Yuri Misnik, Chief Technology Officer, inDrive – Série de Entrevistas

Yuri Misnik é o Chief Technology Officer da inDrive, onde lidera a estratégia global de tecnologia da empresa. Com mais de duas décadas de experiência internacional, Misnik construiu e liderou programas de tecnologia de alto impacto em nuvem, serviços financeiros e transformação digital em larga escala.

Antes de se juntar à inDrive, ele ocupou cargos seniores na Microsoft e AWS. Mais tarde, ele serviu como Digital CIO no HSBC, CIO no National Australia Bank e Group CTO no First Abu Dhabi Bank, onde modernizou ambientes complexos e altamente regulamentados por meio de nuvem, Agile, DevOps e modelos de engenharia centrados em produtos.

Misnik começou sua carreira em engenharia aeroespacial, contribuindo para o design do Boeing 787 antes de se mudar para engenharia de software e sistemas de negociação online. Equivalente em plataformas legadas e arquiteturas distribuídas modernas, ele é conhecido por conectar sistemas fundamentais com inovação de ponta.

Na inDrive, ele está focado em construir os sistemas, equipes e plataformas que impulsionarão a próxima fase de crescimento global da empresa.

inDrive é uma plataforma global de mobilidade e serviços urbanos que conecta usuários com motoristas e prestadores de serviços em todo o mundo, abrangendo serviços de transporte, entrega e outros serviços sob demanda. Fundada em 2013, a empresa opera em mais de 48 países e mais de 1.000 cidades, com centenas de milhões de downloads de aplicativos em todo o mundo. Seu diferencial principal é um modelo de precificação peer-to-peer que permite que passageiros e motoristas negociem preços diretamente, em vez de confiar em precificação algorítmica, visando criar transações mais transparentes e justas. Além do transporte, a inDrive expandiu-se para áreas como viagens interestaduais, serviços de entrega, ofertas de fintech e até entrega de supermercados, posicionando-se como um “super aplicativo” mais amplo focado em serviços urbanos acessíveis e equitativos.

Você começou com modelagem matemática e análise de elementos finitos antes de passar pela Microsoft, AWS, HSBC e National Australia Bank, e agora está liderando a transformação de IA na inDrive. Como essa jornada moldou a forma como você pensa sobre a construção de sistemas de IA que são tecnicamente ambiciosos, mas ainda assim aterrados em justiça, resiliência e restrições do mundo real?

Eu comecei minha carreira em matemática aplicada e análise de elementos finitos, o que é fundamentalmente sobre entender onde seu modelo falha, em vez de celebrar onde ele funciona. Essa mentalidade é exatamente como eu abordo sistemas de IA hoje.

Na Microsoft e, em seguida, na AWS, onde passei mais de uma década, aprendi o que acontece quando você constrói plataformas em escala global. Você assume que os sistemas degradarão, as redes falharão, os componentes se comportarão de forma inesperada. Na inDrive, operando em mais de 1.000 cidades em 48 países, essa forma de pensar provou ser absolutamente vital.

HSBC e National Australia Bank trouxeram uma lente diferente. No HSBC, eu estava construindo capacidades digitais de varejo em dezenas de regimes regulatórios. No NAB, eu impulsionava a transformação em nuvem, movendo aplicações bancárias críticas para a AWS. Nesses ambientes, cada decisão tecnológica carrega consequências regulatórias, reputacionais e financeiras. Um modelo de IA ou ML que não pode explicar suas decisões de uma forma que um regulador ou cliente possa entender não é um ativo, mas uma responsabilidade.

Um produto deve refletir as necessidades das pessoas, não demonstrar a complexidade da sua pilha. Esse princípio é o que mantém a ambição técnica aterrada em justiça e restrições do mundo real.

Isso significa construir sistemas de IA que informam e assistem, por exemplo, recomendando um preço justo sem remover o controle das pessoas no mercado.A linha de raciocínio em todos esses é simples: ambição técnica sem disciplina operacional é apenas uma demonstração. Minha carreira foi uma progressão de “podemos projetar ou construir isso?” para “devemos implantar isso, e o que acontece quando ele falha às 3h da manhã em um mercado onde as apostas são reais?” Essa é a lente que eu trago para a inDrive.

A maioria das plataformas usa IA para definir preços. A inDrive usa negociação. Então, como a aprendizagem de máquina realmente se encaixa no seu modelo e onde, em toda a plataforma, está entregando o maior valor sem comprometer a transparência que torna a inDrive diferente?

IA na inDrive não é apenas sobre precificação; está incorporada em toda a empresa, abrangendo marketing e crescimento, personalização do super aplicativo, suporte ao cliente, inteligência geoespacial, ferramentas internas, prevenção de fraude e muito mais. Mais de 80% de nossa força de trabalho usa uma variedade de ferramentas de IA, desde suporte ao cliente e marketing até codificação e análise. A IA está fazendo um trabalho significativo na infraestrutura circundante – em 2025, alcançamos uma melhoria de 14% na precisão da ETA em comparação com 2024, com a ajuda de nossos modelos de aprendizado profundo. Então, quando as pessoas perguntam sobre IA e precificação, é importante entender que é apenas uma dimensão de uma capacidade muito mais ampla.

A inDrive foi fundada em Yakutsk para combater preços de táxi injustos e colusivos. Nossa identidade competitiva central é esse modelo de negociação peer-to-peer — passageiros propõem, motoristas aceitam, contraoferecem ou declinam. Esse fluxo de licitação aberto é fundamental. O que a IA faz é agir como suporte de decisão em torno desse preço negociado humanamente.Se você olhar para os modelos tradicionais de precificação por surto – eles são uma caixa preta. O usuário vê um multiplicador e não tem recurso. Em nosso modelo, o passageiro vê um preço sugerido, o motorista pode aceitar ou contraoferecer, e o passageiro decide se aceita ou espera por outra oferta. A ML torna essas sugestões mais inteligentes e contextualmente relevantes com base na oferta, demanda, distância, tráfego e tempo, mas o mecanismo de negociação preserva a agência do usuário. Também usamos ML para ajudar os motoristas a entender quando e onde os ganhos são mais fortes.Estamos usando IA para reduzir a assimetria de informação entre ambas as partes, não para explorá-la.

O que significa, na prática, um “super aplicativo de IA” na inDrive, e quais partes da plataforma são as mais naturais para a IA hoje: correspondência de mercado, segurança, suporte ao cliente, serviços financeiros ou algo mais?

A maioria das empresas que dizem “IA-first” significa que elas adicionaram um chatbot. Isso não é o que estamos fazendo.

IA-first significa que a IA está na camada operacional da plataforma, não na camada de recursos. Cada decisão de produto – desde a correspondência de mercado até o suporte ao cliente até a avaliação de crédito – começa com a pergunta: quais dados temos, e como a inteligência deve moldar essa experiência? Diferentemente dos superaplicativos legados que cresceram antes da era da IA, estamos incorporando essas capacidades desde o início à medida que escalamos em oito verticais: transporte, viagens interestaduais, entrega, fretamento, entrega de supermercados, serviços urbanos e produtos financeiros.

Em termos de ajuste natural, a correspondência de mercado e a inteligência de precificação são o motor central – uma correspondência melhor significa uma utilização mais alta, o que significa uma melhor economia para ambos, motoristas e passageiros. Confiança e segurança também são uma área crítica: detecção de anomalias em tempo real, verificação de motorista e prevenção de fraude.

Operamos em 48 países e dezenas de idiomas. O suporte ao cliente alimentado por IA – não apenas chatbots, mas triagem inteligente, resolução automática de problemas comuns e capacidade multilíngue – é tanto um multiplicador de custo quanto de qualidade.

Os serviços financeiros por meio do inDrive.Money são onde a IA nos ajudou a criar uma nova proposta de valor para os clientes – nesse caso, nossos motoristas. Estamos usando dados de viagem, padrões de ganhos, comportamento da plataforma para construir modelos de crédito alternativos para motoristas que os bancos tradicionais não podem replicar com dados de crédito padrão apenas. Já está ao vivo no México, Colômbia, Brasil, Indonésia e Peru.

Também usamos IA para acessibilidade e inclusão – simplificando interfaces para usuários com menor alfabetização ou deficiências. Em muitos de nossos mercados, é um requisito para alcançar a população endereçável.

O multiplicador do superaplicativo é que cada vertical adicional enriquece o gráfico de dados. Um passageiro que também usa entrega de supermercados e empréstimos para motoristas nos dá uma imagem comportamental de 360 graus. Isso torna cada serviço individual mais inteligente – mas apenas se a fundação de dados e governança estiverem certas, o que é a parte difícil.

A inDrive é especialmente forte em mercados emergentes e fronteira, onde as condições operacionais podem variar dramaticamente. Como você projeta sistemas de IA que funcionam bem em regiões com infraestruturas, hábitos de pagamento, ambientes regulatórios e expectativas de usuário muito diferentes?

A dificuldade está em criar um modelo unificado que funcione de forma confiável em 48 países e mais de 1.000 cidades em 8 regiões distintas. Abordamos isso com uma plataforma altamente configurável onde a maioria do trabalho que fazemos para novos lançamentos de país são alterações de configuração, não novo código. Isso concentra nosso esforço de engenharia em requisitos locais: verificação de motorista, validação de documentos e integrações de bancos de dados do governo.

Nossa arquitetura usa várias regiões da AWS e um ambiente de várias zonas de disponibilidade que elimina pontos únicos de falha. Nossa plataforma DevOps é altamente automatizada, o que ajuda nossas equipes de engenharia em crescimento no Paquistão, Egito e Ásia-Pacífico a operar com os mesmos padrões que nossas equipes europeias. Também estamos construindo capacidade de engenharia na América Latina, onde temos operações comerciais significativas para servir melhor esse mercado com o tempo, com presença de engenharia próxima.

Você liderou grandes esforços de transformação em nuvem e digital em instituições como HSBC e NAB. Quais lições de ambientes financeiros altamente regulamentados estão se provando mais valiosas à medida que a inDrive se expande para serviços como fintech e constrói mais sistemas de tomada de decisão impulsionados por IA?

Três lições do HSBC e do NAB se transferem quase diretamente.

Primeiro, a auditoria e os controles em torno dos dados não são opcionais. No banco, cada elemento de dados crítico, cada decisão que afeta um cliente deve ser cercado por controles apropriados que protegem a integridade e a consistência. Tudo precisa ser rastreável e explicável. E no mundo digital, você precisa combinar velocidade com controles, significando que todos os requisitos regulatórios precisam ser automatizados desde o início. Então, você começa a pensar sobre requisitos regulatórios e controles como um produto de software, removendo o trabalho manual e confiando na automação em todos os lugares.

Segundo, a governança de dados precede a ciência de dados. No NAB e no HSBC, aprendi que o maior gargalo para a IA nunca é o modelo – é os dados. Quem os possui? Estão limpos? Estão consentidos? Estão adequadamente lineados? Na inDrive, escalar do transporte para serviços financeiros significa que nossa governança de dados precisa amadurecer rapidamente. Se você construir a IA antes da governança, acumula dívida técnica e regulatória que se torna exponencialmente mais difícil de pagar.

Terceiro, a resiliência operacional importa mais do que o desempenho do modelo. O banco me ensinou que um modelo 99,9% preciso que falha catastroficamente no caso de 0,1% é pior do que um modelo 95% preciso com degradação graciosa. Em nosso caso, um falso positivo na detecção de fraude que trava um motorista fora de seus ganhos pode destruir a confiança. Você projeta para o caso de falha, não para o caminho feliz.

Uma vantagem que a inDrive tem sobre fintechs tradicionais é que temos dados comportamentais contínuos sobre os mutuários. Sabemos com que frequência eles dirigem, suas taxas de aceitação, seus padrões de ganhos, seus sinais de confiabilidade. Isso oferece sinais mais robustos para a solvência do que uma pontuação FICO ou extrato bancário pontual. Mas essa vantagem só se materializa se construirmos as estruturas de governança e justiça para usá-la de forma responsável, o que é onde a memória muscular do banco é inestimável.

Muitas empresas falam em manter “humanos no loop”, mas essa frase muitas vezes permanece vaga. Na inDrive, onde você acredita que o julgamento humano deve permanecer inegociável, mesmo à medida que fluxos de trabalho agênticos e automação se tornam mais capazes?

Eu tenho um princípio simples: automatize o repetível; mantenha humanos no irreversível. Se uma decisão errada for barata e reversível, automatize. Se puder destruir confiança, means de subsistência ou segurança, o julgamento humano permanece.

A autoridade de precificação é o exemplo mais óbvio e o que define a inDrive. O humano – tanto o passageiro quanto o motorista – sempre tem a palavra final sobre o preço. Isso é inegociável, independentemente de quão sofisticadas se tornem nossas recomendações de IA.Isso é arquitetônico.

Escalada de segurança é outro caso claro.Automatizamos a moderação de conteúdo de primeiro nível e suporte em escala. Treinado em milhões de textos, nosso sistema de IA processa mais de dois terços dos chats de transporte para rapidamente detectar, sinalizar e proteger os clientes de linguagem inapropriada. Mas quando uma situação é genuinamente ambígua ou tem consequências significativas para a subsistência de alguém, um humano toma a decisão. A automação deve filtrar inteligentemente os casos, garantindo que o julgamento humano seja aplicado apenas quando verdadeiramente valioso.O custo de um falso negativo é a segurança de alguém. Você não pode automatizar isso e manter a responsabilidade.

Nosso princípio mais amplo é que a IA deve apoiar o julgamento humano, agir como um parceiro de equipe, não um substituto.

A entrada no mercado e a adaptação regulatória exigem julgamento humano porque são inerentemente contextuais. Nenhuma IA deve decidir autonomamente como operamos em um novo ambiente regulatório. E decisões de nível de conta – banimentos permanentes, resolução de disputas, apelações – exigem julgamento humano porque o contexto é sempre mais rico do que o que os dados capturam.

O erro que muitas empresas cometem é tratar “humanos no loop” como uma fase que eventualmente automatizarão. Para as categorias que descrevi, essa é a estrutura de pensamento errada. São casos em que o julgamento humano é apropriado estruturalmente e permanecerá assim.

Uma das partes mais difíceis de escalar a IA é não o desempenho do modelo, mas a disciplina operacional: qualidade de dados, governança, monitoramento e controle de custos. Qual foi o maior obstáculo em transformar a IA de casos de uso isolados em uma camada operacional em toda a empresa?

Todos dão a resposta polida: qualidade de dados. Isso é verdadeiro, mas insuficiente. O obstáculo real é organizacional.A coisa mais difícil não é nenhum problema técnico específico, mas a transição de uma cultura de experimentos de IA isolados para uma cultura de operações de IA sistemáticas. Essa mudança exige alterar como as equipes pensam sobre propriedade, responsabilidade e medição.

Quando você trata a IA como um conjunto de iniciativas isoladas, cada equipe constrói sua própria pipeline, seus próprios padrões de acesso a dados, sua própria compreensão do que “qualidade” significa para seu modelo. Mas quando você quer que a IA seja uma camada operacional horizontal tocando precificação, segurança, suporte, geo, personalização simultaneamente, você precisa de fundamentos compartilhados.

Isso inclui uma camada semântica unificada com definições de métricas consistentes, um quadro de qualidade de dados compartilhado, infraestrutura de gerenciamento de modelo com práticas de MLOps incorporadas e políticas de segurança comuns.

A dimensão de custo frequentemente subestimada também é vital. Fornecemos às equipes visibilidade nos custos reais (por viagem, por transação, armazenamento) para ajudar a melhorar a responsabilidade, o que impulsiona melhores decisões de engenharia. Por exemplo, a otimização de armazenamento permitiu que reduzíssemos os custos de dados geoespaciais, reduzindo significativamente o custo de infraestrutura por negócio como resultado. O nível de melhoria que vimos é possível apenas quando a propriedade de custo é descentralizada e incorporada nas equipes, não gerenciada centralmente como uma afterthought.

Outro desafio significativo é o uso de IA para operações internas. Automatizar o caos só gera caos. Portanto, estamos ativamente trabalhando com equipes internas para formalizar seu trabalho, descrevendo seus processos claramente e limpando a documentação desatualizada. Embora não seja novidade, esses passos fundamentais são cruciais para adotar e se beneficiar da IA dentro da organização.

Plataformas de transporte processam enormes quantidades de dados comportamentais do mundo real. Como você equilibra a oportunidade de usar esses dados para melhor personalização e previsão com a necessidade de preservar confiança, privacidade e justiça para ambos, motoristas e passageiros?

A vantagem de dados na plataforma de transporte é real. Combinada com dados de entrega e fintech, torna-se um conjunto de dados comportamentais extraordinariamente rico. A tentação de explorá-lo em excesso é exatamente o que nos recusamos a fazer.

Aplicamos rigorosamente a limitação de propósito. Usamos dados coletados para melhorar as viagens. Não os reutilizamos para direcionamento de publicidade ou os vendemos a terceiros. Nossos usuários escolheram a inDrive em parte porque confiam mais nela do que nos incumbentes. Essa confiança, uma vez quebrada, não se reconstrói.

No lado do motorista, tratamos os direitos de dados como uma questão de parceria econômica. Os motoristas não são fontes de dados. Eles devem entender o que coletamos, como o usamos e – criticamente – se beneficiar disso. O inDrive.Money é um exemplo direto: os mesmos dados comportamentais que nos ajudam a executar o mercado também habilitam serviços financeiros que os motoristas precisam e não podem acessar dos bancos tradicionais. Essa troca de valor precisa ser bidirecional, transparente e justa.

Para previsão e previsão de demanda, preferimos padrões agregados em vez de rastreamento individual sempre que possível. Você não precisa saber para onde uma pessoa específica viaja todos os dias; você precisa saber que a demanda em uma zona determinada aumenta 30% nas noites de sexta-feira.

Operamos em países com estruturas de privacidade muito diferentes – desde a LGPD do Brasil até mercados com leis de proteção de dados mínimas. Nossa abordagem é nos manter no padrão mais alto, independentemente do que a lei local permita.

O modelo de superaplicativo foi altamente bem-sucedido em partes da Ásia, mas é mais difícil de replicar em mercados globais fragmentados. O que precisa ser verdadeiro, do ponto de vista tecnológico e de IA, para que um superaplicativo funcione em dezenas de países, em vez de apenas um ecossistema integrado?

O modelo de superaplicativo, que se tornou popular na Ásia, funcionou dentro de ambientes regulatórios e de infraestrutura relativamente homogêneos, com integração profunda em pagamentos, social e comércio que tinham poucas alternativas fortes independentes. Replicar isso globalmente exige uma abordagem fundamentalmente diferente, e acreditamos que nosso modelo é mais adequado para mercados fragmentados.

A fundação precisa ser global por padrão, local por design. Exponhamos serviços de plataforma compartilhados – identidade, carteira, notificações, análise, mapas, suporte – como trilhos estáveis que os parceiros possam se conectar rapidamente.Cada serviço é independentemente implantável e configurável localmente, então novos mercados podem ser lançados por meio de configuração, não novo código. Você não pode enviar um produto monolítico e esperar que ressoe em todos os lugares.

Essa abordagem modular permite que cada produto – viagens, entrega, supermercado, fintech – se adapte às necessidades específicas de cada mercado, operando em uma plataforma compartilhada. Além disso, uma camada de identidade e dados unificada é essencial. Todo o valor de um superaplicativo é que o uso de um serviço melhora os outros. Isso exige um gráfico de dados de usuário único em todos os verticais. Construir isso sem criar um problema de privacidade é o desafio técnico mais difícil de toda a empreitada.

Em segundo lugar, o mecanismo de relevância precisa funcionar no nível do indivíduo, não do mercado. O que chamamos de “segmento de um” – usando dados, análise e ML para entender o que importa para um cliente específico em um contexto específico – é o que torna um superaplicativo útil em vez de bagunçado.

Terceiro, você precisa de parcerias locais em vez de uma abordagem de construir tudo. Investimos no Krave Mart no Paquistão para entrega de supermercados, nos associamos à Fingular e Ammana na Indonésia para serviços financeiros. A plataforma tecnológica é global; a entrega de serviço é local. A IA ajuda tornando essas integrações indolores para o usuário final.

Quarto, você precisa de um âncora de frequência. É por isso que o supermercado é tão importante para nossa estratégia. O transporte pode ser semanal. O supermercado é diário ou quase diário.

Por fim, o modelo operacional precisa ser capaz de absorver a variabilidade de mercado a mercado sem perder coerência. Nossa plataforma Zero-Code, que alimenta mais de 400 telas de produção visitadas mais de 300 milhões de vezes, nos permite lançar novas telas, executar experimentos e adaptar às necessidades locais sem redistribuições completas do aplicativo. Essa flexibilidade, combinada com uma infraestrutura descentralizada multi-região, é o que permite que uma plataforma funcione coerentemente em mercados, sem forçar uniformidade ou aceitar fragmentação.

Olhando para os próximos três a cinco anos, onde você acredita que a IA criará a maior separação competitiva em plataformas de mobilidade: previsão de demanda, confiança e segurança, operações autônomas, automação de suporte, economia de motorista ou serviços completamente novos que ainda não existem?

A IA tocará todos esses, mas o grau de separação variará.

Dentro de três anos, todas as plataformas de mobilidade sérias provavelmente terão previsão de demanda competente. Recursos de segurança e confiança serão os mínimos necessários. O suporte está se tornando rapidamente automatizado à medida que os LLMs amadurecem.Operações autônomas importarão eventualmente, mas a autonomia total globalmente (fora de mercados desenvolvidos como os EUA) é improvável que afete materialmente os mercados fronteira nos próximos dez anos.

Uma área importante de diferenciação em toda a indústria, no entanto, é provavelmente marcada por serviços completamente novos que ainda não existem. A combinação de dados de localização em tempo real, dados comportamentais, dados de pagamento e inteligência de mercado local cria a base para serviços que ainda não concebemos em áreas como comércio hiperlocal, saúde ou logística preditiva. A plataforma com a base de dados mais rica e a agilidade organizacional para testar e dimensionar novos verticais rapidamente terá uma vantagem de compounding.

A IA agêntica é onde a separação de longo prazo se abrirá. À medida que os fluxos de trabalho agênticos amadurecem, lidando com onboarding, monitoramento de fraude, operações financeiras e coaching personalizado, as plataformas com as bases de dados certas podem permitir experimentação e dimensionamento mais rápidos.

A IA não cria vantagem competitiva por si só. Cria vantagem quando combinada com dados únicos, posição de mercado única e a disciplina operacional para executar. A posição da inDrive – o segundo aplicativo de transporte mais baixado do mundo, com posições dominantes em mercados fronteira, mais de 400 milhões de downloads e uma marca construída sobre justiça – é a fundação. A IA é o amplificador. Sem a fundação, o amplificador não tem nada para amplificar. 

Obrigado pela grande entrevista, leitores que desejam aprender mais devem visitar inDrive.