Amex produktchef säger att AI måste integreras stegvis i produktorganisationer — ett enda överhoppat lager kommer att kosta dig

Abishek (Abhi) Gandotra började sin karriär som ingenjör, men gick över till produkt — och tog med sig sin tekniska kunskap. Han är för närvarande VP för produkt på American Express. Han är också författare till Den suveräna agenten.

Han anslöt sig till oss för att dela med sig av vad han lär sig när AI suddar ut gränserna mellan teknik och produkt ännu mer. Här är vad han berättade för oss.

Från teknik till produkt

Jag heter Abhi Gandotra och leder produktorganisationen för Banking Platform på American Express. Jag började som ingenjör och tillbringade mitt första decennium i karriären med att skriva kod. Därför har jag aldrig betraktat teknik som en svart låda. När något inte lanseras vill jag veta varför — på den nivå där det går fel.

Jag gick över till produkt eftersom jag brydde mig mindre om att bygga saker på rätt sätt och mer om att bygga rätt saker. På Green Dot tillbringade jag över ett decennium med att bygga en plattform för banktjänster som tjänst — vi tog den från idé till över $1B i B2B-intäkter hos fler än 80 företagskunder. Det lärde mig något som jag fortfarande tror på: Plattformar vinner när de gör andra människors svåra problem enkla. Nu gör jag det på Amex för bank- och betalningsinfrastruktur, i en annan skala och med de tillhörande regulatoriska kraven.

AI-ögonblicket handlar för mig inte bara om hajp. Jag levererar med de här verktygen just nu — bygger agenter, startar ett AI-kompetensutvecklingsprogram i hela min organisation och driver små team som går från idé till fungerande programvara på några dagar. Mina ingenjörsinstinkter har kommit tillbaka på bred front. Avståndet mellan ”jag har en idé” och ”den körs” har aldrig varit så kort. Det är den delen jag tycker är spännande — inte hajpen, utan hastigheten.

Att leda produkt inifrån infrastrukturlagret

Som jag sa leder jag produktorganisationen för Banking Platform på American Express — den digitala bank- och betalningsplattform som ligger till grund för våra bankupplevelser för privat- och företagskunder. Det är infrastrukturlagret: rälsen, funktionerna för konton och penningöverföringar samt kontrollerna som stöder alla kundnära delar.

Våra ”användare” består av två tydliga målgrupper: slutkunder som upplever produkten som sin bank och sina betalningar, samt interna produkt- och teknikteam som bygger på vår plattform. Plattformarbete kräver att man samtidigt betjänar byggare och slutanvändare — om man bara optimerar för den ena drabbas den andra.

Vi verkar i den skala och med de regulatoriska krav som förväntas av en över hundra år gammal finansiell institution, vilket innebär att tillförlitlighet och regelefterlevnad inte är funktioner utan grundläggande krav. Vår leveransmodell kombinerar intern produkt- och teknikutveckling med viktiga teknikpartner, så jag fungerar i stor utsträckning som samordnare — jag anpassar interna färdplaner till externa förmågor och de kontroller som våra risk- och regelefterlevnadsteam kräver.

Hur AI flyttar prototyparbetet från teknik till produkt

Den största förändringen jag gjorde var att sluta behandla prototyparbete som en förfrågan till teknikteamet och i stället göra det till en produktförmåga.

För ett år sedan innebar validering av en ny idé att skriva en sammanfattning, lägga till den i en backlog och vänta i veckor på att teknikteamet skulle ha kapacitet att bygga något som användare eller partner kunde utvärdera. Nu driver jag små team som går från koncept till fungerande programvara på några dagar — med hjälp av AI-verktyg för kodning för att snabbt sätta upp en fungerande prototyp mot ett verkligt SDK, inte en klickbar skiss. I ett nyligt initiativ, en löneintegrering, byggde och testade ett litet team en fungerande integration på den tid det tidigare tog att enas om kraven.

Det förändrade hur vi fattar beslut. När man kan visa fungerande programvara för en partner eller intressent på några dagar slutar samtalet att vara abstrakt — man diskuterar något verkligt, med verkliga begränsningar, i stället för att argumentera kring en presentation. Det har eliminerat mycket av den analysförlamning som tidigare åt upp den inledande delen av vår färdplan. Och när produktcheferna i mitt team själva definierar omfattningen och sätter upp prototyper går teknikteamets tid till det som verkligen behöver den.

Nu är den svåra delen inte att bygga. Det är att avgöra vad som är värt att bygga. Omdöme och prioritering är de knappa resurserna. Det är den förändring jag fokuserar mest på som ledare.

Ett praktiskt arbetsflöde från idé till prototyp

Här är vårt generaliserade arbetsflöde från idé till fungerande prototyp, komprimerat från veckor till dagar.

1. Definiera problemet: Det börjar med människor – ett partnerbehov eller en lucka som vi har upptäckt. Jag använder en AI-assistent som tankepartner för att stresstesta problemformuleringen: vem är den till för, vilket är det faktiska jobbet som ska utföras och vad skulle göra att den inte är värd att bygga? Det skärper frågan innan byggandet börjar.
2. Sammanställ underlaget: Vi riktar AI mot det relevanta materialet – forskning, teman från supporten, konkurrenslandskapet och tidigare internt sammanhang – och får en sammanställd bild på några minuter i stället för dagar. En människa granskar den för att identifiera vad modellen missade eller överbetonade; sammanställningen är en utgångspunkt, inte domen.
3. Bygg en fungerande prototyp: Det här är den största förändringen. I stället för att skriva en specifikation och vänta på teknisk utvecklingskapacitet använder en liten grupp AI-verktyg för kodning för att snabbt skapa fungerande programvara med ett verkligt gränssnitt – inte en klickbar skiss, utan något som faktiskt körs. Dagar, inte veckor.
4. Visa den för människor: Vi presenterar den fungerande prototypen tidigt för intressenter eller en partner. Eftersom den är verklig blir återkopplingen äkta – vi diskuterar beteenden och specialfall, i stället för att reagera på en presentation.
5. Fatta beslut med omdöme: Här tar AI ett steg tillbaka. Huruvida vi ska investera mer, hur det passar in i färdplanen och vilka konsekvenserna blir för kontroller och regelefterlevnad – det är mänskliga beslut, med tydligt ansvar inbyggt från början.

Varför PM:s ansvarsområde måste förändras

Därför har jag aktivt omdefinierat omfattningen av PM:s ägarskap, överlämningspunkterna mellan produkt och teknik och – framför allt – kvalitetskraven för artefakter som byggts av PM och ska tas i produktion.

I det ögonblick en PM kan leverera hela vägen från idé till produktion måste man besvara nya frågor som den gamla modellen aldrig tvingade en att ställa. Vad ansvarar en PM för nu som hen inte gjorde tidigare? Var måste teknikavdelningens omdöme fortfarande fungera som en grindvakt för arbetet, och var gör det bara processen långsammare? Vad innebär ”produktionsklar” när personen som byggde det inte är ingenjör?

Jag fokuserar på sammanhållning, inte på snabbare leveranser för deras egen skull. Att ge alla möjlighet att bygga riskerar att alla bygger sin egen version av allt, vilket splittrar organisationen i kompetenta silor som inte förstärker varandra. Därför handlar omformningen lika mycket om gemensamma grunder och en gemensam kvalitetsstandard som om att frigöra PM:er. När det görs rätt rör sig teamen dramatiskt snabbare och bygger vidare på varandra i stället för vid sidan av varandra.

Varför AI bör generera alternativ medan människor använder sitt omdöme

AI är utmärkt på att generera alternativ; människor måste fortfarande ansvara för omdömet, särskilt inom reglerad bankverksamhet.

Jag lutar mig mot AI för:

• Upptäckt och sammanställning: att få fram det viktiga ur forskning, supportärenden, partneråterkoppling och konkurrenslandskapet betydligt snabbare än en människa kan läsa igenom allt.
• Prototyper och experiment: att snabbt skapa fungerande programvara för att testa en idé i stället för att diskutera den.
• Det första utkastet till nästan allt: krav, analyser och marknadsöversikter.

AI tar oss till en trovärdig utgångspunkt – något som tidigare tog upp merparten av vår tid – på några minuter.

Jag låter det uttryckligen förbli mänskligt när det gäller:

• Prioritering och beslut om färdplanen: AI kan tydliggöra avvägningarna, men beslutet om vad vi ska bygga – och vad vi medvetet inte ska bygga – kräver omdöme kring strategi, riskaptit och våra kunder, något jag inte är beredd att lämna över.
• Allt som rör beslut om regelefterlevnad eller risk: I vår värld är ”modellen föreslog det” inte ett svar man kan ge en tillsynsmyndighet.
• De svåra besluten som rör människor och intressenter: Med det menar jag att läsa av rummet och navigera mellan motstridiga prioriteringar hos olika partner. Det här är i grunden mänskligt.

Hur AI ger både snabbhet och överdrivet självförtroende

Abhis tankar

Lärdomen var att AI minskar kostnaden för de första 80 procenten så dramatiskt att team underskattar de återstående 20 procenten, vilket är där alla svårigheter inom bankverksamhet finns. Nu skiljer vi uttryckligen mellan “ser färdigt ut” och “är färdigt,” och jag har gjort det till en norm att en fungerande demo är början på det svåra samtalet, inte slutet på det.

Den tydligaste vinsten är snabbheten i början av livscykeln:

• Prototypcykler som tidigare tog veckor tar nu dagar, vilket innebär att vi testar fler idéer och sållar bort de dåliga tidigare – innan de förbrukar verklig utvecklingskapacitet.
• Mina PM:er hinner nu gå igenom undersökningar, återkoppling från supporten och konkurrentanalyser på en bråkdel av tiden, så de kommer bättre förberedda till prioriteringssamtalen.
• PM:er som inte kunde leverera något utan en utvecklare kan nu själva sätta upp en fungerande prototyp. Det förändrar energin i teamet. Människor känner sig mer som skapare igen.

Men vi lärde oss den hårda vägen att AI:s resultat låter självsäkra även när de är fel, och det är farligt i en reglerad miljö. Tidigt såg en prototyp tillräckligt polerad ut för att skapa en falsk bild av hur nära vi var något verkligt. Demon fungerade, men de svåra 20 procenten – specialfallen, kontrollerna och efterlevnadslogiken – var helt obeaktade.

Lärdomen var att AI minskar kostnaden för de första 80 procenten så dramatiskt att team underskattar de återstående 20 procenten, vilket är där alla svårigheter inom bankverksamhet finns. Nu skiljer vi uttryckligen mellan "ser färdigt ut" och "är färdigt," och jag har gjort det till en norm att en fungerande demo är början på det svåra samtalet, inte slutet på det.

Avståndet mellan demo och produktvärde

Det finns ett stort avstånd mellan demomagi och varaktigt produktvärde. AI är utmärkt på det imponerande steget från noll till ett, men gör konsekvent ett svagt intryck på det oglamorösa arbete som driver varaktig effekt.

Några konkreta exempel:

• Den "sista milen" i reglerade arbetsflöden: AI levererar snabbt en fungerande prototyp, men inom bankverksamhet ligger värdet inte i det lyckade standardfallet – det ligger i kontroller, revisionsspår, hantering av undantag och avstämningslogik. AI har inte på något meningsfullt sätt snabbat upp den delen. Jag förväntade mig att det skulle komprimera hela utvecklingen; det komprimerade bara den första halvan. Den andra halvan är fortfarande lika svår som någonsin, och det är där det mesta av det verkliga produktvärdet finns.
• Integration med den äldre systemverkligheten: En stor del av en plattforms värde kommer från hur smidigt du integrerar med befintliga system – partner-API:er, centrala processorer och interna tjänster som har funnits i årtionden. AI-verktyg är utmärkta i miljöer där allt byggs från grunden, men försvagas märkbart så fort de stöter på våra faktiska begränsningar. Det röriga, kontexttunga integrationsarbete som definierar plattformsutveckling i verkligheten är precis där de hjälper minst.
• Beslutskvalitet på strategisk nivå: Jag hoppades att AI-syntes skulle göra våra prioriteringar skarpare. Det har gjort oss snabbare och bättre informerade, men det har inte gjort de svåra besluten enklare – eftersom svåra beslut aldrig handlade om brist på information; de handlade om övertygelse, avvägningar och riskaptit. AI gav oss mer analys, men inte större tydlighet. Det var nyttigt att korrigera den förväntningen.

Varför AI-integration bör ske steg för steg

Du kan inte hoppa över de lägre lagren. Instinkten med AI – särskilt med dagens kapabla modeller – är att gå direkt till det imponerande slutmålet: det autonoma systemet, agenten som agerar på egen hand. Jag lärde mig att man måste förtjäna vägen dit. Att försöka ta en genväg kostar.

Nu ser jag det som en mognadsutveckling. AI-kapacitet i alla seriösa operativa sammanhang utvecklas genom olika stadier – först produktivitet (att göra det befintliga arbetet snabbare), sedan effektivitet (att automatisera rutinmässiga steg), därefter intelligens (djupare insikter och beslutsstöd) och först därefter autonomi (system som agerar på egen hand). Varje lager är beroende av lagret under. Du kan inte införa en tillförlitlig agent på en plattform som ännu inte kan observera sig själv, visa sin egen konfiguration eller förklara varför den fattade ett beslut. Autonomi utan observerbarhet är inte sofistikering – det är en risk som du inte kan se.

Om jag hade förstått det här tidigare skulle jag ha undvikit frestelsen att lova för mycket om det översta lagret innan grunden var stabil. Den mest ambitiösa demon drar lätt in en eftersom den entusiasmerar alla. Men en flashig autonom funktion som vilar på en omogen grund går sönder på sätt som är svåra att diagnostisera och urholkar snabbt förtroendet — och förtroende, när det väl har förbrukats på ett system som agerade fel, är dyrt att bygga upp igen.

Därför skulle jag säga till alla som lanserar sin första AI-drivna produkt: var ärlig med vilket lager ni befinner er på, leverera verkligt värde på den nivån och låt funktioner på högre nivå förtjäna sin plats. Ordningen är hela spelet.

Hur CPO:er kan optimera för rätt bristvara

Överlag är mitt råd att sluta optimera för fel bristvara.

Under större delen av våra karriärer var flaskhalsen produktionen — att få saker byggda. Därför organiserade vi allt kring genomströmning: backloggar, kapacitetsplanering, snabbare leveranser. AI har helt enkelt eliminerat den flaskhalsen. Kostnaden för att skapa ett alternativ, en prototyp, ett utkast eller en analys närmar sig noll. Och när en begränsning försvinner blir en ny begränsning det som spelar roll.

Den nya knappa resursen är omdöme — att veta vad som är värt att bygga, vad man ska säga nej till, hur "bra" ser ut och vad AI:s självsäkra resultat i tysthet får fel. Därför består mitt råd av tre delar:

1. Använd er AI-utdelning på omdöme, inte bara snabbhet: Poängen med att arbeta snabbare är inte att leverera mer — det är att skapa fler chanser att lyckas, så att ni kan vara mer selektiva. Om AI bara får er att bygga mer av fel saker snabbare har ni gjort problemet värre, inte bättre.
2. Håll er nära hantverket: De ledare som kommer att få det svårt är de som ser detta som någon annans beslut om verktyg. Bygg något själva. Ni kan inte leda ett team genom en förändring som ni bara har läst om — era instinkter kommer att vara kalibrerade för en värld som inte längre finns.
3. Bli skarpare inom ert område, inte vagare: Alla har nu tillgång till samma generella AI. Er fördel är inte modellen — det är den specifika, hårt förvärvade kunskapen om era kunder, er regulatoriska verklighet och er verksamhet. AI gör det generiska till en handelsvara och gör det specifika mer värdefullt. Fokusera på det som är ert.

Det här ögonblicket belönar smak och övertygelse mer än information och ansträngning. Det är obekvämt, eftersom ni kan kontrollera ansträngningen, medan ni måste utveckla smaken. Men de ledare som tar till sig detta tidigt är de som kommer att dra nytta av det över tid.

Följ med

Du kan följa Abhi Gandotras arbete på LinkedIn och hans webbplats. Eller ta en titt på hans bok, Den suveräna agenten.

Fler expertintervjuer kommer på The CPO Club!