Gordon Van Huizen, Wakil Presiden Strategi di Mendix – Seri Wawancara

Bagaimana AI secara permanen mengubah siklus hidup pengembangan perangkat lunak (SDLC), terutama di lingkungan low-code dan no-code?

AI benar-benar mengguncang siklus hidup pengembangan perangkat lunak, terutama karena kita semakin menggunakan bahasa alami. Sebagai gantinya menulis baris kode, organisasi mulai mendefinisikan dan membangun perangkat lunak hanya dengan menjelaskan harapan. Ini menjadi lebih tentang mengekspresikan niat dan memiliki percakapan dengan alat pintar yang dapat mengambil niat itu dan mengubahnya menjadi kode, antarmuka, dan bahkan tes.

Seiring AI terus menyusup ke dalam SDLC, saya pikir kita akan mulai melihat betapa kuatnya pergeseran itu. Berkomunikasi tentang apa yang kita inginkan daripada bagaimana membangunnya akan terasa lebih alami, dan jujur, lebih langgeng daripada menulis kode dengan cara tradisional. Akhirnya, kode seperti yang kita kenal mungkin akan memudar ke latar belakang. Dan tidak hanya itu, kita menuju model perangkat lunak yang sama sekali baru yang tidak hanya dibangun oleh AI, tetapi juga cerdas dalam haknya sendiri. Pergeseran ini besar dan menggembirakan, dan mungkin pergeseran terbesar dalam perangkat lunak yang akan kita lihat dalam hidup kita.

Apa peran yang Anda lihat Agentic AI memainkan dalam pengembangan aplikasi di masa depan, dan bagaimana pengembang dan arsitek platform harus mempersiapkan diri untuk tantangan observabilitasnya?

Seiring Agentic AI terus membayangkan kembali SDLC, kita tidak hanya melihat pengembangan yang lebih cepat, lebih murah, dan berkualitas lebih tinggi, tetapi juga pengembangan yang lebih mudah diakses. Orang dapat menjadi kreatif dan bereksperimen tanpa perlu menjadi pengkode ahli; semua yang mereka butuhkan adalah dapat mengekspresikan dengan jelas apa yang mereka inginkan. Namun, semua kekuatan itu datang dengan kompleksitas. Perangkat lunak yang kita bangun saat ini lebih maju daripada sebelumnya, yang membawa tantangan baru, terutama karena platform multi-agents terus muncul. Interoperabilitas menjadi sakit kepala karena aplikasi secara alami didistribusikan dan sering melibatkan alat dari vendor dan tumpukan teknologi lain. Itulah di mana platform low-code benar-benar bersinar.

Mereka dapat mengotomatisasi banyak pekerjaan berat di sisi pengiriman sambil memberikan Anda gambaran yang jelas di seluruh sistem. Kemudian, setelah Anda memiliki lapisan observabilitas di tempat, Anda dapat membawa AI ke dalam campuran untuk membantu memahami apa yang terjadi. AI dapat menyoroti masalah seperti penurunan kinerja atau output yang tidak akurat dan menjelaskan penyebab akar dalam bahasa yang sederhana. Klaritas seperti itu adalah perubahan permainan bagi tim pengembang dan operasional. Semua ini berarti kita akan membutuhkan low-code lebih dari sebelumnya, karena sifatnya sendiri menangani tantangan-tantangan ini secara langsung. Secara khusus, kita akan melihat kombinasi yang kuat dari pengembangan yang ditingkatkan oleh AI dan low-code. Anda dapat mengekspresikan diri dalam bahasa alami, lalu melihat hasilnya dalam cara visual — termasuk data, logika, dan antarmuka pengguna — dan berinteraksi melalui kombinasi bahasa alami dan IDE visual untuk lebih memperbarui dan memperluas perangkat lunak yang dihasilkan.

Apakah Anda percaya bahwa konsep tradisional “pengembang” berkembang karena low-code dan AI? Apa keterampilan yang akan paling kritis dalam dekade mendatang?

Hari ini, pengembang perangkat lunak dan insinyur AI sering dilihat sebagai dua peran terpisah, tetapi kita sudah mulai melihat beberapa tumpang tindih, baik melalui pengembang yang mempelajari keterampilan yang diperlukan untuk teknik AI dan dengan tim fusi yang menggabungkan pengembang, insinyur AI, insinyur data, dan bahkan ilmuwan data. Jujur, kolaborasi seperti itu adalah tepat apa yang kita butuhkan sekarang. Tapi, ya, konsep tradisional “pengembang” memang berkembang. Hanya masalah waktu sebelum pengembang perangkat lunak menjadi insinyur AI. Pada akhirnya, teknik AI masih teknik perangkat lunak; itu hanya melibatkan seperangkat alat dan konsep yang belum banyak pengembang kerjakan. Keterampilan itu dapat dipelajari, dan banyak pengembang tradisional kemungkinan akan menemukan pekerjaan baru ini menarik. Ini membuka pintu untuk membangun solusi yang lebih pintar, lebih dinamis, dan itu adalah arah yang menguntungkan untuk tumbuh.

Bagaimana Mendix mengimbangkan aksesibilitas low-code dengan kompleksitas membangun aplikasi yang ditenagai AI?

Tujuan Mendix adalah untuk mengurangi kompleksitas membangun aplikasi yang ditenagai AI sambil memastikan bahwa apa yang dibangun pengembang hari ini adalah tahan lama. Kami ingin membuat hal-hal lebih sederhana tanpa menghilangkan fleksibilitas yang dibutuhkan pengembang. Kami menggunakan pendekatan visual sehingga Anda dapat melihat bagaimana agen dan sistem saling terkait, seperti jika satu agen memicu agen lain. Dengan alat low-code Mendix, arsitektur dan perilaku sistem AI ini dilayout dalam cara yang tidak terasa seperti sistem multi-agents yang kompleks. Ini hanya terlihat seperti aplikasi yang bersih dan dapat dipahami.

Bagaimana platform low-code seperti Mendix memungkinkan non-pengembang untuk membangun solusi yang didorong AI yang canggih, dan apa contoh terbaik yang pernah Anda lihat?

Di Mendix, kami memenuhi pengembang, teknologi bisnis, dan pengembang warga di mana mereka berada sehubungan dengan pemahaman dan kebutuhan mereka untuk aplikasi yang diperkaya AI; alat platform ini mudah dipahami dan digunakan sejak awal. Kami membimbing mereka melalui pengalaman langkah demi langkah sampai mereka menggunakan low-code untuk membangun aplikasi pintar yang ditenagai AI yang sama majunya dengan aplikasi yang dibangun dengan high code. Mereka memulai dengan membangun prompt menggunakan pembangun prompt low-code kami. Setelah mereka merasa nyaman dengan itu, mereka dapat memperkuat aplikasi AI-infused dengan data spesifik bisnis atau solusi dengan basis pengetahuan low-code bawaan. Dan ketika mereka siap untuk itu, mereka bahkan dapat membangun agen AI melalui orkestrasi low-code dan penggunaan alat.

Salah satu contoh dunia nyata terbaik adalah platform gaji global AI-asli yang dibangun di Mendix, datascalehr. Gaji, terutama karena bervariasi dari negara ke negara, sangat kompleks, dengan peraturan yang terus berubah, persyaratan kepatuhan, dan sejumlah besar data. Dengan menggunakan Mendix, pendiri datascalehr dengan cepat mengembangkan platform generasi berikutnya yang memanfaatkan AI untuk otomatisasi cerdas, pemeriksaan kepatuhan, dan bantuan kontekstual. Yang kuat di sini adalah bahwa teknologi bisnis dan ahli domain — bukan hanya pengembang profesional — dapat membentuk bagaimana fitur AI disematkan, memastikan solusi tersebut secara langsung menangani kebutuhan pelanggan. Low-code membuat solusi yang canggih, didorong AI, menjadi mudah diakses dan siap perusahaan.

Apakah Anda bisa menjelaskan bagaimana AI digunakan dalam Mendix itu sendiri — baik dalam cara platform dibangun dan bagaimana itu memberdayakan pengguna?

“Buat dengan Maia” adalah jawaban Mendix untuk menginfuskan AI ke dalam proses pengembangan aplikasi dan memungkinkan pelanggan dan mitra untuk membangun aplikasi pintar yang ditenagai AI. Baru-baru ini diluncurkan dengan versi terbaru Mendix, Mendix 11, Maia memungkinkan pengguna untuk dengan mudah membuat, mengatur, dan mengirim agen AI dan aplikasi multi-agents di seluruh siklus hidup pengembangan perangkat lunak. Bahkan sebelum pengguna mulai membangun, mereka dapat menggunakan Maia dan bahasa alami untuk memastikan tujuan, kriteria keberhasilan, dan cerita pengguna selaras sebelum penciptaan. Buat dengan Maia juga membantu mengubah brainstorm, mockup, diagram, dan persyaratan menjadi rencana proyek yang jelas dan dapat dilaksanakan. Kemudian, setelah perangkat lunak awal dibuat, pengguna dapat dengan cepat memperbarui perangkat lunak itu dengan kecepatan bawaan low-code. Hasilnya adalah iterasi yang lebih sedikit, pengiriman yang lebih cepat, tata kelola yang lebih kuat, dan perangkat lunak yang dibangun dengan benar dari awal.

Bagaimana Anda melihat AI dan low-code bergabung untuk mendukung organisasi nirlaba atau organisasi yang bergerak untuk menyelesaikan masalah sosial atau lingkungan?

AI dan low-code adalah alat luar biasa untuk menangani tantangan dunia nyata, terutama karena mereka memberikan pilihan inovasi bagi staf yang fokus untuk menyelesaikan masalah kritis, bahkan dengan anggaran dan keterampilan teknis yang terbatas. Salah satu contoh yang benar-benar menonjol bagi saya adalah dari Alliance for Orphans (A4O), sebuah organisasi nirlaba yang berbasis di San Antonio yang menawarkan pengasuh untuk keluarga angkat. Perusahaan itu menghadapi hambatan besar ketika mereka menyadari bahwa sulit untuk menemukan, melatih, dan mensertifikasi pengasuh, yang penting untuk membantu orang tua angkat mendapatkan dukungan yang mereka butuhkan. Low-code membantu mereka membangun aplikasi untuk merampingkan proses sertifikasi, menggabungkan sistem di seluruh lembaga yang berbeda, mendigitalkan kertas kerja, dan membangun database terpusat untuk melacak pengasuh yang disertifikasi. Aplikasi itu membantu A4O mensertifikasi 81 pengasuh, dan sejak awal, aplikasi itu terus berkembang. Ini adalah contoh yang sangat kuat tentang bagaimana low-code dapat membuat perbedaan nyata dan positif dalam kehidupan orang.

Apa tantangan dan peluang unik dari menggunakan data sintetis dalam lingkungan low-code?

Data sintetis secara inheren mengurangi risiko privasi karena tidak mengandung informasi pribadi yang sebenarnya, membuatnya lebih mudah untuk mematuhi peraturan perlindungan data (seperti GDPR) dan meminimalkan paparan hukum. Tentu saja, menggunakan data sintetis juga lebih cepat, lebih murah, dan lebih mudah daripada membangun set data dari awal dan melabeli data untuk digunakan oleh AI, yang mungkin tidak dalam cakupan atau tidak praktis untuk beberapa proyek.

Namun, data sintetis mungkin mengandung ketidakakuratan, bias, dan toksisitas, dan bahkan gagal menangkap kebisingan, outlier, dan rentang skenario yang lengkap yang melekat pada penggunaan dunia nyata — yang dapat menyebabkan kegagalan potensial dalam produksi. Oleh karena itu, perlu untuk menempatkan penjaga di tempat dan membangun pendekatan pengujian dan validasi yang ketat, yang memperluas proses pengujian aplikasi untuk memvalidasi output AI. Untuk sistem kritis bisnis, juga penting untuk menjaga manusia dalam loop sehingga mereka dapat menerapkan penilaian mereka sendiri, memberikan umpan balik dari aplikasi itu sendiri.

Bagaimana Anda melihat konvergensi IT dan OT berkembang ketika alat AI dan low-code diperkenalkan ke pengaturan operasional?

Kekuatan dan akurasi dari setiap solusi AI agenik pada akhirnya bergantung pada konteks; kualitas dan volume data sangat kritis. Itulah mengapa menjadi penting bagi mereka di manufaktur, energi, dan segmen industri lainnya untuk memiliki fondasi data yang solid yang menggabungkan data IT dan OT. Sayangnya, data OT tidak selalu mudah dikerjakan. Misalnya, sering kali tidak dilabeli dengan metadata yang jelas atau skema untuk memandu Anda. Kabar baiknya adalah alat khusus tersedia untuk mengubah data OT dan melengkapi dengan metadata yang diperlukan, mempersiapkannya untuk digunakan dalam aplikasi pintar melalui penciptaan data model yang sesuai yang ditingkatkan oleh AI. Setelah diingest, data OT dapat digunakan bersama dengan data IT untuk digunakan dalam aplikasi dan memberikan konteks pada AI generatif.

Sebagai mantan analis Gartner dan sekarang Wakil Presiden Strategi di Mendix, bagaimana Anda memisahkan kehebohan AI dari inovasi yang benar-benar transformatif ketika membentuk peta produk Anda?

Memisahkan kehebohan AI dari inovasi yang sebenarnya memerlukan pendekatan yang disiplin dan pragmatis, tetapi itu adalah prosedur yang telah saya sempurnakan seiring tren datang dan pergi. Pertama dan terutama, saya terlibat langsung dengan pelanggan dan prospek untuk memahami rencana dan persyaratan dunia nyata mereka — yaitu, apa yang mereka benar-benar butuhkan untuk memajukan bisnis mereka. Tim produk Mendix juga mengambil pendekatan uji-coba dengan mengirimkan MVP dari kemampuan baru dan kemudian bekerja sama dengan pelanggan untuk mengumpulkan umpan balik dan memvalidasi apakah inovasi ini benar-benar memberikan nilai yang nyata. Sebagaimana yang Anda lihat, kolaborasi adalah cara kunci untuk menyortir kehebohan AI, jadi saya juga suka bekerja sama dengan mitra yang ada dan menjelajahi potensi mitra baru untuk membawa perspektif dan keahlian tambahan.

Akhirnya, saya mengandalkan pengalaman saya dengan gelombang teknologi yang muncul sebelumnya dan sekarang, sambil menjaga mata tajam pada tingkat kematangan dan kurva adopsi. Ini benar-benar membantu menyaring apa yang spekulatif versus apa yang kemungkinan akan mendapatkan traksi, sehingga kita dapat memprioritaskan investasi yang akan menghasilkan dampak jangka panjang bagi pelanggan kita. Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut harus mengunjungi Mendix.