Pablo Ormachea, VP of Data hos Motus – Interviewserie

Pablo Ormachea, VP of Data hos Motus, bygger enterprise AI- og analytics-systemer, der er designet til at kunne flytte sig hurtigt, samtidig med at de kan stå distancen til regulatoriske og finansielle undersøgelser. Han leder fuldt remote, tværfaglige hold og fokuserer på bevisbaserede beslutningssystemer, der forbedrer retention, udvider margener og leverer målbart ROI. Hos Motus har han genopbygget analytics for mere end 350.000 chauffører, opnået 60× hurtigere rapportering med nul timeout og leveret AI/ML-systemer, herunder afvigelsesdetektion og churn-forecasting, der har reddet kunder millioner. Han har også medforfattet Motus’ AI-styringsramme, der muliggør sikker LLM-eksperimentering med klare standarder, stærk revision og konsekvent forretningslogik på tværs af datastacken.

Motus er et workforce management- og mobilitetssoftwarefirma, der hjælper organisationer med at styre kørselsrefusion, kilometertælling og mobile workforce-operationer. Dets cloud-platform automatiserer skattefordelagtige refusionsprogrammer, leverer realtidsrapportering og indsigt og hjælper virksomheder med at reducere omkostninger, forbedre produktiviteten og styre overholdelse for medarbejdere, der kører som en del af deres job.

Du har bygget en unik karriere i skæringspunktet mellem AI-ingeniørarbejde, datastrategi og regulering — fra Harvard Law til at lede data og AI hos Motus. Hvad er de vigtigste erfaringer, der har formet din tilgang til at bygge AI-systemer, der både er teknisk avancerede og overholder strenge regulatoriske rammer?

Jeg lærte tidligt at behandle overholdelse som en ingeniørkonstraint, ikke en juridisk eftertanke. Hvis du bygger motorvejen, kan du køre i motorvejsfart. Hvis du forestiller dig, det er en grusvej, og speeder alligevel, så kommer du ikke hurtigere frem. Du kører bare ind i en mur.

Harvard Law hjalp på en overraskende måde, fordi common law-systemet i bund og grund er rest-orienteret læring. En regel møder virkeligheden. Kanter tilfælde afslører, hvor den fejler. Doktrinen forfiner.

Det er den samme mentale model, jeg bruger til AI i produktion. Hver rest er en gave. Den fortæller dig, hvor dine antagelser afviger fra den virkelige verden, og den giver dig en konkretprioriteret liste over, hvad der skal ændres.

Så jeg optimerer for to ting på samme tid: leveringshastighed og bevisbyrde. Målet er ikke “innovation versus overholdelse”. Målet er at bygge systemer, der kan flytte sig hurtigt og stadig kan svare klart og gentaget: “Hvordan ved du?”

Du har medforfattet Motus’ AI-styringspolitik, der strømliner godkendelser, samtidig med at den opretholder stærke kontroller. Hvad var de principper, der vejledte dig, da du designede denne politik, og hvordan balancerer du innovationshastighed med revisionsklarhed?

Vi satte ikke ud for at skrive regler. Vi tegnede et kort. Når AI-adoptionsstarten kommer, kommer interessen fra alle retninger, og hastigheden kan forvandle sig til støj eller endda ansvar. Så det første job er klarhed: hvor LLM’er kan køre og hvor de ikke kan, hvilken data forbliver strengt indenfor, og hvilke slags eksperimenter er tilladt i en sikker bane.

Balancen kommer fra at gøre den sikre vej den lette vej. Styring fejler, når det er et udvalg. Det virker, når det bliver standarder: godkendte værktøjer, klare datagrænser, standardlogging og en hurtig godkendelsesbane for kanter. Målet er, at byggere ikke behøver at forhandle om sikkerhed hver gang, de leverer.

Derefter bliver revisionsklarhed en biprodukt. Du skal ikke desperat samle beviser sammen efter faktum, fordi systemet genererer beviser, mens det kører.

Du har sagt, at AI-praksis skal opfylde “selv IRS-niveauets skarphed”. Kan du dele et eksempel, hvor regulatoriske overvejelser direkte påvirkede en teknisk AI- eller ML-beslutning hos Motus?

I regulerede arbejdsgange er spørgsmålet ikke kun “er modellen nøjagtig?” Det er “kan du vise dit arbejde senere?” Den virkelighed former, hvad “godt” ser ud som hos Motus.

Det ændrer designvalg. Til visse brugsområder er vi tilbøjelige til at vælge tilgange, der er forklarlige, afspilbare og lette at revisionere. Nogle gange betyder det enklere model-familier. Ofte betyder det deterministiske vagtposter, versionerede funktioner og logging af input og output på en måde, der understøtter sandt afspilning.

Et konkretp eksempel: da vi opdaterede dele af vores refusionslogik og rapportering, pressede vi hårdt på sporbarehed ved afgørelsens afgørelsespunkter. Vi ville have, at systemet kunne svare på krav, hvilken regel der udløste, hvilken data den brugte, hvilken version der kørte, og hvad der ville ændre udfaldet. Det gjorde AI-komponenterne mere brugbare, og det gjorde hele arbejdsgangen lettere at forsvare.

Udbetalningen forstærker. Når du kan afspille adfærd og skære fejl, stopper rester med at være mystiske. De bliver en prioriteret forbedringsliste: hvad fejlede, hvor, hvorfor og hvad ændring lukker gapet.

Motus opererer løsninger til kørselsrefusion og risikominimering, der skal opfylde IRS og andre regulatoriske krav. Hvordan forbedrer AI overholdelse og nøjagtighed i disse virksomhedsbrugsområder?

AI hjælper på to måder: det reducerer manuel friktion, og det styrker beviser.

På refusion er værdien ikke kun automatisering, men også konsistens. AI kan hjælpe med at klassificere ture, detektere afvigelser og fremhæve manglende information tidligt, hvilket reducerer efterfølgende afstemning. Ingen ønsker, at refusion skal blive et månedligt arkæologiprojekt. Overholdelsesfordelene kommer fra bedre måling og bedre dokumentation. Du understøtter resultater med en klar optegnelse i stedet for at stole på efterfølgende rekonstruktion.

På risiko er AI nyttig, fordi punkt-i-tiden-tjek er ikke nok. Virksomheder ønsker kontinuerlig bevidsthed om, hvad der ændrer sig, hvad der ser forkert ud, og hvad der kræver opmærksomhed. De bedste AI-systemer her er ikke dramatiske. De er stille, konsistente og målbare.

Leder du et fuldt remotearbejde, tværfagligt hold, der samarbejder med Juridisk, Sikkerhed, Finans og Produkt, er ingen lille bedrift. Hvad er de største udfordringer, du har stået over for ved at samordne disse grupper om data- og AI-initiativer?

Det sværeste er, at hver gruppe er rationel, og de optimerer for forskellige risici.

Sikkerhed bekymrer sig om eksponering. Juridisk bekymrer sig om beviser. Finans bekymrer sig om omkostninger og forudsigelighed. Produkt bekymrer sig om hastighed og kundevalue. Data og ingeniørarbejde bekymrer sig om gennemførlighed og pålidelighed. Hvis du behandler disse som konkurrerende dagsordener, stagnerer du.

Løsningen er fælles sprog og klare baner. Vi samordner om afgørelsen, definerer grænserne og enes om, hvad bevis “godt” kræver. Derefter bygger vi standarder, så det meste af arbejdet kan flytte uden ceremoni.

Jeg har fundet ud af, at klarhed slår overbevisning. Når folk kan se kortet, bliver samordning meget lettere.

Du har drevet store performanceforbedringer — som 60× hurtigere rapportering for 350.000+ chauffører og millioner i kundegevinster. Hvordan beslutter du, hvilke AI/ML-projekter du skal prioritere for både taktisk indvirkning og strategisk værdi?

Jeg prioriterer projekter, der opfylder tre tests.

Først skal de ændre en reel afgørelse eller arbejdsgang, ikke kun producere en intelligent score. Hvis outputtet ikke pålideligt ændrer adfærd, er det en demo, ikke et produkt.

Anden skal de være målbare. Mine bedsteforældre sagde engang “vel målt er halvt gjort”. I regulerede miljøer er det mere end halvt. Hvis vi ikke kan definere succes, fejltilstande og overvågning på forhånd, betyder det, at vi ikke forstår arbejdet endnu.

Tredje skal de være beviselige under skarphed. Det inkluderer dataherkomst, adgangsgrænser og evnen til at forklare og afspille resultater.

Når et projekt opfylder disse tests, tenderer det til at skabe både taktiske sejre og strategisk forstærkning. Hos Motus er det, hvordan vi har leveret skelsættende forbedringer, herunder væsentligt hurtigere rapportering i stor skala, færre undtagelser og automatisering, der oversætter sig til reel kunde-tidsgenvinding.

Tillid og forklarbarhed er kritiske for virksomheds AI-adoptions. Hvordan sikrer dit hold, at modeller er fortolkningsbare og pålidelige for interessenter på tværs af forretningsenheder?

Tillid kommer fra klarhed, konsistens og et system, der kan forklare sig selv under pres.

Vi designer systemer med en afspilningsknap. Samme input, samme version, samme output, plus en bevisstærkende spor af, hvad der ændrede sig over tid. Vi gør også rester synlige. Hver fejl er information. Hvis du instrumenterer fejl ordentligt, kan du forklare adfærd på en disciplineret måde og forbedre den.

Når en afgørelse har revisionsudsigten, er vi tilbøjelige til at vælge enklere modeller plus stærk måling over uigennemskuelig kompleksitet. Praktisk betyder det klare datadefinitioner, evaluering, der skærer præstation efter meningsfulde segmenter, overvågning af drift og en dokumenteret ændringsproces. Interessenter behøver ikke hver enkelt teknisk detalje. De behøver tillid til, at systemet er målt, begrænset og forbedret.

I virksomheds-miljøer er forklarbarhed ikke en filosofisk præference. Det er et krav for adoption, og det betyder noget, når kunder skal modstå fremtidige revisioner.

Fra HIPAA-grads data-pipelines til IRS-kompatibel rapportering understreger Motus sikker, skalerbar AI. Hvad er de bedste praksis, du vil anbefale til andre AI-ledere, der arbejder i regulerede industrier?

Et par principper, der rejser godt:

• Behandle overholdelse som motorvejen. Byg paveveje, så hold kan flytte sig hurtigt sikkert.
• Definer grænser tidligt. Vær eksplicit om, hvilken data ikke kan forlade, hvilke værktøjer er godkendt, og hvor modeller kan køre.
• Automatiser bevis. Gør logging, herkomst og versionering til standarder, ikke en kamp under en revision.
• Mål før du skalerer. Vel målt er halvt gjort. Du kan ikke forbedre, hvad du ikke kan se.
• Operationaliser rester. Gør fejl til en fejl-taxonomi og en prioriteret forbedringsliste.
• Design til adoption. Store modeller er del statistik, del partnerskab og del ændringsstyring.

Hvis din styring bor i en PDF, skal den ikke skaleres. Hvis den bor i systemet, vil den.

Med Motus i frontlinjen for kørselsrefusion og risikoløsninger, hvordan ser du AI udvikle sig i dette område de næste 3-5 år?

Jeg forventer to store skift, og de forstærker hinanden.

Først vil risiko flytte fra periodiske kontroller til kontinuerlige, afgørelsesklare signaler. I dag lærer de fleste organisationer stadig for sent om chauffør-risiko, enten efter en begivenhed eller efter en punkt-i-tiden-gennemgang. Den næste bølge er systemer, der fremhæver risiko tidligere og mere præcist, ved hjælp af mønstre, der allerede er til stede i operationer: ændringer i berettigelse, dækningssprækker, usædvanlige kilometermønstre og inkonsistenser mellem forventet og observeret adfærd. Målet er ikke at erstatte dømmekraft. Det er at give sikkerhed, HR, finans og drift en klar tidligere advarselspanel med færre falske alarmer og bedre dokumentation for, hvorfor noget blev markeret.

Anden vil refusion flytte fra papirarbejde til arbejdsgang. Virksomheder taber stadig en overraskende mængde tid på indsendelser, korrektioner, godkendelser og efterfølgende rensning. Over de næste par år forventer jeg mere automatisering på tværs af refusionslivscyklussen: forudfyldning af, hvad der kan forudfyldes, opfanging af manglende eller inkonsistente input tidligt, routing af undtagelser til den rette godkender med kontekst og reducering af manuel frem-og-tilbage-kommunikation. Hvis det gøres ordentligt, gør det refusion hurtigere og mere beviselig, fordi bevisstærkningen genereres som en del af processen i stedet for at blive genopbygget senere.

Det, der gør det spændende, er, hvordan de konvergerer, når fundamentet er rigtigt. Når grænser er klare og rester er synlige, får du en forstærkelsesløkke: færre undtagelser, renere indsendelser, hurtigere godkendelser, bedre risikosignaler og en klarere optegnelse af, hvordan afgørelser blev truffet.

Fremtiden er ikke “AI overalt”. Det er AI indbygget på de rette øjeblikke med stærke måle- og feedback-løkker, der holder med at forbedre.

Basert på din rejse gennem jura, neurovidenskab, statistik og anvendt AI, hvad er din råd til unge fagfolk, der stræber efter at lede data og AI i komplekse forretningsmiljøer?

Lær at bygge systemer, ikke kun modeller. Eller sagt på en anden måde: Byg motorvejen, instrumentér fejl og hold kortet opdateret.

Kom tæt på de mennesker, der lever udfaldet. Førstelins-operatører ser ofte signaler, før din data gør. Deres feedback er ikke “anekdotisk”. Det er ofte den manglende funktionssæt.

Udvik komfort med måling og ydmyghed om fejl. Rester er gaver, hvis du er villig til at lytte. I regulerede miljøer tilføjer du disciplinen om bevisbyrde: Vær i stand til at forklare, hvad du byggede, hvorfor det opførte sig på den måde, og hvad du vil gøre, når det ændrer sig.

Til sidst husk, at adoption er en del af arbejdet. Ændringsstyring er ikke en blød tilføjelse. Det er et kernekrav, hvis du vil have, at din AI skal blive brugt. Det betyder, at det ikke er nok at være stærk på data, modeller og algoritmer. Du må arbejde godt på tværs af forretningsenheder, tjene tillid og navigere den menneskelige vej, der omdanner en god model til en reel kapacitet. Hvis du kan gøre det, så bygger du ikke kun modeller, du bygger tillid.

Tak for det store interview, læsere, der ønsker at lære mere, skal besøge Motus.