Pablo Ormachea, VP of Data bei Motus – Interview-Serie

Pablo Ormachea, VP of Data bei Motus, entwickelt Unternehmens-AI- und Analyse-Systeme, die schnell und sicher sind und den regulatorischen und finanziellen Anforderungen standhalten. Er leitet vollständig remote, cross-funktionale Teams und konzentriert sich auf evidenzbasierte Entscheidungssysteme, die die Bindung verbessern, die Margen erweitern und messbare ROI liefern. Bei Motus hat er die Analyse für über 350.000 Fahrer neu entwickelt und damit 60-mal schnellere Berichterstattung mit null Ausfällen erreicht und AI/ML-Systeme wie Anomalie-Erkennung und Abwanderungsprognose ausgeliefert, die den Kunden Millionen eingespart haben. Er hat auch den AI-Governance-Rahmen von Motus mitverfasst, der sichere LLM-Experimente mit klaren Standards, starker Prüfbarkeit und konsistenter Geschäftlogik über den gesamten Datenstapel ermöglicht.

Motus ist ein Anbieter von Workforce-Management- und Mobilitätssoftware, der Organisationen hilft, Fahrzeugentschädigungen, Kilometerzählung und mobile Arbeitskräfte zu verwalten. Seine Cloud-Plattform automatisiert steuerbegünstigte Entschädigungsprogramme, liefert Echtzeit-Berichte und Einblicke und hilft Unternehmen, Kosten zu reduzieren, die Produktivität zu verbessern und die Einhaltung von Vorschriften für Mitarbeiter, die als Teil ihrer Arbeit fahren, zu gewährleisten.

Sie haben eine einzigartige Karriere an der Schnittstelle zwischen AI-Engineering, Datenstrategie und Regulierung aufgebaut – von der Harvard Law School bis hin zur Leitung von Daten und AI bei Motus. Welche Erfahrungen haben Ihre Herangehensweise an die Entwicklung von AI-Systemen geprägt, die sowohl technisch fortschrittlich als auch mit strengen regulatorischen Rahmenbedingungen kompatibel sind?

Ich habe früh gelernt, Compliance wie ein technisches Constraint und nicht wie eine juristische Nachbemerkung zu behandeln. Wenn Sie die Autobahn bauen, können Sie mit Autobahngeschwindigkeit fahren. Wenn Sie so tun, als ob es eine Schotterstraße ist und dennoch Vollgas geben, kommen Sie nicht schneller voran. Sie crashen nur früher.

Die Harvard Law School hat mir auf überraschende Weise geholfen, weil das Common-Law-System im Grunde ein residualgetriebenes Lernen ist. Eine Regel trifft auf die Realität. Randfälle zeigen, wo sie versagt. Die Doktrin verfeinert.

Das ist das gleiche mentale Modell, das ich für AI in der Produktion verwende. Jeder Rest ist ein Geschenk. Er zeigt, wo Ihre Annahmen von der realen Welt abweichen und gibt Ihnen einen konkreten Weg, das System zu verbessern.

Ich optimiere also für zwei Dinge gleichzeitig: Liefergeschwindigkeit und Beweislast. Das Ziel ist nicht “Innovation versus Compliance”. Das Ziel ist, Systeme zu bauen, die schnell und gleichzeitig klar und wiederholbar antworten können: “Wie wissen Sie das?”

Sie haben den AI-Governance-Rahmen von Motus mitverfasst, der Genehmigungen rationalisierte und gleichzeitig starke Kontrollen aufrechterhielt. Welche Grundsätze haben Sie bei der Gestaltung dieser Richtlinie geführt, und wie balancieren Sie Innovationsgeschwindigkeit mit Prüfbarkeit?

Wir haben nicht daran gearbeitet, Regeln zu schreiben. Wir haben eine Karte gezeichnet. Wenn die AI-Adoption beginnt, kommt das Interesse aus allen Richtungen, und die Geschwindigkeit kann sich in Lärm oder Schlimmeres verwandeln. Die erste Aufgabe ist also Klarheit: Wo können LLMs laufen und wo nicht, welche Daten bleiben streng innerhalb und welche Arten von Experimenten sind in einer sicheren Spur erlaubt.

Das Gleichgewicht entsteht, indem der sichere Weg der einfache Weg ist. Governance funktioniert nicht, wenn es ein Ausschuss ist. Es funktioniert, wenn es Standards wird: genehmigte Tools, klare Datenbegrenzungen, Standard-Protokollierung und eine schnelle Genehmigungsspur für Randfälle. Das Ziel ist, dass die Entwickler nicht jedes Mal, wenn sie liefern, über die Sicherheit verhandeln müssen.

Dann wird Prüfbarkeit zu einem Nebenprodukt. Sie müssen nicht nachträglich Beweise sammeln, weil das System die Beweise während des Betriebs erzeugt.

Sie haben gesagt, dass AI-Praktiken “selbst den strengsten Prüfungen der IRS” standhalten sollten. Können Sie ein Beispiel nennen, bei dem regulatorische Überlegungen direkt eine technische AI- oder ML-Entscheidung bei Motus beeinflusst haben?

In regulierten Workflows ist die Frage nicht nur “Ist das Modell genau?” sondern “Können Sie Ihre Arbeit später zeigen?” Diese Realität formt, was “gut” bei Motus bedeutet.

Es verändert Designentscheidungen. Für bestimmte Anwendungsfälle neigen wir zu Ansätzen, die erklärbar, abspielbar und leicht zu prüfen sind. Manchmal bedeutet das einfachere Modellfamilien. Oft bedeutet es deterministische Schutzmechanismen, versionierte Funktionen und Protokollierung von Eingaben und Ausgaben auf eine Weise, die wahre Wiedergabe unterstützt.

Ein konkretes Beispiel: Als wir Teile unserer Entschädigungslogik und Berichterstattung aktualisierten, haben wir uns sehr um Nachvollziehbarkeit an wichtigen Entscheidungspunkten bemüht. Wir wollten, dass das System auf Anfrage antworten kann, welche Regel ausgelöst wurde, welche Daten verwendet wurden, welche Version lief und was die Änderung des Ergebnisses bewirken würde. Es machte die AI-Komponenten nutzbarer und das gesamte Workflow einfacher zu verteidigen.

Die Auszahlung verdoppelt sich. Wenn Sie Verhalten wiedergeben und Fehler analysieren können, hören Residuen auf, mysteriös zu sein. Sie werden zu einer priorisierten Verbesserungsliste: Was fehlgeschlagen ist, wo, warum und welche Änderung schließt die Lücke.

Motus bietet Lösungen für Fahrzeugentschädigung und Risikominderung an, die IRS- und andere regulatorische Anforderungen erfüllen müssen. Wie verbessert AI die Einhaltung und Genauigkeit in diesen Unternehmensanwendungsfällen?

AI hilft auf zwei Arten: Es reduziert manuellen Reibungswiderstand und stärkt die Verteidigungsfähigkeit.

Bei der Entschädigung liegt der Wert nicht nur in der Automatisierung, sondern in der Konsistenz. AI kann helfen, Fahrten zu klassifizieren, Anomalien zu erkennen und fehlende Informationen früher zu erkennen, was die nachgelagerte Abstimmung reduziert. Niemand möchte, dass die Entschädigung zu einem monatlichen Archäologieprojekt wird. Der Compliance-Vorteil kommt von besserer Messung und besserer Dokumentation. Sie unterstützen Ergebnisse mit einem klaren Beweisrekord anstelle von nachträglicher Rekonstruktion.

Bei Risiken ist AI nützlich, weil punktuelle Prüfungen nicht ausreichen. Unternehmen möchten kontinuierliche Kenntnis davon, was sich geändert hat, was auffällig ist und was Aufmerksamkeit benötigt. Die besten AI-Systeme sind hier nicht dramatisch. Sie sind leise, konsistent und messbar.

Die Leitung von remote, cross-funktionalen Teams, die mit Rechtsabteilung, Sicherheit, Finanzen und Produkt zusammenarbeiten, ist keine leichte Aufgabe. Welche größten Herausforderungen haben Sie bei der Ausrichtung dieser Gruppen auf Daten- und AI-Initiativen erlebt?

Der schwierigste Teil ist, dass jede Gruppe rational ist und für unterschiedliche Risiken optimiert.

Sicherheit sorgt sich um die Exposition. Rechtsabteilung sorgt sich um die Verteidigungsfähigkeit. Finanzen sorgen sich um Kosten und Vorhersehbarkeit. Produkt sorgt sich um Geschwindigkeit und Kundennutzen. Daten und Engineering sorgen sich um Machbarkeit und Zuverlässigkeit. Wenn Sie diese als konkurrierende Agenda behandeln, kommen Sie nicht voran.

Die Lösung ist eine gemeinsame Sprache und klare Spuren. Wir stimmen auf die Entscheidung ab, definieren die Grenzen und stimmen darüber ab, was Beweise “gut” erfordert. Dann bauen wir Standards, damit die meisten Arbeiten ohne Zeremoniell durchgeführt werden können.

Ich habe festgestellt, dass Klarheit Überzeugung schlägt. Wenn die Leute die Karte sehen können, wird die Ausrichtung viel einfacher.

Sie haben große Leistungsverbesserungen erzielt – wie 60-mal schnellere Berichterstattung für über 350.000 Fahrer und Millionen an Kundenersparnissen. Wie entscheiden Sie, welche AI/ML-Projekte Sie priorisieren, um sowohl taktische Auswirkungen als auch strategischen Wert zu erzielen?

Ich priorisiere Projekte, die drei Tests bestehen.

Erstens müssen sie eine reale Entscheidung oder einen Arbeitsablauf ändern, nicht nur einen cleveren Score produzieren. Wenn die Ausgabe nicht zuverlässig das Verhalten ändert, ist es ein Demo, kein Produkt.

Zweitens müssen sie messbar sein. Meine Großeltern sagten immer “gut gemessen ist halb getan”. In regulierten Umgebungen ist es mehr als halb. Wenn wir nicht definieren können, was Erfolg, Fehlermodi und Überwachung im Voraus sind, bedeutet es, dass wir die Arbeit noch nicht verstehen.

Drittens müssen sie unter Prüfung verteidigbar sein. Dazu gehören Datenherkunft, Zugriffsgrenzen und die Fähigkeit, Ergebnisse zu erklären und abzuspielen.

Wenn ein Projekt diese Tests besteht, tendiert es dazu, sowohl taktische Siege als auch strategische Verbindungen zu schaffen. Bei Motus ist das, wie wir Schritte zur Verbesserung geliefert haben, einschließlich wesentlich schnellerer Berichterstattung im großen Maßstab, weniger Ausnahmen und Automatisierung, die sich in echte Zeitersparnisse für Kunden übersetzt.

Vertrauen und Erklärbarkeit sind entscheidend für die Unternehmensadoption von AI. Wie stellt Ihr Team sicher, dass Modelle für Stakeholder über verschiedene Geschäftsbereiche hinweg interpretierbar und vertrauenswürdig sind?

Vertrauen kommt von Klarheit, Konsistenz und einem System, das sich selbst unter Druck erklären kann.

Wir entwerfen Systeme mit einer Wiedergabetaste. Gleiche Eingaben, gleiche Version, gleiche Ausgabe, plus ein Beweisrekord dessen, was sich im Laufe der Zeit geändert hat. Wir machen auch Residuen sichtbar. Jeder Fehlschlag ist Information. Wenn Sie Fehler richtig instrumentieren, können Sie Verhalten in einfacher Sprache erklären und es in disziplinierter Weise verbessern.

Wenn eine Entscheidung Prüfbarkeit ausgesetzt ist, neigen wir zu einfacheren Modellen plus starker Messung gegenüber undurchsichtiger Komplexität. Praktisch bedeutet das klare Datendefinitionen, Bewertung, die Leistung in bedeutungsvollen Segmenten schneidet, Überwachung auf Drift und einen dokumentierten Änderungsprozess. Stakeholder benötigen nicht jeden technischen Detail. Sie benötigen Vertrauen, dass das System gemessen, begrenzt und verbessert wird.

In Unternehmensumgebungen ist Erklärbarkeit keine philosophische Vorliebe. Es ist eine Anforderung für die Adoption, und es zählt, wenn Kunden zukünftige Prüfungen bestehen müssen.

Von HIPAA-konformen Datenpipelines bis hin zu IRS-konformen Berichten betont Motus sichere, skalierbare AI. Welche Best Practices würden Sie anderen AI-Führern in regulierten Branchen empfehlen?

Einige Grundsätze, die gut funktionieren:

• Behandeln Sie Compliance wie die Autobahn. Bauen Sie befestigte Straßen, damit Teams schnell und sicher fahren können.
• Definieren Sie Grenzen früh. Seien Sie ausdrücklich darüber, welche Daten nicht verlassen dürfen, welche Tools genehmigt sind und wo Modelle laufen dürfen.
• Automatisieren Sie Beweise. Machen Sie Protokollierung, Herkunft und Versionierung zu Standards, nicht zu einem Kampf während einer Prüfung.
• Messen Sie, bevor Sie skalieren. Gut gemessen ist halb getan. Sie können nicht verbessern, was Sie nicht sehen können.
• Operationalisieren Sie Residuen. Verwandeln Sie Fehlschläge in eine Fehler-Taxonomie und eine priorisierte Verbesserungsliste.
• Entwerfen Sie für die Adoption. Gute Modelle sind Teil Statistik, Teil Partnerschaft und größtenteils Change-Management.

Wenn Ihre Governance in einem PDF lebt, wird sie nicht skaliert. Wenn sie im System lebt, wird sie.

Wie sehen Sie die Entwicklung von AI in diesem Bereich über die nächsten 3-5 Jahre?

Ich erwarte zwei große Veränderungen, und sie verstärken sich gegenseitig.

Erstens wird das Risiko von punktuellen Prüfungen zu kontinuierlichen, entscheidungsrelevanten Signalen wechseln. Heute lernen die meisten Organisationen noch zu spät von Fahrerrisiken, entweder nach einem Vorfall oder nach einer punktuellen Überprüfung. Die nächste Welle sind Systeme, die Risiken früher und genauer erkennen, indem sie Muster nutzen, die bereits in den Betrieben vorhanden sind: Änderungen in der Eignung, Deckungslücken, ungewöhnliche Kilometermuster und Inkonsistenzen zwischen erwartetem und beobachtetem Verhalten. Das Ziel ist nicht, das Urteilsvermögen zu ersetzen. Es ist, Sicherheit, HR, Finanzen und Betrieb eine klarere Frühwarnanzeige zu geben, mit weniger Falschalarmen und besserer Dokumentation für die Begründung, warum etwas markiert wurde.

Zweitens wird die Entschädigung von Papierkram zu Workflow wechseln. Unternehmen verlieren immer noch viel Zeit mit Einreichungen, Korrekturen, Genehmigungen und nachträglicher Bereinigung. In den nächsten Jahren erwarte ich mehr Automatisierung über den gesamten Entschädigungslebenszyklus: Vorabfüllung dessen, was vorabgefüllt werden kann, Erkennung fehlender oder inkonsistenter Eingaben, Weiterleitung von Ausnahmen an den richtigen Genehmiger mit Kontext und Reduzierung manueller Rückkopplung. Wenn dies gut gemacht wird, macht es die Entschädigung schneller und verteidigbarer, weil der Beweisrekord während des Prozesses und nicht nachträglich erstellt wird.

Was dies spannend macht, ist, wie sie konvergieren, wenn die Grundlage richtig ist. Wenn Grenzen klar sind und Residuen sichtbar sind, erhalten Sie eine Verstärkungsschleife: weniger Ausnahmen, saubere Einreichungen, schnellere Genehmigungen, bessere Risikosignale und ein klarerer Rekord darüber, wie Entscheidungen getroffen wurden.

Die Zukunft ist nicht “AI überall”. Es ist AI, die in den richtigen Momenten eingebettet ist, mit starken Messungen und Rückkopplungsschleifen, die kontinuierlich verbessern.

Basierend auf Ihrer Reise durch Recht, Neurowissenschaft, Statistik und angewandte AI, was würden Sie jungen Fachleuten raten, die in komplexen Geschäftsumgebungen Daten und AI leiten möchten?

Lernen Sie, Systeme zu bauen, nicht nur Modelle. Oder anders ausgedrückt: Bauen Sie die Autobahn, instrumentieren Sie die Fehlschläge und halten Sie die Karte auf dem neuesten Stand.

Kommen Sie den Menschen nahe, die das Ergebnis erleben. Frontline-Operatoren sehen oft Signale, bevor Ihre Daten es tun. Ihr Feedback ist nicht “anekdotisch”. Es ist oft die fehlende Funktion.

Entwickeln Sie ein Gefühl für Messung und Bescheidenheit bei Fehlern. Residuen sind Geschenke, wenn Sie bereit sind zuzuhören. In regulierten Umgebungen fügen Sie die Disziplin der Beweislast hinzu: Seien Sie in der Lage, zu erklären, was Sie gebaut haben, warum es sich so verhalten hat und was Sie tun werden, wenn es sich ändert.

Schließlich denken Sie daran, dass die Adoption Teil der Arbeit ist. Change-Management ist kein weicher Zusatz. Es ist eine Kernanforderung, wenn Sie wollen, dass Ihre AI verwendet wird. Das bedeutet, dass es nicht genug ist, stark in Daten, Modellen und Algorithmen zu sein. Sie müssen gut über Geschäftsbereiche hinweg arbeiten, Vertrauen aufbauen und den menschlichen Weg finden, der ein gutes Modell in eine echte Fähigkeit verwandelt. Wenn Sie das tun können, werden Sie nicht nur Modelle bauen, sondern Vertrauen aufbauen.

Vielen Dank für das großartige Interview. Leser, die mehr erfahren möchten, sollten Motus besuchen.