Yuri Misnik, Directeur technique, 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 créé 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 (MSFT ) et AWS. Il a ensuite occupé le poste de directeur des systèmes d’information numérique chez HSBC, de directeur des systèmes d’information chez National Australia Bank et de directeur général des technologies de l’information chez First Abu Dhabi Bank, où il a modernisé des environnements complexes et fortement réglementés grâce à des modèles d’ingénierie de produits, d’Agile, de DevOps et de cloud.

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 avoir combiné 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 relie les utilisateurs avec des conducteurs et des prestataires de services dans le domaine 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 pair à pair 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 produits alimentaires, se positionnant ainsi comme une « super application » plus large axée sur les services urbains accessibles et équitables.

Vous avez commencé par la modélisation mathématique et l’analyse par 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 par 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 chez 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 façon de penser s’est avérée absolument vitale.

HSBC et National Australia Bank (NAB) m’ont apporté une perspective différente. 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 les régulateurs ou les clients puissent 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 bien plus encore. Plus de 80 % de notre main-d’œuvre utilise divers outils d’IA, allant du support client au marketing, en passant par la programmation et 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 heures d’arrivée par rapport à 2024, grâce à nos modèles d’apprentissage profond. Lorsque les gens demandent comment l’IA et la tarification sont liées, il est important de comprendre que cela ne représente qu’une dimension d’une capacité beaucoup plus large.

inDrive a été fondée à Yakoutsk pour lutter contre les prix de taxi injustes et collusifs. Notre identité concurrentielle de base est ce modèle de négociation pair à pair — les passagers proposent, les conducteurs acceptent, contre-proposent ou déclinent. Ce flux de négociation ouverte est fondamental. L’IA agit comme un support de décision autour de ce prix négocié par les humains.Si vous regardez les modèles de tarification traditionnels par pics – 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. L’apprentissage automatique 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 l’apprentissage automatique 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 les plus naturellement adaptés à l’IA aujourd’hui : 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 des fonctionnalités. Chaque décision de produit – de la correspondance de marché au support client, en passant par la notation de crédit – commence par la question : quels données avons-nous, 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, messagerie, fret, livraison de produits alimentaires, services urbains et produits financiers.

En termes d’adéquation naturelle, la correspondance de marché et l’intelligence de tarification constituent le moteur central – une meilleure 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 client alimenté par l’IA – et pas seulement les chatbots, mais également une gestion intelligente, une résolution automatique des problèmes courants et des capacités multilingues – 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 les seules données de crédit standard. 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 littératie plus faible ou des handicaps. Dans de nombreux de nos marchés, c’est une exigence pour atteindre la population ciblée.

Le multiplicateur de la super application est que chaque vertical supplémentaire enrichit le graphique de données. Un passager qui utilise également la livraison de produits alimentaires et les services de prêt aux conducteurs nous donne une image comportementale à 360 degrés. Cela rend chaque service individuel plus intelligent – mais seulement si la base 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 des 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 parvenons avec une plateforme hautement configurable où la majorité du travail que nous effectuons pour les lancements de nouveaux pays consiste en des modifications de configuration, et non en du nouveau code. Cela concentre nos efforts d’ingénierie sur les exigences locales : vérification des conducteurs, validation des documents et intégrations de 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 selon les mêmes normes que nos équipes européennes. Nous construisons également une capacité 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 cloud et numérique dans des institutions comme HSBC et NAB. Quelles leçons des environnements financiers hautement réglementés s’avèrent les plus précieuses alors qu’inDrive se développe dans des services comme 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 explicite. 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 donc à penser aux exigences réglementaires et aux contrôles comme à un produit logiciel, en supprimant le travail manuel et en vous appuyant 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 enseigné qu’un modèle à 99,9 % précis qui échoue de manière catastrophique dans le cas à 0,1 % est pire qu’un modèle à 95 % précis avec une dégradation progressive. Dans notre cas, un faux positif dans 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’il 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 compte bancaire ponctuel. 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.

De nombreuses entreprises 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 agents et l’automatisation deviennent plus capables ?

J’ai un principe simple : automatiser le répétitif ; conserver 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 c’est 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 conversations de covoiturage pour détecter rapidement, signaler et protéger les clients contre un langage inapproprié. Mais lorsqu’une situation est réellement ambiguë ou a des conséquences importantes pour la vie d’une personne, un humain prend la décision. L’automatisation doit intelligemment filtrer les cas, en veillant à ce que le jugement humain ne soit appliqué que lorsque cela est réellement précieux.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 élimineront finalement par l’automatisation. 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’un des aspects 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 spécifique, mais la transition d’une culture d’expériences d’IA isolées à une culture d’opérations d’IA systématiques. Cela nécessite de changer la façon dont les équipes pensent à la propriété, à la responsabilité et à la mesure.

Lorsque vous traitez l’IA comme un ensemble d’initiatives isolées, chaque équipe construit sa propre canalisation, 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, 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 offrons aux équipes une visibilité sur les coûts réels (par trajet, par transaction, stockage) pour 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, réduisant 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 de la confusion ne conduit qu’à la confusion. Nous travaillons donc 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 la nécessité 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, cela devient un ensemble de données comportementales extrêmement riche. La tentation de surexploiter ces données est exactement ce que nous refusons de faire.

Nous appliquons une limitation d’objectif de manière rigoureuse. Nous utilisons les données collectées pour améliorer les trajets. Elles ne sont pas réutilisées à des fins de 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 faire fonctionner le marché permettent également des services financiers que les conducteurs ont besoin et ne peuvent pas obtenir des banques traditionnelles. Cet échange de valeur doit être bidirectionnel, transparent et équitable.

Pour la prévision et la prédiction 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 déplace 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 dotés de cadres de protection des données très différents – de la LGPD du Brésil à des marchés dotés de lois de protection des données minimales. Notre approche consiste à nous tenir à une norme plus élevée, quelle que soit 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 sur des marchés mondiaux fragmentés. Qu’est-ce qui doit être vrai, du point de vue de la technologie et de l’IA, pour qu’une super application fonctionne sur des dizaines de pays plutôt que sur 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 des paiements, des réseaux sociaux et du commerce qui n’avait que peu d’alternatives indépendantes fortes. Reproduire cela 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 que les partenaires peuvent brancher rapidement.Chaque service est déployable de manière indépendante et configurable localement, de sorte que de nouveaux marchés peuvent être lancés par configuration plutôt que par nouveau code. Vous ne pouvez pas expédier un produit monolithique et espérer 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. De plus, une couche d’identité et de données unifiée est essentielle. La valeur proposition globale 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 l’ensemble de 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 l’apprentissage automatique pour comprendre ce qui compte pour un client spécifique dans un contexte spécifique – est ce qui rend une super application utile plutôt que surchargée. 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 « construire tout ». Nous avons investi dans Krave Mart au Pakistan pour les courses, et nous avons fait des partenariats avec Fingular et Ammana en Indonésie pour les services financiers. La plateforme technologique est mondiale ; la prestation de services est locale. L’IA aide en rendant ces intégrations transparentes pour l’utilisateur final.

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 redéploiement complet de l’application. Cette flexibilité, combinée à une infrastructure décentralisée multi-région, est ce qui permet à une plateforme de fonctionner de manière cohérente à travers les marchés, sans imposer l’uniformité ou accepter la fragmentation.

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 : prédiction de la demande, confiance et sécurité, opérations autonomes, automatisation du support, économie des conducteurs, ou de nouveaux services 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 prédiction de la demande compétente. Les fonctionnalités de sécurité et de confiance seront des éléments essentiels. Le support est en train de devenir automatisé à mesure que les LLM matures.Les opérations autonomes importeront éventuellement, mais une autonomie complète à l’échelle mondiale (hors des marchés bien développés comme les États-Unis) est peu probable d’avoir 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 comportement 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 cumulatif.

L’IA agente est là où la séparation la plus longue se créera. À mesure que les flux de travail agents 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 pourraient permettre une experimentation 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.

Remerciements pour cette grande interview. Les lecteurs qui souhaitent en savoir plus peuvent visiter inDrive.