- Penulis, seorang programmer profesional, awalnya yakin ingin mengajari anaknya coding, seperti orang tuanya mengajarinya membaca dan menulis. Namun setelah mencoba GPT-4, keyakinan itu goyah; ia merasa nilai profesional coding bisa saja berubah saat anaknya cukup umur untuk mengetik
- Temannya, Ben, yang hampir tidak punya pengalaman coding modern, menggunakan ChatGPT Plus dan GPT-4 untuk dengan cepat membuat tool command-line, aplikasi iPhone untuk menilai kata, serta kode yang menghubungkan mikrokontroler dengan Firebase
- Coding selama ini menuntut kesabaran, debugging berulang, dan mechanical sympathy—pemahaman intuitif atas keterbatasan mesin—tetapi bantuan AI mulai menggantikan sebagian detail implementasi dan pengetahuan rumit dengan percakapan bahasa alami
- GPT-4 masih memiliki kekurangan dibanding programmer profesional, dan orang awam juga sulit menggunakannya dengan cara yang sama. Namun bentuk centaur, yaitu gabungan programmer dan AI, menunjukkan produktivitas yang berbeda dari manusia saja maupun AI saja
- Saat pentingnya coding itu sendiri berkurang, kemampuan untuk menilai apa yang perlu dibuat, memahami apa yang akan disukai pengguna, serta berkomunikasi secara teknis dan manusiawi bisa menjadi lebih penting
GPT-4 Mengguncang Keyakinan Profesional terhadap Coding
- Penulis berniat mengajari anaknya pemrograman komputer, sebagaimana orang tuanya mengajarinya membaca dan menulis
- Coding dianggap sebagai teknologi baru sekaligus kemampuan wajib yang mencakup banyak bidang, dari pembuatan film hingga fisika
- Sebagai coder profesional, ia merasa bahwa saat anaknya sudah bisa mengetik, nilai coding mungkin sudah menghilang
- Titik baliknya adalah proyek hobi bersama temannya, Ben, untuk membuat teka-teki silang bergaya Times dengan komputer
- Pada 2018, mereka membuat teka-teki edisi Sabtu dengan bantuan software, sementara manusia hanya sedikit menerapkan selera
- Kali ini, mereka ingin membuat program pembuat teka-teki tanpa sentuhan manusia
- Ben kuat di bidang hardware, tetapi pengalaman coding profesionalnya singkat dan dangkal, serta nyaris berhenti di level hampir 20 tahun lalu
- Namun ia berlangganan ChatGPT Plus dan mulai memakai GPT-4 sebagai asisten coding
- Ia membuat sendiri tool-tool kecil yang dibutuhkan proyek dengan kecepatan yang mengejutkan
Performa Asisten Coding AI dalam Proyek Hobi
- Saat membuat perintah untuk mencetak 100 baris acak dari file kamus, penulis memikirkan masalahnya, mencari referensi, dan mengalami trial-and-error
- Ben hanya mengatakan apa yang ia inginkan kepada GPT-4, lalu memperoleh kode yang bisa dijalankan
- Penulis menganggap perintah seperti ini memang biasanya rumit dan merupakan area yang dicari semua orang, sehingga bukan “pemrograman sungguhan”
- Beberapa hari kemudian, Ben mengatakan ingin membuat aplikasi iPhone untuk menilai kata-kata dalam kamus
- Penulis merasa pembuatan aplikasi iPhone merepotkan karena harus mempelajari lingkungan pemrograman Apple, bahasa baru, komponen UI, dan proses packaging
- Keesokan harinya, Ben mengirim aplikasi yang menjalankan fungsi yang diinginkan dengan tepat, lengkap dengan desain yang imut
- Ben mengatakan ia membuatnya dalam beberapa jam, dan GPT-4 menangani sebagian besar pekerjaan sulit
- Ben juga mengerjakan proyek yang menghubungkan speaker kecil dan LED merah ke bingkai potret Raja Charles
- Perangkat itu memungkinkan seseorang memasukkan pesan di situs web, lalu speaker memutar musik dan LED berkedip dalam kode Morse seperti permata mahkota
- Kode untuk mengambil pesan baru sulit bagi Ben karena membutuhkan pengetahuan tentang mikrokontroler dan Firebase
- GPT-4 menyarankan fitur Firebase yang sesuai serta kode yang bisa digunakan di mikrokontroler
- Ben juga membuat sesuatu seperti game Snake di ponsel Nokia dengan GPT-4
- Setelah percakapan singkat, ia bahkan menambahkan fitur yang menunjukkan seberapa jauh pemain menyimpang dari rute optimal saat kalah
- Penulis tidak yakin apakah ia sendiri bisa melakukan modifikasi itu
- GPT-4 melakukannya dalam sekitar 10 detik
Daya Tarik Coding dan Terbentuknya Keahlian
- Awal ketertarikan penulis pada komputer datang dari pengalamannya bermain Mortal Kombat bersama kakaknya di Montreal pada awal 1990-an
- Kakaknya mengakses server FTP dari terminal MS-DOS, mengetik perintah, lalu mencetak kode yang berisi instruksi semua fatality dalam game
- Penulis memandang kakaknya seperti hacker, dan tertarik pada pencarian tempat serta pengetahuan tersembunyi
- Kalimat “kejahatanku adalah rasa ingin tahu” dari “The Hacker’s Manifesto” dan film “Hackers” tahun 1995 memperkuat perasaan bahwa pengetahuan adalah kekuatan
- Dalam film itu, Dade Murphy mengenali buku komputer hanya dari sampulnya, dan mengendalikan sprinkler sekolah serta keseimbangan kapal tanker minyak lewat input keyboard
- Bagi penulis, hacking lebih dekat dengan tindakan mempelajari hal tersembunyi daripada perusakan
- “Beginning Visual C++” karya Ivor Horton, yang ia beli saat SMA, adalah buku pengantar pertamanya setebal 1.200 halaman
- Bagian awalnya mudah, tetapi ia tersandung pada bagian “Dynamic Memory Allocation”
- Ia membandingkannya dengan pons asinorum, atau “jembatan keledai”, istilah yang dipakai pelajar abad pertengahan untuk titik sulit pertama
- Pengalaman menjalankan “Hello, world” memberinya kesan bahwa pemrograman lebih dekat dengan kesabaran dan obsesi daripada sekadar pengetahuan atau teknik
- Ia berhari-hari berjuang agar compiler Borland C++ bekerja, dan setiap kali satu error diperbaiki, error lain muncul
- Ketika “Hello, world” akhirnya tampil, ia merasa seolah komputer itu bangun dengan suaranya sendiri dan menyapa
- Pada masa kuliah, ia memperluas kesenangan coding dengan membuat program-program kecil
- Ia membuat program yang mengirim SMS ketika Tiger Woods mencetak birdie atau bogey di Masters Tournament 2006
- Ia juga menulis program yang mengambil kalimat dari “Ulysses” secara acak, menghitung jumlah suku katanya, lalu menyusun haiku
- Saat membuat “Jimbo Jeopardy!” yang dinikmati teman-temannya selama 14 jam, ia merasakan intensitas pengalaman ketika seseorang menikmati sesuatu yang ia buat
Masa Keemasan Software Engineer dan Paradoks Otomatisasi
- Ia lulus pada 2009 di tengah krisis finansial dengan GPA 2,9, tetapi pengalaman praktik pemrograman membuatnya mudah mendapatkan pekerjaan tetap pertamanya
- Saat itu perusahaan-perusahaan bersaing memperebutkan programmer hebat, dan secara agresif menghubungi programmer berpengalaman
- Popularitas jurusan ilmu komputer mulai meledak, dan coding bootcamp mengklaim bisa mengubah pemula menjadi programmer bergaji tinggi dalam waktu kurang dari setahun
- Di tengah suku bunga rendah dan pertumbuhan sektor teknologi, perlakuan terhadap software engineer meningkat
- Perusahaan seperti Google menyebarkan praktik seperti espresso gratis, makanan katering, tunjangan kesehatan yang baik, cuti orang tua, gym kantor, tempat penyimpanan sepeda, pakaian kasual, dan 20% time
- Karena bug dalam pekerjaan coding bisa muncul kapan saja, estimasi durasi dianggap bodoh, dan deadline diperlakukan hampir seperti tabu
- Ada juga suasana bahwa jika tekanan terlalu berat, menyebut kata “burnout” saja bisa memberi tambahan waktu berbulan-bulan
- Keraguan tentang apakah perlakuan seperti ini bisa terus berlanjut juga tumbuh
- Dulu, permintaan terhadap web design begitu besar sehingga pekerjaan akhir pekan saja bisa menghasilkan ribuan dolar
- Dengan munculnya tool seperti Squarespace, pemilik kedai pizza atau seniman freelance pun bisa membuat website hanya dengan klik
- Bagi coder profesional, sebagian pekerjaan berbayaran tinggi dengan usaha rendah pun menghilang
- Respons komunitas programmer cenderung mengarah pada perlunya terus mempelajari teknologi yang lebih sulit
- Software engineer menyukai otomatisasi, dan engineer hebat membuat tool yang menjadikan jenis pekerjaan lain tidak lagi berguna
- Leverage, yaitu kemampuan satu kode memengaruhi pekerjaan jutaan orang, menjadi dasar perlakuan istimewa terhadap programmer
- Naluri otomatisasi yang sama juga menggantikan sebagian pekerjaan programmer itu sendiri
Programmer di Era AI, Centaur, dan Kemampuan yang Tersisa
- Setelah perusahaan mengizinkan penggunaan chatbot AI sebagai asisten pemrograman, penulis awalnya sengaja menghindarinya
- Tak lama kemudian, ia sering melihat pola tanya-jawab chat AI di layar rekan-rekannya
- Rekan-rekannya mengatakan tool semacam ini meningkatkan produktivitas, dan dalam beberapa kasus membuat penyelesaian masalah 10 kali lebih cepat
- Penulis khawatir AI akan merampas kesenangan memecahkan teka-teki dan kepuasan karena menyelesaikannya sendiri
- Hasil pemrograman pada umumnya biasanya tidak menarik, bahkan kadang sangat biasa sampai terasa lucu
- Misalnya, menambahkan header yang melintasi beberapa kolom pada tabel di dokumen penting terlihat sederhana jika hanya dilihat hasil akhirnya
- Namun proses memikirkan bagaimana membuat API bagi pengguna dan bagaimana menangani kolom tanpa data yang hilang adalah inti kesenangannya
- Akhirnya, saat bekerja membuat tool kecil yang menyorot bagian hasil pencarian yang cocok dengan query pengguna, ia menggunakan GPT-4
- Edsger W. Dijkstra dalam “On the Foolishness of ‘Natural Language Programming’” pada 1978 memandang bahasa alami sebagai cara yang membuang presisi yang disediakan komputer
- Penggunaan GPT-4 dalam praktik tidak sekadar mengatakan “pecahkan masalah ini”; ia harus dengan hati-hati menjelaskan apa yang diinginkan seolah berbicara kepada pemula
- Saat melihat kegagalan, ia harus membuat prompt kurang ambisius dan memecah masalah menjadi submasalah yang spesifik, abstrak, dan tidak ambigu
- Setelah itu, di berbagai bagian pekerjaan, ia mulai melihat celah berukuran pas untuk GPT-4
- Ia juga berdialog dengan GPT-4 saat mengubah output teka-teki silang menjadi halaman web yang enak dilihat
- Ada masalah detail berupa menghubungkan setiap huruf dengan kata horizontal dan vertikal, tetapi ia tidak lagi mensimulasikan angka, pola, dan loop di kepalanya seperti dulu
- Seperti yang ditulis Geoffrey Litt setelah pengalaman serupa, tersisa kesan bahwa ia tidak memakai “otak programmer yang mendetail”
- Contoh Lee Sedol dalam Go dan kasus catur menunjukkan bahwa budaya sebuah keterampilan tidak serta-merta hilang setelah AI
- Lee Sedol kalah dari AlphaGo pada 2016, bangga karena berhasil memenangkan satu partai setelah beberapa hari pertandingan, lalu pensiun tiga tahun kemudian
- Catur justru menjadi lebih populer setelah ditaklukkan AI, dan pelajar bisa mendapat soal tepat di atas level mereka serta penyebab kekalahan mereka dari pelatih AI
- Para grandmaster papan atas mempelajari langkah yang disarankan komputer seperti lempeng batu dari dewa
- Saat ini GPT-4 adalah programmer yang lebih buruk daripada penulis, dan orang awam pun sulit menggunakannya seperti programmer, tetapi cara kerja centaur sudah muncul
- Ben sendirian adalah programmer yang jauh lebih lemah daripada penulis, dan GPT-4 sendirian juga masih lebih lemah daripada penulis, tetapi kombinasi Ben dan GPT-4 menunjukkan produktivitas yang mengancam
- Jika membuat software menjadi lebih mudah, software akan semakin menyebar, dan programmer bisa bertugas menangani desain, konfigurasi, dan pemeliharaan
- Jika coding itu sendiri menjadi kurang penting, maka apa yang layak dibuat, apa yang disukai pengguna, serta bagaimana berkomunikasi secara teknis maupun manusiawi bisa menjadi lebih penting
- Hal yang perlu diajarkan kepada anak mungkin bukan keterampilan tertentu, melainkan semangat hacking
- Di masa depan, pemrograman dengan mengetik C++ atau Python secara langsung bisa terlihat konyol seperti memberi instruksi biner pada kartu berlubang
- Menyuruh komputer melakukan persis apa yang diinginkan mungkin akan menjadi tindakan meminta dengan sopan
- Coder pada era agraris mungkin mengutak-atik kincir air dan varietas tanaman, sementara pada era Newton mereka mungkin terobsesi pada kaca, pewarna, dan pengukuran waktu
- Generasi berikutnya bisa menghabiskan malam dengan membongkar bagian dalam AI yang dianggap orang tua mereka sebagai black box, dan meski era coding meredup, hacking akan terus berlanjut
3 komentar
Bagian akhir tulisannya sedikit terpotong saat diringkas, tetapi kalimat terakhirnya penting.
"I shouldn’t worry that the era of coding is winding down. Hacking is forever."
"Saya tidak perlu khawatir bahwa era coding sedang meredup. Hacking itu abadi."
Melihat Bard pun begitu fitur integrasi disediakan langsung bisa dieksploitasi lewat prompt injection untuk membocorkan informasi atau hal semacam itu,
sepertinya peretasan akan selalu ada.
Komentar Hacker News
GPT-4 memang sangat mengesankan, tetapi bagi saya inti pengembangan perangkat lunak bukanlah coding itu sendiri
GPT-4 sering gagal, cara gagalnya juga tidak jelas, dan di bidang yang materi belajarnya kurang, ia ambruk lebih parah
Bahkan jika ia menjadi 20 kali lebih baik, kalau perangkat lunak yang bagus bisa dibuat lebih murah dan lebih mudah, saya melihatnya sebagai hal baik bagi dunia
Jika seseorang benar-benar menikmati coding sebagai hobi, AI tidak akan menghalanginya, dan bahkan jika coding menghilang, saya merasa inti rekayasa perangkat lunak sejak awal memang bukan di sana
LLM lebih mirip pengganti Stack Overflow yang cepat dan lumayan bagus tetapi banyak salahnya, dan sebagai alat yang melengkapi kemampuan programmer, dampak bersihnya tampak besar dalam jangka pendek dan menengah
Masalah yang membuat buntu biasanya cakupannya terlalu luas dan kompleks sampai sulit masuk ke kepala manusia sekalipun, dan GPT mengeluarkan solusi yang nyaris tidak bisa dipakai
Untuk kode, ia seperti pekerja serabutan serbabisa yang tahu banyak hal secara luas tetapi dangkal, dan mungkin berbeda bagi developer junior hingga menengah
Hampir tidak ada orang yang menganggap men-debug kode yang sekilas tampak jelas benar sebagai bagian paling menyenangkan dari pemrograman
Meski begitu, saya rasa kita bisa menemukan cara penggunaan yang lebih baik, seperti menjalankan LLM dalam loop sampai lolos test suite, atau memintanya menghasilkan kode beserta bukti kebenaran yang diverifikasi proof assistant
Namun selera saya lebih ke proyek yang punya sejumlah keleluasaan artistik, bukan kode yang lebih akademis yang nilainya diukur dengan metrik kuantitatif seperti jumlah siklus atau latensi
Jenis coding yang saya nikmati di awal karier sudah mulai berkurang bahkan sebelum ChatGPT, dan jika dilihat sekarang, memulai pada masa ketika engineer masih menjaga toko rasanya seperti sebuah privilese
Kode itu menyebalkan; saya hanya ingin membuat sesuatu
Seiring waktu, apakah hanya saya yang menjadi makin tidak terkesan pada LLM?
Ketika Copilot pertama kali muncul pada 2021, saya juga sempat berpikir, “Sebentar lagi saya tidak akan berguna”
Namun dari pengalaman memakai sendiri dan berbagai riset, LLM modern tampak punya cacat mendasar dan tidak berada di jalan menuju kecerdasan umum
GPT-4 lebih baik daripada 3.5, tetapi tidak berbeda secara fundamental, dan saya rasa 5 juga akan mirip. Kalau suatu saat AI yang benar-benar kuat muncul, kita mungkin akan tertawa melihat perhatian yang kita curahkan pada teknologi ini
Awalnya sangat mengesankan, tetapi sekarang saya tidak bisa mempercayainya selain untuk gambaran umum di level sangat tinggi
Misalnya ketika saya mencoba mengimplementasikan sound synthesizer dari nol, membuat sampel audio, lalu menyimpannya sebagai file wave, garis besarnya membantu memahami konsep, tetapi kodenya salah secara halus
Ia sangat buruk dalam detail seperti apa saja yang termasuk dalam panjang saat menghitung panjang struct, dan sebagai pemula saya juga tidak bisa yakin apakah itu benar
Saat diminta mengecek, ia meminta maaf lalu mengubah jawabannya ke arah yang ingin saya dengar, sehingga tidak bisa dipercaya
Namun sebagai alat untuk mengurangi rasa kesepian saat memprogram sendirian, ia cukup bagus, dan sekadar melempar ide lalu melihat responsnya pun membantu
Penonton film awal merasa film hitam-putih sederhana pun menyeramkan, dan mereka menunduk saat melihat kereta melaju ke arah layar
Orang-orang yang pertama kali mendengar fonograf juga mengatakan tidak bisa membedakannya dari orkestra live
Saat kita menguasai sebuah teknologi, kita juga belajar cara mengenalinya, dan mendapatkan rasa tentang batas serta kekuatannya. Karena itu, seiring waktu, ia terasa kurang mengesankan
Mudah untuk terkesan ketika sesuatu melakukan hal yang semula kita kira tidak bisa dilakukan, tetapi bukan berarti kita langsung meremehkannya hanya karena kemudian ia tidak bisa melakukan hal yang kita harapkan akan bisa dilakukannya
Jika GPT-5 membuat lompatan serupa, akan sulit bersaing tanpa menggunakannya
Keduanya memang model GPT dan dilatih sebagai model bahasa autoregresif sederhana, tetapi ketika GPT-4 berhasil menyintesis informasi sesuai permintaan dalam berbagai konteks, dampaknya terasa dramatis bahkan di tingkat individu
LLM pada akhirnya adalah penalaran probabilistik atas teks dalam jumlah besar, tetapi dengan komputasi dan data yang cukup, saya rasa model besar dapat membentuk struktur selama pelatihan untuk memahami data secara optimal
Jika datanya menjadi multimodal, tiap modalitas dapat menghapus dan memperjelas representasi dunia yang keliru, sehingga efeknya bisa meningkat seperti perkalian, bukan sekadar penjumlahan
Kita mungkin akan tertawa saat melihat seberapa bagus GPT-10 yang dilatih dengan teks, gambar, video, audio, dan sensor rasa, tetapi saya tetap melihat GPT-4 sebagai langkah maju yang lebih besar daripada tahap mana pun yang pernah diinjak manusia
Saya melihat orang-orang dengan serius memakai prompt “tuliskan ekspresi untuk menjumlahkan 2 dan 2” demi mendapatkan
2+2yang mereka butuhkan, lalu mengklaim itu efisiensi yang ajaibJujur saja saya tidak terlalu suka menulis panjang, dan bagi saya kode selalu lebih singkat dan cepat daripada menjelaskannya dengan bahasa biasa. Itulah alasan kode dibutuhkan sejak awal
Dilihat dari ekspektasi tinggi, orang bisa berkata “punya cacat mendasar”, tetapi jika titik acuannya adalah “tidak berguna” seperti yang dipikirkan banyak orang, ia juga bisa disebut alat yang menakjubkan
Saya setiap beberapa bulan mencoba memberikan tes frontend sederhana untuk developer junior kepada ChatGPT juga, tetapi sejauh ini belum pernah lulus. Bahkan belum mendekati
Ia menjawab dengan percaya diri, tetapi ada ketidakakuratan yang halus, dan kode yang dihasilkannya mirip dengan kode tidak masuk akal yang biasanya dibuat lulusan bootcamp baru yang menulis “menguasai” 50 teknologi di CV 8 halaman
Kalau memang sudah lebih baik, saya tidak merasakannya
Sepuluh tahun lalu juga dikatakan bahwa truk otonom akan menjungkirbalikkan industri truk dalam 10 tahun, dan pemberitaan media seputar LLM juga sama persis
Memang keren, tetapi sampai kapan kita akan terus berada pada level setiap kali disuruh belok kiri, ia malah berakselerasi hingga 100 mil per jam lalu menabrak dinding
Saya ingin memakai AI untuk menghubungkan konstelasi titik-titik yang mustahil dihubungkan manusia, lalu pakar memverifikasi hasilnya sebelum lanjut. Entah kapan hari saat kita bisa menerima tool CLI atau aplikasi baru dengan
gpt installakan datang, tetapi jelas bukan dalam waktu dekatHasilnya lumayan, tetapi tidak cocok hingga tingkat piksel, dan team lead menyuruh mengulanginya. Nilai bisnisnya nol, tetapi saat itu tim kami menjadikan pixel perfect sebagai kebanggaan
Kejadian itu salah satu pemicu saya berhenti dari pengembangan frontend
Baru-baru ini, sebagai latihan, saya meminta ChatGPT membuat CSS serupa, dan hasilnya sempurna
Kemampuan CSS saya sedang-sedang saja, tetapi dengan ChatGPT saya bisa membuat output yang mendekati kualitas para ahli CSS. Seperti yang dikatakan di tulisan itu, generalis tingkat menengah kini bisa bersaing dengan pakar
Pengalaman saya cukup berbeda. Saya adalah developer backend yang rewel dan benar-benar menggunakan validasi format bila perlu, serta kesal pada hal-hal yang tidak berjalan secara logis
Karena kita berurusan dengan komputer, semuanya seharusnya logis, tetapi banyak bagian frontend sama sekali tidak terasa logis bagi saya
Kalau saya bertanya kepada orang frontend, “bagaimana cara menengahkan teks?”, mereka menjawab
text-align, padahal tentu saja itu yang pertama saya coba, tetapi tidak berhasilOrang frontend pun kadang tidak bisa langsung menjawab pertanyaan sederhana, melainkan harus mencoba sendiri lalu gagal dulu
Sekarang, kalau Copilot tidak langsung memuntahkan jawabannya, ChatGPT-4 atau GPT kustom pribadi kami yang memahami codebase kami, “front-end hacker”, akan memperbaikinya. Berfungsi dengan baik setiap hari, sepanjang hari
Saat pertama melihatnya, ini adalah trik keren yang terasa seperti teknologi alien dari masa depan
Namun seiring waktu, lubangnya mulai terlihat, dan setelah dipakai berbulan-bulan atau bertahun-tahun pun lubang itu ternyata tidak banyak tertutup
Laju perbaikannya sedang-sedang saja dibandingkan celah yang harus ditutup, terutama dibandingkan pemasaran dan retorikanya, dan akhirnya memakainya pun kadang terasa seperti pekerjaan dibandingkan tidak memakainya
Pendekatan machine learning yang murni berbasis data mungkin tidak cocok untuk masalah yang membutuhkan akurasi jauh di atas 80%
Itu baik-baik saja untuk algoritma trading yang tetap menghasilkan uang meski hanya benar 55%, mesin rekomendasi yang menampilkan daftar film atau lagu untuk digulir, hasil pencarian untuk dipindai sekilas, atau filter spam yang mengurangi kebisingan inbox
Namun masalah seperti mengatakan “ini jawaban yang benar” atau “mengemudikan mobil tanpa membunuh orang” jauh lebih sulit
Sebagian besar bahkan tidak melewati dua titik yang harus diinterpolasi, dan ketika saya menunjukkan hal itu, ia menghasilkan fungsi yang memang melewati titik-titik tersebut tetapi tidak lagi halus
Saya benar-benar mencobanya, dengan beberapa kali memulai dari awal
Jika hal seperti ini menulis kode untuk mengendalikan mesin, hasilnya akan benar-benar kacau, jadi menurut saya kita harus memilih salah satu antara dunia dengan machine learning dan dunia dengan drone pengantar robotik
Namun untuk hal sepele seperti membuat parameter fungsi dari variabel, ia melakukannya dengan cukup baik
Meski begitu, saya rasa tugas ini pun pada akhirnya akan teratasi, dan saat itu pertanyaan yang tersisa adalah apakah itu kemampuan sungguhan atau kebocoran data
Saya tidak paham kenapa orang-orang benar-benar melihat masa kini sebagai senja teknologi ini.
Dari sudut pandang saya, sepertinya kita akan segera memasuki era produktivitas kuantum dalam coding.
Saya sangat antusias karena bantuan AI bukan hanya memperbaiki apa yang saya tulis, tetapi juga membantu saya belajar sambil bekerja. Belum pernah menulis perangkat lunak terasa semenyenangkan satu tahun terakhir ini.
Saya sudah menulis perangkat lunak selama puluhan tahun, tetapi sekarang hampir selalu ada pelatih di samping saya yang membantu melewati titik buntu dan memahami pilihan-pilihan yang ada.
Ini bukan sekadar setingkat mendatangi meja rekan kerja untuk bertanya soal masalah, melainkan benar-benar memberi solusi produktif yang menginspirasi hasil.
Benar-benar menakjubkan.
Saya tidak tahu kenapa orang menganggap coding sedang menuju akhir. Saya tidak melihat bukti bahwa asisten coding berbasis kecerdasan buatan akan menggantikan developer yang cukup baik. Kecuali kalau kemampuan membuat sesuatu memang benar-benar buruk.
Rasanya seperti ada yang berkata, “Sekarang pekerjaan fondasi gratis, tapi rumahnya tetap bisa dibangun.”
Saya tetap harus membangun rumahnya, merencanakan, mendesain, membuat, memberi tahu orang-orang, mendukung, mengadvokasi, dan menjelaskannya. Hanya saja jadi lebih mudah karena saya tidak perlu membuat fondasinya sendiri.
Jika AI membuat developer dua kali lebih produktif, apakah kapasitas pengembangan tambahan itu akan diserap oleh permintaan lama dan baru? Apakah jumlah developer akan berkurang separuh? Atau jumlah developer tetap sama tetapi menerima upah yang jauh lebih rendah?
Pertanyaan seperti ini tetap muncul meskipun tidak ada satu pun pekerjaan developer yang sudah ada sepenuhnya digantikan oleh AI.
Jenis pekerjaan apa yang cocok untuk otomatisasi AI juga penting. Yang terpikir adalah pekerjaan seperti CSS, di mana dalam konteks yang sempit orang perlu mengetahui banyak detail teknis kecil untuk menghasilkan perubahan kecil pada output.
Jika Anda melakukan jenis coding seperti ini, menurut saya sudah waktunya memperluas cakupan keterampilan agar mencakup tanggung jawab yang lebih luas.
Banyak lapisan yang dulu harus dipahami coder masa lalu tidak dipahami oleh pendatang baru belakangan ini, padahal lapisan-lapisan itu masih bisa memengaruhi perilaku secara halus.
Jika seseorang sudah memprogram selama lebih dari 13 tahun di bidang teknologi web yang paling luas digunakan dalam beberapa dekade terakhir, ia bisa merasa bahwa teknologi sedang meredup karena dari tahun ke tahun makin sulit memahami seluruh stack yang menjadi sandaran web.
Di frontend, makin sulit mempelajari apa yang dilakukan seseorang hanya dengan melihat kodenya. Karena teknologi build modern, melihat kode situs tidak banyak membantu, dan keluhan seperti ini sudah ada bahkan 13 tahun lalu.
Jika punya anak atau tanggung jawab di luar pekerjaan, ditambah situasi ketika perangkat lunak terus memakan makin banyak ranah, orang-orang di luar sekolah makin sulit mengasah keterampilan lewat latihan yang disengaja.
Peningkatan produktivitas tidak otomatis berarti peningkatan craftsmanship. Ini mirip dengan industrialisasi yang meningkatkan produktivitas dan menyebarkan banyak produk, tetapi tidak menguntungkan keterampilan perajin.
Dulu, orang yang bisa menyolder komponen ke papan dan menghubungkan berbagai integrated circuit cukup umum ditemui, dan saya sendiri pernah melakukannya di kampus.
Sekarang lapisan perajin seperti itu sudah hilang, dan orang terbagi menjadi pakar yang sangat memahami cara kerja hardware komputer, atau orang yang sekadar membeli hardware lalu memperlakukannya seperti sihir.
Secara tradisional, orang menunjukkan minat dan dilatih melalui tahap menengah hingga menjadi pakar, dan hobi bisa berlanjut menjadi pekerjaan.
Sekarang, untuk bekerja di pabrik chip, itu bukan karena seseorang dulu “anak yang memegang solder”, melainkan karena ia menempuh proses akademik yang panjang. Ia mempelajari hal-hal tingkat lanjut sampai-sampai menyolder terlihat seperti zaman batu.
Dalam software masih ada lapisan perajin menengah seperti ini, tetapi lapisan itu sedang cepat menghilang, bukan hanya karena LLM.
Ada banyak orang yang merangkai situs web secara kasar hingga berfungsi, atau menangani pekerjaan sehari-hari dengan scripting Excel atau Python tetapi tidak memahami konsep tingkat lanjut.
Ketika jenis GPT muncul, para pakar jadi lebih sedikit membutuhkan bantuan junior. Alih-alih arsitek sistem menggambar kerangka lalu membagi tugas kecil kepada junior, mereka bisa mendapatkan apa yang dibutuhkan dari LLM.
Akibatnya, lebih sedikit orang yang dilatih hingga level tertinggi, dan segelintir orang itu akan menjadi jauh lebih produktif, tetapi banyak orang akan terisolasi di tengah.
Saya tidak menyangkal bahwa AI bisa menulis kode yang bagus dan menjadi lebih baik seiring waktu, tetapi saya tidak tahu bagaimana alur kerja yang membuat AI menggantikan sebagian besar developer akan berjalan
Ambil contoh pekerjaan seperti programmer junior yang menulis endpoint CRUD: waktu untuk menjelaskan requirement yang persis sesuai dengan yang saya inginkan bisa jadi lebih lama daripada waktu untuk langsung ngoding sendiri dengan bantuan alat seperti Copilot
Bisakah kita membayangkan pengguna nonteknis mengembangkan semuanya dari A sampai Z dengan AI? Jika kode yang dihasilkan punya bug, apakah bisa dianggap bahwa manusia tidak perlu ikut campur pada tahap mana pun?
Bahkan ketika orang teknis turun tangan saat ada bug, jika butuh waktu untuk menyelidiki apa yang ditulis AI dan memahami apa yang terjadi setelahnya, penghematan biaya penulisan kode akan cepat hilang
Pada akhirnya, menulis kode hanyalah bagian kecil dari pekerjaan, dan LLM memang bagus untuk menghasilkan kode tetapi pada dasarnya bukan pemecah masalah
Teknologi ini luar biasa, tetapi sepertinya akan menjadi satu alat lagi di kotak perkakas developer. Ia juga tutor yang hebat, dan untuk masalah yang berdiri sendiri seperti skrip untuk mengambil isi halaman web, ia bisa membuat kita tidak perlu memanggil developer
Namun ia bisa membuat alur kerja banyak developer jauh lebih mudah, sehingga pekerjaan bisa dilakukan dengan lebih sedikit orang atau lebih banyak pekerjaan bisa diselesaikan dengan jumlah orang yang sama
Saya juga menulis hal yang sama di bagian lain thread ini: https://news.ycombinator.com/item?id=38259425
Pada dasarnya, untuk hal-hal yang biasanya memakan banyak waktu, saya merasa ini adalah asisten serbaguna dan partner brainstorming yang sangat kuat
Tidak terbatas pada kode saja; saya juga memakainya untuk dokumentasi, misalnya memberikan informasi mentah lalu memintanya menyusunnya menjadi dokumen yang koheren, atau meminta feedback
Saat onboarding ke proyek baru, ini juga membantu untuk memasukkan potongan dokumentasi yang sulit dipahami dan meminta penjelasan
Untuk pekerjaan remeh terkait manajemen pun, saya bisa memasukkan permintaan dan sudut pandang saya lalu memintanya membuat jawaban yang disesuaikan dengan perspektif tertentu, sehingga energi mental yang terpakai lebih sedikit
Tentu hal seperti itu juga bisa dilakukan bersama orang lain di tim, tetapi mereka tidak selalu ada di samping kita dan mereka juga punya pekerjaan. Alat seperti ChatGPT tidak lelah, sehingga saya bisa dengan bebas mengeluarkan balita batin saya yang terus bertanya “kenapa?” sampai puas
Bahkan ketika bisa bertanya kepada orang lain, ChatGPT membantu saya menyempurnakan pertanyaan
Cukup berguna untuk boilerplate, pekerjaan membosankan, atau menerjemahkan algoritma yang dijelaskan manusia ke dalam kode
Ia juga bagus dalam mengubah kode dari satu bahasa ke bahasa lain, dan jika diberi instruksi dengan benar ia bisa menyelesaikan pekerjaan
Ini akan berdampak besar pada prospek kerja. Ia belum bisa menggantikan engineer, tetapi orang-orang yang terspesialisasi sebagai pakar implementasi untuk teknologi tertentu berada dalam bahaya. Peningkatan produktivitas saja sudah akan mengurangi permintaan
Dari pengalaman anekdotal saya di 98 pemerintah kota, alat-alat seperti itu tidak pernah benar-benar bertahan lama
Sebaliknya, sekarang pegawai yang punya kepekaan digital membuat dan mengotomatiskan sesuatu dengan bantuan ChatGPT
Dari perspektif pemeliharaan jangka panjang, banyak yang sama buruknya seperti RPA atau alat workflow sebelumnya, tetapi kali ini orang-orang juga bisa memeliharanya sendiri
Namun mereka bukan developer software, jadi hal seperti skalabilitas, penggunaan sumber daya, dokumentasi, dan penanganan error tidak berjalan baik
Meski begitu, kebanyakan hanya “menghemat” beberapa jam per bulan, jadi tidak cukup penting untuk melibatkan developer sungguhan; sekitar 90% saja mungkin sudah memadai
Jika digabungkan dengan peningkatan pada alat seperti SharePoint Online, pekerjaan yang sebelumnya membutuhkan developer internal atau konsultan eksternal kini bisa ditangani secara internal
Ini bukan kematian rekayasa perangkat lunak. Ia tidak akan berskala, dan dalam jangka panjang kemungkinan akan muncul masalah ketika arsitektur-arsitektur amatir harus saling terhubung
Namun jika Anda masih harus mencari di Google cara mengambil beberapa baris teks acak dari dictionary, sulit untuk mengatakan bahwa Anda tidak berada dalam bahaya
GPT menangani “program yang bisa dibuat dengan googling” dengan cukup mudah dan cukup baik, sehingga hal ini akan makin sering terjadi di industri
Dari catatan saya, terlihat bahwa saya terkesan sekaligus kecewa pada LLM, tepatnya GPT. Model-model lain terus terang tidak begitu bagus
Dalam pekerjaan sehari-hari, ia tidak banyak membantu untuk pengembangan sungguhan, tetapi ia menulis sebagian besar dokumentasi, dan melakukannya dengan sangat baik sampai terasa menakutkan
Saya juga banyak membuat code generation yang membuat type, class, dan sebagainya dari sheet pemetaan data Excel lalu menghasilkan fungsi CRUD. Dulu saya melakukannya dengan skrip CLI pendek, tetapi sekarang GPT menangani sebagian besar
Namun ia buruk dalam menangani business logic yang membutuhkan efisiensi dengan kode yang dirancang baik, dan sejauh ini belum membaik sedikit pun
Di perusahaan besar nonteknis Eropa dan industri IT serta konsultansi raksasa yang mendukungnya, ada banyak developer yang mengerjakan hal-hal yang dikuasai GPT, dan semakin baik alatnya, secara keseluruhan kebutuhan akan developer software akan jauh lebih sedikit
Yang terutama mengkhawatirkan adalah kita masih mengajarkan banyak hal yang dikuasai GPT kepada mahasiswa CS
Saya adalah penguji eksternal untuk mahasiswa CS tingkat akademi, dan GPT hampir bisa mendapat nilai sempurna pada kurikulumnya. Sebab fokusnya terutama pada memproduksi banyak kode “mudah” untuk perusahaan
Saya khawatir banyak mahasiswa akan mengalami masa sulit ketika LLM benar-benar mengakar, dan kurikulum tidak akan berubah tepat waktu. Pendidikan tinggi Denmark lambat beradaptasi dengan kenyataan dan sudah agak ketinggalan sejak 10 tahun lalu
Pernyataan bahwa “pemrograman lebih dekat dengan kesabaran, mungkin bahkan obsesi, daripada pengetahuan atau keterampilan. Programmer adalah orang-orang yang bertahan menghadapi parade rintangan membosankan tanpa akhir” menangkap dengan baik alasan untuk optimistis terhadap pemrograman berbantuan AI
Kurva awal belajar pemrograman luar biasa curam, bukan karena sulit, melainkan karena menjengkelkan
Sebelum merasa benar-benar membuat sesuatu dan maju, seseorang harus bertahan 6 bulan di tengah pesan galat aneh dan titik koma yang hilang
Kebanyakan orang menyerah lalu menganggap diri mereka “tidak cukup pintar”, padahal sebenarnya mereka tidak punya cukup kesabaran untuk melewati kubangan itu
Menurut saya LLM berdampak besar pada kurva belajar awal itu. Bahwa lebih banyak orang bisa mempelajari pemrograman dasar dan mengotomatiskan pekerjaan repetitif yang membosankan dalam hidup mereka dengan komputer adalah hal yang baik
Dalam keseharian, programmer harus menerima kebenaran buruk lebih dari profesi mana pun. Insinyur fisika, pekerja konstruksi, dan montir juga membutuhkan kebajikan ini, tetapi karena siklus umpan baliknya lebih lambat, tuntutannya tidak sesering itu
Ini mirip dengan mengatakan Google Translate membuat semua orang fasih berbahasa Spanyol
Pada akhirnya, untuk memakai ChatGPT secara efektif, kita tetap harus meninjau kode dan memahami cara kerjanya
Mengetik kode secara nyata bukanlah bagian sulit dari pengembangan perangkat lunak
Jika alat ini hanya mempercepat developer sekitar 6 bulan, menyediakan kelas ilmu komputer di sekolah lebih baik dibandingkan sumber daya komputasi yang dipakai, dan akan menghasilkan generasi engineer yang jauh lebih kuat
Proyek perangkat lunak kompleks dengan banyak pengguna pada dasarnya memiliki backlog tiket bug tak berujung yang ditinggalkan
Beberapa bulan lalu sepertinya ada bug berusia 25 tahun di Firefox yang diperbaiki
Kebanyakan compiler dan framework menumpuk tiket seperti “perbaiki pesan galat ketika X terjadi”, tetapi waktu programmer terlalu mahal sehingga tidak pernah masuk prioritas
Seiring waktu, perbedaan antara senior dan junior sering kali bukan kecerdasan atau pengalaman nyata, melainkan bekas luka yang terkumpul saat menerobos bug dan masalah kegunaan yang tidak akan terselesaikan sebelum produk mencapai akhir masa pakainya
Agar AI sepenuhnya menggantikan programmer, masih perlu beberapa terobosan besar lagi, tetapi melepasnya ke bug tracker dan membiarkannya membuat perbaikan kecil sepanjang hari sudah cukup terlihat dalam jangkauan
Jika begitu, pemrograman oleh manusia akan menjadi lebih menyenangkan dan lebih mudah dipelajari
Saya jadi teringat orang biasa yang hidup terikat oleh batasan aplikasi yang mereka pakai, dan popularitas buku-buku semacam “Automate the Boring Stuff with Python”
Jika berkat teknologi baru ini orang tidak lagi terikat oleh batasan semacam itu, itu akan cukup keren
Kode tetap merupakan artefak yang kompleks dan rapuh
LLM menulis kode hanyalah permulaan, dan bagi kebanyakan orang, low-code/no-code dengan bantuan LLM lebih ideal
Saya sedang berdebat seperti ini dengan teman yang berkecimpung di AI dan neural network
Teman saya bilang coding akan segera menjadi usang dan semuanya akan digantikan oleh pembuatan kode ala ChatGPT
Sebagai “senior engineer”, saya melihat sebagian besar pekerjaan saya adalah komunikasi, kepemimpinan dalam organisasi, benar-benar memahami kebutuhan produk, dan memahami bagaimana itu akan berinteraksi dengan sistem kami
Saya memang menulis kode, tetapi sekalipun sebagian besar dari itu diperkuat oleh pembuatan kode, sebagian besar pekerjaan saya hampir tidak akan berubah
Pekerjaan junior bukan hal-hal seperti itu, melainkan menerima isu yang terdaftar dan mengimplementasikannya. Mereka tidak diberi masalah sulit, melainkan tugas beserta kriteria penerimaannya
Jika sesuatu seperti CodeGPT di masa depan sepenuhnya menggantikan keterampilan pemrograman mereka, bagaimana jalur mereka menjadi senior 10 tahun kemudian?
Para senior saat ini akan pensiun 10–20 tahun lagi, dan ketika mereka digantikan oleh orang-orang yang benar-benar mendapat manfaat dari pembuatan kode otomatis, “coding” bisa menjadi pekerjaan yang dulu dilakukan orang tua sebelum mesin melakukannya
Jika berkat AI tim yang lebih kecil tetapi lebih mumpuni menjadi mungkin, kebutuhan akan pemimpin dan rapat akan berkurang, dan semuanya akan menjadi jauh lebih efisien
Waktu yang dulu dipakai untuk mentoring junior engineer mungkin juga harus diucapkan selamat tinggal. Karena sebentar lagi tidak akan ada junior
Menavigasi organisasi, terhubung dengan tim lain, dan berusaha memahami apa yang harus dilakukan
Kode yang saya tulis terasa seperti produk sampingan dari pekerjaan yang sebenarnya saya lakukan
Pertama, jumlah orang yang terlibat akan berkurang sehingga koordinasi menjadi lebih sederhana
Kedua, lebih banyak orang akan bisa mengakses peran koordinasi, dan kemungkinan besar peran itu akan diambil oleh kelompok pekerjaan atau tipe kepribadian yang biasanya bukan orang yang “pandai coding”
Jika mesin, misalnya, bisa menjelaskan cara kerja umum dari sesuatu yang sedang dibuat, mereka tidak lagi membutuhkan kemampuan coding yang luar biasa
Karena itu, saya memperkirakan ranah pekerjaan akan terguncang besar dan upah akan turun tajam
Tulisan ini rasanya tidak ditulis oleh programmer, dan sebagian komentarnya juga tidak terlihat seperti engineer profesional
Dalam waktu dekat, bagian mana dari pekerjaan programmer yang secara realistis bisa digantikan oleh AI?
Demi diskusi, anggap saja bagian coding bisa digantikan secara hemat biaya. Kalau begitu, apakah bagian lain juga bisa dilakukan?
Misalnya menerima requirement yang ambigu lalu memperjelasnya bersama tim desain/produk, memberi instruksi yang cukup kepada AI agar dapat membuat fitur kompleks, code review, menangani kegagalan build yang acak, mendokumentasikan fitur agar bisa dipahami programmer lain dan pemangku kepentingan, serta men-debug dan memperbaiki isu di production
Secara realistis, sebelum AI punya kemungkinan menggantikan programmer yang cukup baik secara efektif, akan ada fase panjang ketika programmer menjadi lebih efisien dengan memanfaatkan AI
Ini akan menguntungkan engineer yang berpikir lebih abstrak, dan pekerjaan pemrograman level rendah akan lebih dulu terserap
Perbaikan kegagalan build yang acak kemungkinan besar akan menyusul setelah itu
Maka pertanyaannya menjadi, berapa persen pekerjaan programmer yang bisa diambil alih, dan apakah bagian yang tersisa menuntut kombinasi skill yang berbeda
Ada programmer yang jago coding, tetapi langsung mengeluh keras ketika bisnis memberi requirement yang agak ambigu. Itu karena mereka melihat pekerjaannya hanya sebagai coding, bukan memperjelas aturan bisnis
Kelompok ini akan lebih terdampak dibanding programmer yang bersedia bekerja untuk memahami kebutuhan bisnis bahkan dalam situasi ambigu
Ia memang membuat kesalahan, tetapi kesalahan itu tampaknya berkorelasi rendah dengan kesalahan manusia
Terutama ketika Google makin tidak berguna, ia kadang tahu hal-hal yang seharusnya perlu saya cari selama berjam-jam
Secara pribadi, saya menggunakannya untuk scripting dan bantuan fungsi eksekusi
Melihat tool yang ada sekarang, rasanya masih sangat jauh
Judulnya terasa kurang cocok dengan isi tulisannya
Judulnya seolah mengatakan bahwa keterampilan bernama pemrograman akan tergantikan, tetapi artikelnya pada akhirnya berargumen bahwa ia akan berubah besar, dan intuisi saya juga lebih dekat ke arah itu
Pada akhirnya, hambatan untuk masuk sedang menurun. Apakah ini hal buruk? Dari sudut pandang egois, ya, tetapi dari sudut pandang sosial, tidak
Salah satu masalah yang dihadapi Kanada dan, sampai batas tertentu, Amerika Serikat adalah ketimpangan
Orang-orang yang bekerja di sektor jasa yang lebih “rata-rata” berpenghasilan jauh lebih sedikit daripada engineer, dan selama beberapa tahun terakhir hal itu terasa cukup tidak nyaman
Nilai sosial AI generatif terletak pada membuat kerja pengetahuan seperti hukum, kesehatan, dan rekayasa perangkat lunak jauh lebih mudah diakses oleh orang “rata-rata”
Tentu ada sisi negatifnya, tetapi membagi kekuasaan secara lebih merata tampaknya merupakan jalan yang lebih dekat ke utopia daripada elitisme yang keliru. Yang terakhir terdengar seperti jalan menuju kediktatoran
Jika upah minimum adalah upah terendah dan gaji programmer adalah upah tertinggi, Amerika akan menjadi ekonomi yang sangat setara
Jika jalur kelas menengah yang tersisa di AS diotomatisasi, itu hanya akan semakin memperlebar jurang antara kapitalis pemilik infrastruktur otomasi dan orang-orang yang terdorong ke wilayah non-otomatisasi yang makin menyusut
Itu tidak berarti keadaan mereka menjadi lebih baik
Dari sudut pandang orang berambut abu-abu yang tidak coding setiap hari, ChatGPT cukup mengesankan sebagai asisten pemrograman
Rasanya seperti punya developer junior on-call seharga 20 dolar per bulan
Bulan lalu saya butuh utilitas cepat dan kotor, lalu saya sendiri memecah masalahnya menjadi 4–5 tahap, meminta ChatGPT menulis fungsi untuk tiap tahap, kemudian saya menyatukannya
Sebagian besar berjalan lancar, tetapi satu bagian membutuhkan terlalu banyak pengarahan dan pemolesan sampai hasilnya sesuai keinginan