Yuri Misnik, Diretor de Tecnologia, inDrive – Série de Entrevistas

Yuri Misnik é o Diretor de Tecnologia da inDrive, onde lidera a estratégia de tecnologia global 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 (MSFT ) e na AWS. Mais tarde, atuou como Diretor de Tecnologia Digital do HSBC, Diretor de Tecnologia da National Australia Bank e Diretor de Tecnologia do Grupo do First Abu Dhabi Bank, onde modernizou ambientes complexos e altamente regulamentados por meio de modelos de engenharia de produto, DevOps e nuvem.

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. Fluente em plataformas legadas e arquiteturas distribuídas modernas, ele é conhecido por combinar 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 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 preços algorítmicos, 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 lidera a transformação de IA na inDrive. Como essa jornada moldou sua forma de pensar sobre a construção de sistemas de IA que são tecnicamente ambiciosos, mas ainda assim alicerçados em justiça, resiliência e restrições do mundo real?

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

Na Microsoft e 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.

O HSBC e a National Australia Bank trouxeram uma perspectiva diferente. No HSBC, eu estava construindo capacidades digitais de varejo em dezenas de regimes regulamentares. Na NAB, eu impulsionava a transformação em nuvem, movendo aplicações bancárias críticas para a AWS. Nesses ambientes, cada decisão tecnológica carrega consequências regulamentares, de reputação e financeiras. Um modelo de IA ou ML que não pode explicar suas decisões de 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 alicerçada 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 condutora em tudo isso é simples: ambição técnica sem disciplina operacional é apenas um demonstrativo. Minha carreira foi uma progressão de “podemos projetar ou construir isso?” para “devemos implantar isso, e o que acontece quando falha às 3h da manhã em um mercado onde as apostas são reais?” Essa é a perspectiva que trago para a inDrive.

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

A IA na inDrive não é apenas sobre preços; está embutida em toda a empresa, abrangendo marketing e crescimento, personalização do superaplicativo, 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 com a ajuda de nossos modelos de aprendizado profundo. Portanto, quando as pessoas perguntam sobre IA e preços, 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, contraofertam ou declinam. Esse fluxo de licitação aberto é fundamental. O que a IA faz é atuar como suporte de decisão em torno desse preço negociado por humanos.Se você olhar para os modelos tradicionais de preços de pico — 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 contraofertar, 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, ser um “superaplicativo de IA” 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 em primeiro lugar” significa que adicionaram um chatbot. Isso não é o que estamos fazendo.

IA em primeiro lugar 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 e a avaliação de crédito — começa com a pergunta: quais dados temos, e como a inteligência deve moldar essa experiência? Diferentemente das plataformas de superaplicativos legadas 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 preços são o motor central — uma correspondência melhor significa uma utilização mais alta, o que significa uma economia melhor para ambos os motoristas e os 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 impulsionado 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 da 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 corrida, padrões de ganhos e 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 atingir a população abordável.

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 visão comportamental de 360 graus. Isso torna cada serviço individual mais inteligente — mas apenas se a base de dados e a governança estiverem corretas, o que é a parte difícil.

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

A dificuldade reside em criar um modelo unificado que funcione de forma confiável em 48 países e mais de 1.000 cidades em oito regiões distintas. Abordamos isso com uma plataforma altamente configurável, onde a maioria do trabalho que fazemos para lançamentos de novos países 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 governamentais.

Nossa arquitetura usa várias regiões da AWS e um ambiente de zona de disponibilidade múltipla 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 melhor servir esse mercado com presença de engenharia próxima ao longo do tempo.

Você liderou grandes esforços de transformação em nuvem e digital em instituições como o HSBC e a 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 da NAB são transferidas quase diretamente.

Primeiro, a auditoria e os controles em torno dos dados não são opcionais. Nos bancos, 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 regulamentares precisam ser automatizados desde o início. Então, você começa a pensar sobre requisitos regulamentares 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 devidamente 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 regulamentar 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. No nosso caso, um falso positivo na detecção de fraude que bloqueia um motorista 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 uma declaração bancária 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” dos bancos 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?

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

A autoridade de preços é o exemplo mais óbvio e o que define a inDrive. O ser 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. O momento em que tiramos isso, nos tornamos apenas mais uma plataforma algorítmica, perdendo o que nos diferencia. Isso é arquitetônico.

Escalada de segurança é outro caso claro. Automatizamos a moderação de conteúdo de nível um e suporte em escala. Treinado em milhões de textos, nosso sistema de IA processa mais de dois terços das conversas 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 ser humano toma a decisão. A automação deve inteligentemente filtrar 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 uma equipe, não como substituto.

Uma das partes mais difíceis de escalar a IA não é 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 verdade, mas insuficiente. O obstáculo real é organizacional. A coisa mais difícil não é nenhum problema técnico, 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 mensuração. Quando você trata a IA como um conjunto de iniciativas isoladas, cada equipe constrói seu próprio 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 que toca preços, 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 sobre os custos reais (por corrida, por transação, armazenamento) para ajudar a melhorar a responsabilidade, o que impulsiona melhores decisões de engenharia. Por exemplo, a otimização de armazenamento nos permitiu reduzir os custos de dados geoespaciais, reduzindo significativamente o custo de infraestrutura por negócio como resultado. O nível de melhoria que vimos é apenas possível quando a propriedade de custos é descentralizada e incorporada nas equipes, não gerenciada centralmente como uma afterthought.

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 os motoristas e passageiros?

A vantagem de dados na indústria 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 a limitação de propósito rigorosamente. Usamos dados coletados para melhorar as corridas. Não os reutilizamos para direcionamento de publicidade ou os vendemos para 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 usamos e — criticamente — se beneficiar disso. A inDrive.Money é um exemplo direto: os mesmos dados comportamentais que nos ajudam a operar o mercado também habilitam serviços financeiros que os motoristas precisam e não podem acessar nos bancos tradicionais. Essa troca de valor deve 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 permite.

O modelo de superaplicativo foi muito bem-sucedido em partes da Ásia, mas é mais difícil de replicar em mercados globais fragmentados. O que precisa ser verdade, 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 regulamentares e infraestruturais relativamente homogêneos, com integração profunda em pagamentos, social e comércio que tinham poucos fortes concorrentes independentes. Replicar isso globalmente exige uma abordagem fundamentalmente diferente, e acreditamos que nosso modelo é mais adequado para mercados fragmentados.

A base precisa ser global por padrão, local por design. Exponho serviços de plataforma compartilhados — identidade, carteira, notificações, análise, mapas, suporte — como trilhos estáveis que os parceiros podem pluguar rapidamente. Cada serviço é implantável de forma independente 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 — corridas, entrega, supermercados, fretamento, entrega de supermercados, serviços urbanos e produtos financeiros — se adapte às necessidades específicas de cada mercado, operando em uma plataforma compartilhada. Além disso, uma camada de identidade e dados unificada é essencial. A proposta de 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.

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, segurança e confiança, operações autônomas, automação de suporte, economia de motoristas 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 básicos. O suporte está se tornando rapidamente automatizado à medida que os LLMs amadurecem. Operações autônomas importarão eventualmente, mas a autonomia completa em mercados globais (fora de mercados desenvolvidos como os EUA) é improvável que tenha um impacto material nos mercados fronteira nos próximos dez anos.

Uma área de diferenciação significativa na 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 integração, monitoramento de fraude, operações financeiras e coaching personalizado, as plataformas com as bases de dados certas podem permitir experimentação e escalonamento 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 base. A IA é o amplificador. Sem a base, o amplificador não tem nada para amplificar.

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