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

Pablo Ormachea, VP of Data på Motus, bygger företags AI- och analysystem som är utformade för att röra sig snabbt samtidigt som de står emot regulatorisk och finansiell granskning. Han leder helt virtuella, tvärfunktionella team och fokuserar på evidensbaserade beslutsystem som förbättrar behållning, utvidgar marginaler och levererar mätbara ROI. På Motus har han omkonstruerat analyser för mer än 350 000 förare, uppnått 60 × snabbare rapportering med noll tidsgränser och levererat AI/ML-system, inklusive avvikelseidentifiering och kundbortfallsprognoser som har sparat kunder miljontals kronor. Han har också medförfattat Motus AI-styrningsram, som möjliggör säker LLM-experiment med tydliga standarder, stark granskningsbarhet och konsekvent affärslogik över hela datastacken.

Motus är ett företag som erbjuder arbetsstyrkehantering och mobilitetsprogramvara som hjälper organisationer att hantera fordonersättning, kilometerregistrering och mobila arbetsstyrkeoperationer. Deras molnplattform automatiserar skatteförmånsprogram, levererar realtidsrapportering och insikter och hjälper företag att minska kostnader, förbättra produktivitet och hantera regelefterlevnad för anställda som kör som en del av sina jobb.

Du har byggt en unik karriär vid skärningspunkten mellan AI-teknik, datastrategi och reglering — från Harvard Law till att leda data och AI på Motus. Vilka nyckelupplevelser har format din tillvägagångssätt för att bygga AI-system som är både tekniskt avancerade och förenliga med stränga regulatoriska ramverk?

Jag lärde mig tidigt att behandla regelefterlevnad som en ingenjörsbegränsning, inte en juridisk eftertanke. Om du bygger en motorväg kan du köra i motorvägshastighet. Om du låtsas att det är en grusväg och gasar ändå, rör du dig inte snabbare. Du kraschar bara tidigare.

Harvard Law hjälpte på ett överraskande sätt eftersom den vanliga lag-systemet i princip är rest-driven inlärning. En regel möter verkligheten. Undantagsfall avslöjar var den misslyckas. Doktrinen förfinar.

Det är samma mental modell jag använder för AI i produktion. Varje rest är en gåva. Den berättar för dig var dina antaganden avviker från den verkliga världen och ger dig en konkret väg för att strama åt systemet.

Så jag optimerar för två saker samtidigt: leveranshastighet och bevisbörda. Målet är inte “innovation kontra regelefterlevnad.” Målet är att bygga system som kan röra sig snabbt och fortfarande svara tydligt och upprepat: “Hur vet du?”

Du medförfattade Motus AI-styrningspolicy som strömlinjeformade godkännanden samtidigt som den upprätthöll starka kontroller. Vilka principer vägledde dig när du utformade den policyn, och hur balanserar du innovationshastighet med granskningsberedskap?

Vi satte inte ut att skriva regler. Vi ritade en karta. När AI-antagande börjar kommer intresse från alla håll, och hastighet kan förvandlas till brus eller, värre, ansvar. Så det första jobbet är tydlighet: var LLM kan köra och var de inte kan, vilken data som stannar strikt inuti och vilka typer av experiment som tillåts i en säker fil.

Balansen kommer från att göra den säkra vägen den enkla vägen. Styrning misslyckas när det är en kommitté. Det fungerar när det blir standarder: godkända verktyg, tydliga datagränser, standardloggning och en snabb godkännandefil för undantagsfall. Målet är att byggare inte behöver omförhandla säkerhet varje gång de levererar.

Sedan blir granskningsberedskap en biprodukt. Du behöver inte skynda dig för att samla in bevis efter faktum eftersom systemet genererar beviset när det körs.

Du har sagt att AI-praxis bör uppfylla “även IRS-nivås granskning”. Kan du dela en exempel där regulatoriska överväganden direkt påverkade ett tekniskt AI- eller ML-beslut på Motus?

I reglerade arbetsflöden är frågan inte bara “är modellen exakt?” Det är “kan du visa ditt arbete senare?” Den verkligheten formar vad “bra” ser ut som på Motus.

Det förändrar designval. För vissa användningsfall föredrar vi tillvägagångssätt som är förklarliga, uppspelbara och lätta att granska. Ibland betyder det enklare modellfamiljer. Ofta betyder det deterministiska skyddsräcken, versionerade funktioner och loggning av indata och utdata på ett sätt som stöder riktig uppspelning.

Ett konkret exempel: när vi uppdaterade delar av vår ersättningslogik och rapportering, tryckte vi hårt på spårbarhet vid viktiga beslutspunkter. Vi ville att systemet skulle kunna svara, på begäran, vilken regel som utlöstes, vilken data som användes, vilken version som kördes och vad som skulle ändra resultatet. Det gjorde AI-komponenterna mer användbara, och det gjorde hela arbetsflödet enklare att försvara.

Utbetalningen ackumuleras. När du kan spela upp beteende och skära fel, upphör rester att vara mystiska. De blir en prioriterad förbättringslista: vad som misslyckades, var, varför och vilken ändring stänger gapet.

Motus driver lösningar för fordonersättning och riskminskning som måste tillfredsställa IRS och andra regulatoriska krav. Hur förbättrar AI regelefterlevnad och noggrannhet i dessa företagsanvändningsfall?

AI hjälper på två sätt: det minskar manuell friktion, och det stärker försvarbarhet.

På ersättning är värdet inte bara automatisering, det är konsekvens. AI kan hjälpa till att klassificera resor, upptäcka avvikelser och yta saknad information tidigare, vilket minskar nedströms utjämning. Ingen vill att ersättning ska bli ett månatligt arkeologiprojekt. Fördelen med regelefterlevnad kommer från bättre mätning och bättre dokumentation. Du stöder resultat med en tydlig post istället för att förlita sig på efterföljande rekonstruktion.

På risk är AI användbar eftersom punkt-i-tiden-kontroller inte räcker. Företag vill ha kontinuerlig medvetenhet om vad som förändrades, vad som ser avvikande ut och vad som behöver uppmärksamhet. De bästa AI-systemen här är inte dramatiska. De är tysta, konsekventa och mätbara.

Att leda fjärrstyrda, tvärfunktionella team som samarbetar med Juridik, Säkerhet, Finans och Produkt är ingen liten bedrift. Vilka är de största utmaningarna du har mött när du försöker få dessa grupper att samarbeta kring data- och AI-initiativ?

Det svåraste är att varje grupp är rationell, och de optimerar för olika risker.

Säkerhet oroar sig för exponering. Juridik oroar sig för försvarbarhet. Finans oroar sig för kostnad och förutsägbarhet. Produkt oroar sig för hastighet och kundvärde. Data och teknik oroar sig för genomförbarhet och tillförlitlighet. Om du behandlar dem som konkurrerande agendor, stannar du.

Lösningen är ett gemensamt språk och tydliga filer. Vi samordnar beslutet som står på spel, definierar gränserna och kommer överens om vad “bra” kräver. Sedan bygger vi standarder så att de flesta arbeten kan flyttas utan ceremoni.

Jag har funnit att tydlighet slår övertalning. När människor kan se kartan, blir samordning mycket enklare.

Du har drivit stora prestandaförbättringar — som 60 × snabbare rapportering för 350 000+ förare och miljontals besparingar för kunder. Hur bestämmer du vilka AI/ML-projekt att prioritera för både taktisk påverkan och strategiskt värde?

Jag prioriterar projekt som klarar tre tester.

Först måste de förändra ett verkligt beslut eller arbetsflöde, inte bara producera en intelligent poäng. Om utgången inte tillförlitligt förändrar beteende, är det en demo, inte en produkt.

Sedan måste de vara mätbara. Min far- och morföräldrar sa att “välmätt är halvvägs”. I reglerade miljöer är det mer än halvvägs. Om vi inte kan definiera framgång, felmodus och övervakning i förväg, betyder det att vi inte förstår arbetet ännu.

Tredje, de måste vara försvarbara under granskning. Det inkluderar datahärkomst, åtkomstgränser och förmåga att förklara och spela upp resultat.

När ett projekt klarar dessa tester, tenderar det att skapa både taktiska vinster och strategisk ackumulering. På Motus är det så vi har levererat stegvisa förbättringar, inklusive väsentligt snabbare rapportering i stor skala, färre undantag och automatisering som översätts till verkliga kundtidsbesparingar.

Förtroende och förklarbarhet är avgörande för företags AI-antagande. Hur ser din team till att modellerna är tolkningsbara och pålitliga för intressenter över hela verksamheten?

Förtroende kommer från tydlighet, konsekvens och ett system som kan förklara sig under tryck.

Vi utformar system med en uppspelningsknapp. Samma indata, samma version, samma utgång, plus en bevisväg av vad som förändrades över tid. Vi gör också rester synliga. Varje miss är information. Om du instrumenterar fel ordentligt, kan du förklara beteende på vanligt språk och förbättra det på ett disciplinerat sätt.

När ett beslut har granskningsexponering, föredrar vi enklare modeller plus stark mätning över ogenomskinlig komplexitet. I praktiken betyder det tydliga datadefinitioner, utvärdering som skär prestanda med meningsfulla segment, övervakning för drift och en dokumenterad ändringsprocess. Intressenter behöver inte varje teknisk detalj. De behöver förtroende för att systemet är mätt, begränsat och förbättrat.

I företagsmiljöer är förklarbarhet inte en filosofisk preferens. Det är ett krav för antagande, och det spelar roll när kunder behöver motstå framtida granskningar.

Från HIPAA-klassade datapipeliner till IRS-kompatibla rapporter betonar Motus säker, skalbar AI. Vilka bästa praxis skulle du rekommendera till andra AI-ledare som arbetar i reglerade branscher?

Några principer som reser sig väl:

• Behandla regelefterlevnad som motorvägen. Bygg asfalterade vägar så att team kan flytta snabbt säkert.
• Definiera gränser tidigt. Var tydlig med vilken data som inte kan lämna, vilka verktyg som är godkända och var modeller kan köra.
• Automatisera bevis. Gör loggning, härkomst och versionering standarder, inte en skyndsamhet under en granskning.
• Mät innan du skalar. Välmätt är halvvägs. Du kan inte förbättra vad du inte kan se.
• Operationalisera rester. Förvandla missar till en felkategori och en prioriterad förbättringslista.
• Utforma för antagande. Stora modeller är del statistik, del partnerskap och i stor utsträckning förändringshantering.

Om din styrning bor i en PDF, kommer den inte att skalas. Om den bor i systemet, kommer den att göra det.

Med Motus i framkanten av fordonersättnings- och risklösningar, hur ser du AI utvecklas i detta område under de kommande 3–5 åren?

Jag förväntar mig två stora förändringar, och de förstärker varandra.

Först kommer risk att flytta från periodiska kontroller till kontinuerliga, beslutsgrada signaler. Idag lär sig de flesta organisationer fortfarande om förarisk för sent, antingen efter en incident eller efter en punkt-i-tiden-granskning. Nästa våg är system som ytar risk tidigare och mer exakt, med hjälp av mönster som redan finns i verksamheten: förändringar i behörighet, täckningsgap, ovanliga kilometermönster och inkonsekvenser mellan förväntat och observerat beteende. Målet är inte att ersätta omdöme. Det är att ge säkerhet, HR, finans och drift en tydligare tidig varningspanel, med färre falska larm och bättre dokumentation för varför något flaggades.

Sedan kommer ersättning att flytta från pappersarbete till arbetsflöde. Företag förlorar fortfarande en förvånansvärd mängd tid till inlämningar, korrigeringar, godkännanden och efterföljande renskrivning. Under de kommande åren förväntar jag mig mer automatisering över hela ersättningslivscykeln: förifyllning av vad som kan förifyllas, upptäckt av saknad eller inkonsekvent indata tidigt, routning av undantag till rätt godkännare med sammanhang och minskning av manuell växelverkan. Om det görs väl, gör det ersättning snabbare och mer försvarbar eftersom bevisvägen genereras som en del av processen istället för att rekonstrueras senare.

Det som gör detta spännande är hur de konvergerar när grunden är rätt. När gränser är tydliga och rester är synliga, får du en ackumuleringsloop: färre undantag, renare inlämningar, snabbare godkännanden, bättre risksignalering och en tydligare post om hur beslut fattades.

Framtiden är inte “AI överallt.” Det är AI inbäddat i rätt ögonblick, med stark mätning och återkopplingsloopar som håller på att förbättra.

Baserat på din resa genom juridik, neurovetenskap, statistik och tillämpad AI, vad råd skulle du ge till unga proffs som aspirerar att leda data och AI i komplexa affärsmiljöer?

Lär dig att bygga system, inte bara modeller. Eller uttryckt på ett annat sätt, bygg motorvägen, instrumentera missarna och håll kartan uppdaterad.

Kom nära människor som lever av resultatet. Frontline-operatörer ser ofta signaler före din data. Deras feedback är inte “anekdotisk.” Det är ofta den saknade funktionssatsen.

Utveckla komfort med mätning och ödmjukhet om fel. Rester är gåvor om du är villig att lyssna. I reglerade miljöer, lägg till disciplinen för bevisbörda: kunna förklara vad du byggde, varför det betedde sig som det gjorde och vad du kommer att göra när det förändras.

Till sist, kom ihåg att antagande är en del av arbetet. Förändringshantering är inte en mjuk tillägg. Det är ett kärnkrav om du vill att din AI ska användas. Det betyder att det inte räcker att vara stark på data, modeller och algoritmer. Du måste arbeta väl över affärsenheter, tjäna förtroende och navigera den mänskliga vägen som förvandlar en bra modell till en riktig förmåga. Om du kan göra det, kommer du inte bara att bygga modeller, du kommer att bygga förtroende.

Tack för det underbara samtalet, läsare som vill lära sig mer bör besöka Motus.