Gordon Van Huizen, SVP of Strategy at Mendix – Intervju-serie

Gordon Van Huizen er SVP of Strategy at ledende low-code-leverandør, Mendix, et Siemens-selskap. I denne rollen identifiserer Van Huizen og utforsker strategier for fremvoksende teknologiske fremgang, og arbeider for å inkubere produktinnovasjoner innen Mendix, alt med fokus på hvordan disse teknologiene kan påvirke og bringe verdi til kundene.

Mendix er en ledende low-code-applikasjonsutviklingsplattform designet for å la bedrifter bygge, distribuere og kontinuerlig forbedre kritiske programvare med minimal håndkoding. Plattformen tilbyr en AI-drevet IDE, styringsverktøy, innebygde integrasjoner og skytdistribusjonsalternativer, som muliggjør både profesjonelle utviklere og citizen-utviklere å samarbeide. Som en del av Siemens, legger Mendix vekt på skalerbarhet, robust styring og bedriftsberedskap, og har blitt gjentatte ganger anerkjent som en Magic Quadrant-leder i low-code.

Hvordan endrer AI permanent software-utviklingslivssyklusen (SDLC), spesielt i low-code- og no-code-miljøer?

AI ryster virkelig opp software-utviklingslivssyklusen, spesielt når vi utnytter naturlig språk mer og mer. I stedet for å skrive kode, begynner organisasjonene å definere og bygge programvare bare ved å beskrive forventninger. Det blir mer om å uttrykke intensjon og ha en samtale med smarte verktøy som kan ta denne intensjonen og omdanne den til kode, grensesnitt og selv tester.

Ettersom AI fortsetter å vevе seg inn i SDLC, tror jeg vi kommer til å se hvor kraftig denne endringen virkelig er. Å kommunisere hva vi ønsker, i stedet for hvordan vi bygger det, vil føles mer naturlig, og ærlig talt, være mer varig enn å skrive kode på den tradisjonelle måten. Til slutt kan koden vi kjenner til muligens forsvinne i bakgrunnen. Og ikke bare det, vi er på vei mot en helt ny modell for programvare som ikke bare er bygget av AI, men også er intelligent i seg selv. Endringen er stor og spennende, og kanskje den mest betydningsfulle endringen i programvare vi kommer til å se i våre liv.

Hva slags rolle ser du Agentic AI spille i fremtidens applikasjonsutvikling, og hvordan bør utviklere og plattform-arkitekter forberede seg på dens observabilitetsutfordringer?

Ettersom Agentic AI fortsetter å omskape SDLC, ser vi ikke bare raskere, billigere og høykvalitetsutvikling, men også at utviklingen blir mer tilgjengelig. Folk kan bli kreative og eksperimentere uten å måtte være ekspertkodere; alt de må kunne gjøre, er å tydelig uttrykke hva de ønsker. Likevel kommer all denne kraften med kompleksitet. Programvaren vi bygger i dag er mer avansert enn noen gang, noe som bringer nye utfordringer, spesielt ettersom multi-agent-plattformer fortsetter å oppstå. Interoperabilitet blir en hodepine fordi applikasjonene er naturlig distribuerte og ofte involverer verktøy fra andre leverandører og teknologistacker. Det er der low-code-plattformer virkelig begynner å skille seg ut.

De kan automatisere mye av gruntarbeidet på distribusjonssiden, samtidig som de gir deg en tydelig oversikt over hele systemet. Deretter, når du har denne observabilitetslaget på plass, kan du bringe AI inn i bildet for å hjelpe med å forstå hva som skjer. AI kan avdekke problemer som ytelsesfall eller uakkurate utdata og forklare årsaken på ren språk. Den slags klarhet er en game-changer for både utviklere og driftsteam. Alt dette betyr at vi kommer til å trenge low-code mer enn noen gang, ettersom dens vesen selv adresserer disse utfordringene head-on. Spesielt kommer vi til å se den kraftfulle kombinasjonen av AI-augmentert utvikling og low-code. Du kan uttrykke deg selv i naturlig språk, deretter se resultatene på en visuell måte — inkludert data, logikk og brukergrensesnitt — og interagere gjennom en kombinasjon av naturlig språk og det visuelle IDE for å videreutvikle og utvide den genererte programvaren.

Tror du at den tradisjonelle konseptet om “utvikler” utvikler seg på grunn av low-code og AI? Hva er de viktigste ferdighetene som kommer til å være kritiske i det neste tiåret?

I dag ser vi ofte på programvareutviklere og AI-ingeniører som to separate roller, men vi begynner allerede å se en overlap, både gjennom utviklere som lærer ferdighetene som kreves for AI-ingeniørarbeid og med fusjonsteam som bringer sammen utviklere, AI-ingeniører, dataingeniører og selv dataforskere. Ærlig talt, den typen samarbeid er nettopp hva vi trenger nå. Men, ja, det tradisjonelle konseptet om “utvikler” er uten tvil i ferd med å utvikle seg. Det er bare en tidsak før programvareutviklere blir AI-ingeniører. Til slutt er AI-ingeniørarbeid fortsatt programvareutvikling; det involverer bare en sett med verktøy og konsepter som mange utviklere ikke har arbeidet med ennå. Disse ferdighetene er lærbare, og mange tradisjonelle utviklere vil sannsynligvis finne dette nye arbeidet spennende. Det åpner døren for å bygge smartere, mer dynamiske løsninger, og det er en belønning å vokse i.

Hvordan balanserer Mendix tilgjengeligheten av low-code med kompleksiteten ved å bygge AI-drevne applikasjoner?

Mendix’ mål er å lettet kompleksiteten ved å bygge AI-drevne applikasjoner, samtidig som de sikrer at det utviklerne bygger i dag er fremtidssikret. Vi ønsker å gjøre ting enklere uten å fjerne fleksibiliteten utviklerne trenger. Vi utnytter en visuell tilnærming, så du faktisk kan se hvordan agentene og systemene passer sammen, som om en agent utløser en annen. Med Mendix’ low-code-verktøy er arkitekturen og atferden til disse AI-innfusede systemene lagt ut på en måte som ikke føles som et komplekst multi-agent-system. Det ser bare ut som en ren, forståelig applikasjon.

Hvordan muliggjør low-code-plattformer som Mendix at ikke-utviklere bygger sofistikerte AI-drevne løsninger, og hva er noen av de beste eksemplene du har sett?

Ved Mendix møter vi utviklere, business-teknologer og citizen-utviklere der de er, med tanke på deres forståelse og behov for AI-innfusede apper; plattformens verktøy er lette å ta i bruk og bruke fra starten av. Vi guider dem gjennom opplevelsen trinn for trinn, til de bruker low-code for å bygge smarte, AI-drevne applikasjoner som er like avanserte som de som er bygget med high-code. De starter med å bygge promter ved hjelp av vår low-code-prompt-bygger. Når de er komfortable med det, kan de grunnlegge sin generative AI-innfusede app med data spesifikt for bedrift eller løsning med en innebygget low-code-kunnskapsbase. Og når de er klare for det, kan de sogar bygge AI-agenter gjennom low-code-orkesstrasjon og verktøysbruk.

Et av de beste eksemplene er det AI-native globale lønningsplattformen bygget på Mendix, datascalehr. Lønn, spesielt ettersom det varierer fra land til land, er notorisk komplekst, med konstant endrede regler, krav til overholdelse og store mengder data. Ved hjelp av Mendix, utviklet datascalehr-gründerne raskt en neste-generasjonsplattform som utnytter AI for intelligent automatisering, overholdelseskontroll og kontekstuell assistanse. Det som er kraftfullt her, er at business-teknologer og domene-ekspertene — ikke bare profesjonelle utviklere — kunne forme hvordan AI-funksjonene var innbygget, og sikre at løsningen direktet adresserte kundens behov. Low-code gjør sofistikerte, AI-drevne løsninger både tilgjengelige og bedrifts-klare.

Kan du gå gjennom hvordan AI brukes innen Mendix selv — både i hvordan plattformen bygges og hvordan den muliggjør brukerne?

“Create with Maia” er Mendix’ svar på både å infusere AI i applikasjonsutviklingsprosessen og å muliggjøre kundene og partnere å bygge intelligente, AI-drevne applikasjoner. Nylig lansert med den siste versjonen av Mendix, Mendix 11, lar Maia brukerne enkelt opprette, orkestrere og distribuere AI-agenter og multi-agent-applikasjoner gjennom hele software-utviklingslivssyklusen. Selv før brukerne starter å bygge, kan de utnytte Maia og bruke naturlig språk for å sikre at mål, suksesskriterier og brukerhistorier er alignert før opprettelse. Create with Maia hjelper også med å omdanne brainstorm, mockups, diagrammer og krav til klare, handlebare prosjektplaner. Deretter, når den opprinnelige programvaren er opprettet, kan brukerne raskt forbedre programvaren med den innebygde hastigheten til low-code. Resultatet er færre iterasjoner, raskere levering, sterkere styring og programvare som er bygget riktig fra starten.

Hvordan ser du AI og low-code sammen for å støtte ideelle organisasjoner eller organisasjoner med en misjon som arbeider for å løse sosiale eller miljømessige problemer?

AI og low-code er fantastiske verktøy for å takle virkelige utfordringer, hovedsakelig fordi de gir personell som fokuserer på å løse kritiske sosiale problemer en mulighet til å innovere, selv med begrensede budsjett og tekniske ferdigheter. Et eksempel som virkelig står ut for meg, er fra Alliance for Orphans (A4O), en ideell organisasjon basert i San Antonio som tilbyr respite-barnepasser for fosterfamilier. Selskapet traff en stor hindring når de innsett at det var vanskelig å finne, trene og sertifisere barnepasser, essensielt for å hjelpe fosterforeldre å få den støtten de trenger. Low-code hjalp dem med å bygge en applikasjon for å strømlinje sertifiseringsprosessen, samle systemer fra forskjellige byråer, digitalisere papirarbeid og bygge en sentral database for å spore sertifiserte barnepasser. Applikasjonen hjalp A4O med å sertifisere 81 respite-barnepasser, og siden dens opphav, har applikasjonene bare fortsatt å vokse. Det er et så kraftfullt eksempel på hvordan low-code kan gjøre en virkelig, positiv forskjell i menneskers liv, og det var bare ett eksempel.

Hva er de unike utfordringene og mulighetene med å bruke syntetisk data innen en low-code-miljø?

Syntetisk data reduserer innebygget personlige risikoer, siden det ikke inneholder ekte personlige opplysninger, og gjør det lettere å overholde dataproteksjonsregler (som GDPR) og minimere juridisk eksponering. Selvfølgelig er det også raskere, billigere og enklere å bruke syntetisk data enn å bygge datasamlinger fra bunnen av og merke dataene for bruk av AI, noe som kan være utenfor scope eller upraktisk for noen prosjekter.

Det sagt, kan syntetisk data inneholde uakkurater, forvrengning og giftighet, og selv ikke fange opp støyen, outlierne og full rekkevidde av scenarier som er innebygget i virkelige anvendelser — noe som kan føre til potensielle feil i produksjon. Derfor er det nødvendig å sette guardrails på plass og etablere en streng test- og valideringsprosess, en som utvider applikasjonstestprosessen til å inkludere validering av AI-utdata. For bedriftskritiske systemer er det også viktig å holde mennesker i løkken, så de kan bruke sin egen skjønn og gi tilbake fra applikasjonen selv.

Hvordan ser du konvergens av IT og OT utvikle seg når AI- og low-code-verktøy introduseres i operative settinger?

Kraften og nøyaktigheten av enhver agentic AI-løsning kommer ned til kontekst; kvaliteten og volumet av data er kritisk. Det er derfor det blir essensielt for de i produksjon, energi og andre industrielle segmenter å ha en solid som bringer sammen både IT- og OT-data. Dessverre er OT-data ikke alltid enkelt å arbeide med. For eksempel, er det ofte uten klare metadata eller skjema for å guide deg. Det gode nyheten er at spesialiserte verktøy er tilgjengelige for å transformere OT-data og supplere det med nødvendig metadata, og forberede det for bruk innen intelligente applikasjoner via AI-augmentert opprettelse av egnet datamodell. Når det er innlemmet, kan OT-data brukes sammen med og kombinert med IT-data for bruk innen applikasjoner og å gi kontekst til generativ AI.

Som en tidligere Gartner-analytiker og nå SVP of Strategy at Mendix, hvordan skiller du AI-hype fra virkelig transformative innovasjon når du former din produktvei?

Å skille AI-hype fra virkelig innovasjon krever en disiplinert og pragmatisk tilnærming, men det er en prosess jeg har finjustert ettersom trender kommer og går. Først og fremst engasjerer jeg meg direkte med kunder og prospekter for å forstå deres virkelige planer og krav — det vil si, hva de faktisk trenger for å flytte bedriften fremover. Mendix’ produktteam tar også en test-og-lær-tilnærming ved å levere MVP-er av nye funksjoner og deretter arbeide tett med kunder for å samle inn tilbakemeldinger og validere om disse innovasjonene faktisk leverer konkrete verdier.

Som du kan se, er samarbeid en nøkkel til å sortere gjennom AI-hype, så jeg liker også å aktivt samarbeide med våre eksisterende partnere og utforske potensielle nye for å bringe inn ytterligere perspektiver og ekspertise.

Til slutt trekker jeg på min erfaring med nåværende og tidligere bølger av fremvoksende teknologi, og holder et nøye øye på maturitetsnivåer og adopsjonskurver. Dette hjelper virkelig med å filtrere ut hva som er spekulativt versus hva som sannsynligvis vil få grep, så vi kan prioritere investeringer som vil drive langvarig påvirkning for våre kunder.

Takk for det flotte intervjuet, lesere som ønsker å lære mer, bør besøke Mendix.