fordi de er indbyrdes kontekstuelle. Ingen AI-system skal autonomt bestemme, hvordan vi opererer i et nyt regulatorisk miljø. Og konto-niveau-beslutninger – permanente forbud, konfliktløsning, appeller – kræver menneskelig dømmekraft, fordi konteksten altid er rigere end det, data indfanger.

Fejlen, mange virksomheder begår, er at behandle “menneske i løkken” som en fase, de vil automatisere væk. For de kategorier, jeg har beskrevet, er det den forkerte ramme. De er tilfælde, hvor menneskelig dømmekraft er strukturanpasset, og vil forblive sådan.

En af de sværeste dele ved at skale AI er ikke modelpræstation, men operativ disciplin: datakvalitet, styring, overvågning og omkostningskontrol. Hvad har været den største hindring i at omdanne AI fra isolerede brugsområder til et operativt lag på tværs af forretningen?

Alle giver den pæne besked: datakvalitet. Det er sandt, men utilstrækkeligt. Den virkelige hindring er organisatorisk. Det sværeste er ikke noget enkelt teknisk problem, men overgangen fra en kultur af individuelle AI-eksperimenter til en kultur af systematisk AI-operation. Den overgang kræver en ændring i, hvordan teams tænker om ejerskab, ansvar og måling.

Når du behandler AI som en samling isolerede initiativer, bygger hvert team sin egen pipeline, sin egen dataadgangsmåde, sin egen forståelse af, hvad “kvalitet” betyder for deres model. Men når du vil have AI til at være et horisontalt operativt lag, der berører prissætning, sikkerhed, support, geo, personlig tilpasning samtidig, har du brug for fælles grundlag.

Det inkluderer en samlet semantisk lag med konsistente metrikdefinitioner, fælles datakvalitetsramme, modelstyringsinfrastruktur med indbyggede MLOps-praksis og fælles sikkerhedspolitikker.

Den ofte underestimerede omkostningsdimension er også vital. Vi giver teams indsigt i de faktiske omkostninger (pr. tur, pr. transaktion, lagring) for at hjælpe med at forbedre ansvar, hvilket driver bedre ingeniørbeslutninger. For eksempel har lagringsoptimering tilladt os at reducere geo-data-omkostninger, hvilket betydeligt reducerede omkostningerne pr. aftale som følge.

En anden betydelig udfordring er at bruge AI til interne operationer. Automatisering af kaos giver kun kaos. Derfor arbejder vi aktivt med interne teams for at formalisere deres arbejde, beskrive deres processer tydeligt og rydde op i forældede dokumentationer. Selvom det ikke er nyt, er disse grundlæggende skridt afgørende for at adoptere og nyde godt af AI inden for organisationen.

Ride-hailing-platforme behandler enorme mængder af virkelige adfærdsdata. Hvordan balancerer du muligheden for at bruge disse data til bedre personalisering og forudsigelse med behovet for at bevare tillid, privatliv og retfærdighed for både chauffører og passagerer?

Datafordelen i ride-hailing er reel. Kombineret med leverings- og finansielle data bliver det en ekstraordinært rig adfærdsdataset. Fristelsen til at udnytte det for meget er præcis, hvad vi nægter at gøre.

Vi anvender formålslimitation strengt. Vi bruger data samlet til at forbedre turene. Det bliver ikke genbrugt til reklametargeting eller solgt til tredjeparter. Vore brugere valgte inDrive delvist, fordi de stoler på os mere end etablerede virksomheder. Den tillid, der engang er brudt, genopbygges ikke.

På chaufførsiden behandler vi datarettigheder som et økonomisk partnerskabsspørgsmål. Chauffører er ikke datakilder. De skal forstå, hvad vi samler, hvordan vi bruger det, og – kritisk – nyde godt af det. inDrive.Money er et direkte eksempel: samme adfærdsdata, der hjælper os med at køre markedet, muliggør også finansielle services, som chauffører har brug for og ikke kan få fra traditionelle banker. Den værdiafregning skal være tovejs og gennemsigtig.

Til forudsigelse og efterspørgselsprædiction foretrækker vi agregatmønstre over individuel sporing, hvor det er muligt. Du behøver ikke at vide, hvor en bestemt person rejser hver dag; du behøver at vide, at efterspørgsel i en given zone øges 30% om fredagsaftener.

Vi opererer i lande med meget forskellige privatlivsrammer – fra Brasiliens LGPD til markeder med minimale dataprotektionslove. Vores tilgang er at holde os selv til den højere standard uanset, hvad lokal lov tillader.

Super app-modellen har været meget succesfuld i dele af Asien, men det er svært at reproducere på tværs af fragmenterede globale markeder. Hvad skal være sandt, fra et teknisk og AI-mæssigt synspunkt, for at en super app kan fungere på tværs af dusinvis af lande snarere end kun ét tæt integreret økosystem?

Super app-modellen, der blev populær i Asien, fungerede inden for relativt homogene regulatoriske og infrastruktur-miljøer, med dyb integration på tværs af betalinger, sociale og handelsområder, der havde få stærke, uafhængige alternativer. At reproducere det globalt kræver en fundamentalt anden tilgang, og vi mener, at vores model er bedre egnet til fragmenterede markeder.

Grundlaget skal være globalt som standard, lokal som design. Vi tilbyder fælles platformtjenester – identitet, wallet, notifikationer, analyser, kort, support – som stabile skinner, som partnere kan plugge ind i hurtigt. Hver tjeneste er uafhængigt udviklet og lokal konfigurerbar, så nye markeder kan lanceres gennem konfiguration snarere end nyt kode. Du kan ikke levere en monolitisk produkt og forvente, at det vil fungere overalt.

Dette modulære tilgang tillader hver tjeneste – ture, levering, mad, finansielle produkter – at tilpasse sig til hver markedets specifikke behov, mens de opererer på en fælles platform. En samlet identitet og data-lag er afgørende. Hele værdipropositionen for en super app er, at brug af en tjeneste forbedrer de andre. Det kræver en enkelt brugerdata-graf på tværs af vertikaler. At bygge det uden at skabe et privatlivsproblem er den sværeste tekniske udfordring i hele foretagendet.

Andet, relevans-motoren skal fungere på niveauet for den enkelte, ikke markedet. Hvad vi kalder en “segment af en” – brug af data, analyser og ML til at forstå, hvad der betyder noget for en bestemt kunde i en bestemt kontekst – er, hvad der gør en super app nyttig snarere end overbelastet. Hvis du har ti tjenester og appen viser dig alle ti med samme fremhævede, har du skabt en app med en dårlig brugeroplevelse, ikke en super app.

Tredje, du har brug for lokale partnerskaber over en byg-alting-tilgang. Vi investerede i Krave Mart i Pakistan til madlevering, samarbejdede med Fingular og Ammana i Indonesien til finansielle services. Teknologiplatformen er global; servicen er lokal. AI hjælper med at gøre disse integrationer ubemærkede for slutbrugeren.

Fjerde, du har brug for en hyppighedsanker. Det er, hvorfor madlevering betyder så meget for vores strategi. Ride-hailing kan være ugentligt. Madlevering er daglig eller næsten daglig.

Til sidst skal den operative model kunne absorberer marked-for-marked-variabilitet uden at miste koherens. Vores Zero-Code-platform, der driver over 400 produktions-skærme besøgt mere end 300 millioner gange, tillader os at lancere nye skærme, køre eksperimenter og tilpasse os lokale krav uden fuld genudvikling af appen. Den fleksibilitet kombineret med en decentraliseret multi-region-infrastruktur er, hvad der lader en platform fungere sammenhængende på tværs af markeder, uden at tvinge ensartethed eller acceptere fragmentering.

Ideen om at se fremad på tre til fem år, hvor tror du, AI vil skabe den største konkurrencemæssige adskillelse i mobilitetsplatforme: efterspørgselsprædiction, tillid og sikkerhed, autonome operationer, support-automation, chaufførøkonomi eller helt nye tjenester, der endnu ikke eksisterer?

AI vil berøre alle disse, men graden af adskillelse vil variere.

Inden for tre år vil hver alvorlig mobilitetsplatform sandsynligvis have kompetent efterspørgselsprædiction. Sikkerheds- og tillidsfunktioner vil være grundlæggende. Support bliver hurtigt automatiseret, da LLM’er modnes. Autonome operationer vil være vigtige til sidst, men fuld autonomi globalt (uden for udviklede markeder som USA) er usandsynligt at have en betydelig indvirkning på frontier-markeder i mindst et årti.

Et stort område for differentiering på tværs af industrien er sandsynligvis markeret af helt nye tjenester, der endnu ikke eksisterer. Kombinationen af realtidslokationsdata, adfærdsdata, betalingsdata og lokal markedsintelligens skaber grundlaget for tjenester, vi endnu ikke har forestillet os i områder som hyperlokal handel, sundhed eller prædiktiv logistik. Platformen med det rigeste data-grundlag og den organisatoriske fleksibilitet til at teste og skale nye vertikaler hurtigt vil have en kompounderfordel.

Agente AI er, hvor den længste tids adskillelse vil åbne sig. Da agente arbejdsprocesser modnes, vil de håndtere onboarding, svindelovervågning, finansielle operationer og personlig coaching, og platforme med det rette data-grundlag kan muliggøre hurtigere eksperimenter og skala.

AI skaber ikke konkurrencemæssig fordel i sig selv. Det skaber fordel, når det kombineres med unikke data, unik markedsposition og den operative disciplin til at udføre. inDrives position – verdens anden mest-downloade ride-hailing-app, med dominerende positioner i frontier-markeder, over 400 millioner downloads, og en brand bygget på retfærdighed – er grundlaget. AI er forstærkeren. Uden grundlaget har forstærkeren intet at forstærke.

Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge inDrive.