- Seorang staff engineer membagikan pengalamannya bereksperimen selama 6 minggu dengan workflow pengembangan bersama AI menggunakan Claude Code
- Pola pikir menganggap AI sebagai ‘junior developer yang tidak belajar’ adalah kunci integrasi yang berhasil
- Percobaan pertama pada umumnya 95% gagal, tetapi melalui proses berulang perlahan disempurnakan menjadi kode yang berguna
- Masalah kurangnya konteks pada AI diatasi dengan memanfaatkan file konteks per proyek (Claude.md) dan integrasi tool berbasis MCP
- Peran developer bergeser dari menulis kode ke pemecahan masalah dan perancangan arsitektur, yang menjadi pola produktivitas baru di era pemanfaatan AI
Latar belakang dan pendekatan
- Penulis awalnya menulis semua kode sendiri, tetapi belakangan 80% ditulis oleh AI dan ia berfokus pada arsitektur, review, serta pengelolaan pengembangan multithread
- Tulisan ini bukan narasi optimistis bahwa 'AI akan memimpin inovasi', melainkan berbagi kebingungan dan metodologi realistis saat mengintegrasikan AI ke workflow pengembangan produksi yang nyata
- Memperlakukan AI sebagai 'junior developer yang tidak belajar' adalah inti pemanfaatan yang berhasil
Proses perubahan paradigma pengembangan
- Selama 5 tahun awal, tetap menggunakan cara pengembangan dengan merujuk buku dan dokumentasi SDK
- Setelah itu, selama 12 tahun beralih ke pemanfaatan pengetahuan kolektif berbasis pencarian (google)
- Dalam 18 bulan terakhir, bereksperimen dengan coding berbantuan AI melalui Cursor
- Dalam 6 minggu terakhir, mengalami perubahan drastis melalui delegasi AI secara menyeluruh dengan Claude Code
- Adaptasi terhadap Claude Code terasa meningkatkan produktivitas hanya dalam hitungan beberapa jam
Workflow produksi berbasis AI yang nyata
- Saat mengerjakan kode untuk produksi, AI terutama digunakan untuk "berpikir"
- Menghasilkan kode sempurna dalam sekali jalan tidak mungkin. Tugas seorang engineer adalah menemukan solusi terbaik untuk masalah yang ada
- Percobaan pertama (95% gagal): AI membangun konteks sistem dan developer merumuskan masalah, tetapi kodenya hampir semuanya salah
- Percobaan kedua (50% gagal): Pemahaman konteks meningkat dan pendekatan menjadi lebih spesifik, tetapi setengahnya masih tidak berguna
- Percobaan ketiga (kode yang bisa dipakai): Melalui iterasi dan review, muncul kode dasar yang benar-benar dapat digunakan lalu ditingkatkan lebih lanjut
- Proses ini bukan kegagalan, tetapi eksperimen yang memang direncanakan dan proses optimasi berulang
Masalah konteks dan solusinya
- AI tidak dapat mempertahankan memori antar sesi, sehingga ada keterbatasan karena penjelasan yang sama harus diulang setiap kali
- Sebagai solusi, digunakan file Claude.md untuk mencatat keputusan arsitektur, pola, tautan dokumentasi, dan sebagainya
- Melalui integrasi MCP, AI dihubungkan ke Linear, Notion, GitHub, codebase, dan database agar konteks diberikan secara otomatis
- Menggunakan Linear untuk menyediakan konteks tiket
- Menggunakan Notion atau Canvas untuk akses dokumentasi
- Menggunakan database non-produksi untuk memeriksa struktur data
- Memanfaatkan informasi latar dari PR lama di GitHub
Menjalankan instance Claude paralel dan strategi utama
- Menjalankan beberapa instance Claude secara paralel didekati seperti mengelola ‘tim developer kecil yang kehilangan memori setiap hari’
- Disusun strategi seperti melarang paralelisasi pada area masalah yang sama, mencatat semua pekerjaan di alat manajemen proyek seperti Linear, dan menandai dengan jelas kode yang diubah langsung oleh manusia
- AI dimanfaatkan secara aktif bukan hanya untuk menulis kode tetapi juga dalam code review: menemukan tes yang terlewat, bug yang jelas, dan titik perbaikan dengan cepat sehingga mengurangi pekerjaan berulang
- Menurut kebijakan perusahaan penulis (Sanity), tanggung jawab akhir atas kualitas tetap ada pada engineer meskipun kodenya dihasilkan AI
- Dalam lingkungan pembuatan kode di mana sulit membedakan AI dan manusia, keterikatan emosional berkurang sehingga code review bisa lebih kritis dan objektif
Proses code review 3 tahap
- Menulis kode adalah bagian dari pekerjaan, tetapi meninjau kode juga sama pentingnya
- Review tahap 1: tinjauan awal oleh Claude
- Mendeteksi cakupan tes yang kurang dan bug yang jelas
- Menghemat waktu review rekan melalui usulan perbaikan
- Review tahap 2: saya meninjau
- Memeriksa maintainability, arsitektur, logika bisnis, dan integrasi
- Walau kode dibuat AI, engineer tetap memikul tanggung jawab akhir
- Review tahap 3: review umum oleh tim
- Tim tidak mengetahui bagian mana yang dibuat AI. Standar kualitas yang sama tetap diterapkan
- Review objektif dimungkinkan tanpa keterikatan emosional
- Karena keterikatan emosional terhadap kode buatan AI berkurang, review objektif menjadi lebih mudah
Eksperimen agen yang dipicu Slack dan otomasi pekerjaan
- Mempilotkan agen terintegrasi Slack dengan Cursor: berhasil untuk perubahan logika bisnis sederhana, tetapi gagal pada layout CSS yang kompleks
- Saat ini masih ada keterbatasan seperti tidak mendukung paket NPM privat, commit tanpa signature, dan melewati pelacakan resmi
- Meski begitu, ada antusiasme terhadap skenario masa depan ketika agen menangani tiket repetitif sederhana pada malam hari
Biaya dan ROI
- Biaya penggunaan Claude Code merupakan jumlah yang tidak kecil yang dibayarkan perusahaan kepada engineer
- Namun, investasi itu menghasilkan peningkatan produktivitas
- Kecepatan rilis fitur meningkat 2~3x
- Dapat mengelola banyak thread pengembangan secara bersamaan
- Tidak perlu lagi menulis langsung kode repetitif dan boilerplate
- Pada fase awal adopsi AI, senior engineer memerlukan anggaran bulanan $1000~1500, dan efisiensi biaya diharapkan membaik seiring meningkatnya kemahiran
Masalah dan keterbatasan yang terus ada dalam pengembangan berbantuan AI
- Masalah pembelajaran: AI tidak belajar dari kesalahan sehingga mengulang salah paham yang sama; solusinya adalah dokumentasi yang kaya dan instruksi yang lebih eksplisit
- Masalah kepercayaan: AI bisa dengan yakin memberikan kode yang salah sehingga verifikasi wajib dilakukan, terutama pada manajemen state yang kompleks, performa, dan area keamanan
- Masalah keterbatasan konteks: codebase besar melampaui jendela konteks AI, sehingga masalah harus dipecah menjadi unit kecil dan diberi konteks yang jelas
Perubahan emosional dari kode ke masalah
- Melepaskan keterikatan pada kode dan beralih ke cara berpikir yang berpusat pada pemecahan masalah
- Menghapus cepat kode yang salah, review yang lebih objektif, dan berkurangnya beban terhadap refactoring => perubahan positif
- Jika muncul tool AI yang lebih baik, ia bersedia langsung menggantinya
- Intinya bukanlah ‘kode itu sendiri’, melainkan nilai dari masalah yang harus diselesaikan
Saran adopsi AI dari sudut pandang engineer
- 1. Izinkan eksperimen dengan berbagai solusi AI: tim perlu mencoba langsung beragam tool untuk meningkatkan kemampuan praktis
- 2. Terapkan AI terlebih dahulu pada pekerjaan repetitif dan sederhana: efek cepat lebih mungkin didapat
- 3. Siapkan anggaran untuk trial and error: bulan pertama harus siap menghadapi kebingungan
- 4. Rancang ulang proses review: perkuat pemeriksaan yang sesuai dengan karakteristik kode AI
- 5. Dokumentasi yang menyeluruh: konteks yang baik melipatgandakan produktivitas
- Engineer yang beradaptasi dengan workflow AI baru akan menyadari ada pisau tajam baru di kotak alat mereka
- Engineer yang menerima workflow AI akan berevolusi ke peran baru yang mengorkestrasi banyak agen AI sambil berfokus pada arsitektur, review, dan pemecahan masalah kompleks
Langkah Anda berikutnya
- Pilih satu fitur kecil yang terdefinisi dengan baik,
- beri AI tiga kesempatan untuk mengimplementasikan fitur itu, dan
- tinjau hasilnya seolah Anda sedang membimbing developer pemula
- Itu saja. Tidak perlu perubahan besar atau perombakan proses
- Cukup satu fitur, tiga percobaan, dan review yang jujur
- Masa depan bukanlah AI menggantikan developer
- melainkan developer bekerja lebih cepat, mengembangkan solusi yang lebih baik, dan memanfaatkan tool terbaik
Belum ada komentar.