Munculnya “neraka vibe coding” yang menggantikan “neraka tutorial”

• Dalam lingkungan pendidikan coding belakangan ini, “neraka vibe coding” muncul sebagai masalah baru yang menggantikan “neraka tutorial”
• Jika neraka tutorial adalah keadaan "tidak bisa membuat apa pun tanpa tutorial", maka neraka vibe coding berarti "tidak bisa coding tanpa AI, dan tidak memahami bagaimana kode yang dihasilkan AI bekerja"
• Penggunaan alat AI yang berlebihan menurunkan motivasi belajar, dan muncul situasi paradoks di mana orang dengan literasi AI yang rendah justru lebih banyak menggunakan AI
• Alat AI, bila digunakan dengan tepat, dapat sangat membantu sebagai pendamping belajar, tetapi penggunaan yang hanya berfokus pada ‘mendapatkan jawaban’ secara membabi buta menghambat terbentuknya pemahaman yang konstruktif
• Kuncinya adalah berusaha berpikir sendiri dan memecahkan masalah sendiri selama proses belajar, serta membangun pengalaman menyelesaikan masalah tanpa bergantung pada tutorial atau bantuan AI

---

Latar belakang masalah: dari neraka tutorial ke neraka vibe coding

• Pada 2019, masalah utama dalam pendidikan coding adalah "neraka tutorial"
  • Berhasil mengikuti tutorial, tetapi tidak bisa membuat apa pun sendirian
  • Menghabiskan lebih banyak waktu menonton video tentang pemrograman daripada benar-benar memprogram, dan tidak memahami konsep intinya
  • Akibatnya, hanya menumpuk pengetahuan yang dangkal, tidak memahami cara kerja internalnya, dan pada akhirnya tidak mampu menulis kode sendiri di situasi nyata
• Boot.dev berfokus pada tiga hal untuk mengatasinya
  • Kurikulum mendalam: menekankan perlunya mempelajari dasar-dasar CS bahkan di luar universitas tradisional
  • Pendekatan berbasis praktik: setiap konsep dipelajari sambil langsung menulis kode
  • Memperkuat rich text dibanding video: video berisiko hanya menjadi konsumsi pasif
• Pada 2019, kuliah panjang di YouTube yang meraih jutaan penayangan kini bahkan sulit mencapai 50 ribu penayangan
  • Kanal seperti FreeCodeCamp, Traversy Media, dan Web Dev Simplified menunjukkan tren ini
• Namun, data Google Trends untuk "learn to code" masih mempertahankan tingkat minat yang tinggi
• Sekitar 1.300 pengguna baru mendaftar ke Boot.dev setiap hari, dan dalam 18 bulan terakhir keluhan tentang neraka tutorial berkurang, tetapi muncul bentuk kesulitan baru

Definisi neraka vibe coding

• Ciri-ciri neraka tutorial
  • "Tidak bisa membuat apa pun tanpa tutorial"
  • "Tidak paham dokumentasi, jadi perlu video"
  • "Bahkan untuk tugas sederhana pun butuh framework yang rumit"
• Ciri-ciri neraka vibe coding
  • "Tidak bisa berbuat apa-apa tanpa bantuan Cursor"
  • "Saya membuat game tower defense yang keren. Ini link-nya http://localhost:3000";
  • "Saya tidak tahu kenapa Claude menambahkan 6.379 baris untuk lazy-load gambar"
• Saat ini para pembelajar mandiri memang membuat banyak hal, tetapi mereka membangun proyek tanpa mengembangkan mental model tentang cara kerja software
• Mereka melawan halusinasi AI (hallucination), bergulat dengan bot yang hanya fokus meloloskan test, dan membabi buta memercayai kode hasil AI alih-alih benar-benar memecahkan masalah

Masa depan dan realitas AI coding

• Saya cenderung optimistis bahwa dalam jangka pendek AI tidak akan sepenuhnya menggantikan developer
  • Sudah 3 tahun sejak muncul ucapan "6 bulan sampai AI mengambil pekerjaan", tetapi kita masih tetap merekrut developer
• GPT-5 sudah dirilis, tetapi hanya menunjukkan peningkatan bertahap dibanding GPT-4, dan ini ditafsirkan sebagai bukti bahwa AGI tidak akan segera datang
• Saya memakai alat AI setiap hari, tetapi tidak yakin seberapa besar produktivitas benar-benar meningkat
  • Tidak jelas apakah AI membuat kita lebih produktif, atau justru lebih malas
• Hasil riset 2025: developer memperkirakan AI meningkatkan produktivitas sebesar 20-25%, tetapi kenyataannya justru 19% lebih lambat
  • Hasil yang mengecewakan dibanding investasi 7 triliun dolar

Risiko AI dan penurunan motivasi belajar

• Budaya penggunaan AI bisa berdampak negatif pada motivasi belajar
• Hal yang paling mengkhawatirkan dari demam AI (gelembung?) adalah munculnya generasi dengan sikap "kenapa harus belajar? AI sudah tahu semuanya"
• Jika AI ternyata tidak benar-benar bisa menggantikan semua pekerjaan white-collar, maka kita bukan hanya akan menghadapi gelembung pasar saham, tetapi juga kelangkaan tenaga terdidik
• Investor tanpa latar belakang teknis salah paham bahwa “AI sudah menggantikan seluruh coding”, sementara developer senior masih belum menemukan cara yang berguna untuk mengintegrasikan alat AI ke pekerjaan sehari-hari
• Ada kekhawatiran karena semakin rendah literasi AI seseorang, semakin sering ia menggunakan AI
  • Ini berfungsi sebagai jebakan ‘Dunning-Kruger’ yang paling ekstrem — fenomena ketika orang yang kurang pengetahuan justru salah mengira dirinya paham
  • Para pembelajar menyimpulkan bahwa pengembangan diri tidak ada artinya karena "AI sudah tahu"

Apakah AI bermanfaat untuk belajar?

• Minat sosial untuk belajar coding masih tinggi
• AI mungkin bermanfaat untuk belajar, tetapi ada dua masalah struktural

• Pertama: masalah penjilat (sycophant)

  • Chatbot AI cenderung terlalu menyetujui opini penanya
  • Jika mengobrol tentang “ROAS (return on ad spend)”, dengan data yang sama sekalipun AI bisa menarik kesimpulan yang sepenuhnya berlawanan tergantung arah pertanyaan, dan semuanya dijawab dengan nada yakin seperti pakar
  • Ini merampas kesempatan pembelajar untuk mengalami verifikasi, berpikir kritis, dan dikoreksi saat salah
    • Kita bertanya kepada pakar agar diberi tahu saat kita salah
    • IRC chat atau Stack Overflow melakukan hal ini dengan baik (mungkin terlalu baik)
    • Chatbot LLM (large language model) sangat cenderung tidak mampu memperbaiki kesalahpahaman mendasar yang dimiliki pembelajar
    • Saat ini, siswa bercakap-cakap nyaman dengan LLM dan mendengar apa yang ingin mereka dengar, bukan apa yang mereka butuhkan

• Masalah kedua: pembelajar menginginkan ‘opini’ yang nyata

  • AI menyajikan posisi yang terlalu seimbang
    • "Sebagian orang berpikir X dan sebagian orang berpikir Y"
    • Ini membuat pembelajar lebih sulit memutuskan sisi mana yang mereka setujui
  • Pernah dicoba prompt seperti "berperan sebagai kapitalis" atau "berperan sebagai revolusioner Marxis", tetapi hasilnya tidak memuaskan
  • Pembelajar ingin mendengar opini dan komentar yang lahir dari pengalaman nyata
    • DHH tentang alasan menghapus TypeScript dari Turbo
    • Anders Hejlsberg tentang hal yang dipecahkan TypeScript bagi developer JavaScript
    • Melalui opini nyata yang dengan jelas memperlihatkan bias dan konteks tiap penulis, terbentuk mental model yang lebih bernuansa
  • Jawaban LLM yang netral dan terlalu hati-hati justru menghambat internalisasi pengetahuan yang sesungguhnya

Kapan AI benar-benar membantu dalam pembelajaran

• Jika digunakan dengan benar, AI adalah alat yang luar biasa untuk belajar
• Tidak pernah ada masa yang semudah ini untuk belajar coding
• Kasus Boots milik Boot.dev (alat bantu pendidikan AI)
  • Murid hampir 4 kali lebih sering menggunakan tutor AI (Boots) untuk chat dibanding melihat solusi instruktur (jawaban ideal)
  • Tidak seperti chatbot umum, Boots membantu pembelajaran dengan cara berikut
    • Sudah diprompt sebelumnya agar tidak langsung memberi jawaban
    • Menggunakan metode Socratic untuk mendorong siswa berpikir lebih dalam tentang masalah
    • Memiliki akses ke solusi pengajar sehingga kemungkinan berhalusinasi tentang jawaban jauh lebih rendah
    • Diberi karakter yang menyenangkan (beruang penyihir)

Cara keluar dari neraka vibe coding

• Pada akhirnya, baik itu neraka tutorial maupun neraka vibe, pengalaman ‘jangan menyerahkannya pada orang lain dan cobalah sendiri’ sangat penting
  • Neraka tutorial: matikan video dan kumpulkan pengalaman menulis kode sendiri
  • Neraka vibe: matikan AI autocomplete seperti Copilot, dan kumpulkan pengalaman memecahkan masalah sendiri
• Hal yang perlu dihindari:
  • AI autocomplete di editor
  • Menangani proyek dengan mode agen dan alat otomatisasi AI
• Hal yang bisa dimanfaatkan:
  • Chatbot yang menjawab pertanyaan, menjelaskan konsep, dan memberi contoh
  • Sistem prompt yang mengarahkan agar bertanya dengan metode Socratic untuk mendorong pemikiran mendalam
  • Sistem prompt yang meminta sumber dikutip dan dokumentasi ditautkan saat membuat klaim untuk menjaga keandalan informasi

Prinsip inti

• Belajar harus terasa tidak nyaman
  • Neraka tutorial memungkinkan kita menghindari ketidaknyamanan dengan menonton orang lain coding
  • Neraka vibe coding memungkinkan kita menghindari ketidaknyamanan dengan membiarkan AI menulis kode
• Pembelajaran sejati terjadi saat kita buntu, frustrasi, dan yang paling penting, dipaksa memecahkan masalah
  • Begitulah jaringan saraf manusia terhubung ulang
• Jika konsep "belajar harus sulit" dibesar-besarkan, itu bisa menjadi alasan bagi desain pendidikan yang buruk
  • Penulis tidak mendukung hal itu
  • Bahkan jika konsep dijelaskan dengan cara terbaik sekalipun, siswa tetap harus bergulat dengannya dan menggunakannya sendiri dalam konteks baru agar benar-benar paham
• Pembelajaran sejati disempurnakan melalui proses buntu, frustrasi, dan menerobosnya dengan kekuatan sendiri

[aer0700]

Meskipun konteksnya agak berbeda, salah satu alasan mengapa tutorial hell terjadi adalah karena tutorial framework memang tidak digunakan sebagai materi pendidikan CS dasar.
Pemula yang membuat poll app setelah mengikuti tutorial Django tidak serta-merta bisa membuat blog sendirian, karena tutorial Django adalah tulisan untuk menjelaskan Django kepada orang yang sudah paham apa itu HTTP, template, WS, DB, dan sebagainya; itu bukan tulisan yang menjelaskan web itu sendiri. Sangat banyak konteks yang dihilangkan dalam tutorial Django, dan saya rasa inilah salah satu penyebab munculnya tutorial hell.
Mungkin cukup menarik juga jika kita mencoba menulis ulang tutorial Django untuk orang yang baru pertama kali belajar pemrograman hari ini. Misalnya dengan menjelaskan dulu struktur HTTP, lalu menjelaskan bagaimana Django menangani tiap elemennya.

[gudrb963]

Pendapat yang sangat bagus!

[GN⁺]

Komentar Hacker News

• Istilah "Tutorial Hell" sangat relate, kita bisa menonton kursus 6 jam dan ikut menulis kode, tetapi saat diminta membuat sesuatu dari nol tangan langsung buntu; itulah bentuk khas tutorial hell. Karena itu, secara historis sistem magang (apprenticeship) adalah metode belajar yang paling efektif: junior mengikuti senior, lalu master craftsman mengarahkan keseluruhan dari atas, sambil menangani proyek dan membimbing. Sayang sekali komunitas developer kita tidak lama beroperasi seperti guild; menurut saya sejak akhir 1980-an seharusnya sudah tidak begitu. Kalau guild seperti itu ada, jumlah developer mungkin jauh lebih sedikit dan perkembangan industrinya sendiri bisa saja berjalan sangat berbeda.

  • Bukan hanya pemula, developer berpengalaman pun akan kesulitan jika disuruh memulai proyek benar-benar dari nol. Biasanya orang bekerja di atas codebase yang sudah ada, dan bahkan saat butuh aplikasi baru pun mereka mulai dari template atau copy-paste. Kasus benar-benar membuat sesuatu yang sepenuhnya baru dari awal itu jarang. Seperti teknisi listrik yang memasang kabel di gedung baru, developer perusahaan juga jarang sekali benar-benar menyiapkan sesuatu sepenuhnya dari nol. Sistem magang pun pada dasarnya tidak banyak mengubah struktur ini.

  • Dalam pengalaman saya, universitas yang bagus melatih mahasiswa lewat tugas yang bertahap dan praktis. Awalnya menyelesaikan struktur data sederhana, algoritme, atau puzzle, lalu berkembang menjadi membuat OS, database, persistent data structure, compiler, CPU, simulasi, sampai model machine learning. Dari satu fungsi, kita pelan-pelan membangun sesuatu yang lebih besar dengan tangan sendiri, dan saya sangat bersyukur pernah mendapat latihan seperti ini. Lihat juga tautan terkait.

  • Saya memanfaatkan LLM untuk belajar coding seperti relasi pengrajin-murid. LLM hanya maju ketika saya suruh, ia memberi penjelasan dan arahan, tetapi penulisannya saya lakukan sendiri. Ini jauh lebih baik daripada mencari kursus atau tutorial baru. Sebenarnya tutorial hell adalah fenomena yang diciptakan oleh orang-orang yang menganggap dirinya guru. Banyak buku dan kursus pada akhirnya juga gagal benar-benar mengajarkan sesuatu yang nyata. Menurut saya model pendidikan coding saat ini sepenuhnya salah. Belakangan ini saya lebih suka memakai LLM untuk merangkum dokumentasi terbaru bahasa atau library baru, atau menyusun rencana sendiri. Hanya saja, saya tetap agak tidak puas karena tidak yakin kapan LLM sedang berhalusinasi (hallucinate).

  • Saya keluar sekolah sangat dini karena bosan dan muak dengan cara mengajar yang kuno, lalu terjun ke lapangan sebagai murid software engineer, dan kurikulum sekolah sama sekali tidak berguna. Di akhir 90-an semuanya adalah rangkaian kesalahan dan trial-and-error; saya, master saya, bahkan master dari master saya, semuanya belajar dengan langsung menabrak masalah. Kami membuat router ISDN dengan Linux, menyiapkan server website, mengerjakan HTML, Perl, PHP, dan benar-benar mengalami DevOps serta engineering—meskipun saat itu istilah tersebut bahkan belum ada. Itu masa ketika kami memperluas batas hanya dengan kreativitas dan semangat mencoba, nyaris tanpa dokumentasi. Ada bagian yang terasa sejalan dengan vibe coding di era AI sekarang, hanya tekanannya jauh lebih besar, tetapi itu kenangan yang sangat menyenangkan.

  • Di industri teknologi, gatekeeping terhadap profesi dipandang negatif. Ini karena arogansi di dalam industri, dan juga karena ada niat memperbesar pasokan tenaga kerja lewat kekuatan modal agar upah turun. Akibatnya, standar profesi yang layak hilang, dan interview yang memalukan seperti leetcode malah menjadi gerbang penjaga yang tidak ada hubungannya dengan profesi itu sendiri.

• Sebagai orang yang memakai Zed Pro dan GPT untuk coding setiap hari, saya melihat perkembangan alat-alat ini justru menyingkap inefisiensi pemrograman modern. Web modern itu menakjubkan sekaligus mengerikan. Jika birokrasi berarti terbelit dalam aturan yang rumit, maka development modern adalah contoh utamanya. Kalau bahkan hal yang paling sederhana pun butuh panduan dari alat otomasi berbasis probabilitas, itu agak menyedihkan. Dulu saya sering menasihati junior bahwa yang penting bukan menguasai bahasa tertentu, melainkan kemampuan terus belajar hal baru. Beberapa tren memang bertahan lama, tetapi pada akhirnya kita tetap harus terus mempelajari tool dan bahasa baru. Entah karena usia saya, tetapi sejak titik tertentu rasanya kompleksitas itu mulai meluap. Kalau dulu pemrograman terasa terlalu seperti teknik elektro atau matematika, sekarang kompleksitas jenis lain menumpuk di atasnya.

  • Saya juga relate dengan perasaan ini. Seperti di film SF, saya pernah menginginkan lingkungan komputasi tempat komponen atau sistem bisa dipertukarkan dan dipakai ulang dengan mudah kapan saja, seperti "salurkan energinya ke depan!". Tetapi kenyataannya, bahkan mengganti kamera ponsel Android ke iPhone saja hampir mustahil.

  • Saya kurang paham persis apa yang ingin disampaikan, tetapi penggunaan istilah birokrasi terdengar aneh. Pada praktiknya, kemampuan mencari justru adalah keterampilan inti, jadi siapa pun yang bisa menemukan apa saja pada dasarnya bisa melakukan apa saja. Alat otomasi pun pada dasarnya tidak berbeda dari buku atau guru. Jika ada orang yang kurang punya kemampuan ini, itu hanyalah sifat manusia yang konstan, bukan alasan untuk menyalahkan tool yang menjadi lebih baik.

  • Masalah besarnya adalah menulis, mencari, dan membaca dokumentasi itu memang sangat sulit. Itulah yang membuat belajar berat, tetapi berkat AI sekarang belajar jadi lebih mudah. Misalnya, AI memahami hal seperti Unreal Engine dengan sangat baik.

  • Berbagai masalah yang kita tanggung semuanya adalah accidental complexity seperti yang dibahas Brooks dalam 'No Silver Bullet'. LLM berperan menembus kompleksitas ini dan bahkan meruntuhkan silo pengetahuan yang menumpuk di tiap bahasa dan framework.

  • Jika industri yang spekulatif seperti sekarang terus berlanjut sedikit lebih lama lagi, mungkin kita akan sampai pada dunia di mana pemrograman itu sendiri menghilang.

• Sekarang semua orang bisa menulis kode, jadi pada level organisasi jumlah kode meningkat kira-kira 10 kali lipat. Tetapi jumlah reviewer tetap sama, jadi tidak sanggup menanganinya. Kalau bahkan sanity check untuk kode dari LLM pun tidak bisa dipakai, lalu sebenarnya kita harus bagaimana? Kemarin saja seorang non-spesialis membuat algoritme optimasi dengan Codex, lalu meminta saya memperbaikinya. Masalahnya, kodenya benar-benar kacau: melakukan brute force pada ribuan kombinasi bilangan bulat, kendalanya pun tidak dipatuhi dengan baik, sehingga hasilnya pada akhirnya tidak bisa dipercaya. Saya akhirnya menghabiskan seharian meninjau kode itu, lalu bahkan harus mempresentasikan kepada eksekutif bahwa ini pada dasarnya tidak berguna.

  • Jawaban untuk "sanity check kode LLM" adalah unit test. LLM juga sangat pandai menghasilkan test code dan code yang testable kalau diminta. Jika test benar-benar memanggil kodenya dan memeriksa edge case dengan baik, itu jauh lebih cepat daripada code review. Tes performa dan sebagainya juga bisa dimasukkan. Ke depannya, kita mungkin akan lebih banyak bekerja dengan fokus pada deklarasi (definitions) dan test, sementara cara implementasi di dalam fungsi akan makin kurang penting. Itu perubahan sudut pandang yang besar.

  • Lihat saja kasus pemrograman Excel. Awalnya semua orang mengabaikannya, lalu ketika meledak, barulah orang panik menghabiskan puluhan juta rupiah untuk membereskan semuanya sebelum perusahaan keburu rusak.

  • Soal "jumlah reviewer tetap sama", LLM juga bisa membantu code review. Bahkan GPT-5 sudah cukup kuat dalam mendeteksi kesalahan lokal seperti off-by-one atau return value yang hilang. Namun untuk masalah yang memerlukan pemahaman struktur keseluruhan yang lebih tinggi, masih ada batasannya. Di masa depan, saya bisa membayangkan codebase besar di-fine-tune secara berkala ke LLM lalu dipakai sebagai reviewer tahap pertama untuk semua perubahan.

  • Masalah OR (optimasi kombinatorial) muncul karena orang yang coding secara spontan sering tidak sadar bahwa mereka telah masuk ke ranah algoritmik yang pada dasarnya khusus. Bahkan ketika diberi tahu pun, mereka sering tetap ingin mencoba dengan caranya sendiri karena tidak memahami teori matematikanya.

  • Dalam situasi seperti ini, memberi presentasi teknis kepada para pemimpin perusahaan agar mereka memahami kondisi yang sebenarnya mungkin pada praktiknya adalah satu-satunya respons yang bisa dilakukan.

• Saya kira ini akan menjadi argumen lain bahwa AI merusak developer junior dan karena itu akan memicu krisis pengganti senior; tulisan ini memang secara tidak langsung juga menyentuh hal itu dan saya setuju secara umum. Tetapi bagian tentang sycophancy terasa sangat menonjol. Dulu saya menganggap antarmuka seperti ChatGPT membantu pembelajaran, tetapi contoh ROAS YouTube terasa sangat kuat. Jika struktur pertanyaannya memungkinkan murid memelintir kesimpulan guru sesuka hati, maka tak terhitung banyaknya developer pemula pasti akan diarahkan ke jalur yang salah. Saya bahkan tidak tahu apakah berbagai prompt yang diterapkan pada AI "Boot" itu sudah cukup. Pada akhirnya, bahkan di era AI pun, agar bisa berkembang saya tetap butuh "seseorang" yang berulang kali menolak PR saya. "Seseorang" itu belum bisa digantikan AI.

  • Dari pengalaman saya, bahkan ketika diminta memberi kritik pedas (Scathing critique), AI tetap mencampurkan sikap yang ingin membuat saya merasa nyaman. Baik versi lama GPT maupun yang terbaru terasa mirip. Ada nuansa yang terasa samar. Pada akhirnya, tool ini paling berguna hanya bagi orang yang memang tahu bagaimana ia ingin dibantu dan sadar akan masalah khas LLM.

  • Untuk mencegah gejala menjilat seperti itu, saya selalu memasukkan bias tandingan dan bertanya dua kali. Tetapi saya tetap tidak tahu apakah AI juga memperkuat bias tersembunyi yang saya miliki.

• Saya bukan pemula, tetapi karena terus belajar framework, bahasa, dan algoritme baru, saya tidak menganggap AI autocomplete itu buruk. Dulu autocomplete seperti IntelliSense atau ReSharper juga sangat membantu saat mempelajari library baru atau fitur bahasa baru. ReSharper sering merekomendasikan fitur baru ketika saya menulis dengan cara lama, dan dari sanalah saya belajar banyak hal baru. AI-based autocomplete terasa jauh lebih maju. Ia memberi saran secara alami, dan saya bisa memakainya atau tidak, jadi itu juga membantu pembelajaran. Pada akhirnya, kalau kita punya rasa ingin tahu untuk membaca dan memahami sarannya, AI justru membuat belajar lebih mudah. Dulu kita cuma copy-paste dari Stack Overflow.

  • Autocomplete tradisional menampilkan semua method, variabel, konstanta, dan sebagainya dalam scope tersebut, sekaligus menghubungkan dokumentasi. Karena saya bisa menilai sendiri opsi apa yang ada, itu sangat bagus untuk belajar. AI autocomplete pada dasarnya lebih mirip menempelkan jawaban Stack Overflow tanpa penjelasan konteks. Kalau tujuannya belajar, lebih baik cari sendiri di Stack Overflow atau, bila perlu, prompt chatbot untuk meminta penjelasan mengapa kode itu seperti itu.

  • Menurut saya ada sedikit perbedaan. Kalau seseorang sudah punya cukup pengalaman, memakai autocomplete untuk bahasa baru terasa wajar. Tetapi bagi pemula yang belum punya dasar, belajar for loop pertama mereka itu situasi yang berbeda.

  • Saya suka AI agentic programming. Membuat sesuatu itu menyenangkan, dan itu bagian dari eksperimen ide. Saya tidak menerapkan kode ke production, jadi tidak terlalu peduli dengan penilaian orang. Untuk bisa berbicara dengan rekan-rekan yang secara teknis hebat, kita memang perlu mencoba dan belajar sendiri. Saya suka pemrograman sejak umur 10 tahun, tetapi bukan developer profesional. Di era AI, kecintaan saya pada coding dan eksperimen hidup lagi. Teknologi web masa depan seperti WASM, berbagai sistem, mencari bug, mencoba sesuatu dengan cara saya sendiri—semua itu sangat menyenangkan. Tool seperti Cursor AI bahkan mengotomatiskan pengaturan git saya sampai push via ssh jadi mudah. Tentu saya bisa melakukannya sendiri, tetapi saya memilih membiarkan AI yang mengerjakannya. Saya memang punya kebiasaan lama karena dulu mulai dari sintaks C, tetapi saya juga menikmati python backend, flask web server, dan JavaScript frontend. WASM Python masih banyak kurangnya, tetapi saya terus bereksperimen. Memperkuat dasar dan belajar dengan cara saya sendiri memang sesuai selera saya. Saya juga sering merasa para engineer cenderung membuat segala sesuatu lebih rumit daripada yang perlu.

  • AI autocomplete adalah tool terbaik. Tanpa dokumentasi pun saya bisa mendapat saran kode yang saya inginkan, dan karena hanya beberapa baris, mudah ditinjau. Ia juga tidak otomatis membuat bongkahan besar, jadi tidak merusak proses belajar.

• Saya bukan pemula, tetapi berkat Copilot belajar Rust jelas menjadi lebih mudah. Jika dipakai bersama Intellisense, beban sintaks berkurang sehingga saya bisa fokus mempelajari bagian penting dari bahasanya. Dari baru membuka buku Rust sampai membuat tool yang berjalan, saya hanya butuh seminggu. Tentu ini tidak membuat saya langsung menjadi senior engineer, tetapi jelas menurunkan hambatan dari '0 ke 1'. Saya tidak menyuruh Copilot menulis kode; saya hanya menerima saran seperti autocomplete yang lebih baik lalu memutuskan sendiri apakah akan menerimanya.

  • Tema yang terus berulang di sini adalah bahwa senior berpengalaman, meskipun tidak tahu bahasa baru, tetap tahu "cara menulis kode", sehingga bisa mengekstrak nilai dari tool seperti ini. Meski bahasanya berubah, code smell tetap sama. Pemula bahkan sering belum memahami konsep "code smell" itu sendiri.

  • Saya juga dulu merasa Copilot sangat membantu belajar Rust, tetapi ketika saya mencoba coding sendiri tanpa AI, ternyata sangat sulit. Saya baru bisa lepas dari ilusi bahwa saya benar-benar paham setelah belajar dengan AI dimatikan.

• Masalah yang sama juga ada pada berbagai jalan pintas pendidikan lainnya. Ada siswa yang meminta les privat mengerjakan PR mereka, atau mendengar penjelasan lalu mengira akan siap menghadapi ujian. Padahal saat mendengar penjelasan semuanya terlihat sederhana, tetapi benar-benar mengerjakannya sendiri adalah kemampuan yang sama sekali berbeda.

• Jika AI benar-benar tidak menggantikan semua pekerjaan white-collar dalam beberapa tahun ke depan, kita tampaknya akan menghadapi bukan hanya bubble pasar saham, tetapi juga kelangkaan tenaga terdidik. Bagi saya rasanya seperti menyaksikan "orang-orang paling berbakat di generasi saya tercerai-berai".

• Saya mencoba mencari frasa representatif yang layak untuk dipakai sebagai judul artikel, tetapi tidak menemukan yang pas, jadi saya sudah berusaha sebaik mungkin. Jika ada usulan judul yang lebih akurat dan netral, silakan diganti. Panduan terkait

• Saya sangat relate dengan bagian "saya paham, tetapi kalau disuruh menulis dari nol saya benar-benar buntu". Dulu bagian paling menyakitkan dan paling sulit adalah saat saya hanya mengikuti tutorial lalu mentok ketika mencoba membuat sesuatu yang mirip. Tetapi justru proses menyakitkan itu adalah pengalaman belajar dengan kepadatan efisiensi tertinggi. Setelah itu saya belajar hal yang lebih kompleks dan lebih beragam, tetapi saya tidak pernah lagi mengalami kepadatan belajar seperti itu. Rasanya mirip sensasi pusing dan stres yang saya alami saat matematika SMA. Saya rasa ini bukan pengalaman yang umum bagi semua orang.