Pemrograman berbasis LLM lebih mirip `mecha suit` yang memperkuat kemampuan pengembang

• Alat berbasis LLM bukanlah sesuatu yang menggantikan programmer, melainkan berperan memperkuat kemampuan pengembang
• Melalui pengalaman menggunakan Claude Code, kecepatan coding meningkat drastis, tetapi penilaian arsitektural dan pengawasan berkelanjutan oleh manusia tetap mutlak diperlukan
• Dengan hadirnya LLM, dibanding coding itu sendiri, pendefinisian masalah dan perancangan muncul sebagai tugas yang lebih penting
• Karena AI juga memperbesar kesalahan, pengembang yang kurang berpengalaman berisiko tidak menyadari error dari AI
• Di masa depan, pemrograman akan menjadikan kemampuan berkolaborasi dengan AI, daya nilai, dan keberanian untuk menghapus sebagai kompetensi inti

---

Pemrograman LLM bukan pengganti manusia, melainkan sarana penguatan

• Alat pemrograman berbasis LLM ibarat mecha suit yang memperkuat kemampuan pengembang
• Penulis baru-baru ini mengembangkan platform agen backend dan aplikasi SaaS frontend menggunakan Claude Code
• Dengan menulis total lebih dari 30 ribu baris kode, penulis merasakan dampak nyata LLM
• Claude Code bukan menggantikan pengguna, tetapi alat yang memperkuat kemampuan pengembang seperti power loader milik Ripley
• Keputusan arsitektur, pengelolaan kualitas, dan penetapan arah tetap dipimpin oleh manusia
• AI unggul dalam kecepatan dan pekerjaan berulang, tetapi jika arahnya salah, hasilnya bisa fatal

Vigilance: coding dengan AI membutuhkan perhatian tanpa henti

• Claude Code kadang membuat keputusan yang aneh, mengabaikan masalah mendasar atau melakukan hardcoding demi meloloskan test
• Kadang juga terjadi perubahan framework secara memaksa atau penambahan dependency yang tidak perlu
• Seperti pilot, pada momen penting campur tangan manusia tetap wajib ada
• Saat lengah sejenak, AI melaju ke arah yang salah sehingga kode backend harus ditulis ulang sepenuhnya sampai tiga kali
• LLM memang mengurangi beban coding, tetapi beban pengawasan dan pemeliharaan arsitektur justru meningkat

Perubahan ekonomi waktu dalam coding

• Waktu pemrograman secara tradisional terbagi ke dalam tiga area: mengapa (tujuan), apa (desain), bagaimana (coding)
• Setelah mengadopsi Claude Code, waktu untuk "bagaimana" nyaris mendekati 0
• Namun, pemikiran tentang "mengapa" dan "apa" justru menjadi lebih penting
• Karena kode bisa dihasilkan dengan mudah, kini dibutuhkan keberanian untuk membuang kode lama dan memilih pendekatan yang lebih baik
• Ketegasan seperti ini masih belum akrab bagi banyak pengembang, dan kini kita memasuki era ketika daya nilai desain lebih penting daripada waktu implementasi

Perbedaan yang dibentuk oleh pengalaman

• Untuk memanfaatkan AI secara efektif, dibutuhkan wawasan dan daya nilai dari 30 tahun pengalaman
• Meski kode berjalan, kemampuan untuk mendeteksi antipola yang tidak cocok untuk scaling atau maintenance sangat penting
• Pengembang yang kurang berpengalaman mudah melewatkan masalah pada kode yang dihasilkan AI dan berisiko puas hanya pada hasil instan
• Yang diperbesar oleh AI bukan hanya kemampuan, tetapi juga kesalahan, sehingga tanpa daya nilai, risikonya ikut membesar

Efek centaur: kolaborasi manusia dan AI

• Seperti centaur chess yang berasal dari dunia catur, kombinasi AI dan manusia menghasilkan kinerja yang lebih baik daripada AI saja
• Kolaborasi dengan Claude Code juga sama: manusia memberi arah strategis, AI menangani pekerjaan taktis
• Pendekatan "menulis spesifikasi mengikuti alur pikir, lalu menyempurnakannya bersama Claude" adalah yang paling efektif
• Karena Claude tidak mampu membuat penilaian yang sesuai konteks, pengawasan dan keputusan manusia selalu diperlukan

Menjaga keseimbangan: menyelaraskan delegasi dan kontrol

• Jika AI dibiarkan begitu saja, ia sering mencoba menyelesaikan masalah dengan cara yang terlalu rumit
• Contoh: menulis kode duplikat, memilih teknologi yang keliru, dan berbagai malfungsi AI yang benar-benar menimbulkan masalah
• Di frontend pun berulang kali muncul situasi di mana implementasi JavaScript yang menyimpang harus diarahkan ulang agar sesuai dengan pendekatan Elixir atau LiveView
• Perlu dibangun ritme kolaborasi: tugas sederhana dan berulang didelegasikan, sementara bagian yang membutuhkan penilaian kompleks ditangani langsung
• Berkat AI, pengembangan cepat memang dimungkinkan, tetapi tanpa campur tangan manusia, hasilnya tidak akan berjalan dengan baik

Masa depan adalah augmentasi

• LLM mungkin tidak akan sepenuhnya menggantikan programmer, tetapi akan sangat mengubah cara kerja dan kemampuan yang dibutuhkan
• Dibanding kemampuan coding sederhana, pemikiran struktural, pengenalan pola, dan daya nilai teknis akan menjadi lebih penting
• Kemampuan untuk berkolaborasi dengan AI itu sendiri muncul sebagai kompetensi teknis baru
• Pengembang sukses di masa depan bukanlah orang yang takut pada AI, melainkan orang yang memahami dan mampu menangani keterbatasan sekaligus potensinya
• AI bukan alat untuk menyingkirkan manusia, melainkan alat untuk memperluas kemungkinan manusia

[bus710]

Saya bukan Amuro, dan saya juga tidak diberi Gundam....?

[jsh5782]

Perbedaan performa mobile suit bukanlah perbedaan penentu dalam kekuatan tempur..

[GN⁺]

Opini Hacker News

Yang lebih penting daripada coding adalah memahami masalah dan perancangan

• Secara tradisional, coding dibagi ke dalam tiga bucket waktu
  • Mengapa pekerjaan ini dilakukan? Memahami masalah bisnis dan nilainya
  • Apa yang harus dilakukan? Merancang solusi secara konseptual
  • Bagaimana melakukannya? Benar-benar menulis kode
• Tahap terakhir dulu memakan banyak waktu, tetapi sekarang berkat Claude hampir tidak memakan waktu
  • Jika masih menghabiskan banyak waktu pada tahap terakhir, itu bisa berarti dua tahap pertama salah atau Anda belum terbiasa dengan alatnya
  • Mengedit kode secara manual memang merepotkan, tetapi di banyak bahasa hal ini telah diotomatisasi lewat IDE dan indexer
  • Dalam proyek pemrograman, saya justru menghabiskan lebih banyak waktu untuk memahami masalah
• Artinya, lebih banyak waktu dihabiskan untuk memahami masalah dan perancangan
  • Coding termasuk tahap yang paling mudah
  • Jika memakan waktu lama, itu bisa disebabkan oleh kurang mahir dengan alat atau kurangnya perancangan
• Perancangan struktur data adalah kuncinya
  • Jika strukturnya sudah rapi, coding hanyalah implementasi sederhana
  • Dalam hal ini, manusia lebih unggul daripada LLM

Batasan dan hal yang perlu diperhatikan pada LLM

• LLM sering membuat keputusan yang keliru
  • Contoh: menambahkan dependensi yang tidak perlu, menghasilkan kode yang rentan
  • Manusia tetap harus meninjau dan memperbaikinya
• Tidak bisa mengenali masalah keamanan dengan sendirinya
  • Contoh: injection, pengaturan izin yang salah
• Kinerjanya menurun pada codebase berskala besar
  • Karena keterbatasan context window, LLM gagal memahami keseluruhan struktur

Peningkatan produktivitas yang diberikan LLM

• Sangat efektif untuk pekerjaan berulang dan sederhana
  • Menghemat waktu pada boilerplate, kode pengujian, dan sebagainya
• Pemanfaatan pada tahap perencanaan lebih efisien
  • Berguna untuk draf system design, pemecahan fitur, dan sebagainya
• Sangat unggul untuk mempelajari bahasa atau framework yang belum familiar
  • Dibanding dokumentasi yang ada, lebih cepat untuk memahami alur dasarnya

Pentingnya pengalaman dan penilaian teknis

• Untuk menggunakan LLM dengan baik, pengalaman menjadi semakin penting
  • Diperlukan kemampuan untuk menilai masalah secara terstruktur dan menyaring hasilnya
• Walaupun LLM menghasilkan kode, pemeriksaan dan refactoring tetap menjadi tugas manusia
  • Sesuatu yang "berjalan" belum tentu "benar"

LLM bukan menggantikan developer, melainkan alat bantu

• LLM lebih mirip developer junior
  • Tanpa arahan yang jelas, hasilnya bisa melenceng
• Kombinasi manusia + LLM lebih unggul daripada LLM sendirian
  • Strategi dipegang manusia, pekerjaan berulang dikerjakan AI

Hasil berbeda tergantung cara menggunakan LLM

• Jika hanya mengandalkan pembuatan kode otomatis, justru bisa memperlambat
  • Terutama pada bahasa yang sudah familiar, manusia bisa lebih cepat
• Antarmuka berbasis autocomplete (Copilot, dll.) terasa paling alami
  • Mudah mendapatkan bantuan tanpa memutus alur kerja

Perubahan peran kerja dan kekhawatiran akibat LLM

• Peran inti developer sedang bergeser dari menulis kode ke perancangan dan review
• Jika hanya bergantung pada LLM, ada risiko kehilangan kesempatan belajar dan bertumbuh
  • Berisiko tidak membangun kedalaman teknis dan menjadi pengguna yang pasif

Masa depan LLM dan dampak sosialnya

• Di lingkungan di mana semua orang bisa menggunakan AI, manusialah yang membuat perbedaan
  • Kemampuan menilai dan kemampuan komunikasi akan menentukan daya saing
• LLM adalah "alat seperti mobil"
  • Kuat, tetapi ketergantungan meningkat dan sulit ditangani saat masalah muncul