Le vice-président produit d’Amex affirme que l’IA doit être intégrée progressivement dans les organisations produit — sauter une seule étape vous coûtera cher

Abishek (Abhi) Gandotra a commencé sa carrière comme ingénieur, avant de passer aux produits — en emportant avec lui son expertise technique. Il est actuellement vice-président chargé des produits chez American Express. Il est également l’auteur de The Sovereign Agent.

Il nous a rejoints pour partager ce qu’il apprend alors que l’IA brouille encore davantage les frontières entre l’ingénierie et les produits. Voici ce qu’il nous a dit.

De l’ingénierie aux produits

Je suis Abhi Gandotra et je dirige l’organisation produit de la plateforme bancaire chez American Express. J’ai commencé comme ingénieur et consacré la première décennie de ma carrière à écrire du code. Par conséquent, je n’ai jamais considéré la technologie comme une boîte noire. Lorsqu’un produit n’est pas déployé, je veux savoir pourquoi — au niveau où le problème se produit.

Je suis passé aux produits parce que je me souciais moins de construire les choses correctement que de construire les bonnes choses. Chez Green Dot, j’ai passé plus d’une décennie à développer une plateforme de services bancaires — nous l’avons fait passer de l’idée à plus d’un milliard de dollars de revenus B2B auprès de plus de 80 partenaires entreprises. Cela m’a appris ce que je crois encore aujourd’hui : les plateformes gagnent lorsqu’elles rendent simples les problèmes difficiles des autres. Aujourd’hui, chez Amex, je fais la même chose pour les infrastructures bancaires et de paiement, à une autre échelle et avec les exigences réglementaires qui l’accompagnent.

Pour moi, le moment de l’IA n’est pas qu’un effet de mode. Je livre actuellement des produits avec ces outils — je construis des agents, je mets en place un programme de montée en compétences sur l’IA dans toute mon organisation et je dirige de petites équipes qui passent de l’idée au logiciel fonctionnel en quelques jours. Mes instincts d’ingénieur sont revenus en force. L’écart entre « j’ai une idée » et « elle fonctionne » n’a jamais été aussi court. C’est cette partie que je trouve passionnante — pas l’engouement, mais la vitesse d’exécution.

Diriger les produits depuis la couche d’infrastructure

Comme je l’ai dit, je dirige l’organisation produit de la plateforme bancaire chez American Express — la plateforme de banque numérique et de paiements qui sous-tend nos expériences bancaires destinées aux particuliers et aux entreprises. Il s’agit de la couche d’infrastructure : les rails, les fonctionnalités de gestion des comptes et de transfert d’argent, ainsi que les contrôles qui prennent en charge tous les éléments destinés aux clients.

Nos « utilisateurs » se répartissent en deux publics distincts : les clients finaux qui vivent le produit comme leurs services bancaires et de paiement, et les équipes produit et d’ingénierie internes qui construisent sur notre plateforme. Le travail sur une plateforme exige de servir simultanément les équipes de développement et les utilisateurs finaux — si vous n’optimisez que pour l’un des deux, l’autre en pâtit.

Nous opérons à l’échelle et selon les exigences réglementaires attendues d’une institution financière vieille de plus d’un siècle, ce qui signifie que la fiabilité et la conformité ne sont pas des fonctionnalités, mais des prérequis. Notre modèle de livraison associe des équipes produit et d’ingénierie internes à des partenaires technologiques clés. Je joue donc principalement un rôle de coordination — en alignant les feuilles de route internes sur les capacités externes et les contrôles exigés par nos équipes chargées des risques et de la conformité.

Comment l’IA fait passer le prototypage de l’ingénierie aux produits

Le plus grand changement que j’ai apporté est d’avoir cessé de considérer le prototypage comme une demande adressée à l’ingénierie pour en faire une capacité produit.

Il y a un an, valider une nouvelle idée signifiait rédiger un brief, l’ajouter à un carnet de tâches, puis attendre des semaines que l’ingénierie ait la capacité de construire quelque chose que les utilisateurs ou les partenaires pourraient évaluer. Désormais, je dirige de petites équipes qui passent du concept au logiciel fonctionnel en quelques jours — en utilisant des outils de programmation basés sur l’IA pour mettre en place un prototype fonctionnel s’appuyant sur un véritable kit de développement logiciel, et non sur une maquette cliquable. Lors d’une initiative récente portant sur une intégration de paie, une petite équipe a construit et testé une intégration fonctionnelle dans le temps qu’il fallait auparavant pour s’aligner sur les exigences.

Cela a changé notre façon de prendre des décisions. Lorsque vous pouvez présenter un logiciel fonctionnel à un partenaire ou à une partie prenante en quelques jours, la conversation cesse d’être abstraite — vous débattez de quelque chose de réel, avec de véritables limites, au lieu de vous disputer autour d’une présentation. Cela a largement éliminé la paralysie due à l’analyse qui dévorait autrefois le début de notre feuille de route. Et puisque les responsables produit de mon équipe définissent eux-mêmes le périmètre et mettent en place les prototypes, le temps de l’ingénierie est consacré à ce qui en a réellement besoin.

Désormais, le plus difficile n’est pas de construire. C’est de déterminer ce qui mérite de l’être. Le discernement et la hiérarchisation sont les ressources rares. C’est le changement sur lequel je me concentre le plus en tant que dirigeant.

Un flux de travail concret, de l’idée au prototype

Voici notre flux de travail général, de l'idée au prototype fonctionnel, condensé de plusieurs semaines à quelques jours.

1. Définir le problème : Tout commence par l'humain — un besoin exprimé par un partenaire ou une lacune que nous avons repérée. J'utilise un assistant IA comme partenaire de réflexion pour mettre le cadrage à l'épreuve : à qui cela s'adresse-t-il, quel est réellement le travail à accomplir et qu'est-ce qui ferait que cela ne vaudrait pas la peine d'être développé ? Cela permet d'affiner la question avant de commencer la construction.
2. Synthétiser les données d'entrée : Nous fournissons à l'IA les éléments pertinents — recherches, tendances des demandes d'assistance, paysage concurrentiel, contexte interne antérieur — et obtenons une vue synthétisée en quelques minutes au lieu de plusieurs jours. Un humain l'examine pour repérer ce que le modèle a manqué ou surpondéré ; la synthèse constitue un point de départ, pas un verdict.
3. Construire un prototype fonctionnel : C'est le changement le plus important. Au lieu de rédiger une spécification et d'attendre que l'ingénierie ait les capacités nécessaires, une petite équipe utilise des outils de programmation assistés par l'IA pour mettre en place un logiciel fonctionnel doté d'une véritable interface — pas une maquette cliquable, mais quelque chose qui fonctionne. En quelques jours, et non en quelques semaines.
4. Le présenter aux utilisateurs : Nous présentons rapidement le prototype fonctionnel aux parties prenantes ou à un partenaire. Comme il est réel, les retours sont authentiques — nous débattons du comportement et des cas limites, au lieu de réagir à une présentation.
5. Décider avec discernement : L'IA se met en retrait à ce stade. Décider si nous poursuivons l'investissement, déterminer comment cela s'inscrit dans la feuille de route et définir les implications en matière de contrôles et de conformité — ce sont des décisions humaines, avec une responsabilité clairement établie dès la conception.

Pourquoi le périmètre de responsabilité des PM doit évoluer

C'est pourquoi je redéfinis activement le périmètre des responsabilités des PM, les points de transfert entre les équipes produit et d'ingénierie et — point essentiel — le niveau d'exigence pour les livrables créés par les PM et destinés à la production.

Dès qu'un PM peut livrer un produit de bout en bout, il faut répondre à de nouvelles questions que l'ancien modèle ne vous obligeait jamais à poser. De quoi un PM est-il désormais responsable alors qu'il ne l'était pas auparavant ? À quel moment le jugement de l'ingénierie doit-il encore contrôler le travail, et à quel moment ne fait-il que le ralentir ? Que signifie « prêt pour la production » lorsque la personne qui l'a construit n'est pas ingénieure ?

Je privilégie la cohérence, et non l'accélération de la mise en production pour elle-même. Donner à chacun le pouvoir de construire risque de conduire chacun à créer sa propre version de chaque chose, fragmentant l'organisation en silos compétents qui ne se renforcent pas mutuellement. La refonte porte donc autant sur des fondations communes et un standard de qualité commun que sur l'autonomisation des PM. Lorsqu'elles sont bien menées, les équipes avancent beaucoup plus vite et s'appuient les unes sur les autres au lieu de travailler chacune de leur côté.

Pourquoi l'IA doit générer des options tandis que les humains exercent leur jugement

L'IA excelle à générer des options ; les humains doivent conserver la responsabilité du jugement, en particulier dans le secteur bancaire réglementé.

Je m'appuie sur l'IA pour :

• La découverte et la synthèse : extraire les informations pertinentes des recherches, des tickets d'assistance, des retours des partenaires et du paysage concurrentiel bien plus rapidement qu'un humain ne pourrait tout lire.
• Le prototypage et l'expérimentation : mettre en place un logiciel fonctionnel pour tester une idée plutôt que d'en débattre.
• La première version de presque tout : exigences, analyses et études du marché.

L'IA nous amène en quelques minutes à un point de départ crédible — une étape qui mobilisait auparavant la majeure partie de notre temps.

Je maintiens explicitement une intervention humaine pour :

• La priorisation et les décisions concernant la feuille de route : l'IA peut présenter les compromis, mais décider de ce que nous construisons — et de ce que nous choisissons délibérément de ne pas construire — exige un jugement sur la stratégie, l'appétence au risque et nos clients que je ne suis pas prêt à externaliser.
• Tout ce qui touche aux décisions réglementaires ou liées aux risques : dans notre domaine, « le modèle l'a suggéré » n'est pas une réponse que l'on peut donner à un régulateur.
• Les décisions humaines et celles impliquant les parties prenantes : par là, j'entends comprendre l'ambiance, gérer les priorités divergentes entre partenaires. Ces décisions sont irréductiblement humaines.

Comment l’IA apporte à la fois rapidité et excès de confiance

Les réflexions d’Abhi

La leçon à retenir est que l’IA réduit si considérablement le coût des premiers 80 % que les équipes sous-estiment les 20 % restants, là où résident toutes les difficultés du secteur bancaire. Nous séparons désormais explicitement ce qui “semble terminé” de ce qui “est terminé,</em" et j’en ai fait une règle : une démonstration fonctionnelle marque le début de la conversation difficile, et non sa fin.

Le gain le plus évident concerne la rapidité au début du cycle de vie :

• Les cycles de prototypage qui prenaient auparavant des semaines ne prennent désormais que quelques jours, ce qui signifie que nous testons davantage d’idées et éliminons plus tôt les mauvaises — avant qu’elles ne mobilisent de véritables capacités d’ingénierie.
• Mes responsables produit peuvent désormais effectuer leurs recherches, analyser les retours du support et étudier la concurrence en une fraction du temps, ce qui leur permet d’aborder les discussions de priorisation mieux préparés.
• Les responsables produit qui ne pouvaient rien livrer sans l’aide d’un ingénieur peuvent désormais mettre eux-mêmes sur pied un prototype fonctionnel. Cela change l’énergie de l’équipe. Les gens ont à nouveau davantage le sentiment de créer.

Mais nous avons appris à nos dépens que les résultats de l’IA sont présentés avec assurance même lorsqu’ils sont erronés, ce qui est dangereux dans un environnement réglementé. Au début, un prototype semblait suffisamment abouti pour créer une fausse impression de proximité avec un produit réel. La démonstration fonctionnait, mais les 20 % les plus difficiles — les cas limites, les contrôles, la logique de conformité — n’avaient absolument pas été traités.

La leçon à retenir est que l’IA réduit si considérablement le coût des premiers 80 % que les équipes sous-estiment les 20 % restants, là où résident toutes les difficultés du secteur bancaire. Nous séparons désormais explicitement ce qui « semble terminé » de ce qui « est terminé », et j’en ai fait une règle : une démonstration fonctionnelle marque le début de la conversation difficile, et non sa fin.

L’écart entre la démonstration et la valeur produit

Il existe un écart important entre la magie d’une démonstration et une valeur produit durable. L’IA excelle dans l’impressionnant passage de zéro à un, mais elle déçoit systématiquement lorsqu’il s’agit du travail peu valorisant qui produit un impact durable.

Quelques exemples précis :

• Le « dernier kilomètre » des flux de travail réglementés : l’IA fournit rapidement un prototype fonctionnel, mais dans le secteur bancaire, la valeur ne réside pas dans le parcours nominal — elle réside dans les contrôles, les pistes d’audit, la gestion des exceptions et la logique de rapprochement. L’IA n’a pas accéléré cette partie de manière significative. Je m’attendais à ce qu’elle compresse l’ensemble de la construction ; elle n’en a compressé que la première moitié. La seconde moitié reste aussi difficile qu’auparavant, et c’est là que se trouve l’essentiel de la valeur produit réelle.
• L’intégration avec la réalité des systèmes existants : une grande partie de la valeur d’une plateforme vient de la qualité de son intégration aux systèmes existants — API de partenaires, systèmes de traitement centraux, services internes vieux de plusieurs décennies. Les outils d’IA excellent dans les environnements vierges, mais leurs performances diminuent sensiblement dès qu’ils se heurtent à nos contraintes réelles. Le travail d’intégration complexe et fortement dépendant du contexte, qui définit l’ingénierie des plateformes dans le monde réel, est précisément celui où ils sont le moins utiles.
• La qualité des décisions au niveau stratégique : j’espérais que la synthèse par l’IA affinerait notre priorisation. Elle nous a rendus plus rapides et mieux informés, mais elle n’a pas facilité les décisions difficiles — car ces décisions n’ont jamais été liées à un manque d’informations ; elles concernaient la conviction, les compromis et l’appétence au risque. L’IA nous a fourni davantage d’analyses ; elle ne nous a pas apporté davantage de clarté. Cela nous a permis de corriger utilement nos attentes.

Pourquoi l’intégration de l’IA doit progresser étape par étape

On ne peut pas ignorer les niveaux inférieurs. Avec l’IA — en particulier avec les modèles performants actuels — le réflexe consiste à viser directement l’état final impressionnant : le système autonome, l’agent qui agit de lui-même. J’ai appris qu’il fallait le mériter. Essayer de prendre un raccourci a un coût.

Je considère désormais cela comme une progression de la maturité. Dans tout contexte opérationnel sérieux, les capacités de l’IA progressent par étapes — d’abord la productivité (accélérer le travail existant), puis l’efficacité (automatiser les tâches routinières), ensuite l’intelligence (obtenir des informations plus approfondies et une aide à la décision), et enfin seulement l’autonomie (des systèmes qui agissent d’eux-mêmes). Chaque niveau dépend de celui qui le précède. On ne peut pas déployer un agent fiable sur une plateforme qui n’est pas encore capable de s’observer elle-même, d’exposer sa propre configuration ou de vous expliquer pourquoi elle a pris une décision. L’autonomie sans observabilité n’est pas de la sophistication — c’est un risque que l’on ne peut pas voir.

Si j'avais compris cela plus tôt, j'aurais évité la tentation de trop promettre le sommet de la pile avant que sa base ne soit solide. La démonstration la plus ambitieuse vous séduit facilement, car elle enthousiasme tout le monde. Mais une capacité autonome spectaculaire reposant sur des fondations immatures tombe en panne de façons difficiles à diagnostiquer et érode rapidement la confiance — et la confiance, une fois qu'elle a été accordée à un système qui a mal agi, coûte cher à reconstruire.

Je dirais donc à toute personne qui lance son premier produit piloté par l'IA : soyez honnête sur la couche où vous vous situez, fournissez une véritable valeur à ce niveau et laissez les capacités de niveau supérieur mériter leur place. Le séquençage est l'essentiel.

Comment les CPO peuvent optimiser la bonne rareté

Dans l'ensemble, mon conseil est de cesser d'optimiser la mauvaise rareté.

Durant la majeure partie de nos carrières, le goulot d'étranglement était la production — faire construire les choses. Nous avons donc tout organisé autour du débit : listes de tâches, planification des capacités, livraisons plus rapides. L'IA vient tout simplement de faire disparaître ce goulot d'étranglement. Le coût de la génération d'une option, d'un prototype, d'une ébauche ou d'une analyse approche de zéro. Et lorsqu'une contrainte disparaît, une nouvelle devient ce qui compte.

La nouvelle ressource rare est le discernement — savoir ce qui mérite d'être construit, ce à quoi il faut dire non, à quoi ressemble un résultat de qualité et ce que les résultats assurés de l'IA contiennent discrètement d'erroné. Mon conseil comporte donc trois volets :

1. Consacrez votre dividende de l'IA au discernement, pas seulement à la vitesse : l'intérêt d'aller plus vite n'est pas de livrer davantage — c'est de multiplier les occasions afin de pouvoir être plus sélectif. Si l'IA vous fait simplement construire plus rapidement davantage de mauvaises choses, vous avez aggravé le problème au lieu de le résoudre.
2. Restez proche du métier : les dirigeants qui auront des difficultés sont ceux qui considèrent cela comme une décision concernant les outils de quelqu'un d'autre. Construisez vous-même quelque chose. Vous ne pouvez pas guider une équipe dans une transformation que vous n'avez fait que lire — vos intuitions seront adaptées à un monde qui n'existe plus.
3. Affinez votre connaissance de votre domaine au lieu de la rendre plus vague : tout le monde a désormais accès à la même IA généraliste. Votre avantage ne réside pas dans le modèle, mais dans la connaissance spécifique et durement acquise de vos clients, de votre réalité réglementaire et de votre entreprise. L'IA banalise le générique et rend le spécifique plus précieux. Misez pleinement sur ce qui vous est propre.

Ce moment récompense le goût et la conviction plutôt que l'information et l'effort. C'est inconfortable, car vous maîtrisez l'effort et devez développer le goût. Mais les dirigeants qui l'intègrent tôt sont ceux qui capitaliseront sur cet avantage.

Suivez son travail

Vous pouvez suivre le travail d'Abhi Gandotra sur LinkedIn et sur son site web. Vous pouvez également découvrir son livre, L’agent souverain.

D'autres entretiens avec des experts sont à venir sur The CPO Club !