Pablo Ormachea, VP of Data bij Motus – Interview Serie

Pablo Ormachea, VP of Data bij Motus, bouwt enterprise AI- en analyticsystemen die snel kunnen werken en tegelijkertijd aan regelgevende en financiële controle kunnen voldoen. Hij leidt volledig remote, cross-functionele teams en richt zich op evidence-driven beslissingsystemen die de retentie verbeteren, de marges uitbreiden en meetbare ROI opleveren. Bij Motus heeft hij de analytics voor meer dan 350.000 chauffeurs opnieuw ontworpen, waardoor het rapporteren 60 keer sneller is geworden zonder time-outs, en heeft hij AI/ML-systemen geïmplementeerd, waaronder anomaliedetectie en churn-voorspelling, die klanten miljoenen hebben bespaard. Hij heeft ook de AI-governance-framework van Motus mede geschreven, waardoor het mogelijk is om veilig te experimenteren met LLM’s met duidelijke standaarden, sterke auditability en consistentie in de gehele datastack.

Motus is een werkforce-management- en mobiliteitssoftwarebedrijf dat organisaties helpt bij het beheer van voertuigvergoedingen, mijlentelling en mobiele workforce-operaties. Het cloudplatform automatiseert belastingvoordelige vergoedingsprogramma’s, levert real-time rapporten en inzichten, en helpt ondernemingen om kosten te verlagen, productiviteit te verbeteren en compliance te beheren voor werknemers die als onderdeel van hun werk rijden.

U hebt een unieke carrière opgebouwd op het snijvlak van AI-engineering, datastrategie en regelgeving — van Harvard Law tot het leiden van data en AI bij Motus. Welke sleutelervaringen hebben uw aanpak beïnvloed bij het bouwen van AI-systemen die zowel technisch geavanceerd als compliant zijn met strikte regelgevingskaders?

Ik heb vroeg geleerd om compliance te behandelen als een technische beperking, niet als een juridische bijzaak. Als je een snelweg bouwt, kun je op snelwegsnelheden rijden. Als je doet alsof het een onverharde weg is en toch gas geeft, ga je niet sneller. Je crasht alleen maar eerder.

Harvard Law heeft op een verrassende manier geholpen, omdat het common law-systeem in wezen een leerproces is dat wordt gedreven door resten. Een regel ontmoet de realiteit. Randgevallen laten zien waar het faalt. Doctrine verfijnt.

Dat is hetzelfde mentale model dat ik gebruik voor AI in productie. Elke rest is een geschenk. Het vertelt je waar je aannamen afwijken van de echte wereld en geeft je een concreet pad om het systeem te verfijnen.

Ik optimaliseer dus voor twee dingen tegelijk: de snelheid van levering en de bewijslast. Het doel is niet “innovatie versus compliance”. Het doel is het bouwen van systemen die snel kunnen werken en tegelijkertijd duidelijk en herhaalbaar kunnen antwoorden: “Hoe weet je dat?”

U hebt de AI-governancebeleid van Motus mede geschreven, die goedkeuringen heeft gestroomlijnd terwijl sterke controles zijn gehandhaafd. Welke principes hebben u geleid bij het ontwerpen van dat beleid, en hoe balanceert u innovatiesnelheid met auditklaarheid?

We hebben geen regels willen schrijven. We hebben een kaart getekend. Wanneer AI-adoptie begint, komt interesse van alle kanten, en kan snelheid overgaan in ruis, of erger, aansprakelijkheid. Dus de eerste taak is duidelijkheid: waar LLM’s kunnen draaien en waar ze niet kunnen, welke gegevens strikt binnenblijven en welke soorten experimenten zijn toegestaan in een veilige baan.

De balans komt voort uit het maken van de veilige route de makkelijke route. Governance faalt wanneer het een comité is. Het werkt wanneer het defaults worden: goedgekeurde tools, duidelijke gegevensgrenzen, standaardlogging en een snelle goedkeuringsroute voor randgevallen. Het doel is dat bouwers niet elke keer opnieuw veiligheid hoeven te onderhandelen wanneer ze iets leveren.

Dan wordt auditklaarheid een bijproduct. Je hoeft niet te worstelen om bewijs te verzamelen nadat het feit al heeft plaatsgevonden, omdat het systeem het bewijs genereert terwijl het draait.

U hebt gezegd dat AI-praktijken moeten voldoen aan “zelfs IRS-niveau-toetsing”. Kunt u een voorbeeld geven waarin regelgevingsoverwegingen rechtstreeks een technische AI- of ML-beslissing bij Motus hebben beïnvloed?

In gereguleerde workflows is de vraag niet alleen “is het model nauwkeurig?” maar “kun je je werk later laten zien?” Die realiteit vormt wat “goed” betekent bij Motus.

Het verandert ontwerpkeuzes. Voor bepaalde use cases geven we de voorkeur aan benaderingen die verklarend, afspeelbaar en gemakkelijk te controleren zijn. Soms betekent dit eenvoudigere modelgezinnen. Vaak betekent dit deterministische bewakingslijnen, versiegegevens en logging van invoer en uitvoer op een manier die ondersteuning biedt voor echte replay.

Een concreet voorbeeld: toen we delen van onze vergoedingslogica en rapportage bijwerkten, hebben we hard gewerkt aan traceerbaarheid op belangrijke beslissingspunten. We wilden dat het systeem kon antwoorden, op aanvraag, welke regel werd geactiveerd, welke gegevens werden gebruikt, welke versie werd uitgevoerd en wat zou veranderen als het resultaat zou veranderen. Het maakte de AI-onderdelen meer bruikbaar en maakte de hele workflow gemakkelijker te verdedigen.

De opbrengst is cumulatief. Wanneer je gedrag kunt afspelen en fouten kunt slicen, stoppen resten met mysterieus zijn. Ze worden een geprioriteerde verbeteringsbacklog: wat faalde, waar, waarom en wat verandering sluit de kloof.

Motus biedt oplossingen voor voertuigvergoeding en risicobeheer die moeten voldoen aan IRS- en andere regelgevingsvereisten. Hoe verbetert AI de compliance en nauwkeurigheid in deze enterprise-use cases?

AI helpt op twee manieren: het vermindert handmatige wrijving en versterkt defensibiliteit.

Bij vergoeding is de waarde niet alleen automatisering, maar ook consistentie. AI kan helpen bij het classificeren van ritten, het detecteren van anomalieën en het naar boven brengen van ontbrekende informatie eerder, waardoor downstream-reconciliatie wordt verminderd. Niemand wil dat vergoeding een maandelijkse archeologisch project wordt. Het compliance-voordeel komt voort uit betere meting en betere documentatie. Je ondersteunt resultaten met een duidelijk bewijs, in plaats van te vertrouwen op reconstructie achteraf.

Bij risico is AI nuttig omdat punt-in-tijd-controles niet voldoende zijn. Ondernemingen willen continue bewustzijn van wat verandert, wat eruit ziet als afwijkend en wat aandacht nodig heeft. De beste AI-systemen hier zijn niet dramatisch. Ze zijn stil, consistent en meetbaar.

Leiden van remote, cross-functionele teams die samenwerken met Juridisch, Beveiliging, Financiën en Product is geen kleine prestatie. Wat zijn de grootste uitdagingen die u hebt ondervonden bij het aligneren van deze groepen rond data- en AI-initiatieven?

Het moeilijkste deel is dat elke groep rationeel is en optimaliseert voor verschillende risico’s.

Beveiliging maakt zich zorgen over blootstelling. Juridisch maakt zich zorgen over defensibiliteit. Financiën maakt zich zorgen over kosten en voorspelbaarheid. Product maakt zich zorgen over snelheid en klantwaarde. Data en engineering maken zich zorgen over haalbaarheid en betrouwbaarheid. Als je deze als concurrerende agenda’s behandelt, kom je stil te staan.

De oplossing is gedeelde taal en duidelijke banen. We aligneren op de beslissing die op het spel staat, definiëren de grenzen en komen overeen over wat bewijs “goed” vereist. Dan bouwen we defaults zodat de meeste werkzaamheden zonder ceremonieel kunnen plaatsvinden.

Ik heb ontdekt dat duidelijkheid overtuiging overwint. Wanneer mensen de kaart kunnen zien, wordt aligneren veel gemakkelijker.

U hebt grote prestatieverbeteringen behaald — zoals 60 keer sneller rapporteren voor 350.000+ chauffeurs en miljoenen in klantbesparingen. Hoe beslist u welke AI/ML-projecten prioriteit te geven voor zowel tactische impact als strategische waarde?

Ik prioriteer projecten die drie tests doorstaan.

Ten eerste moeten ze een echte beslissing of workflow veranderen, niet alleen een slimme score produceren. Als de output niet betrouwbaar gedrag verandert, is het een demo, geen product.

Ten tweede moeten ze meetbaar zijn. Mijn grootouders zeiden altijd “goed gemeten is half gedaan”. In gereguleerde omgevingen is het meer dan half. Als we succes, foutmodi en monitoring niet van tevoren kunnen definiëren, betekent het dat we het werk nog niet begrijpen.

Ten derde moeten ze verdedigbaar zijn onder toezicht. Dat omvat gegevensherkomst, toegangsgrenzen en de mogelijkheid om resultaten te verklaren en af te spelen.

Wanneer een project deze tests doorstaat, heeft het de neiging om zowel tactische overwinningen als strategische accumulatie te creëren. Bij Motus is dat hoe we stapsgewijze verbeteringen hebben geleverd, waaronder een aanzienlijke versnelling van rapportage op grote schaal, minder uitzonderingen en automatisering die zich vertaalt in echte klanttijdbesparingen.

Vertrouwen en verklarende waarde zijn cruciaal voor enterprise AI-adoptie. Hoe zorgt uw team ervoor dat modellen interpreteerbaar en betrouwbaar zijn voor stakeholders over bedrijfseenheden?

Vertrouwen komt voort uit duidelijkheid, consistentie en een systeem dat zichzelf kan verklaren onder druk.

We ontwerpen systemen met een replay-knop. Dezelfde invoer, dezelfde versie, dezelfde uitvoer, plus een bewijsstrook van wat verandert over tijd. We maken resten ook zichtbaar. Elke misser is informatie. Als je fouten op de juiste manier instrumenteert, kun je gedrag verklaren in gewoon taalgebruik en verbeteren op een gedisciplineerde manier.

Wanneer een beslissing audit-exposure heeft, geven we de voorkeur aan eenvoudigere modellen met sterke meting boven complexe ondoorzichtigheid. In de praktijk betekent dit duidelijke gegevensdefinities, evaluatie die prestaties snijdt naar betekenisvolle segmenten, monitoring voor drift en een gedocumenteerd wijzigingsproces. Stakeholders hebben niet elke technische detail nodig. Ze hebben vertrouwen nodig dat het systeem is gemeten, begrensd en verbeterd.

In enterprise-omgevingen is verklarende waarde geen filosofische voorkeur. Het is een vereiste voor adoptie, en het telt wanneer klanten toekomstige audits moeten doorstaan.

Van HIPAA-gegradeerde datapipelines tot IRS-compliant rapportage, Motus benadrukt veilige, schaalbare AI. Welke best practices zou u aanbevelen aan andere AI-leiders die werken in gereguleerde industrieën?

Een paar principes die goed reizen:

• Behandel compliance als de snelweg. Bouw verharde wegen zodat teams snel en veilig kunnen werken.
• Definieer grenzen vroeg. Wees expliciet over welke gegevens niet kunnen vertrekken, welke tools zijn goedgekeurd en waar modellen kunnen draaien.
• Automatiseer bewijs. Maak logging, lineage en versioning defaults, niet een worsteling tijdens een audit.
• Meet voordat u schaalt. Goed gemeten is half gedaan. U kunt niet verbeteren wat u niet kunt zien.
• Operationeel resten. Verander misses in een fouttaxonomie en een geprioriteerde verbeteringsbacklog.
• Ontwerp voor adoptie. Grote modellen zijn deels statistiek, deels partnership en grotendeels changemanagement.

Als uw governance in een PDF leeft, zal het niet schalen. Als het in het systeem leeft, zal het wel.

Met Motus aan de voorzijde van voertuigvergoeding en risicoplossingen, hoe ziet u AI evolueren in deze ruimte in de komende 3-5 jaar?

Ik verwacht twee grote verschuivingen, en ze versterken elkaar.

Ten eerste zal risico van periodieke controles naar continue, beslissingsgrade signalen gaan. Vandaag leren de meeste organisaties nog te laat over bestuurdersrisico, ofwel na een incident of na een punt-in-tijdbeoordeling. De volgende golf zijn systemen die risico eerder en nauwkeuriger naar boven brengen, met behulp van patronen die al aanwezig zijn in operaties: veranderingen in geschiktheid, dekkingsgaten, ongebruikelijke kilometerpatronen en inconsistenties tussen verwachte en waargenomen gedrag. Het doel is niet om oordeel te vervangen. Het is om veiligheid, HR, financiën en operaties een duidelijker vroegwaarschuwingsscherm te geven, met minder valse alarmen en betere documentatie voor waarom iets werd gemarkeerd.

Ten tweede zal vergoeding van papierwerk naar workflow gaan. Ondernemingen verliezen nog steeds een verrassend grote hoeveelheid tijd aan indiening, correctie, goedkeuring en nasleep. In de komende jaren verwacht ik meer automatisering in de hele vergoedingslevenscyclus: vooraf invullen van wat kan worden vooraf ingevuld, vroeg detecteren van ontbrekende of inconsistentie invoer, routeren van uitzonderingen naar de juiste goedkeurder met context en verminderen van handmatige heen-en-weer-gesprekken. Als dit goed wordt gedaan, maakt het vergoeding sneller en meer verdedigbaar, omdat het bewijsbewijs wordt gegenereerd als onderdeel van het proces in plaats van later te worden gereconstrueerd.

Wat dit spannend maakt, is hoe ze samenkomen wanneer de basis goed is. Wanneer grenzen duidelijk zijn en resten zichtbaar zijn, krijg je een accumulatiespiraal: minder uitzonderingen, schone indieningen, snellere goedkeuringen, betere risicosignalen en een duidelijker record van hoe beslissingen werden genomen.

De toekomst is niet “AI overal”. Het is AI ingebed op de juiste momenten, met sterke meting en feedbackloops die continue verbeteren.

Op basis van uw reis door recht, neurowetenschap, statistiek en toegepaste AI, welk advies zou u geven aan jonge professionals die aspireren om data en AI te leiden in complexe bedrijfsomgevingen?

Leer systemen te bouwen, niet alleen modellen. Of anders gezegd, bouw de snelweg, instrumenteer de misses en houd de kaart bij.

Kom dicht bij de mensen die het resultaat meemaken. Frontline-operatoren zien vaak signalen voordat uw data dat doet. Hun feedback is niet “anekdotisch”. Het is vaak de ontbrekende functieset.

Ontwikkel comfort met meting en nederigheid over fouten. Resten zijn geschenken als u bereid bent te luisteren. In gereguleerde omgevingen voegt u de discipline van bewijslast toe: u kunt uitleggen wat u heeft gebouwd, waarom het zich op een bepaalde manier gedroeg en wat u zal doen als het verandert.

Ten slotte onthoud dat adoptie deel uitmaakt van het werk. Changemanagement is geen zachte toevoeging. Het is een kernvereiste als u wilt dat uw AI wordt gebruikt. Dat betekent dat het niet genoeg is om sterk te zijn in data, modellen en algoritmen. U moet goed samenwerken met bedrijfseenheden, vertrouwen verdienen en de menselijke weg navigeren die een goed model in een echte capaciteit verandert. Als u dat kunt doen, bouwt u niet alleen modellen, u bouwt vertrouwen.

Bedankt voor het geweldige interview, lezers die meer willen leren, moeten Motus bezoeken.