Yuri Misnik, Chief Technology Officer, inDrive – Seri Wawancara

Yuri Misnik adalah Chief Technology Officer di inDrive, di mana dia memimpin strategi teknologi perusahaan secara global. Dengan lebih dari dua dekade pengalaman internasional, Misnik telah membangun dan memimpin program teknologi berdampak tinggi di bidang cloud, layanan keuangan, dan transformasi digital skala besar.

Sebelum bergabung dengan inDrive, dia menjabat posisi senior di Microsoft (MSFT ) dan AWS. Dia kemudian menjabat sebagai Digital CIO di HSBC, CIO di National Australia Bank, dan Group CTO di First Abu Dhabi Bank, di mana dia memodernisasi lingkungan yang kompleks dan terregulasi tinggi melalui model cloud, Agile, DevOps, dan rekayasa berbasis produk.

Misnik memulai karirnya di bidang teknik aerospace, berkontribusi pada desain Boeing 787 sebelum beralih ke teknik perangkat lunak dan sistem perdagangan online. Dengan kemampuan yang sama kuat di platform warisan dan arsitektur terdistribusi modern, dia dikenal karena menjembatani sistem dasar dengan inovasi terdepan.

Di inDrive, dia fokus pada membangun sistem, tim, dan platform yang akan memungkinkan perusahaan untuk tumbuh secara global.

inDrive adalah platform mobilitas dan layanan perkotaan global yang menghubungkan pengguna dengan pengemudi dan penyedia layanan di bidang ride-hailing, pengiriman, dan layanan on-demand lainnya. Didirikan pada tahun 2013, perusahaan ini beroperasi di lebih dari 48 negara dan lebih dari 1.000 kota, dengan ratusan juta unduhan aplikasi di seluruh dunia. Pembeda utamanya adalah model penawaran peer-to-peer yang memungkinkan penumpang dan pengemudi untuk menegosiasikan harga secara langsung, bukan mengandalkan penawaran algoritmik, dengan tujuan menciptakan transaksi yang lebih transparan dan adil. Di luar transportasi, inDrive telah memperluas layanan ke bidang seperti perjalanan antar kota, layanan kurir, penawaran keuangan, dan bahkan pengiriman bahan makanan, memposisikan diri sebagai “super app” yang fokus pada layanan perkotaan yang dapat diakses dan adil.

Anda memulai karir di pemodelan matematika dan analisis elemen terbatas sebelum berpindah ke Microsoft, AWS, HSBC, dan National Australia Bank, dan sekarang Anda memimpin transformasi AI di inDrive. Bagaimana perjalanan itu membentuk cara Anda memikirkan tentang membangun sistem AI yang ambisius secara teknis tetapi tetap berakar pada keadilan, ketahanan, dan keterbatasan dunia nyata?

Saya memulai karir saya di bidang matematika terapan dan analisis elemen terbatas, yang pada dasarnya tentang memahami di mana model Anda gagal, bukan merayakan di mana ia bekerja. Pola pikir itu adalah cara saya mendekati sistem AI hari ini.

Di Microsoft dan kemudian AWS, di mana saya menghabiskan lebih dari satu dekade, saya belajar apa yang terjadi ketika Anda membangun platform skala global. Anda menganggap sistem akan memburuk, jaringan akan gagal, komponen akan berperilaku tidak terduga. Di inDrive, yang beroperasi di lebih dari 1.000 kota di 48 negara, pola pikir itu terbukti sangat penting.

HSBC dan National Australia Bank membawa lensa yang berbeda. Di HSBC, saya membangun kemampuan digital ritel di seluruh puluhan rezim regulasi. Di NAB, saya memimpin transformasi cloud, memindahkan aplikasi perbankan kritis ke AWS. Di lingkungan tersebut, setiap keputusan teknologi membawa konsekuensi regulasi, reputasi, dan keuangan. Sebuah model AI atau ML yang tidak dapat menjelaskan keputusannya dengan cara yang regulator atau pelanggan dapat mengerti bukanlah aset, melainkan liabilitas.

Sebuah produk harus mencerminkan kebutuhan orang, bukan menunjukkan kompleksitas tumpukan teknologi Anda. Prinsip itu adalah yang menjaga ambisi teknis tetap berakar pada keadilan dan keterbatasan dunia nyata.

Itu berarti membangun sistem AI yang memberi informasi dan membantu, misalnya dengan merekomendasikan harga yang adil tanpa menghilangkan kendali dari orang-orang di pasar.Intinya sederhana: ambisi teknis tanpa disiplin operasional hanyalah demo. Karir saya telah menjadi progresi dari “apakah kita bisa merancang atau membangun ini?” menjadi “apakah kita harus menerapkan ini, dan apa yang terjadi ketika itu gagal pada pukul 3 pagi di pasar di mana taruhannya nyata?” Itulah lensa yang saya bawa ke inDrive.

Sebagian besar platform menggunakan AI untuk menetapkan harga. inDrive menggunakan negosiasi. Jadi, bagaimana machine learning sebenarnya masuk ke dalam model Anda dan di mana di seluruh platform itu memberikan nilai tambah terbesar tanpa mengompromikan transparansi yang membuat inDrive berbeda?

AI di inDrive tidak hanya tentang penentuan harga; itu tertanam di seluruh bisnis, meliputi pemasaran dan pertumbuhan, personalisasi super app, dukungan pelanggan, intelijen geospasial, tool internal, pencegahan penipuan, dan lain-lain. Lebih dari 80% tenaga kerja kami menggunakan berbagai alat AI, dari dukungan pelanggan dan pemasaran hingga pengkodean dan analitik. AI melakukan pekerjaan signifikan di infrastruktur sekitarnya – pada 2025, kami telah mencapai perbaikan akurasi ETA sebesar 14% dibandingkan dengan 2024 berkat model pembelajaran mendalam kami. Jadi, ketika orang bertanya tentang AI dan penentuan harga, penting untuk memahami bahwa itu hanya satu dimensi dari kemampuan yang jauh lebih luas.

inDrive didirikan di Yakutsk untuk melawan harga taksi yang tidak adil dan kolusif. Identitas kompetitif inti kami adalah model negosiasi peer-to-peer ini — penumpang mengusulkan, pengemudi menerima, menawar, atau menolak. Aliran penawaran terbuka ini mendasar. Apa yang AI lakukan adalah bertindak sebagai dukungan keputusan di sekitar harga yang dinegosiasikan secara manusiawi.Jika Anda melihat model harga lonjakan tradisional – mereka adalah kotak hitam. Pengguna melihat pengali dan tidak memiliki upaya. Dalam model kami, penumpang melihat harga yang disarankan, pengemudi dapat menerima atau menawar, dan penumpang memutuskan apakah menerima atau menunggu tawaran lain. ML membuat saran-saran ini lebih cerdas dan lebih relevan dengan konteks berdasarkan pasokan, permintaan, jarak, lalu lintas, dan waktu, tetapi mekanisme negosiasi menjaga kendali pengguna. Kami juga menggunakan ML untuk membantu pengemudi memahami kapan dan di mana pendapatan lebih kuat.Kami menggunakan AI untuk mengurangi asimetri informasi antara kedua belah pihak, bukan untuk mengeksploitasi.

Apa yang dimaksud dengan “AI-pertama super app” sebenarnya dalam praktek di inDrive dan bagian mana dari platform yang paling alami untuk AI saat ini: pencocokan marketplace, keamanan, dukungan pelanggan, layanan keuangan, atau sesuatu yang lain?

Perusahaan yang mengatakan “AI-pertama” biasanya berarti mereka telah menambahkan chatbot. Itu bukan apa yang kami lakukan.

AI-pertama berarti AI berada di lapisan operasional platform, bukan lapisan fitur. Setiap keputusan produk – dari pencocokan marketplace hingga dukungan pelanggan hingga penilaian kredit – dimulai dengan pertanyaan: apa data yang kami miliki, dan bagaimana kecerdasan harus membentuk pengalaman ini? Tidak seperti super app warisan yang tumbuh sebelum era AI, kami menanamkan kemampuan ini dari awal saat kami berskala di delapan vertikal: ride-hailing, perjalanan antar kota, kurir, pengiriman, pengiriman bahan makanan, layanan perkotaan, dan produk keuangan.

Dalam hal kesesuaian alami, intelijen harga dan pencocokan marketplace adalah mesin inti – pencocokan yang lebih baik berarti utilitas yang lebih tinggi, yang berarti ekonomi yang lebih baik untuk kedua pengemudi dan penumpang. Kepercayaan dan keamanan juga merupakan area kritis: deteksi anomali waktu nyata, verifikasi pengemudi, dan pencegahan penipuan.

Kami beroperasi di 48 negara dan puluhan bahasa. Dukungan AI – tidak hanya chatbot, tetapi triage cerdas, resolusi otomatis masalah umum, dan kemampuan multibahasa – adalah pengganda biaya dan kualitas.

Layanan keuangan melalui inDrive.Money adalah tempat AI membantu kami menciptakan proposisi nilai baru bagi pelanggan – dalam hal ini, pengemudi kami. Kami menggunakan data perjalanan, pola pendapatan, dan perilaku platform untuk membangun model kredit alternatif bagi pengemudi yang bank tradisional tidak dapat replikasi dengan data kredit standar saja. Ini sudah live di Meksiko, Kolombia, Brasil, Indonesia, dan Peru.

Kami juga menggunakan AI untuk aksesibilitas dan inkusi – menyederhanakan antarmuka untuk pengguna dengan literasi yang lebih rendah atau disabilitas. Di banyak pasar kami, ini adalah persyaratan untuk mencapai populasi yang dapat dijangkau.

Pengganda super app adalah bahwa setiap vertikal tambahan memperkaya grafik data. Seorang penumpang yang juga menggunakan pengiriman bahan makanan dan pinjaman pengemudi memberi kami gambaran perilaku 360 derajat. Itu membuat setiap layanan individual lebih cerdas – tetapi hanya jika fondasi data dan tata kelola benar, yang merupakan bagian yang sulit.

inDrive khususnya kuat di pasar muncul dan pasar perbatasan, di mana kondisi operasional dapat bervariasi secara dramatis. Bagaimana Anda merancang sistem AI yang berkinerja baik di seluruh wilayah dengan infrastruktur, kebiasaan pembayaran, lingkungan regulasi, dan harapan pengguna yang sangat berbeda?

Kesulitan terletak pada menciptakan model yang seragam yang berkinerja andal di 48 negara dan lebih dari 1.000 kota di delapan wilayah yang berbeda. Kami menangani ini dengan platform yang sangat konfigurasikan, di mana sebagian besar pekerjaan yang kami lakukan untuk peluncuran negara baru telah menjadi perubahan konfigurasi, bukan kode baru. Ini memfokuskan upaya rekayasa kami pada persyaratan lokal: verifikasi pengemudi, validasi dokumen, dan integrasi database pemerintah.

Arsitektur kami menggunakan beberapa wilayah AWS dan lingkungan zona ketersediaan ganda yang menghilangkan titik kegagalan tunggal. Platform DevOps kami sangat otomatis, yang membantu tim rekayasa yang tumbuh di Pakistan, Mesir, dan Asia Pasifik untuk beroperasi dengan standar yang sama dengan tim Eropa kami. Kami juga membangun kapasitas rekayasa di Amerika Latin, di mana kami memiliki operasi bisnis yang signifikan untuk lebih baik melayani pasar ini dari waktu ke waktu dengan kehadiran rekayasa yang dekat.

Anda telah memimpin upaya transformasi cloud dan digital yang besar di lembaga seperti HSBC dan NAB. Apa pelajaran dari lingkungan keuangan yang sangat diatur yang paling berharga saat inDrive memperluas ke layanan seperti fintech dan membangun sistem pengambilan keputusan yang lebih banyak didorong oleh AI?

Tiga pelajaran dari HSBC dan NAB berlaku hampir langsung.

Pertama, auditabilitas dan kontrol sekitar data tidak opsional. Di perbankan, setiap elemen data kritis, setiap keputusan yang mempengaruhi pelanggan harus dikelilingi oleh kontrol yang tepat yang melindungi integritas dan konsistensi. Semuanya perlu dapat dilacak dan dijelaskan. Dan di dunia digital, Anda perlu menggabungkan kecepatan dengan kontrol, yang berarti semua persyaratan regulasi perlu diotomatisasi dari awal. Jadi, Anda mulai memikirkan persyaratan regulasi dan kontrol sebagai produk perangkat lunak, menghilangkan pekerjaan manual dan mengandalkan otomatisasi di mana-mana.

Kedua, tata kelola data mendahului sains data. Di NAB dan HSBC, saya belajar bahwa hambatan terbesar untuk AI tidak pernah modelnya – itu adalah data. Siapa yang memiliki? Apakah itu bersih? Apakah itu dikonsentikan? Apakah itu diliniasi dengan benar? Di inDrive, berskala dari ride-hailing ke layanan keuangan berarti tata kelola data kami harus matang dengan cepat. Jika Anda membangun AI sebelum tata kelola, Anda mengumpulkan utang teknis dan regulasi yang menjadi eksponensial lebih sulit untuk dibayar.

Ketiga, ketahanan operasional lebih penting daripada kinerja model. Perbankan mengajari saya bahwa model 99,9% akurat yang gagal secara bencana dalam kasus 0,1% lebih buruk daripada model 95% akurat dengan degradasi yang anggun. Di kasus kami, kesalahan positif pada deteksi penipuan yang mengunci pengemudi dari pendapatan mereka dapat menghancurkan kepercayaan. Anda merancang untuk kasus kegagalan, bukan jalur bahagia.

Kelebihan yang dimiliki inDrive atas fintech tradisional adalah bahwa kami memiliki data perilaku terus-menerus tentang peminjam. Kami tahu seberapa sering mereka mengemudi, tingkat penerimaan mereka, pola pendapatan mereka, sinyal keandalan mereka. Itu menawarkan sinyal yang lebih kuat untuk kelayakan kredit daripada skor FICO atau pernyataan bank pada satu titik waktu. Tetapi kelebihan ini hanya terwujud jika kami membangun kerangka tata kelola dan keadilan untuk menggunakannya secara bertanggung jawab, yang merupakan di mana “otot” perbankan sangat berharga.

Banyak perusahaan berbicara tentang menjaga “manusia dalam loop,” tetapi frasa itu sering kali tetap samar. Di inDrive, di mana Anda percaya penilaian manusia harus tetap tidak dapat dinegosiasikan bahkan ketika alur kerja agen dan otomatisasi menjadi lebih mampu?

Saya memiliki prinsip sederhana: otomatisasi yang dapat diulangi; simpan manusia pada yang tidak dapat dibalik. Jika keputusan yang salah dapat dengan mudah dibalik, otomatisasi. Jika dapat menghancurkan kepercayaan, mata pencaharian, atau keamanan, penilaian manusia tetap.

Wewenang harga adalah contoh paling jelas dan yang mendefinisikan inDrive. Manusia – baik penumpang dan pengemudi – selalu memiliki kata terakhir tentang harga. Ini tidak dapat dinegosiasikan terlepas dari seberapa canggih rekomendasi AI kami. Saat kami mengambil itu, kami menjadi hanya sebuah platform algoritmik lain, kehilangan apa yang membedakan kami.Itu adalah arsitektur.

Escalasi keamanan adalah kasus lain yang jelas. Kami mengotomatisasi moderasi konten tingkat pertama dan dukungan skala. Dilatih pada jutaan teks, sistem AI kami memproses lebih dari dua pertiga obrolan ride-hailing untuk mendeteksi, menandai, dan melindungi pelanggan dari bahasa yang tidak pantas. Tetapi ketika situasi benar-benar samar atau memiliki konsekuensi signifikan bagi mata pencaharian seseorang, manusia membuat keputusan. Otomatisasi harus mengintegrasikan kasus, memastikan penilaian manusia hanya diterapkan ketika benar-benar berharga.Biaya dari kesalahan negatif adalah keamanan seseorang. Anda tidak dapat mengotomatisasi itu dan mempertahankan akuntabilitas.

Prinsip kami yang lebih luas adalah bahwa AI harus mendukung penilaian manusia, bertindak sebagai rekan tim, bukan pengganti.

Masuk pasar dan adaptasi regulasi memerlukan penilaian manusia karena mereka secara inheren kontekstual. Tidak ada sistem AI yang harus secara otonom memutuskan bagaimana kami beroperasi di lingkungan regulasi baru. Dan keputusan tingkat akun – larangan permanen, resolusi sengketa, banding – memerlukan penilaian manusia karena konteks selalu lebih kaya daripada yang ditangkap oleh data.

Kesalahan yang dilakukan oleh banyak perusahaan adalah mengobati “manusia dalam loop” sebagai fase yang akan mereka otomatisasi. Untuk kategori yang saya sebutkan, itu adalah kerangka yang salah. Mereka adalah kasus di mana penilaian manusia secara struktural tepat, dan akan tetap demikian.

Salah satu bagian tersulit dari menskalakan AI adalah tidak kinerja model, tetapi disiplin operasional: kualitas data, tata kelola, pemantauan, dan kontrol biaya. Apa yang telah menjadi hambatan terbesar dalam mengubah AI dari kasus penggunaan terisolasi menjadi lapisan operasional di seluruh bisnis?

Setiap orang memberikan jawaban yang sopan: kualitas data. Itu benar tetapi tidak cukup. Hambatan sebenarnya adalah organisasional.Hal yang paling sulit bukanlah masalah teknis tunggal, tetapi transisi dari budaya eksperimen AI individual ke budaya operasi AI sistematis. Perubahan itu memerlukan perubahan dalam cara tim berpikir tentang kepemilikan, akuntabilitas, dan pengukuran.

Ketika Anda memperlakukan AI sebagai serangkaian inisiatif terisolasi, setiap tim membangun pipa mereka sendiri, pola akses data mereka sendiri, pemahaman mereka sendiri tentang apa yang “kualitas” berarti untuk model mereka. Tetapi ketika Anda ingin AI menjadi lapisan operasional horizontal yang menyentuh penentuan harga, keamanan, dukungan, geo, personalisasi secara bersamaan, Anda memerlukan fondasi yang dibagikan.

Itu termasuk lapisan semantik yang seragam dengan definisi metrik yang konsisten, kerangka kualitas data yang dibagikan, infrastruktur manajemen model dengan praktik MLOps yang tertanam, dan kebijakan keamanan yang umum.

Dimensi biaya yang sering diremehkan juga sangat penting. Kami memberikan tim visibilitas ke dalam biaya aktual (per perjalanan, per transaksi, penyimpanan) untuk membantu meningkatkan akuntabilitas, yang mengarah ke keputusan rekayasa yang lebih baik.Misalnya, optimasi penyimpanan memungkinkan kami untuk mengurangi biaya data geo, secara signifikan mengurangi biaya infrastruktur per kesepakatan sebagai hasilnya. Tingkat perbaikan yang kami lihat hanya mungkin ketika kepemilikan biaya didesentralisasi dan tertanam dalam tim, bukan dikelola secara terpusat sebagai pemikiran terakhir.

Tantangan lain yang signifikan dalam menggunakan AI untuk operasi internal. Mengotomatisasi kekacauan hanya menghasilkan kekacauan. Oleh karena itu, kami secara aktif bekerja dengan tim internal untuk memformalkan pekerjaan mereka, menjelaskan proses mereka dengan jelas, dan membersihkan dokumentasi yang sudah ketinggalan zaman. Meskipun tidak baru, langkah-langkah dasar ini sangat penting untuk mengadopsi dan memanfaatkan AI dalam organisasi dengan sukses.

Platform ride-hailing memproses sejumlah besar data perilaku dunia nyata. Bagaimana Anda menyeimbangkan kesempatan untuk menggunakan data tersebut untuk personalisasi dan peramalan yang lebih baik dengan kebutuhan untuk melestarikan kepercayaan, privasi, dan keadilan bagi kedua pengemudi dan penumpang?

Kelebihan data di ride-hailing nyata. Digabungkan dengan data pengiriman dan keuangan, itu menjadi dataset perilaku yang luar biasa kaya. Godaan untuk mengeksploitasi itu terlalu besar adalah apa yang kami tolak untuk lakukan.

Kami menerapkan pembatasan tujuan dengan ketat. Kami menggunakan data yang dikumpulkan untuk meningkatkan perjalanan. Itu tidak digunakan kembali untuk target iklan atau dijual ke pihak ketiga. Pengguna kami memilih inDrive sebagian karena mereka mempercayai kami lebih dari incumbent. Kepercayaan itu, sekali rusak, tidak dapat dibangun kembali.

Di sisi pengemudi, kami memperlakukan hak data sebagai masalah kemitraan ekonomi. Pengemudi bukanlah sumber data. Mereka harus memahami apa yang kami kumpulkan, bagaimana kami menggunakannya, dan – secara kritis – mendapat manfaat darinya. inDrive.Money adalah contoh langsung: data perilaku yang sama yang membantu kami menjalankan marketplace juga memungkinkan layanan keuangan yang pengemudi butuhkan dan tidak dapat diakses dari bank tradisional. Pertukaran nilai itu harus dua arah, transparan, dan adil.

Untuk peramalan dan prediksi permintaan, kami lebih suka pola agregat daripada pelacakan individual di mana pun memungkinkan. Anda tidak perlu tahu di mana orang tertentu bepergian setiap hari; Anda perlu tahu bahwa permintaan di zona tertentu meningkat 30% pada Jumat malam.

Kami beroperasi di negara-negara dengan kerangka kerja privasi yang sangat berbeda – dari LGPD Brasil hingga pasar dengan hukum perlindungan data minimal. Pendekatan kami adalah untuk memegang diri kami pada standar yang lebih tinggi terlepas dari apa yang diizinkan oleh hukum setempat.

Model super app telah sangat sukses di beberapa bagian Asia, tetapi lebih sulit untuk direplikasi di seluruh pasar global yang terfragmentasi. Apa yang harus benar, dari sudut pandang teknologi dan AI, agar super app dapat bekerja di seluruh puluhan negara daripada hanya satu ekosistem terintegrasi?

Model super app, yang menjadi populer di Asia, bekerja dalam lingkungan regulasi dan infrastruktur yang relatif homogen, dengan integrasi dalam antara pembayaran, sosial, dan komersial yang memiliki sedikit alternatif independen yang kuat. Mengulangi ini secara global memerlukan pendekatan yang secara fundamental berbeda, dan kami pikir model kami lebih sesuai dengan pasar yang terfragmentasi.

Dasarnya harus global-by-default, lokal-by-design. Kami mengekspos layanan platform bersama – identitas, dompet, notifikasi, analitik, peta, dukungan – sebagai rel yang stabil yang mitra dapat terhubung dengan cepat. Setiap layanan dapat diterapkan secara independen dan dikonfigurasikan secara lokal, sehingga pasar baru dapat diluncurkan melalui konfigurasi daripada kode baru. Anda tidak dapat mengirimkan produk monolitik dan mengharapkan itu untuk beresonansi di mana-mana.

Pendekatan modular ini memungkinkan setiap produk – perjalanan, pengiriman, pengiriman bahan makanan, keuangan – untuk beradaptasi dengan kebutuhan spesifik setiap pasar sambil beroperasi pada platform yang dibagikan. Selain itu, lapisan identitas dan data yang seragam sangat penting. Seluruh proposisi nilai dari super app adalah bahwa menggunakan satu layanan meningkatkan yang lain. Itu memerlukan grafik data pengguna tunggal di seluruh vertikal. Membangun itu tanpa menciptakan masalah privasi adalah tantangan teknis terbesar dalam upaya ini.

Kedua, mesin relevansi harus bekerja pada tingkat individu, bukan pasar. Apa yang kami sebut “segmen satu” – menggunakan data, analitik, dan ML untuk memahami apa yang penting bagi pelanggan tertentu dalam konteks tertentu – adalah apa yang membuat super app terasa berguna daripada terlalu banyak fitur. Jika Anda memiliki sepuluh layanan dan aplikasi menunjukkan semua sepuluh dengan prominen yang sama, Anda telah menciptakan aplikasi dengan UX yang buruk, bukan super app.

Ketiga, Anda memerlukan kemitraan lokal daripada pendekatan membangun semua. Kami berinvestasi di Krave Mart di Pakistan untuk pengiriman bahan makanan, bermitra dengan Fingular dan Ammana di Indonesia untuk layanan keuangan. Platform teknologi adalah global; penyampaian layanan adalah lokal. AI membantu dengan membuat integrasi ini mulus bagi pengguna akhir.

Keempat, Anda memerlukan jangkar frekuensi. Ini adalah mengapa pengiriman bahan makanan sangat penting bagi strategi kami. Perjalanan mungkin mingguan. Pengiriman bahan makanan adalah harian atau hampir harian.

Terakhir, model operasional harus dapat menyerap variabilitas pasar-demi-pasar tanpa kehilangan koherensi. Platform Zero-Code kami yang menggerakkan lebih dari 400 layar produksi yang dikunjungi lebih dari 300 juta kali memungkinkan kami untuk meluncurkan layar baru, menjalankan eksperimen, dan beradaptasi dengan persyaratan lokal tanpa perlu menginstal ulang aplikasi secara penuh. Fleksibilitas seperti itu, dikombinasikan dengan infrastruktur multi-wilayah yang terdesentralisasi, adalah apa yang memungkinkan platform untuk berfungsi dengan koheren di seluruh pasar, tanpa memaksa uniformitas atau menerima fragmentasi.

Menghadap ke depan tiga hingga lima tahun, di mana Anda pikir AI akan menciptakan pemisahan kompetitif terbesar dalam platform mobilitas: prediksi permintaan, keamanan dan kepercayaan, operasi otonom, otomatisasi dukungan, ekonomi pengemudi, atau layanan baru yang belum ada?

AI akan menyentuh semua itu, tetapi derajat pemisahan akan bervariasi.

Dalam tiga tahun, setiap platform mobilitas serius kemungkinan akan memiliki prediksi permintaan yang kompeten. Fitur keamanan dan kepercayaan akan menjadi syarat minimum. Dukungan akan segera diotomatisasi ketika LLMs matang. Operasi otonom akan penting pada waktunya, tetapi autonomi penuh secara global (di luar pasar yang sangat berkembang seperti AS) tidak mungkin secara material mempengaruhi pasar perbatasan dalam dekade berikutnya.

Area pemisahan utama di seluruh industri, bagaimanapun, kemungkinan besar ditandai dengan layanan baru yang belum ada. Kombinasi data lokasi waktu nyata, data perilaku, data pembayaran, dan intelijen pasar lokal menciptakan fondasi untuk layanan yang belum kami bayangkan di bidang seperti komersial hiperlokal, kesehatan, atau logistik prediktif. Platform dengan fondasi data terkaya dan agilitas organisasional untuk menguji dan menskalakan vertikal baru dengan cepat akan memiliki keunggulan yang berkompounding.

AI agen adalah di mana pemisahan jangka panjang terbesar akan terbuka. Ketika alur kerja agen matang, menangani pendaftaran, pemantauan penipuan, operasi keuangan, dan pelatihan personal, platform dengan fondasi data yang tepat mungkin memungkinkan eksperimen dan penskalaan yang lebih cepat.

AI tidak menciptakan keunggulan kompetitif dengan sendirinya. Ini menciptakan keunggulan ketika digabungkan dengan data unik, posisi pasar unik, dan disiplin operasional untuk melaksanakan. Posisi inDrive – aplikasi ride-hailing terunduh kedua di dunia, dengan posisi dominan di pasar perbatasan, lebih dari 400 juta unduhan, dan merek yang dibangun di atas keadilan – adalah fondasi. AI adalah amplifier. Tanpa fondasi, amplifier tidak memiliki apa-apa untuk diperkuat.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut harus mengunjungi inDrive.