Gordon Van Huizen, SVP van Strategie bij Mendix – Interviewreeks

Gordon Van Huizen is SVP van Strategie bij 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 waarde kunnen toevoegen aan klanten.

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 hun verwachtingen te beschrijven. Het gaat er meer om 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 ontwikkelt, denk ik dat we de kracht van die verschuiving zullen zien. Het communiceren van 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 naar de achtergrond verdwijnen. En niet alleen dat, we gaan naar een heel nieuw model van software dat niet alleen door AI is gebouwd, maar ook intelligent is in zijn eigen recht. De verschuiving is groot en spannend, en misschien wel de meest significante 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 kwalitatief betere ontwikkeling, maar ook dat ontwikkeling toegankelijker wordt. Mensen kunnen creatief zijn en experimenteren zonder dat ze expert-coders hoeven te zijn; alles wat ze hoeven te kunnen, is duidelijk uiten 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 evolueren. 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 grunt-werk aan de implementatiekant automatiseren en geven je een duidelijk zicht over het hele systeem. Zodra je die observatie-laag hebt, kun je AI in de mix brengen om te helpen begrijpen wat er gebeurt. AI kan problemen zoals prestatie-dalingen of onnauwkeurige uitvoer naar boven brengen en de oorzaak in gewoon taalgebruik uitleggen. Die soort duidelijkheid is een game-changer voor zowel ontwikkelaars als operationele teams. Alles bij elkaar betekent dit dat we low-code meer dan ooit nodig zullen hebben, omdat het de uitdagingen rechtstreeks aanpakt. In het bijzonder zullen we de krachtige combinatie van AI-gebaseerde ontwikkeling en low-code zien. Je kunt jezelf uitdrukken in natuurlijke taal, dan zie je de resultaten op een visuele manier — inclusief gegevens, logica en gebruikersinterfaces — en interacteer via een 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 door low-code en AI?

Vandaag 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 door fusie-teams die ontwikkelaars, AI-engineers, data-engineers en zelfs data-wetenschappers 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 leerbaar, 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-gebaseerde applicaties?

Het doel van Mendix is om de complexiteit van het bouwen van AI-gebaseerde applicaties te verlichten en tegelijkertijd te garanderen dat wat ontwikkelaars vandaag bouwen, toekomstbestendig is. We willen dingen vereenvoudigen zonder de flexibiliteit te verwijderen die ontwikkelaars nodig hebben. We gebruiken een visuele aanpak zodat je daadwerkelijk kunt zien hoe de agenten en systemen samenwerken, zoals wanneer een agent een andere agent activeert. Met de low-code-tools van Mendix 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; de platformtools zijn gemakkelijk te gebruiken en te leren vanaf het begin. We leiden ze door de ervaring stap voor stap totdat ze low-code gebruiken om slimme, AI-gebaseerde 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 comfortabel zijn met dat, 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 er klaar voor zijn, kunnen ze zelfs AI-agenten bouwen via low-code-orchestratie en toolgebruik.

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

Kunt u ons door de manier leiden waarop AI binnen Mendix zelf wordt gebruikt — zowel in de manier waarop het platform is gebouwd als in de manier waarop het gebruikers in staat stelt?

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

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

AI en low-code zijn ongelooflijke tools voor het aanpakken van echte uitdagingen in de wereld, 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 vaardigheden. Een voorbeeld dat echt bij me blijft, is van Alliance for Orphans (A4O), een non-profitorganisatie in San Antonio die respijtzorgers aanbiedt voor pleeggezinnen. Het bedrijf liep tegen een grote hindernis aan toen ze realiseerden dat het moeilijk was om oppas te vinden, te trainen en te certificeren, essentieel voor het helpen van pleegouders om de steun 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 echt, positief verschil kan maken in 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 risico’s voor de privacy, aangezien ze geen echte persoonlijke informatie bevatten, waardoor het gemakkelijker is om te voldoen aan gegevensbeschermingsregelgeving (zoals de AVG) en om juridische aansprakelijkheid 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 buiten het bereik of onpraktisch kan zijn voor sommige projecten.

Daar staat tegenover dat synthetische gegevens onnauwkeurigheden, vooroordelen en giftigheid kunnen bevatten en zelfs kunnen falen om de ruis, uitschieters en het volledige bereik van scenario’s inherent aan de echte wereld te vangen — wat kan leiden tot potentieel falen in productie. Daarom is het noodzakelijk om beschermingsmaatregelen te nemen en een rigoureuze test- en validatieaanpak te implementeren, een die het toepassings-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 oordeel kunnen toepassen, idealiter door feedback van de applicatie zelf te 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 agente AI-oplossing komen neer op context; de kwaliteit en hoeveelheid gegevens zijn cruciaal. 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 combineert. Helaas is OT-gegevens niet altijd gemakkelijk te werken. Bijvoorbeeld is het vaak ongelabeld met geen 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 van de benodigde metadata, waardoor ze klaar zijn voor gebruik binnen intelligente applicaties via AI-gebaseerde creatie van geschikte gegevensmodellen. Zodra de OT-gegevens zijn opgenomen, kunnen ze samen met IT-gegevens worden gebruikt voor gebruik in applicaties en om context te bieden aan generatieve AI.

Hoe scheidt u als voormalig Gartner-analist en nu SVP van Strategie bij Mendix 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 verfijnd naarmate trends komen en gaan. Ten eerste communiceer ik 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-learn-aanpak door MVP’s van nieuwe functionaliteiten te leveren en vervolgens samen te werken met klanten om feedback te verzamelen en te valideren of deze innovaties echt tastbare waarde opleveren. 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 exploreer potentiële nieuwe partners om extra perspectieven en expertise te brengen.

Tenslotte put ik uit mijn ervaring met huidige en voorgaande golven van opkomende technologie, waarbij ik een scherpe blik houd op volwassenheidsniveaus en adoptiecurves. Dit helpt echt om te filteren wat speculatief is versus wat waarschijnlijk tractie zal krijgen, zodat we kunnen prioriteren investeringen die langetermijneffecten zullen hebben voor onze klanten. Bedankt voor het geweldige interview, lezers die meer willen leren, moeten Mendix bezoeken.