Yuri Misnik, Chief Technology Officer, inDrive – Interview Series

Yuri Misnik ist der Chief Technology Officer bei inDrive, wo er die globale Technologie-Strategie des Unternehmens leitet. Mit mehr als zwei Jahrzehnten internationaler Erfahrung hat Misnik hochwirkungsvolle 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 und AWS inne. Später war er als Digitaler CIO bei HSBC, CIO bei National Australia Bank und Group CTO bei 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, wo er zum Design des Boeing 787 beitrug, bevor er in die Software-Entwicklung und Online-Handelssysteme wechselte. Er ist gleichzeitig fließend in Legacy-Plattformen und modernen verteilten Architekturen und ist bekannt dafür, grundlegende Systeme mit bahnbrechenden Innovationen zu verbinden.

Bei inDrive konzentriert er sich darauf, die Systeme, Teams und Plattformen aufzubauen, die das Unternehmen in seiner nächsten Wachstumsphase antreiben werden.

inDrive ist eine globale Mobilitäts- und Stadt-Service-Plattform, die Benutzer mit Fahrern und Dienstleistern in den Bereichen Fahrdienste, 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 vertrauen, mit dem Ziel, transparentere und gerechtere Transaktionen zu schaffen. Darüber hinaus hat inDrive sich in Bereiche wie Fernreisen, Kurierdienste, Finanzdienstleistungen und sogar Lebensmitteleinkäufe ausgeweitet und positioniert sich als umfassendes “Super-App”-Angebot, das auf zugängliche und gerechte städtische Dienstleistungen ausgerichtet ist.

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 Art und Weise geprägt, AI-Systeme zu bauen, die technisch ambitioniert sind, aber dennoch in Fairness, Widerstandsfähigkeit und realen Einschränkungen verwurzelt sind?

Ich begann meine Karriere in angewandter Mathematik und Finite-Element-Analyse, was grundlegend darum geht, zu verstehen, wo Ihr Modell zusammenbricht, anstatt zu feiern, wo es funktioniert. Diese Denkweise ist genau die, wie ich heute AI-Systeme angehe.

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 zusammenbrechen, Netzwerke ausfallen, Komponenten unerwartet verhalten. 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 eine andere Perspektive. Bei HSBC baute ich Retail-Digitalfähigkeiten über Dutzende von Regulierungsregimen hinweg auf. Bei NAB trieb ich die Cloud-Transformation voran, indem ich kritische Bankanwendungen auf AWS verlagerte. In diesen Umgebungen hat jede technologische Entscheidung regulatorische, reputationsbezogene und finanzielle Konsequenzen. Ein AI- oder ML-Modell, das seine Entscheidungen nicht auf eine Weise erklären kann, die ein Regulator oder Kunde verstehen kann, ist kein Vermögenswert, 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 verwurzelt.

Das bedeutet, AI-Systeme zu bauen, die informieren und unterstützen, zum Beispiel, indem sie einen fairen Preis empfehlen, 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 dies entwerfen oder bauen?” zu “Sollten wir dies bereitstellen, und was passiert, wenn es um 3 Uhr morgens in einem Markt mit realen Einsätzen fehlschlägt?” Das ist die Perspektive, die ich bei inDrive einbringe.

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

AI bei inDrive ist nicht nur auf Preise beschränkt; es ist über das gesamte Geschäft verteilt, von Marketing und Wachstum über Super-App-Personalisierung, Kundenunterstützung, geospatialer Intelligenz, interner Tooling, Betrugsprävention und mehr. Über 80 % unserer Belegschaft nutzen eine Vielzahl von AI-Tools, von Kundenunterstützung 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 von 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 Taxipreise zu bekämpfen. Unser Kernwettbewerbsvorteil ist dieses Peer-to-Peer-Verhandlungsmodell – Fahrgäste machen Angebote, Fahrer akzeptieren, kontern oder lehnen ab. Dieser offene Gebotsfluss ist fundamental. Was AI tut, ist, Entscheidungshilfen rund um diesen menschlich verhandelten Preis zu leisten.Wenn Sie traditionelle Preisschwankungsmodelle betrachten – 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 Benutzeragentur. Wir verwenden auch ML, um Fahrern zu helfen, zu verstehen, wo und wann die Verdienste stärker sind.Wir verwenden AI, um Informationsasymmetrien zwischen beiden Parteien zu reduzieren, anstatt sie auszunutzen.

Was bedeutet ein “AI-erstes Super-App”-Angebot in der Praxis bei inDrive, und welche Teile der Plattform sind der natürliche Fit für AI heute: Marketplace-Matching, Sicherheit, Kundenunterstützung, 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 Marketplace-Matching bis hin zu Kundenunterstützung und Kreditbewertung – beginnt mit der Frage: Welche Daten haben wir, und wie sollte Intelligenz diese Erfahrung prägen? Im Gegensatz zu herkömmlichen Super-Apps, die vor der AI-Ära gewachsen sind, integrieren wir diese Fähigkeiten von Grund auf, während wir über acht vertikale Bereiche skalieren: Fahrdienste, Fernreisen, Kurierdienste, Fracht, Lebensmitteleinkäufe, städtische Dienstleistungen und Finanzprodukte.

In Bezug auf den natürlichen Fit ist Marketplace-Matching und Preisintelligenz der Kernmotor – 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-gestützte Unterstützung – nicht nur Chatbots, sondern intelligente Triage, Auto-Auflösung von häufigen Problemen und mehrsprachige Fähigkeiten – ist sowohl ein Kostenvorteil 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 verwenden Fahrt-Daten, Verdienstmuster und Plattform-Verhalten, um alternative Kreditmodelle für Fahrer zu erstellen, die traditionelle Banken mit herkömmlichen Kredit-Daten allein nicht replizieren können. Es ist bereits in Mexiko, Kolumbien, Brasilien, Indonesien und Peru verfügbar.

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

Der Super-App-Multiplikator ist, dass jeder zusätzliche vertikale Bereich den Daten-Graphen anreichert. Ein Fahrgast, der auch Lebensmitteleinkäufe und Fahrer-Darlehen nutzt, gibt uns ein 360-Grad-Verhaltensbild. Das macht jeden einzelnen Dienst intelligenter – aber nur, wenn die Daten-Fundamente und -Governance richtig sind, was der harte 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 verschiedenen Regionen funktioniert. Wir gehen damit um, indem wir eine einzige, hoch konfigurierbare Plattform haben, bei der die meisten Arbeiten, die wir für neue Länderstarts durchführen, Konfigurationsänderungen und nicht neuer Code sind.

Unsere Architektur verwendet mehrere AWS-Regionen und eine Multi-Availability-Zone-Umgebung, die einzelne Fehlerpunkte eliminiert. Unsere DevOps-Plattform ist hoch automatisiert, was unseren wachsenden Ingenieur-Teams in Pakistan, Ägypten und Asien hilft, mit den gleichen Standards wie unsere europäischen Teams zu arbeiten. Wir bauen auch Ingenieurskapazitäten in Lateinamerika auf, wo wir erhebliche Geschäftsoperationen haben, um diesen Markt über die Zeit mit nahegelegener Ingenieurspräsenz 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 Sie am wertvollsten, während inDrive in Dienstleistungen wie Finanztechnologie expandiert und mehr AI-getriebene Entscheidungssysteme aufbaut?

Drei Lektionen aus HSBC und NAB sind fast direkt anwendbar.

Erstens sind Prüfbarkeit und Kontrollen rund um Daten nicht optional. Im Bankwesen muss jede kritische Daten-Einheit, jede Entscheidung, die einen Kunden betrifft, von entsprechenden 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.

Zweitens geht Daten-Governance der Daten-Wissenschaft voraus. Bei NAB und HSBC lernte ich, dass der größte Flaschenhals für AI nicht das Modell ist – es sind die Daten. Wem gehören sie? Sind sie sauber? Sind sie zugelassen? Sind sie ordnungsgemäß linealisiert? Bei inDrive muss unsere Daten-Governance schnellstens ausgereift werden, während wir von Fahrdiensten in Finanzdienstleistungen expandieren. Wenn Sie die AI aufbauen, bevor die Governance vorhanden ist, sammeln Sie technische und regulatorische Schulden, die exponentiell schwerer zu begleichen sind.

Drittens zählt operative Widerstandsfähigkeit mehr als Modellleistung. Das Bankwesen hat mich gelehrt, dass ein Modell mit 99,9-prozentiger Genauigkeit, das im 0,1-prozentigen Fall katastrophal fehlschlägt, schlimmer ist als ein Modell mit 95-prozentiger Genauigkeit und einer eleganten Verschlechterung. In unserem Fall kann ein falsch positives Ergebnis bei der Betrugsprävention, das einen Fahrer von seinem Verdienst ausschließt, das Vertrauen zerstören. Sie entwerfen für den Fehlerfall, nicht den glücklichen Pfad.

Ein Vorteil, den inDrive gegenüber traditionellen Finanztechnologie-Unternehmen hat, ist, dass wir kontinuierliche Verhaltensdaten über die Kreditnehmer haben. Wir wissen, wie oft sie fahren, ihre Akzeptanzraten, ihre Verdienstmuster, ihre Zuverlässigkeitssignale. Das bietet stärkere Signale für Kreditwürdigkeit als ein punktuelles FICO-Scoring oder Bankauszug. 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 leistungsfähiger werden?

Ich habe ein einfaches Prinzip: Automatisieren Sie das Wiederholbare; halten Sie Menschen auf das Unwiderrufliche. Wenn eine falsche Entscheidung billig rückgängig zu machen ist, automatisieren Sie. Wenn sie Vertrauen, Lebensunterhalt oder Sicherheit zerstören kann, bleibt menschliche Urteilsfähigkeit bestehen.

Preisautorität 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, unabhängig davon, 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.

Sicherheitse Eskalationen sind ein weiterer klarer Fall.Wir automatisieren erste Ebene der Inhaltsmoderation und Unterstützung im großen Maßstab. Trainiert auf Millionen von Texten, unser AI-System verarbeitet über zwei Drittel der Fahrdienst-Chats, um Kunden schnell vor unangemessenem Sprachgebrauch zu schützen und zu warnen. 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 menschliche Urteilsfähigkeit nur angewendet wird, wenn sie wirklich wertvoll ist.Die Kosten eines falschen Negativ-Ergebnisses sind jemandes Sicherheit. Sie können das nicht automatisieren und gleichzeitig Rechenschaftspflicht aufrechterhalten.

Unser umfassendes Prinzip ist, dass AI menschliche Urteilsfähigkeit unterstützen, als Teammitglied und nicht als Ersatz dienen sollte.

Markteintritt und regulatorische Anpassung erfordern menschliche Urteilsfähigkeit, 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 menschliche Urteilsfähigkeit, da der Kontext immer reicher ist als das, was die Daten erfassen.

Der Fehler, den viele Unternehmen machen, ist, “Menschen im Prozess” als eine Phase zu behandeln, die sie letztendlich automatisieren werden. Für die Kategorien, die ich beschrieben habe, ist das die falsche Herangehensweise. Sie sind Fälle, in denen menschliche Urteilsfähigkeit strukturell angemessen ist und 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 daran, AI von isolierten Anwendungsfällen in eine Betriebs-Ebene über das gesamte Unternehmen zu verwandeln?

Jeder gibt die höfliche Antwort: Datenqualität. Das ist wahr, aber unzureichend. Das eigentliche Hindernis ist organisatorisch.Das Schwierigste 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 Sie AI als eine Reihe isolierter Initiativen behandeln, baut jedes Team seine eigene Pipeline, seine eigenen Daten-Zugriffsmuster, seine eigene Vorstellung davon, was “Qualität” für sein Modell bedeutet. Aber wenn Sie AI als horizontale Betriebs-Ebene wollen, die Preisgestaltung, Sicherheit, Unterstützung, Geo, Personalisierung gleichzeitig berührt, benötigen Sie gemeinsame Fundamente.

Dazu gehören 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 treibt.Beispielsweise 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 die Kosten-Eigentümerschaft dezentralisiert und in den Teams eingebettet ist, anstatt zentral als Nachgedanke verwaltet zu werden.

Eine weitere erhebliche Herausforderung bei der Verwendung von AI für interne Operationen besteht darin, dass das Automatisieren von Chaos nur Chaos erzeugt. Daher arbeiten wir aktiv mit internen Teams daran, ihre Arbeit zu formalisieren und ihre Prozesse klar zu beschreiben und veraltete Dokumentation zu bereinigen. Obwohl dies nicht neu ist, sind diese grundlegenden Schritte entscheidend für die erfolgreiche Einführung und den Nutzen von AI innerhalb der Organisation.

Fahrdienst-Plattformen verarbeiten enorme Mengen an realen Verhaltens-Daten. Wie balancieren Sie die Gelegenheit, 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 Fahrdienst ist real. Kombiniert mit Liefer- und Finanztechnologie-Daten wird es zu einem außergewöhnlich reichen Verhaltens-Datensatz. Die Versuchung, dies auszunutzen, ist genau das, was wir ablehnen.

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

Auf der Fahrer-Seite behandeln wir Datenrechte als eine wirtschaftliche Partnerschaftsfrage. Fahrer sind keine Datenquellen. Sie sollten verstehen, was wir sammeln, wie wir es verwenden und – kritisch – davon profitieren. inDrive.Money ist ein direktes Beispiel: dieselben Verhaltens-Daten, die uns helfen, den Markt zu betreiben, ermöglichen auch Finanzdienstleistungen, die Fahrer benötigen und die traditionelle Banken nicht mit herkömmlichen Kredit-Daten allein replizieren können. Dieser Wert-Austausch muss bidirektional, transparent und fair sein.

Für Vorhersage und Nachfrage-Prognose bevorzugen wir aggregierte Muster gegenüber individuellem Tracking, wo immer möglich. Sie müssen nicht wissen, wohin eine bestimmte Person jeden Tag fährt; Sie müssen 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 höheren Standards zu messen, unabhängig davon, was das lokale Recht erlaubt.

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

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 Replikation weltweit erfordert einen grundlegend anderen Ansatz, und wir denken, dass unser Modell besser für fragmentierte Märkte geeignet ist.

Die Grundlage muss global sein, lokal angepasst. Wir bieten gemeinsame Plattform-Dienste – Identität, Wallet, Benachrichtigungen, Analyse, Karten, Unterstützung – 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. Sie können kein monolithisches Produkt ausliefern und erwarten, dass es überall Resonanz findet.

Dieser modulare Ansatz ermöglicht es jedem Produkt – Fahrdienste, Lieferdienste, Lebensmitteleinkäufe, Finanztechnologie –, sich an die spezifischen Bedürfnisse jedes Marktes anzupassen, während es auf einer gemeinsamen Plattform operiert. Auch eine einheitliche Identitäts- und Daten-Ebene ist essentiell. Der gesamte Wert einer Super-App liegt darin, dass die Nutzung eines Dienstes die anderen verbessert. Dazu ist ein einzelner Benutzer-Daten-Graph über vertikale Ebenen hinweg erforderlich. Den Aufbau ohne ein Datenschutz-Problem zu schaffen, ist die größte technische Herausforderung in diesem gesamten Vorhaben.

Zweitens muss der Relevanz-Motor auf der Ebene des Einzelnen funktionieren, nicht des Marktes. Was wir “Segment von einem” nennen – die Verwendung 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.

Drittens benötigen Sie lokale Partnerschaften anstelle eines Aufbaus aller Dienstleistungen. Wir haben in Krave Mart in Pakistan für Lebensmitteleinkäufe investiert, mit Fingular und Ammana in Indonesien für Finanzdienstleistungen zusammengearbeitet. Die Technologie-Plattform ist global; die Dienstleistungserbringung ist lokal. AI hilft, indem sie diese Integrationen für den Endbenutzer nahtlos macht.

Viertens benötigen Sie einen Frequenz-Anker. Deshalb ist Lebensmitteleinkauf so wichtig für unsere Strategie. Fahrdienste könnten wöchentlich sein. Lebensmitteleinkäufe sind täglich oder nahezu täglich.

Letztlich muss das operative Modell in der Lage sein, Marktspezifische 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 auf lokale Anforderungen zu reagieren, ohne vollständige App-Neuveröffentlichungen durchzuführen. Diese Flexibilität, kombiniert mit einer dezentralisierten Multi-Region-Infrastruktur, ist es, was eine Plattform über Märkte hinweg kohärent funktionieren lässt, ohne entweder Uniformität zu erzwingen oder Fragmentierung zu akzeptieren.

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

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

Innerhalb von drei Jahren wird jede ernsthafte Mobilitäts-Plattform wahrscheinlich eine kompetente Nachfrage-Prognose haben. Sicherheits- und Vertrauens-Features werden zum Standard gehören. Unterstützung wird schnell automatisiert, da LLMs ausgereift sind.Autonome Operationen werden letztendlich wichtig sein, aber vollständige Autonomie weltweit (außerhalb entwickelter Märkte wie den USA) ist unwahrscheinlich, dass sie in den nächsten zehn Jahren erheblich die Frontier-Märkte beeinflussen wird.

Ein bedeutender Bereich der Differenzierung in der Branche ist jedoch wahrscheinlich durch völlig neue Dienstleistungen gekennzeichnet, die noch nicht existieren. Die Kombination von Echtzeit-Orts-Daten, Verhaltens-Daten, Zahlungs-Daten und lokaler Markt-Intelligenz schafft die Grundlage für Dienstleistungen, 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 Bereiche 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 ausgereift sind, um Onboarding, Betrugs-Überwachung, Finanz-Operationen und personalisierte Coaching zu handhaben, können Plattformen mit den richtigen Daten-Fundamenten möglicherweise schneller experimentieren und skalieren.

AI schafft keinen Wettbewerbs-Vorteil von sich aus. Es schafft Vorteile, wenn es mit einzigartigen Daten, einzigartiger Marktposition und der operativen Disziplin kombiniert wird, um auszuführen. InDrives Position – die weltweit zweitmeist heruntergeladene Fahrdienst-App, mit dominanten Positionen in Frontier-Märkten, über 400 Millionen Downloads und einer Marke, die auf Fairness aufbaut – ist das Fundament. AI ist der Verstärker. Ohne das Fundament hat der Verstärker nichts zu verstärken.

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