Amex’ produktchef siger, at AI gradvist skal integreres i produktorganisationer — ét oversprunget lag vil koste dig dyrt

Abishek (Abhi) Gandotra begyndte sin karriere som ingeniør, men skiftede til produktudvikling — og tog sin tekniske viden med sig. Han er i øjeblikket VP for produkt hos American Express. Han er også forfatter til Den suveræne agent.

Han sluttede sig til os for at dele, hvad han lærer, efterhånden som AI udvisker grænserne mellem softwareudvikling og produktudvikling endnu mere. Her er, hvad han fortalte os.

Fra softwareudvikling til produktudvikling

Jeg hedder Abhi Gandotra, og jeg leder produktorganisationen for bankplatformen hos American Express. Jeg begyndte som ingeniør og brugte det første årti af min karriere på at skrive kode. Derfor har jeg aldrig betragtet teknologi som en sort boks. Når noget ikke bliver leveret, vil jeg vide hvorfor — på det lag, hvor det går galt.

Jeg skiftede til produktudvikling, fordi jeg blev mindre optaget af at bygge ting rigtigt og mere optaget af at bygge de rigtige ting. Hos Green Dot brugte jeg over et årti på at opbygge en Banking-as-a-Service-platform — vi tog den fra en idé til over $1B i B2B-omsætning på tværs af mere end 80 virksomhedspartnere. Det lærte mig noget, som jeg stadig tror på: Platforme vinder, når de gør andre menneskers vanskelige problemer nemme. Nu gør jeg det samme for bank- og betalingsinfrastruktur hos Amex, i en anden skala og med de tilhørende regulatoriske krav.

For mig handler AI-øjeblikket ikke bare om hype. Jeg leverer allerede med disse værktøjer — bygger agenter, etablerer et AI-opkvalificeringsprogram på tværs af min organisation og driver små teams, der går fra idé til fungerende software på få dage. Mine ingeniørinstinkter er vendt tilbage for fuld styrke. Afstanden mellem "jeg har en idé" og "den kører" har aldrig været så kort. Det er den del, jeg finder spændende — ikke hypen, men hastigheden.

At lede produktudvikling fra infrastrukturlaget

Som sagt leder jeg produktorganisationen for bankplatformen hos American Express — den digitale bank- og betalingsplatform, der understøtter vores bankoplevelser for privat- og erhvervskunder. Det er infrastrukturlaget: grundlaget, kontofunktionerne, funktionerne til pengeoverførsler og kontrollerne, der understøtter alle kundeorienterede elementer.

Vores "brugere" består af to forskellige målgrupper: slutkunder, der oplever produktet som deres bank- og betalingsløsninger, samt interne produkt- og softwareudviklingsteams, der bygger på vores platform. Platformarbejde kræver, at man samtidig betjener dem, der bygger, og slutbrugerne — hvis man kun optimerer for den ene gruppe, lider den anden.

Vi opererer i en skala og under regulatoriske krav, som forventes af en finansiel institution, der har eksisteret i mere end hundrede år, hvilket betyder, at pålidelighed og overholdelse af regler ikke er funktioner, men grundlæggende minimumskrav. Vores leverancemodel kombinerer intern produktudvikling og softwareudvikling med vigtige teknologipartnere, så min primære opgave er at koordinere — at afstemme interne køreplaner med eksterne muligheder og de kontroller, som vores risiko- og overholdelsesteams kræver.

Hvordan AI flytter udvikling af prototyper fra softwareudvikling til produktudvikling

Den største ændring, jeg foretog, var, at jeg holdt op med at betragte udvikling af prototyper som en opgave for softwareudviklingen og gjorde det til en produktkapacitet.

For et år siden betød validering af en ny idé, at man skrev et oplæg, tilføjede den til en opgaveliste og ventede i ugevis på, at softwareudviklingen havde kapacitet til at bygge noget, som brugere eller partnere kunne evaluere. Nu driver jeg små teams, der går fra koncept til fungerende software på få dage — ved hjælp af AI-kodeværktøjer til at etablere en funktionel prototype baseret på et ægte SDK, ikke en klikbar model. I et nyligt initiativ, en lønintegration, byggede og testede et lille team en fungerende integration på den tid, det tidligere tog at blive enige om kravene.

Det ændrede den måde, vi træffer beslutninger på. Når man kan vise fungerende software til en partner eller interessent på få dage, holder samtalen op med at være abstrakt — man diskuterer noget virkeligt med virkelige kanter i stedet for at diskutere en præsentation. Det har fjernet meget af den beslutningslammelse, der tidligere åd sig ind på den første del af vores køreplan. Og når produktcheferne på mit team selv afgrænser og etablerer prototyper, går tiden til softwareudvikling til det, der virkelig kræver den.

Nu er den svære del ikke at bygge. Det er at vurdere, hvad der er værd at bygge. God dømmekraft og prioritering er de knappe ressourcer. Det er den ændring, jeg fokuserer mest på som leder.

En praktisk arbejdsgang fra idé til prototype

Her er vores generaliserede arbejdsgang fra idé til fungerende prototype, komprimeret fra uger til dage.

1. Definér problemet: Det starter menneskeligt — et partnerbehov eller et hul, vi har opdaget. Jeg bruger en AI-assistent som sparringspartner til at stressteste problemformuleringen: Hvem er det til, hvad er den faktiske opgave, der skal løses, og hvad ville gøre, at det ikke er værd at bygge? Det skærper spørgsmålet, før byggeriet går i gang.
2. Sammenfat inputtene: Vi retter AI mod det relevante materiale — research, temaer fra supporthenvendelser, konkurrencesituationen og tidligere intern kontekst — og får et sammenfattet overblik på få minutter i stedet for dage. Et menneske gennemgår det for at identificere, hvad modellen overså eller tillagde for stor vægt; sammenfatningen er et udgangspunkt, ikke den endelige afgørelse.
3. Byg en fungerende prototype: Dette er den største ændring. I stedet for at skrive en specifikation og vente på udviklingskapacitet bruger et lille team AI-kodeværktøjer til at etablere funktionel software med en reel brugerflade — ikke en klikbar model, men noget, der fungerer. Dage, ikke uger.
4. Præsentér den for mennesker: Vi præsenterer den fungerende prototype for interessenter eller en partner tidligt i forløbet. Fordi den er virkelig, er feedbacken ægte — vi diskuterer adfærd og særtilfælde i stedet for at reagere på en præsentation.
5. Træf beslutningen med dømmekraft: Her træder AI i baggrunden. Om vi skal investere yderligere, hvordan den passer ind i køreplanen, og hvilke kontrol- og overholdelsesmæssige konsekvenser det har — det er menneskelige beslutninger med et klart ansvar indbygget fra starten.

Hvorfor PM'ers ansvarsområde skal ændres

På grund af dette har jeg aktivt redefineret omfanget af PM-ejerskab, overdragelsespunkterne mellem produkt og udvikling og — helt afgørende — kvalitetskravene til PM-byggede artefakter, der skal i produktion.

I det øjeblik en PM kan levere hele vejen fra start til slut, er man nødt til at besvare nye spørgsmål, som den gamle model aldrig tvang en til at stille. Hvad er en PM nu ansvarlig for, som vedkommende ikke var ansvarlig for før? Hvor skal udviklingens dømmekraft stadig fungere som portvagt for arbejdet, og hvor gør den blot tingene langsommere? Hvad betyder "produktionsklar", når den person, der har bygget det, ikke er udvikler?

Jeg fokuserer på sammenhæng, ikke på hurtigere levering for enhver pris. Hvis alle får mulighed for at bygge, risikerer alle at bygge deres egen version af alting og fragmentere organisationen i kompetente siloer, der ikke bygger videre på hinanden. Derfor handler redesignet lige så meget om fælles fundamenter og en fælles kvalitetsstandard, som det handler om at give PM'er frie hænder. Gøres det rigtigt, bevæger teams sig markant hurtigere og bygger videre på hinandens arbejde i stedet for at arbejde omkring hinanden.

Hvorfor AI bør generere muligheder, mens mennesker udøver dømmekraft

AI er fremragende til at generere muligheder; mennesker skal stadig eje dømmekraften, især inden for reguleret bankvirksomhed.

Jeg læner mig op ad AI til:

• Opdagelse og sammenfatning: at udlede de vigtige indsigter fra research, supporthenvendelser, partnerfeedback og konkurrencesituationen langt hurtigere, end et menneske kan nå at læse det hele.
• Udvikling af prototyper og eksperimentering: at etablere fungerende software for at teste en idé i stedet for at diskutere den.
• Det første udkast til næsten alt: krav, analyser og markedsoverblik.

AI får os frem til et troværdigt udgangspunkt — noget, der tidligere optog det meste af vores tid — på få minutter.

Jeg holder det udtrykkeligt menneskeligt, når det gælder:

• Prioritering og beslutningen om køreplanen: AI kan opstille afvejninger, men beslutningen om, hvad vi bygger — og hvad vi bevidst lader være med at bygge — kræver dømmekraft omkring strategi, risikovillighed og vores kunder, som jeg ikke er villig til at outsource.
• Alt, der berører regulatoriske beslutninger eller risikobeslutninger: I vores verden er "modellen foreslog det" ikke et svar, man kan give en tilsynsmyndighed.
• De vanskelige beslutninger om mennesker og interessenter: Med det mener jeg at aflæse rummet og navigere i konkurrerende prioriteringer på tværs af partnere. Det er uomtvisteligt menneskeligt.

Hvordan AI både skaber hastighed og overmod

Abhis tanker

Læringen var, at AI reducerer omkostningerne ved de første 80 % så dramatisk, at teams undervurderer de resterende 20 %, og det er her, alle vanskelighederne i bankverdenen ligger. Vi skelner nu eksplicit mellem “ser færdigt ud” og “er færdigt,</em" og jeg har gjort det til en norm, at en fungerende demo er begyndelsen på den svære samtale, ikke afslutningen på den.

Den tydeligste gevinst er hastigheden i begyndelsen af livscyklussen:

• Prototypingcyklusser, der tidligere tog uger, tager nu dage, hvilket betyder, at vi tester flere idéer og kasserer de dårlige tidligere – før de bruger reel udviklingskapacitet.
• Mine PM'er kommer nu gennem undersøgelser, tilbagemeldinger fra kundesupport og konkurrentanalyser på en brøkdel af tiden, så de møder prioriteringssamtalerne bedre forberedte.
• PM'er, der ikke kunne sende noget ud uden en udvikler, kan nu selv opstille en fungerende prototype. Det ændrer energien på teamet. Folk føler sig igen mere som skabere.

Men vi lærte på den hårde måde, at AI-resultater er selvsikre, selv når de er forkerte, og det er farligt i et reguleret miljø. I begyndelsen så en prototype tilstrækkeligt gennemarbejdet ud til at skabe falsk tillid til, hvor tæt vi var på noget virkeligt. Demonstrationen virkede, men de svære 20 % – randtilfældene, kontrollerne og efterlevelseslogikken – var fuldstændig uadresserede.

Læringen var, at AI reducerer omkostningerne ved de første 80 % så dramatisk, at team undervurderer de resterende 20 %, og det er her, alle vanskelighederne i bankverdenen ligger. Vi skelner nu eksplicit mellem "ser færdigt ud" og "er færdigt", og jeg har gjort det til en norm, at en fungerende demonstration er begyndelsen på den svære samtale, ikke afslutningen på den.

Afstanden mellem demonstration og produktværdi

Der er stor afstand mellem demonstrationsmagi og varig produktværdi. AI er fremragende til det imponerende øjeblik fra nul til én, men skuffer konsekvent, når det gælder det mindre glamourøse arbejde, der skaber vedvarende effekt.

Et par konkrete eksempler:

• Den "sidste mil" i regulerede arbejdsgange: AI leverer hurtigt en fungerende prototype, men i bankverdenen ligger værdien ikke i den problemfri proces – den ligger i kontroller, revisionsspor, håndtering af undtagelser og afstemningslogik. AI har ikke for alvor fremskyndet den del. Jeg forventede, at det ville komprimere hele udviklingen; det komprimerede kun den første halvdel. Den anden halvdel er stadig lige så vanskelig som altid, og det er her, det meste af den reelle produktværdi ligger.
• Integration med den eksisterende virkelighed: En stor del af en platforms værdi kommer fra, hvor problemfrit du integrerer med eksisterende systemer – partner-API'er, centrale behandlingssystemer og interne tjenester, der har årtier på bagen. AI-værktøjer er fremragende i nye miljøer, men svækkes mærkbart, så snart de møder vores faktiske begrænsninger. Det rodede, konteksttunge integrationsarbejde, der definerer platformsteknik i den virkelige verden, er præcis det område, hvor de hjælper mindst.
• Beslutningskvalitet på strateginiveau: Jeg håbede, at AI-syntese ville skærpe vores prioritering. Det har gjort os hurtigere og bedre informerede, men det har ikke gjort de svære beslutninger lettere – for svære beslutninger handlede aldrig om mangel på information; de handlede om overbevisning, afvejninger og risikovillighed. AI gav os mere analyse; det gav os ikke større klarhed. Det var nyttigt at få korrigeret den forventning.

Hvorfor AI-integration bør ske trin for trin

Du kan ikke springe de lavere lag over. Instinktet med AI – især med nutidens kapable modeller – er at gå direkte efter den imponerende sluttilstand: det autonome system, agenten, der handler på egen hånd. Jeg lærte, at man skal gøre sig fortjent til at nå dertil. Forsøg på at tage genveje koster.

Jeg ser det nu som en modenhedsudvikling. AI-kapacitet i enhver seriøs operationel kontekst udvikler sig gennem faser – først produktivitet (at gøre eksisterende arbejde hurtigere), derefter effektivitet (at automatisere rutineopgaver), så intelligens (dybere indsigt og beslutningsstøtte) og først derefter autonomi (systemer, der handler på egen hånd). Hvert lag afhænger af laget under det. Du kan ikke implementere en pålidelig agent på en platform, der endnu ikke kan observere sig selv, vise sin egen konfiguration eller forklare, hvorfor den traf en beslutning. Autonomi uden observerbarhed er ikke sofistikeret – det er en risiko, du ikke kan se.

Hvis jeg havde indset dette tidligere, ville jeg have undgået fristelsen til at love for meget i toppen af stakken, før bunden var solid. Den mest ambitiøse demo trækker dig let ind, fordi den begejstrer alle. Men en flashy autonom funktion, der hviler på et umodent fundament, bryder sammen på måder, der er svære at diagnosticere, og nedbryder hurtigt tilliden — og tillid er dyr at genopbygge, når den først er blevet brugt på et system, der handlede forkert.

Så jeg ville sige til alle, der lancerer deres første AI-drevne produkt: Vær ærlig om, hvilket lag du befinder dig på, lever reel værdi på det lag, og lad funktionerne på højere niveau gøre sig fortjent til deres plads. Rækkefølgen er hele spillet.

Sådan kan CPO'er optimere efter den rigtige knaphedsressource

Overordnet set er mit råd at holde op med at optimere efter den forkerte knaphedsressource.

Det meste af vores karrierer var flaskehalsen produktionen — at få ting bygget. Så vi organiserede alt omkring gennemløb: backlogge, kapacitetsplanlægning, hurtigere lanceringer. AI fjernede ganske enkelt denne flaskehals. Omkostningerne ved at generere en mulighed, en prototype, et udkast eller en analyse nærmer sig nul. Og når én begrænsning forsvinder, bliver en ny begrænsning det, der betyder noget.

Den nye knappe ressource er dømmekraft — at vide, hvad der er værd at bygge, hvad man skal sige nej til, hvordan "godt" ser ud, og hvad AI's selvsikre output i stilhed får galt. Så mit råd består af tre dele:

1. Brug dit AI-udbytte på dømmekraft, ikke kun på hastighed: Pointen med at bevæge sig hurtigere er ikke at lancere mere — det er at få flere forsøg på mål, så du kan være mere selektiv. Hvis AI blot får dig til at bygge mere af det forkerte hurtigere, har du gjort problemet værre, ikke bedre.
2. Hold dig tæt på håndværket: De ledere, der får det svært, er dem, der betragter dette som en andens beslutning om værktøjer. Gå selv i gang med at bygge noget. Du kan ikke lede et team gennem en forandring, som du kun har læst om — dine instinkter vil være kalibreret til en verden, der ikke længere eksisterer.
3. Bliv skarpere på dit domæne, ikke mere vag: Alle har nu adgang til den samme AI til generelle formål. Din fordel er ikke modellen — det er den specifikke, hårdt tilkæmpede viden om dine kunder, din regulatoriske virkelighed og din virksomhed. AI gør det generiske til en handelsvare og gør det specifikke mere værdifuldt. Læn dig ind i det, der er dit.

Dette øjeblik belønner smag og overbevisning frem for information og indsats. Det er ubehageligt, fordi du kan kontrollere indsatsen, mens du er nødt til at udvikle din smag. Men de ledere, der internaliserer det tidligt, er dem, der vil skabe en kumulativ fordel.

Følg med

Du kan følge Abhi Gandotras arbejde på LinkedIn og hans websted. Eller læs hans bog, Den suveræne agent.

Der kommer flere ekspertinterviews på The CPO Club!