Gordon Van Huizen, SVP of Strategy at Mendix – Interview Series

Gordon Van Huizen er SVP of Strategy hos den førende low-code-leverandør, Mendix, et Siemens-virksomhed. I denne rolle identificerer og udforsker Van Huizen strategier for fremkomne teknologiske fremskridt og arbejder med at inkubere produktinnovationer inden for Mendix, alt med fokus på, hvordan disse teknologier kan påvirke og tilføre værdi til kunderne.

Mendix er en førende low-code-applikationsudviklingsplatform designet til at låse virksomheder opbygge, deployere og kontinuerligt forbedre kritisk software med minimal håndkodning. Platformen tilbyder en AI-drevet IDE, governance-værktøjer, indbyggede integrationer og cloud-deployeringsmuligheder, der muliggør samarbejde mellem både professionelle udviklere og citizen-udviklere. Som en del af Siemens lægger Mendix vægt på skalerbarhed, robust governance og enterprise-klarhed og er gentagne gange blevet anerkendt som en Magic Quadrant-leader i low-code.

Hvordan ændrer AI permanent softwareudviklingslivscyklussen (SDLC), især i low-code- og no-code-miljøer?

AI ryster virkelig softwareudviklingslivscyklussen op, især efterhånden som vi udnytter naturligt sprog mere og mere. I stedet for at skrive kode linjer, begynder organisationer at definere og opbygge software blot ved at beskrive forventninger. Det handler mere om at udtrykke intention og have en samtale med smarte værktøjer, der kan tage intentionen og omdanne den til kode, grænseflader og selv tests.

Da AI fortsætter med at væve sig ind i SDLC, tror jeg, vi vil se, hvor kraftfuld den ændring virkelig er. At kommunikere, hvad vi ønsker, i stedet for hvordan vi bygger det, vil føles mere naturligt og ærligt være mere varig end at skrive kode på den traditionelle måde. Til sidst kan kode, som vi kender det, måske forsvinde i baggrunden. Og ikke kun det, vi er på vej mod en helt ny model for software, der ikke kun er bygget af AI, men også er intelligent i sig selv. Ændringen er stor og spændende, og måske den mest betydningsfulde ændring i software, vi vil se i vores liv.

Hvilken rol ser du Agentic AI spille i fremtidens applikationsudvikling, og hvordan bør udviklere og platform-arkitekter forberede sig på dens overvågningsudfordringer?

Da Agentic AI fortsætter med at genopfinde SDLC, ser vi ikke kun en hurtigere, billigere og højere kvalitetsudvikling, men også en mere tilgængelig udvikling. Mennesker kan blive kreative og eksperimentere uden at skulle være ekspertkodere; alt, de skal kunne, er at tydeligt udtrykke, hvad de ønsker. Alligevel kommer al den kraft med kompleksitet. Softwaren, vi bygger i dag, er mere avanceret end nogensinde, hvilket medfører nye udfordringer, især efterhånden som multi-agent-platforme fortsætter med at opstå. Interoperabilitet bliver en hovedpine, fordi applikationer naturligt er distribuerede og ofte involverer værktøjer fra andre leverandører og teknologistack. Det er, hvor low-code-platforme virkelig begynder at skille sig ud.

De kan automatisere en masse grundlæggende arbejde på deploymentsiden, samtidig med at de giver dig en klar oversigt over hele systemet. Når du først har den overvågningslag i sted, kan du bringe AI ind i billedet for at hjælpe med at give mening til, hvad der sker. AI kan fremhæve problemer som ydelsesfald eller ukorrekte output og forklare rodårsagen på en klar måde. Den slags klarhed er en game-changer for både udviklere og operationshold. Alt dette betyder, at vi vil have brug for low-code mere end nogensinde, da dens meget natur adresse disse udfordringer direkte. Især vil vi se den kraftfulde kombination af AI-forstærket udvikling og low-code. Du kan udtrykke dig selv på naturlig sprog, derefter se resultaterne på en visuel måde – herunder data, logik og brugergrænseflader – og interagere gennem en kombination af naturligt sprog og den visuelle IDE for at yderligere finjustere og udvide den genererede software.

Tror du, at den traditionelle koncept “udvikler” udvikler sig på grund af low-code og AI? Hvilke færdigheder vil være mest kritiske i det næste årti?

I dag ses softwareudviklere og AI-ingeniører ofte som to separate roller, men vi begynder allerede at se en overlap, både gennem udviklere, der lærer færdighederne krævet for AI-ingeniørarbejde, og med fusionshold, der bringer udviklere, AI-ingeniører, dataingeniører og sogar datavidenskabsmænd sammen. Ærligt talt, det er præcis den slags samarbejde, vi har brug for lige nu. Men ja, den traditionelle koncept “udvikler” udvikler sig sandsynligvis. Det er kun et spørgsmål om tid, før softwareudviklere bliver AI-ingeniører. Til sidst er AI-ingeniørarbejde stadig softwareudvikling; det indebærer bare en samling værktøjer og koncepter, som mange udviklere endnu ikke har arbejdet med. Disse færdigheder er til at lære, og mange traditionelle udviklere vil sandsynligvis finde dette nye arbejde spændende. Det åbner døren for at bygge smartere, mere dynamiske løsninger, og det er en belønning at vokse i.

Hvordan balancerer Mendix tilgængeligheden af low-code med kompleksiteten af at bygge AI-drevne applikationer?

Mendix’ mål er at lette kompleksiteten af at bygge AI-drevne applikationer, samtidig med at sikre, at det, udviklere bygger i dag, er fremtidssikret. Vi vil gøre tingene enklere uden at fjerne den fleksibilitet, udviklere har brug for. Vi udnytter en visuel tilgang, så du faktisk kan se, hvordan agenterne og systemerne passer sammen, ligesom hvis en agent udløser en anden. Med Mendix’ low-code-værktøjer er arkitekturen og opførslen af disse AI-indfusede systemer lagt ud på en måde, der ikke føles som et komplekst multi-agent-system. Det ser bare ud som en ren, forståelig applikation.

Hvordan aktiverer low-code-platforme som Mendix ikke-udviklere til at bygge sofistikerede AI-drevne løsninger, og hvilke er nogle af de bedste eksempler, du har set?

Hos Mendix møder vi udviklere, business-teknologer og citizen-udviklere, hvor de er i forhold til deres forståelse og behov for AI-indfusede apps; platformens værktøjer er lette at få fat i og bruge fra starten. Vi guider dem gennem oplevelsen trin for trin, indtil de bruger low-code til at bygge smarte, AI-drevne applikationer, der er lige så avancerede som dem, der er bygget med high-code. De starter med at bygge prompts ved hjælp af vores low-code-prompt-builder. Når de er komfortable med det, kan de grundlægge deres generative AI-indfusede app med data specifikt for virksomheden eller løsningen med en indbygget low-code-videnbas. Og når de er klar til det, kan de endda bygge AI-agenter gennem low-code-orkestration og værktøjsbrug.

Et af de bedste virkelige eksempler er det AI-native globale løn-platform bygget på Mendix, datascalehr. Løn, især som den varierer fra land til land, er berømt kompleks med konstant skiftende regler, overholdelseskrav og store mængder data. Ved hjælp af Mendix udviklede datascalehr-grundlæggerne hurtigt en næste-generations-platform, der udnytter AI til intelligent automation, overholdelseskontrol og kontekstuel assistance. Det, der er kraftfuldt her, er, at business-teknologer og domæneeksperter – ikke kun professionelle udviklere – kunne forme, hvordan AI-funktioner var indlejret, og sikre, at løsningen direkte adresse kundebehov. Low-code gør sofistikerede, AI-drevne løsninger både tilgængelige og enterprise-klare.

Kan du føre os gennem, hvordan AI bruges inden for Mendix selv – både i, hvordan platformen er bygget, og hvordan den giver brugere mulighed for?

“Create with Maia” er Mendix’ svar på både at infusere AI i applikationsudviklingsprocessen og give vores kunder og partnere mulighed for at bygge intelligente, AI-drevne applikationer. For nylig lanceret med den seneste version af Mendix, Mendix 11, giver Maia brugerne mulighed for let at oprette, orkestrere og deployere AI-agenter og multi-agent-applikationer på tværs af hele softwareudviklingslivscyklussen. Før brugerne overhovedet starter med at bygge, kan de udnytte Maia og bruge naturligt sprog til at sikre, at mål, succeskriterier og brugerhistorier er aligneret, før oprettelse. Create with Maia hjælper også med at omdanne brainstorm, mockups, diagrammer og krav til klare, handlebare projektplaner. Derefter, når den oprindelige software er oprettet, kan brugerne hurtigt finjustere softwaren med den indre hastighed af low-code. Resultatet er færre iterationer, hurtigere levering, stærkere governance og software, der er bygget rigtigt fra starten.

Hvordan ser du AI og low-code komme sammen for at støtte nonprofit- eller formålsdrevne organisationer, der arbejder på at løse sociale eller miljømæssige problemer?

AI og low-code er utrolige værktøjer til at løse virkelige udfordringer, primært fordi de giver personale, der fokuserer på at løse kritiske sociale problemer, en mulighed for at innovere, selv med begrænsede budgetter og tekniske færdigheder. Et eksempel, der virkelig står ud for mig, er fra Alliance for Orphans (A4O), en nonprofit-baseret i San Antonio, der tilbyder respite-babysittere for fosterfamilier. Virksomheden ramte en stor forhindring, da de indså, at det var svært at finde, træne og certificere babysittere, der er essentielle for at hjælpe fosterforældre med at få den støtte, de har brug for. Low-code hjalp dem med at bygge en applikation til at strømline certificeringsprocessen, samle systemer på tværs af forskellige agenturer, digitalisere papirer og bygge en central database til at spore certificerede babysittere. Applikationen hjalp A4O med at certificere 81 respite-babysittere, og siden dens oprettelse er applikationerne kun fortsat med at vokse. Det er et så kraftfuldt eksempel på, hvordan low-code kan gøre en reel, positiv forskel i menneskers liv, og det var kun et eksempel.

Hvad er de unikke udfordringer og muligheder ved at bruge syntetisk data inden for et low-code-miljø?

Syntetisk data reducerer naturligt personlige risici, da den ikke indeholder virkelig personlig information, hvilket gør det lettere at overholde databeskyttelsesregler (såsom GDPR) og minimere juridisk eksponering. Selvfølgelig er det også hurtigere, billigere og lettere at bruge syntetisk data end at bygge datasæt fra bunden og mærke dataene til brug af AI, hvilket kan være uden for scope eller upraktisk for nogle projekter.

Det sagde, syntetisk data kan indeholde uændrelser, bias og giftighed og endda ikke kan fange støjen, outlierne og det fulde udvalg af scenarier, der er indeholdt i virkelige verdensbrug – hvilket kan føre til potentielle fejl i produktion. Derfor er det nødvendigt at etablere en disciplineret og pragmatisk tilgang og fastlægge en streng test- og valideringsmetode, der udvider applikationstestprocessen til at inkludere validering af AI-output. For business-kritiske systemer er det også vigtigt at holde mennesker i løkken, så de kan anvende deres egen skønsomhed og give feedback fra applikationen selv.

Hvordan ser du konvergens af IT og OT udvikle sig, når AI- og low-code-værktøjer introduceres i operationelle indstillinger?

Kraften og nøjagtigheden af enhver agentic AI-løsning afhænger af kontekst; kvaliteten og mængden af data er kritisk. Det er derfor blevet essentiel for dem i fremstilling, energi og andre industrielle segmenter at have en solid datagrund, der bringer både IT- og OT-data sammen. Desværre er OT-data ikke altid let at arbejde med. For eksempel er det ofte ikke mærket med nogen tydelig metadata eller skema til at guide dig. Det gode er, at specialiserede værktøjer er tilgængelige til at omdanne OT-data og supplere den med de nødvendige metadata, så den kan bruges inden for intelligente applikationer via AI-forstærket oprettelse af passende datamodeller. Når den først er indtaget, kan OT-dataen bruges sammen med IT-data til brug inden for applikationer og give kontekst til generativ AI.

Som tidligere Gartner-analytiker og nu SVP of Strategy hos Mendix, hvordan adskiller du AI-hype fra sandt innovativt, når du former din produktvej?

At adskille AI-hype fra sandt innovation kræver en disciplineret og pragmatisk tilgang, men det er en procedure, jeg har finjusteret, efterhånden som tendenser kommer og går. Først og fremmest engagerer jeg mig direkte med kunder og potentielle kunder for at forstå deres virkelige planer og krav – det, de faktisk har brug for for at flytte deres forretning fremad. Mendix’ produktteam tager også en test-og-lær-tilgang ved at levere MVP’er af nye funktioner og derefter arbejde tæt med kunder for at indsamle feedback og validere, om disse innovationer faktisk leverer konkrete værdier.

Da samarbejde er en nøgle til at sortere gennem AI-hype, arbejder jeg også aktivt med vores eksisterende partnere og udforsker potentielle nye for at bringe yderligere perspektiver og ekspertise ind. Til sidst trækker jeg på min erfaring med nuværende og tidligere bølger af fremkomne teknologier, mens jeg holder et tæt øje på modningsniveauer og antagelseskurver. Dette hjælper virkelig med at filtrere ud, hvad der er spekulativt i forhold til, hvad der sandsynligvis vil få fodfæste, så vi kan prioritere investeringer, der vil drive langsigtede resultater for vores kunder.

Tak for det gode interview. Læsere, der ønsker at lære mere, skal besøge Mendix.