Gordon Van Huizen, Strategidirektør i Mendix – Intervju-serie

Gordon Van Huizen er Strategidirektør i den ledende lavkode-udbyder, Mendix, et Siemens-virksomhed. I denne rol identificerer og udforsker Van Huizen strategier for fremvoksende 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.

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

AI ryster virkelig op i softwareudviklingslivscyklussen, især når vi udnytter naturlig sprog mere og mere. I stedet for at skrive kodelinjer begynder organisationer at definere og bygge software ved blot at beskrive forventninger. Det bliver mere om at udtrykke intention og have en samtale med smarte værktøjer, der kan tage intentionen og omdanne den til kode, grænseflader og endda tests.

Da AI fortsætter med at væve sig ind i SDLC, tror jeg, vi vil begynde at se, hvor kraftfuld den ændring virkelig er. At kommunikere, hvad vi vil, i stedet for hvordan vi bygger det, vil føles mere naturligt, og ærligt talt, være mere varig end at skrive kode på den traditionelle måde. Til sidst kan koden, som vi kender den, 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 platformarkitekter 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 udvikling, der bliver mere tilgængelig. Mennesker kan blive kreative og eksperimentere uden at skulle være eksperter i kodning; alt, de skal kunne, er at udtrykke, hvad de vil. Alligevel kommer al den kraft med kompleksitet. Softwaren, vi bygger i dag, er mere avanceret end nogensinde før, hvilket bringer nye udfordringer med sig, især da multi-agent-platforme fortsætter med at opstå. Interoperabilitet bliver en hovedpine, fordi applikationer naturligt er distribuerede og ofte involverer værktøjer fra andre leverandører og teknologistacks. Det er her, lavkode-platforme virkelig begynder at skinne.

De kan automatisere en masse grundarbejde på installationsiden, 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 outputs og forklare den grundlæggende årsag 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 lavkode mere end nogensinde, da dens meget natur løser disse udfordringer direkte. I særdeleshed vil vi se den kraftfulde kombination af AI-forstærket udvikling og lavkode. 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 naturlig sprog og den visuelle IDE for at yderligere finjustere og udvide den genererede software.

Tror du, at den traditionelle opfattelse af “udvikler” udvikler sig på grund af lavkode 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 vis overlap, både gennem udviklere, der lærer de færdigheder, der kræves for AI-ingeniørarbejde, og gennem fusionshold, der bringer udviklere, AI-ingeniører, dataingeniører og endda datavidenskabsmænd sammen. Ærligt talt, det er præcis den slags samarbejde, vi har brug for lige nu. Men ja, den traditionelle opfattelse af “udvikler” udvikler sig sandsynligvis. Det er kun et spørgsmål om tid, før softwareudviklere bliver AI-ingeniører. Til sidst er AI-ingeniørarbejde stadig softwareudvikling; det involverer bare en samling værktøjer og begreber, 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 lavkode med kompleksiteten af at bygge AI-drevne applikationer?

Mendix’ mål er at lette kompleksiteten af at bygge AI-drevne applikationer, samtidig med at vi sikrer, 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 kan se, hvordan agenterne og systemerne passer sammen, som når en agent udløser en anden. Med Mendix’ lavkodeværktøjer 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 gør lavkode-platforme som Mendix det muligt for ikke-udviklere at bygge avancerede AI-drevne løsninger, og hvad er nogle af de bedste eksempler, du har set?

Hos Mendix møder vi udviklere, business-teknologer og borgerudviklere, 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 er i stand til at bygge smarte, AI-drevne applikationer, der er lige så avancerede som dem, der er bygget med høj kode. De starter med at bygge prompts ved hjælp af vores lavkode-prompt-builder. Når de er komfortable med det, kan de grundlægge deres generative AI-indfusede app med data, der er specifikke for virksomheden eller løsningen, med en indbygget lavkode-videnbasist. Og når de er klar til det, kan de endda bygge AI-agenter gennem lavkode-koordination og værktøjsbrug.

Et af de bedste virkelige eksempler er det AI-naturlige globale lønplatform, der er 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 ny generation af platforme, der udnytter AI til intelligent automatisering, 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 kundens behov. Lavkode gør avancerede, AI-drevne løsninger både tilgængelige og virksomhedsklare.

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 at bygge intelligente, AI-drevne applikationer?

“Create with Maia” er Mendix’ svar på både at infusere AI i applikationsudviklingsprocessen og give 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 at let oprette, koordinere og installere AI-agenter og multi-agent-applikationer gennem hele softwareudviklingslivscyklussen. Før brugerne overhovedet begynder at bygge, kan de udnytte Maia og bruge naturlig sprog til at sikre, at mål, succeskriterier og brugerhistorier er i overensstemmelse, 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 forfine softwaren med den indbyggede hastighed af lavkode. Resultatet er færre iterationer, hurtigere levering, stærkere styre og software, der er bygget rigtigt fra starten.

Hvordan ser du AI og lavkode sammen til at støtte nonprofit- eller formålsdrevne organisationer, der arbejder på at løse sociale eller miljømæssige problemer?

AI og lavkode er utrolige værktøjer til at tackle 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-organisation i San Antonio, der tilbyder respite-babysittere for fosterfamilier. Virksomheden ramte en stor forhindring, da de indså, at det var svært at finde, uddanne og certificere babysittere, der er afgørende for at hjælpe fosterforældre med det støtte, de har brug for. Lavkode hjalp dem med at bygge en applikation til at strømline certificeringsprocessen, samle systemer fra forskellige agenturer, digitalisere papirer og opbygge 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 lavkode kan gøre en reel, positiv forskel i menneskers liv, og det var kun ét eksempel.

Hvad er de unikke udfordringer og muligheder ved at bruge syntetisk data i et lavkode-miljø?

Syntetisk data reducerer naturligt personlige risici, da den ikke indeholder virkelig personlige oplysninger, hvilket gør det lettere at overholde dataværnsregler (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, kan syntetisk data indeholde uændrelser, bias og giftighed og endda ikke kan fange støj, outliers og det fulde udvalg af scenarier, der er naturligt i virkelige anvendelser — hvilket kan føre til potentielle fejl i produktion. Derfor er det nødvendigt at sætte guardrails i sted og etablere en streng test- og valideringsmetode, en metode, der udvider applikationstestprocessen til at inkludere validering af AI-udgang. For business-kritiske systemer er det også vigtigt at holde mennesker i løkken, så de kan anvende deres egen diskretion, optimalt ved at give feedback fra applikationen selv.

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

Kraften og nøjagtigheden af enhver agentic AI-løsning afhænger af kontekst; kvaliteten og mængden af data er afgørende. Det er derfor blevet essentiel for dem i fremstillings-, energi- og andre industrielle segmenter at have en solid datagrundlag, 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 en klar metadata eller skema til at guide dig. Det gode er, at specialiserede værktøjer er til rådighed til at omdanne OT-data og supplere det med den nødvendige metadata, hvilket forbereder det til brug inden for intelligente applikationer via AI-forstærket oprettelse af passende datamodeller. Når først dataene er indtaget, kan OT-data bruges sammen med og kombineres med IT-data til brug inden for applikationer og give kontekst til generativ AI.

Som tidligere Gartner-analytiker og nu Strategidirektør i Mendix, hvordan adskiller du AI-hype fra rigtig innovativ teknologi, når du former din produktvej?

At adskille AI-hype fra rigtig 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 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 kunderne for at indsamle feedback og validere, om disse innovationer faktisk leverer konkrete værdier. Som du kan se, er samarbejde en nøgle til at sortere gennem AI-hype, så jeg arbejder også aktivt med vores eksisterende partnere og udforsker potentielle nye partnere for at bringe yderligere perspektiver og ekspertise ind.

Endelig trækker jeg på min erfaring med nuværende og tidligere bølger af fremvoksende teknologi, holde et nøje øje på modeniveauer og antagelseskurver. Dette hjælper virkelig med at filtrere, 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.