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

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

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

Vom Engineering 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. Daher habe ich Technologie nie als Blackbox betrachtet. Wenn etwas nicht ausgeliefert wird, möchte ich wissen, warum – und zwar auf der Ebene, auf der es scheitert.

Ich wechselte ins Produktmanagement, weil mir weniger wichtig war, Dinge richtig zu bauen, und wichtiger, die richtigen Dinge zu bauen. Bei Green Dot verbrachte ich mehr als ein Jahrzehnt damit, eine Plattform für Bankdienstleistungen als Service aufzubauen – wir entwickelten sie von einer Idee zu mehr als 1 Mrd. US-Dollar B2B-Umsatz mit über 80 Unternehmenskunden. Das hat mich in dem bestätigt, woran ich nach wie vor 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 bloß ein Hype. Ich setze diese Tools gerade produktiv ein – ich entwickle Agenten, baue ein KI-Weiterbildungsprogramm für meine gesamte Organisation auf und leite kleine Teams, die in wenigen Tagen von der Idee zu funktionierender Software gelangen. Meine technischen Instinkte 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 Bank- und Zahlungsverkehrsplattform, auf der unsere Angebote für Privat- und Geschäftskunden aufbauen. Sie bildet die Infrastrukturebene: die technischen Grundlagen, Konto- und Geldtransferfunktionen sowie die Kontrollmechanismen, die alle kundenorientierten Elemente unterstützen.

Unsere „Nutzer“ lassen sich in zwei unterschiedliche Zielgruppen einteilen: Endkunden, die das Produkt als ihr Bank- und Zahlungsverkehrsangebot erleben, sowie interne Produkt- und Softwareentwicklungsteams, die auf unserer Plattform aufbauen. Plattformarbeit erfordert, Entwicklern und Endnutzern gleichzeitig zu dienen – 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 Regelkonformität keine besonderen Merkmale, sondern Grundvoraussetzungen sind. Unser Bereitstellungsmodell verbindet internes Produktmanagement und Softwareentwicklung mit wichtigen Technologiepartnern. Daher koordiniere ich weitgehend – ich stimme interne Entwicklungspläne mit externen Möglichkeiten und den von unseren Risiko- und Compliance-Teams geforderten Kontrollen ab.

Wie KI die Prototypenentwicklung von der Softwareentwicklung ins Produktmanagement verlagert

Die größte Veränderung bestand darin, dass ich Prototypenentwicklung nicht mehr als Anfrage an die Softwareentwicklung behandelte, 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 Nutzer oder Partner zur Bewertung entwickelt wurde. Jetzt leite ich kleine Teams, die innerhalb weniger Tage vom Konzept zu funktionierender Software gelangen – mithilfe von KI-Programmierwerkzeugen, um einen funktionsfähigen Prototypen auf Basis eines echten SDK zu erstellen, nicht bloß ein anklickbares Modell. Bei einer kürzlich gestarteten Initiative, einer Lohnabrechnungsintegration, entwickelte und testete ein kleines Team in der Zeit, die zuvor für die Abstimmung der Anforderungen benötigt wurde, eine funktionierende Integration.

Das hat verändert, wie wir Entscheidungen treffen. Wenn man innerhalb weniger Tage funktionierende Software einem Partner oder Beteiligten präsentieren kann, wird das Gespräch nicht mehr abstrakt – man diskutiert über etwas Reales mit echten Grenzen, statt über eine Präsentation zu streiten. Dadurch ist ein großer Teil der Analyseblockade verschwunden, die früher den Beginn unserer Entwicklungsplanung verschlang. Und da die Produktmanager in meinem Team Prototypen selbst konzipieren und aufsetzen, fließt die Zeit der Softwareentwicklung in das, wofür sie wirklich benötigt wird.

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

Ein praxisnaher Arbeitsablauf von der Idee zum Prototypen

Hier ist unser verallgemeinerter Arbeitsablauf von der Idee bis zum funktionsfähigen Prototyp – komprimiert von Wochen auf Tage.

1. Das Problem eingrenzen: Es beginnt menschlich – mit dem Bedarf eines Partners oder einer Lücke, die wir entdeckt haben. Ich nutze einen KI-Assistenten als Denkpartner, um die Eingrenzung kritisch zu prüfen: Für wen ist es gedacht, welche konkrete Aufgabe soll erledigt werden 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 die relevanten Materialien – Forschungsergebnisse, Themen aus dem Kundendienst, die Wettbewerbssituation und bisherigen internen Kontext – und erhalten innerhalb von Minuten statt Tagen eine zusammengefasste Sicht. Ein Mensch überprüft sie, um zu erkennen, was das Modell übersehen oder überbewertet hat; die Zusammenfassung ist ein Ausgangspunkt, nicht das endgültige Urteil.
3. Einen funktionsfähigen Prototyp entwickeln: Das ist die größte Veränderung. Statt eine Spezifikation zu schreiben und auf Kapazitäten in der Entwicklung zu warten, setzt ein kleines Team mithilfe von KI-Programmierwerkzeugen funktionsfähige Software mit einer echten Benutzeroberfläche auf – kein anklickbares Modell, sondern etwas, das tatsächlich läuft. Tage statt Wochen.
4. Den Prototyp Menschen zeigen: Wir präsentieren den funktionsfähigen Prototyp frühzeitig Beteiligten oder einem Partner. Weil er echt ist, sind auch die Rückmeldungen authentisch – 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 es in den Produktplan passt und welche Auswirkungen die Anforderungen an Kontrolle und Regelkonformität haben – das sind menschliche Entscheidungen mit klarer Verantwortlichkeit von Anfang an.

Warum sich der Verantwortungsbereich von PMs ändern muss

Deshalb definiere ich derzeit den Verantwortungsbereich von PMs, die Übergabepunkte zwischen Produkt und Entwicklung und – entscheidend – den Qualitätsmaßstab für von PMs erstellte Artefakte, die in die Produktion gelangen, aktiv neu.

Sobald ein PM etwas vollständig ausliefern kann, müssen neue Fragen beantwortet werden, zu denen das alte Modell nie gezwungen hat. Wofür ist ein PM jetzt verantwortlich, wofür vorher nicht? An welcher Stelle muss das Urteilsvermögen der Entwicklung die Arbeit weiterhin abnehmen, und an welcher Stelle bremst es sie nur aus? Was bedeutet „produktionsbereit“, wenn die Person, die etwas entwickelt hat, kein Entwickler ist?

Mein Fokus liegt auf Kohärenz, nicht auf schnellerem Ausliefern um seiner selbst willen. Wenn jeder die Möglichkeit erhält, etwas zu entwickeln, besteht die Gefahr, dass alle ihre eigene Version von allem bauen und die Organisation in leistungsfähige, abgeschottete Bereiche zerfällt, die sich nicht gegenseitig verstärken. Bei der Neugestaltung geht es daher ebenso sehr um gemeinsame Grundlagen und einen gemeinsamen Qualitätsstandard wie darum, PMs mehr Möglichkeiten zu geben. Wenn es richtig umgesetzt wird, arbeiten Teams deutlich schneller und bauen aufeinander auf, anstatt aneinander vorbei zu arbeiten.

Warum KI Optionen hervorbringen sollte, während Menschen ihr Urteilsvermögen einsetzen

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

Ich nutze KI für:

• Recherche und Zusammenfassung: relevante Erkenntnisse aus Forschungsergebnissen, Kundendienstanfragen, Rückmeldungen von Partnern und der Wettbewerbssituation deutlich schneller herauszufiltern, 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 nahezu allem: Anforderungen, Analysen und Marktübersichten.

KI bringt uns innerhalb von Minuten zu einem glaubwürdigen Ausgangspunkt – zu etwas, das früher den Großteil unserer Zeit beansprucht hat.

Ich behalte ausdrücklich in menschlicher Hand:

• Priorisierung und die Entscheidung über den Produktplan: KI kann Zielkonflikte aufzeigen, aber die Entscheidung darüber, was wir entwickeln – und worauf wir bewusst verzichten –, erfordert ein Urteilsvermögen in Bezug auf Strategie, Risikobereitschaft und unsere Kunden, das ich nicht auslagern möchte.
• Alles, was regulatorische Entscheidungen oder Risikoentscheidungen betrifft: In unserer Welt ist „Das Modell hat es vorgeschlagen“ keine Antwort, die man einer Aufsichtsbehörde geben kann.
• Die schwierigen Entscheidungen mit Menschen und Beteiligten: Damit meine ich, die Stimmung im Raum zu erfassen und konkurrierende Prioritäten unter Partnern zu navigieren. Diese Aufgaben sind untrennbar menschlich.

Wie KI sowohl Geschwindigkeit als auch übermäßiges Selbstvertrauen bringt

Abhis Gedanken

Die Erkenntnis 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,</em", und ich habe es zur Norm gemacht, dass eine funktionierende Demo der Beginn des schwierigen Gesprächs ist, nicht dessen Ende.

Der deutlichste Erfolg zeigt sich in der Geschwindigkeit zu Beginn des Lebenszyklus:

• Prototyping-Zyklen, die früher Wochen dauerten, dauern jetzt Tage. Dadurch testen wir mehr Ideen und verwerfen die schlechten früher – bevor sie echte Entwicklungskapazitäten binden.
• Meine Produktmanager kommen jetzt in einem Bruchteil der Zeit durch Recherche, Support-Feedback und Wettbewerbsanalysen, sodass sie besser vorbereitet in Priorisierungsgespräche gehen.
• Produktmanager, die ohne einen Entwickler nichts ausliefern konnten, können jetzt selbst einen funktionierenden Prototyp auf die Beine stellen. Das verändert die Energie im Team. Die Menschen fühlen sich wieder stärker als Gestalter.

Aber wir mussten auf die harte Tour lernen, dass KI-Ausgaben selbst dann selbstsicher wirken, wenn sie falsch sind – und das ist in einem regulierten Umfeld gefährlich. Zu Beginn sah ein Prototyp so ausgereift aus, dass er ein falsches Vertrauen darin schuf, 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 Erkenntnis 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.

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 nachhaltige Wirkung erzeugt.

Einige konkrete Beispiele:

• Die „letzte Meile“ in regulierten Arbeitsabläufen: KI liefert schnell einen funktionierenden Prototyp, aber im Bankwesen liegt der Wert nicht im Idealablauf – sondern in Kontrollen, Prüfpfaden, der Behandlung von Ausnahmefällen und der Abstimmungslogik. Diesen Teil hat KI nicht nennenswert beschleunigt. Ich hatte erwartet, dass sie den gesamten Entwicklungsprozess komprimiert; tatsächlich hat sie nur die erste Hälfte komprimiert. Die zweite Hälfte ist nach wie vor genauso schwierig, und dort liegt der größte Teil des echten Produktwerts.
• Integration in die Realität veralteter Systeme: Ein großer Teil des Werts einer Plattform ergibt sich daraus, wie reibungslos sie sich in bestehende Systeme integrieren lässt – Partner-APIs, zentrale Verarbeitungssysteme und jahrzehntealte interne Dienste. KI-Werkzeuge sind in Umgebungen mit vollständig neuen Systemen hervorragend, werden aber merklich schwächer, sobald sie auf unsere tatsächlichen Einschränkungen stoßen. Genau bei der unübersichtlichen, kontextintensiven Integrationsarbeit, die die Plattformentwicklung in der Praxis ausmacht, helfen sie am wenigsten.
• Entscheidungsqualität auf der Strategieebene: Ich hatte gehofft, dass KI-Synthese unsere Priorisierung schärfen würde. Sie hat uns schneller und besser informiert gemacht, aber die schwierigen Entscheidungen nicht einfacher – 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. Diese Erwartung zu korrigieren, war hilfreich.

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 eigenständig handelt. Ich habe gelernt, dass man sich diesen Weg erst verdienen muss. Der Versuch, ihn abzukürzen, kostet einen am Ende mehr.

Heute betrachte ich das als eine Entwicklung der Reife. Die KI-Fähigkeiten in jedem ernsthaften operativen Kontext durchlaufen mehrere Stufen – zuerst Produktivität (bestehende Arbeit schneller erledigen), dann Effizienz (routinemäßige Schritte automatisieren), anschließend Intelligenz (tiefere Erkenntnisse und Entscheidungsunterstützung) und erst danach Autonomie (Systeme, die eigenständig 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 sichtbar machen oder erklären kann, warum sie eine Entscheidung getroffen hat. Autonomie ohne Beobachtbarkeit ist keine Weiterentwicklung – sondern ein Risiko, das man nicht sehen kann.

Hätte ich das früher erkannt, hätte ich die Versuchung, zu viel zu versprechen, bevor das Fundament solide war, vermieden. Die ambitionierteste Demo zieht einen leicht in ihren Bann, weil sie alle begeistert. Doch eine spektakuläre autonome Fähigkeit auf einem unausgereiften Fundament versagt auf schwer zu diagnostizierende Weise und untergräbt schnell das Vertrauen – und Vertrauen ist, wenn es in ein System investiert wurde, das sich falsch verhalten hat, teuer wiederherzustellen.

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

Wie CPOs auf die richtige Knappheit optimieren können

Insgesamt rate ich dazu, nicht länger auf die falsche Knappheit zu optimieren.

Während des größten Teils unserer beruflichen Laufbahn lag der Engpass in der Produktion – darin, Dinge zu entwickeln. Deshalb haben wir alles auf Durchsatz ausgerichtet: Backlogs, Kapazitätsplanung, schnellere Auslieferung. 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 die Entwicklung wert ist, wozu man Nein sagen sollte, wie „gut“ aussieht und was die selbstsichere 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 davon, schneller zu werden, besteht nicht darin, mehr auszuliefern – sondern mehr Chancen zu erhalten, damit ihr selektiver sein könnt. Wenn KI euch lediglich dazu bringt, schneller mehr von den falschen Dingen zu entwickeln, habt ihr das Problem verschlimmert, nicht gelöst.
2. Bleibt eng mit dem Handwerk verbunden: Die Führungskräfte, die Schwierigkeiten bekommen werden, sind diejenigen, die dies als die Werkzeugentscheidung anderer betrachten. Entwickelt 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 Domänenwissen, statt vager zu werden: Heute hat jeder Zugang zur gleichen KI für allgemeine Zwecke. Euer Vorteil ist nicht das Modell – es ist das spezifische, mühsam erworbene Wissen über eure Kunden, eure regulatorische Realität und euer Unternehmen. KI macht das Allgemeine zur Massenware und das Spezifische wertvoller. Konzentriert euch auf das, was euch ausmacht.

Dieser Moment belohnt Geschmack und Überzeugung mehr als Informationen und Anstrengung. Das ist unangenehm, weil ihr Anstrengung kontrollieren könnt, während ihr Geschmack erst entwickeln müsst. Doch die Führungskräfte, die das früh verinnerlichen, werden davon langfristig profitieren.

Bleibt auf dem Laufenden

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

Weitere Experteninterviews im The CPO Club folgen!