Pablo Ormachea, VP de données chez Motus – Série d’entretiens

Pablo Ormachea, VP de données chez Motus, construit des systèmes d’intelligence artificielle et d’analyse conçus pour évoluer rapidement tout en résistant aux examens réglementaires et financiers. Il dirige des équipes entièrement à distance, multifonctionnelles, et se concentre sur des systèmes de prise de décision fondés sur des preuves qui améliorent la rétention, élargissent les marges et offrent un retour sur investissement mesurable. Chez Motus, il a réaménagé l’analyse pour plus de 350 000 conducteurs, atteignant ainsi une vitesse de rapport 60 fois plus rapide avec zéro temps d’arrêt, et a livré des systèmes d’IA/ML, notamment la détection d’anomalies et la prévision de l’abandon, qui ont permis aux clients d’économiser des millions.

Motus est une société de logiciels de gestion de la main-d’œuvre et de mobilité qui aide les organisations à gérer les remboursements de véhicules, le suivi des kilomètres et les opérations de la main-d’œuvre mobile. Sa plate-forme cloud automatise les programmes de remboursement avantageux en matière d’impôts, offre des rapports et des informations en temps réel, et aide les entreprises à réduire les coûts, améliorer la productivité et gérer la conformité pour les employés qui conduisent dans le cadre de leur travail.

Vous avez construit une carrière unique à l’intersection de l’ingénierie de l’IA, de la stratégie de données et de la réglementation — de la faculté de droit de Harvard à la direction des données et de l’IA chez Motus. Quelles expériences clés ont façonné votre approche de la construction de systèmes d’IA qui sont à la fois techniquement avancés et conformes aux cadres réglementaires stricts ?

J’ai appris tôt à traiter la conformité comme une contrainte d’ingénierie, et non comme une considération juridique secondaire. Si vous construisez l’autoroute, vous pouvez rouler à des vitesses autorisées sur l’autoroute. Si vous prétendez que c’est une route de terre et que vous accélérez quand même, vous n’allez pas plus vite. Vous vous écrasez simplement plus tôt.

La faculté de droit de Harvard m’a aidé de manière surprenante, car le système de common law est fondamentalement un apprentissage basé sur les résidus. Une règle rencontre la réalité. Les cas limites révèlent où elle échoue. La doctrine affine.

C’est le même modèle mental que j’utilise pour l’IA en production. Chaque résidu est un cadeau. Il vous indique où vos hypothèses divergent du monde réel, et il vous donne un chemin concret pour resserrer le système.

Je m’efforce donc d’optimiser deux choses à la fois : la vitesse de livraison et la charge de la preuve. L’objectif n’est pas « l’innovation contre la conformité ». L’objectif est de construire des systèmes qui peuvent évoluer rapidement et répondre clairement et de manière répétitive à la question « Comment le savez-vous ? »

Vous avez co-écrit la politique de gouvernance de l’IA de Motus qui a rationalisé les approbations tout en maintenant des contrôles solides. Quels principes vous ont guidé lors de la conception de cette politique, et comment équilibrez-vous la vitesse d’innovation avec la préparation à l’audit ?

Nous n’avons pas cherché à écrire des règles. Nous avons dressé une carte. Lorsque l’adoption de l’IA commence, l’intérêt vient de toutes les directions, et la vitesse peut se transformer en bruit, ou pire, en passif. Le premier travail consiste donc à clarifier : où les LLM peuvent fonctionner et où ils ne le peuvent pas, quels données restent strictement à l’intérieur, et quels types d’expériences sont autorisés dans un couloir sécurisé.

L’équilibre provient du fait de rendre le chemin sécurisé le plus facile. La gouvernance échoue lorsqu’elle est un comité. Elle fonctionne lorsqu’elle devient des valeurs par défaut : outils approuvés, limites de données claires, journalisation standard et voie d’approbation rapide pour les cas limites. L’objectif est que les concepteurs n’aient pas besoin de renégocier la sécurité chaque fois qu’ils livrent.

Ensuite, la préparation à l’audit devient un sous-produit. Vous n’êtes pas en train de rassembler des preuves après coup, car le système génère les preuves pendant son fonctionnement.

Vous avez déclaré que les pratiques d’IA devraient répondre à un « niveau d’examen de l’IRS ». Pouvez-vous partager un exemple où les considérations réglementaires ont directement influencé une décision technique d’IA ou de ML chez Motus ?

Dans les flux de travail réglementés, la question n’est pas seulement « le modèle est-il précis ? » Mais « pouvez-vous montrer votre travail plus tard ? » Cette réalité façonne ce que « bien » signifie chez Motus.

Cela modifie les choix de conception. Pour certains cas d’utilisation, nous privilégions les approches explicables, reproductibles et faciles à auditer. Parfois, cela signifie des familles de modèles plus simples. Souvent, cela signifie des garde-fous déterministes, des fonctionnalités versionnées et une journalisation des entrées et des sorties d’une manière qui prend en charge une véritable reproduction.

Un exemple concret : lorsque nous avons mis à jour certaines parties de notre logique de remboursement et de rapport, nous avons insisté sur la traçabilité aux points de décision clés. Nous voulions que le système puisse répondre, sur demande, à quelle règle s’est appliquée, quels données ont été utilisées, quelle version était en cours d’exécution et ce qui changerait le résultat. Cela a rendu les composants d’IA plus utilisables, et cela a rendu l’ensemble du flux de travail plus facile à défendre.

Le rendement est cumulatif. Lorsque vous pouvez reproduire le comportement et analyser les erreurs, les résidus cessent d’être mystérieux. Ils deviennent une liste de tâches à accomplir : ce qui a échoué, où, pourquoi et quel changement ferme l’écart.

Motus exploite des solutions de remboursement de véhicule et d’atténuation des risques qui doivent satisfaire les exigences de l’IRS et d’autres réglementations. Comment l’IA améliore-t-elle la conformité et l’exactitude dans ces cas d’utilisation d’entreprise ?

L’IA aide de deux manières : elle réduit la friction manuelle et renforce la défensibilité.

En ce qui concerne le remboursement, la valeur ne réside pas seulement dans l’automatisation, mais également dans la cohérence. L’IA peut aider à classer les voyages, détecter les anomalies et mettre en évidence les informations manquantes plus tôt, ce qui réduit la réconciliation en aval. Personne ne veut que le remboursement devienne un projet d’archéologie mensuel. Le bénéfice de la conformité provient d’une meilleure mesure et d’une meilleure documentation. Vous soutenez les résultats avec un dossier clair plutôt que de vous fier à une reconstruction a posteriori.

En termes de risque, l’IA est utile car les vérifications ponctuelles ne suffisent pas. Les entreprises veulent une prise de conscience continue de ce qui a changé, de ce qui semble anormal et de ce qui nécessite une attention. Les meilleurs systèmes d’IA ici ne sont pas dramatiques. Ils sont calmes, constants et mesurables.

Diriger des équipes à distance, multifonctionnelles, qui collaborent avec les services juridiques, de sécurité, de finance et de produit n’est pas une mince affaire. Quels sont les plus grands défis que vous avez rencontrés pour aligner ces groupes sur les initiatives de données et d’IA ?

La partie la plus difficile est que chaque groupe est rationnel et qu’il optimise pour différents risques.

La sécurité s’inquiète de l’exposition. Le service juridique s’inquiète de la défensibilité. La finance s’inquiète du coût et de la prévisibilité. Le produit s’inquiète de la vitesse et de la valeur pour le client. Les données et l’ingénierie s’inquiètent de la faisabilité et de la fiabilité. Si vous traitez ces agendas comme des concurrents, vous stagnez.

La solution consiste à utiliser un langage partagé et des voies claires. Nous alignons sur la décision en jeu, définissons les limites et convenons de ce que « bien » exige comme preuves. Ensuite, nous établissons des valeurs par défaut afin que la plupart des travaux puissent se dérouler sans cérémonie.

J’ai constaté que la clarté bat la persuasion. Lorsque les gens peuvent voir la carte, l’alignement devient beaucoup plus facile.

Vous avez conduit des améliorations de performances majeures — comme un rapport 60 fois plus rapide pour plus de 350 000 conducteurs et des millions d’économies pour les clients. Comment déterminez-vous quels projets d’IA/ML à prioriser pour l’impact tactique et la valeur stratégique ?

Je donne la priorité aux projets qui passent trois tests.

Premièrement, ils doivent modifier une décision ou un flux de travail réel, et non produire simplement un score ingénieux. Si la sortie ne change pas de manière fiable le comportement, c’est une démo, et non un produit.

Deuxièmement, ils doivent être mesurables. Mes grands-parents disaient « bien mesuré est à moitié fait ». Dans les environnements réglementés, c’est plus que la moitié. Si nous ne pouvons pas définir le succès, les modes d’erreur et la surveillance à l’avance, cela signifie que nous ne comprenons pas encore le travail.

Troisièmement, ils doivent être défendables sous examen. Cela inclut la provenance des données, les limites d’accès et la capacité d’expliquer et de reproduire les résultats.

Lorsqu’un projet passe ces tests, il tend à créer à la fois des victoires tactiques et des gains stratégiques. Chez Motus, c’est ainsi que nous avons livré des améliorations significatives, notamment une rapidité de rapport matériellement plus élevée à grande échelle, moins d’exceptions et une automatisation qui se traduit par des économies de temps réelles pour les clients.

La confiance et l’explicabilité sont essentielles pour l’adoption de l’IA dans l’entreprise. Comment votre équipe garantit-elle que les modèles sont interprétables et fiables pour les parties prenantes à travers les unités commerciales ?

La confiance provient de la clarté, de la cohérence et d’un système capable de s’expliquer sous pression.

Nous concevons des systèmes avec un bouton de lecture. Mêmes entrées, même version, même sortie, plus une trace de preuves de ce qui a changé au fil du temps. Nous rendons également les résidus visibles. Chaque erreur est une information. Si vous instrumentez correctement les erreurs, vous pouvez expliquer le comportement en langage clair et l’améliorer de manière disciplinée.

Lorsqu’une décision a une exposition à l’audit, nous privilégions des modèles plus simples avec une solide mesure par rapport à une complexité opaque. En pratique, cela signifie des définitions de données claires, une évaluation qui découpe les performances par segments significatifs, une surveillance des dérives et un processus de modification documenté. Les parties prenantes n’ont pas besoin de chaque détail technique. Ils ont besoin de la confiance que le système est mesuré, limité et amélioré.

Dans les environnements d’entreprise, l’explicabilité n’est pas une préférence philosophique. C’est une exigence pour l’adoption, et cela compte lorsqu’il faut résister à des audits futurs.

De pipelines de données de niveau HIPAA à des rapports conformes à l’IRS, Motus met l’accent sur l’IA sécurisée et évolutive. Quelles bonnes pratiques recommanderiez-vous à d’autres dirigeants d’IA travaillant dans des industries réglementées ?

Quelques principes qui voyagent bien :

• Traitez la conformité comme l’autoroute. Construisez des routes goudronnées pour que les équipes puissent se déplacer rapidement en toute sécurité.
• Définissez les limites tôt. Soyez explicite sur les données qui ne peuvent pas sortir, les outils approuvés et où les modèles peuvent fonctionner.
• Automatisez les preuves. Faites de la journalisation, de la lignée et de la versionnage des valeurs par défaut, et non une ruée pendant un audit.
• Mesurez avant de mettre à l’échelle. Bien mesuré est à moitié fait. Vous ne pouvez pas améliorer ce que vous ne pouvez pas voir.
• Opérationnalisez les résidus. Transformez les erreurs en une taxonomie d’erreurs et en une liste de tâches à accomplir.
• Concevez pour l’adoption. Les grands modèles sont partiellement statistiques, partiellement partenariat et largement gestion du changement.

Si votre gouvernance vit dans un PDF, elle ne sera pas évolutive. Si elle vit dans le système, elle le sera.

Avec Motus à la pointe des solutions de remboursement de véhicule et d’atténuation des risques, comment voyez-vous l’IA évoluer dans cet espace au cours des 3 à 5 prochaines années ?

Je m’attends à deux grands changements, et ils se renforcent mutuellement.

Premièrement, le risque passera des vérifications ponctuelles à des signaux de décision continus. Aujourd’hui, la plupart des organisations apprennent encore trop tard sur les risques des conducteurs, soit après un incident, soit après un examen ponctuel. La prochaine vague sera des systèmes qui mettent en évidence les risques plus tôt et plus précisément, en utilisant des modèles déjà présents dans les opérations : changements d’éligibilité, lacunes de couverture, modèles de kilométrage inhabituels et incohérences entre le comportement attendu et observé. L’objectif n’est pas de remplacer le jugement. C’est de donner aux services de sécurité, des RH, de la finance et des opérations un tableau d’alerte précoce plus clair, avec moins de fausses alarmes et de meilleure documentation pour expliquer pourquoi quelque chose a été signalé.

Deuxièmement, le remboursement passera du papier au flux de travail. Les entreprises perdent encore beaucoup de temps avec les soumissions, les corrections, les approbations et le nettoyage a posteriori. Au cours des prochaines années, j’attends une automatisation accrue dans tout le cycle de vie du remboursement : préremplir ce qui peut l’être, détecter les entrées manquantes ou incohérentes plus tôt, acheminer les exceptions vers l’approbateur approprié avec contexte et réduire les aller-retour manuels. Fait correctement, cela rend le remboursement plus rapide et plus défendable, car la trace des preuves est générée dans le processus et non reconstruite plus tard.

Ce qui rend cela excitant, c’est la manière dont ils convergent lorsque les fondations sont solides. Lorsque les limites sont claires et que les résidus sont visibles, vous obtenez une boucle de rétroaction : moins d’exceptions, de soumissions plus propres, des approbations plus rapides, de meilleurs signaux de risque et un dossier plus clair sur la manière dont les décisions ont été prises.

Le futur n’est pas « l’IA partout ». C’est l’IA intégrée aux moments appropriés, avec de solides mesures et des boucles de rétroaction qui continuent d’améliorer.

Sur la base de votre parcours à travers le droit, les neurosciences, les statistiques et l’IA appliquée, quels conseils donneriez-vous aux jeunes professionnels qui aspirent à diriger les données et l’IA dans des environnements d’entreprise complexes ?

Apprenez à construire des systèmes, et non seulement des modèles. Ou, pour le dire autrement, construisez l’autoroute, instrumentez les erreurs et gardez la carte à jour.

Rapprochez-vous des personnes qui vivent le résultat. Les opérateurs de première ligne voient souvent les signaux avant que vos données ne le fassent. Leurs commentaires ne sont pas « anecdotiques ». Ils sont souvent l’ensemble de fonctionnalités manquantes.

Développez une certaine aisance avec la mesure et l’humilité face à l’erreur. Les résidus sont des cadeaux si vous êtes prêt à écouter. Dans les environnements réglementés, ajoutez la discipline de la charge de la preuve : soyez capable d’expliquer ce que vous avez construit, pourquoi il s’est comporté de telle manière et ce que vous ferez lorsqu’il changera.

Enfin, rappelez-vous que l’adoption fait partie du travail. La gestion du changement n’est pas un ajout doux. C’est une exigence de base si vous voulez que votre IA soit utilisée. Cela signifie qu’il ne suffit pas d’être solide sur les données, les modèles et les algorithmes. Vous devez travailler bien à travers les unités commerciales, gagner la confiance et naviguer dans le chemin humain qui transforme un bon modèle en une véritable capacité. Si vous pouvez le faire, vous ne construirez pas seulement des modèles, vous construirez la confiance.

Merci pour cette grande interview, les lecteurs qui souhaitent en savoir plus peuvent visiter Motus.