Pablo Ormachea, VP of Data i Motus – Intervju-serie

Pablo Ormachea, VP of Data i Motus, bygger bedrifts AI- og analytics-systemer som er designet for å bevege seg raskt samtidig som de tåler regulatorisk og finansiell gransking. Han leder fullt remote, tverrfaglige team og fokuserer på bevisbaserte beslutningssystemer som forbedrer retensjon, utvider marginer og leverer målbare ROI. I Motus har han ombygget analytics for over 350 000 sjåfører, oppnådd 60 ganger raskere rapportering uten timeout og levert AI/ML-systemer inkludert anomali-deteksjon og churn-forecasting som har spart kunder millioner.

Motus er et arbeidskrafts- og mobilitetsprogramvare-selskap som hjelper organisasjoner å håndtere kjøretøyt-erstatning, kilometer-sporing og mobil arbeidskrafts-operasjoner. Deres sky-plattform automatiserer skattefordelaktige erstatningsprogrammer, leverer sanntids-rapportering og innsikt og hjelper bedrifter å redusere kostnader, forbedre produktivitet og håndtere overholdelse for ansatte som kjører som en del av jobben.

Du har bygget en unik karriere i skjæringspunktet mellom AI-ingeniørarbeid, datastrategi og regulering — fra Harvard Law til å lede data og AI i Motus. Hva var de viktigste erfaringene som har formet din tilnærming til å bygge AI-systemer som er både teknisk avanserte og samstemt med strenge regulatoriske rammer?

Jeg lærte tidlig å behandle overholdelse som en ingeniør- begrensning, ikke en juridisk ettertanke. Hvis du bygger en motorvei, kan du kjøre i motorvei-hastighet. Hvis du later som om det er en grusvei og trykker på likevel, beveger du deg ikke raskere. Du krasjer bare tidligere.

Harvard Law hjalp på en overraskende måte fordi det vanlige lovsystemet i realiteten er et residual-drevet læringssystem. En regel møter virkeligheten. Kanter tilfeller avslører hvor den svikter. Doktrine forbedrer.

Dette er den samme mentale modellen jeg bruker for AI i produksjon. Hver residual er en gave. Den forteller deg hvor dine antakelser avviker fra den virkelige verden, og den gir deg en konkretp vei til å stramme systemet.

Så jeg optimaliserer for to ting samtidig: leveringshastighet og bevisbyrde. Målet er ikke “innovasjon versus overholdelse.” Målet er å bygge systemer som kan bevege seg raskt og likevel svare, tydelig og gjentakelig, “Hvordan vet du?”

Du var medforfatter av Motus’ AI-styringspolitikk som strømlinjeformet godkjenninger samtidig som den opprettholdt sterke kontroller. Hva var de viktigste prinsippene som ledet deg da du designet denne politikken, og hvordan balanserer du innovasjonshastighet med revisjonsklarhet?

Vi satte ikke ut til å skrive regler. Vi tegnet et kart. Når AI-tilpasning starter, kommer interessen fra alle retninger, og hastighet kan bli til støy, eller verre, ansvar. Så det første jobbet er klarhet: hvor LLM-er kan kjøre og hvor de ikke kan, hva data som forblir strengt inne, og hva slags eksperimenter som er tillatt i en trygg fil.

Balansen kommer fra å gjøre den trygge veien den enkle veien. Styring feiler når det er et utvalg. Det fungerer når det blir standarder: godkjente verktøy, tydelige data-grenser, standard logging og en rask godkjenningsspor for kanter. Målet er at byggere ikke trenger å forhandle om sikkerhet hver gang de leverer.

Deretter blir revisjonsklarhet en biprodukt. Du behøver ikke å streve etter å samle inn bevis etter faktum fordi systemet genererer beviset mens det kjører.

Du har sagt at AI-praksis bør møte “selv IRS-nivå-gransking”. Kan du dele et eksempel der regulatoriske overveielser direkte påvirkte en teknisk AI- eller ML-beslutning i Motus?

I regulerte arbeidsflyter er spørsmålet ikke bare “er modellen nøyaktig?” Det er “kan du vise ditt arbeid senere?” Denne virkeligheten former hva “godt” ligner i Motus.

Det endrer designvalg. For visse bruksområder, viavirer mot tilnærminger som er forklarbare, avspillbare og enkle å granske. Noen ganger betyr det enklere modellfamilier. Ofte betyr det deterministiske vegger, versjonerte funksjoner og logging av inndata og utdata på en måte som støtter sanntidsavspilling.

Et konkretp eksempel: da vi oppdaterte deler av vår erstatningslogikk og rapportering, presset vi hardt på sporing på nøkkel-beslutningspunkter. Vi ønsket at systemet skulle svare, på forespørsel, hvilken regel som utløste, hvilke data det brukte, hvilken versjon som kjørte og hva som ville endre utfallet. Det gjorde AI-komponentene mer brukervennlige, og det gjorde hele arbeidsflyten enklere å forsvare.

Utbyttet akkumulerer. Når du kan avspille atferd og skjære feil, blir residualer ikke lenger mystiske. De blir en prioritetert forbedringsliste: hva feilet, hvor, hvorfor og hva endring lukker gapet.

Motus opererer løsninger for kjøretøyerstatning og risikomildring som må tilfredsstille IRS og andre regulatoriske krav. Hvordan forbedrer AI overholdelse og nøyaktighet i disse bedrifts-bruksområdene?

AI hjelper på to måter: det reduserer manuell friksjon, og det styrker forsvarbarhet.

På erstatning er verdien ikke bare automatisering, men konsistens. AI kan hjelpe med å klassifisere turer, detektere anomalier og avdekke manglende informasjon tidligere, noe som reduserer nedstrøms-rekonsiliasjon. Ingen ønsker at erstatning skal bli et månedlig arkeologiprojekt. Overholdelsesfordelen kommer fra bedre måling og bedre dokumentasjon. Du støtter resultater med en tydelig rekord i stedet for å stole på etterfaktisk rekonstruksjon.

På risiko er AI nyttig fordi punkt-i-tid-kontroller ikke er nok. Bedrifter ønsker kontinuerlig bevissthet om hva som har endret seg, hva som ser ut til å være feil og hva som trenger oppmerksomhet. De beste AI-systemene her er ikke dramatiske. De er stille, konsistente og målbare.

Leder du remote, tverrfaglige team som samarbeider med Juridisk, Sikkerhet, Finans og Produkt er ingen liten bedrift. Hva er de største utfordringene du har møtt ved å samordne disse gruppene rundt data- og AI-initiativer?

Det hardeste er at hver gruppe er rasjonell, og de optimaliserer for forskjellige risikoer.

Sikkerhet bekymrer seg om eksponering. Juridisk bekymrer seg om forsvarbarhet. Finans bekymrer seg om kostnad og forutsigbarhet. Produkt bekymrer seg om hastighet og kunde-verdi. Data og ingeniører bekymrer seg om gjennomførbarhet og pålitelighet. Hvis du behandler disse som konkurrerende agendaer, stanser du.

Løsningen er felles språk og tydelige filer. Vi samordner på beslutningen som er på spill, definerer grensene og enes om hva bevis “godt” krever. Deretter bygger vi standarder så most arbeid kan flytte uten seremoni.

Jeg har funnet at klarhet slår overtalelse. Når folk kan se kartet, blir samordning mye enklere.

Du har drevet store ytelsesforbedringer — som 60 ganger raskere rapportering for 350 000+ sjåfører og millioner i kunde-besparelser. Hvordan bestemmer du hvilke AI/ML-prosjekter å prioritere for både taktisk påvirkning og strategisk verdi?

Jeg prioriterer prosjekter som passerer tre tester.

Først må de endre en virkelig beslutning eller arbeidsflyt, ikke bare produsere en smart score. Hvis utgangen ikke pålitelig endrer atferd, er det en demo, ikke et produkt.

Andre må de være målbare. Mine besteforeldre pleide å si “veldig målt er halvveis gjort”. I regulerte omgivelser er det mer enn halvveis. Hvis vi ikke kan definere suksess, feilmoduser, og overvåking på forhånd, betyr det at vi ikke forstår arbeidet ennå.

Tredje må de være forsvarbare under gransking. Det inkluderer data-proveniens, tilgangsgrenser og evnen til å forklare og avspille resultater.

Når et prosjekt passerer disse testene, tenderer det til å skape både taktiske seirer og strategisk akkumulering. I Motus er det hvordan vi har levert skritt-forbedringer, inkludert materielt raskere rapportering i skala, færre unntak og automatisering som oversetter til virkelig kunde-tid-besparelse.

Tillit og forklarbarhet er kritiske for bedrifts AI-tilpasning. Hvordan sikrer ditt team at modellene er tolkbare og pålitelige for interessenter over hele bedriften?

Tillit kommer fra klarhet, konsistens og et system som kan forklare seg selv under press.

Vi designer systemer med en avspillingsknapp. Samme inndata, samme versjon, samme utgang, pluss en bevisstrekke av hva som har endret seg over tid. Vi gjør også residualer synlige. Hver feil er informasjon. Hvis du instrumenterer feil ordentlig, kan du forklare atferd på vanlig språk og forbedre den på en disiplinert måte.

Når en beslutning har revisjons-exponering, viavirer mot enklere modeller pluss sterk måling over uklar kompleksitet. Praktisk betyr det tydelige data-definisjoner, evaluering som skjærer ytelse etter meningsfulle segmenter, overvåking for drift og en dokumentert endringsprosess. Interessenter trenger ikke hver enkelt teknisk detalj. De trenger tillit til at systemet er målt, begrenset og forbedret.

I bedrifts-miljøer er forklarbarhet ikke en filosofisk preferanse. Det er et krav for tilpasning, og det teller når kunder må motstå fremtidige revisjoner.

Fra HIPAA-graderte data-rørledninger til IRS-kompatibel rapportering, Motus betoner trygg, skalerbar AI. Hva er de beste praksisene du ville anbefale til andre AI-ledere som arbeider i regulerte industrier?

Noen prinsipper som reiser godt:

• Behandle overholdelse som motorveien. Bygg asfaltveier så team kan bevege seg raskt trygt.
• Definer grenser tidlig. Vær eksplisitt om hva data som ikke kan forlate, hva verktøy som er godkjent og hvor modeller kan kjøre.
• Automatiser bevis. Gjør logging, avstamning og versjonering standarder, ikke en kamp under en revisjon.
• Mål før du skalerer. Veldig målt er halvveis gjort. Du kan ikke forbedre hva du ikke kan se.
• Operasjonell residualer. Gjør feil til en feil-taksonomi og en prioritetert forbedringsliste.
• Design for tilpasning. Store modeller er del statistikk, del partnerskap og hovedsakelig endringsledelse.

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

Med Motus i forkant av kjøretøyerstatning og risikoløsninger, hvordan ser du på AI-utviklingen i dette området over de neste 3–5 årene?

Jeg forventer to store endringer, og de forsterker hverandre.

Først vil risiko flytte fra periodiske kontroller til kontinuerlige, beslutnings-grad-signaler. I dag lærer de fleste organisasjonene om sjåfør-risiko for sent, enten etter en hendelse eller etter en punkt-i-tid- gjennomgang. Neste bølge er systemer som avdekker risiko tidligere og mer nøyaktig, ved å bruke mønster allerede til stede i operasjoner: endringer i kvalifisering, dekningsgap, uvanlige kilometer-mønster og inkonsistenser mellom forventet og observert atferd. Målet er ikke å erstatte dømmekraft. Det er å gi sikkerhet, HR, finans og operasjoner en tydeligere tidlig-advarsel- panel, med færre falske alarmer og bedre dokumentasjon for hvorfor noe ble flagget.

Andre vil erstatning flytte fra papirarbeid til arbeidsflyt. Bedrifter taper fortsatt en overraskende mengde tid til innsendinger, korreksjoner, godkjenninger og etterfølgende rensing. Over de neste årene forventer jeg mer automatisering over hele erstatnings-livssyklusen: forhåndsfylling av hva som kan fylles, fange manglende eller inkonsistente inndata tidlig, routing unntak til riktig godkjenner med kontekst og redusere manuell tilbake- og frem- kommunikasjon. Gjort riktig, gjør dette erstatning raskere og mer forsvarbar fordi bevisrekken genereres som en del av prosessen i stedet for å bli rekonstruert senere.

Hva gjør dette spennende er hvordan de konvergerer når grunnlaget er riktig. Når grenser er tydelige og residualer er synlige, får du en akselererende løkke: færre unntak, renere innsendinger, raskere godkjenninger, bedre risiko-signaler og en tydeligere rekord av hvordan beslutninger ble tatt.

Fremtiden er ikke “AI overalt”. Det er AI innbettet på riktige øyeblikk, med sterke målings- og tilbakekoblingsløkker som holder på å forbedre.

Basert på din reise gjennom jus, nevrovitenskap, statistikk og anvendt AI, hva råd ville du gi til unge fagfolk som aspirerer til å lede data og AI i komplekse bedrifts-miljøer?

Lær å bygge systemer, ikke bare modeller. Eller sagt på en annen måte, bygg motorveien, instrumenter feilene og hold kartet oppdatert.

Kom nær folk som lever utfallet. Førstelinje-operatører ser ofte signaler før din data gjør. Deres tilbakemelding er ikke “anekdotisk”. Det er ofte den manglende funksjonssettet.

Utvik komfort med måling og ydmykhet om feil. Residualer er gaver hvis du er villig til å lytte. I regulerte miljøer, legg til disiplinen av bevisbyrde: være i stand til å forklare hva du bygget, hvorfor det oppførte seg på den måten og hva du vil gjøre når det endrer seg.

Til slutt, husk at tilpasning er en del av arbeidet. Endringsledelse er ikke en myk tilføyelse. Det er et kjernekrav hvis du ønsker at din AI skal bli brukt. Det betyr at det ikke er nok å være sterk på data, modeller og algoritmer. Du må arbeide godt over bedriftsenheter, tjene tillit og navigere den menneskelige veien som omdanner en god modell til en virkelig evne. Hvis du kan gjøre det, bygger du ikke bare modeller, du bygger tillit.

Takk for det flotte intervjuet, lesere som ønsker å lære mer bør besøke Motus.