VP Product van Amex zegt dat AI geleidelijk in productorganisaties moet worden geïntegreerd — één overgeslagen laag kost je

Abishek (Abhi) Gandotra begon zijn carrière als ingenieur, maar stapte over naar productontwikkeling — en nam zijn technische kennis met zich mee. Momenteel is hij vicepresident Product bij American Express. Hij is ook de auteur van De soevereine agent.

Hij kwam bij ons langs om te delen wat hij leert nu AI de grenzen tussen techniek en productontwikkeling nog verder vervaagt. Dit vertelde hij ons.

Van techniek naar productontwikkeling

Ik ben Abhi Gandotra en leid de productorganisatie voor het Banking Platform bij American Express. Ik begon als ingenieur en schreef het eerste decennium van mijn carrière code. Daarom heb ik technologie nooit als een zwarte doos beschouwd. Als iets niet wordt uitgebracht, wil ik weten waarom — op de laag waar het misgaat.

Ik stapte over naar productontwikkeling omdat ik er minder om gaf dingen goed te bouwen en meer om de juiste dingen te bouwen. Bij Green Dot werkte ik ruim tien jaar aan een platform voor bankieren als dienst — we brachten het van een idee naar meer dan $1B aan B2B-omzet bij meer dan 80 zakelijke partners. Dat leerde me wat ik nog steeds geloof: platforms winnen wanneer ze de moeilijke problemen van anderen eenvoudig maken. Nu doe ik dat bij Amex voor bank- en betalingsinfrastructuur, op een andere schaal en met de bijbehorende wettelijke vereisten.

Het AI-moment draait voor mij niet alleen om hype. Ik lever nu al werk op met deze tools — ik bouw agents, zet een AI-opleidingsprogramma op voor mijn hele organisatie en leid kleine teams die in enkele dagen van idee naar werkende software gaan. Mijn technische instincten zijn volledig teruggekomen. De kloof tussen ‘ik heb een idee’ en ‘het draait’ is nog nooit zo klein geweest. Dat vind ik spannend — niet de hype, maar de snelheid.

Product leiden vanuit de infrastructuurlaag

Zoals ik al zei, leid ik de productorganisatie voor het Banking Platform bij American Express — het digitale bank- en betalingsplatform dat aan de basis ligt van onze bankervaringen voor consumenten en bedrijven. Het is de infrastructuurlaag: de rails, mogelijkheden voor rekeningen en geldverplaatsingen en de beheersmaatregelen die alle elementen voor klanten ondersteunen.

Onze ‘gebruikers’ bestaan uit twee verschillende doelgroepen: eindklanten die het product ervaren als hun bank- en betalingsdiensten, en interne product- en technische teams die op ons platform bouwen. Platformwerk vereist dat je bouwers en eindgebruikers tegelijkertijd bedient — als je slechts voor één van beide optimaliseert, lijdt de ander daaronder.

We werken op de schaal en met de wettelijke vereisten die je verwacht van een financiële instelling die al meer dan honderd jaar bestaat. Dat betekent dat betrouwbaarheid en naleving geen functies zijn, maar basisvereisten. Ons leveringsmodel combineert interne product- en technische teams met belangrijke technologiepartners. Ik coördineer dus grotendeels — ik breng interne routekaarten in lijn met externe mogelijkheden en de beheersmaatregelen die onze risico- en nalevingsteams vereisen.

Hoe AI het prototypen verschuift van techniek naar productontwikkeling

De grootste verandering die ik heb doorgevoerd, is dat ik prototypen niet langer behandel als een verzoek aan techniek, maar als een productcapaciteit.

Een jaar geleden betekende het valideren van een nieuw idee dat je een briefing schreef, het aan een werkvoorraad toevoegde en weken wachtte tot er technische capaciteit was om iets te bouwen dat gebruikers of partners konden beoordelen. Nu leid ik kleine teams die in enkele dagen van concept naar werkende software gaan — met AI-codeerhulpmiddelen om een functioneel prototype op basis van een echte SDK op te zetten, geen klikbaar model. Bij een recent initiatief, een loonintegratie, bouwde en testte een klein team een werkende integratie in de tijd die eerder nodig was om overeenstemming over de vereisten te bereiken.

Dit veranderde de manier waarop we beslissingen nemen. Wanneer je binnen enkele dagen werkende software aan een partner of belanghebbende kunt voorleggen, wordt het gesprek minder abstract — je bespreekt iets concreets, met echte grenzen, in plaats van te discussiëren over een presentatie. Daarmee hebben we een groot deel van de analyseverlamming die vroeger het begin van onze routekaart opslokte, weggenomen. En doordat productmanagers in mijn team zelf prototypes afbakenen en opzetten, gaat technische tijd naar wat die tijd echt nodig heeft.

Nu zit het moeilijke deel niet in het bouwen. Het gaat erom te beoordelen wat de moeite waard is om te bouwen. Inzicht en prioritering zijn de schaarse middelen. Dat is de verschuiving waarop ik me als leider het meest richt.

Een praktische werkwijze van idee naar prototype

Dit is onze algemene workflow, van idee tot werkend prototype, waarbij weken worden teruggebracht tot dagen.

1. Het probleem kaderen: Het begint bij mensen — een behoefte van een partner of een tekortkoming die we hebben opgemerkt. Ik gebruik een AI-assistent als denkpartner om de probleemstelling kritisch te toetsen: voor wie is dit, wat is de daadwerkelijke taak die moet worden uitgevoerd en wat zou het niet de moeite waard maken om dit te bouwen? Zo scherpen we de vraag aan voordat het bouwen begint.
2. De input synthetiseren: We laten AI de relevante informatie analyseren — onderzoek, thema's uit support, het concurrentielandschap en eerdere interne context — en krijgen binnen enkele minuten een gesynthetiseerd beeld in plaats van dagen. Een mens beoordeelt dit om vast te stellen wat het model heeft gemist of te zwaar heeft meegewogen; de synthese is een startpunt, niet het oordeel.
3. Een werkend prototype bouwen: Dit is de grootste verandering. In plaats van een specificatie te schrijven en te wachten op engineeringcapaciteit, gebruikt een klein team AI-hulpmiddelen voor coderen om functionele software met een echte interface op te zetten — geen klikbaar model, maar iets dat daadwerkelijk werkt. Dagen, geen weken.
4. Het aan mensen voorleggen: We presenteren het werkende prototype vroeg aan belanghebbenden of een partner. Omdat het echt is, is de feedback oprecht — we bespreken gedrag en randgevallen in plaats van op een presentatie te reageren.
5. Met inzicht beslissen: Hier doet AI een stap terug. Of we verder investeren, hoe het in de routekaart past en wat de gevolgen zijn voor controles en naleving — dat zijn menselijke beslissingen, met vanaf het ontwerp duidelijke verantwoordelijkheid.

Waarom de reikwijdte van PM's moet veranderen

Daarom ben ik de reikwijdte van het eigenaarschap van PM's, de overdrachtsmomenten tussen product en engineering en — cruciaal — de kwaliteitslat voor door PM's gebouwde artefacten die naar productie gaan actief opnieuw aan het definiëren.

Zodra een PM van begin tot eind kan opleveren, moet je nieuwe vragen beantwoorden die het oude model je nooit dwong te stellen. Waarvoor is een PM nu verantwoordelijk dat eerder niet zo was? Waar moet het oordeel van engineering het werk nog steeds tegenhouden en waar vertraagt het de zaken alleen maar? Wat betekent "productieklaar" wanneer degene die het heeft gebouwd geen engineer is?

Ik richt me op samenhang, niet op sneller opleveren omwille van de snelheid. Iedereen de mogelijkheid geven om te bouwen brengt het risico met zich mee dat iedereen zijn eigen versie van alles bouwt, waardoor de organisatie uiteenvalt in capabele silo's die elkaar niet versterken. De herinrichting gaat daarom net zo goed over gedeelde fundamenten en een gemeenschappelijke kwaliteitsnorm als over het in staat stellen van PM's. Als het goed wordt gedaan, bewegen teams zich aanzienlijk sneller voort en bouwen ze op elkaar voort in plaats van om elkaar heen.

Waarom AI opties moet genereren terwijl mensen hun oordeel toepassen

AI blinkt uit in het genereren van opties; mensen moeten het oordeel nog steeds voor hun rekening nemen, vooral in gereguleerd bankieren.

Ik gebruik AI voor:

• Ontdekking en synthese: het veel sneller halen van relevante inzichten uit onderzoek, supporttickets, feedback van partners en het concurrentielandschap dan een mens alles kan lezen.
• Prototypen en experimenten: werkende software opzetten om een idee te testen in plaats van erover te discussiëren.
• Het eerste concept van vrijwel alles: vereisten, analyses en marktscans.

AI brengt ons binnen enkele minuten bij een geloofwaardig startpunt — iets wat vroeger het grootste deel van onze tijd in beslag nam.

Ik houd het uitdrukkelijk menselijk bij:

• Prioritering en beslissingen over de routekaart: AI kan de afwegingen uiteenzetten, maar beslissen wat we bouwen — en wat we bewust niet bouwen — vereist inzicht in strategie, risicobereidheid en onze klanten dat ik niet wil uitbesteden.
• Alles wat regelgevende of risicobeslissingen raakt: In onze wereld is "het model stelde het voor" geen antwoord dat je aan een toezichthouder kunt geven.
• De moeilijke beslissingen over mensen en belanghebbenden: Daarmee bedoel ik de sfeer aanvoelen en omgaan met tegenstrijdige prioriteiten tussen partners. Deze zijn onmiskenbaar menselijk.

Hoe AI zowel snelheid als overmoed met zich meebrengt

Abhi's gedachten

De les was dat AI de kosten van de eerste 80% zo drastisch verlaagt dat teams de resterende 20% onderschatten, en juist daar zit alle moeilijkheid van bankieren. We scheiden nu expliciet “lijkt af van “is af,“, en ik heb er een norm van gemaakt dat een werkende demo het begin is van het moeilijke gesprek, niet het einde ervan.

De duidelijkste winst zit aan het begin van de levenscyclus:

• Prototypingcycli die vroeger weken duurden, nemen nu dagen in beslag. Dat betekent dat we meer ideeën testen en de slechte eerder afschieten — voordat ze echte technische ontwikkelcapaciteit opslokken.
• Mijn productmanagers komen nu in een fractie van de tijd door onderzoek, feedback van de klantenservice en concurrentieanalyses heen, zodat ze beter voorbereid aan prioriteringsgesprekken beginnen.
• Productmanagers die niets konden opleveren zonder een engineer, kunnen nu zelf een werkend prototype opzetten. Dat verandert de energie in het team. Mensen voelen zich weer meer makers.

Maar we hebben op de harde manier geleerd dat AI-uitvoer zelfverzekerd klinkt, zelfs wanneer die fout is, en dat is gevaarlijk in een gereguleerde omgeving. In het begin zag een prototype er gepolijst genoeg uit om een vals vertrouwen te creëren over hoe dicht we bij iets echts waren. De demo werkte, maar de moeilijke 20% — de randgevallen, de controles, de nalevingslogica — was volledig onaangeroerd.

De les was dat AI de kosten van de eerste 80% zo drastisch verlaagt dat teams de resterende 20% onderschatten, en juist daar zit alle moeilijkheid van bankieren. We scheiden nu expliciet "lijkt af" van "is af," en ik heb er een norm van gemaakt dat een werkende demo het begin is van het moeilijke gesprek, niet het einde ervan.

De kloof tussen demo en productwaarde

Er is een grote kloof tussen demomagie en duurzame productwaarde. AI blinkt uit in het indrukwekkende moment van nul naar één, maar stelt consequent teleur bij het weinig glamoureuze werk dat blijvende impact aandrijft.

Een paar specifieke voorbeelden:

• De "laatste kilometer" in gereguleerde werkstromen: AI levert snel een werkend prototype, maar in het bankwezen zit de waarde niet in het ideale pad — die zit in controles, auditsporen, afhandeling van uitzonderingen en afstemmingslogica. AI heeft dat deel niet betekenisvol versneld. Ik verwachtte dat het de volledige bouwfase zou verkorten; het heeft alleen de eerste helft verkort. De tweede helft blijft even moeilijk als altijd, en daar zit de meeste echte productwaarde.
• Integratie met de realiteit van verouderde systemen: Een groot deel van de waarde van een platform komt voort uit hoe naadloos je integreert met bestaande systemen — partner-API's, kernverwerkers en interne diensten die al tientallen jaren bestaan. AI-tools blinken uit in omgevingen voor nieuwe systemen, maar verzwakken merkbaar zodra ze onze werkelijke beperkingen tegenkomen. Het rommelige, contextintensieve integratiewerk dat echte platformontwikkeling kenmerkt, is precies waar ze het minst helpen.
• Besluitvormingskwaliteit op strategisch niveau: Ik hoopte dat AI-synthese onze prioritering zou aanscherpen. We zijn er sneller en beter geïnformeerd door geworden, maar de moeilijke keuzes zijn er niet eenvoudiger door geworden — omdat moeilijke keuzes nooit draaiden om een gebrek aan informatie; ze draaiden om overtuiging, afwegingen en risicobereidheid. AI gaf ons meer analyse; het gaf ons niet meer helderheid. Dat was een nuttige verwachting om bij te stellen.

Waarom AI-integratie stapsgewijs moet verlopen

Je kunt de onderliggende lagen niet overslaan. De instinctieve reactie op AI — vooral met de krachtige modellen van vandaag — is om meteen te streven naar de indrukwekkende eindtoestand: het autonome systeem, de agent die zelfstandig handelt. Ik heb geleerd dat je je die weg moet zien te verdienen. Proberen die stappen over te slaan, kost je uiteindelijk meer.

Ik zie het nu als een ontwikkeling in volwassenheid. AI-capaciteit in elke serieuze operationele context ontwikkelt zich in fasen — eerst productiviteit (bestaand werk sneller maken), daarna efficiëntie (routinematige stappen automatiseren), vervolgens intelligentie (dieper inzicht en ondersteuning bij besluitvorming), en pas daarna autonomie (systemen die zelfstandig handelen). Elke laag is afhankelijk van de laag eronder. Je kunt geen betrouwbare agent inzetten op een platform dat zichzelf nog niet kan observeren, zijn eigen configuratie niet zichtbaar kan maken of je niet kan laten zien waarom het een beslissing heeft genomen. Autonomie zonder observeerbaarheid is geen verfijning — het is een risico dat je niet kunt zien.

Als ik dit eerder had ingezien, had ik de verleiding om te veel te beloven over het bovenste deel van de stapel terwijl de onderste laag nog niet solide was, kunnen vermijden. De meest ambitieuze demo trekt je gemakkelijk mee, omdat hij iedereen enthousiast maakt. Maar een flitsende autonome mogelijkheid die op een onvolwassen basis rust, gaat op manieren kapot die moeilijk te diagnosticeren zijn en tast het vertrouwen snel aan — en vertrouwen, zodra het is verspeeld aan een systeem dat verkeerd heeft gehandeld, is duur om opnieuw op te bouwen.

Dus zou ik tegen iedereen die zijn eerste AI-gestuurde product lanceert, zeggen: wees eerlijk over op welke laag je je bevindt, lever op die laag echte waarde en laat de mogelijkheden van een hoger niveau hun plek verdienen. De volgorde bepaalt alles.

Hoe CPO's zich kunnen richten op de juiste schaarste

Over het algemeen is mijn advies om niet langer te optimaliseren voor de verkeerde schaarste.

Het grootste deel van onze loopbaan was productie de bottleneck — dingen gebouwd krijgen. Daarom organiseerden we alles rond doorvoersnelheid: achterstanden, capaciteitsplanning en sneller opleveren. AI heeft die bottleneck simpelweg laten verdwijnen. De kosten voor het genereren van een optie, prototype, concept of analyse naderen nul. En wanneer één beperking verdwijnt, wordt een nieuwe beperking datgene wat ertoe doet.

De nieuwe schaarse hulpbron is beoordelingsvermogen — weten wat het waard is om te bouwen, waar je nee tegen moet zeggen, hoe "goed" eruitziet en wat de zelfverzekerde output van AI stilletjes verkeerd doet. Mijn advies bestaat dus uit drie delen:

1. Besteed je AI-dividend aan beoordelingsvermogen, niet alleen aan snelheid: Het doel van sneller werken is niet om meer op te leveren — het is om meer kansen te creëren, zodat je selectiever kunt zijn. Als AI er alleen voor zorgt dat je sneller meer van de verkeerde dingen bouwt, heb je het probleem erger gemaakt in plaats van beter.
2. Blijf dicht bij het vak: De leiders die het moeilijk zullen krijgen, zijn degenen die dit zien als een toolingbeslissing van iemand anders. Ga zelf iets bouwen. Je kunt een team niet door een verandering leiden waarover je alleen hebt gelezen — je intuïtie zal zijn afgestemd op een wereld die niet langer bestaat.
3. Word scherper op je domein, niet vager: Iedereen heeft nu toegang tot dezelfde AI voor algemene doeleinden. Je voorsprong zit niet in het model — het is de specifieke, met moeite opgebouwde kennis van je klanten, je regelgevende realiteit en je bedrijf. AI maakt het generieke tot een handelswaar en maakt het specifieke waardevoller. Benut wat van jou is.

Dit moment beloont smaak en overtuiging boven informatie en inspanning. Dat is ongemakkelijk, omdat je inspanning kunt beheersen en smaak moet ontwikkelen. Maar de leiders die dat vroeg internaliseren, zijn degenen die hun voorsprong zullen laten aangroeien.

Blijf op de hoogte

Je kunt het werk van Abhi Gandotra volgen op LinkedIn en op zijn website. Of bekijk zijn boek, De soevereine agent.

Er komen nog meer interviews met experts op The CPO Club!