Gordon Van Huizen, SVP of Strategy at Mendix – Interview-Serie

Gordon Van Huizen ist SVP of Strategy bei dem führenden Low-Code-Anbieter Mendix, einem Unternehmen von Siemens. In dieser Rolle identifiziert Van Huizen Strategien für emergente Technologiefortschritte und arbeitet daran, Produktinnovationen innerhalb von Mendix zu fördern, mit dem Fokus darauf, wie diese Technologien Kunden beeinflussen und ihnen Wert bringen können.

Wie verändert künstliche Intelligenz (KI) die Software-Entwicklungszyklen (SDLC) dauerhaft, insbesondere in Low-Code- und No-Code-Umgebungen?

KI verändert die Software-Entwicklungszyklen tatsächlich, insbesondere da wir natürliche Sprache immer mehr nutzen. Anstatt Codezeilen zu schreiben, beginnen Organisationen damit, Software zu definieren und zu erstellen, indem sie Erwartungen beschreiben. Es geht immer mehr darum, Absichten auszudrücken und mit intelligenten Tools zu sprechen, die diese Absichten in Code, Schnittstellen und sogar Tests umwandeln können.

Wenn KI weiterhin in den SDLC einfließt, denke ich, dass wir sehen werden, wie mächtig diese Veränderung wirklich ist. Die Kommunikation dessen, was wir wollen, anstatt wie es gebaut werden soll, wird sich natürlicher anfühlen und ehrlich gesagt, langlebiger sein als die traditionelle Codierung. Schließlich wird der Code, wie wir ihn kennen, möglicherweise in den Hintergrund treten. Und nicht nur das, wir bewegen uns auf ein ganz neues Modell der Software zu, das nicht nur von KI gebaut wird, sondern auch intelligent in seinem eigenen Recht ist. Die Veränderung ist groß und aufregend, und vielleicht die größte Veränderung in der Software, die wir in unserem Leben sehen werden.

Welche Rolle sehen Sie Agentic KI in der zukünftigen Anwendungsentwicklung und wie sollten Entwickler und Plattformarchitekten sich auf die Herausforderungen der Beobachtbarkeit vorbereiten?

Wenn Agentic KI den SDLC neu imaginiert, sehen wir nicht nur eine schnellere, günstigere und hochwertigere Entwicklung, sondern auch, dass die Entwicklung zugänglicher wird. Menschen können kreativ sein und experimentieren, ohne Experten-Programmierer zu sein; alles, was sie tun müssen, ist, klar auszudrücken, was sie wollen. Allerdings bringt diese Macht auch Komplexität mit sich. Die Software, die wir heute bauen, ist fortschrittlicher als je zuvor, was neue Herausforderungen mit sich bringt, insbesondere da Multi-Agenten-Plattformen immer mehr auftauchen. Die Interoperabilität wird zu einem Problem, da Anwendungen natürlicherweise verteilt sind und oft Tools von anderen Anbietern und Technologie-Stacks beinhalten. Das ist der Punkt, an dem Low-Code-Plattformen wirklich glänzen.

Sie können viel Grunt-Work auf der Bereitstellungsseite automatisieren und Ihnen gleichzeitig einen klaren Überblick über das gesamte System geben. Sobald Sie diese Beobachtbarkeitsebene haben, können Sie KI hinzufügen, um zu helfen, Sinn aus dem zu machen, was passiert. KI kann Probleme wie Leistungsabfälle oder ungenaue Ausgaben identifizieren und die Ursache in einfacher Sprache erklären. Diese Art von Klarheit ist ein Game-Changer für Entwickler und Betriebsteams. All dies bedeutet, dass wir Low-Code mehr denn je benötigen, da es diese Herausforderungen direkt anspricht. Insbesondere werden wir die mächtige Kombination aus KI-gestützter Entwicklung und Low-Code sehen. Sie können sich in natürlicher Sprache ausdrücken, dann die Ergebnisse in visueller Form sehen – einschließlich Daten, Logik und Benutzeroberflächen – und interagieren durch jede Kombination aus natürlicher Sprache und visueller IDE, um die generierte Software weiter zu verfeinern und zu erweitern.

Glauben Sie, dass das traditionelle Konzept des “Entwicklers” aufgrund von Low-Code und KI evolviert?

Heute werden Software-Entwickler und KI-Ingenieure oft als zwei separate Rollen gesehen, aber wir beginnen bereits, einige Überschneidungen zu sehen, sowohl durch Entwickler, die die Fähigkeiten erlernen, die für KI-Engineering erforderlich sind, als auch durch Fusions-Teams, die Entwickler, KI-Ingenieure, Daten-Ingenieure und sogar Daten-Wissenschaftler zusammenbringen. Ehrlich gesagt, ist diese Art der Zusammenarbeit genau das, was wir jetzt benötigen. Aber ja, das traditionelle Konzept des “Entwicklers” evolviert sicherlich. Es ist nur eine Frage der Zeit, bevor Software-Entwickler zu KI-Ingenieuren werden. Letztendlich ist KI-Engineering immer noch Software-Engineering; es beinhaltet nur eine Reihe von Tools und Konzepten, mit denen viele Entwickler noch nicht gearbeitet haben. Diese Fähigkeiten sind erlernbar, und viele traditionelle Entwickler werden diese neue Arbeit wahrscheinlich aufregend finden. Es öffnet die Tür zu intelligenteren, dynamischeren Lösungen, und das ist eine lohnende Richtung, in die man wachsen kann.

Wie balanciert Mendix die Zugänglichkeit von Low-Code mit der Komplexität des Aufbaus von KI-gestützten Anwendungen?

Mendix’ Ziel ist es, die Komplexität des Aufbaus von KI-gestützten Anwendungen zu verringern, während gleichzeitig sichergestellt wird, dass das, was Entwickler heute bauen, zukunftssicher ist. Wir möchten Dinge vereinfachen, ohne die Flexibilität zu entfernen, die Entwickler benötigen. Wir nutzen einen visuellen Ansatz, damit Sie tatsächlich sehen können, wie die Agenten und Systeme zusammenpassen, wie wenn ein Agent einen anderen auslöst. Mit Mendix’ Low-Code-Tools sind die Architektur und das Verhalten dieser KI-gestützten Systeme so aufgebaut, dass sie nicht wie ein komplexes Multi-Agenten-System aussehen. Es sieht einfach aus wie eine saubere, verständliche Anwendung.

Wie ermöglichen Low-Code-Plattformen wie Mendix es Nicht-Entwicklern, komplexe KI-gesteuerte Lösungen zu bauen, und was sind einige der besten Beispiele, die Sie gesehen haben?

Bei Mendix treffen wir Entwickler, Business-Technologen und Citizen-Entwickler dort, wo sie hinsichtlich ihres Verständnisses und ihrer Bedürfnisse für KI-gestützte Anwendungen stehen; die Plattform-Tools sind einfach zu erlernen und zu verwenden, sobald sie beginnen. Wir führen sie durch das Erlebnis Schritt für Schritt, bis sie Low-Code verwenden, um intelligente, KI-gestützte Anwendungen zu bauen, die genauso fortschrittlich sind wie die, die mit High-Code gebaut werden. Sie beginnen damit, Prompts mit unserem Low-Code-Prompt-Builder zu erstellen. Sobald sie sich damit wohl fühlen, können sie ihre generative KI-gestützte Anwendung mit Daten spezifisch für das Geschäft oder die Lösung mit einer integrierten Low-Code-Wissensbasis verankern. Und wenn sie bereit sind, können sie sogar KI-Agenten über Low-Code-Orchestrierung und Werkzeugnutzung bauen.

Eines der besten realen Beispiele ist die KI-native globale Gehaltsplattform, die auf Mendix gebaut wurde, datascalehr. Gehalt, insbesondere da es von Land zu Land variiert, ist berüchtigt komplex, mit ständig wechselnden Vorschriften, Compliance-Anforderungen und großen Mengen an Daten. Mit Mendix konnten die Gründer von datascalehr schnell eine Next-Generation-Plattform entwickeln, die KI für intelligente Automatisierung, Compliance-Checks und kontextuelle Unterstützung nutzt. Was hierbei mächtig ist, ist, dass Business-Technologen und Domänen-Experten – nicht nur professionelle Entwickler – in der Lage waren, zu bestimmen, wie KI-Features eingebettet wurden, um sicherzustellen, dass die Lösung direkt die Bedürfnisse der Kunden ansprach. Low-Code macht komplexe, KI-gesteuerte Lösungen sowohl zugänglich als auch unternehmensbereit.

Können Sie uns durch die Verwendung von KI innerhalb von Mendix selbst führen – sowohl in der Art und Weise, wie die Plattform aufgebaut ist, als auch in der Art und Weise, wie sie Benutzern ermöglicht, intelligente, KI-gestützte Anwendungen zu bauen?

“Create with Maia” ist Mendix’ Antwort auf die Einbindung von KI in den Anwendungs-Entwicklungsprozess und die Ermöglichung, dass Kunden und Partner intelligente, KI-gestützte Anwendungen bauen. Kürzlich mit der neuesten Version von Mendix, Mendix 11, gestartet, ermöglicht Maia Benutzern, KI-Agenten und Multi-Agenten-Anwendungen leicht zu erstellen, zu orchestrieren und bereitzustellen, über den gesamten Software-Entwicklungszyklus hinweg. Selbst bevor Benutzer beginnen, zu bauen, können sie Maia nutzen und natürliche Sprache verwenden, um sicherzustellen, dass Ziele, Erfolgskriterien und Benutzerstories vor der Erstellung ausgerichtet sind. Create with Maia hilft auch, Brainstorms, Mockups, Diagramme und Anforderungen in klare, handhabbare Projektpläne umzuwandeln. Dann, sobald die anfängliche Software erstellt ist, können Benutzer die Software schnell mit der inhärenten Geschwindigkeit von Low-Code verfeinern. Das Ergebnis ist weniger Iterationen, schnellerere Bereitstellung, stärkere Governance und Software, die von Anfang an richtig gebaut ist.

Wie sehen Sie KI und Low-Code zusammenkommen, um Non-Profit-Organisationen oder mission-getriebene Organisationen zu unterstützen, die soziale oder Umweltprobleme lösen?

KI und Low-Code sind unglaubliche Werkzeuge für die Bewältigung realer Herausforderungen, hauptsächlich weil sie es Personal ermöglichen, das sich auf die Lösung kritischer sozialer Probleme konzentriert, eine Option zu innovieren, selbst mit begrenzten Budgets und technischen Fähigkeiten. Ein Beispiel, das mir wirklich auffällt, ist von Alliance for Orphans (A4O), einer Non-Profit-Organisation in San Antonio, die Respite-Babysitter für Pflegefamilien anbietet. Das Unternehmen stieß auf ein großes Hindernis, als es feststellte, dass es schwierig war, Babysitter zu finden, auszubilden und zertifizieren, was für die Unterstützung von Pflegeeltern unerlässlich war. Low-Code half ihnen, eine Anwendung zu bauen, um den Zertifizierungsprozess zu rationalisieren, Systeme über verschiedene Agenturen hinweg zusammenzubringen, Papierkram zu digitalisieren und eine zentrale Datenbank zu erstellen, um zertifizierte Babysitter zu verfolgen. Die Anwendung half A4O, 81 Respite-Babysitter zertifizieren, und seit ihrer Einführung sind die Anwendungen nur weiter gewachsen. Es ist ein so mächtiges Beispiel dafür, wie Low-Code einen realen, positiven Unterschied im Leben der Menschen machen kann, und das war nur ein Beispiel.

Was sind die einzigartigen Herausforderungen und Chancen der Verwendung von synthetischen Daten in einer Low-Code-Umgebung?

Synthetische Daten verringern inhärent die Privatsphärenrisiken, da sie keine echten personenbezogenen Informationen enthalten, was es einfacher macht, den Datenschutzvorschriften (wie der DSGVO) zu entsprechen und die rechtliche Haftung zu minimieren. Natürlich ist die Verwendung von synthetischen Daten auch schneller, günstiger und einfacher als die Erstellung von Datensätzen von Grund auf und das Labeln der Daten für die Verwendung durch KI, was für einige Projekte möglicherweise nicht im Rahmen oder nicht praktikabel ist.

Das bedeutet jedoch, dass synthetische Daten Ungenauigkeiten, Voreingenommenheit und Giftigkeit enthalten können und möglicherweise nicht das Rauschen, die Ausreißer und den vollen Umfang von Szenarien erfassen, die in der realen Welt vorkommen – was zu möglichen Fehlern in der Produktion führen kann. Es ist daher notwendig, Schutzmechanismen zu implementieren und einen strengen Test- und Validierungsansatz zu etablieren, der den Anwendungs-Testprozess erweitert, um die Validierung von KI-Ausgaben zu umfassen. Für geschäftskritische Systeme ist es auch wichtig, Menschen in der Schleife zu halten, damit sie ihre eigene Urteilsfähigkeit anwenden können, idealerweise, indem sie Feedback von der Anwendung selbst liefern.

Wie sehen Sie die Konvergenz von IT und OT, wenn KI- und Low-Code-Tools in betrieblichen Umgebungen eingeführt werden?

Die Macht und Genauigkeit jeder agentischen KI-Lösung hängen letztendlich vom Kontext ab; die Qualität und Menge der Daten sind entscheidend. Deshalb ist es für diejenigen in der Fertigungs-, Energie- und anderen industriellen Segmenten wichtig, eine solide Datenbasis zu haben, die sowohl IT- als auch OT-Daten zusammenbringt. Leider ist OT-Daten nicht immer einfach zu arbeiten. Zum Beispiel ist es oft unbeschriftet, ohne klare Metadaten oder Schema, um es zu führen. Die gute Nachricht ist, dass spezielle Tools verfügbar sind, um OT-Daten zu transformieren und mit den notwendigen Metadaten zu ergänzen, um es für die Verwendung in intelligenten Anwendungen über KI-gestützte Erstellung geeigneter Datenmodelle vorzubereiten. Sobald es aufgenommen wird, kann OT-Daten zusammen mit IT-Daten für die Verwendung in Anwendungen und zur Kontextualisierung von generativer KI verwendet werden.

Wie trennen Sie als ehemaliger Gartner-Analyst und jetzt SVP of Strategy bei Mendix KI-Hype von wirklich transformierender Innovation, wenn Sie den Produkt-Roadmap gestalten?

Das Trennen von KI-Hype und echter Innovation erfordert einen disziplinierten und pragmatischen Ansatz, aber es ist ein Verfahren, das ich durch die Wellen der aufkommenden Technologie verfeinert habe. Zunächst engagiere ich mich direkt mit Kunden und Interessenten, um ihre realen Pläne und Anforderungen zu verstehen – das, was sie tatsächlich benötigen, um ihr Geschäft voranzutreiben. Das Mendix-Produkt-Team geht auch einen testen-und-lernen-Ansatz, indem es MVPs neuer Fähigkeiten liefert und dann eng mit Kunden zusammenarbeitet, um Feedback zu sammeln und zu validieren, ob diese Innovationen tatsächlich greifbaren Wert liefern. Wie Sie sehen, ist die Zusammenarbeit ein wichtiger Weg, um durch den KI-Hype zu filtern, also arbeite ich auch aktiv mit unseren bestehenden Partnern und erforsche potenzielle neue Partner, um zusätzliche Perspektiven und Fachwissen zu bringen.

Schließlich stütze ich mich auf meine Erfahrung mit aktuellen und vorherigen Wellen der aufkommenden Technologie, indem ich ein Auge auf Reifegrad und Adoptionskurven halte. Dies hilft wirklich, das Spekulative von dem zu trennen, was wahrscheinlich an Fahrt gewinnt, damit wir Investitionen priorisieren können, die langfristige Auswirkungen auf unsere Kunden haben werden.

Vielen Dank für das großartige Interview. Leser, die mehr erfahren möchten, sollten Mendix besuchen Mendix.