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

Yuri Misnik ist der Chief Technology Officer bei inDrive, wo er die globale Technologie-Strategie des Unternehmens leitet. Mit über zwei Jahrzehnten internationaler Erfahrung hat Misnik hochwirksame Technologie-Programme in den Bereichen Cloud, Finanzdienstleistungen und groß angelegte digitale Transformation aufgebaut und geleitet.

Bevor er zu inDrive kam, hatte er Führungspositionen bei Microsoft (MSFT ) und AWS inne. Später war er als Digitaler CIO bei HSBC, CIO bei der National Australia Bank und Group CTO bei der First Abu Dhabi Bank tätig, wo er komplexe, hoch regulierte Umgebungen durch Cloud, Agile, DevOps und produktzentrierte Engineering-Modelle modernisierte.

Misnik begann seine Karriere im Bereich Luft- und Raumfahrttechnik und trug zur Entwicklung des Boeing 787 bei, bevor er in die Software-Entwicklung und Online-Handelssysteme wechselte. Als Experte für Legacy-Plattformen und moderne verteilte Architekturen ist er bekannt für die Verbindung von grundlegenden Systemen mit innovativen Technologien.

Bei inDrive konzentriert er sich darauf, die Systeme, Teams und Plattformen aufzubauen, die das Unternehmen für die nächste Phase seines globalen Wachstums benötigt.

inDrive ist eine globale Mobilitäts- und Urban-Dienstleistungsplattform, die Nutzer mit Fahrern und Dienstleistern in den Bereichen Ride-Hailing, Lieferdienste und andere On-Demand-Dienstleistungen verbindet. Gegründet im Jahr 2013, operiert das Unternehmen in über 48 Ländern und mehr als 1.000 Städten, mit Hunderten von Millionen von App-Downloads weltweit. Sein Kernunterscheidungsmerkmal ist ein Peer-to-Peer-Preismodell, das es Fahrgästen und Fahrern ermöglicht, Preise direkt zu verhandeln, anstatt auf algorithmische Preise zu setzen, mit dem Ziel, transparentere und fairere Transaktionen zu schaffen. Darüber hinaus hat inDrive sich in Bereiche wie Fernreisen, Kurierdienste, Finanzdienstleistungen und sogar Lebensmitteleinkäufe ausgeweitet und positioniert sich als umfassende “Super-App” für zugängliche und gerechte städtische Dienstleistungen.

Sie begannen mit mathematischer Modellierung und Finite-Element-Analyse, bevor Sie durch Microsoft, AWS, HSBC und National Australia Bank gingen und jetzt die AI-Transformation bei inDrive leiten. Wie hat diese Reise Ihre Sichtweise auf den Bau von AI-Systemen beeinflusst, die technisch ambitioniert sind, aber dennoch in Fairness, Widerstandsfähigkeit und realen Einschränkungen verwurzelt bleiben?

Ich begann meine Karriere in der angewandten Mathematik und Finite-Element-Analyse, die grundlegend darum geht, zu verstehen, wo Ihr Modell versagt, anstatt sich auf die Stellen zu konzentrieren, an denen es funktioniert. Diese Denkweise ist genau die, die ich heute bei AI-Systemen anwende.

Bei Microsoft und dann AWS, wo ich über ein Jahrzehnt verbrachte, lernte ich, was passiert, wenn man Plattformen im globalen Maßstab aufbaut. Man geht davon aus, dass Systeme versagen, Netzwerke ausfallen und Komponenten unerwartet reagieren. Bei inDrive, das in über 1.000 Städten in 48 Ländern operiert, hat sich diese Denkweise als absolut vital erwiesen.

HSBC und National Australia Bank (NAB) brachten einen anderen Fokus. Bei HSBC baute ich Retail-Digitalfähigkeiten in Dutzenden von regulatorischen Regimen auf. Bei NAB leitete ich die Cloud-Transformation, indem ich kritische Bankanwendungen zu AWS verlagerte. In diesen Umgebungen hat jede technologische Entscheidung regulatorische, reputationsbezogene und finanzielle Konsequenzen. Ein AI- oder ML-Modell, das seine Entscheidungen nicht in einer Weise erklären kann, die ein Regulator oder Kunde verstehen kann, ist kein Vermögen, sondern eine Belastung.

Ein Produkt sollte die Bedürfnisse der Menschen widerspiegeln, nicht die Komplexität Ihres Stacks demonstrieren. Dieses Prinzip hält technische Ambitionen in Fairness und realen Einschränkungen.

Das bedeutet, AI-Systeme zu bauen, die informieren und unterstützen, zum Beispiel, indem sie einen fairen Preis vorschlagen, ohne die Kontrolle von den Menschen im Markt zu entfernen.Der rote Faden durch all dies ist einfach: technische Ambition ohne operative Disziplin ist nur ein Demo. Meine Karriere war ein Fortschritt von “Können wir das entwerfen oder bauen?” zu “Sollten wir das bereitstellen, und was passiert, wenn es um 3 Uhr morgens in einem Markt mit realen Einsätzen fehlschlägt?” Das ist die Brille, durch die ich inDrive betrachte.

Die meisten Plattformen verwenden AI, um Preise festzulegen. inDrive verwendet Verhandlungen. Wie passt maschinelles Lernen in Ihr Modell, und wo liefert es den größten Mehrwert, ohne die Transparenz zu gefährden, die inDrive auszeichnet?

AI bei inDrive ist nicht nur auf Preise beschränkt; es ist über das gesamte Geschäft verteilt, von Marketing und Wachstum bis hin zu Super-App-Personalisierung, Kundensupport, geospatialer Intelligenz, internen Tools, Betrugsprävention und mehr. Über 80 % unserer Belegschaft nutzen eine Vielzahl von AI-Tools, von Kundensupport und Marketing bis hin zu Codierung und Analyse. AI leistet erhebliche Arbeit in der umgebenden Infrastruktur – im Jahr 2025 haben wir mit Hilfe unserer Deep-Learning-Modelle eine Verbesserung der ETA-Genauigkeit um 14 % im Vergleich zu 2024 erzielt. Wenn also Menschen nach AI und Preisen fragen, ist es wichtig zu verstehen, dass es nur eine Dimension einer viel umfassenderen Fähigkeit ist.

inDrive wurde in Jakutsk gegründet, um ungerechte, kollusive Taxi-Preise zu bekämpfen. Unser Kernwettbewerbsvorteil ist dieses Peer-to-Peer-Preismodell – Fahrgäste schlagen vor, Fahrer akzeptieren, kontern oder lehnen ab. Dieser offene Gebotsfluss ist fundamental. Was AI tut, ist, Entscheidungshilfen rund um diesen menschlich verhandelten Preis zu bieten.Wenn man traditionelle Preisschwankungsmodelle betrachtet – sie sind eine Blackbox. Der Benutzer sieht einen Multiplikator und hat keine Abhilfe. In unserem Modell sieht der Fahrgast einen vorgeschlagenen Preis, der Fahrer kann akzeptieren oder kontern, und der Fahrgast entscheidet, ob er akzeptiert oder auf ein anderes Angebot wartet. ML macht diese Vorschläge intelligenter und kontextuell relevanter basierend auf Angebot, Nachfrage, Entfernung, Verkehr und Zeit, aber der Verhandlungsmechanismus bewahrt die Benutzerkontrolle. Wir verwenden auch ML, um Fahrern zu helfen, zu verstehen, wann und wo ihre Verdienste stärker sind.Wir nutzen AI, um Informationsasymmetrien zwischen beiden Parteien zu reduzieren, nicht auszunutzen.

Was bedeutet “AI-erstes Super-App”-Modell in der Praxis bei inDrive, und welche Teile der Plattform sind die natürlichsten Kandidaten für AI heute: Marktplatz-Matching, Sicherheit, Kundensupport, Finanzdienstleistungen oder etwas anderes?

Die meisten Unternehmen, die “AI-erstes” sagen, meinen, sie haben einen Chatbot hinzugefügt. Das ist nicht, was wir tun.

AI-erstes bedeutet, dass AI in der Betriebsebene der Plattform sitzt, nicht in der Feature-Ebene. Jede Produktentscheidung – von Marktplatz-Matching bis hin zu Kundensupport und Kreditbewertung – beginnt mit der Frage: Welche Daten haben wir, und wie sollte Intelligenz diese Erfahrung prägen? Anders als Legacy-Super-Apps, die vor der AI-Ära gewachsen sind, integrieren wir diese Fähigkeiten von Grund auf, während wir über acht vertikale Märkte skalieren: Ride-Hailing, Fernreisen, Kurierdienste, Fracht, Lebensmitteleinkäufe, städtische Dienstleistungen und Finanzprodukte.

In Bezug auf natürliche Kandidaten ist Marktplatz-Matching und Preismodellierung das Kern-Engine – besseres Matching bedeutet höhere Auslastung, was bessere Ökonomie für beide Fahrer und Fahrgäste bedeutet. Vertrauen und Sicherheit sind ebenfalls ein kritischer Bereich: Echtzeit-Anomalie-Erkennung, Fahrer-Verifizierung und Betrugsprävention.

Wir operieren in 48 Ländern und Dutzenden von Sprachen. AI-gestützter Support – nicht nur Chatbots, sondern intelligente Filterung, automatische Lösung häufiger Probleme und mehrsprachige Fähigkeiten – ist sowohl ein Kostensparmer als auch ein Qualitätsmultiplikator.

Finanzdienstleistungen über inDrive.Money sind der Bereich, in dem AI uns geholfen hat, ein neues Wertangebot für Kunden zu schaffen – in diesem Fall unsere Fahrer. Wir nutzen Fahrt-Daten, Verdienstmuster und Plattform-Verhalten, um alternative Kreditmodelle für Fahrer zu erstellen, die traditionelle Banken allein mit herkömmlichen Kredit-Daten nicht replizieren können. Es ist bereits in Mexiko, Kolumbien, Brasilien, Indonesien und Peru verfügbar.

Wir verwenden auch AI für Zugänglichkeit und Inklusion – durch Vereinfachung von Schnittstellen für Benutzer mit geringerer Lesefähigkeit oder Behinderungen. In vielen unserer Märkte ist dies eine Anforderung, um die ansprechbare Bevölkerung zu erreichen.

Der Super-App-Multiplikator ist, dass jeder zusätzliche vertikale Markt den Daten-Graph bereichert. Ein Fahrgast, der auch Lebensmitteleinkäufe und Fahrer-Kredite nutzt, gibt uns ein 360-Grad-Verhaltensbild. Das macht jeden einzelnen Dienst intelligenter – aber nur, wenn die Daten-Fundamentierung und -Governance richtig sind, was der schwierige Teil ist.

inDrive ist besonders stark in aufstrebenden und Frontier-Märkten, wo die Betriebsbedingungen dramatisch variieren können. Wie entwerfen Sie AI-Systeme, die in Regionen mit sehr unterschiedlicher Infrastruktur, Zahlungsgewohnheiten, regulatorischen Umgebungen und Benutzererwartungen gut funktionieren?

Die Schwierigkeit liegt darin, ein einheitliches Modell zu erstellen, das zuverlässig in 48 Ländern und über 1.000 Städten in 8 unterschiedlichen Regionen funktioniert. Wir gehen dies mit einer einzigen, hoch konfigurierbaren Plattform an, bei der die Mehrheit der Arbeit, die wir für neue Länderstarts leisten, Konfigurationsänderungen und nicht neuer Code sind. Dies konzentriert unser Ingenieursbemühen auf lokale Anforderungen: Fahrer-Verifizierung, Dokumenten-Validierung und Regierungs-Datenbank-Integrationen.

Unsere Architektur nutzt mehrere AWS-Regionen und eine Multi-Verfügbarkeits-Zonen-Umgebung, die einzelne Fehlerpunkte eliminiert. Unsere DevOps-Plattform ist hoch automatisiert, was unseren wachsenden Ingenieursteams in Pakistan, Ägypten und Asien-Pazifik ermöglicht, mit denselben Standards wie unsere europäischen Teams zu arbeiten. Wir bauen auch Ingenieurskapazitäten in Lateinamerika auf, wo wir bedeutende Geschäftsoperationen haben, um diesen Markt über eine nahe gelegene Ingenieurpräsenz langfristig besser zu bedienen.

Sie haben große Cloud- und digitale Transformationsbemühungen bei Institutionen wie HSBC und NAB geleitet. Welche Lektionen aus hoch regulierten Finanzumgebungen sind für inDrive am wertvollsten, während es in Dienstleistungen wie Fintech expandiert und mehr AI-getriebene Entscheidungssysteme aufbaut?

Drei Lektionen aus HSBC und NAB übertragen sich fast direkt.

Erstens sind Prüfbarkeit und Kontrollen rund um Daten nicht optional. In der Bankenwelt muss jedes kritische Daten-Element, jede Entscheidung, die einen Kunden betrifft, von angemessenen Kontrollen umgeben sein, die Integrität und Konsistenz schützen. Alles muss nachvollziehbar und erklärbar sein. Und in der digitalen Welt müssen Sie Geschwindigkeit mit Kontrollen verbinden, was bedeutet, dass alle regulatorischen Anforderungen von Anfang an automatisiert werden müssen. Sie beginnen also, über regulatorische Anforderungen und Kontrollen als Software-Produkt nachzudenken, manuelles Arbeiten zu entfernen und auf Automation zu vertrauen.

Zweitens geht Daten-Governance der Daten-Wissenschaft voraus. Bei NAB und HSBC lernte ich, dass der größte Flaschenhals für AI nie das Modell ist – es sind die Daten. Wem gehören sie? Sind sie sauber? Sind sie zugelassen? Sind sie ordnungsgemäß linealisiert? Bei inDrive bedeutet das Skalieren von Ride-Hailing in Finanzdienstleistungen, dass unsere Daten-Governance schnell reifen muss. Wenn Sie die AI aufbauen, bevor die Governance vorhanden ist, sammeln Sie technisches und regulatorisches Schulden an, die exponentiell schwieriger zu begleichen sind.

Drittens zählt operative Widerstandsfähigkeit mehr als Modellleistung. Das Bankwesen hat mich gelehrt, dass ein mit 99,9 % genaues Modell, das im 0,1 % Fall katastrophal versagt, schlimmer ist als ein 95 % genaues Modell mit sanfter Degradation. In unserem Fall kann ein falsch positives Ergebnis bei der Betrugs-Erkennung, das einen Fahrer von seinen Verdiensten ausschließt, Vertrauen zerstören. Sie entwerfen für den Fehlerfall, nicht den glücklichen Pfad.

Ein Vorteil, den inDrive gegenüber traditionellen Fintechs hat, ist, dass wir kontinuierliche Verhaltensdaten über die Kreditnehmer haben. Wir wissen, wie oft sie fahren, ihre Akzeptanzraten, ihre Verdienstmuster, ihre Zuverlässigkeitssignale. Das bietet robuste Signale für Kreditwürdigkeit, die ein punktueller FICO-Score oder eine Bankausweis nicht liefern kann. Aber dieser Vorteil materialisiert sich nur, wenn wir die Governance- und Fairness-Rahmen aufbauen, um es verantwortungsvoll zu nutzen, was das Banken-Gedächtnis unverzichtbar macht.

Viele Unternehmen sprechen über das “Halten von Menschen im Prozess”, aber dieser Ausdruck bleibt oft vage. Bei inDrive, wo glauben Sie, dass menschliche Urteilsfähigkeit unverhandelbar bleiben sollte, selbst wenn agierende Workflows und Automatisierung fähiger werden?

Ich habe ein einfaches Prinzip: Automatisieren Sie das Wiederholbare; halten Sie Menschen auf dem Unwiderruflichen. Wenn eine falsche Entscheidung leicht rückgängig zu machen ist, automatisieren Sie. Wenn sie Vertrauen, Lebensunterhalt oder Sicherheit zerstören kann, bleibt menschliches Urteil bestehen.

Preis-Autorität ist das offensichtlichste Beispiel und das, das inDrive definiert. Der Mensch – sowohl der Fahrgast als auch der Fahrer – hat immer das letzte Wort bei der Preisgestaltung. Dies ist unverhandelbar, egal wie fortschrittlich unsere AI-Empfehlungen werden. Im Moment, in dem wir dies wegnehmen, werden wir zu einer weiteren algorithmischen Plattform, die das verliert, was uns unterscheidet.Das ist architektonisch.

Sicherheits-Eskalationen sind ein weiterer klarer Fall. Wir automatisieren erste Ebene der Inhalts-Moderation und des Supports im großen Maßstab. Trainiert auf Millionen von Texten, unser AI-System verarbeitet über zwei Drittel der Ride-Hailing-Chats, um schnell unangemessene Sprache zu erkennen, zu markieren und Kunden zu schützen. Aber wenn eine Situation wirklich zweideutig ist oder erhebliche Konsequenzen für jemandes Lebensunterhalt hat, trifft ein Mensch die Entscheidung. Automatisierung sollte intelligent Fälle filtern, um sicherzustellen, dass menschliches Urteil nur dann angewendet wird, wenn es wirklich wertvoll ist.Die Kosten eines Fehlalarms sind jemandes Sicherheit. Sie können das nicht automatisieren und gleichzeitig Rechenschaftspflicht bewahren.

Unser weiteres Prinzip ist, dass AI menschliches Urteil unterstützen, als Teammitglied und nicht als Ersatz dienen sollte.

Markteintritt und regulatorische Anpassung erfordern menschliches Urteil, da sie inhärent kontextuell sind. Kein AI-System sollte autonom entscheiden, wie wir in einer neuen regulatorischen Umgebung operieren. Und kontoführende Entscheidungen – dauerhafte Verbote, Streitbeilegung, Berufungen – erfordern menschliches Urteil, da der Kontext immer reicher ist als das, was die Daten erfassen.

Der Fehler, den viele Unternehmen machen, ist, “Mensch im Prozess” als eine Phase zu behandeln, die sie irgendwann automatisieren werden. Für die Kategorien, die ich beschrieben habe, ist das die falsche Ausrichtung. Es sind Fälle, in denen menschliches Urteil strukturell angemessen ist und es auch bleiben wird.

Eines der schwierigsten Teile des Skalierens von AI ist nicht die Modellleistung, sondern die operative Disziplin: Datenqualität, Governance, Überwachung und Kostenkontrolle. Was war das größte Hindernis, AI von isolierten Anwendungsfällen in eine Betriebsebene über das gesamte Unternehmen zu wandeln?

Jeder gibt die höfliche Antwort: Datenqualität. Das ist wahr, aber unzureichend. Das eigentliche Hindernis ist organisatorisch. Die größte Herausforderung ist nicht irgendein einzelnes technisches Problem, sondern der Übergang von einer Kultur individueller AI-Experimente zu einer Kultur systematischer AI-Operationen. Dieser Übergang erfordert eine Änderung der Art und Weise, wie Teams über Eigentum, Verantwortung und Messung denken.

Wenn man AI als eine Reihe isolierter Initiativen behandelt, baut jedes Team seine eigene Pipeline, seine eigenen Daten-Zugriffsmuster, sein eigenes Verständnis davon, was “Qualität” für sein Modell bedeutet. Aber wenn man AI als horizontale Betriebsebene haben will, die Preise, Sicherheit, Support, Geo und Personalisierung gleichzeitig berührt, benötigt man gemeinsame Grundlagen.

Dazu gehört eine einheitliche semantische Ebene mit konsistenten Metrik-Definitionen, ein gemeinsames Daten-Qualitäts-Framework, Modell-Management-Infrastruktur mit eingebetteten MLOps-Praktiken und gemeinsame Sicherheitsrichtlinien.

Die oft unterschätzte Kosten-Dimension ist ebenfalls von entscheidender Bedeutung. Wir bieten Teams Einblick in die tatsächlichen Kosten (pro Fahrt, pro Transaktion, Speicherung), um bessere Rechenschaftspflicht zu fördern, was bessere Ingenieurs-Entscheidungen antreibt. Zum Beispiel ermöglichte uns die Speicher-Optimierung, Geo-Daten-Kosten zu senken und die Infrastruktur-Kosten pro Deal erheblich zu senken. Das Ausmaß der Verbesserung, die wir gesehen haben, ist nur möglich, wenn Kosten-Eigentum dezentralisiert und in den Teams eingebettet ist, nicht zentral als Nachgedanke verwaltet wird.

Eine weitere signifikante Herausforderung ist die Nutzung von AI für interne Operationen. Automatisierung von Chaos ergibt nur Chaos. Deshalb arbeiten wir aktiv mit internen Teams daran, ihre Arbeit zu formalisieren, ihre Prozesse klar zu beschreiben und veraltete Dokumentation zu bereinigen. Obwohl nicht neu, sind diese grundlegenden Schritte entscheidend für die erfolgreiche Einführung und den Nutzen von AI innerhalb der Organisation.

Fahrt-Teilungs-Plattformen verarbeiten enorme Mengen an realen Verhaltens-Daten. Wie balancieren Sie die Chance, diese Daten für bessere Personalisierung und Vorhersage zu nutzen, mit der Notwendigkeit, Vertrauen, Privatsphäre und Fairness für sowohl Fahrer als auch Fahrgäste zu bewahren?

Der Daten-Vorteil im Fahrt-Teilungs-Geschäft ist real. Kombiniert mit Liefer- und Fintech-Daten wird es zu einem außerordentlich reichen Verhaltens-Datensatz. Die Versuchung, dies übermäßig auszunutzen, ist genau das, was wir ablehnen.

Wir wenden Zweck-Beschränkung streng an. Wir nutzen Daten, die gesammelt werden, um Fahrten zu verbessern. Sie werden nicht für Werbe-Zielselektierung umgenutzt oder an Dritte verkauft. Unsere Nutzer haben inDrive teilweise deswegen gewählt, weil sie uns mehr vertrauen als etablierte Anbieter. Dieses Vertrauen, einmal gebrochen, baut sich nicht wieder auf.

Auf der Fahrer-Seite behandeln wir Daten-Rechte als eine wirtschaftliche Partnerschafts-Frage. Fahrer sind keine Daten-Quellen. Sie sollten verstehen, was wir sammeln, wie wir es nutzen und – kritisch – davon profitieren. inDrive.Money ist ein direktes Beispiel: dieselben Verhaltens-Daten, die uns helfen, den Marktplatz zu betreiben, ermöglichen auch Finanz-Dienstleistungen, die Fahrer benötigen und von traditionellen Banken nicht erhalten können. Dieser Wert-Austausch muss bidirektional, transparent und fair sein.

Für Vorhersagen und Nachfrage-Prognosen bevorzugen wir aggregierte Muster gegenüber individueller Verfolgung, wo immer möglich. Man muss nicht wissen, wohin eine bestimmte Person jeden Tag fährt; man muss wissen, dass die Nachfrage in einer bestimmten Zone am Freitagabend um 30 % steigt.

Wir operieren in Ländern mit sehr unterschiedlichen Datenschutz-Rahmen – von Brasiliens LGPD bis hin zu Märkten mit minimalen Datenschutz-Gesetzen. Unser Ansatz ist, uns an höhere Standards zu halten, unabhängig davon, was das lokale Recht erlaubt.

Das Super-App-Modell war in Teilen Asiens sehr erfolgreich, ist aber schwer zu replizieren über fragmentierte globale Märkte hinweg. Was muss wahr sein, aus technischer und AI-Sicht, damit eine Super-App über Dutzende von Ländern hinweg und nicht nur in einem eng integrierten Ökosystem funktioniert?

Das Super-App-Modell, das in Asien populär wurde, funktionierte innerhalb relativ homogener regulatorischer und Infrastruktur-Umgebungen, mit tiefer Integration über Zahlungen, soziale und kommerzielle Dienstleistungen, die wenige starke, unabhängige Alternativen hatten. Die globale Replikation erfordert einen grundlegend anderen Ansatz, und wir denken, dass unser Modell für fragmentierte Märkte besser geeignet ist.

Die Grundlage muss global standardisiert und lokal angepasst sein. Wir bieten gemeinsame Plattform-Dienstleistungen – Identität, Wallet, Benachrichtigungen, Analyse, Karten, Support – als stabile Schienen an, in die Partner schnell einsteigen können. Jeder Dienst ist unabhängig bereitstellbar und lokal konfigurierbar, so dass neue Märkte durch Konfiguration und nicht durch neuen Code gestartet werden können. Man kann kein monolithisches Produkt ausliefern und erwarten, dass es überall Anklang findet.

Dieser modulare Ansatz ermöglicht es jedem Produkt – Fahrten, Lieferungen, Lebensmittel, Finanzprodukte –, sich an die spezifischen Bedürfnisse jedes Marktes anzupassen, während es auf einer gemeinsamen Plattform operiert.

Eine einheitliche Identität und Daten-Ebene ist entscheidend. Der gesamte Wert einer Super-App liegt darin, dass die Nutzung eines Dienstes die anderen verbessert. Das erfordert einen einzigen Benutzer-Daten-Graph über vertikale Märkte hinweg. Den Aufbau ohne Datenschutz-Probleme zu schaffen, ist die größte technische Herausforderung in diesem gesamten Vorhaben.

Zweitens muss der Relevanz-Engine auf der Ebene des Einzelnen funktionieren, nicht des Marktes. Was wir “Segment der Einheit” nennen – die Nutzung von Daten, Analyse und ML, um zu verstehen, was einem bestimmten Kunden in einem bestimmten Kontext wichtig ist – ist das, was eine Super-App nützlich anstelle von überfüllt erscheinen lässt. Wenn Sie zehn Dienste haben und die App alle zehn mit gleicher Prominenz anzeigt, haben Sie eine App mit schlechtem UX, nicht eine Super-App.

Drittens benötigen Sie lokale Partnerschaften anstelle eines “Alles-aufbauen”-Ansatzes. Wir haben in Pakistan in Krave Mart für Lebensmitteleinkäufe investiert, in Indonesien mit Fingular und Ammana für Finanzdienstleistungen zusammengearbeitet. Die Technologie-Plattform ist global; die Dienstleistung ist lokal. AI hilft, indem es diese Integrationen für den Endbenutzer nahtlos macht.

Viertens benötigen Sie einen Frequenz-Anker. Das ist der Grund, warum Lebensmitteleinkäufe für unsere Strategie so wichtig sind. Ride-Hailing könnte wöchentlich sein; Lebensmitteleinkäufe sind täglich oder nahezu täglich.

Schließlich muss das operative Modell in der Lage sein, marktweise Variabilität aufzunehmen, ohne Kohärenz zu verlieren. Unsere Zero-Code-Plattform, die über 400 Produktions-Screens antreibt, die über 300 Millionen Mal besucht werden, ermöglicht es uns, neue Screens zu starten, Experimente durchzuführen und uns an lokale Anforderungen anzupassen, ohne vollständige App-Neuveröffentlichungen. Diese Flexibilität, kombiniert mit einer dezentralen, mehrregionalem Infrastruktur-Setup, ist es, was einer Plattform ermöglicht, kohärent über Märkte hinweg zu funktionieren, ohne entweder Uniformität zu erzwingen oder Fragmentierung zu akzeptieren.

Blicken Sie drei bis fünf Jahre voraus, wo wird AI die größte Wettbewerbs-Differenzierung in Mobilitäts-Plattformen schaffen: Nachfrage-Prognose, Vertrauen und Sicherheit, autonome Operationen, Support-Automatisierung, Fahrer-Ökonomie oder völlig neue Dienstleistungen, die noch nicht existieren?

AI wird alle diese Bereiche berühren, aber der Grad der Differenzierung wird variieren.

Innerhalb von drei Jahren wird jede ernsthafte Mobilitäts-Plattform wahrscheinlich kompetente Nachfrage-Prognose haben. Sicherheits- und Vertrauens-Features werden Pflicht. Support wird rapide automatisiert, da LLMs reifen. Autonome Operationen werden wichtig sein, aber vollständige Autonomie weltweit (außerhalb entwickelter Märkte wie den USA) wird wahrscheinlich nicht vor einem weiteren Jahrzehnt wesentlich auf Frontier-Märkte auswirken.

Ein Bereich, in dem die Differenzierung wahrscheinlich am größten sein wird, ist durch die Kombination von Echtzeit-Orts-Daten, Verhaltens-Daten, Zahlungs-Daten und lokaler Markteinformationen geschaffen, die die Grundlage für Dienstleistungen bilden, die wir noch nicht konzipiert haben, in Bereichen wie hyperlokale Commerce, Gesundheitswesen oder prädiktive Logistik. Die Plattform mit dem reichsten Daten-Fundament und der organisatorischen Agilität, um neue vertikale Märkte schnell zu testen und zu skalieren, wird einen kumulativen Vorteil haben.

Agente AI ist der Bereich, in dem die langfristigste Differenzierung entstehen wird. Wenn agente Workflows reifen, werden sie Onboarding, Betrugs-Überwachung, Finanz-Operationen und personalisierte Coaching übernehmen. Plattformen mit dem richtigen Daten-Fundament können schneller experimentieren und skalieren.

AI schafft keinen Wettbewerbs-Vorteil allein. Es schafft Vorteile, wenn es mit einzigartigen Daten, einzigartiger Marktposition und der operativen Disziplin, um auszuführen, kombiniert wird. Die Position von inDrive – die weltweit zweit-meist heruntergeladene Ride-Hailing-App, mit dominanten Positionen in Frontier-Märkten, über 400 Millionen Downloads und einer Marke, die auf Fairness aufbaut – ist die Grundlage. AI ist der Verstärker. Ohne die Grundlage hat der Verstärker nichts zu verstärken.

Vielen Dank für das großartige Interview. Leser, die mehr erfahren möchten, sollten inDrive besuchen.