Pablo Ormachea, VP di Dati a Motus – Serie di Interviste

Pablo Ormachea, VP di Dati a Motus, costruisce sistemi di intelligenza artificiale e analisi aziendali progettati per muoversi rapidamente pur essendo soggetti a scrutinio regolatorio e finanziario. Lui guida team completamente remoti e multifunzionali e si concentra su sistemi di decisione basati su prove che migliorano la fidelizzazione, espandono i margini e forniscono un ritorno sugli investimenti misurabile. A Motus, lui ha riorganizzato l’analisi per oltre 350.000 conducenti, raggiungendo un reporting 60 volte più veloce senza timeout e ha spedito sistemi di intelligenza artificiale e apprendimento automatico, tra cui rilevamento di anomalie e previsione di abbandono, che hanno risparmiato ai clienti milioni. Lui ha anche co-autore il quadro di governance dell’intelligenza artificiale di Motus, che consente esperimenti di LLM sicuri con impostazioni predefinite chiare, forte tracciabilità e logica aziendale coerente in tutta la pila di dati.

Motus è un’azienda di gestione del lavoro e della mobilità che aiuta le organizzazioni a gestire il rimborso dei veicoli, il tracciamento dei chilometri e le operazioni della forza lavoro mobile. La sua piattaforma cloud automatizza i programmi di rimborso agevolato dall’imposta, fornisce report e informazioni in tempo reale e aiuta le imprese a ridurre i costi, migliorare la produttività e gestire la conformità per i dipendenti che guidano come parte del loro lavoro.

Hai costruito una carriera unica all’incrocio tra l’ingegneria dell’intelligenza artificiale, la strategia dei dati e la regolamentazione — da Harvard Law alla guida dei dati e dell’intelligenza artificiale a Motus. Quali esperienze chiave hanno plasmato il tuo approccio alla costruzione di sistemi di intelligenza artificiale che sono sia tecnicamente avanzati che conformi a rigidi quadri regolamentari?

Ho imparato presto a trattare la conformità come una costrizione di ingegneria, non come un ripensamento legale. Se costruisci l’autostrada, puoi guidare a velocità autostradale. Se fingi che sia una strada sterrata e acceleri comunque, non ti muovi più velocemente. Ti schianti solo prima.

Harvard Law mi ha aiutato in un modo sorprendente perché il sistema del diritto comune è fondamentalmente un apprendimento guidato dai residui. Una regola incontra la realtà. I casi limite espongono dove fallisce. La dottrina raffina.

È lo stesso modello mentale che uso per l’intelligenza artificiale in produzione. Ogni residuo è un dono. Ti dice dove le tue ipotesi divergono dal mondo reale e ti dà un percorso concreto per stringere il sistema.

Quindi, ottimizzo due cose contemporaneamente: la velocità di consegna e l’onere della prova. L’obiettivo non è “innovazione versus conformità”. L’obiettivo è costruire sistemi che possano muoversi rapidamente e ancora rispondere chiaramente e ripetutamente “Come lo sai?”

Hai co-autore la politica di governance dell’intelligenza artificiale di Motus che ha semplificato le approvazioni mantenendo controlli forti. Quali principi ti hanno guidato nella progettazione di quella politica e come bilanci la velocità dell’innovazione con la prontezza per l’audit?

Non abbiamo cercato di scrivere regole. Abbiamo disegnato una mappa. Quando l’adozione dell’intelligenza artificiale inizia, l’interesse proviene da ogni direzione e la velocità può trasformarsi in rumore o, peggio, in responsabilità. Quindi, il primo lavoro è la chiarezza: dove possono eseguirsi i LLM, dove non possono, quali dati rimangono strettamente all’interno e quali tipi di esperimenti sono consentiti in un percorso sicuro.

L’equilibrio deriva dal rendere il percorso sicuro il percorso facile. La governance fallisce quando è un comitato. Funziona quando diventa impostazioni predefinite: strumenti approvati, confini di dati chiari, registrazione standard e un percorso di approvazione rapido per i casi limite. L’obiettivo è che i costruttori non debbano rinegoziare la sicurezza ogni volta che consegnano.

Poi la prontezza per l’audit diventa un sottoprodotto. Non ti affanni a raccogliere prove dopo il fatto perché il sistema genera le prove mentre funziona.

Hai detto che le pratiche di intelligenza artificiale dovrebbero soddisfare “anche lo scrutinio del livello dell’IRS”. Puoi condividere un esempio in cui le considerazioni regolamentari hanno influenzato direttamente una decisione tecnica di intelligenza artificiale o apprendimento automatico a Motus?

Nei flussi di lavoro regolamentati, la domanda non è solo “il modello è accurato?” Ma “puoi mostrare il tuo lavoro dopo?” Quella realtà plasma ciò che “buono” significa a Motus.

Cambia le scelte di progettazione. Per alcuni casi d’uso, ci incliniamo verso approcci che sono spiegabili, riproducibili ed facili da esaminare. A volte significa famiglie di modelli più semplici. Spesso significa paratie di guardia deterministiche, funzionalità versionate e registrazione di input e output in un modo che supporta la riproduzione vera.

Un esempio concreto: quando abbiamo aggiornato parti della nostra logica di rimborso e reporting, abbiamo spinto molto sulla tracciabilità ai punti decisionali chiave. Volevamo che il sistema rispondesse, su richiesta, quale regola si era attivata, quali dati aveva utilizzato, quale versione stava eseguendo e cosa avrebbe cambiato l’esito. Ha reso i componenti di intelligenza artificiale più utilizzabili e ha reso l’intero flusso di lavoro più facile da difendere.

Il guadagno si moltiplica. Quando puoi riprodurre il comportamento e affettare gli errori, i residui smettono di essere misteriosi. Diventano un elenco di miglioramenti prioritari: cosa è fallito, dove, perché e quale modifica chiude la lacuna.

Motus opera soluzioni per il rimborso dei veicoli e la mitigazione del rischio che devono soddisfare i requisiti regolamentari dell’IRS e di altri enti. Come l’intelligenza artificiale migliora la conformità e l’accuratezza in questi casi d’uso aziendali?

L’intelligenza artificiale aiuta in due modi: riduce l’attrito manuale e rafforza la difendibilità.

Per il rimborso, il valore non è solo l’automazione, ma la coerenza. L’intelligenza artificiale può aiutare a classificare i viaggi, rilevare anomalie e portare alla luce informazioni mancanti più presto, il che riduce la riconciliazione a valle. Nessuno vuole che il rimborso diventi un progetto di archeologia mensile. Il beneficio di conformità deriva da una migliore misurazione e da una migliore documentazione. Sostieni gli esiti con un registro chiaro invece di affidarti alla ricostruzione a posteriori.

Per il rischio, l’intelligenza artificiale è utile perché i controlli puntuali non sono sufficienti. Le imprese vogliono una consapevolezza continua di ciò che è cambiato, cosa sembra fuori posto e cosa richiede attenzione. I migliori sistemi di intelligenza artificiale qui non sono drammatici. Sono silenziosi, coerenti e misurabili.

Guidare team remoti e multifunzionali che collaborano con Legale, Sicurezza, Finanza e Prodotto non è un’impresa da poco. Quali sono le sfide più grandi che hai affrontato allineando questi gruppi intorno alle iniziative di dati e intelligenza artificiale?

La parte più difficile è che ogni gruppo è razionale e ottimizza per rischi diversi.

La Sicurezza si preoccupa dell’esposizione. Il Legale si preoccupa della difendibilità. La Finanza si preoccupa del costo e della prevedibilità. Il Prodotto si preoccupa della velocità e del valore per il cliente. I Dati e l’Ingegneria si preoccupano della fattibilità e dell’affidabilità. Se tratti questi come agenda in competizione, ti fermi.

La soluzione è un linguaggio condiviso e corsie chiare. Allineiamo sulla decisione in gioco, definiamo i confini e concordiamo su cosa richiede “buono” come prova. Poi costruiamo impostazioni predefinite in modo che la maggior parte del lavoro possa muoversi senza cerimonia.

Ho trovato che la chiarezza batte la persuasione. Quando le persone possono vedere la mappa, l’allineamento diventa molto più facile.

Hai guidato miglioramenti di prestazioni importanti — come un reporting 60 volte più veloce per oltre 350.000 conducenti e milioni di risparmi per i clienti. Come decidi quali progetti di intelligenza artificiale e apprendimento automatico dare priorità per l’impatto tattico e il valore strategico?

Dò priorità ai progetti che superano tre test.

Primo, devono cambiare una decisione reale o un flusso di lavoro, non solo produrre un punteggio intelligente. Se l’output non cambia affidabilmente il comportamento, è una demo, non un prodotto.

Secondo, devono essere misurabili. I miei nonni dicevano “ben misurato è metà fatto”. In ambienti regolamentati, è più della metà. Se non possiamo definire il successo, i modi di errore e il monitoraggio in anticipo, significa che non capiamo ancora il lavoro.

Terzo, devono essere difendibili sotto scrutinio. Ciò include la provenienza dei dati, i confini di accesso e la capacità di spiegare e riprodurre gli esiti.

Quando un progetto supera quei test, tende a creare sia vittorie tattiche che compounding strategico. A Motus, è così che abbiamo consegnato miglioramenti di prestazioni significativi, tra cui un reporting materialmente più veloce su larga scala, meno eccezioni e automazione che si traduce in risparmi di tempo reali per i clienti.

La fiducia e la spiegabilità sono critiche per l’adozione dell’intelligenza artificiale aziendale. Come il tuo team assicura che i modelli siano interpretabili e affidabili per gli stakeholder attraverso le unità aziendali?

La fiducia deriva dalla chiarezza, dalla coerenza e da un sistema che possa spiegarsi sotto pressione.

Progettiamo sistemi con un pulsante di riproduzione. Stessi input, stessa versione, stesso output, più una traccia di prove di ciò che è cambiato nel tempo. Rendiamo anche i residui visibili. Ogni errore è informazione. Se strumenti gli errori in modo appropriato, puoi spiegare il comportamento in linguaggio chiaro e migliorarlo in modo disciplinato.

Quando una decisione ha un’esposizione di audit, ci incliniamo verso modelli più semplici più forte misurazione sopra complessità opaca. Praticamente, significa definizioni di dati chiare, valutazione che affetta le prestazioni per segmenti significativi, monitoraggio per deriva e processo di modifica documentato. Gli stakeholder non hanno bisogno di ogni dettaglio tecnico. Hanno bisogno della fiducia che il sistema sia misurato, limitato e migliorato.

In ambienti aziendali, la spiegabilità non è una preferenza filosofica. È un requisito per l’adozione e conta quando i clienti devono resistere a future verifiche.

Dal flusso di dati di livello HIPAA al reporting conforme all’IRS, Motus enfatizza l’intelligenza artificiale sicura e scalabile. Quali best practice consiglieresti ad altri leader di intelligenza artificiale che lavorano in settori regolamentati?

Alcuni principi che viaggiano bene:

• Tratta la conformità come l’autostrada. Costruisci strade pavimentate in modo che i team possano muoversi velocemente in sicurezza.
• Definisci i confini presto. Sii esplicito su quali dati non possono uscire, quali strumenti sono approvati e dove i modelli possono eseguirsi.
• Automatizza le prove. Rendi registrazione, linea di discendenza e versioning impostazioni predefinite, non una lotta durante un audit.
• Misura prima di scalare. Ben misurato è metà fatto. Non puoi migliorare ciò che non puoi vedere.
• Operazionalizza i residui. Trasforma gli errori in una tassonomia di errori e in un elenco di miglioramenti prioritari.
• Progetta per l’adozione. Grandi modelli sono parte statistica, parte partnership e in gran parte gestione del cambiamento.

Se la tua governance vive in un PDF, non scalerà. Se vive nel sistema, scalerà.

Con Motus all’avanguardia delle soluzioni di rimborso dei veicoli e gestione del rischio, come vedi l’intelligenza artificiale evolversi in questo spazio nei prossimi 3-5 anni?

Mi aspetto due grandi cambiamenti e si rafforzano a vicenda.

Primo, il rischio si sposterà da controlli periodici a segnali di decisione continua. Oggi, la maggior parte delle organizzazioni ancora apprende del rischio dei conducenti troppo tardi, o dopo un incidente o dopo una revisione a tempo determinato. La prossima ondata sono sistemi che portano alla luce il rischio più presto e più precisamente, utilizzando modelli già presenti nelle operazioni: cambiamenti di idoneità, lacune di copertura, modelli di chilometraggio insoliti e incongruenze tra comportamento atteso e osservato. L’obiettivo non è sostituire il giudizio. È dare ai team di sicurezza, HR, finanza e operazioni un pannello di allarme precoce più chiaro, con meno allarmi falsi e una migliore documentazione per cui qualcosa è stato segnalato.

Secondo, il rimborso si sposterà dal modulo al flusso di lavoro. Le imprese ancora perdono una quantità sorprendente di tempo in presentazioni, correzioni, approvazioni e pulizia postuma. Nei prossimi anni, mi aspetto più automazione in tutto il ciclo di vita del rimborso: pre-compilazione di ciò che può essere pre-compilato, rilevamento di input mancanti o inconsistenti più presto, routing delle eccezioni all’approvatore giusto con contesto e riduzione del lavoro manuale di andata e ritorno. Se fatto bene, questo rende il rimborso più veloce e più difendibile perché la traccia delle prove è generata come parte del processo invece di essere ricostruita in seguito.

Ciò che rende questo emozionante è come si combinano quando la base è giusta. Quando i confini sono chiari e i residui sono visibili, ottieni un ciclo di feedback che si autoalimenta: meno eccezioni, presentazioni più pulite, approvazioni più veloci, segnali di rischio più chiari e un registro più chiaro di come sono state prese le decisioni.

Il futuro non è “intelligenza artificiale ovunque”. È intelligenza artificiale incorporata nei momenti giusti, con forti misurazioni e cicli di feedback che continuano a migliorare.

Basato sul tuo viaggio attraverso il diritto, le neuroscienze, la statistica e l’intelligenza artificiale applicata, quale consiglio daresti ai giovani professionisti che aspirano a guidare i dati e l’intelligenza artificiale in ambienti aziendali complessi?

Impara a costruire sistemi, non solo modelli. O, in altre parole, costruisci l’autostrada, strumenta gli errori e mantieni la mappa aggiornata.

Avvicinati alle persone che vivono l’esito. Gli operatori di prima linea spesso vedono segnali prima che i tuoi dati lo facciano. Il loro feedback non è “anecdotalico”. È spesso l’insieme di funzionalità mancanti.

Sviluppa comfort con la misurazione e umiltà sull’errore. I residui sono doni se sei disposto ad ascoltare. In ambienti regolamentati, aggiungi la disciplina dell’onere della prova: essere in grado di spiegare cosa hai costruito, perché si è comportato in un certo modo e cosa farai quando cambia.

Infine, ricorda che l’adozione fa parte del lavoro. La gestione del cambiamento non è un add-on morbido. È un requisito fondamentale se vuoi che la tua intelligenza artificiale sia utilizzata. Ciò significa che non è sufficiente essere forti sui dati, modelli e algoritmi. Devi lavorare bene attraverso le unità aziendali, guadagnare fiducia e navigare il percorso umano che trasforma un buon modello in una vera capacità. Se puoi farlo, non costruirai solo modelli, costruirai fiducia.

Grazie per la grande intervista, i lettori che desiderano saperne di più possono visitare Motus.