Yuri Misnik, Chief Technology Officer, inDrive – Wywiad z serii

Yuri Misnik jest Dyrektorem ds. Technologii w inDrive, gdzie kieruje globalną strategią technologiczną firmy. Z ponad dwudziestoletnim doświadczeniem międzynarodowym, Misnik zbudował i prowadził programy technologiczne o dużym wpływie w chmurze, usługach finansowych i dużych transformacjach cyfrowych.

Przed dołączeniem do inDrive, pełnił stanowiska kierownicze w Microsoft (MSFT ) i AWS. Później pełnił funkcję Dyrektora ds. Cyfryzacji w HSBC, Dyrektora ds. Informatyki w National Australia Bank oraz Dyrektora ds. Technologii w First Abu Dhabi Bank, gdzie nowoczesne środowiska o wysokim poziomie regulacji poprzez chmurę, Agile, DevOps i modele inżynierii produktowej.

Misnik rozpoczął swoją karierę w inżynierii lotniczej, przyczyniając się do projektu Boeinga 787, zanim przeszedł do inżynierii oprogramowania i systemów handlu online. Biegle znający zarówno starsze platformy, jak i nowoczesne architektury rozproszone, jest znany z łączenia systemów podstawowych z innowacjami na najwyższym poziomie.

W inDrive koncentruje się na budowaniu systemów, zespołów i platform, które będą napędzać następny etap wzrostu globalnego.

inDrive to globalna platforma mobilności i usług miejskich, która łączy użytkowników z kierowcami i dostawcami usług w zakresie przewozów, dostaw i innych usług na żądanie. Założona w 2013 roku, firma działa w ponad 48 krajach i ponad 1000 miastach, z setkami milionów pobrań aplikacji na całym świecie. Jej podstawową różnicą jest model cenowy peer-to-peer, który pozwala pasażerom i kierowcom na negocjowanie cen bezpośrednio, zamiast polegać na algorytmicznym ustalaniu cen, co ma na celu stworzenie bardziej przejrzystych i uczciwych transakcji. Poza transportem, inDrive rozszerzył swoją działalność na obszary takie jak podróże międzymiastowe, usługi kurierskie, oferty fintech oraz nawet dostawę artykułów spożywczych, pozycjonując się jako szersza „super aplikacja” skoncentrowana na dostępnych i równych usługach miejskich.

Rozpocząłeś swoją karierę w modelowaniu matematycznym i analizie elementów skończonych, zanim przeszedłeś przez Microsoft, AWS, HSBC i National Australia Bank, a teraz kierujesz transformacją AI w inDrive. Jak ta podróż ukształtowała twoje myślenie o budowaniu systemów AI, które są ambitne technicznie, ale nadal zakorzenione w uczciwości, wytrzymałości i realnych ograniczeniach?

Zacząłem swoją karierę w dziedzinie matematyki stosowanej i analizy elementów skończonych, co jest fundamentalnie związane z rozumieniem, gdzie model ulega awarii, a nie tylko tam, gdzie działa. Taki sposób myślenia stosuję również do systemów AI.

W Microsoft i AWS, gdzie spędziłem ponad dekadę, nauczyłem się, co się dzieje, gdy buduje się platformy na skalę globalną. Zakłada się, że systemy ulegną degradacji, sieci zawiodą, komponenty zachowają się nieoczekiwanie. W inDrive, działającym w ponad 1000 miastach w 48 krajach, ten sposób myślenia okazał się absolutnie niezbędny.

HSBC i National Australia Bank (NAB) dały mi inny punkt widzenia. W HSBC budowałem zdolności cyfrowe detaliczne w dziesiątkach reżimów regulacyjnych. W NAB prowadziłem transformację chmury, przenosząc krytyczne aplikacje bankowe na AWS. W tych środowiskach każda decyzja technologiczna niesie ze sobą konsekwencje regulacyjne, reputacyjne i finansowe. Model AI lub ML, który nie może wyjaśnić swoich decyzji w sposób zrozumiały dla regulatora lub klienta, nie jest aktywem, lecz pasywem.

Produkt powinien odzwierciedlać potrzeby ludzi, a nie demonstrować złożoność twojego stosu. To zasada, która utrzymuje ambicje techniczne w granicach uczciwości i realnych ograniczeń.

Oznacza to budowanie systemów AI, które informują i wspierają, na przykład proponując uczciwą cenę bez odbierania kontroli ludziom na rynku.Przewodnim wątkiem przez całość jest prosty: ambicja techniczna bez dyscypliny operacyjnej to po prostu demo. Moja kariera była przejściem od „czy możemy to zaprojektować lub zbudować?” do „czy powinniśmy to wdrożyć i co się stanie, gdy zawiedzie o 3 nad ranem w rynku, gdzie stawki są realne?” To spojrzenie przywiozłem do inDrive.

Większość platform używa AI do ustalania cen. inDrive używa negocjacji. Jak więc machine learning pasuje do twojego modelu i gdzie na platformie dostarcza największą wartość bez kompromitowania przejrzystości, która wyróżnia inDrive?

AI w inDrive nie dotyczy tylko cen; jest wbudowany w cały biznes, obejmując marketing i wzrost, personalizację super aplikacji, wsparcie klienta, inteligencję geoprzestrzenną, tooling wewnętrzny, zapobieganie oszustwom i więcej. Ponad 80% naszych pracowników używa różnych narzędzi AI, od wsparcia klienta i marketingu po kodowanie i analizy. AI wykonuje znaczącą pracę w otaczającej infrastrukturze – w 2025 roku osiągnęliśmy 14% poprawę dokładności ETA dzięki naszym głębokim modelom uczenia. Kiedy ludzie pytają o AI i ceny, ważne jest zrozumienie, że jest to tylko jeden wymiar znacznie szerszych możliwości.

inDrive został założony w Jakucji, aby zwalczyć niesprawiedliwe, zmówione ceny taksówek. Nasza podstawowa tożsamość konkurencyjna to ten model negocjacji peer-to-peer — pasażerowie proponują, kierowcy akceptują, kontrproponują lub odrzucają. Ten otwarty przepływ ofert jest podstawowy. AI działa jako wsparcie decyzyjne wokół tej negocjacji prowadzonej przez ludzi.Jeśli spojrzymy na tradycyjne modele cen szczytowych – są to czarne skrzynki. Użytkownik widzi mnożnik i nie ma odwołania. W naszym modelu pasażer widzi sugerowaną cenę, kierowca może ją zaakceptować lub kontrproponować, a pasażer decyduje, czy zaakceptować, czy poczekać na inną ofertę. ML sprawia, że te sugestie są mądrzejsze i bardziej kontekstowo istotne na podstawie podaży, popytu, odległości, ruchu i czasu, ale mechanizm negocjacji zachowuje agencję użytkownika. Używamy również ML, aby pomóc kierowcom zrozumieć, kiedy i gdzie ich zarobki są silniejsze.

Czy uważasz, że „AI-pierwsza super aplikacja” oznacza coś innego w praktyce w inDrive i które części platformy są najbardziej naturalnym dopasowaniem dla AI dzisiaj: dopasowanie rynku, bezpieczeństwo, wsparcie klienta, usługi finansowe, czy coś innego?

Większość firm, które mówią o „AI-pierwszym”, ma na myśli dodanie czatu. To nie to, co robimy.

AI-pierwsze oznacza, że AI siedzi w warstwie operacyjnej platformy, a nie w warstwie funkcjonalnej. Każda decyzja dotycząca produktu – od dopasowania rynku po wsparcie klienta i ocenę kredytową – zaczyna się od pytania: jakie dane mamy i jak inteligencja powinna kształtować ten experience? W przeciwieństwie do starszych super aplikacji, które rosły przed erą AI, wbudowujemy te możliwości od podstaw, gdy skalujemy w osiem pionach: przewozy, podróże międzymiastowe, kurier, fracht, dostawa artykułów spożywczych, usługi miejskie i produkty finansowe.

Jeśli chodzi o naturalne dopasowanie, dopasowanie rynku i inteligencja cenowa są rdzeniem – lepsze dopasowanie oznacza wyższe wykorzystanie, co oznacza lepszą ekonomię dla kierowców i pasażerów. Zaufanie i bezpieczeństwo to kolejna kluczowa dziedzina: wykrywanie anomalii w czasie rzeczywistym, weryfikacja kierowców i zapobieganie oszustwom.

Działamy w 48 krajach i dziesiątkach języków. AI-wsparcie – nie tylko czatboty, ale inteligentna triage, automatyczne rozwiązywanie typowych problemów i wielojęzyczność – jest zarówno czynnikiem kosztowym, jak i jakościowym.

Usługi finansowe poprzez inDrive.Money to miejsce, gdzie AI pomogło nam stworzyć nową wartość dla klientów – w tym przypadku naszych kierowców. Używamy danych z przejazdów, wzorców zarobków i zachowania na platformie, aby zbudować alternatywne modele kredytowe dla kierowców, których tradycyjne banki nie mogą odtworzyć tylko za pomocą standardowych danych kredytowych. Jest to już dostępne w Meksyku, Kolumbii, Brazylii, Indonezji i Peru.

Używamy również AI do dostępności i integracji – upraszczając interfejsy dla użytkowników o niższej literackości lub niepełnosprawności. W wielu z naszych rynków jest to wymóg dla dotarcia do docelowej populacji.

Mnożnik super aplikacji polega na tym, że każdy dodatkowy pion wzbogaca graf danych. Pasażer, który używa również dostawy artykułów spożywczych i pożyczek dla kierowców, daje nam pełen obraz behawioralny. To sprawia, że każda indywidualna usługa staje się mądrzejsza – ale tylko wtedy, gdy podstawa danych i zarządzanie są prawidłowe, co jest trudne.

inDrive jest szczególnie silny na rynkach wschodzących i pionierskich, gdzie warunki operacyjne mogą się dramatycznie różnić. Jak projektujesz systemy AI, które działają dobrze w różnych regionach z bardzo różnymi infrastrukturami, zwyczajami płatniczymi, środowiskami regulacyjnymi i oczekiwaniami użytkowników?

Trudność polega na stworzeniu zunifikowanego modelu, który działa niezawodnie w 48 krajach i ponad 1000 miastach w 8 odrębnych regionach. Rozwiązujemy to za pomocą jednej, wysoko konfigurowalnej platformy, gdzie większość pracy przy nowych startach kraju polega na zmianach konfiguracyjnych, a nie nowym kodzie. To koncentruje nasze wysiłki inżynierskie na wymaganiach lokalnych: weryfikacji kierowców, walidacji dokumentów i integracji z bazami danych rządowych.

Nasza architektura wykorzystuje wiele regionów AWS i środowisko wielu stref dostępności, które eliminuje punkty awarii. Nasza platforma DevOps jest wysoko zautomatyzowana, co pomaga naszym rosnącym zespołom inżynierskim w Pakistanie, Egipcie i Azji Pacyfiku działać z tymi samymi standardami, co nasze zespoły europejskie. Budujemy również zdolności inżynierskie w Ameryce Łacińskiej, gdzie mamy znaczące operacje biznesowe, aby lepiej obsłużyć ten rynek w przyszłości dzięki pobliskiej obecności inżynierskiej.

Prowadziłeś duże wysiłki w chmurze i transformacji cyfrowej w instytucjach takich jak HSBC i NAB. Jakie lekcje z wysoko regulowanych środowisk finansowych okazują się najbardziej wartościowe, gdy inDrive rozszerza się na usługi takie jak fintech i buduje więcej systemów decyzyjnych opartych na AI?

Trzy lekcje z HSBC i NAB przenoszą się prawie bezpośrednio.

Po pierwsze, audytowalność i kontrole wokół danych nie są opcjonalne. W bankowości każdy krytyczny element danych, każda decyzja, która wpływa na klienta, musi być otoczona odpowiednimi kontrolami, które chronią integralność i spójność. Wszystko musi być śledzone i wyjaśnialne. W świecie cyfrowym musisz połączyć szybkość z kontrolą, co oznacza, że wszystkie wymagania regulacyjne muszą być zautomatyzowane od samego początku. Zatem zaczynasz myśleć o wymaganiach regulacyjnych i kontrolach jako o produkcie oprogramowania, usuwając pracę ręczną i polegając na automatyce wszędzie.

Po drugie, zarządzanie danymi poprzedza naukę danych. W NAB i HSBC nauczyłem się, że największą przeszkodą dla AI nie jest model – to dane. Kto je posiada? Czy są czyste? Czy są uzgodnione? Czy są odpowiednio połączone? W inDrive, skalując od przewozów do usług finansowych, nasze zarządzanie danymi musi dojrzać szybko. Jeśli zbudujesz AI przed zarządzaniem, gromadzisz dług techniczny i regulacyjny, który staje się wykładniczo trudniejszy do spłacenia.

Po trzecie, wytrzymałość operacyjna jest ważniejsza niż wydajność modelu. Bankowość nauczyła mnie, że model o 99,9% dokładności, który zawiedzie katastrofalnie w 0,1% przypadków, jest gorszy niż model o 95% dokładności z łagodnym pogorszeniem. W naszym przypadku fałszywy pozytyw na wykrywanie oszustw, który zamyka kierowcę z jego zarobkami, może zniszczyć zaufanie. Projektujesz pod kątem przypadku awaryjnego, a nie ścieżki szczęśliwej.

Przewagą, którą inDrive ma nad tradycyjnymi fintechami, jest to, że mamy ciągłe dane behawioralne na temat pożyczkobiorców. Wiemy, jak często jeżdżą, jakie mają wskaźniki akceptacji, jakie mają wzorce zarobków, jakie sygnały niezawodności. To oferuje bardziej solidne sygnały dla zdolności kredytowej niż punkt w czasie wynik FICO lub oświadczenie bankowe. Ale ta przewaga materializuje się tylko wtedy, gdy budujemy ramy zarządzania i uczciwości, aby używać ich odpowiedzialnie, co jest tam, gdzie pamięć bankowa jest niezwykle cenna.

Wiele firm mówi o „ludziach w pętli”, ale ta fraza często pozostaje mglista. W inDrive, gdzie uważasz, że osąd ludzki powinien pozostać niezbywalny, nawet gdy agencje workflow i automatyzacja stają się bardziej zdolne?

Mam prostą zasadę: automatyzuj powtarzalne; zachowaj ludzi na nieodwracalne. Jeśli błędna decyzja jest tanio odwracalna, zautomatyzuj. Jeśli może zniszczyć zaufanie, utrzymanie lub bezpieczeństwo, osąd ludzki pozostaje.

Władza cenowa jest najbardziej oczywistym przykładem i tym, który definiuje inDrive. Człowiek – zarówno pasażer, jak i kierowca – zawsze ma ostateczne słowo w sprawie ceny. To jest niezbywalne, niezależnie od tego, jak zaawansowane stają się nasze rekomendacje AI.To jest architektoniczne.

Innym wyraźnym przypadkiem są eskalacje bezpieczeństwa.Automatyzujemy pierwszy poziom moderacji treści i wsparcia w skali. Wytrenowany na milionach tekstów, nasz system AI przetwarza ponad dwie trzecie rozmów o przewozie, aby szybko wykryć, oznaczyć i chronić klientów przed nieodpowiednim językiem. Ale gdy sytuacja jest prawdziwie niejednoznaczna lub ma znaczące konsekwencje dla kogoś życia, człowiek podejmuje decyzję. Automatyzacja powinna inteligentnie filtrować przypadki, zapewniając, że osąd ludzki jest stosowany tylko wtedy, gdy jest naprawdę cenny.

Nasza ogólna zasada jest taka, że AI powinno wspierać osąd ludzki, działać jako współpracownik, a nie substytut.

Wejście na rynek i adaptacja regulacyjna wymagają osądu ludzkiego, ponieważ są z natury kontekstowe. Żaden system AI nie powinien samodzielnie decydować, jak działamy w nowym środowisku regulacyjnym. Decyzje na poziomie konta – stałe zakazy, rozstrzyganie sporów, apelacje – wymagają osądu ludzkiego, ponieważ kontekst jest zawsze bogatszy niż to, co dane ujmuje.

Błąd, który popełniają wiele firm, polega na traktowaniu „człowieka w pętli” jako fazy, którą w końcu automatyzują. Dla kategorii, które opisałem, jest to błędne podejście. Są to przypadki, w których osąd ludzki jest strukturalnie odpowiedni i pozostanie takim.

Jednym z najtrudniejszych aspektów skalowania AI jest nie tyle wydajność modelu, co dyscyplina operacyjna: jakość danych, zarządzanie, monitorowanie i kontrola kosztów. Jakie było największe przeszkody w przekształceniu AI z izolowanych przypadków użycia w warstwę operacyjną w całym biznesie?

Wszyscy dają uprzejmą odpowiedź: jakość danych. To prawda, ale niewystarczająca. Prawdziwą przeszkodą jest organizacyjną.Najtrudniejszą rzeczą nie jest żaden pojedynczy problem techniczny, ale przejście od kultury indywidualnych eksperymentów AI do kultury systematycznych operacji AI. To wymaga zmiany w tym, jak zespoły myślą o własności, odpowiedzialności i pomiarze.

Gdy traktujesz AI jako zestaw izolowanych inicjatyw, każdy zespół buduje własną pipeline, własne wzorce dostępu do danych, własne zrozumienie tego, co „jakość” oznacza dla ich modelu. Ale gdy chcesz, aby AI była warstwą operacyjną dotykającą jednocześnie cen, bezpieczeństwo, wsparcie, geo i personalizację, potrzebujesz wspólnych podstaw.

To obejmuje zunifikowaną warstwę semantyczną z konzystentnymi definicjami metryk, wspólny framework jakości danych, infrastrukturę zarządzania modelem z wbudowanymi praktykami MLOps oraz wspólne zasady bezpieczeństwa.

Często niedoceniany wymiar kosztowy jest również istotny. Zapewniamy zespołom widoczność rzeczywistych kosztów (za przejazd, za transakcję, przechowywanie), aby poprawić odpowiedzialność, co napędza lepsze decyzje inżynierskie.Na przykład optymalizacja przechowywania pozwoliła nam zmniejszyć koszty danych geograficznych, znacznie obniżając koszt infrastruktury za transakcję. Poziom poprawy, który widzimy, jest możliwy tylko wtedy, gdy własność kosztów jest zdecentralizowana i wbudowana w zespoły, a nie zarządzana centralnie jako późniejszy myśl.

Innym znaczącym wyzwaniem jest użycie AI w operacjach wewnętrznych. Automatyzacja chaosu daje tylko chaos. Dlatego aktywnie pracujemy z zespołami wewnętrznymi, aby sformalizować ich pracę, opisując procesy wyraźnie i czyszcząc przestarzałą dokumentację. Chociaż nie jest to nowatorskie, te podstawowe kroki są niezbędne do pomyślnego przyjęcia i korzystania z AI w organizacji.

Platformy przewozowe przetwarzają ogromne ilości danych behawioralnych ze świata rzeczywistego. Jak balansujesz szansę na wykorzystanie tych danych do lepszej personalizacji i prognozowania z potrzebą zachowania zaufania, prywatności i uczciwości zarówno dla kierowców, jak i pasażerów?

Przewaga danych w przewozach jest realna. W połączeniu z danymi dostaw i fintechu staje się nadzwyczaj bogatym zestawem danych behawioralnych. Pokusa, aby to wykorzystać, jest dokładnie tym, czego nie robimy.

Stosujemy ograniczenie celu rygorystycznie. Używamy danych zebranych do poprawy przejazdów. Nie są one wykorzystywane do celów reklamowych ani sprzedawane stronom trzecim. Nasi użytkownicy wybrali inDrive częściowo dlatego, że ufają nam bardziej niż incumbantom. To zaufanie, raz złamane, nie odbuduje się.

Po stronie kierowców traktujemy prawa danych jako kwestię partnerstwa ekonomicznego. Kierowcy nie są źródłem danych. Powinni zrozumieć, co zbieramy, jak to używamy i – co najważniejsze – skorzystać z tego. inDrive.Money to bezpośredni przykład: te same dane behawioralne, które pomagają nam prowadzić rynek, umożliwiają również usługi finansowe, których kierowcy potrzebują i nie mogą uzyskać od tradycyjnych banków. Ten wymiana wartości musi być dwukierunkowa, przejrzysta i uczciwa.

Do prognozowania popytu i przewidywania preferujemy agregowane wzorce zamiast śledzenia indywidualnego, gdzie tylko jest to możliwe. Nie musisz wiedzieć, dokąd konkretna osoba jeździ każdego dnia; musisz wiedzieć, że popyt w danym obszarze wzrasta o 30% w piątkowe wieczory.

Działamy w krajach o bardzo różnych ramach prawnych dotyczących prywatności – od brazylijskiego LGPD po rynki z minimalnymi przepisami o ochronie danych. Nasze podejście polega na tym, aby trzymać się wyższego standardu, niezależnie od tego, co lokalne prawo pozwala.

Model super aplikacji był bardzo udany w częściach Azji, ale trudniej go powielić na fragmentowane rynki globalne. Co musi być prawdą z punktu widzenia technologii i AI, aby super aplikacja działała w dziesiątkach krajów, a nie tylko w jednym ściśle zintegrowanym ekosystemie?

Model super aplikacji, który stał się popularny w Azji, działał w stosunkowo jednorodnych środowiskach regulacyjnych i infrastrukturalnych, z głęboką integracją w zakresie płatności, społeczności i handlu, która miała niewiele silnych, niezależnych alternatyw. Powielenie tego na skalę globalną wymaga podstawowo innego podejścia, a my uważamy, że nasz model jest lepiej dostosowany do rynków fragmentowanych.

Podstawa musi być globalna domyślnie, lokalna według projektu. Eksponujemy usługi platformy – tożsamość, portfel, powiadomienia, analiza, mapy, wsparcie – jako stabilne tory, do których partnerzy mogą szybko podłączyć się. Każda usługa jest niezależnie wdrażana i lokalnie konfigurowalna, więc nowe rynki mogą być uruchamiane poprzez konfigurację, a nie nowy kod. Nie możesz wysłać monolitycznego produktu i oczekiwać, że będzie on rezonował wszędzie.

To podejście modułowe pozwala każdej usłudze – przewozom, dostawom, artykułom spożywczym, fintechowi – dostosować się do konkretnych potrzeb każdego rynku, jednocześnie działając na wspólnej platformie. Również warstwa tożsamości i danych jest niezbędna. Cała wartość super aplikacji polega na tym, że korzystanie z jednej usługi poprawia inne. To wymaga jednego grafu danych użytkownika na wszystkie piony. Budowanie tego bez stworzenia problemu prywatności jest najtrudniejszym wyzwaniem technicznym w całym przedsięwzięciu.

Po drugie, silnik istotności musi działać na poziomie indywidualnym, a nie rynku. To, co nazywamy „segmentem jednego” – używaniem danych, analiz i ML, aby zrozumieć, co jest ważne dla konkretnego klienta w konkretnym kontekście – jest tym, co sprawia, że super aplikacja wydaje się użyteczna, a nie zatłoczona. Jeśli masz dziesięć usług i aplikacja pokazuje je wszystkie z równą wyrazistością, stworzyłeś aplikację o złym UX, a nie super aplikację.

Po trzecie, potrzebujesz lokalnych partnerstw zamiast budowania wszystkiego. Zainwestowaliśmy w Krave Mart w Pakistanie w celu dostawy artykułów spożywczych, współpracowaliśmy z Fingular i Ammana w Indonezji w zakresie usług finansowych. Platforma technologiczna jest globalna; dostawa usług jest lokalna. AI pomaga, sprawiając, że te integracje są bezproblemowe dla użytkownika końcowego.

Po czwarte, potrzebujesz kotwicy częstotliwości. Dlatego dostawa artykułów spożywczych jest tak ważna dla naszej strategii. Przewozy mogą być cotygodniowe. Dostawa artykułów spożywczych jest codzienna lub prawie codzienna.

Na koniec, model operacyjny musi być w stanie zaabsorbować zmienność rynku po rynku bez utraty spójności. Nasza platforma Zero-Code, która napędza ponad 400 ekranów produkcyjnych odwiedzanych ponad 300 milionów razy, pozwala nam uruchamiać nowe ekrany, prowadzić eksperymenty i dostosowywać się do wymagań lokalnych bez pełnego ponownego wdrożenia aplikacji. Ta elastyczność, w połączeniu z zdecentralizowaną infrastrukturą wieloregionalną, pozwala platformie działać spójnie na rynkach, bez narzucania uniformity lub akceptowania fragmentacji.

Spójrzając w przyszłość, trzy do pięciu lat, gdzie uważasz, że AI stworzy największą separację konkurencyjną w platformach mobilności: prognozowanie popytu, zaufanie i bezpieczeństwo, operacje autonomiczne, automatyzacja wsparcia, ekonomika kierowców, czy całkowicie nowe usługi, które jeszcze nie istnieją?

AI dotknie wszystkich, ale stopień separacji będzie się różnić.

W ciągu trzech lat każda poważna platforma mobilności prawdopodobnie będzie miała kompetentne prognozowanie popytu. Funkcje bezpieczeństwa i zaufania staną się podstawowymi. Wsparcie staje się szybko zautomatyzowane, gdy dojrzewają LLM. Operacje autonomiczne będą miały znaczenie ostatecznie, ale pełna autonomia na całym świecie (poza dobrze rozwiniętymi rynkami, takimi jak USA) nie wpłynie znacząco na rynki pionierskie przez co najmniej kolejną dekadę.

Obszar, w którym największa separacja się otworzy, to całkowicie nowe usługi, które jeszcze nie istnieją. Połączenie danych w czasie rzeczywistym, danych behawioralnych, danych płatniczych i lokalnej inteligencji rynkowej tworzy podstawę dla usług, których jeszcze nie wymyśliliśmy w obszarach takich jak handel hiperlokalny, opieka zdrowotna czy logistyka predykcyjna. Platforma z najbogatszą podstawą danych i organizacyjną zdolnością do szybkiego testowania i skalowania nowych pionów będzie miała przewagę kompozytową.

AI agencji to miejsce, gdzie największa separacja się otworzy w długiej perspektywie. Gdy agencje workflow dojrzewają, zajmując się na przykład wdrożeniem, monitorowaniem oszustw, operacjami finansowymi i personalizowanym coachingiem, platformy z odpowiednią podstawą danych mogą umożliwić szybsze eksperymentowanie i skalowanie.

AI nie tworzy przewagi konkurencyjnej sama z siebie. Tworzy przewagę, gdy łączy się z unikalnymi danymi, unikalną pozycją rynkową i dyscypliną operacyjną do wykonania. Pozycja inDrive – najbardziej pobierana aplikacja przewozowa na świecie, z dominującymi pozycjami na rynkach pionierskich, ponad 400 milionami pobrań i marką zbudowaną na uczciwości – jest podstawą. AI jest amplifikatorem. Bez podstawy amplifikator nie ma nic do amplifikacji.

Dziękujemy za wspaniały wywiad. Czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić inDrive.