Gordon Van Huizen, SVP för strategi på Mendix – Intervjuer

Hur förändrar AI permanent mjukvaruutvecklingslivscykeln (SDLC), särskilt i lågkods- och no-code-miljöer?

AI skakar om mjukvaruutvecklingslivscykeln, särskilt när vi utnyttjar naturligt språk alltmer. Istället för att skriva kodrader börjar organisationer definiera och bygga mjukvara genom att beskriva förväntningar. Det handlar alltmer om att uttrycka avsikt och ha en konversation med smarta verktyg som kan ta den avsikten och omvandla den till kod, gränssnitt och till och med tester.

Såsom AI fortsätter att väva sig in i SDLC tror jag att vi kommer att se hur kraftfull den förändringen verkligen är. Att kommunicera vad vi vill ha istället för att skriva kod på traditionellt sätt kommer att kännas mer naturligt och, ärligt talat, vara mer bestående än att skriva kod på traditionellt sätt. Till slut kan koden som vi känner den försvinna in i bakgrunden. Och inte bara det, vi är på väg mot en helt ny modell för mjukvara som inte bara byggs av AI, utan också är intelligent i sig själv. Förändringen är stor och spännande, och kanske den mest betydande förändringen av mjukvara som vi kommer att se i våra liv.

Vilken roll ser du att Agentic AI spelar i framtida applikationsutveckling, och hur bör utvecklare och plattformsarkitekter förbereda sig för dess observerbarhetsutmaningar?

Såsom Agentic AI fortsätter att omdefiniera SDLC ser vi inte bara en snabbare, billigare och högkvalitativ utveckling, utan också att utvecklingen blir mer tillgänglig. Människor kan bli kreativa och experimentera utan att behöva vara experter på kodning; allt de behöver kunna göra är att tydligt uttrycka vad de vill ha. Men all den kraften kommer med komplexitet. Den mjukvara vi bygger idag är mer avancerad än någonsin, vilket medför nya utmaningar, särskilt när multi-agentplattformar fortsätter att dyka upp. Samverkan blir ett huvudbry när applikationer naturligt är distribuerade och ofta involverar verktyg från andra leverantörer och teknikstackar. Där börjar lågkodsplattformar verkligen lysa.

De kan automatisera mycket av det tunga arbetet på distributionsidan samtidigt som de ger er en tydlig vy över hela systemet. När ni sedan har den där observerbarhetslagret på plats kan ni ta in AI i mixen för att hjälpa till att förstå vad som händer. AI kan identifiera problem som prestandafall eller felaktiga utdata och förklara roten till orsaken på vanligt språk. Den typen av tydlighet är en game-changer för både utvecklare och driftsteam. Allt detta betyder att vi kommer att behöva lågkod mer än någonsin, eftersom dess natur direkt hanterar dessa utmaningar. Speciellt kommer vi att se den kraftfulla kombinationen av AI-förstärkt utveckling och lågkod. Ni kan uttrycka er på naturligt språk, sedan se resultaten på ett visuellt sätt — inklusive data, logik och användargränssnitt — och interagera genom vilken kombination av naturligt språk och visuell IDE som helst för att ytterligare förfinna och expandera den genererade mjukvaran.

Tror du att den traditionella konceptet av “utvecklare” utvecklas på grund av lågkod och AI? Vilka färdigheter kommer att vara mest kritiska under de kommande tio åren?

Idag ses mjukvaruutvecklare och AI-ingengörer ofta som två separata roller, men vi börjar redan se en viss överlappning, både genom att utvecklare lär sig de färdigheter som krävs för AI-engineering och genom fusionsteam som bringar samman utvecklare, AI-ingengörer, dataingengörer och till och med dataforskare. Ärligt talat är det typen av samarbete som vi behöver just nu. Men, ja, det traditionella konceptet av “utvecklare” utvecklas säkert. Det är bara en tidsfråga innan mjukvaruutvecklare blir AI-ingengörer. I slutändan är AI-engineering fortfarande mjukvaruutveckling; det handlar bara om en uppsättning verktyg och koncept som många utvecklare inte har arbetat med tidigare. Dessa färdigheter är lärande, och många traditionella utvecklare kommer sannolikt att hitta det nya arbetet spännande. Det öppnar dörren till att bygga smartare, mer dynamiska lösningar, och det är en belönande riktning att växa i.

Hur balanserar Mendix tillgängligheten av lågkod med komplexiteten i att bygga AI-drivna applikationer?

Mendix mål är att lindra komplexiteten i att bygga AI-drivna applikationer samtidigt som man säkerställer att det som utvecklare bygger idag är framtidssäkert. Vi vill göra saker enklare utan att ta bort den flexibilitet som utvecklare behöver. Vi använder en visuell ansats så att ni kan se hur agenterna och systemen passar samman, som om en agent utlöser en annan. Med Mendix lågkodsverktyg är arkitekturen och beteendet hos dessa AI-infuserade system utlagda på ett sätt som inte känns som ett komplext multi-agent-system. Det ser bara ut som en ren, förståelig applikation.

Hur möjliggör lågkodsplattformar som Mendix för icke-utvecklare att bygga avancerade AI-drivna lösningar, och vilka är några av de bästa exemplen du har sett?

På Mendix möter vi utvecklare, verksamhetsteknologer och medborgarutvecklare där de är i förhållande till deras förståelse och behov av AI-infuserade appar; plattformens verktyg är lätta att ta till sig och använda från början. Vi guider dem genom upplevelsen steg för steg tills de använder lågkod för att bygga smarta, AI-drivna applikationer som är lika avancerade som de som byggs med högkod. De börjar med att bygga prompter med vår lågkods-promptbyggare. När de känner sig bekväma med det kan de grunda sin generativa AI-infuserade app med data som är specifik för företaget eller lösningen med en inbyggd lågkods-kunskapsbas. Och när de är redo för det kan de till och med bygga AI-agenter genom lågkods-orkestration och verktygsanvändning.

En av de bästa verkliga exemplen är den AI-nativa globala löneplattformen byggd på Mendix, datascalehr. Lön, särskilt som den varierar från land till land, är notoriskt komplex med ständigt föränderliga regler, krav på efterlevnad och enorma mängder data. Med hjälp av Mendix utvecklade datascalehr-grundarna snabbt en nästa generationsplattform som utnyttjar AI för intelligent automatisering, krav på efterlevnad och kontextuell hjälp. Det som är kraftfullt här är att verksamhetsteknologer och domänexperter — inte bara professionella utvecklare — kunde forma hur AI-funktionerna infogades, vilket säkerställde att lösningen direkt tillgodosåg kundernas behov. Lågkod gör avancerade, AI-drivna lösningar både tillgängliga och företagsklara.

Kan du gå igenom hur AI används inom Mendix själv — både i hur plattformen byggs och hur den möjliggör för användare?

”Skapa med Maia” är Mendix svar på både att infoga AI i applikationsutvecklingsprocessen och att möjliggöra för kunder och partner att bygga intelligenta, AI-drivna applikationer. Nyligen lanserad med den senaste versionen av Mendix, Mendix 11, tillåter Maia användare att enkelt skapa, orkestrera och distribuera AI-agenter och multi-agent-applikationer under hela mjukvaruutvecklingslivscykeln. Även innan användare börjar bygga kan de utnyttja Maia och använda naturligt språk för att säkerställa att mål, framgångskriterier och användarberättelser är i linje innan skapande. Skapa med Maia hjälper också till att omvandla brainstorming, mockups, diagram och krav till tydliga, genomförbara projektplaner. Sedan, när den initiala mjukvaran är skapad, kan användare snabbt förfinna den mjukvaran med den inbyggda hastigheten i lågkod. Resultatet är färre iterationer, snabbare leverans, starkare styrning och mjukvara som är byggd rätt från början.

Hur ser du att AI och lågkod kommer samman för att stödja ideella organisationer eller uppdragsdrivna organisationer som arbetar för att lösa sociala eller miljörelaterade problem?

AI och lågkod är otroliga verktyg för att hantera verkliga utmaningar, främst för att de ger personal som fokuserar på att lösa kritiska sociala problem möjligheten att innovativa, även med begränsade budgetar och tekniska färdigheter. Ett exempel som verkligen står ut för mig är från Alliance for Orphans (A4O), en ideell organisation baserad i San Antonio som erbjuder vila-barnflickor för fosterfamiljer. Företaget stötte på ett stort hinder när de insåg att det var svårt att hitta, utbilda och certifiera barnflickor, vilket är essentiellt för att hjälpa fosterföräldrar att få det stöd de behöver. Lågkod hjälpte dem att bygga en applikation för att strömlinjeforma certifieringsprocessen, samla system över olika myndigheter, digitalisera papper och bygga en centraliserad databas för att spåra certifierade barnflickor. Applikationen hjälpte A4O att certifiera 81 vila-barnflickor, och sedan dess har applikationerna bara fortsatt att växa. Det är ett sådant kraftfullt exempel på hur lågkod kan göra en verklig, positiv skillnad i människors liv, och det var bara ett exempel.

Vilka är de unika utmaningarna och möjligheterna med att använda syntetisk data inom en lågkods-miljö?

Syntetisk data minskar av sig själv integritetsrisker eftersom den inte innehåller riktiga personuppgifter, vilket gör det lättare att följa dataskyddsförordningar (såsom GDPR) och minimera juridisk exponering. Naturligtvis är det också snabbare, billigare och enklare att använda syntetisk data än att bygga datamängder från scratch och märka datat för användning av AI, vilket kan vara utanför ramen eller omöjligt för vissa projekt.

Sådant sagt kan syntetisk data innehålla fel, fördomar och giftighet, och till och med misslyckas med att fånga bruset, avvikelserna och hela omfånget av scenarier som är inneboende i verkliga världsscenarier — vilket leder till potentiella misslyckanden i produktion. Därför är det nödvändigt att sätta skyddsräcken på plats och etablera en rigorös test- och valideringsansats, en som utvidgar applikationstestprocessen till att inkludera validering av AI-utdata. För affärskritiska system är det också viktigt att hålla människor i loopet så att de kan applicera sin egen omdöme, optimalt tillhandahålla feedback från applikationen själv.

Hur ser du att konvergensen av IT och OT utvecklas när AI och lågkodsverktyg introduceras i operativa miljöer?

Kraften och precisionen i någon agentic AI-lösning beror på sammanhanget; kvaliteten och volymen av data är avgörande. Det är därför det blir alltmer viktigt för dem i tillverkning, energi och andra industriella segment att ha en solid datagrund som bringar samman både IT- och OT-data. Tyvärr är OT-data inte alltid lätt att arbeta med. Till exempel är det ofta omarkerat med inga tydliga metadata eller schema för att vägleda er. Det goda nyheten är att specialiserade verktyg finns tillgängliga för att omvandla OT-data och komplettera den med nödvändig metadata, förbereda den för användning inom intelligenta applikationer via AI-förstärkt skapande av lämpliga datamodeller. När den väl har tagits in kan OT-data användas tillsammans med och kombineras med IT-data för användning inom applikationer och för att ge sammanhang till generativ AI.

Som tidigare Gartner-analytiker och nu SVP för strategi på Mendix, hur separerar du AI-hype från verkligt innovativa innovationer när du formar din produktvägkarta?

Att skilja AI-hype från verklig innovation kräver en disciplinerad och pragmatisk ansats, men det är en process jag har finslipat allteftersom trender kommer och går. Först och främst engagerar jag mig direkt med kunder och prospekt för att förstå deras verkliga planer och krav — det vill säga vad de faktiskt behöver för att driva sin verksamhet framåt. Mendix produktteam tar också en test-och-lära-ansats genom att leverera MVP:er av nya funktioner och sedan arbeta nära med kunder för att samla in feedback och validera om dessa innovationer faktiskt levererar mätbara värden. Som ni kan se är samarbete en nyckel för att sortera igenom AI-hype, så jag arbetar också aktivt med våra befintliga partner och utforskar potentiella nya för att bringa in ytterligare perspektiv och expertis.

Slutligen drar jag på min erfarenhet av nuvarande och tidigare vågor av framväxande teknik, hållande ett nära öga på mognadsnivåer och antagningskurvor. Det hjälper verkligen till att filtrera ut vad som är spekulativt kontra vad som sannolikt kommer att få fäste, så att vi kan prioritera investeringar som kommer att driva långsiktig påverkan för våra kunder.

Tack för den underbara intervjun, läsare som vill lära sig mer bör besöka Mendix.