VP für Produktentwicklung bei Amex sagt: KI muss schrittweise in Produktorganisationen integriert werden — eine einzige übersprungene Stufe wird dich 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 VP für Produktmanagement bei American Express. Außerdem ist er der Autor von „Der souveräne Agent“.

Er war bei uns zu Gast, um zu teilen, was er lernt, während KI die Grenzen zwischen Produktentwicklung und Produktmanagement noch weiter verwischt. Das hat er uns erzählt.

Von der Produktentwicklung zum Produktmanagement

Ich bin Abhi Gandotra und leite die Produktorganisation für die Bankplattform 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 – und zwar 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 habe ich mehr als ein Jahrzehnt lang eine Plattform für Bankdienstleistungen aufgebaut – wir entwickelten sie von einer Idee zu mehr als 1B $ B2B-Umsatz mit über 80 Unternehmenskunden. Dabei lernte ich, 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 des Bank- und Zahlungsverkehrs – in einem anderen Maßstab und mit den entsprechenden regulatorischen Anforderungen.

Der KI-Moment ist für mich nicht einfach nur Hype. Ich setze diese Tools gerade produktiv ein – entwickle Agenten, baue ein KI-Weiterbildungsprogramm für meine gesamte Organisation auf und betreibe kleine Teams, die innerhalb weniger Tage 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 Bankplattform bei American Express – die digitale Bank- und Zahlungsplattform, auf der unsere Bankerlebnisse für Privat- und Geschäftskunden aufbauen. Sie bildet die Infrastrukturebene: die technischen Grundlagen, Konto- und Geldbewegungsfunktionen sowie die Kontrollen, die alle kundenorientierten Elemente unterstützen.

Unsere „Nutzer“ umfassen zwei unterschiedliche Zielgruppen: Endkunden, die das Produkt als ihr Banking- und Zahlungssystem erleben, sowie interne Produkt- und Produktentwicklungsteams, die auf unserer Plattform aufbauen. Plattformarbeit erfordert, gleichzeitig Entwickler und Endnutzer 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 Regelkonformität keine Besonderheiten, sondern Grundvoraussetzungen sind. Unser Bereitstellungsmodell kombiniert internes Produktmanagement und Produktentwicklung mit wichtigen Technologiepartnern. Daher koordiniere ich größtenteils – indem ich interne Fahrpläne mit externen Fähigkeiten und den von unseren Risiko- und Regelkonformitätsteams geforderten Kontrollen abstimme.

Wie KI die Prototypenentwicklung von der Produktentwicklung ins Produktmanagement verlagert

Die größte Veränderung bestand darin, dass ich Prototypenentwicklung nicht mehr als Anfrage an die Produktentwicklung behandle, sondern als Produktkompetenz etabliert habe.

Vor einem Jahr bedeutete die Validierung einer neuen Idee, eine Aufgabenbeschreibung zu verfassen, sie in eine Aufgabenliste aufzunehmen und wochenlang auf Kapazitäten in der Produktentwicklung zu warten, damit etwas gebaut wurde, das Nutzer oder Partner bewerten konnten. 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 SDK aufzusetzen, nicht nur ein klickbares Modell. Bei einer kürzlich gestarteten Initiative, einer Lohnabrechnungsintegration, entwickelte und testete ein kleines Team innerhalb der Zeit, die zuvor 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, wird das Gespräch konkret – man diskutiert etwas Reales mit echten Grenzen, statt über eine Präsentation zu streiten. Dadurch ist ein großer Teil der Analyse-Lähmung verschwunden, die früher den Anfang unseres Fahrplans verschlang. Und da die Produktmanager in meinem Team Prototypen selbst konzipieren und aufsetzen, fließt die Zeit der Produktentwicklung 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 Arbeitsablauf von der Idee zum Prototypen

Hier ist unser verallgemeinerter Workflow von der Idee bis zum funktionierenden Prototypen – komprimiert von Wochen auf Tage.

1. Das Problem definieren: Es beginnt mit dem Menschen – einem Bedarf eines Partners oder einer von uns erkannten Lücke. Ich nutze einen KI-Assistenten als Denkpartner, um die Problemdefinition kritisch zu prüfen: Für wen ist es gedacht, was ist die tatsächliche zu erledigende Aufgabe und was würde es nicht lohnenswert machen, es zu entwickeln? Dadurch wird die Fragestellung geschärft, bevor die Entwicklung beginnt.
2. Die Eingaben zusammenführen: Wir geben der KI das relevante Material – Recherchen, Support-Themen, die Wettbewerbssituation und frühere interne Zusammenhänge – und erhalten innerhalb von Minuten statt Tagen eine zusammengefasste Übersicht. Ein Mensch prüft sie, um zu erkennen, was das Modell übersehen oder überbewertet hat; die Zusammenfassung ist ein Ausgangspunkt, nicht das endgültige Urteil.
3. Einen funktionierenden Prototypen entwickeln: Das ist die größte Veränderung. Statt eine Spezifikation zu verfassen und auf Entwicklungskapazitäten zu warten, setzt ein kleines Team mithilfe von KI-Programmierwerkzeugen funktionsfähige Software mit einer echten Benutzeroberfläche auf – kein klickbares Modell, sondern etwas, das tatsächlich läuft. Tage statt Wochen.
4. Den Prototypen Menschen zeigen: Wir präsentieren den funktionierenden Prototypen frühzeitig Interessengruppen 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 einen Schritt zurück. Ob wir weiter investieren, wie es in den Produktplan passt und welche Auswirkungen sich auf Kontrollen und Compliance ergeben – das sind menschliche Entscheidungen mit klarer Verantwortlichkeit von Anfang an.

Warum sich der Verantwortungsbereich von PMs ändern muss

Aus diesem Grund definiere ich derzeit den Verantwortungsbereich von PMs, die Übergabepunkte zwischen Produktentwicklung und Technik und – besonders wichtig – den Qualitätsmaßstab für von PMs erstellte Artefakte, die in die Produktion gehen, aktiv neu.

Sobald ein PM eine Lösung vollständig von Anfang bis Ende ausliefern kann, müssen neue Fragen beantwortet werden, die das alte Modell nie aufgeworfen hat. Wofür ist ein PM jetzt verantwortlich, wofür zuvor nicht? Wo muss das Urteilsvermögen des Entwicklungsteams weiterhin als Kontrollinstanz für die Arbeit dienen, und wo verlangsamt es sie lediglich? Was bedeutet „produktionsbereit“, wenn die Person, die etwas entwickelt hat, kein Ingenieur ist?

Mein Fokus liegt auf Konsistenz, nicht auf schnellerer Auslieferung um ihrer selbst willen. Wenn jeder die Möglichkeit erhält, etwas zu entwickeln, besteht das Risiko, dass jeder seine eigene Version von allem erstellt und die Organisation in leistungsfähige Silos zersplittert, die nicht aufeinander aufbauen. Daher geht es bei der Neugestaltung ebenso sehr um gemeinsame Grundlagen und einen gemeinsamen Qualitätsstandard wie darum, PMs neue Möglichkeiten zu eröffnen. Wenn es richtig umgesetzt wird, arbeiten Teams erheblich schneller und bauen aufeinander auf, statt aneinander vorbei.

Warum die KI Optionen generieren sollte, während Menschen ihr Urteilsvermögen einsetzen

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

Ich nutze KI für:

• Recherche und Zusammenführung: relevante Erkenntnisse aus Recherchen, Support-Anfragen, Rückmeldungen von Partnern und der Wettbewerbssituation deutlich schneller herauszufiltern, als ein Mensch alles lesen könnte.
• Prototypentwicklung und Experimentieren: funktionierende 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 Großteil unserer Zeit in Anspruch nahm.

Ich belasse Folgendes ausdrücklich in menschlicher Hand:

• Priorisierung und die Entscheidung über den Produktplan: Die KI kann Zielkonflikte aufzeigen, aber zu entscheiden, 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 berührt: In unserer Welt ist „Das Modell hat es vorgeschlagen“ keine Antwort, die man einer Aufsichtsbehörde geben kann.
• Die schwierigen Entscheidungen im Umgang mit Menschen und Interessengruppen: Damit meine ich, die Stimmung im Raum zu erfassen und konkurrierende Prioritäten zwischen Partnern zu steuern. Diese Aufgaben sind untrennbar menschlich.

Wie KI sowohl Geschwindigkeit als auch übermäßiges Selbstvertrauen hervorbringt

Abhis Gedanken

Die Lektion bestand darin, dass KI die Kosten für die ersten 80 % so drastisch senkt, dass Teams die verbleibenden 20 % unterschätzen – und genau darin 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.

Der deutlichste Vorteil ist die Geschwindigkeit zu Beginn 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 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 erstellen. Das verändert die Energie im Team. Die Menschen fühlen sich wieder mehr wie diejenigen, die Dinge erschaffen.

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

Die Lektion bestand darin, dass KI die Kosten für die ersten 80 % so drastisch senkt, dass Teams die verbleibenden 20 % unterschätzen – und genau darin 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 klafft eine große Lücke. KI glänzt beim beeindruckenden Schritt von null auf eins, enttäuscht aber konsequent 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 Standardfall – er liegt in Kontrollen, Prüfpfaden, Ausnahmebehandlung und 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 veralteter Systeme: Ein großer Teil des Werts einer Plattform ergibt sich daraus, wie nahtlos sie sich in bestehende Systeme integrieren lässt – Partner-APIs, zentrale Verarbeitungssysteme und jahrzehntealte interne Dienste. KI-Tools sind in Umgebungen, die neu aufgebaut werden, besonders leistungsfähig, verlieren aber deutlich an Stärke, sobald sie auf unsere tatsächlichen Einschränkungen stoßen. Die unübersichtliche, kontextintensive Integrationsarbeit, die die Plattformentwicklung in der realen Welt ausmacht, ist genau der Bereich, in dem sie am wenigsten helfen.
• Qualität von Entscheidungen auf der Strategieebene: Ich hatte gehofft, dass KI-Synthesen unsere Priorisierung schärfen würden. Sie hat uns schneller und besser informiert gemacht, aber sie hat die schwierigen Entscheidungen nicht leichter gemacht – denn bei schwierigen Entscheidungen ging es nie um einen Mangel an Informationen, sondern um Überzeugung, Abwägungen und Risikobereitschaft. KI hat uns mehr Analysen gegeben, aber nicht mehr Klarheit. Das war eine hilfreiche Korrektur unserer Erwartungen.

Warum die KI-Integration schrittweise erfolgen sollte

Die unteren Ebenen kann man nicht überspringen. Der Impuls bei KI – insbesondere bei den leistungsfähigen Modellen von heute – besteht darin, direkt den beeindruckenden Endzustand anzustreben: das autonome System, den Agenten, der selbstständig handelt. Ich habe gelernt, dass man sich diesen Weg verdienen muss. Der Versuch, ihn abzukürzen, kommt teuer zu stehen.

Ich betrachte das inzwischen als eine Reifeentwicklung. Die KI-Fähigkeiten in jedem ernsthaften operativen Kontext entwickeln sich in Phasen – zunächst Produktivität (bestehende Arbeit schneller erledigen), dann Effizienz (Routineaufgaben automatisieren), anschließend Intelligenz (tiefere Erkenntnisse und Entscheidungsunterstützung) und erst danach Autonomie (Systeme, die selbstständig handeln). Jede Ebene baut auf der darunterliegenden auf. 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 Raffinesse – sie ist ein Risiko, das man nicht erkennen kann.

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

Deshalb würde ich jedem, der sein erstes KI-gesteuertes 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 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. Deshalb haben wir alles auf Durchsatz ausgerichtet: Backlogs, 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 es wert ist, entwickelt zu werden, wozu man Nein sagen sollte, wie „gut“ aussieht und was die selbstsichere Ausgabe der KI im Stillen falsch macht. Mein Rat besteht daher aus drei Teilen:

1. Verwendet eure KI-Dividende für Urteilsvermögen, nicht nur für Geschwindigkeit: Der Sinn darin, schneller zu werden, besteht nicht darin, mehr auszuliefern – sondern darin, mehr Chancen zu schaffen, damit ihr wählerischer 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 eine Tooling-Entscheidung anderer betrachten. Entwickelt selbst etwas. Ihr könnt ein Team nicht durch einen Wandel führen, über den ihr nur gelesen habt – eure Intuition wird auf eine Welt kalibriert sein, die nicht mehr existiert.
3. Schärft euer Fachwissen, statt es zu verallgemeinern: Heute haben alle Zugang zur gleichen universell einsetzbaren KI. Euer Vorteil ist nicht das Modell, sondern das spezifische, mühsam erworbene Wissen über eure Kunden, eure regulatorischen Rahmenbedingungen und euer Unternehmen. KI macht das Allgemeine zur Massenware und das Spezifische wertvoller. Konzentriert euch auf das, was euch ausmacht.

In diesem Moment zählen Geschmack und Überzeugung mehr als Information und Einsatz. Das ist unangenehm, weil ihr euren Einsatz 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 werft einen Blick auf sein Buch The Sovereign Agent.

Weitere Experteninterviews folgen im The CPO Club!