
Amex’ produktsjef sier at KI må integreres gradvis i produktorganisasjoner – ett utelatt lag vil koste deg dyrt

Abishek (Abhi) Gandotra
Produktsjef i American Express

Abhi Gandotra forklarer hvorfor innføringen av KI må skje trinnvis, og hvorfor dømmekraft, felles standarder og et solid fundament blir stadig viktigere når utviklingen går raskere.
Abishek (Abhi) Gandotra
Produktsjef i American Express

Key Takeaways
KI-prototyping: KI-prototyping gjør det mulig for produktteam å teste funksjonelle ideer på få dager, og erstatter abstrakte diskusjoner med dokumentasjon fra virkelige brukere.
Menneskelig dømmekraft: Når KI reduserer kostnadene ved utvikling, blir prioritering, risikovurdering og beslutningen om hva man ikke skal bygge, avgjørende produktansvar.
Regulert virkelighet: I banksektoren krever prototyper fortsatt kontroller, revisjonsspor, håndtering av unntak, samsvarsvurdering og pålitelige integrasjoner med eldre systemer før lansering.
Modenhetsbane: Vellykket innføring av KI går fra produktivitet til effektivitet, intelligens og autonomi, og hvert trinn krever et sterkere fundament.
Endring i lederskap: Produktsjefer bør utvikle KI-forståelse, styrke domenekompetansen og bruke raskere eksperimentering til å ta færre og bedre strategiske valg.
Abishek (Abhi) Gandotra startet karrieren som ingeniør, men gikk over til produkt — og tok med seg den tekniske kunnskapen sin. Han er for tiden produktsjef i American Express. Han er også forfatteren av Den suverene agenten.
Han ble med oss for å dele det han lærer mens KI visker ut grensene mellom ingeniørarbeid og produktarbeid ytterligere. Dette er det han fortalte oss.
Fra ingeniørarbeid til produkt
Jeg heter Abhi Gandotra, og jeg leder produktorganisasjonen for bankplattformen i American Express. Jeg startet som ingeniør og brukte det første tiåret av karrieren på å skrive kode. Derfor har jeg aldri behandlet teknologi som en svart boks. Når noe ikke blir lansert, vil jeg vite hvorfor — på det laget der det bryter sammen.
Jeg gikk over til produkt fordi jeg brydde meg mindre om å bygge ting riktig, og mer om å bygge de riktige tingene. I Green Dot brukte jeg over et tiår på å bygge en plattform for banktjenester som tjeneste — vi tok den fra en idé til over $1B i B2B-inntekter på tvers av mer enn 80 bedriftskunder. Det lærte meg noe jeg fortsatt tror på: Plattformer vinner når de gjør andre menneskers vanskelige problemer enkle. Nå gjør jeg det samme for bank- og betalingsinfrastruktur i Amex, i en annen skala og med de tilhørende regulatoriske kravene.
KI-øyeblikket handler ikke bare om hype for meg. Jeg leverer med disse verktøyene akkurat nå — bygger agenter, etablerer et KI-kompetansehevingsprogram på tvers av organisasjonen min og driver små team som går fra idé til fungerende programvare på få dager. Ingeniørinstinktene mine har kommet helt tilbake. Avstanden mellom «jeg har en idé» og «den kjører» har aldri vært så kort. Det er den delen jeg synes er spennende — ikke hypen, men hastigheten.
More Articles
Å lede produktarbeidet fra infrastrukturlaget
Som jeg sa, leder jeg produktorganisasjonen for bankplattformen i American Express — den digitale bank- og betalingsplattformen som ligger til grunn for bankopplevelsene våre for privat- og bedriftskunder. Det er infrastrukturlaget: betalingsskinnene, funksjonene for kontoer og pengeflytting samt kontrollene som støtter alle kundevendte elementer.
«Brukerne» våre består av to ulike målgrupper: sluttkunder som opplever produktet som sine bank- og betalingstjenester, og interne produkt- og ingeniørteam som bygger på plattformen vår. Plattformarbeid krever at man samtidig betjener de som bygger, og sluttbrukerne — hvis du bare optimaliserer for den ene gruppen, lider den andre.
Vi opererer i den skalaen og med de regulatoriske kravene som forventes av en finansinstitusjon som har eksistert i over hundre år. Det betyr at pålitelighet og etterlevelse ikke er funksjoner, men grunnleggende krav. Leveransemodellen vår kombinerer interne produkt- og ingeniørteam med viktige teknologipartnere, så jeg fungerer i stor grad som en orkestrator — jeg samordner interne veikart med eksterne kapabiliteter og kontrollene som risiko- og etterlevelsesgruppene våre krever.
Slik flytter KI prototyping fra ingeniørarbeid til produktarbeid

Den største endringen jeg gjorde, var å slutte å behandle prototyping som en forespørsel til ingeniørteamet og i stedet gjøre det til en produktkapabilitet.
For ett år siden innebar validering av en ny idé at man skrev et notat, la den til i en arbeidskø og ventet i flere uker på at ingeniørteamet skulle få kapasitet til å bygge noe som brukere eller partnere kunne evaluere. Nå driver jeg små team som går fra konsept til fungerende programvare på få dager — ved hjelp av KI-verktøy for koding setter vi opp en funksjonell prototype mot en ekte SDK, ikke en klikkbar modell. I et nylig initiativ, en lønnsintegrasjon, bygde og testet et lite team en fungerende integrasjon på den tiden det tidligere tok å samkjøre kravene.
Dette endret måten vi tar beslutninger på. Når du kan vise fungerende programvare til en partner eller interessent på få dager, slutter samtalen å være abstrakt — du diskuterer noe virkelig, med reelle begrensninger, i stedet for å krangle om en presentasjon. Det har fjernet mye av analyselammelsen som tidligere spiste opp begynnelsen av veikartet vårt. Og når produktlederne i teamet mitt selv avgrenser og setter opp prototyper, går ingeniørtiden til det som faktisk trenger den.
Nå er ikke den vanskelige delen å bygge. Det er å vurdere hva som er verdt å bygge. God dømmekraft og prioritering er de knappe ressursene. Det er denne endringen jeg fokuserer mest på som leder.
En praktisk arbeidsflyt fra idé til prototype
Her er den generaliserte arbeidsflyten vår fra idé til fungerende prototype, komprimert fra uker til dager.
- Definer problemet: Det starter menneskelig – et partnerbehov eller en mangel vi har oppdaget. Jeg bruker en AI-assistent som diskusjonspartner for å kvalitetssikre problemformuleringen: Hvem er det for, hva er den faktiske jobben som skal gjøres, og hva ville gjort at det ikke var verdt å bygge? Dette skjerper spørsmålet før byggingen starter.
- Sammenfatt innspillene: Vi gir AI tilgang til det relevante materialet – undersøkelser, temaer fra kundestøtten, konkurranselandskapet og tidligere intern kontekst – og får et sammenfattet bilde på minutter i stedet for dager. Et menneske gjennomgår det for å identifisere hva modellen overså eller vektla for tungt; sammenfatningen er et utgangspunkt, ikke en dom.
- Bygg en fungerende prototype: Dette er den største endringen. I stedet for å skrive en spesifikasjon og vente på kapasitet hos utviklingsteamet, bruker et lite team AI-verktøy for koding til å sette opp fungerende programvare med et ekte grensesnitt – ikke en klikkbar modell, men noe som faktisk kjører. Dager, ikke uker.
- Presenter den for folk: Vi viser den fungerende prototypen tidlig til interessenter eller en partner. Fordi den er ekte, blir tilbakemeldingene ekte – vi diskuterer atferd og grensetilfeller, i stedet for å reagere på en presentasjon.
- Ta beslutninger med skjønn: Her trer AI tilbake. Om vi skal investere videre, hvordan det passer inn i veikartet, og hvilke konsekvenser det har for kontrollmekanismer og etterlevelse – dette er menneskelige beslutninger, med tydelig ansvar utformet fra starten av.
Det starter menneskelig. Om vi skal investere videre, hvordan AI passer inn i veikartet, og hvilke konsekvenser det har for kontrollmekanismer og etterlevelse – dette er menneskelige beslutninger, med tydelig ansvar utformet fra starten av.

Hvorfor PM-ansvarsområdet må endres
På grunn av dette har jeg aktivt redefinert omfanget av PM-eierskapet, overgangspunktene mellom produkt og utvikling, og – helt avgjørende – kvalitetskravene til leveranser utviklet av PM-er som skal settes i produksjon.
I det øyeblikket en PM kan levere ende-til-ende, må man svare på nye spørsmål som den gamle modellen aldri tvang deg til å stille. Hva er en PM nå ansvarlig for som vedkommende ikke var ansvarlig for før? Hvor må utviklingsteamets vurderinger fortsatt være en portvakt for arbeidet, og hvor gjør de bare tingene tregere? Hva betyr «produksjonsklar» når personen som bygde det, ikke er utvikler?
Jeg fokuserer på helhet, ikke raskere leveranser for enhver pris. Å gi alle makt til å bygge risikerer at alle bygger sin egen versjon av alt, slik at organisasjonen fragmenteres i kompetente siloer som ikke bygger videre på hverandre. Derfor handler omleggingen like mye om felles fundamenter og en felles kvalitetsstandard som om å gi PM-er større handlingsrom. Gjort riktig beveger teamene seg dramatisk raskere og bygger på hverandre i stedet for rundt hverandre.
Hvorfor AI bør generere alternativer mens mennesker bruker skjønn

AI er svært god til å generere alternativer; mennesker må fortsatt ha ansvaret for skjønn, særlig innen regulert bankvirksomhet.
Jeg støtter meg på AI til:
- Utforskning og sammenfatning: å hente ut signaler fra undersøkelser, kundestøttesaker, tilbakemeldinger fra partnere og konkurranselandskapet langt raskere enn et menneske kan lese gjennom alt.
- Utvikling av prototyper og eksperimentering: å sette opp fungerende programvare for å teste en idé i stedet for å diskutere den.
- Det første utkastet til nesten alt: krav, analyser og markedskartlegginger.
AI bringer oss frem til et troverdig utgangspunkt – noe som tidligere tok opp mesteparten av tiden vår – på få minutter.
Jeg sørger for at følgende uttrykkelig forblir menneskelig:
- Prioritering og beslutninger om veikartet: AI kan synliggjøre avveininger, men å bestemme hva vi skal bygge – og hva vi bevisst ikke skal bygge – krever skjønn knyttet til strategi, risikovilje og kundene våre, og det er jeg ikke villig til å sette ut.
- Alt som berører regulatoriske beslutninger eller risikobeslutninger: I vår verden er «modellen foreslo det» ikke et svar du kan gi en tilsynsmyndighet.
- De krevende beslutningene som gjelder mennesker og interessenter: Med dette mener jeg å lese rommet og navigere mellom konkurrerende prioriteringer på tvers av partnere. Dette er ufravikelig menneskelig.
Hvordan AI gir både hurtighet og overdreven selvtillit
Den tydeligste gevinsten er hastighet i begynnelsen av livssyklusen:
- Prototypingssykluser som tidligere tok uker, tar nå dager. Det betyr at vi tester flere ideer og forkaster de dårlige tidligere – før de bruker opp reell ingeniørkapasitet.
- PM-ene mine kommer nå gjennom undersøkelser, tilbakemeldinger fra kundestøtten og konkurrentanalyser på en brøkdel av tiden, slik at de møter prioriteringssamtaler bedre forberedt.
- PM-er som ikke kunne levere noe uten en ingeniør, kan nå sette opp en fungerende prototype selv. Det endrer energien i teamet. Folk føler seg mer som skapere igjen.
Men vi lærte på den harde måten at AI-resultater virker selvsikre selv når de er feil, og det er farlig i et regulert miljø. Tidlig i prosessen så en prototype så gjennomarbeidet ut at den skapte en falsk trygghet rundt hvor nær vi var noe virkelig. Demonstrasjonen fungerte, men de krevende 20 prosentene – randtilfellene, kontrollene og samsvarslogikken – var fullstendig uadressert.
Lærdommen var at AI reduserer kostnaden ved de første 80 prosentene så dramatisk at team undervurderer de resterende 20 prosentene, som er der alle utfordringene i bankvirksomhet ligger. Nå skiller vi uttrykkelig mellom «ser ferdig ut» og «er ferdig», og jeg har gjort det til en norm at en fungerende demonstrasjon er starten på den vanskelige samtalen, ikke slutten på den.

Abhis tanker
Lærdommen var at AI reduserer kostnaden ved de første 80 prosentene så dramatisk at team undervurderer de resterende 20 prosentene, som er der alle utfordringene i bankvirksomhet ligger. Nå skiller vi uttrykkelig mellom “ser ferdig ut</” og “er ferdig,</“, og jeg har gjort det til en norm at en fungerende demonstrasjon er starten på den vanskelige samtalen, ikke slutten på den.
Avstanden mellom demonstrasjon og produktverdi
Det er stor avstand mellom demonstrasjonsmagi og varig produktverdi. AI utmerker seg i det imponerende øyeblikket fra null til én, men skuffer jevnlig i det lite glamorøse arbeidet som skaper varig effekt.
Noen konkrete eksempler:
- Den «siste mila» i regulerte arbeidsflyter: AI leverer en fungerende prototype raskt, men i bankvirksomhet ligger ikke verdien i standardforløpet – den ligger i kontroller, revisjonsspor, håndtering av unntak og avstemmingslogikk. AI har ikke gjort denne delen vesentlig raskere. Jeg forventet at teknologien skulle komprimere hele utviklingen; den komprimerte bare den første halvdelen. Den siste halvdelen er fortsatt like krevende som før, og det er der det meste av den reelle produktverdien ligger.
- Integrasjon med en eldre teknologivirkelighet: Mye av verdien i en plattform kommer fra hvor sømløst du integrerer med eksisterende systemer – partner-API-er, kjernesystemer og interne tjenester som har eksistert i flere tiår. AI-verktøy fungerer utmerket i nye miljøer, men blir merkbart svakere idet de møter våre faktiske begrensninger. Det rotete, konteksttunge integrasjonsarbeidet som kjennetegner plattformutvikling i den virkelige verden, er nøyaktig der de hjelper minst.
- Kvaliteten på beslutninger på strateginivå: Jeg håpet at AI-syntese skulle gjøre prioriteringene våre skarpere. Den har gjort oss raskere og bedre informert, men den har ikke gjort de vanskelige valgene enklere – fordi vanskelige valg aldri handlet om mangel på informasjon; de handlet om overbevisning, avveininger og risikovilje. AI ga oss mer analyse, men ikke mer klarhet. Det var nyttig å korrigere denne forventningen.
Hvorfor AI-integrasjon bør utvikles trinn for trinn

Du kan ikke hoppe over de lavere lagene. Instinktet med AI – særlig med dagens kapable modeller – er å gå rett mot den imponerende sluttilstanden: det autonome systemet, agenten som handler på egen hånd. Jeg lærte at man må gjøre seg fortjent til å komme dit. Det koster å forsøke å ta snarveier.
Nå tenker jeg på det som en modenhetsutvikling. AI-kapasitet i enhver seriøs operasjonell sammenheng utvikler seg gjennom stadier – først produktivitet (å gjøre eksisterende arbeid raskere), deretter effektivitet (å automatisere rutineoppgaver), så intelligens (dypere innsikt og beslutningsstøtte), og først da autonomi (systemer som handler på egen hånd). Hvert lag avhenger av laget under. Du kan ikke ta i bruk en pålitelig agent på en plattform som ennå ikke kan observere seg selv, vise sin egen konfigurasjon eller forklare hvorfor den tok en beslutning. Autonomi uten observerbarhet er ikke sofistikering – det er en risiko du ikke kan se.
Hvis jeg hadde forstått dette tidligere, ville jeg ha unngått fristelsen til å love for mye om toppen av stakken før bunnen var solid. Den mest ambisiøse demonstrasjonen trekker deg lett inn fordi den begeistrer alle. Men en prangende autonom funksjon på et umodent fundament bryter sammen på måter som er vanskelige å diagnostisere, og svekker raskt tilliten – og tillit, når den først er brukt opp på et system som handlet feil, er kostbar å bygge opp igjen.
Så jeg vil si til alle som lanserer sitt første AI-drevne produkt: vær ærlig om hvilket nivå dere befinner dere på, lever reell verdi på det nivået, og la kapasiteter på høyere nivå gjøre seg fortjent til plassen sin. Rekkefølgen er hele spillet.
Hvordan CPO-er kan optimalisere for riktig knapphet
Generelt er rådet mitt å slutte å optimalisere for feil knapphet.
Gjennom det meste av karrierene våre var flaskehalsen produksjon – å få ting bygget. Derfor organiserte vi alt rundt gjennomstrømning: etterslep, kapasitetsplanlegging, raskere lanseringer. AI fjernet nettopp denne flaskehalsen. Kostnaden ved å generere et alternativ, en prototype, et utkast eller en analyse nærmer seg null. Og når én begrensning forsvinner, blir en ny begrensning det som betyr noe.
Den nye knappe ressursen er dømmekraft – å vite hva som er verdt å bygge, hva man skal si nei til, hva «godt» innebærer, og hva AI-ens selvsikre resultater i det stille får feil. Derfor består rådet mitt av tre deler:
- Bruk AI-utbyttet på dømmekraft, ikke bare på hastighet: Poenget med å jobbe raskere er ikke å lansere mer – det er å skaffe flere muligheter, slik at du kan være mer selektiv. Hvis AI bare får deg til å bygge mer av feil ting raskere, har du gjort problemet verre, ikke bedre.
- Hold deg tett på faget: Lederne som vil få problemer, er de som behandler dette som en verktøybeslutning som tilhører noen andre. Bygg noe selv. Du kan ikke lede et team gjennom en endring du bare har lest om – instinktene dine vil være kalibrert for en verden som ikke lenger finnes.
- Gjør domenekunnskapen din skarpere, ikke vagere: Alle har nå tilgang til den samme generelle AI-en. Fortrinnet ditt er ikke modellen – det er den spesifikke, møysommelig opparbeidede kunnskapen om kundene dine, den regulatoriske virkeligheten din og virksomheten din. AI gjør det generiske til en handelsvare og gjør det spesifikke mer verdifullt. Len deg inn i det som er ditt.
Dette øyeblikket belønner god smak og overbevisning fremfor informasjon og innsats. Det er ubehagelig, fordi du kan kontrollere innsatsen, mens du må utvikle god smak. Men lederne som forstår dette tidlig, er de som vil få en kumulativ fordel.
Følg med
Du kan følge arbeidet til Abhi Gandotra på LinkedIn og på nettstedet hans. Du kan også sjekke ut boken hans, Den suverene agenten.
Det kommer flere ekspertintervjuer på The CPO Club!



