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

Gordon Van Huizen is SVP of Strategy at de toonaangevende low-code-aanbieder, Mendix, een Siemens-bedrijf. In deze rol identificeert en onderzoekt Van Huizen strategieën voor opkomende technologische vooruitgang en werkt hij aan het incuberen van productinnovaties binnen Mendix, allemaal met een focus op hoe deze technologieën klanten kunnen beïnvloeden en waarde brengen.

Mendix is een toonaangevende low-code-toepassingsontwikkelingsplatform dat bedrijven in staat stelt om mission-critical software te bouwen, te implementeren en voortdurend te verbeteren met minimale handmatige codering. Het platform biedt een AI-gepowered IDE, governance-tools, ingebouwde integraties en clouddistributie-opties, waardoor zowel professionele ontwikkelaars als citizen developers kunnen samenwerken. Als onderdeel van Siemens benadrukt Mendix schaalbaarheid, robuuste governance en enterprise-readyheid en is het herhaaldelijk erkend als leider in de Magic Quadrant voor low-code.

Hoe verandert AI de software-ontwikkelingscyclus (SDLC) permanent, vooral in low-code- en no-code-omgevingen?

AI zorgt echt voor een omwenteling in de software-ontwikkelingscyclus, vooral nu we natuurlijke taal meer en meer gebruiken. In plaats van code te schrijven, beginnen organisaties software te definiëren en te bouwen door alleen maar verwachtingen te beschrijven. Het gaat er meer om de intentie uit te drukken en een gesprek te voeren met slimme tools die die intentie kunnen omzetten in code, interfaces en zelfs tests.

Naarmate AI zich verder in de SDLC nestelt, denk ik dat we gaan zien hoe krachtig die verschuiving echt is. Communiceren over wat we willen in plaats van hoe we het moeten bouwen, zal meer natuurlijk aanvoelen en eerlijk gezegd meer duurzaam zijn dan traditionele code schrijven. Uiteindelijk kan code zoals we die kennen verdwijnen naar de achtergrond. En niet alleen dat, we gaan naar een heel nieuw model van software dat niet alleen door AI is gebouwd, maar ook zelf intelligent is. De verschuiving is groot en spannend, en misschien wel de grootste verschuiving in software die we in ons leven zullen zien.

Wat is de rol van Agentic AI in de toekomstige applicatie-ontwikkeling, en hoe moeten ontwikkelaars en platform-architecten zich voorbereiden op de observatie-uitdagingen?

Terwijl Agentic AI de SDLC blijft herscheppen, zien we niet alleen snellere, goedkopere en hoogwaardigere ontwikkeling, maar ook dat ontwikkeling toegankelijker wordt. Mensen kunnen creatief zijn en experimenteren zonder dat ze expert-coders hoeven te zijn; ze hoeven alleen maar in staat te zijn om duidelijk uit te drukken wat ze willen. Toch komt al die macht met complexiteit. De software die we vandaag bouwen is geavanceerder dan ooit, wat nieuwe uitdagingen met zich meebrengt, vooral omdat multi-agent-platforms blijven ontstaan. Interoperabiliteit wordt een hoofdpijn omdat applicaties van nature gedistribueerd zijn en vaak tools van andere leveranciers en technologie-stacks omvatten. Daar schitteren low-code-platforms echt.

Ze kunnen veel van het saaie werk op de implementatie-kant automatiseren en geven je een duidelijk overzicht over het hele systeem. Zodra je die observatie-laag hebt ingesteld, kun je AI in de mix brengen om te helpen bij het begrijpen van wat er gebeurt. AI kan problemen zoals prestatie-dalingen of onnauwkeurige uitvoer naar voren brengen en de oorzaak in gewone taal uitleggen. Die soort duidelijkheid is een game-changer voor zowel ontwikkelaars als operationele teams. Alles bij elkaar genomen hebben we low-code meer dan ooit nodig, omdat het van nature deze uitdagingen aanpakt. In het bijzonder zullen we de krachtige combinatie van AI-geverifieerde ontwikkeling en low-code zien. Je kunt je uitdrukken in natuurlijke taal, dan de resultaten in een visuele manier zien — inclusief gegevens, logica en gebruikersinterfaces — en interactief zijn via elke combinatie van natuurlijke taal en de visuele IDE om de gegenereerde software verder te verfijnen en uit te breiden.

Gelooft u dat het traditionele concept van “ontwikkelaar” evolueert vanwege low-code en AI? Wat zijn de belangrijkste vaardigheden in het komende decennium?

Vandaag de dag worden software-ontwikkelaars en AI-engineers vaak als twee afzonderlijke rollen gezien, maar we zien al enige overlap, zowel door ontwikkelaars die de vaardigheden leren die nodig zijn voor AI-engineering als met fusie-teams die ontwikkelaars, AI-engineers, en zelfs samenbrengen. Eerlijk gezegd is die soort samenwerking precies wat we nu nodig hebben. Maar ja, het traditionele concept van “ontwikkelaar” evolueert zeker. Het is slechts een kwestie van tijd voordat software-ontwikkelaars AI-engineers worden. Uiteindelijk is AI-engineering nog steeds software-engineering; het gaat alleen om een set tools en concepten waar veel ontwikkelaars nog niet mee hebben gewerkt. Die vaardigheden zijn te leren, en veel traditionele ontwikkelaars zullen deze nieuwe richting waarschijnlijk spannend vinden. Het opent de deur naar het bouwen van slimmere, dynamischere oplossingen, en dat is een lonende richting om in te groeien.

Hoe balanceert Mendix de toegankelijkheid van low-code met de complexiteit van het bouwen van AI-gepowered applicaties?

Mendix’ doel is om de complexiteit van het bouwen van AI-gepowered applicaties te verlichten en tegelijkertijd te garanderen dat wat ontwikkelaars vandaag bouwen, toekomstbestendig is. We willen dingen eenvoudiger maken zonder de flexibiliteit te verwijderen die ontwikkelaars nodig hebben. We gebruiken een visuele benadering, zodat je daadwerkelijk kunt zien hoe de agenten en systemen samenwerken, zoals wanneer een agent een andere agent activeert. Met Mendix’ low-code-tools worden de architectuur en het gedrag van deze AI-geïnfuseerde systemen op een manier weergegeven die niet aanvoelt als een complex multi-agent-systeem. Het ziet er gewoon uit als een schoon, begrijpelijk applicatie.

Hoe maken low-code-platforms zoals Mendix het mogelijk voor niet-ontwikkelaars om geavanceerde AI-gedreven oplossingen te bouwen, en wat zijn enkele van de beste voorbeelden die u hebt gezien?

Bij Mendix ontmoeten we ontwikkelaars, business-technologen en citizen developers waar ze zijn in termen van hun begrip en behoeften voor AI-geïnfuseerde apps; het platform’s tools zijn gemakkelijk te gebruiken en te leren vanaf het begin. We leiden hen door de ervaring stap voor stap totdat ze low-code gebruiken om slimme, AI-gepowered applicaties te bouwen die net zo geavanceerd zijn als die gebouwd met high-code. Ze beginnen met het maken van prompts met onze low-code prompt builder. Zodra ze daar comfortabel mee zijn, kunnen ze hun generatieve AI-geïnfuseerde app gronden met gegevens specifiek voor het bedrijf of de oplossing met een ingebouwde low-code kennisbasis. En wanneer ze klaar zijn, kunnen ze zelfs AI-agenten bouwen met low-code-orkestratie en toolgebruik.

Een van de beste voorbeelden uit de praktijk is het AI-native globale salarisplatform dat op Mendix is gebouwd, datascalehr. Salaris, vooral omdat het van land tot land varieert, is berucht complex, met constant veranderende regelgeving, nalevingsvereisten en enorme hoeveelheden gegevens. Met Mendix ontwikkelden de oprichters van datascalehr snel een next-generation-platform dat AI gebruikt voor intelligente automatisering, nalevingscontroles en contextuele ondersteuning. Wat krachtig is, is dat business-technologen en domein-experts — niet alleen professionele ontwikkelaars — in staat waren om vorm te geven aan hoe AI-functies waren ingebed, waardoor de oplossing rechtstreeks aan de klantbehoeften voldeed. Low-code maakt geavanceerde, AI-gedreven oplossingen zowel toegankelijk als enterprise-ready.

Kunt u ons doorlopen hoe AI binnen Mendix zelf wordt gebruikt — zowel in hoe het platform is gebouwd als hoe het gebruikers empowerd?

“Create with Maia” is Mendix’ antwoord op zowel het infuseren van AI in het applicatie-ontwikkelingsproces als het mogelijk maken voor onze klanten en partners om intelligente, AI-gepowered applicaties te bouwen. Onlangs gelanceerd met de laatste versie van Mendix, Mendix 11, stelt Maia gebruikers in staat om gemakkelijk AI-agenten en multi-agent-toepassingen te creëren, orkestreren en implementeren gedurende de hele software-ontwikkelingscyclus. Zelfs voordat gebruikers beginnen met bouwen, kunnen ze Maia en natuurlijke taal gebruiken om ervoor te zorgen dat doelen, succescriteria en gebruikersverhalen zijn uitgelijnd voordat ze worden gemaakt. Create with Maia helpt ook om brainstormsessies, mockups, diagrammen en vereisten om te zetten in duidelijke, actiegerichte projectplannen. Vervolgens, zodra de initiële software is gemaakt, kunnen gebruikers deze software snel verfijnen met de inherente snelheid van low-code. Het resultaat is minder iteraties, snellere levering, sterkere governance en software die vanaf het begin goed is gebouwd.

Hoe ziet u AI en low-code samen komen om non-profitorganisaties of organisaties met een missie te ondersteunen die sociale of milieuproblemen proberen op te lossen?

AI en low-code zijn ongelofelijke tools voor het aanpakken van echte werelduitdagingen, vooral omdat ze personeel dat zich richt op het oplossen van kritieke sociale problemen de mogelijkheid geven om te innoveren, zelfs met beperkte budgetten en technische vaardigheidsniveaus. Een voorbeeld dat echt bij me blijft, is van Alliance for Orphans (A4O), een non-profitorganisatie in San Antonio die respijtzorgers biedt voor pleeggezinnen. Het bedrijf liep tegen een grote hindernis aan toen ze realiseerden dat het moeilijk was om oppas te vinden, trainen en certificeren, essentieel voor het helpen van pleegouders om de ondersteuning te krijgen die ze nodig hebben. Low-code hielp hen een applicatie te bouwen om het certificeringsproces te stroomlijnen, systemen samen te brengen van verschillende agentschappen, papierwerk te digitaliseren en een centrale database te bouwen om gecertificeerde oppas te volgen. De applicatie hielp A4O 81 oppas te certificeren, en sinds de lancering zijn de applicaties alleen maar blijven groeien. Het is zo’n krachtig voorbeeld van hoe low-code een echte, positieve impact kan hebben op mensenlevens, en dat was maar één voorbeeld.

Wat zijn de unieke uitdagingen en kansen van het gebruik van synthetische gegevens binnen een low-code-omgeving?

Synthetische gegevens verminderen van nature de privacyrisico’s, omdat ze geen echte persoonlijke informatie bevatten, waardoor het gemakkelijker is om te voldoen aan gegevensbeschermingsregels (zoals de AVG) en de juridische blootstelling te minimaliseren. Natuurlijk is het gebruik van synthetische gegevens ook sneller, goedkoper en gemakkelijker dan het bouwen van gegevenssets van scratch en het labelen van gegevens voor gebruik door AI, wat voor sommige projecten buiten het bereik of onpraktisch kan zijn.

Dat gezegd hebbende, kunnen synthetische gegevens onnauwkeurigheden, vooroordelen en toxiciteit bevatten en zelfs falen om de ruis, outliers en het volledige bereik van scenario’s in de echte wereld te vangen — wat kan leiden tot potentiële mislukkingen in productie. Daarom is het noodzakelijk om richtlijnen in te stellen en een rigoureuze test- en validatieaanpak te creëren, een die het applicatie-testproces uitbreidt tot het valideren van AI-uitvoer. Voor bedrijfskritieke systemen is het ook belangrijk om mensen in de lus te houden, zodat ze hun eigen onderscheidingsvermogen kunnen toepassen en optimaal feedback van de applicatie zelf kunnen geven.

Hoe ziet u de convergentie van IT en OT evolueren wanneer AI- en low-code-tools in operationele omgevingen worden geïntroduceerd?

De kracht en nauwkeurigheid van elke Agentic AI-oplossing komen neer op context; de kwaliteit en volume van gegevens zijn kritiek. Dat is waarom het voor mensen in de fabricage-, energie- en andere industriële segmenten essentieel wordt om een solide gegevensbasis te hebben die zowel IT- als OT-gegevens samenbrengt. Helaas is OT-gegevens niet altijd gemakkelijk te werken. Bijvoorbeeld, het is vaak niet gelabeld met duidelijke metadata of schema om u te leiden. Het goede nieuws is dat er gespecialiseerde tools beschikbaar zijn voor het transformeren van OT-gegevens en het aanvullen met de benodigde metadata, waardoor ze klaar zijn voor gebruik binnen intelligente applicaties via AI-geverifieerde creatie van geschikte gegevensmodellen. Zodra de OT-gegevens zijn opgenomen, kunnen ze samen met en in combinatie met IT-gegevens worden gebruikt voor gebruik in applicaties en om context te bieden aan generatieve AI.

Als voormalig Gartner-analist en nu SVP of Strategy at Mendix, hoe scheidt u AI-hype van echt transformatieve innovatie bij het vormgeven van uw productroadmap?

Het scheiden van AI-hype van echte innovatie vereist een gedisciplineerde en pragmatische aanpak, maar het is een procedure die ik heb fijngeslepen naarmate trends komen en gaan. Allereerst engageer ik me rechtstreeks met klanten en prospects om hun echte plannen en vereisten te begrijpen — dat wil zeggen, wat ze echt nodig hebben om hun bedrijf vooruit te helpen. Het Mendix-productteam neemt ook een test- en leerbenadering door het leveren van MVP’s van nieuwe mogelijkheden en vervolgens samen te werken met klanten om feedback te verzamelen en te valideren of deze innovaties echt tastbare waarde leveren. Zoals u kunt zien, is samenwerking een sleutel om door AI-hype heen te komen, dus ik werk ook actief met onze bestaande partners en verken potentiële nieuwe partners om extra perspectieven en expertise te brengen.

Ten slotte put ik uit mijn ervaring met huidige en voorgaande golven van opkomende technologie, waarbij ik een nauw oog houd op maturiteitsniveaus en adoptiecurves. Dit helpt echt om het speculatieve te filteren versus wat waarschijnlijk tractie zal krijgen, zodat we kunnen prioriteren investeringen die langetermijneffecten voor onze klanten zullen opleveren.

Bedankt voor het geweldige interview, lezers die meer willen leren, moeten bezoeken Mendix.