Der Produkt-VP von Amex sagt, dass KI schrittweise in Produktorganisationen integriert werden muss – eine übersprungene Ebene wird Sie teuer zu stehen kommen

Abishek (Abhi) Gandotra begann seine Karriere als Ingenieur, wechselte dann aber ins Produktmanagement – und brachte sein technisches Know-how mit. Derzeit ist er Vizepräsident für Produktentwicklung bei American Express. Außerdem ist er der Autor von „Der souveräne Agent“.

Er war bei uns zu Gast, um zu berichten, was er lernt, während KI die Grenzen zwischen Softwareentwicklung und Produktmanagement noch weiter verschwimmen lässt. Das hat er uns erzählt.

Von der Softwareentwicklung zum Produktmanagement

Ich bin Abhi Gandotra und leite die Produktorganisation für die Banking-Plattform bei American Express. Ich habe als Ingenieur angefangen und im ersten Jahrzehnt meiner Karriere Code geschrieben. Deshalb habe ich Technologie nie als Blackbox betrachtet. Wenn etwas nicht ausgeliefert wird, möchte ich wissen, warum – auf der Ebene, auf der es scheitert.

Ich wechselte ins Produktmanagement, weil es mir weniger darum ging, Dinge richtig zu bauen, sondern vielmehr darum, die richtigen Dinge zu bauen. Bei Green Dot verbrachte ich mehr als ein Jahrzehnt damit, eine Banking-as-a-Service-Plattform aufzubauen – wir entwickelten sie von einer Idee zu mehr als 1 Mrd. $ B2B-Umsatz mit über 80 Unternehmenskunden. Das hat mich eines gelehrt, woran ich bis heute glaube: Plattformen gewinnen, wenn sie die schwierigen Probleme anderer Menschen einfach machen. Jetzt tue ich das bei Amex für die Infrastruktur von Banking und Zahlungsverkehr – in einem anderen Maßstab und mit den entsprechenden regulatorischen Anforderungen.

Der KI-Moment ist für mich nicht nur Hype. Ich entwickle bereits mit diesen Tools – ich baue Agenten, richte ein KI-Weiterbildungsprogramm für meine gesamte Organisation ein und leite kleine Teams, die innerhalb weniger Tage von der Idee zu funktionierender Software gelangen. Meine Instinkte aus der Softwareentwicklung sind vollständig zurückgekehrt. Die Lücke zwischen „Ich habe eine Idee“ und „Sie läuft“ war noch nie so klein. Das finde ich spannend – nicht den Hype, sondern die Geschwindigkeit.

Produktführung aus der Infrastrukturebene heraus

Wie gesagt, ich leite die Produktorganisation für die Banking-Plattform bei American Express – die digitale Banking- und Zahlungsverkehrsplattform, auf der unsere Angebote für Privat- und Geschäftskunden aufbauen. Sie bildet die Infrastrukturebene: die Schienen, die Funktionen für Konten und Geldbewegungen sowie die Kontrollmechanismen, die alle kundenorientierten Elemente unterstützen.

Unsere „Nutzer“ bestehen aus zwei unterschiedlichen Zielgruppen: Endkunden, die das Produkt als ihr Banking- und Zahlungsverkehrsangebot erleben, sowie interne Produkt- und Softwareentwicklungsteams, die auf unserer Plattform aufbauen. Plattformarbeit erfordert, Entwickler und Endnutzer gleichzeitig zu bedienen – wenn man nur für eine Gruppe optimiert, leidet die andere.

Wir arbeiten in dem Maßstab und unter den regulatorischen Anforderungen, die von einem mehr als hundert Jahre alten Finanzinstitut erwartet werden. Das bedeutet, dass Zuverlässigkeit und Compliance keine besonderen Merkmale, sondern Grundvoraussetzungen sind. Unser Bereitstellungsmodell verbindet internes Produktmanagement und Softwareentwicklung mit wichtigen Technologiepartnern. Daher koordiniere ich größtenteils – ich stimme interne Roadmaps mit externen Fähigkeiten und den von unseren Risiko- und Compliance-Teams geforderten Kontrollen ab.

Wie KI die Erstellung von Prototypen von der Softwareentwicklung ins Produktmanagement verlagert

Die größte Veränderung bestand darin, dass ich die Erstellung von Prototypen nicht mehr als Anfrage an die Softwareentwicklung betrachtete, sondern zu einer Produktfähigkeit machte.

Vor einem Jahr bedeutete die Validierung einer neuen Idee, ein Briefing zu schreiben, sie in eine Aufgabenliste aufzunehmen und wochenlang auf Kapazitäten der Softwareentwicklung zu warten, damit etwas für die Bewertung durch Nutzer oder Partner entwickelt wurde. Jetzt leite ich kleine Teams, die innerhalb weniger Tage vom Konzept zu funktionierender Software gelangen – mit KI-Programmierwerkzeugen, um einen funktionsfähigen Prototypen auf Basis eines echten SDKs zu erstellen, statt einer klickbaren Attrappe. Bei einer kürzlich umgesetzten Initiative, einer Lohnabrechnungsintegration, entwickelte und testete ein kleines Team innerhalb der Zeit, die zuvor allein für die Abstimmung der Anforderungen benötigt wurde, eine funktionierende Integration.

Das hat unsere Entscheidungsfindung verändert. Wenn man einem Partner oder Beteiligten innerhalb weniger Tage funktionierende Software präsentieren kann, ist das Gespräch nicht mehr abstrakt – man diskutiert über etwas Reales mit echten Grenzen, statt über eine Präsentation zu streiten. Dadurch ist ein Großteil der Analyse-Lähmung verschwunden, die früher den Anfang unserer Roadmap auffraß. Und da die Produktmanager in meinem Team Prototypen selbst definieren und aufsetzen, fließt die Zeit der Softwareentwicklung in das, was sie wirklich benötigt.

Jetzt besteht die schwierige Aufgabe nicht mehr im Bauen. Es geht darum zu beurteilen, was den Bau wert ist. Gespür und Priorisierung sind die knappen Ressourcen. Auf diesen Wandel konzentriere ich mich als Führungskraft derzeit am stärksten.

Ein praxisnaher Ablauf von der Idee zum Prototypen

Hier ist unser allgemeiner Ablauf von der Idee zum funktionierenden Prototypen – komprimiert von Wochen auf Tage.

1. Das Problem definieren: Es beginnt beim Menschen – mit einem Bedarf eines Partners oder einer Lücke, die wir erkannt haben. Ich nutze einen KI-Assistenten als Denkpartner, um die Definition einem Stresstest zu unterziehen: Für wen ist das gedacht, worin besteht die eigentliche zu erledigende Aufgabe und was würde dazu führen, dass sich die Entwicklung nicht lohnt? Dadurch wird die Frage geschärft, bevor die Entwicklung beginnt.
2. Die Eingaben zusammenführen: Wir geben der KI das relevante Material – Forschungsergebnisse, Themen aus dem Support, das Wettbewerbsumfeld und bisherigen internen Kontext – und erhalten innerhalb von Minuten statt Tagen eine zusammengefasste Sicht. Ein Mensch prüft sie, um festzustellen, was das Modell übersehen oder überbewertet hat; die Zusammenfassung ist ein Ausgangspunkt, nicht das endgültige Urteil.
3. Einen funktionsfähigen Prototyp erstellen: Das ist die größte Veränderung. Statt eine Spezifikation zu schreiben und auf Entwicklungskapazitäten zu warten, setzt ein kleines Team mithilfe von KI-Programmierwerkzeugen eine funktionsfähige Software mit einer echten Benutzeroberfläche auf – kein anklickbares Mock-up, sondern etwas, das tatsächlich läuft. Tage statt Wochen.
4. Menschen damit arbeiten lassen: Wir stellen den funktionsfähigen Prototyp frühzeitig Stakeholdern oder einem Partner vor. Weil er real ist, ist auch das Feedback echt – wir diskutieren Verhalten und Sonderfälle, statt auf eine Präsentation zu reagieren.
5. Mit Urteilsvermögen entscheiden: Hier tritt die KI zurück. Ob wir weiter investieren, wie das Vorhaben in die Roadmap passt und welche Auswirkungen die Kontroll- und Compliance-Anforderungen haben – das sind menschliche Entscheidungen, für die von vornherein eine klare Verantwortlichkeit festgelegt ist.

Warum sich der Verantwortungsbereich von PMs ändern muss

Deshalb definiere ich den Umfang der Verantwortung von PMs, die Übergabepunkte zwischen Produkt und Entwicklung und – besonders wichtig – die Qualitätsstandards für von PMs erstellte Artefakte, die in die Produktion gelangen, aktiv neu.

Sobald ein PM etwas durchgängig bis zur Auslieferung bringen kann, müssen wir neue Fragen beantworten, zu denen uns das alte Modell nie gezwungen hat. Wofür ist ein PM jetzt verantwortlich, wofür vorher nicht? An welchen Stellen muss das Urteilsvermögen der Entwicklung die Arbeit weiterhin begrenzen, und wo verlangsamt es sie lediglich? Was bedeutet „produktionsbereit“, wenn die Person, die etwas entwickelt hat, kein Entwickler ist?

Mein Fokus liegt auf Kohärenz, nicht auf schnellerer Auslieferung um ihrer selbst willen. Wenn wir allen die Möglichkeit geben zu entwickeln, besteht die Gefahr, dass jeder seine eigene Version von allem erstellt und die Organisation in leistungsfähige Silos zersplittert, die nicht aufeinander aufbauen. Bei der Neugestaltung geht es daher ebenso um gemeinsame Grundlagen und einen gemeinsamen Qualitätsstandard wie darum, PMs mehr Handlungsspielraum zu geben. Wenn es richtig umgesetzt wird, arbeiten Teams deutlich schneller und bauen aufeinander auf, statt aneinander vorbei zu arbeiten.

Warum KI Optionen entwickeln sollte, während Menschen ihr Urteilsvermögen einsetzen

KI ist hervorragend darin, Optionen zu entwickeln; Menschen müssen weiterhin das Urteilsvermögen verantworten, insbesondere im regulierten Bankwesen.

Ich verlasse mich auf KI für:

• Entdeckung und Zusammenführung: Erkenntnisse aus Forschung, Support-Tickets, Partnerfeedback und dem Wettbewerbsumfeld wesentlich schneller herauszuarbeiten, als ein Mensch alles lesen könnte.
• Prototypenentwicklung und Experimentieren: Funktionsfähige Software aufzusetzen, um eine Idee zu testen, statt über sie zu diskutieren.
• Den ersten Entwurf von fast allem: Anforderungen, Analysen und Marktübersichten.

Die KI bringt uns innerhalb von Minuten zu einem glaubwürdigen Ausgangspunkt – zu etwas, das früher den größten Teil unserer Zeit in Anspruch genommen hat.

In folgenden Bereichen bleibt es ausdrücklich menschlich:

• Priorisierung und die Entscheidung über die Roadmap: Die KI kann Zielkonflikte aufzeigen, aber die Entscheidung darüber, was wir entwickeln – und worauf wir bewusst verzichten –, erfordert ein Urteil über Strategie, Risikobereitschaft und unsere Kunden, das ich nicht auslagern möchte.
• Alles, was regulatorische Entscheidungen oder Risikoentscheidungen berührt: In unserer Welt ist „Das Modell hat es vorgeschlagen“ keine Antwort, die man einer Aufsichtsbehörde geben kann.
• Die schwierigen Gespräche mit Menschen und Stakeholdern: Damit meine ich, die Stimmung im Raum zu erfassen und mit konkurrierenden Prioritäten bei verschiedenen Partnern umzugehen. Diese Aufgaben sind unwiderruflich menschlich.

Wie KI sowohl Geschwindigkeit als auch übermäßiges Vertrauen in die eigenen Fähigkeiten erzeugt

Der deutlichste Erfolg zeigt sich bei der Geschwindigkeit am Anfang des Lebenszyklus:

• Prototyping-Zyklen, die früher Wochen dauerten, dauern jetzt nur noch Tage. Das bedeutet, dass wir mehr Ideen testen und die schlechten früher verwerfen – bevor sie tatsächlich verfügbare Kapazitäten in der Entwicklung binden.
• Meine PMs kommen jetzt in einem Bruchteil der Zeit durch Recherche, Support-Feedback und Wettbewerbsanalysen und gehen dadurch besser vorbereitet in Priorisierungsgespräche.
• PMs, die ohne einen Engineer nichts ausliefern konnten, können jetzt selbst einen funktionierenden Prototyp erstellen. Das verändert die Energie im Team. Die Menschen fühlen sich wieder mehr wie Macher.

Aber wir mussten auf die harte Tour lernen, dass KI selbst dann selbstbewusst auftritt, wenn sie falsch liegt, und dass das in einem regulierten Umfeld gefährlich ist. Zu Beginn sah ein Prototyp so ausgereift aus, dass er ein falsches Vertrauen darin erzeugte, wie nah wir bereits an etwas Echtem waren. Die Demo funktionierte, aber die schwierigen 20 % – die Sonderfälle, die Kontrollen und die Compliance-Logik – waren völlig unbearbeitet.

Die Lehre daraus war, dass KI die Kosten für die ersten 80 % so drastisch senkt, dass Teams die verbleibenden 20 % unterschätzen – und genau dort liegt die gesamte Schwierigkeit im Bankwesen. Wir trennen jetzt ausdrücklich zwischen „sieht fertig aus“ und „ist fertig“, und ich habe es zur Norm gemacht, dass eine funktionierende Demo der Beginn des schwierigen Gesprächs ist, nicht dessen Ende.

Abhis Gedanken

Die Lehre daraus war, dass KI die Kosten für die ersten 80 % so drastisch senkt, dass Teams die verbleibenden 20 % unterschätzen – und genau dort liegt die gesamte Schwierigkeit im Bankwesen. Wir trennen jetzt ausdrücklich zwischen \u0022\u003cem\u003esieht fertig aus\u003c/em\u0022 und \u0022\u003cem\u003eist fertig,\u003c/em\u003e\u0022, und ich habe es zur Norm gemacht, dass eine funktionierende Demo der Beginn des schwierigen Gesprächs ist, nicht dessen Ende.

Die Lücke zwischen Demo und Produktwert

Zwischen Demo-Magie und nachhaltigem Produktwert liegt eine große Lücke. KI glänzt beim beeindruckenden Schritt von null auf eins, enttäuscht aber regelmäßig bei der unspektakulären Arbeit, die dauerhafte Wirkung erzielt.

Einige konkrete Beispiele:

• Die „letzte Meile“ in regulierten Arbeitsabläufen: KI liefert schnell einen funktionierenden Prototyp, aber im Bankwesen liegt der Wert nicht im reibungslosen Standardablauf – er liegt in Kontrollen, Prüfpfaden, der Behandlung von Ausnahmen und der Abstimmungslogik. Diesen Teil hat KI nicht wesentlich beschleunigt. Ich hatte erwartet, dass sie den gesamten Entwicklungsprozess verkürzt; tatsächlich hat sie nur die erste Hälfte verkürzt. Die zweite Hälfte ist nach wie vor genauso schwierig, und dort entsteht der größte Teil des tatsächlichen Produktwerts.
• Integration in die Realität bestehender Systeme: Ein großer Teil des Werts einer Plattform entsteht dadurch, wie sauber sie sich in bestehende Systeme integrieren lässt – Partner-APIs, Kernprozessoren und jahrzehntealte interne Dienste. KI-Tools sind in Umgebungen mit Neuentwicklungen hervorragend, verlieren aber deutlich an Stärke, sobald sie auf unsere tatsächlichen Einschränkungen stoßen. Die komplexe, kontextabhängige Integrationsarbeit, die die Entwicklung von Plattformen in der realen Welt prägt, ist genau der Bereich, in dem sie am wenigsten helfen.
• Entscheidungsqualität auf der Strategieebene: Ich hatte gehofft, dass KI-gestützte Synthese unsere Priorisierung schärfen würde. Sie hat uns schneller und besser informiert gemacht, aber die schwierigen Entscheidungen nicht leichter gemacht – denn bei schwierigen Entscheidungen ging es nie um fehlende Informationen, sondern um Überzeugung, Abwägungen und Risikobereitschaft. KI hat uns mehr Analysen geliefert, aber nicht mehr Klarheit. Das war eine nützliche Korrektur unserer Erwartungen.

Warum die KI-Integration schrittweise erfolgen sollte

Man kann die unteren Ebenen nicht überspringen. Der Impuls bei KI – insbesondere bei den leistungsfähigen Modellen von heute – besteht darin, direkt nach dem beeindruckenden Endzustand zu greifen: dem autonomen System, dem Agenten, der selbstständig handelt. Ich habe gelernt, dass man sich diesen Zustand erst verdienen muss. Der Versuch, den Weg abzukürzen, kostet einen etwas.

Heute denke ich darüber als einen Reifeprozess. Die KI-Fähigkeit in jedem ernsthaften operativen Kontext entwickelt sich in Stufen – zunächst Produktivität (bestehende Arbeit schneller erledigen), dann Effizienz (Routineprozesse automatisieren), danach Intelligenz (tiefere Erkenntnisse und Unterstützung bei Entscheidungen) und erst dann Autonomie (Systeme, die selbstständig handeln). Jede Ebene hängt von der darunterliegenden ab. Man kann keinen zuverlässigen Agenten auf einer Plattform einsetzen, die sich noch nicht selbst beobachten, ihre eigene Konfiguration offenlegen oder erklären kann, warum sie eine Entscheidung getroffen hat. Autonomie ohne Beobachtbarkeit ist keine Weiterentwicklung – sie ist ein Risiko, das man nicht erkennen kann.

Wenn ich das früher erkannt hätte, hätte ich der Versuchung widerstanden, zu viel zu versprechen, was die Spitze des Technologie-Stacks betrifft, bevor das Fundament stabil war. Die ehrgeizigste Demo zieht einen leicht in ihren Bann, weil sie alle begeistert. Aber eine auffällige autonome Fähigkeit auf einem unausgereiften Fundament versagt auf schwer diagnostizierbare Weise und untergräbt schnell das Vertrauen – und Vertrauen ist, sobald es durch ein System verspielt wurde, das falsch gehandelt hat, nur teuer wiederherzustellen.

Ich würde also jedem, der sein erstes KI-gestütztes Produkt auf den Markt bringt, sagen: Seid ehrlich, auf welcher Ebene ihr euch befindet, liefert auf dieser Ebene echten Mehrwert und lasst die übergeordneten Fähigkeiten sich ihren Platz verdienen. Die Reihenfolge ist das A und O.

Wie CPOs auf die richtige Knappheit optimieren können

Insgesamt lautet mein Rat, nicht länger auf die falsche Knappheit zu optimieren.

Während des größten Teils unserer beruflichen Laufbahn lag der Engpass in der Produktion – darin, Dinge umzusetzen. Also richteten wir alles auf den Durchsatz aus: Rückstände, Kapazitätsplanung, schnelleres Ausliefern. KI hat diesen Engpass einfach beseitigt. Die Kosten für die Erstellung einer Option, eines Prototyps, eines Entwurfs oder einer Analyse nähern sich null. Und wenn eine Einschränkung verschwindet, wird eine neue zum entscheidenden Faktor.

Die neue knappe Ressource ist Urteilsvermögen – zu wissen, was sich zu bauen lohnt, wozu man Nein sagen sollte, wie „gut“ aussieht und was die selbstbewusste Ausgabe der KI stillschweigend falsch macht. Daher besteht mein Rat aus drei Teilen:

1. Setzt eure KI-Dividende für Urteilsvermögen ein, nicht nur für Geschwindigkeit: Der Sinn darin, schneller zu werden, besteht nicht darin, mehr auszuliefern – sondern darin, mehr Chancen zu erhalten, damit ihr wählerischer sein könnt. Wenn KI euch lediglich dazu bringt, schneller mehr von den falschen Dingen zu bauen, habt ihr das Problem verschlimmert, nicht verbessert.
2. Bleibt nahe am Handwerk: Die Führungskräfte, die Schwierigkeiten bekommen werden, sind diejenigen, die das als die Tooling-Entscheidung anderer betrachten. Baut selbst etwas. Ihr könnt ein Team nicht durch einen Wandel führen, über den ihr nur gelesen habt – eure Instinkte werden auf eine Welt kalibriert sein, die nicht mehr existiert.
3. Schärft euer Fachgebiet, statt es vager zu machen: Heute hat jeder Zugang zur gleichen universell einsetzbaren KI. Euer Vorteil ist nicht das Modell – es ist das spezifische, mühsam erworbene Wissen über eure Kunden, eure regulatorischen Rahmenbedingungen und euer Geschäft. KI macht das Allgemeine zur Massenware und das Spezifische wertvoller. Setzt auf das, was euch gehört.

Dieser Moment belohnt Geschmack und Überzeugung mehr als Informationen und Einsatz. Das ist unangenehm, weil ihr den Einsatz kontrollieren könnt, Geschmack jedoch entwickeln müsst. Aber die Führungskräfte, die das früh verinnerlichen, werden davon langfristig profitieren.

Weiter verfolgen

Ihr könnt Abhi Gandotras Arbeit auf LinkedIn und auf seiner Website verfolgen. Oder seht euch sein Buch Der souveräne Agent an.

Weitere Experteninterviews folgen im The CPO Club!