VP Product bij Amex zegt dat AI geleidelijk in productorganisaties moet worden geïntegreerd — één overgeslagen laag zal je duur komen te staan

Abishek (Abhi) Gandotra begon zijn carrière als ingenieur, maar stapte over naar productontwikkeling — en nam zijn technische kennis mee. Hij is momenteel VP Productontwikkeling bij American Express. Ook is hij de auteur van The Sovereign Agent.

Hij sloot zich bij ons aan 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 ik geef leiding aan de productorganisatie voor het bankplatform bij American Express. Ik begon als ingenieur en schreef gedurende het eerste decennium van mijn carrière code. Daarom heb ik technologie nooit als een zwarte doos beschouwd. Wanneer iets niet wordt uitgerold, 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 besteedde ik meer dan tien jaar aan het bouwen van een platform voor bankieren-als-een-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 de infrastructuur van bankieren en betalingen, op een andere schaal en met de bijbehorende wettelijke eisen.

Het AI-moment draait voor mij niet alleen om hype. Ik lever nu al 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 kwamen volledig terug. 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, geef ik leiding aan de productorganisatie voor het bankplatform bij American Express — het digitale bank- en betalingsplatform dat onze bancaire ervaringen voor consumenten en bedrijven ondersteunt. Het is de infrastructuurlaag: de rails, mogelijkheden voor accounts en geldtransacties en de controles die alle klantgerichte elementen 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 andere eronder.

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

Hoe AI het maken van prototypes verschuift van techniek naar productontwikkeling

De grootste verandering die ik heb doorgevoerd, is dat ik het maken van prototypes niet langer beschouw als een verzoek aan techniek, maar het heb gemaakt tot een productmogelijkheid.

Een jaar geleden betekende het valideren van een nieuw idee dat we een briefing schreven, het aan een werkvoorraad toevoegden en weken wachtten tot technische capaciteit beschikbaar 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 behulp van AI-codehulpmiddelen om een functioneel prototype te bouwen op basis van een echte SDK, niet van een klikbaar model. Bij een recent initiatief, een integratie voor salarisadministratie, 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 niet langer abstract — je bespreekt iets concreets, met echte beperkingen, in plaats van ruzie te maken over een presentatie. Daarmee is een groot deel van de analyseverlamming verdwenen die vroeger het begin van onze planning opslokte. En doordat productmanagers in mijn team zelf prototypes afbakenen en opzetten, gaat technische tijd naar wat die tijd echt nodig heeft.

Het moeilijke deel is nu niet het bouwen. Het is 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 praktijkgerichte werkwijze van idee naar prototype

Hier is onze algemene werkwijze van idee naar werkend prototype, teruggebracht van weken tot dagen.

1. Het probleem definiëren: Het begint bij mensen — een behoefte van een partner of een lacune die we hebben opgemerkt. Ik gebruik een AI-assistent als sparringpartner om de probleemstelling kritisch te toetsen: voor wie is dit bedoeld, wat is de daadwerkelijke taak die moet worden uitgevoerd en wat zou betekenen dat het niet de moeite waard is om dit te bouwen? Zo wordt de vraag aangescherpt voordat het bouwen begint.
2. De input synthetiseren: We laten AI de relevante informatie analyseren — onderzoek, thema's uit ondersteuningstickets, het concurrentielandschap en eerdere interne context — en krijgen binnen enkele minuten in plaats van dagen een samengevat beeld. Een mens beoordeelt dit om vast te stellen wat het model heeft gemist of te zwaar heeft gewogen; de synthese is een startpunt, geen eindoordeel.
3. Een werkend prototype bouwen: Dit is de grootste verandering. In plaats van een specificatie te schrijven en te wachten op capaciteit van de technische afdeling, gebruikt een klein team AI-codeertools om functionele software met een echte interface op te zetten — geen klikbaar model, maar iets dat daadwerkelijk werkt. Dagen in plaats van 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 discussiëren over gedrag en uitzonderingssituaties, 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 beheersmaatregelen en naleving — dat zijn menselijke beslissingen, met een duidelijke verantwoordingsplicht vanaf het ontwerp.

Waarom de reikwijdte van PM-verantwoordelijkheid 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 die dat eerder niet was? Waar moet het oordeel van engineering het werk nog steeds tegenhouden, en waar vertraagt het de zaken alleen maar? Wat betekent "klaar voor productie" wanneer de persoon die het heeft gebouwd geen engineer is?

Mijn focus ligt op samenhang, niet op sneller opleveren om het sneller opleveren zelf. Iedereen de mogelijkheid geven om te bouwen brengt het risico met zich mee dat iedereen zijn eigen versie van alles bouwt, waardoor de organisatie versplintert in capabele silo's die niet op elkaar voortbouwen. Daarom draait het herontwerp net zo goed om gedeelde fundamenten en een gemeenschappelijke kwaliteitsstandaard als om het in staat stellen van PM's. Als het goed wordt aangepakt, bewegen teams zich veel sneller 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 nog steeds het oordeel voor hun rekening nemen, vooral in een gereguleerde bankomgeving.

Ik zet AI in voor:

• Ontdekking en synthese: sneller dan een mens alles kan lezen signalen halen uit onderzoek, ondersteuningstickets, feedback van partners en het concurrentielandschap.
• Prototypes en experimenten: werkende software opzetten om een idee te testen in plaats van erover te debatteren.
• De eerste versie van vrijwel alles: vereisten, analyses en marktscans.

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

Ik houd het expliciet menselijk voor:

• Prioritering en de beslissing 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 regelgevings- of risicobeslissingen raakt: in onze wereld is "het model stelde het voor" geen antwoord dat je aan een toezichthouder kunt geven.
• De moeilijke gesprekken met 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 brengt

De duidelijkste winst zit aan het begin van de levenscyclus:

• Prototypingcycli die vroeger weken duurden, duren nu dagen. Dat betekent dat we meer ideeën testen en de slechte ideeën eerder afschieten — voordat ze daadwerkelijk engineeringcapaciteit opslokken.
• Mijn PM's komen nu in een fractie van de tijd door onderzoek, feedback van support en concurrentieanalyses heen, zodat ze beter voorbereid aan prioriteringsgesprekken beginnen.
• PM's die zonder een engineer niets konden opleveren, 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 zo afgewerkt uit dat het een vals vertrouwen wekte in hoe dicht we bij iets werkends waren. De demo werkte, maar de lastige 20% — de uitzonderingsgevallen, de beheersmaatregelen en de compliancelogica — was volledig onaangeroerd.

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

Abhi's gedachten

De les was dat AI de kosten van de eerste 80% zo drastisch verlaagt dat teams de resterende 20% onderschatten. Daar zit juist alle complexiteit van bankieren. We maken nu expliciet onderscheid tussen \u0022\u003cem\u003elijkt af\u003c/em\u003e\u0022 en \u0022\u003cem\u003eis af,\u003c/em\u003e\u0022 en ik heb er een norm van gemaakt dat een werkende demo het begin van het moeilijke gesprek is, 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 oplevert.

Een paar specifieke voorbeelden:

• Het "laatste stukje" in gereguleerde werkstromen: AI levert snel een werkend prototype op, maar in het bankwezen zit de waarde niet in het ideale pad — die zit in beheersmaatregelen, audittrails, foutafhandeling en afstemmingslogica. AI heeft dat deel niet noemenswaardig versneld. Ik verwachtte dat het de volledige bouwtijd zou verkorten; het heeft alleen de eerste helft verkort. De tweede helft is nog altijd even moeilijk 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 soepel je integreert met bestaande systemen — partner-API's, kernverwerkers en interne diensten die al tientallen jaren bestaan. AI-tools blinken uit in omgevingen waarin iets vanaf nul wordt opgebouwd, maar worden merkbaar zwakker zodra ze met onze werkelijke beperkingen te maken krijgen. Het rommelige, contextintensieve integratiewerk dat echte platformengineering kenmerkt, is precies waar ze het minst helpen.
• Besluitkwaliteit 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, maar niet meer duidelijkheid. 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 bij 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 daar naartoe moet groeien. 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 doorloopt verschillende 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 onzichtbaar risico.

Als ik dit eerder had begrepen, had ik de verleiding om te veel te beloven over de bovenkant van de stapel kunnen weerstaan voordat de basis stevig was. De meest ambitieuze demo trekt je gemakkelijk mee, omdat die iedereen enthousiast maakt. Maar een flitsende autonome mogelijkheid op een onvolwassen fundament gaat op moeilijk te diagnosticeren manieren kapot en tast het vertrouwen snel aan — en vertrouwen is, zodra het is verspeeld aan een systeem dat verkeerd heeft gehandeld, duur om opnieuw op te bouwen.

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

Hoe CPO's zich kunnen richten op de juiste schaarste

Mijn algemene advies is om niet langer te optimaliseren voor de verkeerde schaarste.

Het grootste deel van onze loopbaan lag het knelpunt bij productie — dingen gebouwd krijgen. Daarom richtten we alles in rond doorvoer: achterstanden, capaciteitsplanning, sneller leveren. AI heeft dat knelpunt simpelweg weggenomen. 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 de moeite 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 daarom uit drie delen:

1. Investeer je AI-dividend in beoordelingsvermogen, niet alleen in snelheid: Het doel van sneller werken is niet om meer 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 beslissing over hulpmiddelen van iemand anders. Bouw zelf iets. Je kunt een team niet door een verandering leiden waarover je alleen hebt gelezen — je instincten zijn dan afgestemd op een wereld die niet meer bestaat.
3. Maak je kennis van je domein scherper, niet vager: Iedereen heeft nu toegang tot dezelfde algemene AI. Je voorsprong zit niet in het model — maar in de specifieke, met hard werken 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 meer dan informatie en inspanning. Dat is ongemakkelijk, omdat je inspanning onder controle hebt en smaak moet ontwikkelen. Maar de leiders die dat vroeg tot zich laten doordringen, zijn degenen die hun voorsprong zullen zien groeien.

Volg hem

Je kunt het werk van Abhi Gandotra volgen op LinkedIn en op zijn website. Of bekijk zijn boek, The Sovereign Agent.

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