Agen coding AI sedang meruntuhkan hambatan bahasa pemrograman
(railsatscale.com)- Kemajuan alat coding AI menciptakan lingkungan yang memungkinkan developer masuk dengan cepat ke bahasa baru
- Penulis adalah developer yang selama 10 tahun hanya menggunakan Ruby, tetapi tahun ini berkat kolaborasi dengan agen coding AI (mis. Cursor, Claude Code), kini bisa memberi kontribusi nyata pada bahasa sistem seperti C, C++, dan Rust
- Alat seperti Claude Code dan Cursor sangat membantu terutama dalam sintaks bahasa, idiom, dan teori umum
- AI bukan generator kode, melainkan "pair engineer ahli bahasa" yang jika digabungkan dengan pengalaman yang sudah ada dapat memaksimalkan efisiensi belajar melalui pertanyaan real-time, penjelasan konteks, dan analisis contoh
- Meski AI tidak selalu memahami seluruh konteks tiap proyek atau struktur internal yang mendalam, AI tetap bisa langsung memberi saran tentang sintaks bahasa, pola umum, dan library standar, sehingga kontribusi nyata menjadi mungkin tanpa lebih dari 100 jam belajar pendahuluan
- Pemanfaatan alat AI membuat pandangan tradisional tentang keahlian bahasa pemrograman berubah dengan cepat, dan membuka lingkungan di mana makin banyak developer dapat bekerja produktif di banyak bahasa
Developer Ruby 10 Tahun, Beralih ke Multi-Bahasa
- Penulis aktif sebagai developer yang berfokus pada ekosistem Ruby dan Rails dari 2014 hingga 2024
- Selama periode itu, ia mengumpulkan pengalaman dalam pengembangan dan pemeliharaan alat inti di ekosistem Ruby seperti Rails, IRB, RDoc, dan gem debug
- Sejak 2025, ia berkontribusi pada proyek lapisan sistem di luar Ruby seperti Sorbet(C++), parser RBS(C), dan ZJIT(Rust)
- Latar belakang yang memungkinkan perubahan ini adalah adopsi agen coding AI (Cursor, Claude Code)
- Di internal Shopify pun pemanfaatan aktif alat AI ini didorong
Kombinasi Kesempatan yang Sempurna
- Bukan semata karena AI; ada beberapa kondisi penting yang juga tersedia
- Perubahan roadmap tim Ruby DX membuat dukungan RBS di Sorbet menjadi perlu → pada akhirnya pengalaman C/C++ pun dibutuhkan
- Anggota tim infrastruktur Ruby & Rails di Shopify menyediakan lingkungan berbagi know-how dan tutoring aktif
- Secara historis, mentor yang hebat dan peluang proyek nyata memang sudah ada, tetapi AI secara drastis memperpendek hambatan belajar dan learning curve
Kompleksitas Pemrograman Sistem
- Contoh proyek ZJIT (kompiler JIT Ruby baru):
- Berbagai pengetahuan/skill kompleks dibutuhkan secara bersamaan
- Rust (bahasa utama), C (bahasa implementasi inti Ruby), teori JIT/kompiler, struktur dan desain khas ZJIT, prinsip kerja internal Ruby, sistem build Ruby (autoconf, Makefile, dll.)
- Satu Pull Request dapat menyentuh 2–4 area sekaligus
- Efektivitas Claude Code
- Memiliki akurasi tinggi pada sintaks bahasa dan pola ekspresi seperti Rust/C/C++ serta teori kompiler umum
- Dukungan untuk konteks spesifik proyek, implementasi internal Ruby, dan sistem build yang kompleks agak terbatas
- Meski begitu, hambatan masuk dalam proses belajar berkurang hingga kurang dari setengahnya
- AI memberi dukungan instan untuk mempelajari sintaks bahasa/teori/pola, sementara konteks khas proyek tetap menjadi ranah manusia
Pair Programming dengan AI
- AI mulai dipandang bukan sebagai generator kode sederhana, melainkan partner pelengkap
- Pola kolaborasi nyata
- Developer menyampaikan kebutuhan tugas dan konteks
- AI mencari pola dan berperan sebagai ahli bahasa
- Developer menanyakan alasan desain
- AI memperbaiki kode atau menelusuri teori lalu memberikan hasilnya
- Melalui pembelajaran interaktif, developer mempelajari bahasa itu sendiri sekaligus cara pemakaian nyatanya
- Contoh: pada tugas profiling instruksi bytecode Ruby, AI bisa diminta menelusuri PR lama dan memberi penjelasan baris demi baris
- Bahkan "pertanyaan bodoh" pun bisa diajukan tanpa beban (mis. “Mengapa kompiler JIT membutuhkan profiling?”)
- Feedback instan untuk sintaks yang belum familiar bisa langsung diperoleh
- Ada juga contoh kegagalan
- Jika arah proyek keliru, tetap perlu koreksi dari mentor rekan kerja
- Pada akhirnya, kemampuan manusia untuk mengoreksi arah tetap esensial
Runtuhnya Hambatan Bahasa Pemrograman
- Kini bukan lagi era ketika kontribusi ke proyek C baru menuntut 100 jam belajar pendahuluan
- Bahkan bahasa dengan hambatan masuk tinggi seperti C dan Rust bisa langsung dikontribusi berkat bantuan AI
- AI dengan cepat menangkap kesalahan pemula (error sintaks, error tipe, salah paham penggunaan alat, dll.), sehingga kontribusi nyata bisa segera dilakukan
- Keahlian mendalam tetap penting, tetapi lebih banyak developer kini bisa mencapai produktivitas lintas bahasa
- Sintaks/fungsi standar/pola bisa diserahkan ke AI, sementara developer fokus pada pemecahan masalah yang sesungguhnya
- Perubahan dari developer Ruby penuh waktu seperti saya menjadi developer multi-bahasa dalam waktu kurang dari setahun adalah tren yang revolusioner
- Peralihan dari "developer yang hanya memakai satu bahasa" ke "produsen multi-bahasa" kini menjadi kenyataan
- Ini mungkin menjadi titik awal arus perubahan di mana konsep keahlian per bahasa itu sendiri akan bergeser
Kesimpulan
- Agen coding AI secara drastis menurunkan hambatan masuk bahasa pemrograman,
dan membuka era baru di mana developer dapat segera bekerja produktif dalam banyak bahasa
5 komentar
Pembuatan kode mungkin begitu, tetapi siapa yang akan melakukan pemeriksaan atau review kode...
Meski tidak bisa menulis dalam bahasa yang tidak dikuasai dengan baik, sering kali kita tetap bisa membacanya secara garis besar, jadi memang terasa bahwa waktu yang dibutuhkan jadi lebih singkat dibanding sebelumnya.
Rasanya sekarang kita bisa melangkah jauh lebih cepat daripada sebelumnya dalam teknologi yang belum pernah dicoba atau bidang yang belum pernah dialami.
Komentar Hacker News
Penasaran apakah AI benar-benar mengubah learning curve, atau cuma membuat pengalaman yang sudah ada jadi lebih nyaman
Menanggapi pengalaman seseorang yang merasa revolusioner karena setelah 10 tahun hanya memakai Ruby lalu dalam 1 tahun menjadi pengembang multi-bahasa, ada yang berpikir itu lebih seperti “hal yang memang belum pernah dicoba selama 10 tahun”
Belajar bahasa pemrograman pertama dan mempelajari bahasa baru setelah sudah punya pengalaman beberapa tahun adalah dua pengalaman yang sama sekali berbeda
Aku juga berpikir sama
Sulit berempati dengan pengembang yang selama 10 tahun hanya memakai satu bahasa
Di awal dulu, aku juga punya identitas kuat terhadap bahasa yang kupilih, tapi dari para pengembang yang benar-benar berpengalaman aku belajar bahwa “bahasa hanyalah alat”
Saat mencoba banyak bahasa, sudut pandangmu benar-benar meluas, dan ada semacam pencerahan yang sulit dijelaskan dengan kata-kata
Aku sangat bersyukur pernah mengalami itu
Menurutku pendapat bahwa “bahkan tanpa AI, dalam 1 tahun pun sebenarnya sudah cukup untuk mempelajari beberapa bahasa” itu sampai batas tertentu memang benar
Dari pengalamanku memakai o4 untuk proyek mini Python, aku menemukan beberapa kasus tepi yang menarik, dan tanpa AI banyak pekerjaan mungkin akan terhenti gara-gara itu
Misalnya cara unraid menangani xml vm, atau masalah yang muncul di dockers; kalau harus menggalinya sendiri, itu bisa makan waktu seharian
Sekarang bagian-bagian seperti ini dibimbing AI, jadi bisa dilewati jauh lebih mulus
Jadi memang agak menyeramkan, tapi benar-benar bekerja dengan baik
Sebagai catatan, bahasa pemrograman pertamaku dulu adalah BASIC versi lama
AI membuat bahasa-bahasa arus utama semakin populer
Bahasa yang paling jarang salah dipakai AI biasanya adalah Python, JS, Ruby, dan sejenisnya, yang punya komunitas besar serta dataset melimpah
Karena itu, bahasa nonarus utama tidak terlalu banyak mendapat manfaat peningkatan aksesibilitas
Sebab kebanyakan programmer tidak cukup mahir dalam bahasa nonarus utama untuk menangkap bug-bug kecil
Seperti pelajaran dari machine learning, pada akhirnya pihak yang punya data pelatihan lebih banyaklah yang diuntungkan
AI sangat kuat dalam pencocokan pola
Jika masalahnya bisa disesuaikan dengan pola yang sudah ada, AI bisa langsung memberi contoh kode yang bagus
Tapi makin kompleks atau makin unik masalahnya, AI jadi makin kurang berguna
Manusia bisa menangani konsep yang lebih abstrak dan dinamis dengan jauh lebih luwes
Orang yang memakai bahasa nonarus utama biasanya lebih mementingkan nilai selain popularitas (misalnya efisiensi, uang, pembelajaran, dan sebagainya)
Kalau yang dibutuhkan adalah popularitas bahasa, pakar bisa lebih dulu membuat banyak contoh kode yang bagus dan idiomatis, lalu AI menghasilkan berbagai variasinya sehingga hambatan masuk bisa turun drastis
Jika coding skala kecil jadi mudah, orang-orang akan makin tertarik pada bahasanya itu sendiri
LLM cenderung lebih sering ngaco pada bahasa nonarus utama
Aku sendiri pengembang Scala, dan menurutku sebagian besar diskusi tentang kegunaan AI sangat bergantung pada jenis bahasa yang dipakai
Kalau bahasanya seperti JS, mungkin memang akan terasa lebih berguna
Aku khawatir ketika bahasa atau framework baru muncul, kalau AI tidak punya dukungan yang akurat, orang-orang jadi enggan berubah
Mereka bisa merasa ketidaknyamanannya lebih besar daripada manfaatnya
Setiap ada rilis baru, dokumen MCP yang ramah AI atau materi tambahan semacam itu jadi terasa wajib
Dalam kasusku, pengalaman memakai claude dan Elm sangat positif
Berkat sistem tipe statis, akurasinya tinggi dan sangat membantu
Tentu kadang tetap ada jawaban aneh, tapi kurasa semua orang juga pernah mengalaminya
Menurutku sekarang ini praktis hampir tidak ada hambatan di antara bahasa-bahasa besar
Kalau melihat 10 bahasa yang banyak dipakai untuk pengembangan aplikasi saat ini, kebanyakan berasal dari keluarga C atau ALGOL, dengan kesamaan berupa sintaks serupa, call-by-reference, dan manajemen memori otomatis
Pengembang profesional seharusnya bisa berpindah di antara bahasa-bahasa itu tanpa terlalu banyak kesulitan
Mempelajari manajemen memori untuk pertama kali mungkin agak berat, tapi dengan pola yang sudah dikenal, warning, dan linter, itu masih cukup bisa ditangani
Bahasa yang benar-benar punya learning curve curam justru seperti Rust, Ada SPARK, Lisp, Forth, ML, dan sejenisnya, dan mereka bukan bahasa mayoritas
Aku memakai AI sebagai partner pemrograman pendamping
Aku memanfaatkan “pengetahuan luas tapi dangkal” milik AI untuk menjelajah lebih dulu, lalu memintanya saat ingin menggali area tertentu lebih dalam
Bukan untuk belajar bahasa pemrograman baru, melainkan lebih aktif kupakai untuk mempelajari konsep atau teknologi baru (misalnya backend webauthn, implementasi integrasi passkey)
Dari sudut pandang pemula pun, AI sangat membantu
Namun, ada juga saat AI memberi contoh yang salah (misalnya dependensi yang sudah deprecated), tetapi hasilnya justru membuatku memahami lebih dalam, jadi itu pengalaman yang malah bagus
Aku tidak ingin menyerahkan pengembangan aplikasi sepenuhnya otomatis kepada AI
Kesalahan-kesalahan kecil masih cukup sering muncul, jadi tetap harus ditinjau
AI sangat membantu saat mempelajari codebase Swift yang baru belakangan ini kutemui
Ia cepat menjawab hal-hal yang membuat penasaran dan mempercepat laju belajar
Meski begitu, untuk benar-benar berkontribusi secara nyata pada proyek yang kompleks, skill dan pengalaman tetap wajib
Bahkan dalam bahasa yang kukenal pun masih banyak hal yang salah; kalau bahasanya tidak kukenal, meninjaunya juga sulit
Setiap kali mendalami bahasa baru, untuk mereviewnya saja butuh banyak waktu sampai benar-benar terbiasa
Orang bilang hambatan bahasa berkurang, tapi kenyataannya masih ada contoh seperti WhatsApp berpindah ke web app alih-alih aplikasi desktop, jadi hambatannya belum benar-benar hilang
Ini mengingatkanku pada upaya lama Microsoft yang, lewat platform .Net, ingin memungkinkan satu tim berkolaborasi memakai berbagai bahasa seperti J#, Fortran.Net, Cobol#, dan lainnya
Dengan pendekatan ini, mereka bahkan pernah mempromosikan bahwa talenta #Intercal yang hebat pun bisa meningkatkan produktivitas sampai empat kali lipat
Karena AI, aku memperkirakan bahasa pemrograman akan berkembang ke arah yang dibekali sistem tipe Hindley Milner yang kuat
Haskell memang sulit dipelajari, tetapi kalau dataset-nya cukup, ini adalah target yang sempurna untuk coding agent
Ia berada di level tinggi, bisa diverifikasi secara formal, dan language server-nya juga mudah dihubungkan dengan AI
Kenyataannya justru terasa sebaliknya: Haskell malah tampak tertinggal dalam dukungan AI
Kalau suka bahasa fungsional, kita perlu memikirkan kenapa pemrograman dengan bahasa alami terasa menarik
Bahasa alami bisa mengekspresikan hasil secara ambigu, lalu mesin menambal bagian itu secara otomatis
Kalau ingin jadi inovasi sungguhan, kita mungkin butuh gaya pemrograman yang menggabungkan sistem logika kuat + ambiguitas, misalnya pendekatan berbasis logika seperti MTL
Sayangnya, riset di area ini nyaris berhenti dan jaringan saraf sekarang jadi arus utama
Dari sudut pandang LLM, Haskell kurang ramah karena punya banyak karakteristik bahasa yang cukup dalam
Sebab LLM pada dasarnya terutama menangani pola teks
Bahasa dengan fitur sederhana dan error kompilasi yang ramah (misalnya Go) lebih mudah ditangani AI
Secara pribadi aku suka bahasa dengan inferensi tipe yang bagus, tapi dari sudut pandang AI ceritanya berbeda
Aku pernah mencoba tool LSP MCP + LLM, dan rasanya agak mengecewakan
LSP sejak awal dirancang untuk pengguna manusia, jadi kecocokannya dengan AI memang tidak sempurna
LLM kuat dalam pencocokan pola, dan kalau struktur tipenya sederhana, error tipe hampir tidak muncul
Pada struktur yang kompleks, LLM bisa gagal menyelesaikannya, atau pengguna yang justru tidak bisa memahaminya
Ada juga pertanyaan apakah Haskell punya contoh verifikasi formal skala besar; namun seL4, CompCert, dan semacamnya kebanyakan berbasis C atau Coq+OCaml
Penggunaan bahasa bertipe dependen seperti Agda mungkin bisa meningkat
Tetapi jika dataset-nya terlalu kecil, transfer pengetahuan AI bisa menjadi sulit
Sebaiknya AI diperlakukan sebagai partner pair programming
Semakin banyak pengguna belajar, peran AI pun berubah: awalnya untuk penjelasan dasar dan pembuatan kode kecil, lalu berkembang menjadi diskusi tingkat lanjut + pembuatan kode unit besar, dan review kode
Seiring waktu, kita sendiri jadi bisa menemukan lebih banyak bug
Kalau AI dilihat bukan sekadar generator kode, melainkan partner dengan kemampuan yang saling melengkapi, itu benar-benar membantu
Kalau bahasanya tidak kita kenal, solusi yang diajukan AI harus ditanyai dengan teliti
Pertanyaan seperti “kenapa begini”, “kalau skenarionya berbeda bagaimana?” benar-benar sangat membantu untuk belajar
Kalau sering bertanya, AI memang membantu memverifikasi pemikiranku, tetapi setelah beberapa kali, jadi terasa sulit untuk sepenuhnya percaya
Ada baiknya juga membiasakan diri menyuruh AI mengajukan pertanyaan dengan jelas
Dengan begitu, kita bisa lebih awal menemukan bagian yang salah dipahami atau logikanya kurang kuat
Aku pernah meminta skrip bash untuk menguji kemampuan generasi kode Gemini, tetapi hasilnya ada error
Untungnya aku paham bash, jadi bisa langsung memperbaikinya; tetapi kalau itu bahasa yang tidak kukenal, rasanya sulit bilang masalah seperti ini berarti hambatan bahasa sudah hilang
Menurutku ini masalah yang khas bash
Misalnya saat aku menyerahkan otomatisasi serupa ke LLM dalam Go, hasilnya langsung bekerja sekali jalan
Menurutku ini juga tidak adil kalau dianggap masalah Gemini semata; tanpa informasi akurat tentang model AI yang dipakai, aku tidak setuju mengkritik hanya berdasarkan nama merek
Faktanya, saat disetel ke “Gemini 2.5 Pro (Jan 2025), temperature 0.15”, ia langsung menghasilkan idiomatic bash script yang sangat bagus
(contoh kode dihilangkan)
Namun, aku juga pernah mengalami masalah penanganan baris baru pada file yang diedit dengan Windows Notepad di WSL2, dan Gemini dengan ramah memberi cara mengatasinya
Yang menarik, di bash sendiri memang ada keterbatasan bahwa jika baris terakhir tidak diakhiri enter, pemrosesannya bisa bermasalah
Di PowerShell, pekerjaan yang sama hampir bisa dilakukan dengan one-liner, dan tanpa enter di akhir pun tidak masalah
Dengan bantuan Gemini, PowerShell juga bisa dioptimalkan menjadi kode yang pendek
https://ruby-news.kr/articles/…
Ringkasan dari layanan yang saya buat. Ini hasil terjemahan, dan meski mirip, GeekNews tampak lebih rapi dan enak dibaca.