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

Gordon Van Huizen är SVP of Strategy på den ledande low-code-leverantören Mendix, ett Siemens-företag. I denna roll identifierar och utforskar Van Huizen strategier för framväxande tekniska framsteg och arbetar för att inkubera produktinnovationer inom Mendix, allt med fokus på hur dessa tekniker kan påverka och tillföra värde till kunder.

Mendix är en ledande low-code-applikationsutvecklingsplattform som är utformad för att låta företag bygga, distribuera och kontinuerligt förbättra kritiska mjukvaror med minimal handkodning. Plattformen erbjuder en AI-driven IDE, styrverktyg, inbyggda integreringar och molndistributionsalternativ, vilket möjliggör för både professionella utvecklare och medborgarutvecklare att samarbeta. Som en del av Siemens betonar Mendix skalbarhet, robust styrning och företagsberedskap och har upprepade gånger erkänts som en Magic Quadrant-ledare inom low-code.

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

AI skakar verkligen 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 förvandla 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 bygga det kommer att kännas mer naturligt och, ärligt talat, vara mer bestående än att skriva kod på det traditionella sättet. Till slut kan koden som vi känner till den försvinna in i bakgrunden. Och inte bara det, vi är på väg mot en helt ny modell av mjukvara som inte bara byggs av AI, utan som 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?

Medan Agentic AI fortsätter att omdefiniera SDLC, ser vi inte bara 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. Ändå kommer all den kraften med komplexitet. Den mjukvara vi bygger idag är mer avancerad än någonsin, vilket medför nya utmaningar, särskilt när multiagent-plattformar fortsätter att dyka upp. Interoperabilitet blir ett huvudbry när applikationer naturligt är distribuerade och ofta involverar verktyg från andra leverantörer och tekniska stackar. Där börjar low-code-plattformar verkligen lysa.

De kan automatisera mycket av det tunga arbetet på distributionsidan medan de ger er en tydlig vy över hela systemet. Sedan, när ni har den observerbarhetslagern 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 den bakomliggande 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 low-code mer än någonsin, eftersom dess natur direkt adresserar dessa utmaningar. Särskilt kommer vi att se den kraftfulla kombinationen av AI-förstärkt utveckling och low-code. 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 finslipa och expandera den genererade mjukvaran.

Tror du att den traditionella konceptet av “utvecklare” utvecklas på grund av low-code och AI? Vilka färdigheter kommer att vara mest kritiska under det kommande decenniet?

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-teknik och med fusionsteam som samlar utvecklare, AI-ingengörer, dataingenjörer och till och med dataforskare. Ärligt talat är den typen av samarbete exakt vad vi behöver just nu. Men, ja, det traditionella konceptet av “utvecklare” utvecklas verkligen. Det är bara en tidsfråga innan mjukvaruutvecklare blir AI-ingengörer. I slutändan är AI-teknik fortfarande mjukvaruteknik; den involverar bara en uppsättning verktyg och koncept som många utvecklare inte har arbetat med ännu. Dessa färdigheter är lärande, och många traditionella utvecklare kommer troligen 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 low-code 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 framtidsproof. Vi vill göra saker enklare utan att ta bort den flexibilitet som utvecklare behöver. Vi använder en visuell ansats så att ni verkligen kan se hur agenterna och systemen passar samman, som om en agent utlöser en annan. Med Mendix low-code-verktyg läggs arkitekturen och beteendet hos dessa AI-infuserade system ut på ett sätt som inte känns som ett komplext multiagent-system. Det ser bara ut som en ren, förståelig applikation.

Hur möjliggör low-code-plattformar som Mendix för icke-utvecklare att bygga sofistikerade AI-drivna lösningar, och vad är några av de bästa exemplen ni har sett?

På Mendix möter vi utvecklare, business-teknologer och medborgarutvecklare där de är med avseende på deras förståelse och behov av AI-infunderade appar; plattformens verktyg är lätta att ta till sig och använda från början. Vi guidar dem genom upplevelsen steg för steg tills de använder low-code för att bygga smarta, AI-drivna applikationer som är lika avancerade som de som byggs med high-code. De börjar med att bygga prompter med vår low-code-promptbyggare. När de är bekväma med det kan de grunda sin generativa AI-infunderade app med data som är specifik för affären eller lösningen med en inbyggd low-code-kunskapsbas. Och när de är redo för det kan de till och med bygga AI-agenter genom low-code-orkestration och verktygsanvändning.

Ett av de bästa exemplen i verkligheten är den AI-nativa globala löneplattformen byggd på Mendix, datascalehr. Lön, särskilt som den varierar från land till land, är notoriskt komplext, med ständigt föränderliga regler, efterlevnadskrav och stora mängder data. Med hjälp av Mendix utvecklade datascalehr-grundarna snabbt en nästa generationsplattform som utnyttjar AI för intelligent automatisering, efterlevnadskontroller och kontextuell assistans. Vad som är kraftfullt här är att business-teknologer och domänexperter — inte bara professionella utvecklare — kunde forma hur AI-funktionerna infogades, vilket säkerställde att lösningen direkt tillgodosåg kundernas behov. Low-code gör sofistikerade, 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 våra kunder och partners 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 multiagent-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, handlingsbara projektplaner. Sedan, när den initiala mjukvaran är skapad, kan användare snabbt finslipa den mjukvaran med den inneboende hastigheten hos low-code. Resultatet är färre iterationer, snabbare leverans, starkare styrning och mjukvara som byggs rätt från början.

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

AI och low-code är otroliga verktyg för att tackla verkliga utmaningar, främst för att de ger personal som fokuserar på att lösa kritiska sociala problem ett alternativ att innovera, även med begränsade budgetar och tekniska färdighetsnivåer. Ett exempel som verkligen står ut för mig är från Alliance for Orphans (A4O), en ideell organisation baserad i San Antonio som erbjuder vila-barnpassning för fosterfamiljer. Företaget stötte på ett stort hinder när de insåg att det var svårt att hitta, utbilda och certifiera barnpassare, vilket är nödvändigt för att hjälpa fosterföräldrar att få det stöd de behöver. Low-code 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 barnpassare. Applikationen hjälpte A4O att certifiera 81 vila-barnpassare, och sedan dess har applikationerna bara fortsatt att växa. Det är ett så kraftfullt exempel på hur low-code 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 low-code-miljö?

Syntetisk data minskar av sig själv integritetsrisker eftersom den inte innehåller verklig personlig information, vilket gör det lättare att följa dataskyddsföreskrifter (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 data för användning av AI, vilket kan vara utanför scope eller orealistiskt för vissa projekt.

Det sagt kan syntetisk data innehålla fel, bias och giftighet, och till och med misslyckas med att fånga bruset, outlier och full utsträckning av scenarier som är inneboende i verkliga världen — 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 utökar 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 diskretion, optimalt ge feedback från applikationen själv.

Hur ser du att konvergensen av IT och OT utvecklas när AI- och low-code-verktyg introduceras i operativa miljöer?

Kraften och precisionen i varje agentic AI-lösning beror på kontext; kvaliteten och volymen av data är kritiska. Det är därför det blir alltmer viktigt för de som arbetar inom tillverkning, energi och andra industriella segment att ha en solid datagrund som samlar både IT- och OT-data. Tyvärr är OT-data inte alltid lätt att arbeta med. Till exempel är det ofta oetiketterat med ingen tydlig metadata eller schema för att vägleda er. Den goda nyheten är att specialiserade verktyg finns tillgängliga för att omvandla OT-data och komplettera den med den nödvändiga metadatan, förbereda den för användning inom intelligenta applikationer via AI-förstärkt skapande av lämpliga datamodeller. När OT-data väl har tagits in kan den användas tillsammans med och kombineras med IT-data för användning inom applikationer och för att ge kontext till generativ AI.

Som en före detta Gartner-analytiker och nu SVP of Strategy på Mendix, hur separerar du AI-hype från verkligt innovativa innovationer när du formar din produktväg?

Att separera AI-hype från verklig innovation kräver en disciplinerad och pragmatisk ansats, men det är en procedur 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 lärandeansats genom att leverera MVP:er av nya funktioner och sedan arbeta nära med kunder för att samla in feedback och validera om dessa innovationer verkligen tillförder mätbar värde. Som ni kan se är samarbete en nyckel för att sortera igenom AI-hype, så jag arbetar också aktivt med våra befintliga partners och utforskar potentiella nya partners för att ta in ytterligare perspektiv och expertis.

Till sist drar jag nytta av min erfarenhet av nuvarande och tidigare vågor av framväxande teknologi, håller ett nära öga på mognadsnivåer och antagandekurvor. Det hjälper verkligen till att filtrera bort 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.