Yuri Misnik, Chief Technology Officer, inDrive – Intervju-serie

Yuri Misnik er Chief Technology Officer i inDrive, der han leder selskapets globale teknologistrategi. Med mer enn to tiår med internasjonal erfaring, har Misnik bygget og ledet høyimpakt teknologiprogrammer over skytjenester, finansielle tjenester og stor skala digital transformasjon.

Før han ble med i inDrive, hadde han seniortiller i Microsoft (MSFT ) og AWS. Han tjenestegjorde senere som Digital CIO i HSBC, CIO i National Australia Bank og Group CTO i First Abu Dhabi Bank, der han moderniserte komplekse, høyt regulerte miljøer gjennom skytjenester, Agile, DevOps og produkt-sentrerte ingeniørmodeller.

Misnik begynte sin karriere i romfartsteknologi, der han bidro til designet av Boeing 787 før han gikk over til programvareutvikling og nettbaserte handelssystemer. Like flytende i legacy-plattformer og moderne distribuerte arkitekturer, er han kjent for å brygge grunnleggende systemer med banebrytende innovasjon.

I inDrive er han fokusert på å bygge systemer, lag og plattformer som vil drive selskapets neste fase av global vekst.

inDrive er en global mobilitets- og bytjenesteplassform som kobler brukere med sjåfører og tjenesteleverandører over kjøring, levering og andre tjenester. Grunnlagt i 2013, opererer selskapet i over 48 land og mer enn 1 000 byer, med hundre millioner app-nedlastinger verden over. Deres kjernedifferensiering er en peer-til-peer-prismodell som tillater passasjerer og sjåfører å forhandle priser direkte, i stedet for å stole på algoritme-basert prising, med mål om å skape mer transparente og rettferdige transaksjoner. Foruten transport, har inDrive utvidet seg til områder som interby-reise, kurertjenester, finanstjenester og sogar matlevering, og posisjonerer seg som en bredere “super-app” fokusert på tilgjengelige og rettferdige bytjenester.

Du begynte i matematisk modellering og finite element-analyse før du gikk over til Microsoft, AWS, HSBC og National Australia Bank, og nå leder du AI-transformasjonen i inDrive. Hvordan har denne reisen formet måten du tenker om å bygge AI-systemer som er teknisk ambisiøse, men likevel grunnfestet i rettferdighet, motstandskraft og virkelige verdensbegrensninger?

Jeg startet min karriere i anvendt matematikk og finite element-analyse, som i grunn og bunn handler om å forstå hvor modellen bryter sammen, i stedet for å feire hvor den fungerer. Denne tankemåten er akkurat hvordan jeg nå approcherer AI-systemer.

I Microsoft og AWS, der jeg tilbrakte over et tiår, lærte jeg hva som skjer når man bygger plattformer i global skala. Man antar at systemer vil degradere, nettverk vil feile, komponenter vil oppføre seg uventet. I inDrive, som opererer over mer enn 1 000 byer i 48 land, har denne tankemåten vist seg å være absolutt vital.

HSBC og National Australia Bank (NAB) ga meg en annen perspektiv. I HSBC bygget jeg retail-digital kapasiteter over flere ti-talls regulative regime. I NAB drev jeg skytransformasjonen, og flyttet kritiske bankapplikasjoner til AWS. I disse miljøene har hver teknologisk beslutning regulative, reputasjons- og finansielle konsekvenser. En AI- eller ML-modell som ikke kan forklare sine beslutninger på en måte en regulator eller kunde kan forstå, er ikke en aktiv, men en passiv.

Et produkt bør reflektere folks behov, ikke demonstrere kompleksiteten i din teknologi-stakk. Denne prinsippet er det som holder teknisk ambisjon grunnfestet i rettferdighet og virkelige verdensbegrensninger.

Det betyr å bygge AI-systemer som informerer og assisterer, for eksempel ved å anbefale en rettferdig pris uten å fjerne kontrollen fra menneskene i markedet.Gjennomgangen over alle disse er enkel: teknisk ambisjon uten operasjonell disiplin er bare en demo. Min karriere har vært en utvikling fra “kan vi designe eller bygge dette?” til “bør vi deploye dette, og hva skjer når det feiler klokken 3 om natten i en marked hvor konsekvensene er reelle?” Det er perspektivet jeg bringer til inDrive.

De fleste plattformene bruker AI til å sette priser. inDrive bruker forhandling. Hvordan passer maskinlæring inn i modellen deres, og hvor på plattformen leverer det mest verdi uten å kompromittere med transparensen som gjør inDrive unik?

AI i inDrive er ikke bare om prising; det er integrert over hele forretningen, fra markedsføring og vekst til super-app-personalisering, kundestøtte, geografisk intelligens, interne verktøy, svindelforebygging og mer. Over 80 prosent av vår arbeidsstyrke bruker en rekke AI-verktøy, fra kundestøtte og markedsføring til kode og analyse. AI gjør betydelig arbeid i den omkringliggende infrastrukturen – i 2025 har vi oppnådd en 14 prosent ETA-nøyaktighetsforbedring sammenlignet med 2024, takket være våre dyplæringmodeller. Så når folk spør om AI og prising, er det viktig å forstå at det bare er en dimensjon av en mye bredere kapasitet.

inDrive ble grunnlagt i Yakutsk for å bekjempe urimelige, konspiratoriske drosjepriser. Vår kjernedifferensiering er denne peer-til-peer-forhandlingsmodellen — passasjerer foreslår, sjåfører aksepterer, motsetter eller avviser. Denne åpne budgivningsprosessen er grunnleggende. Hva AI gjør, er å fungere som beslutningsstøtte rundt denne menneske-forhandlet prisen.Hvis du ser på tradisjonelle prismodeller – de er en black box. Brukeren ser en multiplikator og har ingen mulighet til å gå imot. I vår modell ser passasjeren en foreslått pris, sjåføren kan akseptere eller motsette, og passasjeren bestemmer om å akseptere eller vente på et annet tilbud. ML gjør disse forslagene smartere og mer kontekstuell relevante basert på etterspørsel, tilbud, avstand, trafikk og tid, men forhandlingsmekanismen beholder brukerens kontroll. Vi bruker også ML til å hjelpe sjåfører å forstå når og hvor inntektene er sterkere.Vi bruker AI til å redusere informasjonsasymmetri mellom begge parter, ikke til å utnytte den.

Hva betyr det å være en “AI-først super-app” i praksis i inDrive, og hvilke deler av plattformen er de mest naturlige for AI i dag: markedsmatching, sikkerhet, kundestøtte, finanstjenester eller noe annet?

De fleste selskaper som sier “AI-først” mener at de har lagt til en chatbot. Det er ikke hva vi gjør.

AI-først betyr at AI sitter i plattformens operasjonslag, ikke i funksjonslaget. Hver produktbeslutning – fra markedsmatching til kundestøtte til kredittvurdering – starter med spørsmålet: hva slags data har vi, og hvordan bør intelligensen forme denne opplevelsen? I motsetning til legacy-super-applikasjoner som vokste før AI-æraen, integrerer vi disse kapasitetene fra grunnen av mens vi skalerer over åtte vertikaler: kjøring, interby-reise, kurér, frakt, matlevering, bytjenester og finanstjenester.

I markedsmatching og prisintelligens er kjerne-motoren – bedre matching betyr høyere utnyttelse, som betyr bedre økonomi for både sjåfører og passasjerer. Tillit og sikkerhet er også et kritisk område: sanntids-anomalietektonikk, sjåførverifisering og svindelforebygging.

Vi opererer i 48 land og flere titalls språk. AI-drevet støtte – ikke bare chatboter, men intelligent triage, selv-løsning av vanlige problemer og flerspråklig kapasitet – er både en kostnads- og kvalitetsmultiplier.

Finanstjenester gjennom inDrive.Money er hvor AI har hjulpet oss å skape en ny verdiproposisjon for kunder – i dette tilfelle, våre sjåfører. Vi bruker kjøretur-data, inntektsmønster og plattform-atferd til å bygge alternative kredittmodeller for sjåfører som tradisjonelle banker ikke kan replikere med standard kredittdata alene. Det er allerede i drift i Mexico, Colombia, Brasil, Indonesia og Peru.

Vi bruker også AI for tilgjengelighet og inklusjon – forenkling av grensesnitt for brukere med lavere lese- og skriveferdighet eller funksjonsnedsettelse. I mange av våre markeder er det et krav for å nå den adresserbare befolkningen.

Super-app-multiplikatoreffekten er at hver ytterligere vertikal beriker datagrafen. En passasjer som også bruker matlevering og sjåfør-lån gir oss en 360-graders atferdsbilde. Det gjør hver enkelt tjeneste smartere – men bare hvis data-grunnlaget og styringen er riktige, som er det vanskelige.

inDrive er spesielt sterk i fremvoksende og grenseland-markeder, hvor driftsforhold kan variere dramatisk. Hvordan designer du AI-systemer som fungerer godt over regioner med svært forskjellig infrastruktur, betalingsvaner, regulative miljøer og brukerforventninger?

Vanskeligheten ligger i å skape en enhetlig modell som fungerer pålitelig over 48 land og over 1 000 byer i åtte distinkte regioner. Vi løser dette med en enkelt, høyt konfigurerbar plattform hvor det meste av arbeidet vi gjør for nye land-lanseringer har vært konfigurasjonsendringer, ikke ny kode. Dette fokuserer vårt ingeniørarbeid på lokale krav: sjåførverifisering, dokumentvalidering og integrasjon med myndighetsdatabaser.

Vår arkitektur bruker flere AWS-regioner og en multi-tilgjengelighets-sonemiljø som eliminerer enkelt-punkts-feil. Vår DevOps-plattform er høyt automatisert, som hjelper våre voksende ingeniørteam i Pakistan, Egypt og Asia-Stillehavet å operere med samme standarder som våre europeiske team. Vi bygger også ingeniørkapasitet i Latin-Amerika, hvor vi har betydelig forretningsdrift for å bedre betjene dette markedet over tid med nærliggende ingeniørtilstedeværelse.

Du har ledet store sky- og digital transformasjonsprosjekter i institusjoner som HSBC og NAB. Hvilke lærdommer fra høyt regulerte finansielle miljøer er mest verdifulle når inDrive utvider seg til tjenester som finanstjenester og bygger mer AI-drevne beslutningssystemer?

Tre lærdommer fra HSBC og NAB overføres nesten direkte.

Først, er revisjon og kontroll rundt data ikke valgfritt. I bankvirksomhet må hver kritisk data-enhet, hver beslutning som påvirker en kunde, være omgitt av passende kontroller som beskytter integritet og konsistens. Alt må være sporbart og forklarbart. Og i den digitale verden må du kombinere hastighet med kontroll, noe som betyr at alle regulative krav må automatiseres fra starten. Så du begynner å tenke på regulative krav og kontroll som et programvareprodukt, fjerner manuelt arbeid og stoler på automatisering overalt.

Andre, data-styring går foran data-vitenskap. I NAB og HSBC lærte jeg at den største flaskenhalen for AI ikke er modellen – det er dataene. Hvem eier dem? Er de rene? Er de samtykket? Er de korrekt linjet? I inDrive må vår data-styring modenere raskt når vi skalerer fra kjøring til finanstjenester. Hvis du bygger AI før styringen, akkumulerer du teknisk og regulativ gjeld som blir eksponentielt vanskeligere å betale ned.

Tredje, operasjonell motstandskraft betyr mer enn modell-ytelse. Bankvirksomheten lærte meg at en 99,9 prosent nøyaktig modell som feiler katastrofalt i 0,1 prosent-tilfelle er verre enn en 95 prosent nøyaktig modell med en god nedgradering. I vårt tilfelle kan en feilpositiv på svindelforebygging som låser en sjåfør ute av inntekten ødelegge tillit. Du designer for feiltilfelle, ikke den lykkelige vei.

En fordel inDrive har over tradisjonelle finanstjenester er at vi har kontinuerlig atferdsdata på låntakerne. Vi vet hvor ofte de kjører, deres aksept-rater, deres inntektsmønster, deres pålitelighets-signal. Det tilbyr mer robuste signaler for kredittverdighet enn en punkt-i-tiden FICO-score eller bankuttalelse. Men denne fordelen materialiserer bare hvis vi bygger styring og rettferdighets-rammeverk til å bruke det ansvarlig, som er der bank-muskulaturen er uvurderlig.

Mange selskaper snakker om å holde “mennesker i løkken”, men den frasen forblir ofte vag. I inDrive, hvor tror du menneskelig dømmekraft bør forbli uforhandelbar selv når agens- arbeidsflyter og automatisering blir mer kapable?

Jeg har en enkel prinsipp: automatiser det gjentakende; hold mennesker på det uopprettelige. Hvis en feil beslutning er billig reversibel, automatiser. Hvis den kan ødelegge tillit, liv eller sikkerhet, menneskelig dømmekraft forblir.

Pris-myndighet er det mest åpenbare eksempelet og det som definerer inDrive. Mennesket – både passasjeren og sjåføren – har alltid siste ord på prisen. Dette er uforhandelbart uavhengig av hvor sofistikerte våre AI-anbefalinger blir. Øyeblikket vi tar det bort, blir vi bare en annen algoritme-basert plattform, og mister det som skiller oss fra andre.Det er arkitektonisk.

Sikkerhets- eskalasjoner er et annet klart tilfelle. Vi automatiserer første-nivå innhold-moderasjon og støtte i skala. Trenet på millioner av tekster, prosesserer vår AI-system over to tredeler av kjøre-hailing-samtaler for å raskt oppdage, flagge og beskytte kunder fra upassende språk. Men når en situasjon er genuint tvetydig eller har betydelige konsekvenser for noen persons liv, tar en menneske beslutningen. Automatisering bør intelligently filtere saker, sikre at menneskelig dømmekraft bare brukes når det virkelig er verdifullt.Kosten av en feil-negativ er noen persons sikkerhet. Du kan ikke automatisere det og opprettholde ansvar.

Vår bredere prinsipp er at AI skal støtte menneskelig dømmekraft, fungere som en team-medlem, ikke en erstatning.

Markeds-inngang og regulativ tilpasning krever menneskelig dømmekraft fordi de er innebygget kontekstuelle. Ingen AI-system bør autonomt bestemme hvordan vi opererer i et nytt regulativt miljø. Og konto-nivå-beslutninger – permanente forbud, konflikt-løsning, anker – krever menneskelig dømmekraft fordi konteksten alltid er rikere enn hva dataene fanger.

Feilen mange selskaper gjør er å behandle “menneske i løkken” som en fase de til slutt vil automatisere bort. For kategoriene jeg har beskrevet, er det feil framstilling. De er tilfeller hvor menneskelig dømmekraft er strukturert egnet, og vil forbli det.

En av de hardeste delene av å skale AI er ikke modell-ytelse, men operasjonell disiplin: datakvalitet, styring, overvåking og kostnadskontroll. Hva har vært det største hindret i å omdanne AI fra isolerte brukstilfeller til et operasjonslag over hele forretningen?

Alle gir den høflige svaret: datakvalitet. Det er sant, men utilstrekkelig. Det virkelige hindret er organisatorisk.Det hardeste er ikke noen enkelt teknisk problem, men overgangen fra en kultur av individuelle AI-eksperimenter til en kultur av systematisk AI-operasjon. Den overgangen krever en endring i hvordan team tenker om eierskap, ansvar og måling.

Når du behandler AI som en samling isolerte initiativer, bygger hvert team sin egen pipeline, sine egne data-tilgangsmønster, sin egen forståelse av hva “kvalitet” betyr for sin modell. Men når du ønsker AI å være et horisontalt operasjonslag som berører prising, sikkerhet, støtte, geo, personalisering samtidig, trenger du felles grunnlag.

Det inkluderer en enhetlig semantisk lag med konsistente metrik-definisjoner, felles datakvalitets-rammeverk, modell-håndtering-infrastruktur med innbygde MLOps-praksis og felles sikkerhetspolitikk.

Den ofte undervurderte kostnads-dimensjonen er også vital. Vi gir teamene synlighet i faktiske kostnader (per tur, per transaksjon, lagring) for å hjelpe med å forbedre ansvar, noe som driver bedre ingeniør-beslutninger.For eksempel, lagrings-optimisering tillot oss å redusere geo-data-kostnader, noe som betydde en betydelig reduksjon i infrastruktur-kostnad per avtale som følge. Nivået av forbedring vi har sett er bare mulig når kostnads-eierskap er desentralisert og innbygget i teamene, ikke håndtert sentralt som en ettertanke.

En annen betydelig utfordring i å bruke AI for interne operasjoner er å automatisere kaos bare gir kaos. Derfor jobber vi aktivt med interne team for å formalisere deres arbeid, beskrive deres prosesser tydelig og rydde opp i foreldet dokumentasjon. Selv om det ikke er nytt, er disse grunnleggende stegene avgjørende for å lykkes med å adoptere og dra nytte av AI innen organisasjonen.

Kjøring-plattformer prosesserer enorme mengder virkelige atferds-data. Hvordan balanserer du muligheten til å bruke denne dataen for bedre personalisering og prognose med behovet for å bevare tillit, personvern og rettferdighet for både sjåfører og passasjerer?

Data-fordelen i kjøring er virkelig. Kombinert med leverings- og finanstjeneste-data, blir det en ekstraordinært rik atferds-datasett. Fristen til å over-utnytte det er akkurat det vi nekter å gjøre.

Vi anvender formåls-begrensning strengt. Vi bruker data samlet for å forbedre turer. Den blir ikke gjenbrukt for annons-målretting eller solgt til tredje parter. Våre brukere valgte inDrive delvis fordi de stoler på oss mer enn etablerte aktører. Den tilliten, når den en gang er brutt, bygges ikke opp igjen.

På sjåfør-siden behandler vi data-rettigheter som et økonomisk partnerskaps-spørsmål. Sjåfører er ikke data-kilder. De bør forstå hva vi samler, hvordan vi bruker det og – kritisk – dra nytte av det. inDrive.Money er et direkte eksempel: samme atferds-data som hjelper oss å drive markedet, muliggjør også finanstjenester som sjåfører trenger og ikke kan få fra tradisjonelle banker. Den verdi-utvekslingen må være to-vegs, åpen og rettferdig.

For prognose og etterspørsels-prediksjon foretrekker vi aggregerte mønster over individuell sporing hvor mulig. Du trenger ikke å vite hvor en bestemt person reiser hver dag; du trenger å vite at etterspørsel i en gitt sone øker 30 prosent på fredag kvelder.

Vi opererer i land med svært forskjellige personvern-rammeverk – fra Brasils LGPD til markeder med minimale datavern-mål. Vår tilnærming er å holde oss til en høyere standard uavhengig av hva lokale lover tillater.

Super-app-modellen har vært svært suksessfull i deler av Asia, men det er vanskelig å replikere over fragmenterte globale markeder. Hva må være sant, fra et teknisk og AI-perspektiv, for at en super-app skal fungere over flere titalls land i stedet for bare ett tett integrert økosystem?

Super-app-modellen, som ble populær i Asia, fungerte innen relativt homogene regulative og infrastruktur-miljøer, med dyp integrasjon over betalinger, sosiale medier og handel som hadde få sterke, uavhengige alternativer. Å replikere det globalt krever en fundamentalt annen tilnærming, og vi tror vår modell er bedre egnet for fragmenterte markeder.

Grunnlaget må være globalt som standard, lokalt som design. Vi eksponerer felles plattform-tjenester – identitet, lommebok, varslinger, analyse, kart, støtte – som stabile skinner som partnere kan kobles til raskt.Hver tjeneste er uavhengig deploybar og lokalt konfigurerbar, så nye markeder kan lanseres gjennom konfigurasjon i stedet for ny kode. Du kan ikke levere en monolitisk produkt og forvente at det skal resonnere overalt.

Denne modulære tilnærmingen tillater hver tjeneste – kjøring, levering, mat, finanstjenester – å tilpasse seg hver markedets spesifikke behov samtidig som den opererer på en felles plattform. En enhetlig identitet og data-lag er også essensielt. Hele verdiproposisjonen til en super-app er at bruk av en tjeneste forbedrer de andre. Det krever en enkelt bruker-data-graf over vertikaler.

Bygging det uten å skape et personvern-problem er den hardeste tekniske utfordringen i hele prosessen.

Relevans-motoren må fungere på individ-nivå, ikke marked-nivå. Det vi kaller en “segment av en” – å bruke data, analyse og ML til å forstå hva som betyr noe for en bestemt kunde i en bestemt kontekst – er det som gjør en super-app nyttig i stedet for overbelastende.

Tredje, trenger du lokale partnerskap i stedet for en byg-alle-ting-tilnærming. Vi investerte i Krave Mart i Pakistan for mat-levering, og samarbeidet med Fingular og Ammana i Indonesia for finanstjenester. Teknologiplattformen er global; tjeneste-leveringen er lokal.

Fjerde, trenger du en hyppighet-anker. Dette er hvorfor mat-levering er så viktig for vår strategi. Kjøring kan være ukentlig. Mat-levering er daglig eller nær-daglig.

Til slutt, operasjons-modellen må kunne absorbere marked-til-marked variasjon uten å tape sammenheng. Vår null-kode-plattform som driver over 400 produksjonsskjermer besøkt over 300 millioner ganger, lar oss lansere nye skjermer, kjøre eksperimenter og tilpasse oss lokale krav uten full app-gjen-distribusjon.

Ser du for deg de neste tre til fem årene, hvor tror du AI vil skape den største konkurranse-forskjellen i mobilitets-plattformer: etterspørsels-prediksjon, tillit og sikkerhet, autonom drift, støtte-automatisering, sjåfør-økonomi eller helt nye tjenester som ikke eksisterer ennå?

AI vil berøre alle disse, men graden av forskjell vil variere.

Innen tre år vil hver alvorlig mobilitets-plattform sannsynligvis ha kompetent etterspørsels-prediksjon. Sikkerhet og tillit vil være minimumskrav. Støtte vil raskt bli automatisert når LLM-er modnes.Autonom drift vil bety noe til slutt, men full autonomi globalt (utenfor godt utviklede markeder som USA) er ikke sannsynlig å materielt påvirke fremvoksende markeder i minst et tiår.

Et stort område for differensiering over hele industrien er sannsynligvis merket av helt nye tjenester som ennå ikke eksisterer. Kombinasjonen av sanntids-lokasjons-data, atferds-data, betalings-data og lokal marked-intelligens skaper grunnlaget for tjenester vi ennå ikke har tenkt på i områder som hyper-lokal handel, helse eller prediktiv logistikk. Plattformen med den rikeste data-grunnlaget og den organisatoriske fleksibiliteten til å teste og skale nye vertikaler raskt, vil ha en kompenserende fordel.

Agens-AI er hvor den lengste-term-separasjonen vil åpne seg. Når agens-arbeidsflyter modnes, og håndterer onboarding, svindel-overvåking, finansielle operasjoner og personlig coaching, kan plattformer med riktige data-grunnlag muligens muliggjøre raskere eksperimentering og skaling.

AI skaper ikke konkurranse-fordel på egen hånd. Det skaper fordel når kombinerer med unik data, unik marked-posisjon og den operasjonelle disiplinen til å utføre. inDrives posisjon – verdens nest mest-nedlastede kjøring-app, med dominante posisjoner i fremvoksende markeder, over 400 millioner nedlastinger, og en merkevare bygget på rettferdighet – er grunnlaget. AI er forsterkeren. Uten grunnlaget har forsterkeren ingenting å forsterke.

Takk for det flotte intervjuet, lesere som ønsker å lære mer bør besøke inDrive.