Yuri Misnik, Chief Technology Officer, inDrive – Interview Series

Yuri Misnik is de Chief Technology Officer bij inDrive, waar hij de wereldwijde technologie-strategie van het bedrijf leidt. Met meer dan twee decennia aan internationale ervaring, heeft Misnik hoge-impact technologieprogramma’s opgebouwd en geleid op het gebied van cloud, financiële diensten en grootschalige digitale transformatie.

Voordat hij bij inDrive kwam, bekleedde hij senior functies bij Microsoft en AWS. Later was hij Digital CIO bij HSBC, CIO bij National Australia Bank en Group CTO bij First Abu Dhabi Bank, waar hij complexe, streng gereguleerde omgevingen moderniseerde met cloud, Agile, DevOps en product-georiënteerde engineering-modellen.

Misnik begon zijn carrière in de lucht- en ruimtevaarttechniek, waar hij bijdroeg aan het ontwerp van de Boeing 787 voordat hij overstapte naar software-engineering en online handelssystemen. Eveneens vloeiend in legacy-platforms en moderne gedistribueerde architectuur, staat hij bekend om het verbinden van fundamentele systemen met baanbrekende innovatie.

Bij inDrive richt hij zich op het bouwen van de systemen, teams en platforms die de volgende fase van wereldwijde groei van het bedrijf zullen aandrijven.

inDrive is een wereldwijd mobiliteits- en stedelijke dienstenplatform dat gebruikers verbindt met bestuurders en dienstverleners over ritdelen, bezorging en andere on-demand diensten. Opgericht in 2013, opereert het bedrijf in meer dan 48 landen en meer dan 1.000 steden, met honderden miljoenen app-downloads wereldwijd. Het kernonderscheidende punt is een peer-to-peer-prijsmodel dat passagiers en bestuurders in staat stelt om tarieven rechtstreeks te onderhandelen, in plaats van te vertrouwen op algoritmische prijzen, met als doel transparantere en eerlijkere transacties te creëren. Naast transport is inDrive uitgebreid naar gebieden zoals intercity-reizen, koeriersdiensten, fintech-aanbod en zelfs boodschappenbezorging, waarmee het bedrijf zich positioneert als een bredere “super app” met een focus op toegankelijke en eerlijke stedelijke diensten.

U bent begonnen met wiskundig modelleren en eindige elementenanalyse voordat u overstapte naar Microsoft, AWS, HSBC en National Australia Bank, en nu leidt u de AI-transformatie bij inDrive. Hoe heeft die reis uw manier van denken over het bouwen van AI-systemen beïnvloed, die technisch ambitieus zijn maar nog steeds geworteld in eerlijkheid, veerkracht en werkelijke beperkingen?

Ik begon mijn carrière in toegepaste wiskunde en eindige elementenanalyse, wat fundamenteel gaat over het begrijpen waar uw model faalt, in plaats van waar het werkt. Die mentaliteit is exact hoe ik tegenwoordig tegen AI-systemen aankijk.

Bij Microsoft en later AWS, waar ik meer dan een decennium doorbracht, leerde ik wat er gebeurt als u platforms op wereldschaal bouwt. U gaat ervan uit dat systemen zullen degraderen, netwerken zullen falen, componenten onverwacht zullen gedragen. Bij inDrive, dat opereert in meer dan 1.000 steden in 48 landen, heeft dat denken zich absoluut bewezen.

HSBC en National Australia Bank (NAB) brachten een andere lens. Bij HSBC bouwde ik retail-digitale mogelijkheden op over tientallen regelgevingsregimes. Bij NAB leidde ik de cloudtransformatie, waarbij kritieke banktoepassingen naar AWS werden verplaatst. In die omgevingen heeft elke technologiebeslissing regelgevings-, reputatie- en financiële gevolgen. Een AI- of ML-model dat zijn beslissingen niet op een manier kan verklaren die een regulator of klant kan begrijpen, is geen actief, maar een aansprakelijkheid.

Een product moet de behoeften van mensen weerspiegelen, niet de complexiteit van uw stack demonstreren. Dat principe is wat technische ambitie verankert in eerlijkheid en werkelijke beperkingen.

Dat betekent het bouwen van AI-systemen die informeren en ondersteunen, bijvoorbeeld door een eerlijke prijs aan te bevelen zonder de controle van de mensen in de markt weg te nemen.De rode draad door al dit heen is eenvoudig: technische ambitie zonder operationele discipline is gewoon een demo. Mijn carrière is een progressie van “kunnen we dit ontwerpen of bouwen?” naar “zouden we dit moeten implementeren en wat gebeurt er als het om 3 uur ‘s nachts in een markt met echte inzet faalt?” Dat is de lens die ik op inDrive richt.

De meeste platforms gebruiken AI om prijzen vast te stellen. inDrive gebruikt onderhandeling. Hoe past machine learning precies in uw model en waar op het platform levert het de meeste waarde zonder de transparantie te compromitteren die inDrive onderscheidt?

AI bij inDrive is niet alleen over prijzen; het is ingebed over de hele onderneming, van marketing en groei tot super app-persoonlijkheid, klantenservice, georuimtelijke intelligentie, interne tools, fraudepreventie en meer. Meer dan 80% van onze werknemers gebruikt een verscheidenheid aan AI-hulpmiddelen, van klantenservice en marketing tot codering en analyse. AI doet significant werk in de omliggende infrastructuur – in 2025 hebben we een verbetering van 14% in ETA-nauwkeurigheid bereikt ten opzichte van 2024 met behulp van onze diepe leermodellen. Dus als mensen vragen over AI en prijzen, is het belangrijk om te begrijpen dat het slechts een dimensie is van een veel bredere capaciteit.

inDrive is opgericht in Yakutsk om oneerlijke, kartelmatige taxiprijzen te bestrijden. Ons kernconcurrentieidentiteit is dit peer-to-peer-onderhandelingsmodel — passagiers doen een voorstel, bestuurders accepteren, tegenbieden of weigeren. Deze open biedstroom is fundamenteel. Wat AI doet, is als besluitvormingsondersteuning rond die door de mens onderhandelde prijs fungeren.Als u naar traditionele surge-prijzenmodellen kijkt – die zijn een black box. De gebruiker ziet een multiplier en heeft geen enkele mogelijkheid om iets te doen. In ons model ziet de passagier een aanbevolen prijs, de bestuurder kan accepteren of tegenbieden, en de passagier beslist of hij de aanbieding accepteert of wacht op een ander aanbod. ML maakt deze suggesties slimmer en contextueel relevanter op basis van aanbod, vraag, afstand, verkeer en tijd, maar het onderhandelingsmechanisme behoudt de agency van de gebruiker. We gebruiken ML ook om bestuurders te helpen begrijpen wanneer en waar verdiensten sterker zijn.We gebruiken AI om informatie-asymmetrie tussen beide partijen te verminderen, niet om deze te exploiteren.

Wat betekent een “AI-first super app” precies in de praktijk bij inDrive en welke delen van het platform zijn het meest natuurlijke fit voor AI vandaag: marketplace-matching, veiligheid, klantenservice, financiële diensten, of iets anders?

De meeste bedrijven die “AI-first” zeggen, bedoelen dat ze een chatbot hebben toegevoegd. Dat is niet wat wij doen.

AI-first betekent dat AI in de operationele laag van het platform zit, niet in de functie-laag. Elke productbeslissing – van marketplace-matching tot klantenservice tot kredietbeoordeling – begint met de vraag: welke gegevens hebben we, en hoe zou intelligentie deze ervaring moeten vormen? In tegenstelling tot legacy-super apps die groeiden voordat de AI-tijdperk, bouwen wij deze capaciteiten vanaf de grond af aan terwijl wij schalen over acht verticale markten: ritdelen, intercity-reizen, koerier, vracht, boodschappenbezorging, stedelijke diensten en financiële producten.

In termen van natuurlijke fit is marketplace-matching en prijsintelligentie de kernmotor – betere matching betekent hogere benutting, wat betere economie voor zowel bestuurders als passagiers betekent. Vertrouwen en veiligheid is ook een kritisch gebied: real-time anomaliedetectie, bestuurdersverificatie en fraudepreventie.

We opereren in 48 landen en tientallen talen. AI-geactiveerde ondersteuning – niet alleen chatbots, maar intelligente triage, automatische oplossing van veelvoorkomende problemen en meertalige capaciteit – is zowel een kosten- als kwaliteitsvermenigvuldiger.

Financiële diensten via inDrive.Money is waar AI ons heeft geholpen om een nieuwe waardepropositie voor klanten te creëren – in dit geval, onze bestuurders. We gebruiken ritgegevens, verdienpatronen en platformgedrag om alternatieve kredietmodellen voor bestuurders te bouwen die traditionele banken niet kunnen repliceren met alleen standaard kredietgegevens. Het is al live in Mexico, Colombia, Brazilië, Indonesië en Peru.

We gebruiken AI ook voor toegankelijkheid en inclusie – het vereenvoudigen van interfaces voor gebruikers met lagere geletterdheid of beperkingen. In veel van onze markten is dit een vereiste om de adressabele bevolking te bereiken.

De super app-vermenigvuldiger is dat elke extra verticale de gegevensgrafiek verrijkt. Een passagier die ook boodschappenbezorging en bestuurderslening gebruikt, geeft ons een 360-graden gedragsbeeld. Dat maakt elke individuele dienst slimmer – maar alleen als de gegevensbasis en governance goed zijn, wat het moeilijke deel is.

inDrive is vooral sterk in opkomende en frontiermarkten, waar operationele omstandigheden sterk kunnen variëren. Hoe ontwerpt u AI-systemen die goed presteren over regio’s met zeer verschillende infrastructuur, betalingsgewoonten, regelgevingsomgevingen en gebruikersverwachtingen?

De moeilijkheid ligt in het creëren van een uniform model dat betrouwbaar werkt over 48 landen en meer dan 1.000 steden in 8 verschillende regio’s. We lossen dit op met een enkel, zeer configureerbaar platform waarbij de meeste werkzaamheden die we doen voor nieuwe landlanceringen configuratieveranderingen zijn, niet nieuwe code. Dit richt onze engineeringsinspanning op lokale vereisten: bestuurdersverificatie, documentvalidatie en overheidsdatabasintegraties.

Onze architectuur maakt gebruik van meerdere AWS-regio’s en een multi-beschikbaarheidszone-omgeving die enkele punten van falen elimineert. Ons DevOps-platform is zeer geautomatiseerd, wat onze groeiende engineeringsteams in Pakistan, Egypte en Azië-Pacific in staat stelt om te opereren met dezelfde normen als onze Europese teams. We zijn ook engineeringscapaciteit aan het opbouwen in Latijns-Amerika, waar we significante bedrijfsoperaties hebben om deze markt op lange termijn beter te bedienen met een nabije engineeringsaanwezigheid.

U heeft grote cloud- en digitale transformatie-inspanningen geleid bij instellingen als HSBC en NAB. Welke lessen uit hoog gereguleerde financiële omgevingen zijn het meest waardevol bij de uitbreiding van inDrive naar diensten als fintech en het opbouwen van meer AI-gedreven beslissingsystemen?

Drie lessen van HSBC en NAB zijn direct toepasbaar.

Ten eerste zijn auditability en controles rond gegevens niet optioneel. In banken moet elke kritieke gegevenselement, elke beslissing die een klant aangaat, omgeven zijn door passende controles die integriteit en consistentie beschermen. Alles moet traceerbaar en verklarbaar zijn. En in de digitale wereld moet u snelheid combineren met controles, wat betekent dat alle regelgevingsvereisten vanaf het begin geautomatiseerd moeten worden. U gaat dus denken over regelgevingsvereisten en controles als een softwareproduct, waarbij u handmatig werk verwijdert en vertrouwt op automatisering overal.

Ten tweede gaat gegevensgovernance vooraf aan datawetenschap. Bij NAB en HSBC leerde ik dat de grootste bottleneck voor AI nooit het model is – het zijn de gegevens. Van wie zijn ze? Zijn ze schoon? Zijn ze geconsenteerd? Zijn ze goed gelinieerd? Bij inDrive moet onze gegevensgovernance snel volwassen worden bij de uitbreiding van ritdelen naar financiële diensten. Als u AI bouwt voordat de governance op orde is, accumuleert u technische en regelgevingschulden die exponentieel moeilijker worden om af te lossen.

Ten derde is operationele veerkracht belangrijker dan modelprestaties. Banken leerden me dat een model met 99,9 procent nauwkeurigheid dat catastrofaal faalt in de 0,1 procent-case erger is dan een model met 95 procent nauwkeurigheid met een gracieuze degradatie. In ons geval kan een vals positief op fraude detectie dat een bestuurder buiten zijn inkomsten sluit, vertrouwen vernietigen. U ontwerpt voor het falen, niet de gelukkige weg.

Een voordeel dat inDrive heeft ten opzichte van traditionele fintechs, is dat wij continue gedragsgegevens over de leners hebben. Wij weten hoe vaak zij rijden, hun acceptatiepercentages, hun verdienpatronen, hun betrouwbaarheidssignalen. Dat biedt robuustere signalen voor kredietwaardigheid dan een momentopname FICO-score of bankverklaring. Maar dit voordeel materialiseert alleen als wij de governance- en eerlijkheidskaders bouwen om het verantwoord te gebruiken, wat waar de bankervaring onmisbaar is.

Veel bedrijven praten over het “houden van mensen in de lus”, maar die frase blijft vaak vaag. Bij inDrive, waar denkt u dat menselijke oordeel ononderhandelbaar moet blijven, zelfs als agente workflows en automatisering capabeler worden?

Ik heb een eenvoudig principe: automatiseer het herhaalbare; houd mensen bij het onomkeerbare. Als een verkeerde beslissing gemakkelijk omkeerbaar is, automatiseer. Als het vertrouwen, levensonderhoud of veiligheid kan vernietigen, blijft menselijk oordeel.

Prijsgarantie is het meest voor de hand liggende voorbeeld en dat wat inDrive definieert. De mens – zowel de passagier als de bestuurder – heeft altijd het laatste woord over de prijs. Dit is ononderhandelbaar, ongeacht hoe geavanceerd onze AI-aanbevelingen worden. Het moment we dat wegnemen, worden we gewoon een ander algoritmisch platform, waardoor we wat ons onderscheidt verliezen.Dat is architecturaal.

Veiligheidsescalaties zijn een ander duidelijk geval.We automatiseren eerste-niveau-inhoudsmoderatie en ondersteuning op grote schaal. Getraind op miljoenen teksten, verwerkt ons AI-systeem meer dan twee derde van de ritdelen-chats om snel ongepaste taal te detecteren, te markeren en klanten te beschermen. Maar wanneer een situatie echt ambigu is of significante gevolgen heeft voor iemands levensonderhoud, neemt een mens de beslissing. Automatisering moet intelligent gevallen filteren, waardoor menselijk oordeel alleen wordt toegepast wanneer het echt waardevol is.De kosten van een vals negatief is iemands veiligheid. U kunt dat niet automatiseren en verantwoordelijkheid behouden.

Ons bredere principe is dat AI menselijk oordeel moet ondersteunen, als teamgenoot fungeren, niet als vervanging.

Markttoetreding en regelgevingsaanpassing vereisen menselijk oordeel omdat ze inherent contextueel zijn. Geen enkel AI-systeem zou autonoom moeten beslissen hoe wij in een nieuwe regelgevingsomgeving opereren. En accountniveau-beslissingen – permanente verboden, geschillenbeslechting, beroepen – vereisen menselijk oordeel omdat de context altijd rijker is dan wat de gegevens vastleggen.

De fout die veel bedrijven maken, is “mens in de lus” te behandelen als een fase die zij uiteindelijk zullen automatiseren. Voor de categorieën die ik heb beschreven, is dat de verkeerde kadering. Zij zijn gevallen waarin menselijk oordeel structureel passend is en zal blijven.

Een van de moeilijkste onderdelen van het schalen van AI is niet modelprestatie, maar operationele discipline: gegevenskwaliteit, governance, monitoring en kostenbeheersing. Wat is het grootste obstakel geweest bij het omzetten van AI van geïsoleerde use cases naar een operationele laag over de hele onderneming?

Iedereen geeft het beleefde antwoord: gegevenskwaliteit. Dat is waar, maar onvoldoende. Het echte obstakel is organisationeel.De moeilijkste zaak is niet een enkel technisch probleem, maar de overgang van een cultuur van individuele AI-experimenten naar een cultuur van systematische AI-operaties. Die verschuiving vereist een verandering in hoe teams denken over eigendom, verantwoordelijkheid en meting.

Wanneer u AI behandelt als een reeks geïsoleerde initiatieven, bouwt elk team zijn eigen pipeline, zijn eigen gegevens-toegangspatronen, zijn eigen begrip van wat “kwaliteit” betekent voor hun model. Maar wanneer u wilt dat AI een horizontale operationele laag is die prijzen, veiligheid, ondersteuning, geo, personalisatie gelijktijdig aanraakt, heeft u gedeelde fundamenten nodig.

Dat omvat een uniforme semantische laag met consistente metrische definities, een gedeeld kader voor gegevenskwaliteit, modelbeheer-infrastructuur met ingebedde MLOps-praktijken en gemeenschappelijke beveiligingsbeleid.

De vaak onderschatte kostenafmeting is ook essentieel. Wij geven teams zichtbaarheid in de daadwerkelijke kosten (per rit, per transactie, opslag) om verantwoordelijkheid te verbeteren, wat betere engineeringsbeslissingen stimuleert. Bijvoorbeeld, opslagoptimalisatie stelde ons in staat om geo-gegevenskosten te verlagen, waardoor de infrastructuurkosten per deal aanzienlijk werden verlaagd. Het niveau van verbetering dat wij hebben gezien, is alleen mogelijk wanneer kostenbeheer gedecentraliseerd is en ingebed in de teams, niet centraal beheerd als een nasleep.

Een andere significante uitdaging is het gebruik van AI voor interne operaties. Het automatiseren van chaos levert alleen chaos op. Daarom werken wij actief met interne teams om hun werk te formaliseren, hun processen duidelijk te beschrijven en verouderde documentatie op te schonen. Hoewel dit niet nieuw is, zijn deze fundamenten essentieel voor het succesvol adopteren en profiteren van AI binnen de organisatie.

Ritdiensten verwerken enorme hoeveelheden real-world gedragsgegevens. Hoe balanceert u de kans om deze gegevens te gebruiken voor betere personalisatie en forecasting met de noodzaak om vertrouwen, privacy en eerlijkheid voor zowel bestuurders als passagiers te behouden?

Het gegevensvoordeel in ritdelen is echt. In combinatie met bezorgings- en fintech-gegevens wordt het een buitengewoon rijk gedragsdataset. De verleiding om dit te over-exploiteren is precies wat wij weigeren te doen.

Wij passen doelbeperking rigide toe. Wij gebruiken gegevens verzameld om ritten te verbeteren. Het wordt niet hergebruikt voor advertentiedoelstelling of verkocht aan derden. Onze gebruikers kozen voor inDrive deels omdat zij ons meer vertrouwen dan gevestigde partijen. Dat vertrouwen, eens gebroken, herstelt niet.

Aan de kant van de bestuurders behandelen wij gegevensrechten als een economische partnerschapskwestie. Bestuurders zijn geen gegevensbronnen. Zij moeten begrijpen wat wij verzamelen, hoe wij het gebruiken en – kritisch – ervan profiteren. inDrive.Money is een direct voorbeeld: dezelfde gedragsgegevens die ons helpen het marktplein te runnen, maken ook financiële diensten mogelijk die bestuurders nodig hebben en die traditionele banken niet kunnen repliceren met alleen standaard kredietgegevens. Die waarde-uitwisseling moet tweerichtingsverkeer zijn, transparant en eerlijk.

Voor forecasting en vraagvoorspelling geven wij de voorkeur aan geaggregeerde patronen boven individuele tracking waar mogelijk. U hoeft niet te weten waar een specifiek persoon elke dag reist; u moet weten dat de vraag in een bepaalde zone met 30 procent toeneemt op vrijdagavonden.

Wij opereren in landen met zeer verschillende privacykaders – van Brazilië’s LGPD tot markten met minimale gegevensbeschermingswetten. Onze aanpak is om onszelf te houden aan de hogere standaard, ongeacht wat de lokale wet toestaat.

Het super app-model is zeer succesvol in delen van Azië, maar het is moeilijker om dit te repliceren over gefragmenteerde wereldmarkten. Wat moet waar zijn, vanuit technologie en AI, om een super app te laten werken over tientallen landen in plaats van één strak geïntegreerd ecosysteem?

Het super app-model, dat populair werd in Azië, werkte binnen relatief homogene regelgevings- en infrastructuuromgevingen, met diepe integratie over betalingen, sociale en commerciële diensten die weinig sterke onafhankelijke alternatieven hadden. Wereldwijd repliceren vereist een fundamenteel andere aanpak, en wij denken dat ons model beter geschikt is voor gefragmenteerde markten.

De basis moet globaal zijn vanaf het begin, lokaal van ontwerp. Wij bieden gedeelde platformdiensten aan – identiteit, portemonnee, notificaties, analyse, kaarten, ondersteuning – als stabiele rails waar partners snel in kunnen haken.Elke dienst is onafhankelijk inzetbaar en lokaal configureerbaar, zodat nieuwe markten kunnen worden gelanceerd via configuratie in plaats van nieuwe code. U kunt geen monolithisch product verzenden en verwachten dat het overal resoneert.

Deze modulaire aanpak stelt elke dienst – ritten, bezorging, boodschappen, fintech – in staat om aan te passen aan de specifieke behoeften van elke markt, terwijl hij op een gedeeld platform werkt. Ook is een uniforme identiteit- en datalaag essentieel. De hele waardepropositie van een super app is dat het gebruik van één dienst de andere verbetert. Dat vereist een enkele gebruikersgegevensgrafiek over verticale markten. Het bouwen hiervan zonder een privacyprobleem te creëren, is de moeilijkste technische uitdaging in het hele project.

Ten tweede moet de relevantie-engine werken op het niveau van het individu, niet de markt. Wat wij een “segment van één” noemen – het gebruik van gegevens, analyse en ML om te begrijpen wat voor een specifieke klant in een specifieke context belangrijk is – is wat een super app nuttig in plaats van rommelig maakt. Als u tien diensten heeft en de app laat u alle tien met gelijke prominentie zien, heeft u een app met een slechte UX gecreëerd, niet een super app.

Ten derde hebt u lokale partners nodig in plaats van een alles-self-build-aanpak. Wij hebben geïnvesteerd in Krave Mart in Pakistan voor boodschappen, en zijn partner van Fingular en Ammana in Indonesië voor financiële diensten. Het technologieplatform is wereldwijd; de dienstverlening is lokaal. AI helpt door deze integraties naadloos te maken voor de eindgebruiker.

Ten vierde hebt u een frequentie-anker nodig. Dit is waarom boodschappen zo belangrijk zijn voor onze strategie. Ritdelen kan wekelijks zijn. Boodschappen zijn dagelijks of bijna dagelijks.

Ten slotte moet het operationele model in staat zijn om markt-per-markt-variabiliteit te absorberen zonder coherentie te verliezen. Ons Zero-Code-platform, dat meer dan 400 productieschermen aandrijft die meer dan 300 miljoen keer zijn bezocht, stelt ons in staat om nieuwe schermen te lanceren, experimenten uit te voeren en aan te passen aan lokale vereisten zonder volledige app-herimplementaties. Die flexibiliteit, in combinatie met een gedecentraliseerde multi-regio-infrastructuur, is wat een platform in staat stelt om coherent over markten te functioneren, zonder ofwel uniformiteit af te dwingen, ofwel fragmentatie te accepteren.

Kijkend naar de toekomst, drie tot vijf jaar, waar denkt u dat AI de grootste competitieve scheiding zal creëren in mobiliteitsplatforms: vraagvoorspelling, vertrouwen en veiligheid, autonome operaties, ondersteuningsautomatisering, bestuurders-economie, of geheel nieuwe diensten die nog niet bestaan?

AI zal al deze gebieden aanraken, maar de mate van scheiding zal variëren.

Binnen drie jaar zal elk serieus mobiliteitsplatform waarschijnlijk een competent vraagvoorspellingsmodel hebben. Veiligheids- en vertrouwensfuncties zullen standaard zijn. Ondersteuning wordt snel geautomatiseerd naarmate LLM’s volwassen worden.Autonome operaties zullen op een gegeven moment ertoe doen, maar volledige autonomie wereldwijd (buiten goed ontwikkelde markten als de VS) is onwaarschijnlijk om een significante impact te hebben op frontiermarkten in de komende tien jaar.

Een groot gebied van differentiatie in de industrie is waarschijnlijk gemarkeerd door geheel nieuwe diensten die nog niet bestaan. De combinatie van real-time locatiegegevens, gedragsgegevens, betalingsgegevens en lokale marktinzichten creëert de basis voor diensten die wij nog niet hebben bedacht in gebieden als hyperlokale commerce, gezondheidszorg of voorspellende logistiek. Het platform met de rijkste gegevensbasis en de organisatorische flexibiliteit om snel nieuwe verticale markten te testen en op te schalen, zal een cumulatief voordeel hebben.

Agente AI is waar de langste-termijn-scheiding zal ontstaan. Naarmate agente workflows volwassen worden, omvatten onboarding, fraudebewaking, financiële operaties en gepersonaliseerde coaching, platforms met de juiste gegevensbasis mogelijk snellere experimenten en schaalvergroting.

AI creëert geen competitief voordeel op zich. Het creëert voordeel wanneer het wordt gecombineerd met unieke gegevens, unieke marktpositie en de operationele discipline om uit te voeren. De positie van inDrive – de werelds op één na meest gedownloade ritdienst-app, met dominante posities in frontiermarkten, meer dan 400 miljoen downloads en een merk gebouwd op eerlijkheid – is de basis. AI is de versterker. Zonder de basis heeft de versterker niets om te versterken.

Bedankt voor het geweldige interview, lezers die meer willen leren, moeten bezoeken inDrive.