Yuri Misnik, Director de Tecnología, inDrive – Serie de Entrevistas

Yuri Misnik es el Director de Tecnología de inDrive, donde lidera la estrategia tecnológica global de la empresa. Con más de dos décadas de experiencia internacional, Misnik ha construido y liderado programas de tecnología de alto impacto en la nube, servicios financieros y transformación digital a gran escala.

Antes de unirse a inDrive, ocupó puestos senior en Microsoft y AWS. Más tarde, se desempeñó como Director de Tecnología Digital en HSBC, Director de Informática en el Banco Nacional de Australia y Director de Tecnología del Grupo en el First Abu Dhabi Bank, donde modernizó entornos complejos y altamente regulados a través de la nube, Agile, DevOps y modelos de ingeniería centrados en productos.

Misnik comenzó su carrera en ingeniería aeroespacial, contribuyendo al diseño del Boeing 787 antes de pasar a la ingeniería de software y sistemas de comercio en línea. Igualmente fluido en plataformas heredadas y arquitecturas distribuidas modernas, es conocido por tender puentes entre sistemas fundamentales y innovación de vanguardia.

En inDrive, se centra en construir los sistemas, equipos y plataformas que impulsarán la próxima fase de crecimiento global de la empresa.

inDrive es una plataforma global de movilidad y servicios urbanos que conecta a los usuarios con conductores y proveedores de servicios en servicios de transporte, entrega y otros servicios bajo demanda. Fundada en 2013, la empresa opera en más de 48 países y más de 1.000 ciudades, con cientos de millones de descargas de aplicaciones en todo el mundo. Su diferenciador principal es un modelo de fijación de precios peer-to-peer que permite a los pasajeros y conductores negociar los precios directamente, en lugar de confiar en la fijación de precios algorítmica, con el objetivo de crear transacciones más transparentes y justas. Más allá del transporte, inDrive se ha expandido a áreas como viajes interurbanos, servicios de mensajería, ofrecimientos de fintech e incluso entrega de comestibles, posicionándose como una “super aplicación” más amplia centrada en servicios urbanos accesibles y equitativos.

Comenzaste en modelado matemático y análisis de elementos finitos antes de pasar por Microsoft, AWS, HSBC y National Australia Bank, y ahora estás liderando la transformación de la IA en inDrive. ¿Cómo ha moldeado ese viaje la forma en que piensas sobre la construcción de sistemas de IA que son técnicamente ambiciosos pero aún así están arraigados en la equidad, la resiliencia y las limitaciones del mundo real?

Comencé mi carrera en matemáticas aplicadas y análisis de elementos finitos, que fundamentalmente se trata de entender dónde se rompe tu modelo, en lugar de celebrar dónde funciona. Esa mentalidad es exactamente cómo abordo los sistemas de IA hoy en día.

En Microsoft y luego en AWS, donde pasé más de una década, aprendí lo que sucede cuando se construyen plataformas a escala global. Se asume que los sistemas se degradarán, las redes fallarán, los componentes se comportarán de manera inesperada. En inDrive, que opera en más de 1.000 ciudades en 48 países, esa forma de pensar ha demostrado ser absolutamente vital.

HSBC y National Australia Bank (NAB) trajeron una lente diferente. En HSBC, estaba construyendo capacidades digitales minoristas en decenas de regímenes regulatorios. En NAB, impulsé la transformación en la nube, moviendo aplicaciones bancarias críticas a AWS. En esos entornos, cada decisión tecnológica conlleva consecuencias regulatorias, reputacionales y financieras. Un modelo de IA o ML que no puede explicar sus decisiones de una manera que un regulador o cliente pueda entender no es un activo, sino una responsabilidad.

Un producto debe reflejar las necesidades de las personas, no demostrar la complejidad de tu pila. Ese principio es lo que mantiene la ambición técnica arraigada en la equidad y las limitaciones del mundo real.

Eso significa construir sistemas de IA que informen y asistan, por ejemplo, recomendando un precio justo sin quitar el control a las personas en el mercado.La línea que recorre todo esto es simple: la ambición técnica sin disciplina operativa es solo una demostración. Mi carrera ha sido una progresión de “¿podemos diseñar o construir esto?” a “¿debemos implementar esto, y qué sucede cuando falla a las 3 am en un mercado donde las apuestas son reales?” Esa es la lente que traigo a inDrive.

La mayoría de las plataformas utilizan IA para fijar precios. inDrive utiliza la negociación. ¿Cómo se ajusta el aprendizaje automático a su modelo y dónde en la plataforma está entregando el mayor valor sin comprometer la transparencia que hace que inDrive sea diferente?

La IA en inDrive no se trata solo de precios; está integrada en todo el negocio, abarcando marketing y crecimiento, personalización de superaplicaciones, soporte al cliente, inteligencia geoespacial, herramientas internas, prevención de fraude y más. Más del 80% de nuestra fuerza laboral utiliza una variedad de herramientas de IA, desde soporte al cliente y marketing hasta codificación y análisis. La IA está haciendo un trabajo significativo en la infraestructura circundante: en 2025, logramos una mejora del 14% en la precisión de la ETA en comparación con 2024, gracias a nuestros modelos de aprendizaje profundo. Así que cuando la gente pregunta sobre la IA y los precios, es importante entender que es solo una dimensión de una capacidad mucho más amplia.

inDrive se fundó en Yakutsk para combatir los precios de taxi injustos y colusivos. Nuestra identidad competitiva principal es este modelo de negociación peer-to-peer — los pasajeros proponen, los conductores aceptan, contrapropician o rechazan. Este flujo de licitación abierto es fundamental. Lo que hace la IA es actuar como soporte de decisión alrededor de ese precio negociado por humanos. Si miras los modelos tradicionales de precios de aumento — son una caja negra. El usuario ve un multiplicador y no tiene recurso. En nuestro modelo, el pasajero ve un precio sugerido, el conductor puede aceptar o contrapropiciar, y el pasajero decide si acepta o espera otra oferta. El ML hace que estas sugerencias sean más inteligentes y contextualmente relevantes en función de la oferta, la demanda, la distancia, el tráfico y el tiempo, pero el mecanismo de negociación preserva la agencia del usuario. También usamos ML para ayudar a los conductores a entender cuándo y dónde son más fuertes los ingresos. Estamos utilizando la IA para reducir la asimetría de información entre ambas partes, no para explotarla.

¿Qué significa en la práctica una “superaplicación de IA” en inDrive y qué partes de la plataforma son las más naturales para la IA hoy en día: coincidencia de mercado, seguridad, soporte al cliente, servicios financieros, o algo más!

La mayoría de las empresas que dicen “IA primero” significan que han agregado un chatbot. Eso no es lo que estamos haciendo.

IA primero significa que la IA se encuentra en la capa de operación de la plataforma, no en la capa de características. Cada decisión de producto — desde la coincidencia de mercado hasta el soporte al cliente hasta la puntuación crediticia — comienza con la pregunta: ¿qué datos tenemos, y cómo debe moldear la inteligencia esta experiencia? A diferencia de las superaplicaciones legadas que crecieron antes de la era de la IA, estamos integrando estas capacidades desde abajo a medida que escalamos en ocho verticales: transporte, viajes interurbanos, mensajería, carga, entrega de comestibles, servicios urbanos y productos financieros.

En términos de ajuste natural, la coincidencia de mercado y la inteligencia de precios son el motor central — una mejor coincidencia significa una mayor utilización, lo que significa mejores economías tanto para los conductores como para los pasajeros. La confianza y la seguridad también son un área crítica: detección de anomalías en tiempo real, verificación de conductores y prevención de fraude.

Operamos en 48 países y decenas de idiomas. El soporte al cliente impulsado por IA — no solo chatbots, sino triage inteligente, resolución automática de problemas comunes y capacidad multilingüe — es tanto un multiplicador de costos como de calidad.

Los servicios financieros a través de inDrive.Money son donde la IA nos ha ayudado a crear una nueva propuesta de valor para los clientes — en este caso, nuestros conductores. Estamos utilizando datos de viaje, patrones de ganancias, comportamiento en la plataforma para construir modelos de crédito alternativos para conductores que los bancos tradicionales no pueden replicar con datos crediticios estándar solamente. Ya está en vivo en México, Colombia, Brasil, Indonesia y Perú.

También usamos la IA para la accesibilidad y la inclusión — simplificando interfaces para usuarios con alfabetización más baja o discapacidades. En muchos de nuestros mercados, es un requisito para llegar a la población abordable.

El multiplicador de la superaplicación es que cada vertical adicional enriquece el gráfico de datos. Un pasajero que también usa entrega de comestibles y préstamos para conductores nos da una imagen de comportamiento de 360 grados. Eso hace que cada servicio individual sea más inteligente — pero solo si la base de datos y la gobernanza están bien, lo cual es la parte difícil.

inDrive es especialmente fuerte en mercados emergentes y fronterizos, donde las condiciones de operación pueden variar dramáticamente. ¿Cómo diseñan los sistemas de IA que funcionan bien en regiones con infraestructuras, hábitos de pago, entornos regulatorios y expectativas de usuario muy diferentes?

La dificultad radica en crear un modelo unificado que funcione de manera fiable en 48 países y más de 1.000 ciudades en 8 regiones distintas. Abordamos esto con una plataforma altamente configurable donde la mayoría del trabajo que hacemos para lanzamientos de nuevos países han sido cambios de configuración, no nuevo código. Esto centra nuestro esfuerzo de ingeniería en requisitos locales: verificación de conductores, validación de documentos y integraciones de bases de datos gubernamentales.

Nuestra arquitectura utiliza múltiples regiones de AWS y un entorno de zona de disponibilidad múltiple que elimina los puntos únicos de falla. Nuestra plataforma DevOps está altamente automatizada, lo que ayuda a nuestros equipos de ingeniería en crecimiento en Pakistán, Egipto y Asia Pacífico a operar con los mismos estándares que nuestros equipos europeos. También estamos construyendo capacidad de ingeniería en América Latina, donde tenemos operaciones comerciales significativas para servir mejor a este mercado con el tiempo con una presencia de ingeniería cercana.

Has liderado grandes esfuerzos de transformación en la nube y digital en instituciones como HSBC y NAB. ¿Qué lecciones de entornos financieros altamente regulados están demostrando ser las más valiosas a medida que inDrive se expande a servicios como la fintech y construye más sistemas de toma de decisiones impulsados por IA?

Tres lecciones de HSBC y NAB se transfieren casi directamente.

Primero, la auditoría y los controles alrededor de los datos no son opcionales. En el banca, cada elemento de datos crítico, cada decisión que afecta a un cliente debe estar rodeado de controles adecuados que protejan la integridad y la coherencia. Todo debe ser trazable y explicable. Y en el mundo digital, debes combinar la velocidad con los controles, lo que significa que todos los requisitos regulatorios deben automatizarse desde el principio. Así que comienzas a pensar en los requisitos regulatorios y los controles como un producto de software, eliminando el trabajo manual y confiando en la automatización en todas partes.

Segundo, la gobernanza de datos precede a la ciencia de datos. En NAB y HSBC, aprendí que el mayor cuello de botella para la IA no es nunca el modelo — es los datos. ¿De quién es? ¿Está limpio? ¿Está consentido? ¿Está debidamente lineado? En inDrive, escalar desde el transporte hasta los servicios financieros significa que nuestra gobernanza de datos debe madurar rápidamente. Si construyes la IA antes de la gobernanza, acumulas deuda técnica y regulatoria que se vuelve exponencialmente más difícil de pagar.

Tercero, la resiliencia operativa importa más que el rendimiento del modelo. El banca me enseñó que un modelo del 99,9 por ciento preciso que falla catastróficamente en el 0,1 por ciento de los casos es peor que un modelo del 95 por ciento preciso con degradación gradual. En nuestro caso, un falso positivo en la detección de fraude que bloquea a un conductor de sus ganancias puede destruir la confianza. Diseñas para el caso de falla, no para el camino feliz.

Una ventaja que inDrive tiene sobre los fintech tradicionales es que tenemos datos de comportamiento continuo sobre los prestatarios. Sabemos con qué frecuencia conducen, sus tasas de aceptación, sus patrones de ganancias, sus señales de confiabilidad. Eso ofrece señales de solvencia más robustas que una puntuación FICO o un estado de cuenta bancario en un momento dado. Pero esa ventaja solo se materializa si construimos los marcos de gobernanza y equidad para usarla de manera responsable, lo cual es donde la memoria muscular del banca es invaluable.

Muchas empresas hablan de mantener a los “humanos en el bucle”, pero esa frase a menudo permanece vaga. En inDrive, ¿dónde cree que el juicio humano debe permanecer innegociable incluso a medida que los flujos de trabajo agenticos y la automatización se vuelven más capaces?

Tengo un principio simple: automatiza lo repetible; mantén a los humanos en lo irreversible. Si una mala decisión es barata y reversible, automatiza. Si puede destruir la confianza, el sustento, o la seguridad, el juicio humano permanece.

La autoridad de precios es el ejemplo más obvio y el que define a inDrive. El humano — tanto el pasajero como el conductor — siempre tiene la última palabra sobre el precio. Esto es innegociable, independientemente de lo sofisticados que se vuelvan nuestras recomendaciones de IA. Eso es arquitectónico.

Las escaladas de seguridad son otro caso claro. Automatizamos la moderación de contenido de primer nivel y el soporte a escala. Entrenado en millones de textos, nuestro sistema de IA procesa más de dos tercios de las conversaciones de transporte para detectar rápidamente, señalarizar y proteger a los clientes de lenguaje inapropiado. Pero cuando una situación es genuinamente ambigua o tiene consecuencias significativas para el sustento de alguien, un humano toma la decisión. La automatización debe filtrar inteligentemente los casos, asegurando que el juicio humano se aplique solo cuando sea verdaderamente valioso. El costo de un falso negativo es la seguridad de alguien. No puedes automatizar eso y mantener la responsabilidad.

Nuestro principio más amplio es que la IA debe apoyar el juicio humano, actuar como un compañero de equipo, no como un sustituto.

La entrada al mercado y la adaptación regulatoria requieren juicio humano porque son inherentemente contextuales. Ningún sistema de IA debería decidir autónomamente cómo operamos en un nuevo entorno regulatorio. Y las decisiones a nivel de cuenta — suspensiones permanentes, resolución de disputas, apelaciones — requieren juicio humano porque el contexto siempre es más rico de lo que captura el dato.

El error que cometen muchas empresas es tratar “humanos en el bucle” como una fase que eventualmente automatizarán. Para las categorías que he descrito, esa es la forma de encuadrar incorrecta. Son casos en los que el juicio humano es estructuralmente apropiado y permanecerá así.

Una de las partes más difíciles de escalar la IA es no el rendimiento del modelo, sino la disciplina operativa: calidad de los datos, gobernanza, monitoreo y control de costos. ¿Cuál ha sido el mayor obstáculo en convertir la IA de casos de uso aislados en una capa de operación en toda la empresa?

Todos dan la respuesta educada: la calidad de los datos. Eso es cierto pero insuficiente. El obstáculo real es organizacional. La cosa más difícil no es ningún problema técnico en particular, sino la transición de una cultura de experimentos de IA individuales a una cultura de operaciones de IA sistemáticas. Ese cambio requiere cambiar la forma en que los equipos piensan sobre la propiedad, la responsabilidad y la medición.

Cuando tratas la IA como un conjunto de iniciativas aisladas, cada equipo construye su propia canalización, sus propios patrones de acceso a datos, su propia comprensión de lo que significa “calidad” para su modelo. Pero cuando quieres que la IA sea una capa de operación horizontal que toca la fijación de precios, la seguridad, el soporte, la geolocalización y la personalización simultáneamente, necesitas fundamentos compartidos.

Eso incluye una capa semántica unificada con definiciones de métricas consistentes, un marco de calidad de datos compartido, infraestructura de gestión de modelos con prácticas de MLOps integradas y políticas de seguridad comunes.

La dimensión de costos, a menudo subestimada, también es vital. Proporcionamos a los equipos visibilidad en los costos reales (por viaje, por transacción, almacenamiento) para ayudar a mejorar la responsabilidad, lo que conduce a mejores decisiones de ingeniería. Por ejemplo, la optimización del almacenamiento nos permitió reducir los costos de datos geoespaciales, lo que redujo significativamente el costo de infraestructura por transacción como resultado. El nivel de mejora que hemos visto es solo posible cuando la propiedad de costos se descentraliza y se integra en los equipos, en lugar de manejarse centralmente como un pensamiento de última hora.

Otro desafío significativo en el uso de la IA para operaciones internas. Automatizar el caos solo produce caos. Por lo tanto, estamos trabajando activamente con los equipos internos para formalizar su trabajo, describiendo sus procesos claramente y limpiando la documentación obsoleta. Si bien no es nuevo, estos pasos fundamentales son cruciales para adoptar y beneficiarse de la IA dentro de la organización.

Las plataformas de transporte procesan enormes cantidades de datos de comportamiento del mundo real. ¿Cómo equilibran la oportunidad de utilizar esos datos para una mejor personalización y previsión con la necesidad de preservar la confianza, la privacidad y la equidad para ambos conductores y pasajeros?

La ventaja de datos en el transporte es real. Combinado con datos de entrega y fintech, se convierte en un conjunto de datos de comportamiento extraordinariamente rico. La tentación de explotarlo en exceso es exactamente lo que nos negamos a hacer.

Aplicamos la limitación de propósito rigurosamente. Usamos los datos recopilados para mejorar los viajes. No se vuelve a utilizar para targeting publicitario ni se vende a terceros. Nuestros usuarios eligieron inDrive en parte porque nos confían más que a los incumbentes. Esa confianza, una vez rota, no se reconstruye.

En el lado del conductor, tratamos los derechos de datos como una cuestión de asociación económica. Los conductores no son fuentes de datos. Deben entender qué recopilamos, cómo lo usamos y —críticamente— beneficiarse de ello. inDrive.Money es un ejemplo directo: los mismos datos de comportamiento que nos ayudan a ejecutar el mercado también permiten servicios financieros que los conductores necesitan y no pueden acceder desde los bancos tradicionales. Ese intercambio de valor debe ser bidireccional, transparente y justo.

Para la previsión y la predicción de la demanda, preferimos patrones agregados en lugar de seguimiento individual siempre que sea posible. No necesitas saber a dónde viaja una persona en particular todos los días; necesitas saber que la demanda en una zona determinada aumenta un 30 por ciento los viernes por la noche.

Operamos en países con marcos de privacidad muy diferentes — desde la LGPD de Brasil hasta mercados con leyes de protección de datos mínimas. Nuestro enfoque es mantenernos en un estándar más alto independientemente de lo que permita la ley local.

El modelo de superaplicación ha sido muy exitoso en partes de Asia, pero es más difícil de replicar en mercados globales fragmentados. ¿Qué debe ser cierto, desde una perspectiva tecnológica y de IA, para que una superaplicación funcione en docenas de países en lugar de solo en un ecosistema integrado?

El modelo de superaplicación, que se popularizó en Asia, funcionó dentro de entornos regulatorios y de infraestructura relativamente homogéneos, con una integración profunda en pagos, sociales y comercio que tenía pocas alternativas fuertes e independientes. Replicar eso a nivel global requiere un enfoque fundamentalmente diferente, y creemos que nuestro modelo es más adecuado para mercados fragmentados.

La base debe ser global por defecto, local por diseño. Exponemos servicios de plataforma compartidos — identidad, billetera, notificaciones, análisis, mapas, soporte — como rieles estables en los que los socios pueden conectarse rápidamente. Cada servicio es independientemente desplegable y configurable localmente, por lo que los nuevos mercados se pueden lanzar a través de la configuración en lugar de nuevo código. No puedes enviar un producto monolítico y esperar que resuene en todas partes.

Este enfoque modular permite que cada producto — viajes, entrega, comestibles, fintech — se adapte a las necesidades específicas de cada mercado mientras opera en una plataforma compartida. También, una capa de datos e identidad unificada es esencial. La totalidad de la propuesta de valor de una superaplicación es que el uso de un servicio mejora los demás. Eso requiere un gráfico de datos de usuario único en todas las verticales. Construir eso sin crear un problema de privacidad es el desafío técnico más difícil de toda la empresa.

En segundo lugar, el motor de relevancia debe funcionar a nivel individual, no de mercado. Lo que llamamos un “segmento de uno” — usando datos, análisis y ML para entender qué importa a un cliente específico en un contexto específico — es lo que hace que una superaplicación se sienta útil en lugar de abarrotada. Si tienes diez servicios y la aplicación muestra todos los diez con prominencia igual, has creado una aplicación con una mala experiencia de usuario, no una superaplicación.

En tercer lugar, necesitas asociaciones locales en lugar de un enfoque de construir todo. Invertimos en Krave Mart en Pakistán para la entrega de comestibles, nos asociamos con Fingular y Ammana en Indonesia para servicios financieros. La plataforma tecnológica es global; la entrega de servicios es local. La IA ayuda al hacer que esas integraciones sean indoloras para el usuario final.

Cuarto, necesitas un ancla de frecuencia. Es por eso que los comestibles son tan importantes para nuestra estrategia. El transporte puede ser semanal. Los comestibles son diarios o casi diarios.

Por último, el modelo operativo debe poder absorber la variabilidad de mercado a mercado sin perder coherencia. Nuestra plataforma Cero-Código, que alimenta más de 400 pantallas de producción visitadas más de 300 millones de veces, nos permite lanzar nuevas pantallas, ejecutar experimentos y adaptarnos a requisitos locales sin redeployments de aplicaciones completas. Esa flexibilidad, combinada con una infraestructura descentralizada multi-región, es lo que permite que una plataforma funcione coherentemente en los mercados, sin forzar la uniformidad o aceptar la fragmentación.

Mirando hacia adelante tres a cinco años, ¿dónde cree que la IA creará la mayor separación competitiva en las plataformas de movilidad: predicción de la demanda, confianza y seguridad, operaciones autónomas, automatización del soporte, economía de conductores, o servicios completamente nuevos que no existen todavía?

La IA tocará todos estos, pero el grado de separación variará.

Dentro de tres años, todas las plataformas de movilidad serias probablemente tendrán una predicción de la demanda competente. Las características de seguridad y confianza serán las de la mesa. El soporte se está automatizando rápidamente a medida que maduran los LLM. Las operaciones autónomas importarán eventualmente, pero la autonomía completa a nivel global (fuera de mercados desarrollados como EE. UU.) es poco probable que impacte materialmente los mercados fronterizos en al menos una década.

Un área importante de diferenciación en toda la industria, sin embargo, probablemente está marcada por servicios completamente nuevos que no existen todavía. La combinación de datos de ubicación en tiempo real, datos de comportamiento, datos de pago y inteligencia de mercado local crea la base para servicios que no hemos concebido en áreas como el comercio hiperlocal, la atención médica o la logística predictiva. La plataforma con la base de datos más rica y la agilidad organizativa para probar y escalar nuevos verticales rápidamente tendrá una ventaja de compounding.

La IA agente es donde se abrirá la separación a largo plazo. A medida que maduran los flujos de trabajo agente, manejar la incorporación, el monitoreo de fraude, las operaciones financieras y la capacitación personalizada, las plataformas con los fundamentos de datos correctos podrían permitir una experimentación y escalabilidad más rápidas.

La IA no crea ventaja competitiva por sí sola. Crea ventaja cuando se combina con datos únicos, posición de mercado única y la disciplina operativa para ejecutar. La posición de inDrive — la segunda aplicación de transporte más descargada del mundo, con posiciones dominantes en mercados fronterizos, más de 400 millones de descargas y una marca construida sobre la equidad — es la base. La IA es el amplificador. Sin la base, el amplificador no tiene nada que amplificar.

Gracias por la gran entrevista, los lectores que deseen aprender más deben visitar inDrive.