Pablo Ormachea, VP de Dados da Motus – Série de Entrevistas

Pablo Ormachea, VP de Dados da Motus, constrói sistemas de inteligência artificial e análise de dados projetados para se mover rapidamente enquanto suportam escrutínio regulatório e financeiro. Ele lidera equipes totalmente remotas e multifuncionais e se concentra em sistemas de tomada de decisão baseados em evidências que melhoram a retenção, expandem margens e entregam ROI mensurável. Na Motus, ele reprojeto a análise para mais de 350.000 motoristas, alcançando relatórios 60× mais rápidos com zero timeouts, e enviou sistemas de IA/ML, incluindo detecção de anomalias e previsão de churn, que economizaram milhões de dólares para os clientes. Ele também co-autorou o quadro de governança de IA da Motus, permitindo experimentação de LLM segura com defaults claros, auditoria forte e lógica de negócios consistente em toda a pilha de dados.

Motus é uma empresa de software de gerenciamento de força de trabalho e mobilidade que ajuda as organizações a gerenciar reembolso de veículos, rastreamento de milhas e operações de força de trabalho móvel. Sua plataforma em nuvem automatiza programas de reembolso com vantagens fiscais, entrega relatórios e insights em tempo real e ajuda as empresas a reduzir custos, melhorar a produtividade e gerenciar a conformidade para os funcionários que dirigem como parte de seus trabalhos.

Você construiu uma carreira única na interseção da engenharia de IA, estratégia de dados e regulação — desde a Faculdade de Direito de Harvard até liderar dados e IA na Motus. Quais experiências-chave moldaram sua abordagem para construir sistemas de IA que são tecnicamente avançados e conformes com estritos quadros regulatórios?

Eu aprendi cedo a tratar a conformidade como uma restrição de engenharia, não como um pós-pensamento legal. Se você constrói a rodovia, você pode dirigir em velocidades de rodovia. Se você finge que é uma estrada de terra e acelera de qualquer forma, você não se move mais rápido. Você apenas bate mais cedo.

A Faculdade de Direito de Harvard ajudou de uma maneira surpreendente porque o sistema de direito comum é basicamente aprendizado de resíduos. Uma regra encontra a realidade. Casos de bordo expõem onde ela falha. A doutrina refina.

Essa é a mesma mentalidade que uso para IA em produção. Cada resíduo é um presente. Ele diz a você onde suas suposições divergem do mundo real e lhe dá um caminho concreto para apertar o sistema.

Então, eu otimizo para duas coisas ao mesmo tempo: velocidade de envio e carga de prova. O objetivo não é “inovação versus conformidade”. O objetivo é construir sistemas que possam se mover rapidamente e ainda responder, claramente e repetidamente, “Como você sabe?”

Você co-autorou a política de governança de IA da Motus que simplificou aprovações enquanto manteve controles fortes. Quais princípios o guiaram ao projetar essa política, e como você equilibra a velocidade de inovação com a prontidão para auditoria?

Nós não nos propusemos a escrever regras. Nós desenhamos um mapa. Quando a adoção de IA começa, o interesse vem de todas as direções, e a velocidade pode se transformar em ruído, ou pior, responsabilidade. Então, o primeiro trabalho é a clareza: onde os LLMs podem executar e onde não podem, quais dados ficam estritamente dentro e quais tipos de experimentos são permitidos em uma faixa segura.

O equilíbrio vem de tornar o caminho seguro o caminho fácil. A governança falha quando é um comitê. Ela funciona quando se torna defaults: ferramentas aprovadas, limites de dados claros, registro padrão e uma faixa de aprovação rápida para casos de bordo. O objetivo é que os construtores não precisem renegociar a segurança todas as vezes que enviam.

Então, a prontidão para auditoria se torna um subproduto. Você não está se esforçando para montar evidências após o fato, porque o sistema gera as evidências à medida que executa.

Você disse que as práticas de IA devem atender ao “escrutínio do IRS”. Pode compartilhar um exemplo de onde considerações regulatórias influenciaram diretamente uma decisão técnica de IA ou ML na Motus?

Em fluxos de trabalho regulamentados, a pergunta não é apenas “o modelo é preciso?” É “você pode mostrar seu trabalho mais tarde?” Essa realidade molda o que “bom” parece na Motus.

Isso muda as escolhas de design. Para certos casos de uso, nos inclinamos para abordagens que sejam explicáveis, reproduzíveis e fáceis de auditar. Às vezes, isso significa famílias de modelos mais simples. Muitas vezes, isso significa guardrails determinísticos, recursos versionados e registro de entradas e saídas de uma maneira que suporte a reprodução real.

Um exemplo concreto: quando atualizamos partes de nossa lógica de reembolso e relatórios, nos esforçamos para a rastreabilidade em pontos de decisão-chave. Queríamos que o sistema respondesse, sob demanda, qual regra foi acionada, quais dados foram usados, qual versão estava em execução e o que mudaria o resultado. Isso tornou os componentes de IA mais usáveis e tornou todo o fluxo de trabalho mais fácil de defender.

O pagamento compõe. Quando você pode reproduzir o comportamento e fatiar erros, os resíduos param de ser misteriosos. Eles se tornam uma lista de pendências priorizada: o que falhou, onde, por quê e qual mudança fecha a lacuna.

A Motus opera soluções para reembolso de veículos e mitigação de riscos que devem atender aos requisitos regulatórios do IRS e outros. Como a IA melhora a conformidade e a precisão nesses casos de uso empresariais?

A IA ajuda de duas maneiras: reduz a fricção manual e fortalece a defensibilidade.

No reembolso, o valor não é apenas a automação, é a consistência. A IA pode ajudar a classificar viagens, detectar anomalias e superfície informações ausentes mais cedo, o que reduz a reconciliação downstream. Ninguém quer que o reembolso se torne um projeto de arqueologia mensal. O benefício de conformidade vem da melhor medição e da melhor documentação. Você suporta os resultados com um registro claro em vez de confiar na reconstrução após o fato.

No risco, a IA é útil porque as verificações de um momento no tempo não são suficientes. As empresas querem consciência contínua do que mudou, do que parece fora do lugar e do que precisa de atenção. Os melhores sistemas de IA aqui não são dramáticos. Eles são quietos, consistentes e mensuráveis.

Liderar equipes remotas e multifuncionais que colaboram com Jurídico, Segurança, Finanças e Produto não é uma tarefa pequena. Quais são os maiores desafios que você enfrentou ao alinhar esses grupos em torno de iniciativas de dados e IA?

A parte mais difícil é que cada grupo é racional e otimiza para diferentes riscos.

A Segurança se preocupa com a exposição. O Jurídico se preocupa com a defensibilidade. A Finanças se preocupa com o custo e a previsibilidade. O Produto se preocupa com a velocidade e o valor do cliente. Os Dados e a Engenharia se preocupam com a viabilidade e a confiabilidade. Se você tratar esses como agendas concorrentes, você estagna.

A solução é uma linguagem compartilhada e faixas claras. Nós nos alinhamos na decisão em questão, definimos os limites e concordamos com o que a evidência “bom” requer. Então, construímos defaults para que a maioria do trabalho possa se mover sem cerimônia.

Eu descobri que a clareza supera a persuasão. Quando as pessoas podem ver o mapa, o alinhamento se torna muito mais fácil.

Você impulsionou melhorias de desempenho significativas — como relatórios 60× mais rápidos para 350.000+ motoristas e milhões em economias para os clientes. Como você decide quais projetos de IA/ML priorizar para impacto tático e valor estratégico?

Eu priorizo projetos que passam em três testes.

Primeiro, eles devem mudar uma decisão ou fluxo de trabalho real, não apenas produzir uma pontuação inteligente. Se a saída não mudar o comportamento de forma confiável, é um demonstrativo, não um produto.

Segundo, eles devem ser mensuráveis. Meus avós costumavam dizer “bem medido é metade feito”. Em ambientes regulamentados, é mais do que metade. Se não podemos definir o sucesso, os modos de erro e o monitoramento antecipadamente, significa que não entendemos o trabalho ainda.

Terceiro, eles devem ser defensáveis sob escrutínio. Isso inclui a proveniência dos dados, limites de acesso e a capacidade de explicar e reproduzir os resultados.

Quando um projeto passa nesses testes, ele tende a criar vitórias táticas e estratégicas. Na Motus, é assim que entregamos melhorias significativas, incluindo relatórios materialmente mais rápidos em escala, menos exceções e automação que se traduz em economias de tempo reais para os clientes.

Confiança e explicabilidade são críticas para a adoção de IA empresarial. Como sua equipe garante que os modelos sejam interpretáveis e confiáveis para stakeholders em toda a empresa?

A confiança vem da clareza, da consistência e de um sistema que possa explicar a si mesmo sob pressão.

Nós projetamos sistemas com um botão de reprodução. Mesmas entradas, mesma versão, mesma saída, mais um rastro de evidências do que mudou ao longo do tempo. Nós também tornamos os resíduos visíveis. Cada erro é informação. Se você instrumentar os erros adequadamente, você pode explicar o comportamento em linguagem simples e melhorá-lo de forma disciplinada.

Quando uma decisão tem exposição à auditoria, nos inclinamos para modelos mais simples e fortes medições sobre complexidade opaca. Na prática, isso significa definições de dados claras, avaliação que fatia o desempenho por segmentos significativos, monitoramento para deriva e um processo de mudança documentado. Os stakeholders não precisam de todos os detalhes técnicos. Eles precisam de confiança de que o sistema é medido, limitado e melhorado.

Em ambientes empresariais, a explicabilidade não é uma preferência filosófica. É um requisito para adoção, e importa quando os clientes precisam resistir a futuras auditorias.

Desde pipelines de dados de nível HIPAA até relatórios conformes ao IRS, a Motus enfatiza IA segura e escalável. Quais práticas recomendadas você daria a outros líderes de IA que trabalham em setores regulamentados?

Algumas práticas que viajam bem:

• Trate a conformidade como a rodovia. Construa estradas pavimentadas para que as equipes possam se mover rapidamente com segurança.
• Defina limites cedo. Seja explícito sobre quais dados não podem sair, quais ferramentas são aprovadas e onde os modelos podem executar.
• Automatize as evidências. Faça registro, linhagem e versionamento defaults, não uma luta durante uma auditoria.
• Mantenha antes de escalar. Bem medido é metade feito. Você não pode melhorar o que não pode ver.
• Operacionalize os resíduos. Transforme erros em uma taxonomia de erros e uma lista de pendências priorizada.
• Projetar para adoção. Grandes modelos são parte estatística, parte parceria e, em grande parte, gerenciamento de mudanças.

Se a governança viva em um PDF, ela não escalará. Se ela viver no sistema, ela escalará.

Com a Motus à frente das soluções de reembolso de veículos e mitigação de riscos, como você vê a IA evoluindo nesse espaço nos próximos 3–5 anos?

Eu espero dois grandes deslocamentos, e eles reforçam um ao outro.

Primeiro, o risco mudará de verificações periódicas para sinais de decisão contínua. Hoje, a maioria das organizações ainda aprende sobre o risco do motorista muito tarde, seja após um incidente ou após uma revisão de um momento no tempo. A próxima onda é sistemas que superfície o risco mais cedo e com mais precisão, usando padrões já presentes nas operações: mudanças na elegibilidade, lacunas de cobertura, padrões de milhas incomuns e inconsistências entre o comportamento esperado e observado. O objetivo não é substituir o julgamento. É dar à Segurança, RH, Finanças e Operações um painel de alerta precoce mais claro, com menos alarmes falsos e melhor documentação para por que algo foi sinalizado.

Segundo, o reembolso mudará de papelada para fluxo de trabalho. As empresas ainda perdem uma quantidade surpreendente de tempo com submissões, correções, aprovações e limpeza pós-fato. Nos próximos anos, eu espero mais automação em todo o ciclo de vida do reembolso: preenchimento prévio do que pode ser preenchido, captura de entradas ausentes ou inconsistentes mais cedo, encaminhamento de exceções para o aprovador correto com contexto e redução da troca manual de informações. Feito bem, isso torna o reembolso mais rápido e defensável porque o rastro de evidências é gerado como parte do processo, em vez de reconstruído mais tarde.

O que torna isso emocionante é como eles convergem quando a base é certa. Quando os limites são claros e os resíduos são visíveis, você obtém um loop de composição: menos exceções, submissões mais limpas, aprovações mais rápidas, sinais de risco mais claros e um registro mais claro de como as decisões foram tomadas.

O futuro não é “IA em todos os lugares”. É IA incorporada nos momentos certos, com fortes medições e loops de feedback que continuam melhorando.

Com base em sua jornada através do direito, neurociência, estatística e IA aplicada, qual orientação você daria a jovens profissionais que aspiram liderar dados e IA em ambientes de negócios complexos?

Aprenda a construir sistemas, não apenas modelos. Ou, dito de outra forma, construa a rodovia, instrumente os erros e mantenha o mapa atualizado.

Aproxime-se das pessoas que vivem o resultado. Operadores de linha de frente muitas vezes veem sinais antes que seus dados o façam. O feedback deles não é “anecdótico”. É frequentemente o conjunto de recursos ausente.

Desenvolva confort com a medição e humildade sobre o erro. Os resíduos são presentes se você estiver disposto a ouvir. Em ambientes regulamentados, adicione a disciplina da carga de prova: seja capaz de explicar o que você construiu, por que se comportou da maneira que fez e o que fará quando mudar.

Finalmente, lembre-se de que a adoção é parte do trabalho. O gerenciamento de mudanças não é um acréscimo suave. É um requisito core se você quiser que sua IA seja usada. Isso significa que não é suficiente ser forte em dados, modelos e algoritmos. Você tem que trabalhar bem através das unidades de negócios, ganhar confiança e navegar o caminho humano que transforma um bom modelo em uma capacidade real. Se você puder fazer isso, você não apenas construirá modelos, você construirá confiança.

Obrigado pela grande entrevista, leitores que desejam aprender mais devem visitar Motus.