Semua Teman Skeptis AI Saya Sudah Gila

• LLM, alat pemrograman berbasis AI, kini sudah menempati posisi penting di lapangan pengembangan perangkat lunak
• Banyak kenalan percaya bahwa AI hanyalah tren sesaat, tetapi penulis menegaskan bahwa di ranah pengembangan saatnya cara pandang itu diubah
• Agen coding mengotomatisasi pekerjaan yang berulang dan membosankan sehingga developer bisa fokus pada hal yang lebih bermakna
• Ada kontroversi soal kualitas, kepemilikan, dan dukungan alat untuk kode yang dihasilkan AI, tetapi sebagian besar hanya mengulang masalah yang memang sudah ada di lingkungan pengembangan saat ini
• Sikap pasif terhadap adopsi LLM tidaklah tepat, dan ini menunjukkan bahwa perubahan teknologi yang lebih penting akan segera datang

---

Pendahuluan: AI, pemrograman, dan skeptisisme

• Belakangan ini ada kecenderungan eksekutif perusahaan teknologi memaksakan adopsi alat LLM, tetapi ini adalah strategi yang keliru
• Sebagian developer cerdas di sekitar penulis menganggap AI sebagai tren sesaat seperti NFT dan tidak menanggapinya dengan serius
• Namun kenyataannya, adopsi LLM sudah memicu perubahan besar di ranah pengembangan
• Tulisan ini berfokus pada makna LLM dalam pengembangan perangkat lunak, dan tidak membahas bidang lain seperti seni, musik, atau penulisan

Agen LLM dan cara penggunaan modern

Menyamakan pemahaman: LLM masa lalu vs. agen saat ini

• Berbeda dari masa 6 bulan hingga 2 tahun lalu ketika ChatGPT atau Copilot hanya dipakai secara sederhana, kini lingkungan agen LLM yang lebih maju sedang menyebar luas
• Developer saat ini membiarkan agen menjelajahi dan memodifikasi codebase dengan leluasa, sehingga pembuatan file, kompilasi, pengujian, dan iterasi dapat diotomatisasi
  • Ini mendukung penyediaan kode dari pohon kode dan sumber eksternal, ekstraksi informasi berbasis alat Unix, interaksi Git, serta eksekusi berbagai alat pengembangan
• Logika manipulasi kode itu sendiri pada praktiknya hanyalah kode sistem yang sederhana
• Menyalin-tempel kode dari ChatGPT seperti dulu berarti belum mengalami perubahan yang sesungguhnya

Dampak positif LLM

• Kode sederhana yang berulang yang muncul di sebagian besar proyek dapat dengan mudah dihasilkan oleh LLM
• LLM unggul dalam mengumpulkan informasi tanpa perlu mencari atau membuka dokumentasi, dan bebas dari inefisiensi akibat kelelahan
• Saat sulit memulai pengembangan fitur yang diinginkan karena hambatan masuk ke bahasa atau lingkungan baru, LLM dapat sangat menguranginya
• Refactor kode uji yang sifatnya maintenance, penanganan dependensi, dan pekerjaan menyebalkan dalam pengembangan dapat ditangani oleh LLM
• Developer bisa mencurahkan lebih banyak energi ke bagian yang penting dan kreatif

Bantahan terhadap klaim “Saya tidak bisa memahami kode yang dibuat LLM”

• Wajar jika kode yang akan di-merge oleh tim dibaca langsung dan disesuaikan dengan style yang berlaku
• Kode yang dihasilkan LLM dapat diprediksi secara “algoritmis”, sehingga hasilnya bisa dipahami dan ditinjau
• Jika kemampuan meninjau kode berulang masih kurang, besar kemungkinan kode berantakan buatan developer manusia pun tidak akan mudah dipahami

Cara pandang terhadap “masalah halusinasi AI”

• Agen LLM juga menjalankan lint kode, kompilasi, dan pengujian untuk mengoreksi informasi yang keliru dan menjaga keandalan
• Dalam banyak lingkungan, masalah halusinasi sebagian besar sudah teratasi
• Untuk memanfaatkannya secara efektif, yang dibutuhkan bukan pengawasan super-rinci melainkan kepercayaan pada proses otomatisasi

Kritik bahwa “kode AI itu kualitasnya rendah”

• Biaya layanan LLM lebih murah daripada gaji intern (misalnya Cursor.ai $20 per bulan)
• Developer senior berperan meningkatkan produktivitas intern yang kurang mampu maupun kode LLM
• Kemampuan memanfaatkan agen coding, tooling, dan merancang prompt juga merupakan ranah keterampilan teknis baru
• Ada kebingungan soal “siapa mengerjakan apa”, tetapi pada dasarnya developer tetap bertanggung jawab atas arah, verifikasi, dan penilaian

Kontroversi “kinerja AI rendah di Rust”

• Batas kompatibilitas dengan bahasa atau alat tertentu adalah pekerjaan rumah bagi ekosistem tersebut
• Dalam bahasa yang ramah terhadap LLM seperti Go, tingkat pemanfaatan AI sangat tinggi
• Masalah kecocokan dengan Rust bukan batasan LLM secara keseluruhan; dibutuhkan strategi yang disesuaikan untuk tiap bahasa

Craft dan pemrograman di dunia kerja

• Tujuan pengembangan perangkat lunak adalah memecahkan masalah secara praktis
• Aktivitas yang terlalu terobsesi pada kualitas kode hingga tak perlu adalah “yak-shaving”, yang menjadi tidak efisien dalam pekerjaan nyata
• Tugas berulang dan menjengkelkan sebaiknya dilimpahkan ke LLM, sementara developer memfokuskan kemampuannya pada bagian penciptaan nilai

Menerima kebiasaan biasa-biasa saja pada kode AI (“mediocrity”)

• Tidak masalah jika sebagian besar kode tidak berada pada level yang luar biasa
• Untuk bagian penting, kualitas harus ditingkatkan; untuk bagian yang tidak penting, penghematan biaya lewat LLM justru harus dimanfaatkan
• Kode LLM lebih aman pada bagian berulang, dan dalam ranah algoritme bahkan bisa menawarkan pendekatan yang lebih luas daripada manusia

Pendapat tentang pandangan “AGI masih jauh”

• Penulis tidak terlalu peduli pada perdebatan AGI; yang penting hanyalah apakah ini benar-benar bekerja
• Patokan penilaian saat ini adalah performa nyata dan peningkatan produktivitas

Kontroversi soal penggantian pekerjaan

• Seperti halnya adopsi open source, LLM juga merupakan teknologi yang dapat memicu perubahan atau hilangnya jenis pekerjaan
• Developer perangkat lunak juga harus menyadari bahwa, seperti industri lain, mereka pun merupakan target otomatisasi
• Belum pasti apakah perubahan ini pada akhirnya bermanfaat atau merugikan, tetapi perubahannya sendiri tak terhindarkan

Isu plagiarisme/hak cipta

• AI sedang menjadi ancaman besar bagi dunia seni visual
• Pada kenyataannya, LLM juga dapat menghasilkan keluaran dalam jumlah besar yang memenuhi kualitas industri
• Sulit bagi developer perangkat lunak menjadikan plagiarisme sebagai isu utama
  • Sejak dulu developer kurang peka terhadap hak cipta dan cenderung lebih menyukai berbagi serta reproduksi daripada perlindungan kekayaan intelektual
  • Perdebatan soal penggunaan ulang sebagian kode hanyalah semacam pembelaan yang sangat spesifik

Pemanfaatan LLM terbaru dan kecepatan perubahan

• Pemanfaatan agen asinkron berbasis LLM dan pekerjaan paralel sangat meningkatkan produktivitas
• Bahkan developer hebat pun memakai LLM untuk code review dan penyempurnaan, serta merasakan manfaat nyata di lingkungan yang tidak statis
• Area yang terkait kepercayaan, seperti akses ke infrastruktur penting, tetap harus ditangani dengan hati-hati

Kesimpulan: perubahan teknologi, dan melampaui skeptisisme

• Berbeda dari para skeptis AI yang ada, penulis tetap memegang sudut pandang konservatif sambil merasakan perubahan nyata
• Ini adalah saat bagi developer perangkat lunak untuk meninggalkan bantahan lama dan menerima perubahan yang realistis
• LLM dan pemrograman berbasis AI diperkirakan akan mendorong perubahan mendasar pada struktur industri, seperti yang dulu dilakukan smartphone dan internet

[qpolsa95]

Saat membuat skrip sederhana untuk sekali pakai, ini memang jelas berguna. Sangat menghemat waktu
Juga berguna dalam kasus yang perlu diselesaikan tetapi tidak bisa diberi banyak waktu. Namun, untuk saat ini meski umumnya berguna, ini masih belum bisa sepenuhnya menggantikan manusia. Saya tidak tahu akan berkembang sejauh apa ke depannya, tetapi untuk sekarang sebagai asisten, tingkat kegunaannya lumayan bisa dipakai.

[kimjoin2]

Baik penganut AI maupun skeptis, kalau terlalu ekstrem rasanya jadi ingin dihindari.

[forgotdonkey456]

"Setiap kali melihat orang-orang berteriak 'singularitas akan datang', rasanya benar-benar melelahkan."

[GN⁺]

Komentar Hacker News

• Jika 6 bulan lalu Anda mencoba menulis kode dengan LLM lalu gagal, itu berarti caranya berbeda dari cara yang dipakai kebanyakan developer yang benar-benar serius memanfaatkan LLM. Namun saya sendiri selama ini tetap skeptis terhadap suara-suara yang terus bilang teknologinya revolusioner. Enam bulan lalu pun katanya kalau tidak pakai LLM terbaru berarti sudah ketinggalan dan tidak tahu cara memakainya dengan benar, tapi pada akhirnya semua orang seperti mengakui bahwa LLM lama itu memang kurang bagus. Rasanya seperti fenomena "anak AI datang lagi" yang cuma mengulang alasan yang sama. Kali ini juga katanya produktivitas kerja naik drastis, tetapi saya ragu atas dasar apa klaim sekarang ini bisa dipercaya sebagai sesuatu yang benar. Saya memperkirakan 6 bulan lagi orang akan bilang lagi bahwa produk LLM yang dipakai sekarang ternyata juga kurang bagus.

  • Grafik fungsi eksponensial terlihat mirip di setiap titik waktu. Selama beberapa waktu, komputer memang berkembang sangat pesat tiap tahun, bukan karena komputer yang baru dibeli itu sampah, tetapi karena teknologinya memang benar-benar maju cepat. Sudut pandang yang diajukan di sini adalah bahwa rasa lelah karena semuanya terus membaik itu sendiri justru merupakan hasil dari kemajuan yang benar-benar revolusioner.

  • Jika Anda meminta bantuan pada seorang manusia setiap 6 bulan sejak usia 0 sampai 30 tahun, kapan Anda akan mulai terkagum-kagum? Tergantung siapa yang ditanya dan tugasnya apa, momen kekagumannya bisa berbeda, tetapi seiring waktu semakin banyak orang yang pasti terkesan oleh kemampuannya. Perkembangan LLM juga terasa secepat melihat seorang anak tumbuh besar. Saya sendiri dulu tidak memakai LLM, tetapi sejak o3 dan Gemini 2.5 Pro saya memakainya terus. Kalau Anda sudah mencoba model terbaru secara langsung dan masih belum terkesan, saya yakin dalam 3 tahun Anda pasti akan takjub.

  • tptacek tidak mengatakan hal seperti ini 6 bulan lalu. LLM terus membaik seiring waktu, dan kadang bahkan menemukan terobosan pada hal-hal yang sebelumnya tidak bekerja. Enam bulan terakhir adalah titik ketika "penulisan kode berbasis agen" mulai benar-benar bekerja. Pola pikir seperti "karena setiap 6 bulan dibilang makin bagus, saya tidak akan menganggapnya serius" berisiko menurunkan kemampuan kita menilai teknologi dengan tepat.

  • Ada pendapat bahwa inti masalahnya ada pada "titik belok". Ada orang yang hanya menempelkan kode ke ChatGPT lalu tidak puas, tetapi ada juga yang mendapatkan hasil jauh lebih baik dari agen yang bisa melihat seluruh konteks kode. Pada akhirnya, bukan hanya LLM tertentu yang penting, tetapi juga perbedaan alur kerja.

• Saya suka argumen Thomas, tetapi menurut saya di dalamnya juga ada kekeliruan mendasar yang sering dilakukan banyak orang. Programmer yang mahir perlu waktu dan pengalaman panjang untuk bisa menggunakan LLM dengan baik, dan Thomas sendiri juga membangun keahlian itu seiring waktu. Tetapi kita mungkin adalah generasi terakhir yang tumbuh tanpa bantuan LLM. Pertanyaannya, bagaimana pemula yang baru lulus sekolah bisa keluar dari sekadar "vibe coding" dan membangun kemampuan nyata? Dulu orang berkembang dengan membuat sesuatu secara langsung dengan tangan mereka sendiri, tetapi sekarang ada risiko kita menyerahkan seluruh rancangan dan perakitan kepada robot, sehingga tidak pernah benar-benar belajar bagaimana alat atau material itu bekerja. Sampai-sampai beban atap pun hanya bisa dipahami lewat "feeling".

• Ada pendapat bahwa keunggulan agen AI benar-benar terlihat ketika seorang ahli bisa membaca kode dari LLM, memahaminya, dan mengintegrasikannya ke dalam codebase. Tetapi jika semua orang menulis kode dengan AI, lalu bagaimana kita akan membina "editor" sungguhan yang mampu membaca kode yang makin rumit, mengidentifikasi risiko, tahu bagian mana yang harus diuji dan bagaimana caranya, serta bisa memetakan struktur seluruh codebase di kepala? Kemampuan yang dibutuhkan editor saat ini umumnya hanya bisa diasah lewat menulis kode sendiri selama bertahun-tahun. Jika pemula mengalihdayakan proses berpikir, mereka kehilangan kesempatan untuk membangun kemampuan itu. Ada juga kekhawatiran dari mana nantinya para ahli akan muncul. Dari sudut pandang seorang profesor, keadaan sekarang sudah pahit karena PR dan tugas bisa lolos begitu saja lewat LLM tanpa banyak pemikiran. Rasanya kita perlu cara baru untuk mengembangkan kemampuan, tetapi belum terpikir apa bentuknya, dan masih menjadi tanda tanya bagaimana pemula bisa tumbuh menjadi ahli di dunia seperti ini.

  • Ada sanggahan: kalau semua orang hanya pakai kalkulator, lalu bagaimana belajar matematika? Argumennya adalah murid harus diberi cukup latihan manual dan memahami esensinya terlebih dahulu, baru setelah itu LLM diperkenalkan seperti kalkulator.

  • Ada yang bilang ini mengingatkan pada cerpen Isaac Asimov "Profession". Dalam cerita itu, kebanyakan orang menerima kemampuan dan pekerjaan langsung dari komputer, sehingga mereka bisa bekerja dengan baik tetapi sama sekali tidak mengembangkan inovasi atau kreativitas. Justru hanya segelintir orang yang tidak cocok dengan teknologi itulah yang benar-benar belajar, dan menjadi satu-satunya kelompok yang mampu memajukan dunia seni.

  • Dalam pengalaman saya, LLM lebih mirip pair programmer, dan bagi pemula ia berperan seperti engineer senior. Bukan hanya menghasilkan kode, tetapi juga sangat bagus sebagai tutor yang menjelaskan prinsip dan proses. Bagi senior, manfaatnya beragam: code review, brainstorming ide, menangani boilerplate, dan lain-lain. Dari sudut pandang ahli, kita bisa fokus sendiri pada 10% pekerjaan yang sulit, lalu mendelegasikan sisanya yang sederhana ke LLM sehingga hemat waktu. Jika pemula tidak punya minat atau rasa ingin tahu dan hanya menyalin kode mentah-mentah, itu masalah developernya sendiri; bagi orang yang benar-benar ingin belajar, LLM adalah sumber belajar kelas atas. Dalam hal itu, justru sekarang adalah zaman paling menguntungkan bagi pemula.

  • Seluruh thread ini terasa seperti menampilkan tahapan psikologis klasik: "masalah itu tidak ada — ya ada sih, tapi sepele — oh, ternyata memang ada, mari beradaptasi". Rasanya ini menyentuh salah satu masalah inti yang sesungguhnya.

  • Saya juga setuju bahwa jika pemula sepenuhnya bergantung pada LLM untuk berpikir, kemampuannya sulit berkembang. Namun, saya sendiri terus belajar hal baru lewat LLM. Saya memberi soal pada API yang hanya saya pahami secara samar, lalu membaca hasilnya untuk memahami konsep, dan biasanya saya bongkar lalu refactor lagi kodenya. Beberapa hari lalu saya penasaran dengan cara kerja internal signal, lalu LLM memberi contoh dan kami menganalisisnya bersama. Kalau ada rasa ingin tahu, ia bisa menjadi tutor yang luar biasa. Junior tidak seharusnya hanya "coding ikut suasana"; yang penting adalah sikap aktif untuk belajar. Kalau tidak, itu tanggung jawab dirinya sendiri. Dalam kenyataan yang sudah tidak bisa dibalikkan ini, selama ada rasa ingin tahu, jalan untuk berkembang tetap terbuka lebar.

• Saya benar-benar mencoba banyak kasus belakangan ini dengan sesuatu seperti agen Claude 4: codebase C besar (fitur baru, bug fix), proyek Rust kecil, frontend kecil, frontend baru dengan dokumentasi API dasar, dan sebagainya. Di semua kasus hasilnya gagal total. Ia salah mengambil diff, mengirim argumen yang salah ke tool, gagal pada fungsi dasar, melakukan refactor aneh sampai ratusan baris, dan meninggalkan refactor yang tidak selesai sehingga codebase jadi berantakan. Pada framework JS yang datanya banyak seperti Svelte dan solidJS pun hasilnya buruk. Saya benar-benar tidak paham apa kekuatan nyata agen yang dipuji-puji orang ini, malah kesannya seperti pemasaran yang berlebihan.

  • Ada yang bertanya bagaimana cara menulis prompt-nya. Biasanya kalau satu fitur dipecah menjadi unit kerja kecil yang lebih rinci lalu diminta ke LLM, hasilnya jauh lebih baik. Tugas individual (sekitar 10–200 baris) bisa dijalankan dengan baik, tetapi di atas itu biasanya perlu pekerjaan lanjutan dan kekecewaan berulang. Pada level sekarang, otonominya seperti intern cerdas tetapi belum berpengalaman. Rancangan menyeluruh dan perencanaan tingkat tinggi tetap harus dilakukan manusia.

  • Ada hipotesis bahwa orang-orang yang mempromosikan agen sebenarnya juga hanya menghasilkan spaghetti code, tetapi mereka tidak peduli karena merasa produktivitasnya naik. Sangat sedikit contoh sukses nyata yang dibuka secara spesifik lengkap dengan tool dan metodenya, padahal AI ini seharusnya juga bisa mendokumentasikan itu, tetapi nyatanya tidak.

  • Banyak tulisan tentang agen terasa seperti materi promosi. Terlalu banyak uang masuk ke pasar AI, dan mengingat contoh-contoh pemasaran sebelumnya saya jadi makin sulit percaya. Saya sendiri sudah mencoba berbagai produk agen, tetapi peningkatan nyatanya kecil. Di HN justru banyak pesimis yang takut pada AI, jadi kalau debatnya ramai malah terbentuk suasana bahwa masalahnya pasti di pengguna. Ada juga pengguna yang bilang, "AI baru bisa benar-benar dirasakan kalau Anda menghabiskan 1000 dolar," dan itu terasa seperti iklan.

  • Jika perubahan yang dilakukan LLM dibatasi pada kode kecil, satu file, atau unit di bawah 50 baris, pengelolaannya jadi lebih mudah.

• Sebagai orang yang belajar coding sejak tahun 90-an, saya merasa takjub hanya karena sekarang kita bisa memberi input yang samar dan ambigu ke komputer lalu tetap mendapat hasil yang bermakna. Dunia di mana ambiguitas setingkat manusia bisa menghasilkan output yang jelas dan berguna terasa seperti fiksi ilmiah.

  • Sebaliknya, sering juga terjadi bahwa meskipun kita memberi input yang sangat jelas, komputer malah menafsirkannya secara ambigu menjadi bentuk yang lebih mudah diselesaikannya sendiri.

  • Saya justru merasa ambiguitas LLM itulah yang menarik untuk percakapan berbasis dokumen. Kita tidak perlu berkali-kali mengubah kata kunci pencarian demi menemukan informasi yang diinginkan, dan secara keseluruhan itu menghemat banyak waktu.

  • Ini benar-benar zaman yang menakjubkan; saya merasakan kekaguman akan kenyataannya sekali atau dua kali setiap minggu.

  • Saya penggemar Star Trek: The Next Generation, dan dulu sering terpesona membayangkan perbedaan antara komputer di Enterprise dan Data. Komputer Enterprise mirip AI masa kini: bisa mengatur pengetahuan, merangkum, dan mengeksekusi tugas, sedangkan Data adalah robot dengan kemampuan individual. Fakta bahwa Data punya keterbatasan pada humor, seni, dan wilayah emosi manusia terasa mirip dengan AI art saat ini. Ini juga membangkitkan kenangan tentang pengaturan dan perkembangan halus di awal serial itu.

  • Saya masuk ke industri ini karena bisa memberi instruksi yang jelas kepada mesin dan mendapatkan hasil yang tepat sesuai keinginan. Dijkstra sejak lama sudah menekankan ambiguitas bahasa manusia, dan pentingnya "bahasa formal" yang lahir untuk mengatasinya. Namun pada akhirnya, di tahun 2025 kita malah masuk ke zaman "prompt engineering/vibe coding" di mana kita harus berdebat dengan komputer sambil memperbaiki formulasi. EWD667: The Humble Programmer layak dibaca.

• Saya penasaran apakah orang-orang yang mengklaim kemampuan tanpa batas dari AI generatif bisa menunjukkan bukti nyata. Kalau GAI atau agen memang sekuat itu, seharusnya itu bisa dibuktikan dengan mendirikan perusahaan hanya dengan AI dan menghasilkan kode berkualitas sangat tinggi dalam waktu singkat. Tetapi kita tidak melihat tanda-tanda seperti itu. Sejauh ini penggunaan yang paling berguna tetaplah menghasilkan teks atau seni yang bisa membuat manusia keliru menganggapnya bermakna. Dari pengalaman startup yang mencoba memakainya di pekerjaan nyata, kadang-kadang ia berguna untuk menjelajahi API atau mencari informasi dengan nyaman. Namun secara keseluruhan, waktu yang terbuang justru lebih besar. Sekarang sudah waktunya orang berhenti hanya bilang "AI itu bagus" dan mulai menunjukkan hasil yang murni dibuat AI secara langsung.

  • Ada yang melihat ini sebagai perbedaan sudut pandang. Selalu ada ambang antara perubahan yang layak dilakukan (yang hasilnya sepadan dengan usaha) dan hal-hal yang dibiarkan menumpuk di backlog; tool AI menurunkan biaya ambang itu sehingga lebih banyak pekerjaan bisa dicoba. Karena itu, pihak yang bilang "produktivitas 5x" menekankan bahwa volume kode yang benar-benar dikerjakan memang meningkat, sementara pihak skeptis menilai nilai bisnis intinya tidak banyak berubah. Disarankan juga membaca Paradoks produktivitas AI.

  • Ada yang bertanya bukti konkret seperti apa yang sebenarnya ingin dilihat. Apakah yang diminta itu kemampuan tanpa batas, atau cukup pembuktian bahwa ia berguna secara realistis? Ditekankan bahwa secara praktis tidak ada yang mengklaim LLM sebagai alat serba bisa yang sempurna, dan bahwa alat ini berguna ketika dipakai oleh orang yang memahami batasan serta kekuatannya dengan benar. Contohnya, histori commit terbaru seperti cloudflare/workers-oauth-provider juga diajukan sambil bertanya, setidaknya Anda bisa mengakui bahwa ini "sedikit banyak berguna", bukan?

  • Nyatanya banyak orang sudah memakai kode buatan LLM dalam pekerjaan mereka sendiri. Ada yang berbagi pengalaman bahwa PR berbantuan LLM sudah masuk ke production selama berbulan-bulan. Jika Anda masih belum menemukan manfaatnya, mungkin Anda belum belajar cara memanfaatkannya dengan benar.

  • Saat melihat orang-orang yang seolah mengiklankan bahwa LLM tidak begitu efektif, rasanya seperti melihat pemasaran sedang bekerja di lapangan. Dulu saya percaya beberapa perusahaan itu, tetapi belakangan agak kecewa karena mereka terlalu condong ke promosi AI. Kalau memang ada manfaat nyata, semestinya tinggal coba sendiri dan rasakan.

  • Ada analogi "penjual beliung saat demam emas". Yang disindir adalah struktur pemasaran yang bukannya membuktikan efektivitas alat secara langsung, melainkan hanya meyakinkan orang bahwa ada tambang emas di sana.

• Ada kritik terhadap sikap yang mengabaikan masalah lisensi kode Github. Sebagian developer bilang "sudahlah, jangan ribut soal hak cipta," tetapi menganggap semua programmer sebagai kriminal yang terbiasa melanggar hak cipta adalah generalisasi yang keliru. Banyak developer, termasuk saya, tidak ada hubungannya dengan pembajakan besar-besaran, bahkan justru berusaha menjaga semangat copyleft dan open source. Saya bisa melihat SciHub sebagai kepentingan publik, tetapi tetap berpandangan bahwa copyleft yang dimaksudkan oleh developer individual juga harus dihormati. Hak cipta bukan soal hitam-putih pro atau kontra. Menyapu bersih keragaman dan konteks seperti ini sambil membenarkan pengabaian lisensi justru merupakan kemalasan intelektual.

  • Programmer sering kali kurang memahami hukum, terutama common law gaya Amerika. Tradisi hukum sudah lama ditulis dengan asumsi bahwa manusia akan menafsirkannya secara rasional, dan meskipun tool AI dirancang untuk menyebarkan atau menghindari tanggung jawab, pada akhirnya hukum akan menemukan orang yang harus bertanggung jawab lalu menghukumnya. Realitas setelah ledakan AI kemungkinan begini: 1) perusahaan dan negara mencoba menyebarkan tanggung jawab, 2) terjadi insiden efek samping seperti kecelakaan mobil, algoritme diskriminatif, kebocoran data, dan sebagainya, 3) pengadilan mengembalikan tanggung jawab kepada manusia lalu menjatuhkan denda atau hukuman, 4) perusahaan lain merasa risih terhadap risikonya lalu membatasi AI. Dalam arus seperti itu, tool AI pada akhirnya hanya bisa bertahan di dalam lingkup tanggung jawab manusia.

  • Saya sudah lebih dari 25 tahun menjadi developer perangkat lunak bebas dan menikmati berbagai lisensi. Pasangan saya juga seorang sutradara dan seniman visual, tetapi saya sama sekali tidak mau menyentuh konten terkait AI dan menganggapnya sampah. Saya ingin menegaskan bahwa saya memang tidak mau berurusan dengannya.

• Menurut saya tantangan seperti Konwinski Prize menarik: jika open source LLM bisa menyelesaikan lebih dari 90% novel Github issue, hadiahnya 1 juta dolar. Lihat kompetisi Konwinski Prize. Saat ini bahkan model terbaik pun skornya baru 0,09, jauh dari 0,9, jadi untuk penggunaan dunia nyata masih sangat jauh. Walaupun open source sedikit di bawah model komersial dalam hal performa, tetap saja menulis kode secara mandiri dengan LLM saat ini nyaris mustahil. Ia banyak menghasilkan sampah, tetapi tetap ada gunanya karena perlu dievaluasi dan dikelola.

  • Pada dasarnya LLM hanyalah versi tab-autocomplete yang menambah beban kognitif.

• Meskipun AI mengambil alih pekerjaan coding boilerplate yang berulang, sekarang yang berulang justru review kode AI yang membosankan; tetap tidak menyenangkan, waktunya mirip, dan pemahamannya malah lebih rendah.

  • Orang-orang yang mendukung pengembangan AI tampaknya pada akhirnya memang lebih suka code review daripada coding. Itu mungkin soal selera pribadi, tetapi bagi saya sendiri itu terasa menyiksa.

  • Tepatnya, review kode dalam jumlah besar biasanya tetap memakan waktu lebih sedikit daripada menulisnya sendiri. Terutama jika kodenya lolos test, dan karena test code juga bisa dibuat oleh LLM, bebannya pun berkurang.

  • Claude, Gemini, dan sejenisnya jauh lebih cepat daripada saya coding sendiri, dan bahkan jika saya melihatnya dua kali pun waktu yang dibutuhkan tetap lebih sedikit dibanding menulis langsung.

  • Dulu kita menulis kode untuk pekerjaan repetitif ala "mencukur bulu yak", sekarang realitasnya adalah meninjau hasil cukur "yak" yang malas dibuat AI.

  • Secara keseluruhan, emisi energi/karbon yang lebih besar tidak terhindarkan.

• Ada juga pembahasan tentang machine translation dan speech recognition. Dari sudut pandang seseorang yang hampir tuli, saya memakai teknologi ini sepanjang hari. Dulu saya tidak bisa menikmati drama tahun 80-an tanpa subtitle, tetapi sekarang saya bisa memakai LLM seperti Whisper untuk mendapatkan subtitle dari video, dan benar-benar merasakan keajaiban bahwa hal yang dulu hanya bisa dibayangkan kini jadi nyata.

  • SOTA terbaru untuk speech recognition dan translation memang masih didominasi model khusus satu tugas, tetapi jaraknya cepat menyempit, dan LLM bisa menangani jauh lebih banyak jenis pekerjaan. Contohnya bisa dilihat di leaderboard speech recognition, dan LLM membuka kemungkinan yang jauh lebih luas.

  • Selama bertahun-tahun saya mencoba berbagai speech recognition seperti Dragon, dan semuanya memang mengesankan tetapi tidak nyaman dipakai sehari-hari. Kombinasi Whisper dan LLM adalah titik pertama ketika manfaat nyatanya benar-benar terasa. Masih belum sempurna, tetapi pekerjaan penyuntingan manual berkurang menjadi sepersepuluh, sampai-sampai untuk catatan pribadi saya sekarang bahkan tidak memverifikasinya lagi.

  • Saya tetap belum akan mengandalkan terjemahan LLM saja untuk pekerjaan yang benar-benar berisiko tinggi, misalnya kontrak kerja lintas negara atau pernyataan ke polisi. Dulu speech-to-text memang sudah ada, dan meskipun kemajuannya terasa nyata, penggunaannya masih sebatas hal-hal sehari-hari dan berisiko rendah; masih jauh dari level negosiasi antariksa ala novel sci-fi.

  • Saya juga merasa perkembangan teknologi belakangan ini benar-benar sedang mewujudkan janji-janji yang dulu saya lihat di genre sci-fi saat kecil. Beberapa hari lalu, di kota yang asing bagi saya, saya memotret menu restoran, mengekstrak tulisan tangan bahasa Mandarin, menerjemahkannya langsung ke bahasa Inggris, lalu bahkan belajar cara mengucapkan menu yang saya inginkan untuk memesan. Saya yakin 2 tahun lalu hal seperti ini belum mungkin.

  • Menurut saya, terjemahan justru adalah bidang penggunaan LLM yang sempurna. LLM mampu mencerminkan konsep sosial, konteks budaya, budaya populer, referensi langka, dan lain-lain, lalu menghasilkan berbagai versi terjemahan yang sesuai untuk banyak bahasa dan budaya. Saya yakin ia sudah jauh melampaui terjemahan tradisional.