Yuri Misnik, Chief Technology Officer, inDrive – Série d’entretiens

Yuri Misnik est le directeur technique d’inDrive, où il dirige la stratégie technologique mondiale de l’entreprise. Avec plus de deux décennies d’expérience internationale, Misnik a conçu et dirigé des programmes technologiques à impact élevé dans le domaine du cloud, des services financiers et de la transformation numérique à grande échelle.

Avant de rejoindre inDrive, il a occupé des postes de direction chez Microsoft et AWS. Il a ensuite occupé le poste de directeur informatique numérique chez HSBC, de directeur informatique chez National Australia Bank et de directeur technique du groupe chez First Abu Dhabi Bank, où il a modernisé des environnements complexes et réglementés grâce à des modèles d’ingénierie basés sur le cloud, Agile, DevOps et produit.

Misnik a commencé sa carrière dans l’ingénierie aérospatiale, contribuant à la conception du Boeing 787 avant de passer à l’ingénierie logicielle et aux systèmes de trading en ligne. Équivalent en plateformes héritées et en architectures distribuées modernes, il est connu pour combiner les systèmes fondamentaux avec l’innovation de pointe.

Chez inDrive, il se concentre sur la construction des systèmes, des équipes et des plateformes qui alimenteront la prochaine phase de croissance mondiale de l’entreprise.

inDrive est une plateforme mondiale de mobilité et de services urbains qui connecte les utilisateurs avec des conducteurs et des prestataires de services dans les domaines du covoiturage, de la livraison et d’autres services à la demande. Fondée en 2013, l’entreprise opère dans plus de 48 pays et plus de 1 000 villes, avec des centaines de millions de téléchargements d’applications dans le monde. Son principal facteur de différenciation est un modèle de tarification parallèle qui permet aux passagers et aux conducteurs de négocier les tarifs directement, plutôt que de s’appuyer sur une tarification algorithmique, dans le but de créer des transactions plus transparentes et équitables. Au-delà des transports, inDrive s’est étendu à des domaines tels que les voyages interurbains, les services de messagerie, les offres de fintech et même la livraison de courses, se positionnant comme une application « super » plus large axée sur les services urbains accessibles et équitables.

Vous avez commencé en modélisation mathématique et en analyse d’éléments finis avant de passer par Microsoft, AWS, HSBC et National Australia Bank, et maintenant vous dirigez la transformation de l’IA chez inDrive. Comment ce parcours a-t-il façonné votre façon de penser la construction de systèmes d’IA qui sont techniquement ambitieux mais toujours ancrés dans l’équité, la résilience et les contraintes du monde réel ?

J’ai commencé ma carrière dans la modélisation mathématique et l’analyse d’éléments finis, qui consiste fondamentalement à comprendre où votre modèle se brise, plutôt que de célébrer où il fonctionne. Cette mentalité est exactement celle que j’applique aux systèmes d’IA aujourd’hui.

Chez Microsoft et ensuite AWS, où j’ai passé plus d’une décennie, j’ai appris ce qui se passe lorsque vous construisez des plateformes à l’échelle mondiale. Vous supposez que les systèmes vont se dégrader, que les réseaux vont échouer, que les composants vont se comporter de manière inattendue. Chez inDrive, qui opère dans plus de 1 000 villes dans 48 pays, cette pensée s’est avérée absolument vitale.

HSBC et National Australia Bank (NAB) ont apporté une autre perspective. Chez HSBC, j’ai construit des capacités numériques de détail à travers des dizaines de régimes réglementaires. Chez NAB, j’ai dirigé la transformation cloud, en déplaçant des applications bancaires critiques vers AWS. Dans ces environnements, chaque décision technologique comporte des conséquences réglementaires, réputationnelles et financières. Un modèle d’IA ou de ML qui ne peut pas expliquer ses décisions de manière que régulateur ou client puisse comprendre n’est pas un atout, mais une responsabilité.

Un produit doit refléter les besoins des gens, et non démontrer la complexité de votre pile. Ce principe est ce qui maintient l’ambition technique ancrée dans l’équité et les contraintes du monde réel.

Cela signifie construire des systèmes d’IA qui informent et aident, par exemple en recommandant un prix équitable sans retirer le contrôle des personnes sur le marché.Le fil conducteur à travers tout cela est simple : l’ambition technique sans discipline opérationnelle n’est qu’une démonstration. Ma carrière a été une progression de « pouvons-nous concevoir ou construire cela ? » à « devrions-nous déployer cela, et qu’est-ce qui se passe lorsqu’il échoue à 3 heures du matin dans un marché où les enjeux sont réels ? » C’est la perspective que j’apporte à inDrive.

La plupart des plateformes utilisent l’IA pour fixer les prix. inDrive utilise la négociation. Comment l’apprentissage automatique s’intègre-t-il réellement dans votre modèle et où sur la plateforme apporte-t-il le plus de valeur sans compromettre la transparence qui fait la différence d’inDrive ?

L’IA chez inDrive ne concerne pas seulement la tarification ; elle est intégrée à l’ensemble de l’entreprise, couvrant le marketing et la croissance, la personnalisation de la super application, le support client, l’intelligence géospatiale, les outils internes, la prévention de la fraude et plus encore. Plus de 80 % de notre effectif utilise une variété d’outils d’IA, allant du support client et du marketing à la codification et à l’analyse. L’IA effectue un travail important dans les infrastructures environnantes – en 2025, nous avons réalisé une amélioration de 14 % de la précision des ETA par rapport à 2024, grâce à l’aide de nos modèles d’apprentissage profond. Lorsque les gens demandent l’IA et la tarification, il est important de comprendre que ce n’est qu’une dimension d’une capacité beaucoup plus large.

inDrive a été fondée à Yakutsk pour lutter contre les prix de taxi injustes et collusifs. Notre identité concurrentielle de base est ce modèle de négociation parallèle — les passagers proposent, les conducteurs acceptent, contre-proposent ou déclinent. Ce flux d’enchères ouvertes est fondamental. Ce que fait l’IA, c’est agir comme un soutien décisionnel autour de ce prix négocié humain.Si vous regardez les modèles de tarification traditionnels – ils sont une boîte noire. L’utilisateur voit un multiplicateur et n’a pas de recours. Dans notre modèle, le passager voit un prix suggéré, le conducteur peut accepter ou contre-proposer, et le passager décide s’il accepte ou attend une autre offre. Le ML rend ces suggestions plus intelligentes et plus pertinentes en fonction de l’offre, de la demande, de la distance, du trafic et du temps, mais le mécanisme de négociation préserve l’autonomie de l’utilisateur. Nous utilisons également le ML pour aider les conducteurs à comprendre quand et où les gains sont plus importants.Nous utilisons l’IA pour réduire l’asymétrie d’information entre les deux parties, et non pour l’exploiter.

Qu’est-ce qu’une « super application IA » signifie réellement dans la pratique chez inDrive, et quels sont les domaines de la plateforme qui sont les plus naturellement adaptés à l’IA aujourd’hui : mise en correspondance de marché, sécurité, support client, services financiers, ou autre chose ?

La plupart des entreprises qui disent « IA d’abord » veulent dire qu’elles ont ajouté un chatbot. Ce n’est pas ce que nous faisons.

IA d’abord signifie que l’IA siège dans la couche opérationnelle de la plateforme, et non dans la couche fonctionnelle. Chaque décision de produit – de la mise en correspondance de marché au support client, en passant par la notation de crédit – commence par la question : quels sont les données dont nous disposons, et comment l’intelligence doit-elle façonner cette expérience ? Contrairement aux super applications héritées qui ont grandi avant l’ère de l’IA, nous intégrons ces capacités dès le départ, à mesure que nous nous développons sur huit verticaux : covoiturage, voyages interurbains, coursier, fret, livraison de courses, services urbains et produits financiers.

En termes d’adaptation naturelle, la mise en correspondance de marché et l’intelligence de tarification constituent le moteur principal – une meilleure mise en correspondance signifie une utilisation plus élevée, ce qui signifie de meilleures économies pour les conducteurs et les passagers. La confiance et la sécurité constituent également un domaine critique : détection d’anomalies en temps réel, vérification des conducteurs et prévention de la fraude.

Nous opérons dans 48 pays et dans des dizaines de langues. Le support alimenté par l’IA – et non seulement les chatbots, mais une gestion intelligente, une résolution automatique des problèmes courants et une capacité multilingue – est à la fois un multiplicateur de coûts et de qualité.

Les services financiers via inDrive.Money sont là où l’IA nous a aidés à créer une nouvelle proposition de valeur pour les clients – dans ce cas, nos conducteurs. Nous utilisons les données de trajet, les modèles de gains et le comportement sur la plateforme pour construire des modèles de crédit alternatifs pour les conducteurs que les banques traditionnelles ne peuvent pas reproduire avec des données de crédit standard seules. C’est déjà en ligne au Mexique, en Colombie, au Brésil, en Indonésie et au Pérou.

Nous utilisons également l’IA pour l’accessibilité et l’inclusion – en simplifiant les interfaces pour les utilisateurs ayant une faible littératie ou des handicaps. Dans de nombreux de nos marchés, c’est une exigence pour atteindre la population ciblée.

Le multiplicateur de super application est que chaque vertical supplémentaire enrichit le graphique de données. Un passager qui utilise également la livraison de courses et le prêt de conducteurs nous donne une image comportementale à 360 degrés. Cela rend chaque service individuel plus intelligent – mais seulement si les fondations de données et la gouvernance sont correctes, ce qui est la partie difficile.

inDrive est particulièrement forte dans les marchés émergents et frontaliers, où les conditions d’exploitation peuvent varier considérablement. Comment concevez-vous des systèmes d’IA qui fonctionnent bien à travers des régions avec des infrastructures, des habitudes de paiement, des environnements réglementaires et des attentes d’utilisateurs très différents ?

La difficulté réside dans la création d’un modèle unifié qui fonctionne de manière fiable dans 48 pays et plus de 1 000 villes dans 8 régions distinctes. Nous y répondons avec une plateforme hautement configurable où la majeure partie du travail que nous effectuons pour les lancements de nouveaux pays sont des changements de configuration, et non du nouveau code. Cela concentre nos efforts d’ingénierie sur les exigences locales : vérification des conducteurs, validation des documents et intégration des bases de données gouvernementales.

Notre architecture utilise plusieurs régions AWS et un environnement multi-zone de disponibilité qui élimine les points de défaillance uniques. Notre plateforme DevOps est hautement automatisée, ce qui aide nos équipes d’ingénierie en pleine croissance au Pakistan, en Égypte et en Asie-Pacifique à fonctionner avec les mêmes normes que nos équipes européennes. Nous sommes également en train de renforcer nos capacités d’ingénierie en Amérique latine, où nous avons des opérations commerciales importantes pour mieux servir ce marché à l’avenir avec une présence d’ingénierie à proximité.

Vous avez dirigé de grands efforts de transformation numérique et cloud chez des institutions comme HSBC et NAB. Quelles sont les leçons tirées de ces environnements financiers hautement réglementés qui s’avèrent les plus précieuses alors qu’inDrive se développe dans des services tels que la fintech et construit davantage de systèmes de décision alimentés par l’IA ?

Trois leçons de HSBC et NAB sont directement applicables.

Premièrement, l’auditabilité et les contrôles autour des données ne sont pas optionnels. Dans la banque, chaque élément de données critique, chaque décision qui affecte un client doit être entouré de contrôles appropriés qui protègent l’intégrité et la cohérence. Tout doit être traçable et explicatif. Et dans le monde numérique, vous devez combiner la vitesse avec les contrôles, ce qui signifie que toutes les exigences réglementaires doivent être automatisées dès le départ. Vous commencez ainsi à penser aux exigences réglementaires et aux contrôles comme un produit logiciel, en supprimant le travail manuel et en comptant sur l’automatisation partout.

Deuxièmement, la gouvernance des données précède la science des données. Chez NAB et HSBC, j’ai appris que le plus grand goulet d’étranglement pour l’IA n’est jamais le modèle – c’est les données. À qui appartiennent-elles ? Sont-elles propres ? Sont-elles consenties ? Sont-elles correctement linéarisées ? Chez inDrive, passer du covoiturage aux services financiers signifie que notre gouvernance des données doit mûrir rapidement. Si vous construisez l’IA avant la gouvernance, vous accumulez une dette technique et réglementaire qui devient de plus en plus difficile à rembourser.

Troisièmement, la résilience opérationnelle compte plus que les performances du modèle. La banque m’a appris qu’un modèle à 99,9 % de précision qui échoue de manière catastrophique dans le cas de 0,1 % est pire qu’un modèle à 95 % de précision avec une dégradation en douceur. Dans notre cas, un faux positif sur la détection de la fraude qui verrouille un conducteur hors de ses gains peut détruire la confiance. Vous concevez pour le cas d’échec, et non pour le chemin heureux.

Un avantage qu’inDrive a sur les fintech traditionnelles est qu’elle dispose de données comportementales continues sur les emprunteurs. Nous savons combien de fois ils conduisent, leurs taux d’acceptation, leurs modèles de gains, leurs signaux de fiabilité. Cela offre des signaux plus solides pour la solvabilité que le score FICO ou l’état de banque traditionnel. Mais cet avantage ne se concrétise que si nous construisons les cadres de gouvernance et d’équité pour l’utiliser de manière responsable, ce qui est là où la « mémoire musculaire » bancaire est inestimable.

Beaucoup de sociétés parlent de maintenir « les humains dans la boucle », mais cette phrase reste souvent vague. Chez inDrive, où croyez-vous que le jugement humain devrait rester non négociable même si les flux de travail agencés et l’automatisation deviennent plus capables ?

J’ai un principe simple : automatiser le répétitif ; garder les humains sur l’irréversible. Si une mauvaise décision est facilement réversible, automatiser. Si elle peut détruire la confiance, les moyens de subsistance ou la sécurité, le jugement humain reste.

L’autorité de tarification est l’exemple le plus évident et celui qui définit inDrive. L’humain – à la fois le passager et le conducteur – a toujours le dernier mot sur le prix. C’est non négociable, quel que soit le niveau de sophistication de nos recommandations d’IA. Le moment où nous retirons cela, nous devenons simplement une autre plateforme algorithmique, perdant ce qui nous différencie.C’est architectural.

Les escalades de sécurité constituent un autre cas clair.Nous automatisons la modération de contenu de premier niveau et le support à grande échelle. Formé sur des millions de textes, notre système d’IA traite plus des deux tiers des discussions de covoiturage pour détecter rapidement, signaler et protéger les clients contre un langage inapproprié. Mais lorsque une situation est vraiment ambiguë ou a des conséquences importantes pour la vie d’une personne, un humain prend la décision. L’automatisation doit filtrer intelligemment les cas, en veillant à ce que le jugement humain ne soit appliqué que lorsque cela est vraiment utile.Le coût d’un faux négatif est la sécurité de quelqu’un. Vous ne pouvez pas automatiser cela et maintenir la responsabilité.

Notre principe plus large est que l’IA doit soutenir le jugement humain, agir comme un partenaire, et non comme un substitut.

L’entrée sur le marché et l’adaptation réglementaire nécessitent un jugement humain car ils sont inhérentement contextuels. Aucun système d’IA ne devrait décider de manière autonome de la façon dont nous opérons dans un nouvel environnement réglementaire. Et les décisions au niveau du compte – les interdictions permanentes, la résolution des litiges, les appels – nécessitent un jugement humain car le contexte est toujours plus riche que ce que les données capturent.

L’erreur que font de nombreuses entreprises est de traiter « l’humain dans la boucle » comme une phase qu’elles finiront par automatiser. Pour les catégories que j’ai décrites, c’est le mauvais cadre. Ce sont des cas où le jugement humain est structurellement approprié et le restera.

L’une des parties les plus difficiles de la mise à l’échelle de l’IA n’est pas les performances du modèle, mais la discipline opérationnelle : qualité des données, gouvernance, surveillance et contrôle des coûts. Quel a été l’obstacle le plus important pour transformer l’IA de cas d’utilisation isolés en une couche opérationnelle à travers l’entreprise ?

Tout le monde donne la réponse polie : la qualité des données. C’est vrai mais insuffisant. L’obstacle réel est organisationnel. La chose la plus difficile n’est pas un problème technique particulier, mais la transition d’une culture d’expériences d’IA individuelles à une culture d’opérations d’IA systématiques. Ce changement nécessite de modifier la façon dont les équipes pensent la propriété, la responsabilité et la mesure.

Lorsque vous traitez l’IA comme un ensemble d’initiatives isolées, chaque équipe construit son propre pipeline, ses propres modèles d’accès aux données, sa propre compréhension de ce que signifie « qualité » pour son modèle. Mais lorsque vous voulez que l’IA soit une couche opérationnelle horizontale touchant la tarification, la sécurité, le support, la géolocalisation et la personnalisation simultanément, vous avez besoin de fondations partagées.

Cela inclut une couche sémantique unifiée avec des définitions de métriques cohérentes, un cadre de qualité des données partagé, une infrastructure de gestion de modèles avec des pratiques MLOps intégrées et des politiques de sécurité communes.

La dimension des coûts, souvent sous-estimée, est également vitale. Nous fournissons aux équipes une visibilité sur les coûts réels (par trajet, par transaction, stockage) pour les aider à améliorer la responsabilité, ce qui conduit à de meilleures décisions d’ingénierie. Par exemple, l’optimisation du stockage nous a permis de réduire les coûts de données géographiques, diminuant ainsi considérablement le coût d’infrastructure par transaction. Le niveau d’amélioration que nous avons constaté n’est possible que lorsque la propriété des coûts est décentralisée et intégrée dans les équipes, et non gérée centralement comme une après-pensée.

Un autre défi important est l’utilisation de l’IA pour les opérations internes. L’automatisation du chaos ne donne que du chaos. Par conséquent, nous travaillons activement avec les équipes internes pour formaliser leur travail, en décrivant clairement leurs processus et en nettoyant la documentation obsolète. Même si cela n’est pas nouveau, ces étapes fondamentales sont cruciales pour adopter et bénéficier avec succès de l’IA au sein de l’organisation.

Les plateformes de covoiturage traitent d’énormes quantités de données comportementales du monde réel. Comment équilibrez-vous l’opportunité d’utiliser ces données pour une meilleure personnalisation et une prévision avec le besoin de préserver la confiance, la vie privée et l’équité pour les conducteurs et les passagers ?

L’avantage des données dans le covoiturage est réel. Combiné avec les données de livraison et de fintech, il devient un ensemble de données comportementales extrêmement riche. La tentation de les exploiter excessivement est exactement ce que nous refusons de faire.

Nous appliquons une rigueur de limitation des finalités. Nous utilisons les données collectées pour améliorer les trajets. Elles ne sont pas réutilisées pour la ciblage publicitaire ou vendues à des tiers. Nos utilisateurs ont choisi inDrive en partie parce qu’ils nous font plus confiance que les acteurs établis. Cette confiance, une fois brisée, ne se reconstruit pas.

Du côté des conducteurs, nous traitons les droits des données comme une question de partenariat économique. Les conducteurs ne sont pas des sources de données. Ils devraient comprendre ce que nous collectons, comment nous l’utilisons et – de manière critique – en bénéficier. inDrive.Money est un exemple direct : les mêmes données comportementales qui nous aident à exploiter le marché permettent également des services financiers que les conducteurs ont besoin et ne peuvent pas obtenir des banques traditionnelles. Cette échange de valeur doit être bidirectionnelle, transparente et équitable.

Pour la prévision et la prévision de la demande, nous préférons les modèles agrégés plutôt que le suivi individuel lorsque cela est possible. Vous n’avez pas besoin de savoir où une personne spécifique se rend tous les jours ; vous avez besoin de savoir que la demande dans une zone donnée augmente de 30 % le vendredi soir.

Nous opérons dans des pays avec des cadres de protection des données très différents – de la LGPD du Brésil aux marchés avec des lois de protection des données minimales. Notre approche est de nous tenir à une norme plus élevée, quel que soit ce que permet la loi locale.

Le modèle de super application a été très réussi dans certaines parties de l’Asie, mais il est plus difficile à reproduire à l’échelle mondiale. Qu’est-ce qui doit être vrai, du point de vue de la technologie et de l’IA, pour qu’une super application fonctionne dans des dizaines de pays plutôt que dans un seul écosystème intégré ?

Le modèle de super application, qui est devenu populaire en Asie, a fonctionné dans des environnements réglementaires et d’infrastructure relativement homogènes, avec une intégration profonde entre les paiements, les réseaux sociaux et le commerce, qui avaient peu d’alternatives fortes. Le reproduire à l’échelle mondiale nécessite une approche fondamentalement différente, et nous pensons que notre modèle est mieux adapté aux marchés fragmentés.

La fondation doit être mondiale par défaut, locale par conception. Nous exposons des services de plateforme partagés – identité, portefeuille, notifications, analyse, cartes, support – comme des rails stables auxquels les partenaires peuvent se connecter rapidement.Chaque service est déployable de manière indépendante et configurable localement, de sorte que les nouveaux marchés peuvent être lancés par configuration plutôt que par du nouveau code. Vous ne pouvez pas expédier un produit monolithique et vous attendre à ce qu’il résonne partout.

Cette approche modulaire permet à chaque produit – covoiturage, livraison, courses, fintech – de s’adapter aux besoins spécifiques de chaque marché tout en fonctionnant sur une plateforme partagée. Une couche d’identité et de données unifiée est essentielle. La valeur proposition entière d’une super application est que l’utilisation d’un service améliore les autres. Cela nécessite un graphique de données utilisateur unique à travers les verticaux.

Construire cela sans créer un problème de confidentialité est le défi technique le plus difficile de toute l’entreprise.

Deuxièmement, le moteur de pertinence doit fonctionner au niveau de l’individu, et non du marché. Ce que nous appelons un « segment d’un » – en utilisant les données, l’analyse et le ML pour comprendre ce qui compte pour un client spécifique dans un contexte spécifique – est ce qui fait qu’une super application semble utile plutôt que surpeuplée.

Si vous avez dix services et que l’application vous montre les dix avec une importance égale, vous avez créé une application avec une mauvaise expérience utilisateur, et non une super application.

Troisièmement, vous avez besoin de partenariats locaux plutôt que d’une approche de construction de tout. Nous avons investi dans Krave Mart au Pakistan pour les courses, nous avons fait un partenariat avec Fingular et Ammana en Indonésie pour les services financiers. La plateforme technologique est mondiale ; la prestation de services est locale.

Quatrièmement, vous avez besoin d’un ancre de fréquence. C’est pourquoi les courses sont si importantes pour notre stratégie. Le covoiturage peut être hebdomadaire. Les courses sont quotidiennes ou quasi-quotidiennes.

Enfin, le modèle opérationnel doit être capable d’absorber la variabilité marché par marché sans perdre de cohérence. Notre plateforme Zero-Code, qui alimente plus de 400 écrans de production visités plus de 300 millions de fois, nous permet de lancer de nouveaux écrans, de faire des expériences et de nous adapter aux exigences locales sans réimplémenter l’application entière.

En regardant trois à cinq ans dans le futur, où pensez-vous que l’IA créera la plus grande séparation concurrentielle dans les plateformes de mobilité : prévision de la demande, sécurité et confiance, opérations autonomes, automatisation du support, économie des conducteurs, ou des services entièrement nouveaux qui n’existent pas encore ?

L’IA touchera tout cela, mais le degré de séparation variera.

Dans les trois ans, chaque plateforme de mobilité sérieuse aura probablement une prévision de la demande compétente. Les fonctionnalités de sécurité et de confiance seront des éléments de base. Le support est en train de devenir rapidement automatisé à mesure que les LLM matures.Les opérations autonomes seront importantes à terme, mais l’autonomie complète à l’échelle mondiale (hors des marchés développés comme les États-Unis) est peu probable qu’elle ait un impact significatif sur les marchés frontaliers au cours de la prochaine décennie.

Un domaine majeur de différenciation à travers l’industrie, cependant, est probablement marqué par de nouveaux services qui n’existent pas encore. La combinaison de données de localisation en temps réel, de données comportementales, de données de paiement et d’intelligence de marché locale crée la fondation pour des services que nous n’avons pas encore conçus dans des domaines tels que le commerce hyperlocal, les soins de santé ou la logistique prédictive.

La plateforme dotée de la fondation de données la plus riche et de l’agilité organisationnelle pour tester et mettre rapidement à l’échelle de nouveaux verticaux aura un avantage à effet de levier.

L’IA agencique est là où la plus grande séparation s’ouvrira à long terme. À mesure que les flux de travail agenciques mûrissent, en gérant l’intégration, la surveillance de la fraude, les opérations financières et le coaching personnalisé, les plateformes dotées de la bonne fondation de données pourront peut-être permettre une expérimentation et une mise à l’échelle plus rapides.

L’IA ne crée pas d’avantage concurrentiel par elle-même. Elle crée un avantage lorsqu’elle est combinée avec des données uniques, une position de marché unique et la discipline opérationnelle pour exécuter. La position d’inDrive – la deuxième application de covoiturage la plus téléchargée au monde, avec des positions dominantes sur les marchés frontaliers, plus de 400 millions de téléchargements et une marque construite sur l’équité – est la fondation. L’IA est l’amplificateur. Sans la fondation, l’amplificateur n’a rien à amplifier. 

Merci pour cette excellente interview, les lecteurs qui souhaitent en savoir plus peuvent visiter inDrive.