- AI berperan menurunkan hambatan masuk bagi pemula dan pengguna tingkat menengah dalam kurva belajar, serta memungkinkan dukungan yang dipersonalisasi sesuai tingkat masing-masing individu
- Mencapai penguasaan setingkat ahli tetap sulit, dan AI masih memiliki keterbatasan pada topik yang mendalam atau bidang yang kontroversial
- Jika AI hanya digunakan sebagai alat pemberi jawaban sederhana, dapat muncul efek samping berupa berhenti di batas kemampuan AI tanpa pertumbuhan yang nyata
- Di berbagai ranah seperti coding, kreasi, dan penggunaan aplikasi sehari-hari, dampak AI muncul secara berbeda, dan khususnya di bidang yang menuntut ide baru serta inovasi, daya pengaruh AI terbatas
- AI telah mengangkat garis dasar perubahan, tetapi tidak menciptakan perubahan besar di semua bidang, dan nilai pemanfaatannya dinilai berbeda tergantung kebutuhan serta konteks masing-masing
Ringkasan: Kurva belajar yang diubah AI
- Sebelum hadirnya AI, setiap materi pembelajaran dibuat dengan asumsi target tertentu, sehingga ada keterbatasan karena tidak benar-benar mencerminkan pengetahuan latar belakang pembelajar
- Misalnya, sering muncul masalah seperti belajar dengan menghubungkan topik baru dari bidang yang sudah akrab, tidak menyadari adanya prasyarat pengetahuan yang dibutuhkan, atau tidak menemukan materi yang cocok di tahap menengah
- Sebelumnya, sulit menyediakan dukungan yang dipersonalisasi dalam proses mempelajari keterampilan teknis
- AI mengubah kurva belajar dengan menjawab pertanyaan secara langsung sesuai tingkat pemahaman tiap pembelajar atau mengambil alih tugas berulang
- Melalui pengalaman belajar berbasis AI, kini pada level apa pun AI dapat menjadi titik awal, sehingga terjadi perubahan di mana lantai (level minimum) itu sendiri ikut naik
Batasan di level master
- Para pakar di tiap bidang memiliki sudut pandang kritis terhadap efektivitas AI
- Informasi yang diberikan AI kuat pada hal-hal yang umum dan mendasar, tetapi memiliki keterbatasan besar pada pengetahuan lanjutan/spesialis atau topik yang diperdebatkan
- Data pelatihan AI semakin kuat menghasilkan keluaran saat isinya makin umum dan dapat digeneralisasi, tetapi untuk pengetahuan berkesulitan tinggi dan maju, data pelatihannya kurang atau informasinya saling bertentangan, sehingga sulit memberikan jawaban yang akurat dan mendalam
Efek samping pembelajaran dengan AI: cheating
- Fitur seperti OpenAI Study Mode yang langsung meminta jawaban benar dapat memperparah plateau pembelajaran pengguna
- Pengguna yang menjadikan jawaban AI sekadar alat bantu instan memiliki batas karena tidak bisa berkembang lebih jauh
- Dalam jangka panjang, cara ini merugikan pertumbuhan jangka panjang
Dampak nyata dari kurva belajar yang berubah
- Perubahan teknologi memicu perubahan pada seluruh ekosistem
- Besarnya pengaruh AI berbeda tergantung seberapa tinggi tingkat mastery (kemahiran) yang dibutuhkan oleh produk atau hasil akhir
-
Pengembangan software: kabar baik bagi manajer, terbatas untuk codebase skala besar
- Manajer engineering memiliki pemahaman prinsip dan penilaian kualitas, tetapi kesulitan membuat aplikasi karena kurang pengalaman dengan framework tertentu
- Dengan alat AI, semakin banyak kasus di mana mereka cepat mempelajari dasar-dasarnya dan memanfaatkan pengalaman yang ada untuk cepat menyelesaikan aplikasi yang berfungsi
- Sebaliknya, pada codebase yang besar dan kompleks, batas bantuan AI terlihat jelas
- Karena kurang memahami konteks sistem yang ada atau kebutuhan yang khas, AI tidak banyak membantu dalam pekerjaan nyata
-
Bidang kreatif: persaingan ketat sehingga dampaknya terbatas
- Di bidang kreatif, persaingan sangat ketat dan orisinalitas baru sangat penting
- Meskipun AI bisa memudahkan pembuatan gambar, hambatan masuk berupa "kebaruan" yang menjadi inti keberhasilan kreatif sejati tidak ikut turun
- Karena manusia mudah menangkap turunan dan tiruan, setelah tren singkat perhatian pun cepat mereda
- Ada contoh sesaat seperti tren avatar bergaya Studio Ghibli, tetapi dalam posisi kultural maupun popularitas publik, pengaruh AI sangat kecil
-
Ranah aplikasi yang sudah ada: dampak minimal
- Email, pemesanan makanan, dan sejenisnya sudah didukung aplikasi khusus yang matang
- Meski ada fitur ringkasan berbasis AI, penyaringan spam sudah otomatis, dan untuk email penting mengecek langsung masih lebih tepercaya
- Untuk pemesanan makanan dan semacamnya juga sudah ada UX yang dirancang dengan cermat, sehingga sulit bagi AI untuk mengubahnya secara lebih efektif
Variasi adopsi AI dan masa depan
- AI telah menaikkan lantai pekerjaan berbasis pengetahuan, tetapi tidak berdampak sama bagi semua orang
- Bergantung pada tingkat keterampilan, peran, dan lingkungan tiap orang, ada perbedaan besar dalam efek AI yang dirasakan
- Sebagian orang mengalami inovasi lewat AI, tetapi yang lain tidak merasakan manfaatnya atau justru merasa terancam dan bingung
- AI masih belum 'tak tergantikan' di semua cara kerja dan semua bidang, tetapi merupakan teknologi kuat dengan potensi yang layak untuk dieksplorasi
- Jika secara pribadi AI tampak tidak bermakna, itu berarti dalam situasi Anda perubahan nyatanya memang tidak besar
2 komentar
Opini Hacker News
Menekankan bahwa tulisan blog tersebut punya banyak grafik sehingga tampak objektif dan ketat, tetapi sebenarnya hanya berisi kesan dan dugaan. Studi empiris terbaru justru menunjukkan bahwa AI cenderung memperburuk ketimpangan. Hal terkait bisa dilihat pada grafik The Economist dan artikelnya
Tentu saja saya pikir AI memperdalam ketimpangan. AI mengotomatisasi tahap-tahap bawah dari tangga tempat orang membangun pengalaman untuk naik, sehingga alih-alih memberi pijakan bagi orang yang kelak menjadi ahli, teknologi ini justru dipakai orang yang sudah berada di puncak untuk menarik tangga itu naik lebih cepat
Grafik itu membuat asumsi yang terlalu besar, dan rasanya asumsi itu hanya didukung di kepala para penggila AI. Terutama soal "side project", pembahasannya terasa samar; saya rasa AI masih belum cukup untuk menerima input dari pemula lalu menghasilkan keluaran yang "cukup oke"
Saya lumayan setuju dengan inti tulisannya. Ia menyamar seolah mengenakan jas lab seperti ilmuwan, padahal sebenarnya hanya mengekspresikan relasi tentang bagaimana mereka memandang dunia. Meski begitu, kalau grafiknya secara eksplisit diberi label sebagai "hipotesis", atau ujung sumbunya dibuat bergelombang secara visual, saya rasa tetap ada nilai sebagai alat komunikasi. Asumsi bahwa akan terjadi pelandaian kurva atau stagnasi keterampilan juga tidak bisa dipastikan. Menurut saya penulisnya justru menulis dengan niat lebih baik daripada tautan para ekonom tadi. Idealnya, orang jujur mengemukakan pendapat mereka, dan kalau ada data, sekalian tunjukkan pengujian hipotesisnya
Di grafik itu disebutkan ada 4 studi yang menunjukkan peningkatan ketimpangan dan 6 studi yang menunjukkan penurunan ketimpangan
Dari sudut pandang matematikawan pensiunan, saya jadi sangat tertarik pada AI di tahun 2025 dan memakai paket Claude Max agar bisa menggunakan Claude Code Opus 4 tanpa batas. Kalau meninjau codebase legacy yang sangat besar dalam sesi paralel, saya kadang tetap mencapai batas penggunaan. Selama beberapa waktu saya menghindari segala bentuk diskusi soal AI, tetapi belakangan saya kembali tertarik karena melihat pembahasan menarik di HN. Menurut saya, orang dengan neurodivergent lebih berhasil menggunakan AI, karena AI adalah mesin asosiasi raksasa. Saya berlatar belakang aljabar linear, jadi struktur asosiasi AI cocok dengan cara berpikir saya yang unik. Pada akhirnya AI justru menaikkan langit-langit, bukan lantai
Ini mirip dengan wawasan dari presentasi startup AI terbaru Andrew Ng. Nasihat barunya untuk para founder sekarang adalah: saat pivot, buang prototipe dan mulai lagi dari nol. Ini juga berkaitan dengan isi tulisan utama. Pengembangan prototipe bisa meningkat sampai 10x, tetapi codebase yang sudah ada hanya membaik sekitar 30~50%. Perubahan ini mirip dengan analogi lama saat berpindah dari VM ke container, yaitu "pets vs cattle". Mungkin kita memasuki era ketika codebase tidak lagi diperlakukan sebagai "peliharaan" yang dirawat penuh kasih, melainkan seperti "ternak" yang diperlakukan demi efisiensi. Bagian 10:30 dari video presentasi terkait bisa dijadikan rujukan
Menurut saya analogi "pets vs cattle" terlalu terfokus pada kode dan mudah melewatkan bahwa nilai sesungguhnya ada di kepala developer. AI bisa membantu mengelola kode, tetapi nilai sebenarnya ada pada pemahaman dan model mental developer
Poin yang bagus, tapi saya lebih sering mendengar istilah "cattle" daripada "livestock". Jadi saya penasaran apakah ini perbedaan geografis
Terima kasih sudah menyebut analogi ini. Ke depan sepertinya kita memang perlu memperlakukan kode generatif seperti infrastruktur cloud skala besar. Ini mungkin kurang berlaku untuk kode legacy yang sudah dipakai bertahun-tahun. Saya juga penasaran apakah Anda pernah menuliskan wawasan ini di blog; saya sempat mencari stillpointlab.com atau Twitter @stillpointlab, tetapi tidak banyak menemukan materi
Saya merasa analogi "pets vs cattle" jauh lebih pas daripada perdebatan "pengrajin vs orang yang bikin asal jadi". Memakai LLM tidak mengurangi nilai hasil kerja, melainkan menggeser sudut pandang dari keterikatan emosional pada kode menjadi pendekatan yang lebih praktis
Masih ada cukup banyak hal yang belum bisa dilakukan LLM. Misalnya, kalau diajak bermain catur, setelah sekitar 5~10 langkah ia mulai membuat langkah ilegal, dan bahkan dalam kasus terbaik pun batasnya sekitar 18 langkah. Ia juga tidak mengoreksi gerakan lawan yang salah, sehingga bisa menyebabkan pembelajaran yang keliru. Pada akhirnya ia memang tidak benar-benar bisa memodelkan masalah yang kompleks, jadi sangat penting bagi pengguna untuk menyadari apa yang harus ditanyakan. LLM bisa menjelaskan cara bidak kuda bergerak atau opening terkenal, tetapi tidak mampu mengikuti seluruh notasi catur dengan benar atau memberi tahu langkah terbaik dari posisi papan saat ini. Banyak pengguna tampaknya tidak menyadari betapa salahnya jawaban yang bisa muncul, lalu cenderung percaya begitu saja karena jawabannya disampaikan dengan penuh keyakinan. Sekilas terlihat kokoh, padahal sebenarnya seperti berjalan di atas crevasse tak terlihat
Saya tidak menganggap kelemahan LLM di catur sebagai masalah besar. Model khusus catur bisa dibuat cukup baik, dengan ELO yang lumayan dan hanya menghasilkan langkah legal. Post-training bisa jadi justru merusak kemampuan bermain catur, dan tampaknya tempat seperti OpenAI juga tidak terlalu memedulikannya. Dengan LLM pun tetap bisa bermain catur dengan baik. Lihat paper terkait dan contoh evaluasi
Saya juga sering melihat orang-orang di sekitar saya, termasuk PhD atau dokter, sama sekali tidak membayangkan bahwa LLM bisa salah. Karena kalimatnya terdengar fantastis, logis, dan penuh percaya diri, mungkin ada juga semacam "halo effect" yang membuatnya dikira benar-benar ahli
Saat mencoba bekerja dengan LLM dalam mode agen kode, saya sering melihat perilaku tak terduga: awalnya bagus, lalu makin lama melenceng ke arah aneh, bahkan mencoba mengubah indentasi kode yang sama sekali tidak relevan
Menarik bahwa dalam catur, AI khusus jauh lebih unggul daripada manusia, sementara LLM umum bahkan kesulitan membuat langkah yang legal. Artinya, langit-langit AI berada jauh di atas LLM
Soal "sulit mengikuti lebih dari 10 langkah", dalam catur keadaan papan saat ini lebih penting daripada langkah-langkah sebelumnya. LLM lemah dalam menyaring informasi yang tidak perlu, jadi justru performanya membaik jika hanya diberi keadaan papan. Lihat diskusi yang lebih rinci
Kalau agen hanya bagus untuk proyek greenfield, maka codebase yang sudah ada juga harus disiapkan agar setiap fitur baru tampak seperti proyek greenfield baru, sehingga magang cukup tinggal mencolokkan plug dan semuanya berjalan. Sisanya tetap perlu disentuh manusia, kalau tidak magang itu bisa saja membongkar seluruh dinding
Menurut saya itu tidak masuk akal. Ambil proyek Y di npm dari GitHub lewat WebStorm lalu tanyakan ke Junie, mungkin Anda langsung dapat jawaban, bahkan struktur data yang tidak dipahami pun bisa didokumentasikan lengkap dengan contohnya. Mungkin belum bisa langsung membuat PR, tetapi sebagai pair programmer jelas sangat berguna. Justru saya jadi menulis lebih banyak test dan lebih memperhatikan error handling, sehingga hasil akhirnya lebih baik
Agen punya banyak hal yang dikerjakan dengan baik, dan banyak juga yang tidak. Semakin dipakai, semakin bingung apa sebenarnya yang lebih cocok dikerjakannya
Saya rasa agen justru kurang bagus untuk memulai proyek yang benar-benar baru, sangat bagus untuk proyek kecil hingga menengah, lalu efektivitasnya menurun seiring membesarnya skala. Untuk proyek yang sepenuhnya baru, sering keluar kode "setingkat contoh" yang sebenarnya tidak bisa dipakai sungguhan.
Ringkasan satu barisnya: AI adalah alat yang bagus untuk interpolation, tetapi buruk untuk extrapolation
Saya setuju dengan sebagian besar isi tulisan, tetapi saya tidak setuju pada bagian "peningkatan keterampilan berhenti di level yang bisa diberikan AI". Dari pengalaman saya, untuk menggunakan AI dengan baik dibutuhkan mindset bertumbuh, bukan mindset tetap; saya seperti bermain peran sebagai manajer AI dan terus memperbaiki output-nya. Ada batas tertentu, tetapi bahkan tanpa mempelajari keterampilan itu secara langsung, saya tetap bisa meningkatkan kualitas hasil secara signifikan dengan fokus pada batas-batas masalahnya. Seiring waktu, saya merasa berkembang menjadi manajer yang lebih baik di bidang tersebut meski tidak menjadi ahli praktisi di lapangan
Kalau Anda sendiri tidak tahu "bagaimana" caranya, saya penasaran dengan tolok ukur apa Anda menilai kualitasnya sudah cukup meningkat. Pada akhirnya itu tetap peningkatan relatif dibanding kualitas awal, jadi kesannya kalau Anda puas sendiri, tidak masalah meski kualitas nyatanya tidak benar-benar lebih baik
Saya tidak melihat cara seperti ini sebagai "cheating"
Dalam kurva belajar, saat sudah mendekati puncak, belajar tanpa AI justru kemungkinan akan lebih baik. Tingkat kemahiran tertinggi hanya bisa dicapai lewat waktu belajar yang lambat dan mandiri
Kelebihan terbesar LLM adalah bisa mendapat jawaban yang akurat dalam format yang seragam tanpa diganggu iklan atau media sosial. Ini kebalikan total dari mencari jawaban di reddit, insta, atau tvtropes. Saya berharap segera ada OS yang benar-benar fokus sebagai pendamping berpikir, sekaligus lingkungan yang membantu anak-anak agar tidak terjebak dalam perangkap konten. Saya sangat suka bisa cepat menerima dokumen dan informasi yang dibutuhkan tanpa terganggu UI ad hoc
Saya tidak menganggap jawaban AI itu akurat, malah sering terasa cukup berbahaya. Di komunitas, lebih mudah menilai siapa yang ahli, dan pada akhirnya kita bisa mendapatkan jawaban yang benar, tetapi AI juga mengumpulkan data yang sama, jadi risikonya memberi jawaban salah tetap sama. Lingkungan bebas iklan pun sepertinya tidak akan bertahan lama. Perusahaan AI membakar uang dalam jumlah besar, jadi sebentar lagi iklan dan elemen sosial akan membanjir; manfaat gratis saat ini hanyalah strategi subsidi kerugian untuk menarik pelanggan
Ini menyindir bahwa kata "akurat" itu sendiri sangat subjektif
Bahkan di bidang AI yang saya pahami lebih baik pun, polanya sesuai dengan ini. Orang yang berada di bawah rata-rata bisa memakai AI untuk mendapatkan hasil yang mendekati rata-rata
Ini juga sejalan dengan ringkasan lain bahwa orang yang punya pengetahuan lebih banyaklah yang benar-benar mendapat manfaat dari LLM
Orang yang di atas rata-rata pun bisa memakai AI untuk menghasilkan sesuatu yang biasa-biasa saja. Dalam banyak pekerjaan, standar "cukup bagus" itu justru sangat rendah
Jadi candanya, alasan orang-orang di sini menolak AI mungkin karena mereka semua berada di atas rata-rata
Kalau "orang di bawah rata-rata menghasilkan keluaran setara rata-rata dengan AI", berarti rata-rata keseluruhan ikut naik sebesar itu juga
Mungkin bisa diringkas sebagai "AI bagus untuk prototyping, tetapi tidak bagus untuk engineering". Alat AI cepat, tetapi kurang breadth dan depth. Ia berguna untuk cepat membuat PoC atau menyelesaikan submasalah, tetapi kurang dalam konteks menyeluruh dan kedalaman, sedangkan engineering sejati membutuhkan jauh lebih banyak daripada sekadar implementasi: konteks, pengecualian, bentuk kegagalan, pemahaman mendalam, dan sebagainya. Programmer yang sangat hebat pun belum tentu engineer, dan leetcoder terbaik belum tentu benar-benar membantu tim secara nyata. Untuk menuju mastery sejati dibutuhkan pengalaman, dan itu berarti memahami hal-hal yang halus serta tidak intuitif. Era ketika manajer bisa merekayasa produk hanya dengan menekan satu tombol tidak akan datang. Generator kode AI saat ini juga berangkat dari ilusi sebagai "otomatisasi untuk manajer", padahal alat yang bekerja berdasarkan penjelasan engineer lapangan justru lebih baik. Komentar Dijkstra tentang "kebodohan pemrograman dalam bahasa alami" menurut saya masih relevan. Teks aslinya di sini
Di Meta, mereka heboh seolah-olah superintelligence sudah hampir jadi wkwkwk