Cara tiap tim di Anthropic memanfaatkan Claude Code

• Berbagai divisi di Anthropic (infrastruktur data, pengembangan produk, keamanan, inferensi, data science, pemasaran, desain, rekayasa RL, hukum, dan lainnya) mengadopsi Claude Code dan mengalami perubahan inovatif dalam otomatisasi proyek kompleks, peningkatan efisiensi kerja, dan perluasan pekerjaan untuk non-developer
• Pemulihan gangguan Kubernetes, onboarding karyawan baru, pemantauan data skala besar, dan otomatisasi alur kerja non-developer di tim keuangan adalah contoh bagaimana Claude Code benar-benar mendorong penyelesaian masalah dan peningkatan produktivitas
• Melalui prototyping cepat, penelusuran codebase, pembuatan pengujian otomatis, dan otomatisasi tugas berulang, tim berhasil mencapai penghematan waktu 2–4x dibanding sebelumnya, serta peningkatan kecepatan dan kualitas pengembangan
• Divisi non-teknis seperti desain, pemasaran, dan hukum pun kini dapat membuat otomatisasi kompleks dan tool sendiri tanpa resource engineer, lewat agen kustom dan integrasi seperti Figma/Google Ads/Meta Ads
• Tiap tim membagikan tip penggunaan utama: dokumentasi Claude.md, checkpoint berulang, prompt yang spesifik, feedback visual, dan berbagi workflow di dalam tim

---

Ikhtisar

Anthropic menerapkan Claude Code di berbagai tim internalnya sehingga developer maupun non-developer dapat mencapai terobosan produktivitas dalam menangani proyek kompleks, mengotomatisasi tugas berulang, dan mempersingkat kurva belajar. Artikel ini membahas secara mendalam bagaimana 10 divisi benar-benar memanfaatkan Claude Code, beserta cara pakai yang efektif di tiap tim, hal-hal yang perlu dipertimbangkan saat adopsi, dan tip penggunaan.

---

Tim Data Infrastructure: Memanfaatkan Claude Code untuk infrastruktur data

Contoh penggunaan utama

• Debugging Kubernetes
  • Saat terjadi gangguan pada cluster Kubernetes, tim memasukkan screenshot dashboard ke Claude Code untuk mendapatkan panduan jalur masalah di Google Cloud UI dan saran perintah yang dibutuhkan untuk penyelesaiannya
• Workflow berbasis teks biasa untuk non-developer
  • Non-developer seperti tim keuangan cukup mendeskripsikan alur data dalam teks biasa, lalu Claude Code membantu mengeksekusi workflow secara otomatis, menanyakan nilai input, dan menghasilkan output Excel
• Penelusuran codebase untuk karyawan baru
  • Data scientist baru menggunakan Claude Code untuk memahami dokumentasi Claude.md dan struktur codebase, termasuk penjelasan dependensi pipeline data dan lokasi sumber dashboard
• Ringkasan dokumentasi otomatis setelah sesi berakhir
  • Di setiap akhir pekerjaan, Claude Code diminta merangkum isi pekerjaan secara otomatis dan mengusulkan perbaikan untuk dokumen Claude.md
• Pekerjaan paralel multi-instance
  • Beberapa instance Claude Code dijalankan paralel di berbagai repository agar bisa berpindah tugas antarproyek tanpa kehilangan status workflow dan konteks

Dampak pada tim

• Menyelesaikan isu infrastruktur tanpa bantuan ahli
• Kecepatan onboarding karyawan baru meningkat drastis
• Memperkuat workflow pendukung seperti otomatisasi deteksi anomali data
• Mewujudkan self-service untuk divisi non-teknis

Tip utama

• Dokumentasikan detail di file Claude.md
• Untuk data sensitif, lebih disarankan memakai server MCP daripada BigQuery CLI
• Bagikan sesi penggunaan antartim untuk menyebarkan best practice

---

Tim Product Development: Memanfaatkan Claude Code untuk pengembangan produk

Contoh penggunaan utama

• Prototyping cepat melalui loop otomatisasi
  • Setelah mengatur "auto-accept mode", tim menyerahkan masalah yang abstrak ke Claude dan menerima hasil sekitar 80%, lalu melakukan penyempurnaan akhir
• Coding sinkron (kolaborasi real-time)
  • Saat mengembangkan fitur inti, tim memberikan prompt dan panduan kode secara real-time, sementara Claude menangani pekerjaan coding yang berulang
• Implementasi fitur mandiri seperti mode Vim
  • Lebih dari 70% implementasi dibuat lewat otomatisasi, lalu disempurnakan lewat perbaikan berulang
• Otomatisasi test case dan perbaikan bug
  • Pada tahap review PR, Claude otomatis menerapkan perbaikan format, perubahan nama fungsi, dan sejenisnya
• Penelusuran codebase secara cepat
  • Bahkan pada struktur monorepo yang kompleks atau kode sisi API, tim bisa langsung menanyakan struktur dan dependensi ke Claude

Dampak pada tim

• Fitur kompleks dapat diimplementasikan cepat melalui otomatisasi
• Waktu untuk mengulang dan memperluas prototipe berkurang
• Cakupan pengujian otomatis dan kualitas kode meningkat
• Efisiensi penelusuran codebase yang belum dikenal meningkat

Tip utama

• Bangun loop verifikasi sendiri (otomatisasi build, test, lint)
• Bedakan penerapan untuk pekerjaan asinkron dan sinkron
• Buat prompt yang jelas dan spesifik

---

Tim Security Engineering: Penerapan Claude Code di rekayasa keamanan

Contoh penggunaan utama

• Debugging infrastruktur yang kompleks
  • Saat diberikan stack trace dan dokumentasi, Claude dapat menelusuri control flow
• Review dan analisis kode Terraform
  • Dengan memasukkan dokumen rencana ke Claude, tim bisa meninjau dan menyetujui dampak keamanan dengan cepat
• Konsolidasi dokumentasi dan pembuatan runbook
  • Setelah menggabungkan beberapa dokumen, Claude membuat ringkasan panduan troubleshooting dan runbook
• Implementasi test-driven development (TDD)
  • Tim berkolaborasi dengan Claude melalui proses pseudocode → TDD → pemeriksaan berkala
• Mengurangi context switching dan mempercepat onboarding
  • Dengan memasukkan spesifikasi Markdown ke Claude, anggota tim dapat berkontribusi dalam waktu singkat

Dampak pada tim

• Waktu respons isu infrastruktur dipangkas menjadi kurang dari 5 menit
• Menghilangkan waktu tunggu persetujuan keamanan
• Memungkinkan kontribusi ke proyek lain dalam waktu singkat
• Memaksimalkan efisiensi workflow dokumentasi

Tip utama

• Manfaatkan custom slash command secara aktif
• Instruksikan Claude untuk melakukan coding secara mandiri
• Sampaikan dokumentasi dan format output dengan jelas

---

Tim Inference: Pemanfaatan untuk pengelolaan sistem inferensi

Contoh penggunaan utama

• Memahami codebase dengan cepat dan mempercepat onboarding
  • Tim bisa langsung bertanya ke Claude tentang file pemanggil fungsi, dependensi, dan sebagainya
• Pembuatan pengujian otomatis, termasuk edge case
  • Setelah fitur diimplementasikan, Claude membuat pengujian secara otomatis dan tim hanya perlu meninjaunya
• Penjelasan konsep machine learning
  • Tim bertanya langsung ke Claude tentang fungsi dan pengaturan tiap model, menghemat sekitar 80% waktu dibanding Google
• Konversi kode multibahasa
  • Logika yang diinginkan dapat diubah ke bahasa yang kurang familiar seperti Rust
• Panduan perintah Kubernetes setiap saat

Dampak pada tim

• Kecepatan riset dan pembelajaran machine learning meningkat hingga menghemat 80% waktu
• Penelusuran codebase dapat dilakukan seketika
• Kualitas tetap terjaga lewat pengujian otomatis
• Mengatasi hambatan bahasa

Tip utama

• Coba prioritaskan pertanyaan ke knowledge base terlebih dahulu
• Instruksikan pembuatan kode lalu verifikasi hasilnya
• Kurangi beban dengan meminta Claude menulis test secara langsung

---

Tim Data Science dan ML Engineering: data science dan rekayasa machine learning

Contoh penggunaan utama

• Membangun aplikasi dashboard JavaScript/TypeScript
  • Meski hampir tidak punya pengalaman JS/TS, tim tetap bisa menulis seluruh dashboard React, efektif untuk analisis performa model RL dan lainnya
• Otomatisasi refactoring berulang
  • Pekerjaan berulang seperti merge conflict dan perubahan struktur file dapat ditangani sepenuhnya secara otomatis selama 30 menit, lalu langsung diadopsi bila berhasil
• Pengembangan tool analisis yang persisten
  • Alih-alih notebook sekali pakai, tim membangun dashboard React yang bisa dipakai ulang untuk analisis performa model
• Delegasi tugas zero-dependency
  • Bahkan pekerjaan dalam bahasa atau codebase yang sama sekali tidak dikenal bisa didelegasikan sepenuhnya ke Claude

Dampak pada tim

• Refactoring rutin menjadi setidaknya 2–4x lebih cepat
• Aplikasi kompleks bisa dibangun bahkan dengan bahasa yang belum dikuasai
• Tool analisis berubah dari sekali pakai menjadi berkelanjutan
• Visualisasi performa model meningkatkan kualitas pengambilan keputusan

Tip utama

• Gunakan seperti mesin slot (terima hasil yang bagus, ulangi bila perlu)
• Semakin kompleks, semakin perlu campur tangan langsung dan penyederhanaan

---

Tim Product Engineering: Penerapan di lapangan untuk engineering produk

Contoh penggunaan utama

• Memulai dengan menanyakan daftar file/jalur ke Claude untuk merancang workflow secara cepat
• Debug bug dan kembangkan fitur secara mandiri di codebase yang belum familiar
• Dogfooding melalui pengalaman langsung dengan model riset terbaru
• Meningkatkan fokus kerja dengan menghilangkan biaya context switching

Dampak pada tim

• Memungkinkan kerja mandiri bahkan di area kode yang belum dikenal
• Mengurangi beban context switching dan menunggu jawaban
• Meningkatkan kecepatan onboarding engineer rotasi
• Meningkatkan kepuasan kerja dan produktivitas developer

Tip utama

• Perlakukan sebagai partner kolaborasi dan gunakan secara iteratif
• Berani mencoba tugas yang belum familiar
• Mulai dari informasi minimal lalu lanjutkan mengikuti arahan Claude

---

Tim Growth Marketing: Otomatisasi pemasaran pertumbuhan

Contoh penggunaan utama

• Pembuatan copy Google Ads secara otomatis
  • Menghasilkan headline dan deskripsi iklan sesuai batas karakter tiap placement, sehingga pembuatan iklan massal bisa diotomatisasi
• Produksi kreatif massal lewat plugin Figma
  • Gambar dan teks iklan dalam jumlah besar dapat dibuat secara terprogram (hingga 100 item)
• Analisis data Meta Ads secara real-time lewat server MCP
  • Otomatisasi analisis performa kampanye iklan, biaya belanja, dan metrik lainnya
• Pencatatan eksperimen berulang dengan sistem memori
  • Hasil eksperimen kreatif dicatat dan dipakai lagi untuk generasi berikutnya

Dampak pada tim

• Waktu pembuatan copy iklan berkurang dari 2 jam menjadi 15 menit
• Jumlah kreatif yang dihasilkan meningkat lebih dari 10x
• Tim pemasaran satu orang dapat menangani pekerjaan pengembangan dan analisis skala besar sendiri
• Fokus kerja bergeser ke strategi dan otomatisasi secara keseluruhan

Tip utama

• Mulai evaluasi otomatisasi dari tugas berulang yang terhubung API
• Pisahkan workflow besar menjadi sub-agen berdasarkan peran
• Rancang dan susun prompt dengan cukup matang di Claude.ai, lalu implementasikan di Claude Code

---

Tim Product Design: Transformasi kerja desain produk

Contoh penggunaan utama

• Perbaikan visual frontend dan penyesuaian state management secara langsung
  • Desainer bisa langsung memperbaiki UI dan mengimplementasikan perubahan state dengan Claude Code
• Ticketing berbasis GitHub Actions dan usulan kode otomatis
  • Saat ada permintaan frontend atau perbaikan bug, Claude otomatis mengusulkan kode
• Pembuatan prototipe interaktif dengan cepat
  • Cukup tempel gambar mockup lalu langsung menghasilkan kode yang bisa dijalankan
• Memahami edge case, status saat ini, dan arsitektur
  • Desainer dapat langsung menelusuri status sistem dan alur error pada tahap perancangan
• Perubahan copy yang kompleks dan pengelolaan kepatuhan secara real-time
  • Frasa tertentu dapat diubah sekaligus di seluruh codebase, sambil berkolaborasi dengan tim legal secara real-time

Dampak pada tim

• Pekerjaan bergeser ke basis Figma dan Claude Code
• Perbaikan visual dan state management menjadi 2–3x lebih cepat
• Proyek kolaborasi kompleks dapat diselesaikan dari 1 minggu menjadi dalam 1 jam
• Menciptakan pengalaman yang berbeda bagi developer dan desainer
• Secara besar meningkatkan kualitas komunikasi dan perancangan

Tip utama

• Setup awal tetap memerlukan bantuan engineer
• Gunakan file custom memory untuk menentukan peran dan cara penjelasan lebih dulu
• Buat prototipe dengan menempelkan gambar

---

Tim RL Engineering: Sampling RL dan pengelolaan bobot

Contoh penggunaan utama

• Mengadopsi pendekatan mandiri + supervisi untuk pengembangan fitur kecil-menengah
• Otomatisasi pembuatan test dan code review
• Memanfaatkan Claude untuk debugging dan analisis error
• Otomatisasi ringkasan codebase dan analisis call stack
• Dukungan operasional melalui tanya jawab terkait Kubernetes

Perubahan cara kerja

• Pendekatan checkpoint eksperimental + rollback mulai menjadi kebiasaan
• Menghemat waktu lewat pembuatan dokumentasi otomatis
• Untuk PR kecil-menengah, sekitar 1/3 kasus bisa selesai sekali jalan

Tip utama

• Tuliskan pencegahan kesalahan berulang di Claude.md
• Biasakan commit dan rollback sesering mungkin
• Terapkan pola one-shot → kolaboratif

---

Tim Legal: Pemanfaatan AI oleh tim hukum

Contoh penggunaan utama

• Menyesuaikan solusi aksesibilitas personal dalam waktu singkat
  • Dapat langsung membuat aplikasi seperti Predictive Text untuk keluarga
• Prototype otomatisasi workflow internal departemen
  • Otomatisasi seperti pohon sambungan telepon antar tim dan pekerjaan yang terhubung ke G Suite
• Inovasi berbasis prototipe
  • Tim membuat prototipe cepat, lalu mengumpulkan feedback ahli dan memverifikasi penggunaan nyata
• Feedback dan pengembangan yang berpusat pada visual
  • Komunikasi dengan Claude dilakukan menggunakan screenshot antarmuka

Kesadaran keamanan dan kepatuhan

• Isu keamanan dapat langsung dipahami saat MCP diintegrasikan
• Seiring meluasnya penggunaan sistem AI, pembangunan tool compliance perlu diprioritaskan

Tip utama

• Rancang ide dengan matang di Claude.ai lalu susun strukturnya
• Kurangi beban dengan permintaan per tahap kerja dan berbasis screenshot
• Aktif membagikan prototipe meski tingkat kematangannya masih rendah

---

[GN⁺]

Komentar Hacker News

• Claude Code cenderung hanya menyelesaikan sekitar 70~80% saja, dan saya berharap bagian ini lebih ditekankan. Misalnya, nasihat seperti “pakailah seperti mesin slot”, “simpan state sebelum mulai lalu pakai dalam sesi 30 menit; lebih baik terima hasilnya atau mulai lagi dari awal daripada memaksakan perbaikan di tengah jalan” itu cukup menarik. Tapi ini mudah diucapkan hanya kalau kita sendiri tidak membayar biaya komputasinya
  • Dari sudut pandang karyawan, saran seperti “meskipun hasilnya bagus, tetap hasilkan dan revisi kode ratusan kali” memang lucu. Kalau begini, perusahaan cuma akan menerima tagihan besar sementara commit nyata hampir tidak ada. Sampai-sampai muncul lelucon seperti “kupikir AI akan menyelesaikan semuanya, ternyata kita malah harus merekrut lebih banyak developer”
  • Dalam kasus saya, saya cukup berhasil memakai LLM untuk menghasilkan kode. Aturan pribadi saya, ini baru berarti kalau lebih dari 90% dari keseluruhan pekerjaan bisa dilakukan AI, kecuali hal kecil seperti autocomplete sederhana atau edit teks. Untuk masalah yang ada di data latihannya, misalnya menyiapkan web server sederhana di golang, akurasinya nyaris 100%. Hal-hal seperti ini bisa selesai dalam hitungan menit, dan membantu menangani kode arsitektur yang datar dengan cepat. Produktivitas nyata meningkat sekitar 30~50%
  • Hal yang baru saya sadari belakangan ini adalah, sifat Claude yang hanya menyelesaikan 70-80% itu bukan cuma berlaku di awal proyek, tapi juga di tahap akhir. Saya mulai sendiri refactoring besar dari nol, lalu setelah ide besarnya terbentuk saya serahkan ke Claude, dan sisanya diselesaikannya dengan sempurna, bahkan sampai CHANGELOG. Saya memahami situasi ini sebagai contoh prompt berbasis contoh atau guardrail yang kuat
  • Kalau mau menambahkan satu hal pada analogi mesin slot, saya rasa sebaiknya tingkatkan semaksimal mungkin kekakuan formal sistem yang dipakai. Kalau cuma ngoding santai ala Python, hasil akhirnya cenderung buruk. Di Haskell, kalau pemeriksaan formal seperti opsi GHC atau property test diperketat, Claude akan ketahuan saat mencoba mengambil jalan pintas. Di TypeScript dan sebagainya juga efektif kalau struktur dibuat lebih ketat lewat sistem tipenya. Karena Claude terobsesi pada checkbox TODO, pada akhirnya ia jadi berusaha mengikuti instruksi secara persis
  • Kalau ada karyawan yang biasanya menulis kode lumayan bagus tapi dengan probabilitas 30% tiba-tiba menyerahkan kode yang benar-benar abnormal dan harus dibuang total, mungkin dia bakal dipecat
• Saya pernah mengimplementasikan seluruh web app dengan CC. Saya juga sudah mencoba berbagai AI coding tool, dan bahkan pernah mengadakan kuliah serta workshop terkait. Workflow paling efektif untuk memakai CC adalah merangkum spesifikasi yang jelas dan ringkas ke file md. Lalu file itu dirujuk secara eksplisit di setiap prompt. Mulainya dari user story, minta CC menulis draft rencana langkah demi langkah, lalu ulangi proses revisi dan finalisasi. Setelah itu, tinggal dibagi pengerjaannya sesuai panduan implementasi yang sudah dibuat. Jangan lupa automated test dan functional test, lalu merge di tahap terakhir
  • Saran yang bagus, mirip dengan pengalaman saya. Saya biasanya mulai dengan melempar prompt kasar dulu lalu memperbaikinya. Workflow yang saya tulis sendiri juga saya rangkum di sini
  • Saya penasaran apakah cara seperti ini benar-benar lebih cepat atau lebih efisien daripada menulis kodenya langsung sendiri
  • Kalau ada contoh nyata hasil kerja dengan cara ini, saya ingin tahu apakah bisa dibagikan
  • Saya juga punya pengalaman yang mirip dengan workflow ini, tapi saya sangat tidak suka bekerja seperti ini jadi hampir selalu lebih memilih langsung ngoding sendiri. Menulis spesifikasi atau user story adalah pekerjaan yang paling saya benci
• Claude Code cocok untuk berbagai macam tugas. Kemarin saya mengganti backend API untuk situs cuaca, dan meskipun kedua API itu cukup berbeda, hampir semuanya selesai sekali jalan. Di rumah saya pakai langganan $20/bulan, dan di kantor kami menjalankan uji coba lewat AWS Bedrock. Saat dipakai lewat API Bedrock, biaya langsung terlihat di akhir tiap sesi, dan itu agak mengejutkan. Sebenarnya saya khawatir kalau model penagihan usage yang serinci ini terus berlanjut, developer jadi enggan mencoba-coba, bereksperimen, atau melakukan refactoring, sehingga kualitas software secara keseluruhan bisa menurun. Di internal Anthropic, mereka tampaknya bisa memakainya tanpa terlalu memikirkan biaya, jadi mungkin terhindar dari masalah ini
  • Beberapa minggu lalu saya memberinya MLB API dan memintanya membuat widget MacOS, lalu dalam waktu kurang dari satu jam dia berhasil membuat widget yang menampilkan klasemen liga/divisi/wild card. Untuk proyek quick & dirty yang cukup dicek sepuluh menit saja, ini lumayan berguna. Ada cukup banyak contoh serupa yang terasa praktis seperti ini
  • Dulu para engineer juga harus memperhatikan berbagai biaya seperti data center, cloud, SaaS, dan sebagainya; dalam 5~10 tahun ke depan sepertinya mereka juga akan harus memperhatikan biaya penggunaan AI. Pada akhirnya akan datang masa ketika biaya AI menjadi sepele dibanding biaya waktu manusia

  • Ada yang bilang "tidak nyaman karena biayanya terlihat langsung", tapi sejujurnya saya tidak peduli kalau sesi Claude saya yang monster menagih perusahaan sekitar $10. Di kantor pun mereka bilang, “jangan pikirkan biayanya, yang penting eksperimen dulu”

  • Bahkan untuk fungsi sepele pun, kalau saya serahkan ke Claude, kadang implementasinya salah secara halus, tapi langsung ketahuan lewat test, jadi saya merasa mungkin sebaiknya lebih berhati-hati
  • Menarik melihat orang kaget karena biaya penggunaan terlihat langsung. Tentu saya juga tidak suka kalau biaya ditampilkan terlalu sering, tapi saat bereksperimen dengan agent prompt, justru bagus bisa melihat biaya per query. Kadang hanya beda satu kalimat prompt saja biayanya bisa berubah, jadi bukankah informasi seperti ini justru memberi arah inovasi? Saya penasaran kenapa ini dianggap sebagai chilling effect terhadap eksperimen. Banyak engineer malah akan cukup fokus pada inovasi untuk menurunkan biaya
• Sudah beberapa hari saya pindah dari Gemini Cli ke Claude Code. Saya akui loop penggunaan tool-nya memang lebih baik. Tapi Claude terasa sedikit lebih “bodoh”, dan terlalu memaksakan penyelesaian tugas. Ia mengabaikan common sense maupun instruksi yang jelas. Misalnya kalau diminta meloloskan test, alih-alih debugging dia malah bisa mengubah struktur database. Dua kali dia bahkan menghapus seluruh protobuf lalu menggantinya dengan JSON. Sepertinya karena proto sulit di-debug, jadi itu dijadikan solusi default
  • Saya juga mengalami hal serupa. Saat melakukan refactoring kecil, dia bisa memperbaiki setengah bagian yang masuk akal, tapi begitu terlihat kesulitan di tengah jalan, dia malah membatalkan semua perubahan sebelumnya dan buru-buru memulai otomatisasi penuh dengan bash script. Kalau saat seperti itu kita tegur, “sebenarnya kamu sudah hampir selesai, sedang apa?”, dia langsung mengakuinya. Sangat ngotot, tapi cepat berubah pikiran, tipikal sekali
  • Pengalaman saya juga sama bahwa Claude suka mencari jalan pintas untuk sekadar “terlihat lolos” test. Kadang dia malah menghapus atau melewati test itu sendiri lalu berkata, “semua masalah sudah selesai!” Anehya saya belum pernah melihat perilaku seperti ini di LLM lain; biasanya mereka mengakui kegagalan dan kalau diberi sedikit petunjuk akan menyelesaikannya dengan benar. Claude terasa seperti mengira saya akan tertipu. Saya khawatir kalau perilaku ini muncul pada cacat yang lebih penting
  • Saya juga mengalami kasus yang tidak jauh berbeda. Kalau keseluruhan test kompleks gagal, dia tidak mencari penyebabnya, tapi malah mengubahnya menjadi test fragmentaris yang lebih mudah diloloskan. Saya jadi curiga apakah tim Claude terlalu menekankan kecepatan demi menghemat biaya komputasi. Selain itu API timeout dan error juga cukup sering muncul
  • Yang menarik, kapan pun ada masalah di tahapan mana pun, Claude cenderung berkata “Deferred” lalu mencari alasan yang terdengar masuk akal untuk lanjut begitu saja. Manusia bisa menunda pekerjaan berdasarkan penilaian, tapi mesin tidak punya penilaian seperti itu, jadi menurut saya sikap seperti ini tidak boleh diterima
  • Saya bahkan pernah dengar ada orang yang bilang Claude menghapus kodebase secara brutal lalu menyangkal bahwa itu pernah terjadi
• Saya cukup sering memakai Claude, tapi blog post yang saya lihat hari ini terasa agak janggal dan kaku. Saya sampai berpikir tim blog-nya mungkin menulisnya dengan Claude juga
  • Situs dokumentasi MCP juga punya masalah yang sama. Isinya cuma deretan bullet point yang kurang ramah
  • Saya juga merasa mirip, tapi menurut saya masalah utamanya justru ada pada isi. Misalnya kalimat seperti “daripada perintah Kubernetes yang rumit, tanyakan saja ke Claude untuk mendapatkan perintah yang benar” terasa tidak perlu ditekankan dalam blog teknologi AI. Itu cuma tip dasar
  • Masalahnya bukan apakah Claude dipakai atau tidak, tapi bahwa keseluruhan tulisan terasa seperti daftar jawaban survei yang ditempel begitu saja, berantakan, repetitif, dan sama sekali tidak ada penyuntingan terhadap bagian yang tidak perlu. Tidak ada yang benar-benar bertanggung jawab mengurasi isinya
  • Informasinya banyak, tapi pada akhirnya tetap terasa seperti kumpulan bullet point yang sudah dirapikan saja
• Contoh pertama adalah tentang debugging k8s, di mana Claude mendiagnosis kehabisan IP pool dan menyelesaikan masalah tanpa bantuan ahli jaringan. Tapi saya jadi bertanya-tanya, kalau sejak awal sistemnya dirancang oleh ahli jaringan, bukankah masalah seperti ini mungkin tidak akan terjadi?
  • Ahli pun bisa membuat kesalahan. Sebenarnya semua manusia bisa salah
• Tips optimasi saya belakangan ini adalah memakai input pengenalan suara ke Claude Code. Tinggal jelaskan konteks dan riwayatnya seperti sedang bicara dengan orang. Jauh lebih cepat daripada mengetik langsung
  • Kalau pengguna Mac, aplikasi SuperWhisper cukup bagus
  • Saya puas dengan paket python hns. Jalankan saja dari terminal dengan <i>uvx hns</i>, lalu tekan Enter setelah rekaman, dan teksnya akan otomatis disalin ke clipboard. Sederhana, tapi menyatu alami dengan workflow CLI. Link
  • Menjelaskan sesuatu ke AI dengan suara di dalam kamar? Bukannya itu agak canggung? Saya justru lebih cepat mengetik
  • Kalau ada opsi yang layak untuk Ubuntu, saya penasaran juga
• Saat terjadi gangguan pada cluster Kubernetes, ceritanya Claude Code diberi screenshot dashboard lalu diminta menganalisis UI Google Cloud satu per satu, menemukan peringatan kehabisan pod IP, dan menjelaskan cara menambahkan IP pool baru. Tapi saya merasa cara ini tidak efisien, dan jadi bertanya-tanya apakah AI benar-benar diperlukan
  • Kalau begini, bahkan masalah sederhana pun akhirnya dibentuk menjadi sesuatu yang bergantung pada AI. Saya khawatir dunia akan sampai pada titik di mana manusia lupa memahami konteks masalah atau bahkan lupa jaringan profesional tempat meminta bantuan, lalu menjadi “budak AI”
  • Cara menyelesaikan masalah seperti ini terasa seperti pendekatan yang hanya pantas diharapkan dari intern atau engineer junior baru, meskipun bisa saja memang itu kasusnya
• Ini contoh yang menarik, tapi tim kami juga ingin mencoba Claude Code dan ternyata tidak termasuk dalam paket tim, sementara ada di paket Pro dengan harga serupa. Mengetahui hal ini setelah membeli sangat mengecewakan. Saya tidak berniat meminta setiap developer membayar sendiri. Sebelum membanggakan pengalaman internal tim, saya berharap mereka memperbaiki dulu struktur pembayaran dan langganannya agar perusahaan lain di luar sana juga bisa memakainya. Mereka membuat model AI kelas terbaik di industri, tapi masalah dasar seperti pengelolaan langganan masih belum beres
  • Kenapa menurutmu tidak boleh meminta semua orang membayar sendiri?
• Saya memang menggunakan Claude Code, tapi terutama sebagai rubber duck yang pintar untuk berdiskusi soal ide atau memberi feedback. Sebagian besar kode sebenarnya saya tulis sendiri. Saya biasanya mendorongnya untuk menjelaskan opini dan niatnya dulu dengan cukup di chat, lalu memberi aturan bahwa perubahan kode hanya boleh dilakukan kalau saya yang memintanya. Saya sendiri yang copy-paste kode ke IDE, dan di tengah jalan saya juga menjelaskan perubahan saya ke Claude agar konteksnya tetap sinkron. Awalnya terasa lambat, tapi pada akhirnya saya jadi lebih mudah menangkap masalah dan lebih cepat mengarahkannya ke hasil yang saya inginkan. Claude itu seperti developer junior yang (terlalu) percaya diri. Harus diawasi dengan baik, dan kalau saya sendiri lebih cepat, lebih untung langsung saya kerjakan saja. (Mungkin ini cara yang buruk untuk junior sungguhan, tapi untuk Claude justru bekerja baik.) Perlu diingat juga bahwa blog post ini ditulis oleh perusahaan yang menjual tool tersebut. Saya rasa sekitar 90% marketing dari perusahaan AI harus disaring dulu. Pada akhirnya mereka menulis seperti itu karena ingin menarik uang atau berharap diakuisisi
  • Kalau dibiarkan hanya di mode plan, bukannya dia otomatis tidak akan mengubah apa pun? Gemini CLI cenderung tanpa ragu langsung mulai mengimplementasikan :D