Gordon Van Huizen, SVP for strategi i Mendix – Intervju-serie

Hvordan endrer AI permanent programvareutviklingslivssyklusen (SDLC), særlig i lavkode- og ingenkode-miljøer?

AI ryster virkelig opp programvareutviklingslivssyklusen, særlig når vi utnytter naturlig språk mer og mer. I stedet for å skrive kode, begynner organisasjoner 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.

Som AI fortsetter å vevde seg inn i SDLC, tror jeg vi vil begynne å se hvor kraftig denne skiftet 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 vil koden vi kjenner, kanskje 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 som også er intelligent i seg selv. Skiftet er stort og spennende, og kanskje det mest betydningsfulle skiftet i programvare vi vil 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 observabilitetsutfordringene?

Som 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 trenger å kunne gjøre, er å uttrykke tydelig hva de ønsker. Likevel, all denne kraften kommer med kompleksitet. Programvaren vi bygger i dag, er mer avansert enn noensinne, noe som bringer nye utfordringer, særlig når multi-agent-plattformer fortsetter å dukke opp. Interoperabilitet blir en hodepine fordi applikasjonene naturlig er distribuerte og ofte involverer verktøy fra andre leverandører og teknologistacker. Det er der lavkode-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 vil trenge lavkode mer enn noen gang, ettersom dens vesen selv adresserer disse utfordringene på en direkte måte. Spesielt vil vi se den kraftfulle kombinasjonen av AI-forsterket utvikling og lavkode. Du kan uttrykke deg selv på 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 lavkode og AI? Hva ferdigheter vil være mest kritiske i det neste tiåret?

I dag ser vi på programvareutviklere og AI-ingeniører ofte som to separate roller, men vi begynner allerede å se en viss 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 slags samarbeid er akkurat det 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 samling av 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 lavkode med kompleksiteten ved å bygge AI-drevne applikasjoner?

Mendix’ mål er å lettelse kompleksiteten ved å bygge AI-drevne applikasjoner, samtidig som de sikrer at det utviklerne bygger i dag, er fremtidsrettet. Vi ønsker å gjøre ting enklere uten å fjerne den fleksibiliteten utviklerne trenger. Vi utnytter en visuell tilnærming så du kan faktisk se hvordan agentene og systemene passer sammen, som om en agent utløser en annen. Med Mendix’ lavkodeverktøy er arkitekturen og atferden til disse AI-innfusede systemer 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 lavkode-plattformer som Mendix at ikke-utviklere bygger sofistikerte AI-drevne løsninger, og hva er noen av de beste eksemplene du har sett?

Hos Mendix, møter vi utviklere, business-teknologer og borgerutviklere der de er i forhold til deres forståelse og behov for AI-innfusede apper; plattformens verktøy er enkle å ta i bruk og bruke fra starten av. Vi guider dem gjennom opplevelsen steg for steg til de begynner å bruke lavkode til å bygge smarte, AI-drevne applikasjoner som er like avanserte som de som er bygget med høykode. De begynner med å bygge promter ved hjelp av vår lavkode-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 lavkode-kunnskapsbase. Og når de er klare for det, kan de sogar bygge AI-agenter gjennom lavkode-orkesstrasjon og verktøybruk.

Et av de beste eksemplene i virkeligheten er det AI-native globale lønningsplattformen bygget på Mendix, datascalehr. Lønn, særlig som den varierer fra land til land, er notorisk kompleks, med konstant endrede regler, krav til overholdelse og store mengder data. Ved hjelp av Mendix, utviklet datascalehr-gründerne raskt en ny generasjonsplattform som utnytter AI for intelligent automatisering, overholdelseskontroll og kontekstuell støtte. Det som er kraftfullt her, er at business-teknologer og domene-eksperter — ikke bare profesjonelle utviklere — kunne forme hvordan AI-funksjoner var innbygget, og sikre at løsningen direkte adresserte kundens behov. Lavkode gjør sofistikerte, AI-drevne løsninger både tilgjengelige og bedriftsklare.

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

“Create with Maia” er Mendix’ svar på både å infusere AI i applikasjonsutviklingsprosessen og å muliggjøre at kundene og partnere bygger intelligente, AI-drevne applikasjoner. Nylig lansert med den siste versjonen av Mendix, Mendix 11, tillater Maia brukerne å enkelt opprette, orkestrere og distribuere AI-agenter og multi-agent-applikasjoner gjennom hele programvareutviklingslivssyklusen. Selv før brukerne begynner å bygge, kan de utnytte Maia og bruke naturlig språk til 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 lavkode. Resultatet er færre iterasjoner, raskere levering, sterkere styring og programvare som er bygget riktig fra starten.

Hvordan ser du AI og lavkode komme sammen for å støtte ikke-profit- eller misjonsdrevne organisasjoner som arbeider for å løse sosiale eller miljømessige problemer?

AI og lavkode 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 ikke-profit-organisasjon basert i San Antonio som tilbyr respite-barnepasser for fosterfamilier. Selskapet traff en stor hindring da de innsett at det var vanskelig å finne, trene og sertifisere barnepasser, essensielt for å hjelpe fosterforeldre å få den støtten de trenger. Lavkode hjalp dem å bygge en applikasjon for å strømlinje sertifiseringsprosessen, samle systemer fra ulike byråer, digitalisere papirarbeid og bygge en sentral database for å spore sertifiserte barnepasser. Applikasjonen hjalp A4O å sertifisere 81 respite-barnepasser, og siden dens opphav, har applikasjonene bare fortsatt å vokse. Det er et så kraftfullt eksempel på hvordan lavkode 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 i et lavkode-miljø?

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

Det er imidlertid sagt at syntetisk data kan inneholde uakkurater, bias og giftighet, og selv kan feile i å fange inn støy, outlier og fullt utvalg av scenarier som er innebygget i virkelige verden — noe som kan føre til potensielle feil i produksjon. Derfor er det nødvendig å sette guardrails på plass og etablere en streng test- og valideringsmetode, 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 anvende sin egen skjønn, optimalt gir tilbakemelding fra applikasjonen selv.

Hvordan ser du konvergens av IT og OT utvikle seg når AI- og lavkode-verktøy introduseres i operative omgivelser?

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

Som en tidligere Gartner-analytiker og nå SVP for strategi i Mendix, hvordan skiller du AI-hype fra virkelig transformasjonsinnovasjon når du former din produktvei?

Å skille AI-hype fra virkelig innovasjon krever en disiplinert og pragmatisk tilnærming, men det er en prosedyre jeg har finjustert som 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 sin forretning 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 tilbakemelding og validere om disse innovasjonene faktisk leverer konkrete verdier. Som du kan se, er samarbeid en nøkkel måte å sortere gjennom AI-hype, så jeg liker også å aktivt arbeide med våre eksisterende partnere og utforske potensielle nye for å bringe inn ytterligere perspektiver og ekspertise.

Endelig 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 langsiktig innvirkning for våre kunder.

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