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

Abishek (Abhi) Gandotra startet karrieren som ingeniør, men gikk over til produkt – og tok med seg den tekniske kunnskapen sin. Han er for tiden produktdirektør i American Express. Han er også forfatteren av Den suverene agenten.

Han ble med oss for å dele det han lærer mens kunstig intelligens visker ut skillet mellom ingeniørarbeid og produktarbeid enda mer. Her 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 levert, vil jeg vite hvorfor – på laget der det svikter.

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 lykkes når de gjør andres vanskelige problemer enkle. Nå gjør jeg det samme for bank- og betalingsinfrastruktur i Amex, i en annen skala og med de tilsvarende regulatoriske kravene.

For meg handler AI-øyeblikket ikke bare om hype. Jeg leverer med disse verktøyene akkurat nå – bygger agenter, etablerer et kompetansehevingsprogram for AI i hele organisasjonen min og driver små team som går fra idé til fungerende programvare på få dager. Ingeniørinstinktene mine har kommet tilbake for fullt. 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 farten.

Å lede produktarbeid 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: skinnegangen, konto- og pengeflyttingsfunksjonene samt kontrollene som støtter alle kundevendte elementer.

«Brukerne» våre består av to ulike målgrupper: sluttkunder som opplever produktet som bank- og betalingstjenestene sine, og interne produkt- og ingeniørteam som bygger på plattformen vår. Plattformarbeid krever at man betjener utviklere og sluttbrukere samtidig – hvis du bare optimaliserer for den ene gruppen, lider den andre.

Vi opererer i den skalaen og under de regulatoriske kravene som forventes av en finansinstitusjon som har eksistert i over hundre år, noe som betyr at pålitelighet og etterlevelse ikke er funksjoner, men grunnleggende krav. Leveransemodellen vår kombinerer intern produkt- og ingeniørkompetanse med sentrale teknologipartnere, så jeg koordinerer i stor grad – samordner interne veikart med eksterne muligheter og kontrollene som risiko- og etterlevelsesgruppene våre krever.

Slik flytter AI prototyping fra ingeniørarbeid til produkt

Den største endringen jeg gjorde, var at jeg sluttet å behandle prototyping som en forespørsel til ingeniørteamet og gjorde det til en produktegenskap.

For ett år siden innebar validering av en ny idé at man skrev et notat, la den til i en oppgaveliste og ventet i ukevis 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 AI-verktøy for koding setter de opp en fungerende prototype mot et ekte SDK, ikke en klikkbar skisse. I et nylig initiativ, en lønnsintegrasjon, bygde og testet et lite team en fungerende integrasjon på den tiden det tidligere tok å samordne kravene.

Dette endret måten vi tar beslutninger på. Når du kan legge fungerende programvare foran en partner eller interessent på få dager, slutter samtalen å være abstrakt – du diskuterer noe virkelig, med reelle begrensninger, i stedet for å krangle over en presentasjon. Det har fjernet mye av beslutningslammelsen som tidligere spiste opp den første delen av veikartet vårt. Og når produktlederne i teamet mitt selv avgrenser og setter opp prototyper, går ingeniørtiden til det som virkelig 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.

1. Definer problemet: Det starter menneskelig — et behov hos en partner eller et gap vi har oppdaget. Jeg bruker en AI-assistent som sparringspartner for å stressteste innrammingen: Hvem er det for, hva er den faktiske oppgaven som skal løses, og hva ville gjort at det ikke var verdt å bygge? Dette skjerper spørsmålet før byggingen starter.
2. Sammenfatt innspillene: Vi peker AI mot det relevante materialet — undersøkelser, temaer fra kundestøtten, konkurranselandskapet og tidligere intern kontekst — og får en sammenfattet oversikt på minutter i stedet for dager. Et menneske gjennomgår den for å identifisere hva modellen gikk glipp av eller vektla for mye; sammenfatningen er et utgangspunkt, ikke fasiten.
3. 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 programmering til å sette opp fungerende programvare med et ekte grensesnitt — ikke en klikkbar skisse, men noe som faktisk kjører. Dager, ikke uker.
4. Presenter den for folk: Vi presenterer den fungerende prototypen tidlig for interessenter eller en partner. Fordi den er ekte, blir tilbakemeldingene reelle — vi diskuterer funksjonalitet og yttertilfeller, i stedet for å reagere på en presentasjon.
5. Ta beslutningen med skjønn: Her trer AI tilbake. Om vi skal investere videre, hvordan det passer inn i veikartet, og hvilke konsekvenser det får for kontroller og etterlevelse — dette er menneskelige beslutninger, med tydelig ansvarlighet som en del av utformingen.

Hvorfor PM-ansvarsområdet må endres

På grunn av dette har jeg aktivt redefinert omfanget av PM-eierskapet, overleveringspunktene mellom produkt og utvikling, og — helt avgjørende — kvalitetskravene til artefakter bygget 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 en 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 bygget det, ikke er utvikler?

Jeg fokuserer på helhet, ikke raskere leveranser for deres egen skyld. Å gi alle muligheten til å bygge risikerer at alle bygger sin egen versjon av alt, og fragmenterer organisasjonen i kompetente siloer som ikke bygger videre på hverandre. Derfor handler redesignen like mye om felles fundamenter og en felles kvalitetsstandard som om å frigjøre PM-er. Gjort riktig beveger teamene seg dramatisk raskere og bygger på hverandre i stedet for rundt hverandre.

Hvorfor AI bør generere alternativer mens mennesker utøver skjønn

AI er svært god til å generere alternativer; mennesker må fortsatt ha ansvaret for skjønnet, 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.
• Prototyping 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 minutter.

Jeg sørger for at følgende uttrykkelig forblir menneskelig:

• Prioritering og beslutningen om veikartet: AI kan synliggjøre avveininger, men det å bestemme hva vi skal bygge — og hva vi bevisst lar være — krever vurderinger av strategi, risikovilje og kundene våre som jeg ikke er villig til å sette bort.
• Alt som berører regulatoriske beslutninger eller risikobeslutninger: I vår verden er ikke «modellen foreslo det» et svar du kan gi en tilsynsmyndighet.
• De krevende beslutningene som gjelder mennesker og interessenter: Med det mener jeg å lese rommet og navigere mellom konkurrerende prioriteringer på tvers av partnere. Dette er ufravikelig menneskelig.

Hvordan KI gir både fart og overmot

Abhis tanker

Lærdommen var at KI reduserer kostnaden ved de første 80 prosentene så dramatisk at team undervurderer de resterende 20 prosentene, og det er der all vanskeligheten 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 demo er starten på den vanskelige samtalen, ikke slutten på den.

Den tydeligste gevinsten er hastigheten tidlig i livssyklusen:

• Prototypingssykluser som tidligere tok flere uker, tar nå dager. Det betyr at vi tester flere ideer og forkaster de dårlige tidligere – før de bruker opp reell utviklingskapasitet.
• Produktlederne mine kommer nå gjennom undersøkelser, tilbakemeldinger fra kundestøtte og konkurrentanalyser på en brøkdel av tiden, slik at de møter prioriteringssamtaler bedre forberedt.
• Produktledere som ikke kunne levere noe uten en utvikler, 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 KI-resultater virker selvsikre selv når de er feil, og det er farlig i et regulert miljø. Tidlig så en prototype tilstrekkelig gjennomarbeidet ut til at den skapte en falsk trygghet rundt hvor nær vi var noe reelt. Demoen fungerte, men de vanskelige 20 prosentene – randtilfellene, kontrollene og samsvarslogikken – var fullstendig uadressert.

Lærdommen var at KI reduserer kostnaden ved de første 80 prosentene så dramatisk at team undervurderer de resterende 20 prosentene, og det er der all vanskeligheten 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 demo er starten på den vanskelige samtalen, ikke slutten på den.

Avstanden mellom demo og produktverdi

Det er stor avstand mellom demomagi og varig produktverdi. KI utmerker seg i det imponerende øyeblikket fra null til én, men leverer jevnt over svakere resultater i det lite glamorøse arbeidet som skaper varig effekt.

Noen konkrete eksempler:

• Den «siste milen» i regulerte arbeidsflyter: KI leverer en fungerende prototype raskt, men i bankvirksomhet ligger verdien ikke i standardforløpet – den ligger i kontroller, revisjonsspor, håndtering av unntak og avstemmingslogikk. KI har ikke vesentlig fremskyndet denne delen. Jeg forventet at den 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 den eksisterende virkeligheten: Mye av verdien i en plattform kommer fra hvor sømløst du integrerer med eksisterende systemer – partner-API-er, kjernesystemer og interne tjenester som har vært i bruk i flere tiår. KI-verktøy utmerker seg i nye miljøer, men blir merkbart svakere i det øyeblikket de møter våre faktiske begrensninger. Det rotete, konteksttunge integrasjonsarbeidet som kjennetegner plattformutvikling i den virkelige verden, er nettopp der de hjelper minst.
• Kvaliteten på beslutninger på strateginivå: Jeg håpet at KI-syntese skulle skjerpe prioriteringene våre. 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. KI ga oss mer analyse, men ikke større klarhet. Det var nyttig å korrigere denne forventningen.

Hvorfor KI-integrasjon bør utvikles trinn for trinn

Du kan ikke hoppe over de lavere lagene. Instinktet med KI – særlig med dagens kapable modeller – er å gå rett etter den imponerende sluttilstanden: det autonome systemet, agenten som handler på egen hånd. Jeg lærte at du må gjøre deg fortjent til å komme dit. Forsøk på å ta snarveier koster deg.

Nå ser jeg på det som en modenhetsutvikling. KI-kapasitet i enhver seriøs operasjonell kontekst utvikler seg gjennom stadier – først produktivitet (å gjøre eksisterende arbeid raskere), deretter effektivitet (å automatisere rutineoppgaver), så intelligens (dypere innsikt og beslutningsstøtte), og først deretter 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, synliggjøre sin egen konfigurasjon eller vise deg hvorfor den tok en beslutning. Autonomi uten observerbarhet er ikke sofistikering – det er en risiko du ikke kan se.

Hvis jeg hadde innsett dette tidligere, ville jeg ha unngått fristelsen til å love for mye på toppen av stakken før bunnen var solid. Den mest ambisiøse demonstrasjonen trekker deg lett inn fordi den begeistrer alle. Men en flashy autonom funksjonalitet på et umodent fundament feiler 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.

Derfor ville jeg sagt til alle som lanserer sitt første AI-drevne produkt: Vær ærlig om hvilket lag dere befinner dere på, lever reell verdi på det laget, og la funksjonalitet på høyere nivå fortjene plassen sin. Rekkefølgen er hele spillet.

Hvordan CPO-er kan optimalisere for riktig knapphet

Overordnet sett er rådet mitt å slutte å optimalisere for feil type knapphet.

Gjennom det meste av karrierene våre var flaskehalsen produksjon — å få ting bygget. Derfor organiserte vi alt rundt gjennomstrømning: oppgavelister, kapasitetsplanlegging og raskere lanseringer. AI fjernet ganske enkelt 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, hvordan «bra» ser ut, og hva AI-ens selvsikre resultat i det stille får feil. Derfor består rådet mitt av tre deler:

1. Bruk AI-utbyttet ditt på dømmekraft, ikke bare på fart: Poenget med å bevege seg raskere er ikke å lansere mer — det er å skaffe flere forsøk på mål, slik at du kan være mer selektiv. Hvis AI bare gjør at du bygger mer av de gale tingene raskere, har du gjort problemet verre, ikke bedre.
2. Hold deg tett på faget: Lederne som vil få det vanskelig, er de som behandler dette som en beslutning om andres verktøy. 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.
3. Bli skarpere på domenet ditt, ikke vagere: Alle har nå tilgang til den samme generelle AI-en. Fortrinnet ditt er ikke modellen — det er den spesifikke, hardt 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. Bygg videre på det som er ditt.

Denne tiden belønner smak og overbevisning fremfor informasjon og innsats. Det er ubehagelig, fordi du har kontroll over innsatsen, mens du må utvikle smak. Men lederne som tar dette inn over seg tidlig, er de som vil få en kumulativ fordel.

Følg med

Du kan følge arbeidet til Abhi Gandotra på LinkedIn og nettstedet hans. Eller ta en titt på boken hans, Den suverene agenten.

Flere ekspertintervjuer kommer på The CPO Club!