Apa yang Sebenarnya Sedang Terjadi Sekarang?

• Di industri perangkat lunak, burnout engineer semakin parah, dan terutama para engineer junior menimbulkan masalah pada kualitas kode dan kolaborasi karena penyalahgunaan alat AI
• Umpan balik dari engineer senior tidak dipakai sebagai kesempatan belajar, melainkan digunakan sebagai prompt baru untuk AI, dan “kode yang ditulis AI” menghabiskan kapasitas review seluruh tim
• Di beberapa organisasi, kode tidak sempurna yang dibuat AI dipresentasikan seolah-olah sebagai “pencapaian”, sehingga terbentuk suasana yang mendorong ketergantungan pada AI
• Penulis, melalui pengalaman langsung, merasa tidak nyaman dan janggal saat menerima jawaban kode dari AI, dan mengkritik bahwa AI justru merusak budaya belajar dan mentoring
• Ekosistem startup AI pada akhirnya juga tidak berkelanjutan karena ketidakekonomisan, konsumsi listrik, dan masalah lingkungan, dan menekankan bahwa situasi saat ini tidak berbeda dari penipuan “** sang kaisar telanjang**”

---

Pendahuluan: lingkungan engineering yang mengkhawatirkan

• Belakangan ini, fenomena burnout di kalangan engineer semakin parah
• Di organisasi, engineer senior diharapkan meninjau dan berkontribusi pada “fitur berbasis vibe (meme)” yang pada praktiknya tidak benar-benar berjalan
• Menurut pengalaman saya, engineer terbaik selalu ingin membantu anggota tim baru bertumbuh dengan antusias

• Namun, alih-alih menggunakan umpan balik mereka sebagai kesempatan untuk berkembang, para developer junior hanya memanfaatkannya sebagai prompt berikutnya untuk AI generatif
• Saya sendiri telah menyaksikan banyak engineer junior menggunakan alat LLM (large language model) secara langsung, sampai pada tingkat yang bisa disebut penyalahgunaan

Kasus nyata di dalam organisasi: dampak buruk penyalahgunaan AI

• Baru-baru ini di town hall perusahaan, saya melihat engineer junior mendemonstrasikan hasil kerja baru
• Mereka bahkan tampak tidak benar-benar memahami tujuan maupun cara kerja fitur tersebut
• Namun, di organisasi besar, fokusnya sering kali adalah menampilkan “kesuksesan” terlepas dari hasil nyata
• Ketika seorang manajer senior memamerkan contoh penggunaan AI mereka, ia dengan bangga menjelaskan, “ini adalah 4.000 baris kode yang ditulis Claude”, dan mendapat tepuk tangan

• Saya juga pernah diminta meninjau kode untuk perbaikan kecil pada fitur yang sudah ada, lalu meminta konteks kepada engineer junior yang baru melakukan perubahan
• Saya mengirim URL commit Github dan mengajukan pertanyaan, tetapi tampaknya ia memasukkan isinya ke LLM lalu menyalin jawaban yang dikembalikan
• Dalam proses itu, saya merasakan keganjilan dan ketidaknyamanan yang aneh

Lereng AI dan batas code review

• Dari kasus seorang teman, saya mengetahui bahwa selama satu bulan, beberapa engineer benar-benar membuang waktu untuk meninjau dan mencoba menggabungkan kode yang dihasilkan otomatis oleh LLM (PR vibe-coded)
• Teman lain juga mengeluhkan pengalamannya terkuras karena harus berulang kali me-review “kode berantakan” buatan AI
• Berkat AI, tidak ada peningkatan kualitas kode atau pembelajaran; yang bertambah hanya kerja repetitif

Nilai sejati budaya pengembangan dan pertumbuhan manusia

• Semua engineer tumbuh selangkah demi selangkah berkat rekan kerja dan mentor
• Mengajar secara langsung dan membantu orang berkembang adalah inti dari budaya software engineering
• Namun, muncul rasa skeptis terhadap kenyataan bahwa investasi seperti ini pada akhirnya langsung disalin menjadi data pelatihan untuk “model terbaru”
• Lalu muncul pertanyaan mendasar: kalau begitu, apakah lebih baik melatih model saja daripada membina engineer junior?

• Dunia seperti itu adalah visi yang sangat suram.

Eksperimen tidak memakai AI dan kesimpulan

• Secara langsung, penulis mengusulkan eksperimen: “cobalah berhenti menggunakan AI”
• Ia sendiri baru-baru ini menginisialisasi ulang komputernya dan menghentikan langganan Claude Pro
• Beberapa kali mencari, membaca Stack Overflow, dan dokumentasi resmi justru memungkinkan pengambilan kesimpulan yang jauh lebih dapat dipercaya
• Ia sampai pada pemikiran bahwa penilaiannya sendiri lebih unggul dalam hal akurasi dan keandalan dibanding hasil yang dikeluarkan LLM.

Nilai ekonomi alat AI generatif, dan keterbatasan mendasarnya

• Ia mengajukan pertanyaan, “apakah AI benar-benar berguna?”
• Jika dilihat secara objektif, situasinya menimbulkan keraguan besar terhadap nilainya
• Proses yang lazim pada startup AI adalah sebagai berikut:
  • “AI” diterapkan ke ranah yang sudah ada, lalu startup baru muncul dengan dalih efisiensi
  • Startup AI berhasil menarik investasi dari modal ventura
  • Membayar biaya penggunaan kepada penyedia layanan AI (seperti OpenAI)
  • Startup AI itu sendiri tidak berhasil menghasilkan keuntungan
• Jika hanya melihat proses ini, memang tidak jauh berbeda dari ekosistem VC yang sudah ada, tetapi perbedaan intinya adalah bahkan penyedia layanan (seperti OpenAI) pun masih belum menghasilkan keuntungan
• Teknologi itu sendiri pada dasarnya tidak efisien dan strukturnya tidak menguntungkan untuk ekspansi besar-besaran
• Konsumsi listrik yang berlebihan dan dampak lingkungan juga merupakan masalah serius

Penutup: perlunya mengenali realitas

• Kita bisa berharap Hukum Moore hidup kembali, atau berdoa agar semua orang menjadi kaya sebelum alam semesta mendingin
• Tetapi jika menghadapi kenyataan, bisnis AI generatif adalah semacam ilusi dan fenomena “kaisar telanjang”

[ahwjdekf]

Setelah Perang Dunia yang menjadikan bom nuklir sebagai puncak teknologi, ada kekhawatiran bahwa umat manusia akan kembali ke zaman primitif; di bidang pengembangan software saat ini, hal itu sedang benar-benar terjadi.

[dicebattle]

Sepertinya cukup berhenti dengan vibe coding yang berlebihan. Untuk penggunaan dengan asisten dan penulisan beberapa algoritme yang detail namun sederhana, rasanya sulit menemukan yang sebanding dengan ini.

[GN⁺]

Opini Hacker News

• Menekankan bahwa mengadopsi AI ke dalam organisasi bukan sekadar masalah teknis, melainkan masalah manajemen perubahan. Efek nyata baru bisa terlihat jika tim yang kompeten dan berlandaskan kepercayaan serta transparansi membangun proses yang menyeimbangkan keahlian manusia dan kekuatan LLM. Sudah mulai muncul kasus tim kecil yang meraih hasil besar dengan AI. Namun, kebanyakan organisasi, terutama perusahaan besar, tidak memiliki budaya organisasi yang sehat, sehingga AI justru memperkuat toksisitas itu. Ada juga eksekutif perusahaan yang salah paham mengira "Story Point" hanyalah satuan waktu, lalu memandang AI semata sebagai alat untuk memangkas semuanya jadi setengahnya. Pada dasarnya mereka terlepas dari proses membangun perangkat lunak yang bisa dipelihara, dan melihat AI sebagai jalan pintas untuk asal menaikkan keuntungan. Hasil riset terbaru yang menunjukkan 95% proyek pilot AI gagal mencapai ROI juga menjadi contoh yang memperlihatkan ketidakmampuan manajemen modern

  • Mungkin saja AI memang terlalu dibesar-besarkan. Mengungkapkan rasa ingin tahu tim konkret mana yang dimaksud dalam klaim bahwa "tim kecil meraih hasil besar dengan AI"
  • Menyampaikan kejenuhan terhadap sikap yang memberi semacam pembebasan pada AI dengan mengatakan bahwa masalahnya "hanya masalah yang memang sudah ada sejak awal". Masalah kesehatan mental atau budaya organisasi yang memburuk karena AI juga dianggap sebagai tanggung jawab alat itu sendiri. Berbeda dari anggapan bahwa alat dan sistem tidak punya tanggung jawab, menurutnya alat dan lingkungan nyata-nyata memberi pengaruh
  • Merasa sayang karena klaim bahwa "tim kecil melakukan hal besar" hanya menyajikan kisah sukses tanpa contoh yang konkret
  • Menganggap memasukkan AI ke organisasi manajerial yang memang sudah kacau seperti memberikan senapan otomatis kepada segerombolan Viking. Itu hanya mempercepat kehancuran organisasi. Ditekankan bahwa inti masalahnya bukan teknologinya, melainkan kegagalan sosial dan etis banyak anggota organisasi (atau segelintir manajer kunci)
  • Menyebut banyak eksekutif salah memahami "Story Point" sebagai waktu, dan mengaku sudah melihat kesalahan ini di semua peran yang pernah ditemui sejauh ini (developer, QA, PM, eksekutif)

• Membahas kemunculan "Prompstitudes (pegawai kantoran yang hanya bergantung pada prompt)". Pernah ada rekan kerja yang hanya melemparkan jawaban ChatGPT yang menebak pendapatnya, dan itu membuatnya merasa seperti "wilayah pribadi dilanggar" sebagaimana disebut di artikel. Mereka terasa bukan sekadar tidak kompeten, tetapi terlalu bergantung pada LLM, seperti lansia di kasino yang terus menarik tuas mesin slot

• Membagikan pengalaman baru-baru ini merasa tidak enak saat berbicara dengan rekan kerja karena jelas sekali yang kembali adalah hasil dari ChatGPT. Bahkan rasanya lebih baik diabaikan saja. Terutama karena LLM dengan penuh percaya diri menegaskan hal yang salah. Detail kecil (misalnya nama yang sedikit berbeda antara konfigurasi dan implementasi) bisa membuat LLM benar-benar bingung. Tidak seperti manusia, LLM tidak belajar atau menyadari kesalahannya, sehingga terus melaju ke arah yang salah. Secara emosional, rasanya malah lebih baik bergulat dengan kode buruk buatan manusia

  • Pernah bekerja dengan PM yang menulis PRD menggunakan AI. Saat ditanya isinya, dia menjawab, "Saya tidak tahu, itu ditulis AI." Akhirnya PM berhenti benar-benar menyampaikan ide, dan hanya mempertontonkan performa penulisan dokumen. Memahami dan menafsirkan requirement pun seluruhnya jadi tanggung jawabnya sendiri, sehingga dia keluar dari tim
  • Menyatakan setuju dengan bagian bahwa "LLM salah dengan penuh percaya diri". Seperti rekan kerja karismatik yang sok tahu, LLM juga sering mengatakan hal yang salah dengan cara yang terdengar meyakinkan
  • Minggu ini mengalami pengalaman yang sangat aneh. Karena dirinya sendiri juga tidak terlalu paham spesifikasi teknis tertentu, dia meminta Claude meninjau proposal internal dan Claude menunjukkan banyak kesalahan. Saat itu disampaikan kepada penanggung jawab internal spesifikasi tersebut dengan catatan, "ini usulan dari LLM jadi bisa saja ngawur," lalu orang itu juga memasukkan pesannya ke LLM, menerima jawabannya, dan mengirimkannya kembali untuk ditanyakan. Hasil akhirnya terasa seperti semua orang hanya menjadi asisten bagi AI. Jika masa depan pengembangan perangkat lunak seperti ini, dia tidak antusias
  • Menganggap kode buruk buatan manusia jauh lebih baik daripada kode buruk buatan LLM. Dari kode manusia, setidaknya masih bisa ditebak konteks apa yang ingin dilakukan. Sebaliknya, kode yang dihasilkan LLM kadang rusak total dari awal sampai akhir, bahkan mengarang fungsi atau konsep yang sebenarnya tidak ada. Biasanya manusia tidak sampai membuat kode yang seterlepas itu dari realitas. Untuk memahami kode LLM, rasanya sampai harus mempelajari ulang seluruh codebase
  • Menunjukkan bahwa ungkapan "LLM percaya dirinya tidak pernah salah" tidak tepat, karena LLM sejak awal tidak bisa percaya, berpikir, atau merasakan apa pun. Ia hanya menyusun token bahasa yang secara statistik paling masuk akal dan menambahkan sedikit unsur acak untuk meniru kreativitas

• Menanggapi pertanyaan "Apakah alat AI benar-benar berguna?", dia merasa berguna karena memakainya dengan cara yang berbeda dari orang lain. Sudah mengembangkan sejak 1983 dan kini pensiun, sehingga sering bekerja sendirian. Sudah mencoba banyak alat, tetapi sekarang hanya memakai ChatGPT dan Perplexity. Ia tidak membiarkan AI menulis kodenya secara langsung, melainkan memakai kode yang disarankan LLM sebagai referensi dan titik awal. Kadang dipakai utuh, tetapi sebagian besar melalui proses revisi dan penulisan ulang. Jika LLM mulai memberi hasil yang makin buruk, ia langsung berhenti dan mencoba pendekatan baru. Membayangkan engineer pemula hanya menyalin kode LLM dalam alur seperti ini terasa menakutkan. Nilai terbesar baginya adalah sensasi seperti "StackOverflow yang langsung merespons". Pertanyaan sebodoh apa pun bisa ditanyakan tanpa malu, dan cepat mendapatkan jawaban yang lumayan baik. Baru-baru ini saat mempelajari implementasi PassKey di iOS, ia memakai contoh kode ChatGPT apa adanya sebagai titik awal, lalu mempelajarinya baris demi baris. Kode pertama yang dipakai dan versi akhir yang selesai benar-benar berbeda, dan melalui proses itu pemahaman teknisnya menjadi jauh lebih dalam

  • Ia juga memanfaatkan AI dengan cara yang sama. Proyek pribadi yang awalnya sama sekali tidak dipahami kini hampir selesai, dan sekarang codebase-nya sudah cukup dipahami
  • Ia juga memakainya secara mirip untuk tugas kecil atau proyek pribadi. LLM menulis "kode buangan" pertama, dan dengan mengeksplorasi batasnya, ia bisa memahami domain masalah dengan lebih baik. Pada akhirnya jadi lebih percaya diri untuk mengimplementasikan sendiri

• Merasa LLM sangat hebat dalam menjawab pertanyaan teknis atau mengusulkan pendekatan baru. Bahkan pemula pun bisa bebas bertanya tanpa merasa dinilai seperti di StackOverflow atau mentok di jalan. Copilot unggul dalam fitur autocomplete yang mempercepat penulisan kode, serta melengkapi komentar dokumentasi atau baris kode secara otomatis. Bantuan kecil seperti ini mudah ditinjau. Namun, saat seluruh kode kompleks diserahkan begitu saja ke LLM, yang terjadi adalah kekacauan, dan justru berujung pada pengalaman tersiksa saat debugging. Jika pemula terlalu bergantung pada LLM, ia pikir akan sulit membangun kemampuan pengembangan yang benar-benar matang

• Secara pribadi memakai Zed untuk coding hobi karena AI di sana tidak terlalu sok pintar. Fitur AI bisa dipanggil dengan halus hanya saat diperlukan, dan selebihnya dia hanya menulis kode sendiri. Di tempat kerja, AI di VSCode terlalu sering mengganggu. Masalahnya ada dua: pertama, interaksinya terlalu rapuh (klik popup, atau tanpa sengaja menyisipkan autocomplete yang sangat besar), kedua, alurnya terputus. Ada kalanya autocomplete AI berguna (sekitar sepertiga waktu), tetapi di sisa waktunya alur berpikir asli malah rusak dan fokus buyar karena harus memeriksa hasil AI. Di Zed, masalah seperti ini tidak ada, sehingga ia merasa menemukan kembali kesenangan dalam pemrograman. Pada akhirnya, masalahnya lebih terletak pada cara implementasinya daripada pada fitur AI itu sendiri

  • Ia juga sangat setuju soal Zed. Setelah sebelumnya bermain-main di JupyterLab atau Kate, ia berubah setelah memakai Zed. Di Zed, yang menjadi pusat tetap IDE/editor, sementara AI, kernel Jupyter, dan fitur tambahan lain hanya membantu diam-diam saat diperlukan. Fitur tambahan seperti ini tidak mengganggu inti pengeditan teks/coding. Menurutnya tim Zed berhasil menemukan keseimbangan yang baik

• Merasa AI sangat berguna untuk membuat prototipe UX. Dalam waktu singkat bisa langsung membuat hasil yang dapat diklik, lalu melakukan iterasi berkali-kali untuk menentukan arah, dan nanti kode seperti itu dibuang lalu dikembangkan ulang. Cara ini membantu agar tidak membuang terlalu banyak waktu sejak awal ke arah yang salah. Namun, ia tetap merasa masih jauh sebelum AI bisa membuat keseluruhan aplikasi yang benar-benar bermakna secara utuh

  • Di area yang biasanya tidak terlalu dikuasai (misalnya skrip PowerShell), dia banyak terbantu oleh AI. Dulu saat membutuhkan skrip untuk laporan pengaturan registry, Claude menuliskannya dengan sempurna dan menghemat satu jam kerjanya
  • Ia juga merasa AI sangat unggul dalam menjelaskan error. Itu sangat membantu untuk menemukan solusi yang tepat atau memunculkan ide baru
  • Menyebut bahwa bagian "buang prototipe lalu kembangkan ulang" itu penting, tetapi dalam kenyataannya PM sering melupakan bagian ini sehingga prototipe malah masuk ke layanan nyata. Meski begitu, jika ada cara pakai yang cocok baginya, itu tetap hal yang baik
  • Bertanya ingin mendengar lebih detail tentang use case, proses, dan alat dalam cara kerja itu, karena tampaknya bisa sangat membantu dirinya dan timnya secara praktis

• Menganggap AI baginya hanyalah salah satu alat. Ia bukan developer level tinggi, tetapi di proyek pribadi ia memakainya dengan meminta ide dan umpan balik saat menemui kebuntuan. Poin pentingnya, ia tidak menyerahkan penulisan kode kepada AI (kecuali boilerplate yang sangat sederhana). Menulis kode sendiri memberinya kegembiraan dalam memecahkan masalah, berkreasi, dan belajar

  • Proyek terbarunya tidak akan selesai jika AI tidak menuliskan kode secara langsung. Dari setup repository keseluruhan sampai PoC, meski masih kasar, AI membuat semuanya jadi mungkin. Tanpa pengalaman Django, JS, atau web development, berkat AI ia bisa mendapatkan hasil yang awalnya belum benar-benar rapi tetapi berjalan, lalu memperbaikinya secara bertahap sambil meningkatkan pemahaman

• Baru-baru ini saat code review milik rekan kerja, ia melihat fungsi kompleks bernama "prepareData" yang mencampur dan memfilter array multidimensi. Saat ia bertanya kepada rekan itu "fungsi ini sebenarnya untuk apa?", jawabannya justru menyuruh menghemat waktu dengan bertanya ke LLM, dan itu membuatnya terkejut. Ia kecewa dengan sikap yang bahkan tidak mau menjawab pertanyaan paling dasar untuk code review

  • Sedikit bercanda menyarankan agar jawab saja dengan bertanya ke LLM lalu kirimkan jawabannya kembali ke rekan itu, dan setelah 20 kali bolak-balik memberi feedback, saat dia tidak paham, suruh saja dia bertanya ke LLM juga

• Mengkhawatirkan bahwa 10 tahun lagi developer junior akan langsung berusaha menjadi senior tanpa pengalaman benar-benar menulis kode sendiri

  • Sebenarnya fenomena ini sudah dimulai sejak sebelum AI. Struktur industrinya memang sulit masuk kerja tanpa pengalaman lebih dari 10 tahun, dan industri gagal melakukan upskilling generasi muda. Bahkan ketika perusahaan berusaha membina junior secara konsisten, setiap kali krisis yang pertama diberhentikan justru junior, lalu setelahnya terburu-buru merekrut senior lagi, sehingga siklus buruk itu terus berulang
  • Sambil bercanda menyebut sekarang bahkan 3 tahun saja sudah cukup untuk dianggap senior, dan bahwa bukan 10 tahun lagi, dalam 3 tahun saja orang bisa cepat menjadi staff developer
  • Menyebut konsep "Vibe coding" sudah muncul sejak 9 bulan lalu, dan memperkirakan bahwa dalam waktu kurang dari 2 tahun orang-orang tidak lagi menulis atau memelihara kode secara langsung
  • Meski begitu, perangkat lunak yang ditulis oleh developer yang benar-benar punya keahlian akan selalu ada, dan selama kode LLM belum sempurna, permintaan atas kode berkualitas tinggi akan tetap berlanjut
  • Menganggap jumlah developer junior terlalu banyak sementara masalah bernilai yang bisa memberi pengalaman nyata tidak cukup banyak, sehingga mereka sulit tumbuh ke tahap berikutnya. Dulu setidaknya mereka bisa diberi PoC murah atau tugas skrip, tetapi sekarang kesempatan itu berkurang karena AI bisa menangani peran seperti itu dengan cukup baik. Ditambahkan bahwa bahkan saat itu pun junior sudah banyak dan posisi tetap kurang

[happyiminjay]

Pada tahap awal pengembangan, AI sangat efektif untuk menyiapkan environment dan mengembangkan modul dalam unit function kecil, tetapi di luar itu, vibe coding dengan menjejalkan kode dan prompt adalah bencana dari sudut pandang maintainability. Mungkin berhasil beberapa kali di awal, tetapi pada akhirnya, setiap kali masalah muncul, kita harus mencoba N kali sampai AI menyelesaikan masalahnya sendiri, dan rasa takut karena tidak tahu bug lain apa yang mungkin dipicu oleh solusi tersebut akan terus berlanjut.

[ulsoft]

Tergantung pada kemampuan pengembang
Jika digunakan oleh orang yang punya dasar yang kuat, AI bisa dimanfaatkan untuk menghasilkan pengembangan berkualitas tinggi
Jika tidak punya dasar, arahnya jadi melenceng jauh
Perbedaannya seperti koki yang punya dasar dan yang tidak