Yuri Misnik, Chief Technology Officer, inDrive – Intervista della serie

Yuri Misnik è il Chief Technology Officer di inDrive, dove guida la strategia tecnologica globale dell’azienda. Con oltre due decenni di esperienza internazionale, Misnik ha costruito e guidato programmi tecnologici ad alto impatto nei settori cloud, servizi finanziari e trasformazione digitale su larga scala.

Prima di unirsi a inDrive, ha ricoperto ruoli senior in Microsoft (MSFT ) e AWS. In seguito, ha lavorato come Digital CIO in HSBC, CIO in National Australia Bank e Group CTO in First Abu Dhabi Bank, dove ha modernizzato ambienti complessi e altamente regolamentati attraverso modelli di ingegneria cloud, Agile, DevOps e product-centric.

Misnik ha iniziato la sua carriera nell’ingegneria aerospaziale, contribuendo alla progettazione del Boeing 787 prima di passare all’ingegneria del software e ai sistemi di trading online. Egualmente fluente in piattaforme legacy e architetture distribuite moderne, è noto per aver collegato sistemi fondamentali con innovazioni all’avanguardia.

In inDrive, si concentra sulla costruzione dei sistemi, dei team e delle piattaforme che sosterranno la prossima fase di crescita globale dell’azienda.

inDrive è una piattaforma di mobilità e servizi urbani globale che collega gli utenti con gli autisti e i fornitori di servizi in settori come il trasporto, la consegna e altri servizi on-demand. Fondata nel 2013, l’azienda opera in oltre 48 paesi e più di 1.000 città, con centinaia di milioni di download dell’app in tutto il mondo. Il suo differenziale principale è un modello di prezzi peer-to-peer che consente ai passeggeri e agli autisti di negoziare i prezzi direttamente, anziché affidarsi a prezzi algoritmici, con l’obiettivo di creare transazioni più trasparenti e eque. Oltre al trasporto, inDrive si è espansa in aree come i viaggi intercity, i servizi di corriere, le offerte fintech e persino la consegna di generi alimentari, posizionandosi come una più ampia “super app” focalizzata su servizi urbani accessibili e equi.

Ha iniziato la sua carriera nella modellazione matematica e nell’analisi degli elementi finiti, prima di passare attraverso Microsoft, AWS, HSBC e National Australia Bank, e ora sta guidando la trasformazione dell’AI in inDrive. Come ha plasmato questo percorso il modo in cui pensa alla costruzione di sistemi di intelligenza artificiale che sono tecnicamente ambiziosi ma ancora radicati nella correttezza, nella resilienza e nelle limitazioni del mondo reale?

Ho iniziato la mia carriera nella modellazione matematica e nell’analisi degli elementi finiti, che fondamentalmente consiste nel capire dove il modello si rompe, piuttosto che celebrare dove funziona. Questa mentalità è esattamente come mi avvicino ai sistemi di intelligenza artificiale oggi.

In Microsoft e poi in AWS, dove ho trascorso oltre un decennio, ho imparato cosa succede quando si costruiscono piattaforme a scala globale. Si presume che i sistemi si degraderanno, le reti falliranno, i componenti si comporteranno in modo inaspettato. In inDrive, che opera in oltre 1.000 città in 48 paesi, questo modo di pensare si è rivelato assolutamente vitale.

HSBC e National Australia Bank hanno portato una prospettiva diversa. In HSBC, stavo costruendo capacità digitali retail in decine di regimi normativi. In NAB, ho guidato la trasformazione cloud, spostando applicazioni bancarie critiche su AWS. In quegli ambienti, ogni decisione tecnologica comporta conseguenze normative, reputazionali e finanziarie. Un modello di AI o ML che non può spiegare le sue decisioni in un modo che un regolatore o un cliente possa comprendere non è un asset, ma una passività.

Un prodotto dovrebbe riflettere le esigenze delle persone, non dimostrare la complessità della tua piattaforma. Questo principio è ciò che mantiene l’ambizione tecnica radicata nella correttezza e nelle limitazioni del mondo reale.

Ciò significa costruire sistemi di intelligenza artificiale che informano e assistono, ad esempio raccomandando un prezzo equo senza togliere il controllo alle persone nel mercato.La linea conduttrice in tutto questo è semplice: l’ambizione tecnica senza la disciplina operativa è solo una demo. La mia carriera è stata una progressione da “possiamo progettare o costruire questo?” a “dovremmo deployare questo, e cosa succede quando fallisce alle 3 del mattino in un mercato dove le poste in gioco sono reali?” Questa è la prospettiva che porto in inDrive.

La maggior parte delle piattaforme utilizza l’AI per fissare i prezzi. inDrive utilizza la negoziazione. Come si inserisce l’apprendimento automatico nel vostro modello e dove nella piattaforma sta fornendo il maggior valore senza compromettere la trasparenza che rende inDrive diversa?

L’AI in inDrive non riguarda solo la fissazione dei prezzi; è integrata in tutta l’azienda, coprendo marketing e crescita, personalizzazione della super app, supporto clienti, intelligenza geospaziale, strumenti interni, prevenzione delle frodi e altro. Oltre l’80% della nostra forza lavoro utilizza una varietà di strumenti di AI, dal supporto clienti e marketing alla codifica e all’analisi. L’AI sta facendo un lavoro significativo nelle infrastrutture circostanti – nel 2025 abbiamo raggiunto un miglioramento dell’accuratezza dell’ETA del 14% rispetto al 2024 grazie ai nostri modelli di apprendimento profondo.

inDrive è stata fondata a Yakutsk per combattere i prezzi dei taxi ingiusti e collusivi. Il nostro modello di identità competitiva è questo modello di negoziazione peer-to-peer — i passeggeri propongono, gli autisti accettano, contrattano o rifiutano. Questo flusso di offerte aperte è fondamentale. Cosa fa l’AI è agire come supporto alle decisioni intorno a quel prezzo negoziato umanamente.Se si guarda ai modelli di prezzi di surge tradizionali – sono una scatola nera. L’utente vede un moltiplicatore e non ha alcun ricorso. Nel nostro modello, il passeggero vede un prezzo suggerito, l’autista può accettare o contrattare, e il passeggero decide se accettare o aspettare un’altra offerta. L’ML rende queste suggerimenti più intelligenti e contestualmente rilevanti in base all’offerta, alla domanda, alla distanza, al traffico e all’orario, ma il meccanismo di negoziazione preserva l’agenzia dell’utente. Utilizziamo anche l’ML per aiutare gli autisti a capire quando e dove gli guadagni sono più forti.Stiamo utilizzando l’AI per ridurre l’asimmetria di informazioni tra entrambe le parti, non per sfruttarla.

Cosa significa in pratica essere un’azienda “AI-first super app” e quali parti della piattaforma sono le più naturali per l’AI oggi: abbinamento del mercato, sicurezza, supporto clienti, servizi finanziari o qualcos’altro?

La maggior parte delle aziende che dicono “AI-first” significa che hanno aggiunto un chatbot. Non è questo che stiamo facendo.

AI-first significa che l’AI si trova nel livello operativo della piattaforma, non nel livello delle funzionalità. Ogni decisione di prodotto – dall’abbinamento del mercato al supporto clienti alla valutazione del credito – inizia con la domanda: quali dati abbiamo, e come l’intelligenza dovrebbe plasmare questa esperienza? A differenza delle super app legacy che sono cresciute prima dell’era dell’AI, stiamo integrando queste capacità fin dall’inizio mentre scaliamo su otto verticali: trasporto, viaggi intercity, corriere, logistica, consegna di generi alimentari, servizi urbani e prodotti finanziari.

In termini di adattamento naturale, l’abbinamento del mercato e l’intelligenza dei prezzi sono il motore principale – un abbinamento migliore significa una maggiore utilizzazione, che significa una migliore economia sia per gli autisti che per i passeggeri. La fiducia e la sicurezza sono un’altra area critica: rilevamento di anomalie in tempo reale, verifica degli autisti e prevenzione delle frodi.

Operiamo in 48 paesi e decine di lingue. Il supporto clienti basato sull’AI – non solo chatbot, ma triage intelligente, risoluzione automatica di problemi comuni e capacità multilingue – è sia un moltiplicatore di costo che di qualità.

I servizi finanziari attraverso inDrive.Money sono dove l’AI ci ha aiutato a creare una nuova proposta di valore per i clienti – in questo caso, i nostri autisti. Stiamo utilizzando i dati dei viaggi, i modelli di guadagno e il comportamento sulla piattaforma per costruire modelli di credito alternativi per gli autisti che le banche tradizionali non possono replicare con i dati di credito standard da soli. È già attivo in Messico, Colombia, Brasile, Indonesia e Perù.

Utilizziamo anche l’AI per l’accessibilità e l’inclusione – semplificando le interfacce per gli utenti con bassa alfabetizzazione o disabilità. In molti dei nostri mercati, è un requisito per raggiungere la popolazione raggiungibile.

Il moltiplicatore della super app è che ogni verticale aggiuntiva arricchisce il grafo dei dati. Un passeggero che utilizza anche la consegna di generi alimentari e il prestito per gli autisti ci dà un’immagine comportamentale a 360 gradi. Ciò rende ogni servizio individuale più intelligente – ma solo se la fondazione dei dati e la governance sono corrette, che è la parte difficile.

inDrive è particolarmente forte nei mercati emergenti e di frontiera, dove le condizioni operative possono variare notevolmente. Come progetta sistemi di AI che funzionano bene attraverso regioni con infrastrutture, abitudini di pagamento, ambienti normativi e aspettative degli utenti molto diversi?

La difficoltà consiste nel creare un modello unificato che funzioni in modo affidabile in 48 paesi e oltre 1.000 città in 8 regioni distinte. Affrontiamo questo problema con una piattaforma altamente configurabile dove la maggior parte del lavoro che facciamo per i lanci di nuovi paesi consiste in modifiche di configurazione, non in nuovo codice.

La nostra architettura utilizza più regioni AWS e un ambiente multi-zona di disponibilità che elimina i punti di guasto singoli. La nostra piattaforma DevOps è altamente automatizzata, il che aiuta i nostri team di ingegneria in crescita in Pakistan, Egitto e Asia Pacifico a operare con gli stessi standard dei nostri team europei. Stiamo anche costruendo la capacità di ingegneria in America Latina, dove abbiamo operazioni commerciali significative per servire meglio questo mercato nel tempo con una presenza di ingegneria vicina.

Ha guidato grandi sforzi di trasformazione cloud e digitale in istituzioni come HSBC e NAB. Quali lezioni dagli ambienti finanziari altamente regolamentati stanno risultando più utili mentre inDrive si espande in servizi come la fintech e costruisce sistemi di decisione più guidati dall’AI?

Tre lezioni da HSBC e NAB si trasferiscono quasi direttamente.

Innanzitutto, la tracciabilità e i controlli intorno ai dati non sono opzionali. Nel settore bancario, ogni elemento di dati critico, ogni decisione che influisce su un cliente deve essere circondato da controlli appropriati che proteggono l’integrità e la coerenza. Tutto deve essere tracciabile ed esplicabile. E nel mondo digitale, è necessario combinare velocità con controlli, il che significa che tutte le esigenze normative devono essere automatizzate fin dall’inizio.

In secondo luogo, la governance dei dati precede la scienza dei dati. In NAB e HSBC, ho imparato che il più grande collo di bottiglia per l’AI non è mai il modello – è il dato. A chi appartiene? È pulito? È stato acquisito con il consenso? È debitamente lineato? In inDrive, scalare dal trasporto ai servizi finanziari significa che la nostra governance dei dati deve maturare rapidamente. Se si costruisce l’AI prima della governance, si accumula debito tecnico e normativo che diventa esponenzialmente più difficile da ripagare.

In terzo luogo, la resilienza operativa conta più della prestazione del modello. Il settore bancario mi ha insegnato che un modello del 99,9% accurato che fallisce in modo catastrofico nel caso dell’0,1% è peggiore di un modello del 95% accurato con una degradazione graduale. Nel nostro caso, un falso positivo nella rilevazione delle frodi che blocca un autista dal suo guadagno può distruggere la fiducia. Si progetta per il caso di fallimento, non per il percorso felice.

Un vantaggio che inDrive ha rispetto alle tradizionali fintech è che abbiamo dati comportamentali continui sui prestiti. Sappiamo con quale frequenza guidano, i loro tassi di accettazione, i loro modelli di guadagno, i loro segnali di affidabilità. Ciò offre segnali più robusti per la valutazione del credito rispetto a un punteggio FICO o a un estratto conto bancario in un momento specifico. Ma questo vantaggio si concretizza solo se costruiamo le strutture di governance e di equità per utilizzarlo in modo responsabile, il che è dove la “memoria muscolare” bancaria è inestimabile.

Molte aziende parlano di mantenere “gli esseri umani nel loop”, ma questa frase spesso rimane vaga. In inDrive, dove ritiene che il giudizio umano debba rimanere non negoziabile anche mentre i flussi di lavoro agentic e l’automazione diventano più capaci?

Ho un principio semplice: automatizzare il ripetibile; mantenere gli esseri umani sull’irreversibile. Se una decisione errata è facilmente reversibile, automatizzarla. Se può distruggere la fiducia, il sostentamento o la sicurezza, il giudizio umano rimane.

L’autorità sui prezzi è l’esempio più ovvio e quello che definisce inDrive. L’essere umano – sia il passeggero che l’autista – ha sempre l’ultima parola sul prezzo. Ciò è non negoziabile, indipendentemente da quanto sofisticate diventino le nostre raccomandazioni di AI.Il momento in cui togliamo questo, diventiamo solo un’altra piattaforma algoritmica, perdendo ciò che ci differenzia.Questo è architettonico.

Un altro caso chiaro è l’escalation della sicurezza.Automatizziamo la moderazione dei contenuti di primo livello e il supporto su larga scala. Addestrato su milioni di testi, il nostro sistema di AI elabora oltre due terzi delle chat del trasporto per rilevare rapidamente, segnalare e proteggere i clienti da linguaggio inappropriato.Tuttavia, quando una situazione è genuinamente ambigua o ha conseguenze significative per il sostentamento di qualcuno, un essere umano prende la decisione.L’automazione dovrebbe filtrare intelligentemente i casi, assicurando che il giudizio umano sia applicato solo quando è veramente prezioso.Il costo di un falso negativo è la sicurezza di qualcuno. Non si può automatizzare e mantenere la responsabilità.

Il nostro principio più ampio è che l’AI dovrebbe supportare il giudizio umano, agire come un compagno di squadra, non come un sostituto.

L’ingresso nel mercato e l’adattamento normativo richiedono giudizio umano perché sono inerentemente contestuali. Nessun sistema di AI dovrebbe decidere autonomamente come operiamo in un nuovo ambiente normativo.Le decisioni a livello di account – divieti permanenti, risoluzione delle controversie, appelli – richiedono giudizio umano perché il contesto è sempre più ricco di quanto catturato dai dati.

L’errore che molte aziende commettono è trattare “l’essere umano nel loop” come una fase che alla fine si automizzerà. Per le categorie che ho descritto, questa è la cornice errata. Sono casi in cui il giudizio umano è appropriato strutturalmente e rimarrà tale.

Una delle parti più difficili della scalabilità dell’AI non è la prestazione del modello, ma la disciplina operativa: qualità dei dati, governance, monitoraggio e controllo dei costi. Qual è stato l’ostacolo più grande nel trasformare l’AI da casi d’uso isolati in un livello operativo attraverso l’azienda?

Tutti danno la risposta educata: la qualità dei dati. Questo è vero ma insufficiente. L’ostacolo reale è organizzativo.La cosa più difficile non è alcun problema tecnico specifico, ma la transizione da una cultura di esperimenti di AI isolati a una cultura di operazioni di AI sistematiche.Ciò richiede un cambiamento nel modo in cui i team pensano alla proprietà, alla responsabilità e alla misurazione.

Quando si tratta l’AI come un insieme di iniziative isolate, ogni team costruisce la sua pipeline, i suoi modelli di accesso ai dati, la sua comprensione di cosa significhi “qualità” per il suo modello.Tuttavia, quando si vuole che l’AI sia uno strato operativo orizzontale che tocca prezzi, sicurezza, supporto, geolocalizzazione e personalizzazione contemporaneamente, è necessario avere fondamenta condivise.

Ciò include un livello semantico unificato con definizioni di metriche coerenti, un framework di qualità dei dati condiviso, un’infrastruttura di gestione dei modelli con pratiche MLOps incorporate e politiche di sicurezza comuni.

La dimensione dei costi, spesso sottovalutata, è vitale.Forniamo ai team la visibilità dei costi reali (per corsa, per transazione, archiviazione) per aiutare a migliorare la responsabilità, il che guida migliori decisioni di ingegneria.

Un’altra sfida significativa è l’utilizzo dell’AI per le operazioni interne. L’automatizzazione del caos produce solo caos. Pertanto, stiamo attivamente lavorando con i team interni per formalizzare il loro lavoro, descrivendo chiaramente i loro processi e pulendo la documentazione obsoleta.Sebbene non sia una novità, questi passi fondamentali sono cruciali per adottare con successo e trarre vantaggio dall’AI all’interno dell’organizzazione.

Le piattaforme di trasporto processano enormi quantità di dati comportamentali del mondo reale. Come bilancia l’opportunità di utilizzare quei dati per una migliore personalizzazione e previsione con la necessità di preservare la fiducia, la privacy e l’equità per entrambi gli autisti e i passeggeri?

Il vantaggio dei dati nel trasporto è reale. Combinato con i dati di consegna e fintech, diventa un set di dati comportamentali straordinariamente ricco.La tentazione di sfruttarlo eccessivamente è esattamente ciò che rifiutiamo di fare.

Applichiamo la limitazione dello scopo in modo rigoroso. Utilizziamo i dati raccolti per migliorare le corse. Non li riutilizziamo per il targeting pubblicitario o li vendiamo a terzi.I nostri utenti hanno scelto inDrive in parte perché ci fidano più degli incumbent. Quella fiducia, una volta rotta, non si ricostruisce.

Sul lato degli autisti, trattiamo i diritti dei dati come una questione di partenariato economico. Gli autisti non sono fonti di dati. Dovrebbero capire cosa raccogliamo, come lo utilizziamo e – criticamente – trarre beneficio da esso.inDrive.Money è un esempio diretto: gli stessi dati comportamentali che ci aiutano a gestire il mercato abilitano anche servizi finanziari che gli autisti necessitano e non possono accedere attraverso banche tradizionali.Quel valore di scambio deve essere bidirezionale, trasparente e equo.

Per la previsione della domanda e la previsione, preferiamo modelli aggregati rispetto al tracciamento individuale ogni volta che è possibile.Non è necessario sapere dove una persona specifica viaggia ogni giorno; è necessario sapere che la domanda in una determinata zona aumenta del 30% il venerdì sera.

Operiamo in paesi con quadri di privacy molto diversi – dal LGPD del Brasile a mercati con leggi di protezione dei dati minimali.Il nostro approccio è quello di attenerci a uno standard più alto indipendentemente da ciò che consente la legge locale.

Il modello di super app è stato molto di successo in alcune parti dell’Asia, ma è più difficile da replicare attraverso mercati globali frammentati. Cosa deve essere vero, dal punto di vista tecnologico e dell’AI, perché una super app funzioni attraverso decine di paesi invece di un solo ecosistema integrato?

Il modello di super app, che è diventato popolare in Asia, ha funzionato all’interno di ambienti normativi e infrastrutturali relativamente omogenei, con un’integrazione profonda tra pagamenti, social e commercio che aveva poche alternative indipendenti forti.Replicare questo a livello globale richiede un approccio fondamentalmente diverso, e pensiamo che il nostro modello sia più adatto ai mercati frammentati.

La fondazione deve essere globale per impostazione predefinita, locale per design.Esponiamo servizi di piattaforma condivisi – identità, wallet, notifiche, analisi, mappe, supporto – come binari stabili in cui i partner possono collegarsi rapidamente.

Ogni servizio è indipendentemente distribuibile e configurabile localmente, quindi i nuovi mercati possono essere lanciati attraverso la configurazione anziché il nuovo codice.Non si può spedire un prodotto monolitico e aspettarsi che risuoni ovunque.

Questo approccio modulare consente a ogni prodotto – corse, consegna, spesa, fintech – di adattarsi alle esigenze specifiche di ogni mercato mentre opera su una piattaforma condivisa.

Un livello di dati e identità unificato è essenziale.Tutta la proposta di valore di una super app è che l’uso di un servizio migliora gli altri.Ciò richiede un grafo dei dati utente unico attraverso i verticali.Costruire questo senza creare un problema di privacy è la sfida tecnica più difficile di tutta l’impresa.

In secondo luogo, il motore di rilevanza deve funzionare al livello dell’individuo, non del mercato.Quello che chiamiamo “segmento di uno” – utilizzare dati, analisi e ML per capire cosa conta per un cliente specifico in un contesto specifico – è ciò che rende una super app utile anziché ingombrante.Se si ha dieci servizi e l’app li mostra tutti con la stessa rilevanza, si crea un’app con una cattiva UX, non una super app.

In terzo luogo, è necessario avere partnership locali piuttosto che un approccio “costruire tutto”.Abbiamo investito in Krave Mart in Pakistan per la spesa, ci siamo associati con Fingular e Ammana in Indonesia per i servizi finanziari.La piattaforma tecnologica è globale; la consegna del servizio è locale.L’AI aiuta rendendo queste integrazioni senza soluzione di continuità per l’utente finale.

In quarto luogo, è necessario avere un’ancora di frequenza.È il motivo per cui la spesa è così importante per la nostra strategia.Il trasporto potrebbe essere settimanale.La spesa è quotidiana o quasi quotidiana.

Infine, il modello operativo deve essere in grado di assorbire la variabilità del mercato per mercato senza perdere coerenza.La nostra piattaforma Zero-Code, che alimenta oltre 400 schermi di produzione visitati più di 300 milioni di volte, ci consente di lanciare nuovi schermi, eseguire esperimenti e adattarci alle esigenze locali senza ridistribuire l’intera app.Quella flessibilità, combinata con un’infrastruttura decentralizzata multi-regione, è ciò che consente a una piattaforma di funzionare in modo coerente attraverso i mercati, senza imporre uniformità o accettare la frammentazione.

Guardando avanti tre o cinque anni, dove pensa che l’AI creerà la più grande separazione competitiva nelle piattaforme di mobilità: previsione della domanda, sicurezza e fiducia, operazioni autonome, automazione del supporto, economia degli autisti o servizi completamente nuovi che non esistono ancora?

L’AI toccherà tutti questi, ma il grado di separazione varierà.

Entro tre anni, ogni piattaforma di mobilità seria avrà probabilmente una previsione della domanda competente.Le funzionalità di sicurezza e fiducia saranno un requisito minimo.Il supporto si sta rapidamente automatizzando man mano che maturano i LLM.Le operazioni autonome saranno importanti alla fine, ma un’autonomia globale completa (al di fuori dei mercati sviluppati come gli Stati Uniti) è improbabile che abbia un impatto significativo sui mercati di frontiera per almeno un altro decennio.

Un’area di differenziazione significativa attraverso l’industria è probabilmente segnata da servizi completamente nuovi che non esistono ancora.La combinazione di dati di localizzazione in tempo reale, dati comportamentali, dati di pagamento e intelligenza del mercato locale crea la base per servizi che non abbiamo ancora concepito in aree come il commercio iperlocale, la sanità o la logistica predittiva.La piattaforma con la base di dati più ricca e l’agilità organizzativa per testare e scalare rapidamente nuovi verticali avrà un vantaggio moltiplicatore.

L’AI agente è dove si aprirà la separazione a lungo termine.Man mano che i flussi di lavoro agentic maturano, gestendo l’onboarding, il monitoraggio delle frodi, le operazioni finanziarie e la formazione personalizzata, le piattaforme con le giuste basi di dati potrebbero abilitare una sperimentazione e una scalabilità più rapide.

L’AI non crea un vantaggio competitivo di per sé.Crea un vantaggio quando combinato con dati unici, una posizione di mercato unica e la disciplina operativa per eseguire.La posizione di inDrive – l’app di trasporto condiviso più scaricata al mondo, con posizioni dominanti nei mercati di frontiera, oltre 400 milioni di download e un marchio costruito sulla correttezza – è la fondazione.L’AI è l’amplificatore.Senza la fondazione, l’amplificatore non ha nulla da amplificare.

Grazie per la grande intervista, i lettori che desiderano saperne di più possono visitare inDrive.