- Klaim bahwa AI meningkatkan produktivitas insinyur 10 hingga 100 kali lipat tidak realistis
- Saat benar-benar menggunakan alat coding AI secara mendalam, peningkatan efisiensi ternyata terbatas, dan lonjakan produktivitas hanya terjadi sementara pada tugas yang berulang dan sederhana
- Bottleneck dalam pengembangan perangkat lunak (code review, kolaborasi, perencanaan, dll.) tidak bisa diatasi dengan AI, sehingga peningkatan 10x untuk keseluruhan pekerjaan tidak mungkin terjadi
- Mitos insinyur 10x muncul dari berbagai motif seperti distorsi angka, kepentingan para pelaku industri, atau pemicu kecemasan di dalam organisasi
- Mempertahankan cara mengembangkan software yang cocok untuk diri sendiri dan rasa senang dalam bekerja akan menghasilkan hasil yang lebih baik dalam jangka panjang serta budaya organisasi yang sehat
Skeptisisme terhadap mitos insinyur AI 10x
Kecemasan soal produktivitas dan pengalaman nyata memakai alat AI
- Di LinkedIn, Twitter, dan platform lain, narasi bahwa AI dapat meningkatkan produktivitas insinyur 10 hingga 100 kali lipat terus menyebar, membuat banyak developer merasa cemas akan tertinggal
- Penulis juga telah mencoba berbagai agen pembuat kode AI (Claude Code, Cursor, Roo Code, Zed, dll.) dalam pekerjaan nyata, tetapi meskipun nyaman untuk tugas sederhana yang berulang, alat tersebut tidak membawa perubahan mendasar pada pekerjaan kompleks di dunia nyata
- Kode berulang (boilerplate) di JavaScript (terutama React) bisa ditulis dengan cepat
- Namun, untuk standar codebase internal atau library yang tidak umum, AI tidak mampu mengikutinya dengan baik
- Untuk bahasa seperti Terraform, performa AI menurun karena tidak cukup familier
- Fenomena halusinasi (hallucination) dapat membuat AI menciptakan library yang sebenarnya tidak ada dan bahkan memicu kerentanan keamanan
- Kemampuan AI memahami konteks masih terbatas. Semakin kompleks codebase yang nyata, semakin sering muncul prompt berulang, error, dan pemborosan waktu
- Pada akhirnya, penulis memakai AI untuk skrip kecil atau tugas noninti, sementara tugas yang kompleks atau penting tetap ditangani langsung
Masalah dalam mengukur produktivitas pengembangan perangkat lunak
- Klaim bahwa produktivitas bisa naik 10 hingga 100 kali lipat dengan AI adalah angka yang jauh dari kenyataan
- Produktivitas 10x atau 100x bukan sekadar berarti jumlah baris kode bertambah, tetapi bahwa pekerjaan yang biasanya butuh 3 bulan (seluruh pengembangan, code review, QA, dll.) selesai dalam 1,5 minggu
- Dalam pengembangan perangkat lunak ada banyak bottleneck seperti perencanaan, estimasi story point, perbaikan bug, code review, menunggu deployment, testing, dan QA
- Agar target itu tercapai, setiap proses tersebut harus menjadi 10 kali lebih cepat dengan rasio yang sama
- Pada kenyataannya, waktu untuk menulis kode itu sendiri tidak besar; banyak waktu justru dipakai untuk memahami, merancang, meninjau, dan berkomunikasi
- Secara realistis, code review, kolaborasi, komunikasi, dan QA tidak bisa dipercepat dengan AI
- Bottleneck nyata dalam pekerjaan engineering ada pada manusia, proses, dan komunikasi
- LLM (large language model) memang mengurangi waktu mengetik di keyboard, tetapi waktu untuk kualitas kode, testing, dan review tetap dibutuhkan
- Walaupun AI bisa sementara meningkatkan kecepatan penulisan kode, kenaikan tingkat error, standar kode yang kurang baik, serta kebutuhan untuk melakukan prompt ulang membuatnya tidak memberi dampak menentukan pada peningkatan produktivitas secara keseluruhan
- Produktivitas 10x secara realistis adalah target yang nyaris mustahil
Wujud nyata dan batasan insinyur 10x
- Soal keberadaan "insinyur 10x", penulis menilai hal itu mungkin terjadi secara sementara dan terbatas
- Alasan terbesar adalah kemampuan mencegah pekerjaan yang tidak perlu yang terakumulasi dari pengalaman, seperti mencegah pengembangan yang tak diperlukan sejak tahap perencanaan, memperbaiki pengalaman pengembangan, atau dokumentasi
- Namun, tidak semua insinyur menghadapi situasi seperti ini setiap saat
- Insinyur yang sangat menonjol memang bisa mencegah pekerjaan tak perlu atau meningkatkan efisiensi organisasi secara keseluruhan lewat perbaikan sistem, tetapi secara praktik hampir tidak ada kasus yang secara konsisten menghasilkan kinerja 10x
- Alat coding AI tidak banyak membantu dalam mencegah pekerjaan yang tidak perlu
- Bahkan, rekomendasi AI bisa membuat implementasi menjadi berlebihan atau menyarankan arsitektur yang keliru
- Coding cepat tidak selalu berarti seorang insinyur itu baik
Latar belakang dan motif mitos AI 10x
Sebagian besar klaim tentang "produktivitas 10x" berasal dari faktor-faktor berikut
- Insinyur yang berniat baik tetapi salah mengukur
- Dengan alat AI, seseorang bisa merasakan ledakan efisiensi sesaat (misalnya: membuat aturan kustom ESLint secara otomatis)
- Namun, ketika pekerjaan seperti itu berulang, selisih produktivitas pada akhirnya menyusut tajam
- Kekaguman teknis dan adaptasi terhadap lingkungan baru pada awalnya bisa menimbulkan ilusi efisiensi yang berlebihan
- Insentif dan para pemangku kepentingan
- Pendiri startup AI, investor, dan pihak lain sering mengutip angka yang dibesar-besarkan demi keberhasilan bisnis
- Insinyur maupun manajemen juga bisa menyebut produktivitas yang dibesar-besarkan demi memenuhi ekspektasi di dalam organisasi
- Tujuan yang buruk
- Sebagian manajemen menyebarkan klaim yang dilebih-lebihkan untuk menciptakan kecemasan pada insinyur dan mencegah gejolak internal organisasi, seperti pindah kerja atau permintaan kenaikan gaji
- Ketakutan bahwa AI akan membuat siapa pun mudah tergantikan terus berulang secara berkala (mirip dengan perdebatan bootcamp coding di masa lalu)
Hasil AI dalam open source dan proyek nyata di lapangan
- Sebagian besar contoh nyata peningkatan produktivitas AI memiliki jarak antara penulis klaim dan insinyur yang disebut mengalami peningkatan produktivitas.
- Kasus penggunaan alat AI yang benar-benar dibuktikan langsung oleh insinyur menunjukkan gambaran yang realistis dan tidak berlebihan
- Hasil penggunaan AI di proyek open source sering kali justru tampil di bawah ekspektasi atau bahkan sebagai contoh kegagalan
- Dalam demo publik atau contoh dari insinyur sungguhan, AI kadang tampak seperti sulap, tetapi sebagian besar tetap tidak jauh berbeda dari "generator teks" yang sudah ada
Nilai yang lebih penting daripada "produktivitas" - mempertahankan cara mengembangkan software yang sesuai dengan diri sendiri
- AI kadang memungkinkan penulisan kode lebih cepat, tetapi penulis tetap lebih mengutamakan kesenangan dalam coding itu sendiri
- Jika Anda tidak menyukai coding dengan AI atau tidak merasa itu menyenangkan, tidak masalah untuk melepaskan sebagian produktivitas
- Sekalipun harus menerima tingkat inefisiensi tertentu, bekerja dengan cara yang cocok untuk diri sendiri akan menghasilkan keadaan yang lebih sehat dan hasil yang lebih baik dalam jangka panjang
- Saat bekerja dengan senang, kita bisa memiliki kemampuan pemecahan masalah, perancangan, dan kolaborasi dengan rekan yang lebih baik
- Rasa senang dan keterlibatan jauh lebih penting bagi produktivitas jangka panjang dan kualitas kode, sedangkan mengejar produktivitas secara paksa justru meningkatkan risiko burnout
- Sebaliknya, jika coding dengan AI benar-benar menyenangkan dan membantu, silakan gunakan secara aktif
Saran untuk budaya organisasi yang sehat
- Saat mengadopsi alat AI, menciptakan ekspektasi yang tidak realistis dan kecemasan pada semua insinyur justru merugikan produktivitas organisasi
- Obsesi untuk memaksimalkan produktivitas akan berujung pada penurunan kualitas, memburuknya codebase, dan kerugian jangka panjang
- Lebih baik memberi insinyur otonomi dan kepercayaan yang cukup, lalu membiarkan pemanfaatan AI dipilih sesuai cara yang paling cocok bagi masing-masing orang
- Organisasi sebaiknya menyediakan kesempatan untuk menggunakan AI, tetapi yang penting adalah suasana yang menjamin otonomi
- Jika LLM dan inovasi coding AI benar-benar memberi produktivitas 10x, para developer akan menemukannya sendiri secara alami
Kesimpulan
- Revolusi insinyur 10x karena AI lebih dekat ke mitos, dan pada praktiknya tidak ada resep rahasia yang sedang terlewatkan
- Kepercayaan pada kemampuan dan cara kerja diri sendiri adalah hal yang paling penting
- SNS (terutama LinkedIn dan Twitter) memperbesar mitos yang dilebih-lebihkan, sehingga boleh saja diabaikan
Belum ada komentar.