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 più di 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 e AWS. In seguito, ha ricoperto il ruolo di 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 cloud, Agile, DevOps e modelli di ingegneria basati su prodotti.

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. Altrettanto 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 alimentano la prossima fase di crescita globale dell’azienda.

inDrive è una piattaforma di mobilità e servizi urbani globale che collega gli utenti con autisti e fornitori di servizi in tutto il mondo, coprendo servizi di ride-hailing, 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 differenziatore 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.

Ha iniziato con la modellazione matematica e l’analisi degli elementi finiti, per poi passare attraverso Microsoft, AWS, HSBC e National Australia Bank, e ora sta guidando la trasformazione dell’AI in inDrive. Come ha plasmato il suo 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. Quella 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, quel modo di pensare si è rivelato assolutamente vitale.

HSBC e National Australia Bank (NAB) hanno portato una lente 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 intelligenza artificiale o di apprendimento automatico che non può spiegare le proprie decisioni in un modo che un regolatore o un cliente possa capire non è un asset, ma una passività.

Un prodotto dovrebbe riflettere le esigenze delle persone, non dimostrare la complessità del proprio stack. Quel 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 ciò 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 distribuire questo, e cosa succede quando fallisce alle 3 del mattino in un mercato dove le poste in gioco sono reali?” Quella è la lente che porto in inDrive.

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

L’intelligenza artificiale in inDrive non riguarda solo i 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 molto altro. Oltre l’80% della nostra forza lavoro utilizza una varietà di strumenti di intelligenza artificiale, dal supporto clienti e marketing alla codifica e all’analisi. L’intelligenza artificiale svolge un lavoro significativo nell’infrastruttura circostante – nel 2025 abbiamo raggiunto un miglioramento dell’accuratezza dell’ETA del 14% rispetto al 2024 grazie ai nostri modelli di apprendimento profondo. Quindi, quando le persone chiedono dell’intelligenza artificiale e dei prezzi, è importante capire che è solo una dimensione di una capacità molto più ampia.

inDrive è stata fondata a Yakutsk per combattere i prezzi dei taxi ingiusti e collusivi. La nostra identità competitiva principale è questo modello di negoziazione peer-to-peer — i passeggeri propongono, gli autisti accettano, contrattano o rifiutano. Questo flusso di offerte aperte è fondamentale. Ciò che fa l’intelligenza artificiale è agire come supporto decisionale 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’apprendimento automatico rende queste proposte più intelligenti e più pertinenti in base all’offerta, alla domanda, alla distanza, al traffico e all’orario, ma il meccanismo di negoziazione conserva l’agenzia dell’utente. Utilizziamo anche l’apprendimento automatico per aiutare gli autisti a capire quando e dove i guadagni sono più forti.Stiamo utilizzando l’intelligenza artificiale per ridurre l’asimmetria delle informazioni tra entrambe le parti, non per sfruttarla.

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

La maggior parte delle aziende che dicono “intelligenza artificiale prima” intendono che hanno aggiunto un chatbot. Non è quello che stiamo facendo.

Intelligenza artificiale prima significa che l’intelligenza artificiale 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 dovrebbe plasmare questa esperienza l’intelligenza? A differenza delle super app legacy che sono cresciute prima dell’era dell’intelligenza artificiale, stiamo incorporando queste capacità fin dall’inizio mentre ci espandiamo su otto vertici: ride-hailing, 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 sicurezza e la fiducia sono anche un’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 alimentato dall’intelligenza artificiale – non solo chatbot, ma triage intelligente, risoluzione automatica dei problemi comuni e capacità multilingue – è sia un moltiplicatore di costo che di qualità.

I servizi finanziari attraverso inDrive.Money sono dove l’intelligenza artificiale 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 della 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’intelligenza artificiale 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 vertice aggiuntivo arricchisce il grafico dei dati. Un passeggero che utilizza anche la consegna di generi alimentari e il prestito agli 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 frontiera, dove le condizioni operative possono variare notevolmente. Come progettate sistemi di intelligenza artificiale che funzionano bene attraverso regioni con infrastrutture, abitudini di pagamento, ambienti normativi e aspettative degli utenti molto diversi?

La difficoltà risiede nel creare un modello unificato che funzioni in modo affidabile in 48 paesi e oltre 1.000 città in 8 regioni distinte. Affrontiamo questo con una piattaforma altamente configurabile in cui la maggior parte del lavoro che facciamo per i lanci di nuovi paesi sono cambi di configurazione, non nuovo codice. Ciò concentra il nostro sforzo di ingegneria sulle esigenze locali: verifica degli autisti, convalida dei documenti e integrazioni con database governativi.

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 da ambienti finanziari altamente regolamentati stanno risultando più preziose mentre inDrive si espande in servizi come la fintech e costruisce sistemi di decisione più guidati dall’intelligenza artificiale?

Tre lezioni da HSBC e NAB si trasferiscono quasi direttamente.

Innanzitutto, la tracciabilità e i controlli intorno ai dati non sono opzionali. Nel banking, 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 e spiegabile. E nel mondo digitale devi combinare velocità con controlli, il che significa che tutte le esigenze normative devono essere automatizzate fin dall’inizio. Quindi, inizi a pensare alle esigenze normative e ai controlli come a un prodotto software, rimuovendo il lavoro manuale e affidandoti all’automazione ovunque.

In secondo luogo, la governance dei dati precede la scienza dei dati. In NAB e HSBC, ho imparato che il collo di bottiglia più grande per l’intelligenza artificiale non è mai il modello – è il dato. Di chi è? È pulito? È stato acquisito con il consenso? È stato debitamente lineato? In inDrive, espandendoci dal ride-hailing ai servizi finanziari significa che la nostra governance dei dati deve maturare rapidamente. Se costruisci l’intelligenza artificiale prima della governance, accumuli debito tecnico e normativo che diventa esponenzialmente più difficile da pagare.

In terzo luogo, la resilienza operativa conta più della prestazione del modello. Il banking mi ha insegnato che un modello del 99,9% preciso che fallisce in modo catastrofico nel caso dell’1% è peggiore di un modello del 95% preciso con una degradazione gradevole. Nel nostro caso, un falso positivo nella rilevazione delle frodi che blocca un autista dal suo guadagno può distruggere la fiducia. Progetti per il caso di guasto, 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. Quello offre segnali più robusti per la valutazione del credito rispetto a un punteggio FICO o a una dichiarazione bancaria nel tempo. Ma quel vantaggio si materializza solo se costruiamo le strutture di governance e di equità per utilizzarlo in modo responsabile, che è dove la “muscolatura” del banking è inestimabile.

Molte aziende parlano di mantenere “gli esseri umani nel loop”, ma quella 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, automatizzare. 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. Questo è non negoziabile indipendentemente da quanto sofisticate siano le nostre raccomandazioni di intelligenza artificiale. Il momento in cui togliamo quello, diventiamo solo un’altra piattaforma algoritmica, perdendo ciò che ci differenzia.Quello 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 intelligenza artificiale elabora oltre due terzi delle chat di ride-hailing per rilevare, segnalare e proteggere i clienti da linguaggio inappropriato. Ma 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 puoi automatizzare e mantenere la responsabilità.

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

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

L’errore che molte aziende fanno è trattare “esseri umani nel loop” come una fase che alla fine si automaterà. Per le categorie che ho descritto, quella è la cornice sbagliata. Sono casi in cui il giudizio umano è appropriato strutturalmente e rimarrà tale.

Una delle parti più difficili dello scaling dell’intelligenza artificiale 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’intelligenza artificiale da casi di uso isolati in un livello operativo in tutta l’azienda?

Tutti danno la risposta educata: la qualità dei dati. Quello è vero ma insufficiente. L’ostacolo reale è organizzativo.La cosa più difficile non è un singolo problema tecnico, ma la transizione da una cultura di esperimenti di intelligenza artificiale isolati a una cultura di operazioni di intelligenza artificiale sistematiche. Quel passaggio richiede cambiare il modo in cui i team pensano alla proprietà, alla responsabilità e alla misurazione.

Quando si tratta l’intelligenza artificiale come un insieme di iniziative isolate, ogni team costruisce la propria pipeline, i propri modelli di accesso ai dati, la propria comprensione di cosa significhi “qualità” per il proprio modello. Ma quando si vuole che l’intelligenza artificiale sia un livello operativo orizzontale che tocca contemporaneamente prezzi, sicurezza, supporto, geo, personalizzazione, si ha bisogno di fondamenta condivise.

Ciò include un livello semantico unificato con definizioni di metriche coerenti, una struttura di qualità dei dati condivisa, 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 effettivi (per corsa, per transazione, archiviazione) per aiutare a migliorare la responsabilità, il che guida migliori decisioni di ingegneria. Ad esempio, l’ottimizzazione dell’archiviazione ci ha permesso di ridurre i costi dei dati geografici, abbassando notevolmente il costo dell’infrastruttura per transazione come risultato. Il livello di miglioramento che abbiamo visto è possibile solo quando la proprietà dei costi è decentralizzata ed incorporata nei team, non gestita centralmente come un dopo pensiero.

Un’altra sfida significativa nell’utilizzo dell’intelligenza artificiale per le operazioni interne. Automatizzare il caos produce solo caos. Pertanto, stiamo attivamente lavorando con i team interni per formalizzare il loro lavoro, descrivendo i loro processi in modo chiaro e pulendo la documentazione obsoleta. Sebbene non sia una novità, questi passi fondamentali sono cruciali per adottare e trarre vantaggio dall’intelligenza artificiale all’interno dell’organizzazione.

Le piattaforme di ride-hailing elaborano enormi quantità di dati comportamentali del mondo reale. Come si 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 in ride-hailing 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 i viaggi. 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 partnership economica. Gli autisti non sono fonti di dati. Dovrebbero capire cosa raccogliamo, come lo utilizziamo e – criticamente – trarne beneficio. inDrive.Money è un esempio diretto: gli stessi dati comportamentali che ci aiutano a gestire il mercato anche abilitano servizi finanziari che gli autisti necessitano e non possono accedere dalle banche tradizionali. Quello scambio di valore deve essere bidirezionale, trasparente e equo.

Per la previsione della domanda e della previsione, preferiamo modelli aggregati rispetto al tracciamento individuale quando 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 – dalla LGPD del Brasile ai mercati con leggi di protezione dei dati minimali. Il nostro approccio è quello di attenerci allo 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 in mercati globali frammentati. Cosa deve essere vero, dal punto di vista tecnologico e dell’intelligenza artificiale, perché una super app funzioni in dozzine di paesi piuttosto che in un solo ecosistema strettamente integrato?

Il modello di super app, che è diventato popolare in Asia, ha funzionato all’interno di ambienti normativi e di infrastrutture relativamente omogenei, con un’integrazione profonda tra pagamenti, social e commercio che aveva poche alternative 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 deployabile in modo indipendente e configurabile localmente, quindi i nuovi mercati possono essere lanciati attraverso la configurazione, non nuovo codice. Non puoi spedire un prodotto monolitico e aspettarti che risuoni ovunque.

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

Un livello di dati e identità unificato è essenziale. L’intera proposta di valore di una super app è che l’uso di un servizio migliora gli altri. Ciò richiede un grafico dei dati utente unico attraverso i vertici. 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 intelligenza artificiale per capire cosa conta per un cliente specifico in un contesto specifico – è ciò che rende una super app utile piuttosto che affollata.

In terzo luogo, hai bisogno di partnership locali più che di un approccio costruisci-tutto. Abbiamo investito in Krave Mart in Pakistan per la consegna di generi alimentari, ci siamo associati con Fingular e Ammana in Indonesia per i servizi finanziari. La piattaforma tecnologica è globale; la consegna del servizio è locale.

In quarto luogo, hai bisogno di un’ancora di frequenza. È il motivo per cui la consegna di generi alimentari è così importante per la nostra strategia.

Infine, il modello operativo deve essere in grado di assorbire la variabilità del mercato per mercato senza perdere coerenza.

Guardando avanti tre o cinque anni, dove pensa che l’intelligenza artificiale creerà la maggiore 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’intelligenza artificiale 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 fondamentali. Il supporto si sta rapidamente automatizzando. Le operazioni autonome saranno importanti alla fine, ma la piena autonomia a livello globale (al di fuori dei mercati sviluppati come gli Stati Uniti) è improbabile che abbia un impatto significativo sui mercati frontiera per almeno un altro decennio.

Un’area di differenziazione significativa nell’industria, tuttavia, 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.

L’intelligenza artificiale non crea un vantaggio competitivo di per sé. Crea un vantaggio quando combinata con dati unici, una posizione di mercato unica e la disciplina operativa per eseguire.

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