Yuri Misnik, Chief Technology Officer, inDrive – Intervjuserie

Yuri Misnik är Chief Technology Officer på inDrive, där han leder företagets globala teknikstrategi. Med mer än två decenniers internationell erfarenhet har Misnik byggt och lett högpresterande teknikprogram över moln, finansiella tjänster och storskalig digital transformation.

Innan han gick med i inDrive, hade han seniora roller på Microsoft (MSFT ) och AWS. Han tjänstgjorde senare som Digital CIO på HSBC, CIO på National Australia Bank och Group CTO på First Abu Dhabi Bank, där han moderniserade komplexa, högt reglerade miljöer genom moln, Agile, DevOps och produktcentrerade ingenjörsmodeller.

Misnik började sin karriär inom rymdingenjörskonst, där han bidrog till designen av Boeing 787 innan han gick över till programvaruteknik och onlinetradingssystem. Lika flytande i äldre plattformar och moderna distribuerade arkitekturer, är han känd för att kombinera grundläggande system med banbrytande innovation.

På inDrive fokuserar han på att bygga system, team och plattformar som kommer att driva företagets nästa fas av global tillväxt.

inDrive är en global mobilitets- och urban serviceplattform som kopplar användare med förare och tjänsteleverantörer över ride-hailing, leverans och andra on-demand-tjänster. Grundat 2013, opererar företaget i över 48 länder och mer än 1 000 städer, med hundratals miljoner app-nedladdningar över hela världen. Dess kärndifferentiering är en peer-to-peer-prismodell som tillåter passagerare och förare att förhandla om priser direkt, snarare än att förlita sig på algoritmisk prissättning, i syfte att skapa mer transparenta och rättvisa transaktioner. Utöver transporter, har inDrive expanderat till områden som intercity-resor, kurirtjänster, finansiella tjänster och till och med livsmedelsleverans, och positionerar sig som en bredare “superapp” med fokus på tillgängliga och rättvisa urbana tjänster.

Du började med matematisk modellering och finit elementanalys innan du gick vidare till Microsoft, AWS, HSBC och National Australia Bank, och nu leder du AI-omvandlingen på inDrive. Hur har den resan format ditt sätt att tänka om att bygga AI-system som är tekniskt ambitiösa men fortfarande förankrade i rättvisa, motståndskraft och verkliga världsbegränsningar?

Jag började min karriär inom tillämpad matematik och finit elementanalys, som i grunden handlar om att förstå var din modell bryts ner, snarare än att fira var den fungerar. Detta synsätt är exakt hur jag närmar mig AI-system idag.

På Microsoft och sedan AWS, där jag tillbringade över ett decennium, lärde jag mig vad som händer när man bygger plattformar i global skala. Man antar att system kommer att försämras, nätverk kommer att misslyckas, komponenter kommer att bete sig oväntat. På inDrive, som opererar i över 1 000 städer i 48 länder, har detta tänkande visat sig vara absolut avgörande.

HSBC och National Australia Bank (NAB) gav en annan synvinkel. På HSBC byggde jag retail digitala förmågor över dussintals regulatoriska regimer. På NAB drev jag molnomvandlingen, flyttade kritiska banktjänster till AWS. I dessa miljöer har varje tekniskt beslut regulatoriska, ryktesmässiga och finansiella konsekvenser. En AI- eller ML-modell som inte kan förklara sina beslut på ett sätt som en regulator eller kund kan förstå är inte en tillgång, utan en skuld.

En produkt bör spegla människors behov, inte demonstrera komplexiteten i din stack. Det är principen som håller den tekniska ambitionen förankrad i rättvisa och verkliga världsbegränsningar.

Det betyder att bygga AI-system som informerar och assisterar, till exempel genom att rekommendera ett rättvist pris utan att ta bort kontrollen från människorna på marknaden.Den gemensamma nämnaren för allt detta är enkel: teknisk ambition utan operativ disciplin är bara en demo. Min karriär har varit en utveckling från “kan vi designa eller bygga detta?” till “ska vi distribuera detta, och vad händer när det misslyckas klockan 03.00 i en marknad där insatserna är verkliga?” Det är den synvinkel jag tar till inDrive.

De flesta plattformar använder AI för att fastställa priser. inDrive använder förhandling. Hur passar maskinlärande in i er modell och var på plattformen skapar det mest värde utan att kompromissa med den transparens som gör inDrive unik?

AI på inDrive handlar inte bara om prissättning; det är inbäddat i hela verksamheten, från marknadsföring och tillväxt till superapp-personalisering, kundsupport, geospatial intelligens, interna verktyg, bedrägeriförebyggande och mer. Över 80 % av vår arbetsstyrka använder en mängd olika AI-verktyg, från kundsupport och marknadsföring till kodning och analys. AI gör ett betydande arbete i den omgivande infrastrukturen – 2025 har vi uppnått en 14 % ETA-förbättring jämfört med 2024 tack vare våra djupa inlärningsmodeller. Så när människor frågar om AI och prissättning är det viktigt att förstå att det bara är en dimension av en mycket bredare kapacitet.

inDrive grundades i Jakutsk för att bekämpa orättvis och kartellbildande taxiprissättning. Vår kärnkonkurrensidentitet är denna peer-to-peer-förhandlingsmodell — passagerare föreslår, förare accepterar, motbud eller avvisar. Denna öppna budgivningsprocess är fundamental. Vad AI gör är att fungera som beslutsstöd runt den mänskligt förhandlade priset.Om du tittar på traditionella överbelastningsprismodeller — de är en svart låda. Användaren ser en multiplikator och har ingen möjlighet till återkoppling. I vår modell ser passageraren ett föreslaget pris, föraren kan acceptera eller motbud, och passageraren bestämmer om de ska acceptera eller vänta på ett annat erbjudande. ML gör dessa förslag smartare och mer kontextuellt relevanta baserat på utbud, efterfrågan, avstånd, trafik och tid, men förhandlingsmekanismen bevarar användaragenten. Vi använder också ML för att hjälpa förare att förstå när och var inkomsterna är starkare.Vi använder AI för att minska informationsasymmetri mellan båda parter, inte för att utnyttja den.

Vad betyder en “AI-först superapp” i praktiken på inDrive och vilka delar av plattformen är de mest naturliga passningarna för AI idag: marknadsplacering, säkerhet, kundsupport, finansiella tjänster eller något annat?

De flesta företag som säger “AI-först” menar att de har lagt till en chatbot. Det är inte vad vi gör.

AI-först betyder att AI sitter i plattformens operativa lager, inte i funktionsskiktet. Varje produktbeslut — från marknadsplacering till kundsupport till kreditvärdering — börjar med frågan: vilka data har vi, och hur bör intelligensen forma denna upplevelse? Till skillnad från äldre superappar som växte före AI-eran, bygger vi in dessa kapaciteter från grunden när vi skalar över åtta vertikaler: ride-hailing, intercity-resor, kurir, frakt, livsmedelsleverans, urbana tjänster och finansiella produkter.

När det gäller naturliga passningar är marknadsplacering och prissättning den centrala motorn — bättre matchning innebär högre utnyttjande, vilket innebär bättre ekonomi för både förare och passagerare. Förtroende och säkerhet är också ett kritiskt område: realtidsanomalidetektering, förarverifiering och bedrägeriförebyggande.

Vi opererar i 48 länder och dussintals språk. AI-driven support — inte bara chatbots, utan intelligent triage, auto-åtgärd av vanliga problem och flerspråkig kapacitet — är både en kostnads- och kvalitetsmultiplikator.

Finansiella tjänster via inDrive.Money är där AI har hjälpt oss att skapa ett nytt värdeerbjudande för kunder — i detta fall, våra förare. Vi använder riddata, inkomstmönster och plattformsbeteende för att bygga alternativa kreditmodeller för förare som traditionella banker inte kan replikera med standardkreditdata ensam. Det är redan live i Mexiko, Colombia, Brasilien, Indonesien och Peru.

Vi använder också AI för tillgänglighet och inkludering — förenkling av gränssnitt för användare med lägre litteracitet eller funktionshinder. I många av våra marknader är det ett krav för att nå den adresserbara befolkningen.

Superapp-multipliceringen är att varje ytterligare vertikal berikar datagrafen. En passagerare som också använder livsmedelsleverans och förarutlåning ger oss en 360-graders beteendebild. Det gör varje enskild tjänst smartare — men bara om datafundamentet och styrningen är rätt, vilket är den svåra delen.

inDrive är särskilt starkt i framväxande och gränsmarknader, där driftsförhållandena kan variera dramatiskt. Hur designar du AI-system som fungerar bra över regioner med mycket olika infrastruktur, betalningsvanor, regulatoriska miljöer och användarförväntningar?

Svårigheten ligger i att skapa en enhetlig modell som fungerar tillförlitligt över 48 länder och över 1 000 städer i 8 distinkta regioner. Vi hanterar detta med en enda, högt konfigurerbar plattform där majoriteten av det arbete vi gör för nya lanseringar av länder har varit konfigurationsändringar, inte ny kod. Detta fokuserar vårt ingenjörsarbete på lokala krav: förarverifiering, dokumentvalidering och integrering av regeringsdatabaser.

Vår arkitektur använder flera AWS-regioner och en miljö med flera tillgänglighetszoner som eliminerar enskilda felpunkter. Vår DevOps-plattform är högt automatiserad, vilket hjälper våra växande ingenjörsteam i Pakistan, Egypten och Asien-Stillahavsområdet att operera med samma standarder som våra europeiska team. Vi bygger också ingenjörskapacitet i Latinamerika, där vi har betydande affärsverksamhet för att bättre betjäna denna marknad över tid med närvarande ingenjörskapacitet.

Du har lett stora moln- och digitala omvandlingsinsatser på institutioner som HSBC och NAB. Vilka lärdomar från högt reglerade finansiella miljöer visar sig vara mest värdefulla när inDrive expanderar till tjänster som finansiella tjänster och bygger mer AI-drivna beslutsystem?

Tre lärdomar från HSBC och NAB överför sig nästan direkt.

Först, granskning och kontroller kring data är inte valfria. I bankvärlden måste varje kritisk dataelement, varje beslut som påverkar en kund, omges av lämpliga kontroller som skyddar integritet och konsekvens. Allt måste vara spårbart och förklarbart. Och i den digitala världen måste du kombinera hastighet med kontroller, vilket innebär att alla regulatoriska krav måste automatiseras från början. Så du börjar tänka på regulatoriska krav och kontroller som en mjukvaruprodukt, ta bort manuellt arbete och förlita dig på automatisering överallt.

Andra, datastyrning föregår datavetenskap. På NAB och HSBC lärde jag mig att den största flaskhalsen för AI inte är modellen — det är data. Vem äger det? Är det rent? Är det samtyckt? Är det ordentligt linjerat? På inDrive, att skala från ride-hailing till finansiella tjänster, innebär att vår datastyrning måste mogna snabbt. Om du bygger AI innan styrningen, ackumulerar du teknisk och regulatorisk skuld som blir exponentiellt svårare att betala tillbaka.

Tredje, operativ motståndskraft är viktigare än modellprestanda. Bankvärlden lärde mig att en 99,9 % exakt modell som katastrofalt misslyckas i 0,1 % fallet är sämre än en 95 % exakt modell med gradvis försämring. I vårt fall, ett falskt positivt bedrägeridetektion som låser en förare utanför sin inkomst kan förstöra förtroende. Du designar för felcasen, inte den lyckade vägen.

En fördel som inDrive har över traditionella finansiella tjänster är att vi har kontinuerliga beteendedata på låntagarna. Vi vet hur ofta de kör, deras acceptansgrader, deras inkomstmönster, deras tillförlitlighetssignaler. Det erbjuder mer robusta signaler för kreditvärdighet än en punkt-i-tiden FICO-poäng eller bankutdrag. Men den fördelen materialiseras bara om vi bygger styrnings- och rättvishetsramarna för att använda den på ett ansvarsfullt sätt, vilket är där bankminnet är ovärderligt.

Många företag talar om att hålla “människor i loopet”, men den frasen förblir ofta vag. På inDrive, där tror du att mänsklig bedömning bör förbli oåterkallelig, även när agenterade arbetsflöden och automatisering blir mer kapabla?

Jag har ett enkelt princip: automatisera det upprepningsbara; håll människor på det oåterkalleliga. Om ett felaktigt beslut är billigt återställbart, automatisera. Om det kan förstöra förtroende, liv eller säkerhet, förblir mänsklig bedömning.

Prismyndighet är det mest uppenbara exemplet och det som definierar inDrive. Människan — både passageraren och föraren — har alltid det slutgiltiga ordet om priset. Detta är oåterkalleligt, oavsett hur sofistikerade våra AI-rekommendationer blir. Ögonblicket vi tar bort det, blir vi bara en annan algoritmisk plattform, förlorar det som skiljer oss åt.Det är arkitektoniskt.

Säkerhetshöjningar är ett annat tydligt fall. Vi automatiserar första nivåns innehållsmoderering och support i stor skala. Tränad på miljontals texter, bearbetar vår AI-system över två tredjedelar av ride-hailing-chatten för att snabbt upptäcka, flagga och skydda kunder från olämpligt språk. Men när en situation är genuint tvetydig eller har betydande konsekvenser för någons liv, fattar en människa beslutet. Automatisering bör intelligent filtrera fall, säkerställa att mänsklig bedömning bara tillämpas när det verkligen är värdefullt.Kostnaden för ett falskt negativt resultat är någons säkerhet. Du kan inte automatisera det och upprätthålla ansvar.

Vår bredare princip är att AI bör stödja mänsklig bedömning, agera som en medarbetare, inte en ersättning.

Marknadstillträde och regulatorisk anpassning kräver mänsklig bedömning eftersom de är inneboende kontextuella. Inget AI-system bör autonomt bestämma hur vi opererar i en ny regulatorisk miljö. Och kontolevelbeslut — permanenta förbud, tvister, överklaganden — kräver mänsklig bedömning eftersom sammanhanget alltid är rikare än vad data fångar.

Många företag gör misstaget att behandla “människa i loopet” som en fas som de så småningom kommer att automatisera bort. För de kategorier jag har beskrivit, är det felaktigt. De är fall där mänsklig bedömning är strukturellt lämplig och kommer att förbli så.

En av de svåraste delarna av att skala AI är inte modellprestanda utan operativ disciplin: datakvalitet, styrning, övervakning och kostnadskontroll. Vad har varit det största hindret för att omvandla AI från isolerade användningsfall till ett operativt lager över hela verksamheten?

Alla ger den artiga svaret: datakvalitet. Det är sant men otillräckligt. Det verkliga hindret är organisatoriskt.Det svåraste är inte något enskilt tekniskt problem, utan övergången från en kultur av enskilda AI-experiment till en kultur av systematiska AI-operationer. Den förändringen kräver att team förändrar hur de tänker på ägarskap, ansvar och mätning.

När du behandlar AI som en uppsättning isolerade initiativ bygger varje team sin egen pipeline, sina egna dataåtkomstmönster, sin egen förståelse för vad “kvalitet” betyder för sin modell. Men när du vill att AI ska vara ett horisontellt operativt lager som berör prissättning, säkerhet, support, geo, personlig anpassning samtidigt, behöver du delade grundvalar.

Det inkluderar ett enhetligt semantiskt lager med konsekventa metricdefinitioner, en delad ram för datakvalitet, modellhanteringsinfrastruktur med inbäddade MLOps-praxis och gemensamma säkerhetsprinciper.

Den ofta underskattade kostnadsdimensionen är också avgörande. Vi ger teamen synlighet i de faktiska kostnaderna (per tur, per transaktion, lagring) för att förbättra ansvar, vilket driver bättre ingenjörsbeslut.Till exempel möjliggjorde lagringsoptimering att vi kunde minska geodatakostnaderna, vilket minskade kostnaden per affär betydligt. Nivån på förbättring vi har sett är bara möjlig när kostnadsägarskap är decentraliserat och inbäddat i teamen, inte hanterat centralt som en eftertanke.

Ett annat betydande utmaning är att använda AI för interna operationer. Att automatisera kaos ger bara kaos. Därför arbetar vi aktivt med interna team för att formalisera sitt arbete, beskriva sina processer tydligt och rensa upp föråldrad dokumentation. Medan det inte är nytt, är dessa grundläggande steg avgörande för att framgångsrikt anta och dra nytta av AI inom organisationen.

Ride-hailing-plattformar bearbetar enorma mängder verklig beteendedata. Hur balanserar du möjligheten att använda den datan för bättre personalisering och prognostisering med behovet av att bevara förtroende, integritet och rättvisa för både förare och passagerare?

Datatillgången i ride-hailing är verklig. Kombinerat med leverans- och finansiella data, blir det en extraordinärt rik beteendedataset. Frestelsen att utnyttja det för mycket är exakt vad vi vägrar att göra.

Vi tillämpar syftesbegränsning rigoröst. Vi använder data som samlats in för att förbättra turer. Den används inte om för omskrivning eller säljs till tredje parter. Våra användare valde inDrive delvis för att de litar på oss mer än etablerade aktörer. Det förtroendet, när det en gång är brutet, återuppbyggs inte.

På förarsidan behandlar vi data som en ekonomisk partnerskapsfråga. Förare är inte datakällor. De bör förstå vad vi samlar in, hur vi använder det och — kritiskt — dra nytta av det. inDrive.Money är ett direkt exempel: samma beteendedata som hjälper oss att köra marknaden möjliggör också finansiella tjänster som förare behöver och inte kan få från traditionella banker. Det värdeutbytet måste vara ömsesidigt, transparent och rättvist.

För prognostisering och efterfrågeprognos föredrar vi aggregerade mönster över individuell spårning där det är möjligt. Du behöver inte veta var en specifik person reser varje dag; du behöver veta att efterfrågan i en given zon ökar 30 % på fredagskvällar.

Vi opererar i länder med mycket olika integritetsramverk — från Brasiliens LGPD till marknader med minimala dataskyddslagar. Vår tillvägagångssätt är att hålla oss till den högre standarden oavsett vad den lokala lagen tillåter.

Superapp-modellen har varit mycket framgångsrik i delar av Asien, men det är svårt att replikera över fragmenterade globala marknader. Vad måste vara sant, från ett tekniskt och AI-perspektiv, för att en superapp ska fungera över dussintals länder snarare än bara en tätt integrerad ekosystem?

Superapp-modellen, som blev populär i Asien, fungerade inom relativt homogena regulatoriska och infrastrukturmiljöer, med djup integration över betalningar, sociala medier och handel som hade få starka oberoende alternativ. Att replikera det globalt kräver en grundligt annorlunda tillvägagångssätt, och vi tror att vår modell är bättre lämpad för fragmenterade marknader.

Grundvalen måste vara global som standard, lokal som design. Vi exponerar delade plattformstjänster — identitet, plånbok, meddelanden, analyser, kartor, support — som stabila järnvägar som partners kan ansluta till snabbt.Varje tjänst är oberoende distribuerbar och lokalt konfigurerbar, så nya marknader kan lanseras genom konfiguration snarare än ny kod. Du kan inte leverera en monolitisk produkt och förvänta dig att den ska fungera överallt.

Detta modulära tillvägagångssätt tillåter varje produkt — turer, leverans, livsmedelsleverans, finansiella produkter — att anpassa sig till varje marknads specifika behov samtidigt som de opererar på en delad plattform. Dessutom är en enhetlig identitet och datalager avgörande. Hela värdeerbjudandet för en superapp är att användningen av en tjänst förbättrar de andra. Det kräver en enda användardatagraf över vertikaler. Att bygga det utan att skapa ett integritetsproblem är den svåraste tekniska utmaningen i hela företaget.

Andra, relevansmotorn måste fungera på individnivå, inte marknadsnivå. Vad vi kallar “en segment av en” — att använda data, analys och ML för att förstå vad som är viktigt för en specifik kund i en specifik kontext — är vad som gör en superapp användbar snarare än överbelamrad. Om du har tio tjänster och appen visar alla tio med lika stor framträdande, har du skapat en app med dålig UX, inte en superapp.

Tredje, du behöver lokala partnerskap snarare än en bygg-allt-approach. Vi investerade i Krave Mart i Pakistan för livsmedelsleverans, samarbetade med Fingular och Ammana i Indonesien för finansiella tjänster. Teknologiplattformen är global; tjänsteleveransen är lokal. AI hjälper till att göra dessa integrationer sömlösa för slutanvändaren.

Fjärde, du behöver en frekvensankare. Det är därför livsmedelsleverans är så viktigt för vår strategi. Ride-hailing kan vara veckovis. Livsmedelsleverans är dagligen eller nästan dagligen.

Slutligen, den operativa modellen måste kunna absorbera marknad-för-marknad-variabilitet utan att förlora sammanhang. Vår Zero-Code-plattform som driver över 400 produktions-skärmar som besöks mer än 300 miljoner gånger, tillåter oss att lansera nya skärmar, köra experiment och anpassa oss till lokala krav utan fullständiga app-omdistributioner. Den flexibiliteten, kombinerad med en decentraliserad multi-region-infrastruktur, är vad som låter en plattform fungera sammanhängande över marknader, utan att antingen tvinga enhetlighet eller acceptera fragmentering.

Om tre till fem år, var tror du att AI kommer att skapa den största konkurrensseparationen i mobilitetsplattformar: efterfrågeprognos, förtroende och säkerhet, autonoma operationer, supportautomatisering, förarekonomi eller helt nya tjänster som inte existerar ännu?

AI kommer att påverka alla dessa, men graden av separation kommer att variera.

Inom tre år kommer varje allvarlig mobilitetsplattform sannolikt att ha kompetent efterfrågeprognos. Säkerhets- och förtroendefunktioner kommer att vara en förutsättning. Support kommer att bli alltmer automatiserad när LLM:er mognar.Autonoma operationer kommer att ha betydelse så småningom, men full autonomi globalt (utanför välutvecklade marknader som USA) är osannolikt att påverka gränsmarknader på ett avgörande sätt under de kommande decennierna.

Ett stort område för differentiering över branschen är troligen märkt av helt nya tjänster som inte existerar ännu. Kombinationen av realtidsplatsdata, beteendedata, betalningsdata och lokal marknadsintelligens skapar grunden för tjänster vi inte har tänkt på i områden som hyperlokal handel, hälsovård eller prediktiv logistik. Plattformen med den rikaste datafundamentet och den organisatoriska agiliteten att testa och skala nya vertikaler snabbt kommer att ha en ackumulerad fördel.

Agentic AI är där den längsta tidsseparationen kommer att öppna sig. När agenterade arbetsflöden mognar, hanterar onboarding, bedrägeriövervakning, finansiella operationer och personlig coachning, kan plattformar med rätt datafundament möjliggöra snabbare experiment och skalning.

AI skapar inte en konkurrensfördel i sig. Den skapar en fördel när den kombineras med unik data, unik marknadsposition och den operativa disciplinen att utföra. inDrives position — världens näst mest nedladdade ride-hailing-app, med dominerande positioner i gränsmarknader, över 400 miljoner nedladdningar och ett varumärke byggt på rättvisa — är fundamentet. AI är förstärkaren. Utan fundamentet har förstärkaren ingenting att förstärka. 

Tack för den underbara intervjun, läsare som vill lära sig mer bör besöka inDrive.