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 (MSFT ) 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 Banco First Abu Dhabi, donde modernizó entornos complejos y altamente regulados a través de modelos de ingeniería de productos, DevOps y nube.

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. Equally fluente en plataformas legadas 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 la aplicación 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 finanzas y 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 el Banco Nacional de Australia, y ahora estás liderando la transformación de la IA en inDrive. ¿Cómo ha moldeado ese viaje tu forma de pensar sobre la construcción de sistemas de IA que son técnicamente ambiciosos pero aún así están arraigados en la justicia, 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 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 el Banco Nacional de Australia trajeron una perspectiva diferente. En HSBC, estaba construyendo capacidades digitales minoristas en decenas de regímenes regulatorios. En el Banco Nacional de Australia, 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 manera que un regulador o cliente pueda entender es una responsabilidad, no un activo.

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 justicia 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 común a través de 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 perspectiva 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 brindando 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 la superaplicación, 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, hemos logrado una mejora del 14% en la precisión de la hora estimada 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. Nuestro identificador competitivo principal es este modelo de negociación peer-to-peer — los pasajeros proponen, los conductores aceptan, contraofrecen o rechazan. Este flujo de licitación abierta es fundamental. Lo que hace la IA es actuar como soporte de decisión alrededor de ese precio negociado por humanos.Si se examinan los modelos de precios de aumento tradicionales — 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 contraofrecer, 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 ser una “superaplicación de IA” en inDrive y qué partes de la plataforma son las más naturales para la IA hoy en día: emparejamiento 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 el emparejamiento de mercado hasta el soporte al cliente y la calificación 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 incorporando 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, el emparejamiento de mercado y la inteligencia de precios son el motor central — un mejor emparejamiento significa una mayor utilización, lo que significa una mejor economía para ambos conductores y 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 también 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 viajes, patrones de ganancias y 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 menor alfabetización o discapacidades. En muchos de nuestros mercados, es un requisito para llegar a la población abordada.

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 drásticamente. ¿Cómo diseñan sistemas de IA que funcionen bien en regiones con infraestructuras, hábitos de pago, entornos regulatorios y expectativas de usuarios muy diferentes?

La dificultad radica en crear un modelo unificado que funcione de manera confiable en 48 países y más de 1.000 ciudades en ocho regiones distintas. Abordamos esto con una plataforma altamente configurable donde la mayoría del trabajo que realizamos para lanzamientos de nuevos países han sido cambios de configuración, no nuevo código. Esto enfoca 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 múltiples zonas de disponibilidad que elimina 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 una presencia de ingeniería cercana con el tiempo.

Has liderado grandes esfuerzos de transformación en la nube y digital en instituciones como HSBC y el Banco Nacional de Australia. ¿Qué lecciones de entornos financieros altamente regulados están resultando más valiosas a medida que inDrive se expande a servicios como los finanzas y construye más sistemas de toma de decisiones impulsados por la IA?

Tres lecciones de HSBC y el Banco Nacional de Australia se transfieren casi directamente.

Primero, la auditoría y los controles alrededor de los datos no son opcionales. En el banco, 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 y controles regulatorios 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 el Banco Nacional de Australia y HSBC, aprendí que el mayor cuello de botella para la IA nunca es 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 es más importante que el rendimiento del modelo. El banco me enseñó que un modelo del 99,9% preciso que falla catastróficamente en el 0,1% de los casos es peor que un modelo del 95% 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 tiene inDrive sobre los finanzas 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 un puntaje FICO o una declaración bancaria estándar. Pero esa ventaja solo se materializa si construimos los marcos de gobernanza y justicia para usarla de manera responsable, lo cual es donde la “memoria muscular” del banco es invaluable.

Muchas empresas hablan de mantener a los “humanos en el ciclo”, 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 automatizados 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 fácilmente 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 ser humano — tanto el pasajero como el conductor — siempre tiene la última palabra sobre el precio. Esto es innegociable, independientemente de lo sofisticadas que se vuelvan nuestras recomendaciones de IA. El momento en que nos lo quitamos, nos convertimos en solo otra plataforma algorítmica, perdiendo lo que nos distingue.Eso es arquitectónico.

Las escaladas de seguridad son otro caso claro. Automatizamos la moderación de contenido de primer nivel y el soporte a escala. Capacitado en millones de textos, nuestro sistema de IA procesa más de dos tercios de las conversaciones de transporte para detectar, marcar y proteger rápidamente a los clientes de lenguaje inapropiado. Pero cuando una situación es genuinamente ambigua o tiene consecuencias significativas para el sustento de alguien, un ser 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 debe decidir autónomamente cómo operamos en un nuevo entorno regulatorio. Y las decisiones a nivel de cuenta — prohibiciones permanentes, resolución de disputas, apelaciones — requieren juicio humano porque el contexto siempre es más rico de lo que captura la datos.

El error que cometen muchas empresas es tratar “humanos en el ciclo” como una fase que eventualmente automatizarán. Para las categorías que he descrito, esa es la forma equivocada de encararlo. Son casos en los que el juicio humano es apropiado estructuralmente y seguirá siéndolo.

Una de las partes más difíciles de escalar la IA es no el rendimiento del modelo, sino la disciplina operativa: calidad de datos, gobernanza, monitoreo y control de costos. ¿Cuál ha sido el mayor obstáculo para 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 cómo 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 deseas 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 sobre 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 incorpora en los equipos, en lugar de manejarse centralmente como un después.

Otro desafío significativo es el uso de la IA para operaciones internas. La automatización del caos solo produce caos. Por lo tanto, estamos trabajando activamente con 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 justicia para ambos conductores y pasajeros?

La ventaja de datos en el transporte es real. Combinada con datos de entrega y finanzas, 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. Utilizamos los datos recopilados para mejorar los viajes. No se vuelve a utilizar para publicidad dirigida 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 habilitan servicios financieros que los conductores necesitan y no pueden acceder a través de bancos tradicionales. Ese intercambio de valor debe ser bidireccional, transparente y justo.

Para la predicción y previsión de la demanda, preferimos patrones agregados sobre el seguimiento individual siempre que sea posible. No necesitas saber a dónde viaja una persona específica todos los días; necesitas saber que la demanda en una zona determinada aumenta un 30% 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 decenas de países en lugar de solo en un ecosistema integrado?

El modelo de superaplicación, que se popularizó en Asia, funcionó dentro de entornos regulatorios e infraestructurales relativamente homogéneos, con una integración profunda en pagos, sociales y comercio que tenía pocas alternativas independientes fuertes. 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, finanzas — se adapte a las necesidades específicas de cada mercado mientras opera en una plataforma compartida. También, una capa de identidad y datos 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 a través de 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 al nivel del individuo, no del mercado. Lo que llamamos un “segmento de uno” — utilizando datos, análisis y ML para entender qué es importante para 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 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 estas integraciones sean indetectables para el usuario final.

En cuarto lugar, necesitas un ancla de frecuencia. Es por eso que la entrega de comestibles es tan importante para nuestra estrategia. El transporte puede ser semanal. La entrega de comestibles es diaria o casi diaria.

Finalmente, el modelo operativo debe ser capaz de absorber la variabilidad de mercado a mercado sin perder coherencia. Nuestra plataforma Código Cero, 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 redistribuir la aplicación completa. Esa flexibilidad, combinada con una infraestructura descentralizada de múltiples regiones, es lo que permite que una plataforma funcione coherentemente en varios 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 aún?

La IA afectará 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 de serie. 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 tenga un impacto material en los mercados fronterizos en al menos una década.

Un área de diferenciación importante a través de la industria, sin embargo, probablemente esté marcada por servicios completamente nuevos que no existen aún. 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 compuesta.

La IA agente es donde se abrirá la separación a largo plazo. A medida que maduren los flujos de trabajo agente, manejo de incorporación, monitoreo de fraude, operaciones financieras y capacitación personalizada, las plataformas con los fundamentos de datos correctos pueden 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 justicia — 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.