Yuri Misnik, Chief Technology Officer, inDrive – Interviewreeks

Yuri Misnik is de Chief Technology Officer bij inDrive, waar hij de mondiale 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 (MSFT ) 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, zwaar gereguleerde omgevingen moderniseerde met cloud, Agile, DevOps en product-georiënteerde ingenieursmodellen.

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. Evenzeer bedreven in legacy-platforms en moderne gedistribueerde architecturen, staat hij bekend om het verbinden van fundamentale systemen met baanbrekende innovatie.

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

inDrive is een mondiaal mobiliteits- en stedelijke dienstenplatform dat gebruikers verbindt met chauffeurs en dienstverleners op het gebied van ritdelen, bezorging en andere diensten op aanvraag. Opgericht in 2013, opereert het bedrijf in meer dan 48 landen en meer dan 1.000 steden, met honderden miljoenen app-downloads wereldwijd. De kern differentiator is een peer-to-peer-prijzenmodel dat passagiers en chauffeurs in staat stelt om tarieven rechtstreeks te onderhandelen, in plaats van te vertrouwen op algoritme-prijzen, met als doel transparantere en eerlijkere transacties te creëren. Naast transport heeft inDrive zich uitgebreid naar gebieden zoals interstedelijke reizen, koeriersdiensten, fintech-aanbod en zelfs boodschappenbezorging, waardoor het een bredere “super app” wordt 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 opbouwen 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 te vieren waar het werkt. Die manier van denken is exact hoe ik tegenwoordig AI-systemen aanpak.

Bij Microsoft en later AWS, waar ik meer dan een decennium doorbracht, leerde ik wat er gebeurt als u platforms op mondiale schaal opbouwt. 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, is dat denken absoluut essentieel gebleken.

HSBC en National Australia Bank (NAB) brachten een andere lens. Bij HSBC bouwde ik retail-digitale capaciteiten op voor tientallen regelgevende regimes. Bij NAB leidde ik de cloud-transformatie, waarbij kritieke bankapplicaties naar AWS werden verhuisd. In die omgevingen heeft elke technologiebeslissing regelgevende, 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 asset 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 opbouwen 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 is simpel: technische ambitie zonder operationele discipline is slechts een demo. Mijn carrière is een progressie van “kunnen we dit ontwerpen of bouwen?” naar “moeten we dit implementeren en wat gebeurt er als het om 3 uur ‘s nachts in een markt faalt waar de inzet hoog is?” Dat is de lens die ik bij inDrive toepas.

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 in het hele bedrijf, van marketing en groei tot super app-persoonlijkheid, klantenservice, georuimtelijke intelligentie, interne tooling, 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 behaald ten opzichte van 2024 met behulp van onze diepe leermodellen.

inDrive is opgericht in Yakutsk om oneerlijke, kartelvorming taxi-prijzen te bestrijden. Ons kernconcurrentievoordeel is dit peer-to-peer-onderhandelingsmodel — passagiers doen een voorstel, chauffeurs accepteren, tegenbieden of weigeren. Deze open biedstroom is fundamenteel. Wat AI doet, is als besluitondersteuning rond die door de mens onderhandelde prijs fungeren.Als u naar traditionele prijsschokmodellen kijkt – die zijn een black box. De gebruiker ziet een vermenigvuldiger en heeft geen enkele mogelijkheid om iets te doen. In ons model ziet de passagier een voorgestelde prijs, de chauffeur kan accepteren of tegenbieden, en de passagier beslist of hij 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 agentie van de gebruiker. We gebruiken ML ook om chauffeurs te helpen begrijpen wanneer en waar inkomsten 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” 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. Elk productbesluit – van marketplace-matching tot klantenservice tot kredietwaardigheid – begint met de vraag: welke gegevens hebben we, en hoe moet intelligentie deze ervaring vormgeven? In tegenstelling tot legacy-super apps die groeiden voordat de AI-era, bouwen wij deze capaciteiten vanaf de grond af aan terwijl wij schalen over acht verticale markten: ritdelen, interstedelijke reizen, koeriersdiensten, 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 chauffeurs als passagiers betekent. Vertrouwen en veiligheid is een kritisch gebied: real-time anomaliedetectie, chauffeursverificatie en fraudepreventie.

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

Financiële diensten via inDrive.Money is waar AI ons heeft geholpen om een nieuw waardepropositie voor klanten te creëren – in dit geval, onze chauffeurs. We gebruiken ritgegevens, inkomenspatronen en platformgedrag om alternatieve kredietmodellen voor chauffeurs 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 – interfaces vereenvoudigen voor gebruikers met lagere geletterdheid of handicaps. In veel van onze markten is het een vereiste om het addressable publiek te bereiken.

De super app-vermenigvuldiger is dat elke extra verticale de gegevensgrafiek verrijkt. Een passagier die ook boodschappenbezorging en chauffeurslening gebruikt, geeft ons een 360-graden gedragsbeeld. Dat maakt elke afzonderlijke service 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 dramatisch kunnen verschillen. Hoe ontwerpt u AI-systemen die goed presteren in regio’s met zeer verschillende infrastructuur, betaalgedrag, regelgevingsomgevingen en gebruikersverwachtingen?

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

Onze architectuur gebruikt meerdere AWS-regio’s en een multi-availability zone-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 bedrijfsactiviteiten hebben om deze markt op lange termijn 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 controle en audits rond gegevens geen optie. In de bankwereld moet elke kritieke gegevenselement, elke beslissing die een klant beïnvloedt, omgeven zijn door passende controles die de 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 regelgevende vereisten vanaf het begin geautomatiseerd moeten zijn. U moet dus beginnen met het denken aan regelgevende vereisten en controles als een softwareproduct, handmatig werk verwijderen en vertrouwen 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 is de gegevens. Wie is de eigenaar? Is het schoon? Is het geconsenteerd? Is het goed gelijnd? Bij inDrive moet onze gegevensgovernance snel volwassen worden terwijl we uitbreiden naar financiële diensten. Als u de AI opbouwt voordat u de governance heeft, accumuleert u technische en regelgevende schulden die exponentieel moeilijker worden om af te lossen.

Ten derde is operationele veerkracht belangrijker dan modelprestaties. De bankwereld leerde me dat een model met 99,9% nauwkeurigheid dat catastrofaal faalt in de 0,1% van de gevallen, erger is dan een model met 95% nauwkeurigheid met een gracieuze degradatie. In ons geval kan een vals positief resultaat bij fraude detectie dat een chauffeur buitensluit van zijn inkomsten, het 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 inkomenspatronen, hun betrouwbaarheidssignalen. Dat biedt robuustere signalen voor kredietwaardigheid dan een momentopname-FICO-score of bankverklaring. Maar dat voordeel materialiseert alleen als wij de governance- en eerlijkheidskaders opbouwen om het verantwoord te gebruiken, wat de waardevolle ervaring uit de bankwereld 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 op 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 chauffeur – heeft altijd het laatste woord over de prijs. Dit is niet onderhandelbaar, ongeacht hoe geavanceerd onze AI-aanbevelingen worden. Het moment dat we dat wegnemen, worden we gewoon een ander algoritme-platform, en verliezen we wat ons onderscheidt.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, zodat menselijk oordeel alleen wordt toegepast wanneer het echt waardevol is.De kosten van een vals negatief resultaat 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 moet autonoom beslissen hoe wij opereren in een nieuwe regelgevingsomgeving. 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 ze uiteindelijk kunnen automatiseren. Voor de categorieën die ik heb beschreven, is dat de verkeerde kadering. Zij zijn gevallen waarin menselijk oordeel structureel geschikt is en zal blijven.

Een van de moeilijkste onderdelen van het schalen van AI is niet modelprestaties, 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 het hele bedrijf?

Iedereen geeft het beleefde antwoord: gegevenskwaliteit. Dat is waar maar onvoldoende. Het echte obstakel is organisatorisch.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 pijplijn op, 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 simultaan aanraakt, heeft u gedeelde fundamenten nodig.

Dat omvat een uniforme semantische laag met consistente metrische definities, een gedeelde gegevenskwaliteitskader, modelbeheer-infrastructuur met ingebedde MLOps-praktijken en gemeenschappelijke beveiligingsbeleid.

De vaak onderschatte kostenafmeting is ook essentieel. Wij bieden 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 kostenbezit 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 maar 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 niet nieuw, zijn deze fundamenten essentieel voor het succesvol adopteren en profiteren van AI binnen de organisatie.

Ritdelen-platforms verwerken enorm veel echte gedragsgegevens. Hoe balanceert u de kans om die gegevens te gebruiken voor betere personalisatie en forecasting met de noodzaak om vertrouwen, privacy en eerlijkheid te behouden voor zowel chauffeurs als passagiers?

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

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

Aan de kant van de chauffeur behandelen wij gegevensrechten als een economische partnerschapskwestie. Chauffeurs zijn geen gegevensbronnen. Zij moeten begrijpen wat wij verzamelen, hoe wij het gebruiken en – kritisch – profiteren ervan. inDrive.Money is een direct voorbeeld: dezelfde gedragsgegevens die ons helpen om de markt te runnen, maken ook financiële diensten mogelijk die chauffeurs nodig hebben en niet kunnen krijgen van traditionele banken. Die waarde-uitwisseling moet bidirectionaal, transparant en eerlijk zijn.

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

Wij opereren in landen met zeer verschillende privacykaders – van Brazilië’s LGPD tot markten met minimale gegevensbeschermingswetten. Onze benadering 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 mondiale markten. 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 media en commerce die weinig sterke onafhankelijke alternatieven had. 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 vanaf het ontwerp. Wij bieden gedeelde platformdiensten aan – identiteit, portemonnee, meldingen, analyse, kaarten, ondersteuning – als stabiele rails waar partners snel in kunnen pluggen.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 verschepen 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 een gegevenslaag essentieel. De hele waardepropositie van een super app is dat het gebruik van één dienst de anderen verbetert. Dat vereist een enkele gebruikersgegevensgrafiek over verticale markten. Het opbouwen hiervan zonder een privacyprobleem te creëren, is de moeilijkste technische uitdaging in het hele project.

Kijkend naar de toekomst, drie tot vijf jaar, waar denkt u dat AI de grootste concurrentiële scheiding zal creëren in mobiliteitsplatforms: vraagvoorspelling, vertrouwen en veiligheid, autonome operaties, ondersteuningsautomatisering, chauffeurseconomie 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 competentie hebben in vraagvoorspelling. Veiligheids- en vertrouwensfuncties zullen standaard zijn. Ondersteuning wordt snel geautomatiseerd naarmate LLM’s volwassen worden.Autonome operaties zullen op een gegeven moment een rol spelen, 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 belangrijk 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 zoals 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, zal het omgaan met onboarding, fraudebewaking, financiële operaties en gepersonaliseerde coaching, platforms met de juiste gegevensbasis mogelijk in staat stellen om sneller te experimenteren en te schalen.

AI creëert geen concurrentievoordeel op zichzelf. 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 op een na meest gedownloade ritdelen-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.