Hukum Pengembang di Era AI

 (bvp.com)
28 poin oleh GN⁺ 2025-10-27 | 1 komentar | Bagikan ke WhatsApp
  • Mencerminkan lingkungan perangkat lunak baru di mana agen AI dan pengembang manusia secara bersamaan menjadi pengguna dan kolaborator, hukum platform pengembang yang diumumkan 12 tahun lalu dirumuskan ulang agar sesuai dengan paradigma AI
  • Pada 2025, paradigma agentic development telah muncul, menandai peralihan ke lingkungan di mana agen AI berkolaborasi dengan pengembang untuk merancang, membangun, menerapkan, dan memelihara perangkat lunak
  • Berdasarkan insight langsung dari para pemimpin utama platform pengembang seperti Anthropic, Cursor, dan Port, dirumuskan 8 hukum inti
  • Membahas perubahan struktural di pasar alat pengembang seperti keseimbangan antara agent experience (AX) dan developer experience (DX), dokumentasi yang ramah model, strategi harga baru, serta perubahan peran platform engineer
  • Di tengah gelombang inovasi perangkat lunak yang dipimpin AI, platform pengembang memimpin infrastruktur baru, dan evolusi berkelanjutan serta kontrol platform muncul sebagai inti dari daya tahan kompetitif

Latar belakang: evolusi hukum pengembang

  • Versi pertama "8 hukum platform pengembang" yang diumumkan Bessemer Venture Partners pada 2013 dan revisinya pada 2019 melacak kebangkitan DevOps, open source, arsitektur cloud-native, dan ekosistem API-first
  • Pada 2025, paradigma baru bernama agentic development telah muncul
    • Agen AI berkolaborasi dengan pengembang untuk merancang, membangun, menerapkan, dan memelihara perangkat lunak dalam skala besar
  • Mencerminkan insight langsung dari para pemimpin industri seperti Anthropic, Cursor, Port, Fal AI, Fern, Render, Appwrite, Netlify, Recall, Vapi, Resolve AI, Graphite, Marimo, dan Resend

8 hukum platform pengembangan AI

Hukum #1: Agent experience (AX) sama pentingnya dengan developer experience (DX)

  • Diperlukan perhatian yang setara pada agent experience (AX) dan developer experience (DX)
    • DX secara langsung melengkapi dan meningkatkan AX
    • Kelengkapan dokumentasi, cakupan permukaan API, skema yang mudah dipahami, dan sejenisnya berguna bagi manusia maupun agen
    • Hasil investasi selama 5–10 tahun terakhir pada spesifikasi OpenAPI, REST API, dan SDK membantu kedua sisi
  • Kesaksian CEO Resend: optimalisasi alur onboarding untuk meningkatkan DX juga membuat perbedaan besar pada cara agen menggunakan Resend

  • Fitur yang dibedakan untuk manusia dan agen

    • Pengembang manusia dapat menafsirkan dokumentasi yang ambigu dan beradaptasi dengan API yang tidak konsisten
    • Agen membutuhkan antarmuka yang terstruktur dan dapat diprediksi
      • Skema OpenAPI dengan penanganan error yang komprehensif
      • Persistensi sesi untuk workflow multilangkah
      • Mekanisme umpan balik real-time seperti stream WebSocket
      • Agen deployment Netlify mempertahankan status di seluruh pipeline CI/CD dan memberikan umpan balik build secara langsung

  • Munculnya Model Context Protocol (MCP)

    • MCP merepresentasikan perubahan mendasar dalam cara alat pengembang melayani pengguna
    • Banyak perusahaan meng-host server MCP mereka sendiri dengan solusi seperti FastMCP dari Prefect
      • Karena para pengembang bekerja di Cursor dan Claude Code
      • Di dalam IDE, pengembang memperkuat agen agar dapat mengakses data live platform secara langsung dan menjalankan tugas

  • Integrasi dashboard dan API

    • Saat ini manusia masuk langsung ke dashboard sebagai jendela pusat untuk mengumpulkan informasi
    • Tim seperti Recall membuat seluruh fungsi dashboard dapat diakses lewat API sehingga agen juga dapat berkontribusi pada pemecahan masalah
    • Masih ada pertanyaan yang belum terjawab tentang pengurangan atau penghapusan context switching bagi agen (version control, integrasi, penggunaan API, deployment produksi)
      • Server MCP memungkinkan agen mengambil informasi real-time dan menjalankan perintah tanpa berpindah konteks ke dashboard atau CLI

Hukum #2: Dokumentasi harus melayani model dan manusia

  • Dokumentasi di dalam tim engineering sering ditulis dengan niat baik, tetapi tidak dirawat dengan baik
    • Gagal mencerminkan perubahan real-time dan memberikan panduan yang sudah usang
    • Pengembang biasanya masih memiliki tingkat toleransi tertentu terhadap dokumentasi yang tidak lengkap atau tidak sempurna

  • Kekhususan dokumentasi untuk LLM

    • Bagi LLM, mengubah halaman HTML kompleks yang berisi navigasi, iklan, dan JavaScript menjadi plain text yang ramah LLM itu sulit dan tidak akurat
    • Agen sangat diuntungkan dari informasi yang ringkas dan setingkat ahli, dikumpulkan dalam satu lokasi yang mudah diakses
      • Sangat penting terutama untuk use case seperti environment pengembangan, ketika LLM perlu mengakses dokumentasi pemrograman dan API dengan cepat
    • LLM membutuhkan referensi API terstruktur yang terbaru serta audit log yang melacak pekerjaan manusia dan agen
      • Ini menuntut pemikiran ulang mendasar atas information architecture

  • Generative Engine Optimization (GEO)

    • Seperti SEO memastikan ketercarian di mesin pencari, GEO memastikan model dapat dengan cepat mem-parsing dan menampilkan jawaban yang akurat dari dalam dokumentasi
    • Ini membantu pengembang mempertahankan flow tanpa terputus oleh pencarian yang memaksa context switching

  • Dokumentasi teknis dengan dua tujuan

    • Dengan meluasnya coding agent, dokumentasi teknis menjadi aset produk dengan dua tujuan
    • Melayani audiens agen dan pengembang manusia secara efektif
      • Versioning, change management, dan ketercarian yang tepat untuk agen
      • Tetap berguna juga bagi pengembang manusia
    • Pengamatan salah satu pendiri Fern: "Pengembang menginginkan situs dokumentasi yang rapi, sementara agen membutuhkan Markdown bersih untuk di-parse. Tim-tim kini beralih ke pendekatan docs-as-code: menulis dokumentasi dalam Markdown terlebih dahulu, lalu memublikasikannya sebagai situs web yang ramah pengembang dan file yang dapat dibaca mesin seperti llms.txt"

Hukum #3: Strategi harga berfokus pada pengurangan friksi onboarding

  • Penetapan harga harus mempertimbangkan baik struktur biaya maupun penyampaian nilai
  • Ini sangat penting terutama untuk aplikasi AI-native
    • Dalam SaaS tradisional, biaya untuk melayani pengguna marjinal bergeser dari nyaris nol menjadi pos yang bermakna karena biaya inferensi

  • Tiga jalur penetapan harga yang sedang diuji perusahaan developer-focused

    • 1. Harga berbasis penggunaan dan ekspansi ke akun pelanggan besar
      • Ekspansi didorong oleh kegunaan produk yang luar biasa
      • Semua platform sedang terintegrasi ulang dengan AI, dan seperti pada setiap gelombang sebelumnya, pengembang memimpin dari depan serta mendorong belanja infrastruktur dan alat
      • Penggunaan dan monetisasi tumbuh bersama pelanggan (saat ini pola harga yang paling umum)
    • 2. Preferensi perusahaan terhadap prediktabilitas pengeluaran
      • Vendor mengintegrasikan AI bukan sebagai add-on, melainkan bagian dari pengalaman produk inti berbasis seat
      • Sering kali disertai biaya overage berbasis penggunaan
    • 3. Harga berbasis hasil atau bundling aktivitas
      • Aktivitas dibundel menjadi proses bisnis yang bermakna dan penagihan dilakukan berdasarkan workflow yang diselesaikan

  • Perbedaan pemicu upsell

    • Data awal menunjukkan bahwa pemicu upsell bisa berbeda antara pengembang tradisional dan vibe coder
    • Faktor pembatas dalam membangun dan mengirimkan software memengaruhi kesediaan pembuat software untuk membayar
      • Contoh: fitur CI/CD untuk vibe coder vs pengembang tradisional

  • Pengurangan friksi onboarding tetap menjadi prioritas utama

    • Apa pun jalur yang dipilih, semua platform tetap paling fokus pada pengurangan friksi onboarding
      • Mempertahankan free tier yang menarik
      • Dokumentasi yang sangat baik
      • Komunitas pengembang yang kuat (mengurangi friksi onboarding secara scalable)
    • Pendapat CEO Resolve: "Kami tidak memaksakan model SaaS lama ke produk baru. Nilai harus dipetakan ke hasil... ketika agen melakukan pekerjaan engineering yang nyata dan sistem memberikan nilai terukur seperti mengurangi downtime, menjaga stabilitas sistem, dan mempercepat pengiriman, maka harga menjadi masuk akal"

Hukum #4: Pengeluaran alat pengembang AI keluar dari anggaran tradisional

  • Semakin banyak perusahaan membuat anggaran AI khusus, sehingga muncul kategori pengeluaran baru
    • Pada awalnya, ini mengalir ke seluruh bagian organisasi melalui CIO
  • Banyak perusahaan sudah menjalankan trade-off antara pengeluaran alat AI dan perekrutan engineer tambahan
    • Terus mempertanyakan apakah target dapat dicapai dengan agen alih-alih menambah personel

  • Melengkapi dan menggantikan engineer junior

    • Seperti yang secara historis diamati pada perusahaan perangkat lunak vertikal lain yang menjual ke industri berorientasi layanan
    • Delegasi ke agen coding dan workflow mulai melengkapi sekaligus menggantikan engineer junior
    • Fokusnya bukan hanya pada peningkatan produktivitas dan penghematan biaya, tetapi juga memaksimalkan keterampilan
    • Individu memperoleh kemampuan yang sepenuhnya baru sehingga ketergantungan pada orang lain berkurang

  • Lingkungan pembelian dengan banyak pemangku kepentingan

    • Menunjukkan lingkungan pembelian multi-pemangku kepentingan dengan sumber anggaran yang lebih kompleks
    • GTM yang digerakkan pengembang tetap menjadi raja di lingkungan persaingan yang ramai
    • Di dalam perusahaan, CIO, pemimpin engineering, tim produk, dan pengembang individu semuanya memengaruhi keputusan pembelian secara berbeda dari generasi alat pengembang sebelumnya karena tingkat guardrail yang diperlukan untuk integrasi sistem yang non-deterministik

  • Perubahan metrik keberhasilan

    • Beralih ke ekspektasi setingkat konsumen untuk nilai instan dan pengalaman yang terasa ajaib
    • Metrik produktivitas alat pengembang tradisional dilengkapi oleh pengukuran berbasis hasil
      • Waktu dari ide hingga prototipe yang berfungsi
      • Pengurangan keseluruhan siklus pengembangan
      • Peningkatan produktivitas pengguna bisnis
    • Analisis Cursor melacak metrik yang sangat rinci
      • Jumlah saran yang ditampilkan, saran yang diterima, baris kode yang dihasilkan dengan bantuan AI, tingkat penerimaan saran yang dibuat AI

Hukum #5: Definisi pengembang meluas secara dramatis

  • AI membuat pembuatan perangkat lunak lebih mudah diakses oleh lebih banyak orang, sehingga secara fundamental memperluas definisi "pengembang"
    • Tren ini sudah terlihat sejak investasi seed di Zapier 10 tahun lalu
  • Penyebaran luas vibe coding dan pengembangan berbantuan AI menciptakan kategori builder baru yang membuat perangkat lunak kustom tanpa harus menulis atau peduli langsung pada kode

  • Karakteristik kohor pengguna baru

    • Platform seperti Lovable, Bolt, Create, dan v0 mendorong pengguna ke platform pengembang yang secara tradisional hanya melayani pengguna teknis
    • Kohor ini mudah diidentifikasi dari jenis pertanyaannya
      • Mereka belum memiliki kemampuan pemecahan masalah, membaca kode error, memisahkan server database dan server web, atau memahami arti load balancer dan sejenisnya
    • Pengguna seperti ini sering tersendat pada tahap antara prototyping dan production
      • Perusahaan mengklasifikasikan penggunaan ini sebagai pemasaran yang efisien, bukan pendapatan berkualitas tinggi
      • Ini diperkirakan berubah seiring waktu ketika pengembang mulai bekerja pada tingkat abstraksi yang lebih tinggi

  • Peran anggota tim non-teknis yang makin luas

    • Anggota tim non-teknis membantu membebaskan waktu pengembang yang berharga untuk coding dan pekerjaan engineering di luar produk inti perusahaan
    • Jika diberi alat yang tepat:
      • AE membuat demo kustom untuk produk teknis
      • Marketer membuat sample app untuk dibagikan di X
      • Content marketer menulis posting blog teknis

  • Redefinisi keterampilan yang bernilai

    • Keahlian domain dan komunikasi dengan pelanggan lebih penting daripada kemampuan coding di semua peran
    • System thinking menjadi makin penting ketika pekerjaan berevolusi dari implementasi tingkat rendah ke orkestrasi dan strategi
    • Individu dan tim yang memahami bagaimana bagian-bagian kompleks saling terhubung, tahu kapan harus mempercayai otomatisasi, dan mengenali kapan intervensi manusia itu wajib akan berhasil
    • Pengiriman perangkat lunak menjadi lebih cepat dan mudah daripada sebelumnya, tetapi perubahan definisi pengembang justru memulihkan pentingnya prinsip-prinsip dasar bisnis yang berkelanjutan
    • CEO Netlify: "Saat ini ada 17 juta pengembang JavaScript, dan mereka adalah pengembang tradisional. Namun dalam 10 tahun ke depan, jumlah itu diperkirakan mencapai 100 juta"

Hukum #6: Efek jaringan yang kuat mendorong positioning ekosistem sejak dini

  • Perusahaan pengembang tradisional membina efek jaringan melalui open source dan kontribusi komunitas, integrasi, serta plugin
  • Kini, efek jaringan didefinisikan ulang dan dibayangkan kembali dengan meluasnya pengembangan agentic

  • Efek jaringan antaragen

    • Muncul efek jaringan antaragen, di mana agen AI menjadi lebih berguna ketika dapat berkomunikasi dan dirangkai dengan agen lain
    • Contoh: agen AI penjadwalan yang bisa menjadwalkan rapat menjadi lebih kuat ketika dapat berkomunikasi dengan agen perjalanan orang lain, agen manajemen biaya, dan agen kalender
    • Ini dimungkinkan melalui protokol seperti MCP

  • Penguatan efek jaringan data

    • Efek jaringan data diperkuat oleh konteks
    • Semakin banyak konteks yang dimiliki agen AI, semakin banyak tugas yang diinginkan dapat diselesaikan
    • Nilai produk yang memiliki konteks tersebut meningkat
    • Contoh Product Intelligence milik Linear
      • Memiliki data yang terakumulasi selama bertahun-tahun tentang bagaimana ribuan tim engineering benar-benar bekerja
      • Dapat menyarankan penugasan kerja, mengklasifikasikan isu, dan menyederhanakan operasi produk

  • Melemahnya efek lock-in integrasi

    • Efek jaringan melemah di area tempat lock-in integrasi secara tradisional menciptakan switching cost
    • CEO Recall, David Gu: "Sekarang berpindah di antara API yang berbeda lebih mudah daripada sebelumnya. Karena agen AI membantu tanpa perlu manusia menulis kode integrasi secara manual"
    • MCP makin mengurangi lock-in dengan memungkinkan agen AI secara otomatis menemukan alat dan mengintegrasikannya
    • LLM pada umumnya memudahkan siapa pun untuk meneliti dan menyintesis opsi selama proses evaluasi

  • Paradoks dalam lingkungan rekomendasi yang digerakkan AI

    • Dalam ekosistem tempat AI mendorong keputusan rekomendasi alat pengembang, peran umpan balik subjektif manusia menghadirkan paradoks
    • Agen AI bisa jadi mengabaikan preferensi subjektif seperti kemudahan penggunaan dan hanya berfokus pada metrik kinerja objektif seperti performa dan latensi
    • Di sisi lain, agen AI dapat semakin bergantung pada umpan balik subjektif manusia sambil terus belajar dari waktu ke waktu
    • Paradoks ini berarti produk dengan kualitas terbaik akan diuntungkan dalam situasi apa pun
      • Pertumbuhan yang dipimpin pengembang, peluncuran produk, dokumentasi, konten edukasi, konferensi, forum komunitas, dan ulasan menjadi jauh lebih penting
      • Kecepatan lebih penting daripada sebelumnya, dan keunggulan penggerak pertama bekerja secara majemuk

  • Beragam perspektif para pemimpin

    • Hukum-hukum ini masih berupa WIP, dan para pemimpin perusahaan menawarkan perspektif yang berbeda
    • CTO Vapi, Nikhil Gupta: "AI melemahkan efek jaringan yang berbasis non-objektif dan memperkuat efek jaringan yang objektif. Misalnya, orang mungkin menganggap API Stripe paling mudah digunakan dibanding yang lain, tetapi agen AI tidak akan peduli pada kemudahan penggunaan saat membandingkan API Stripe dan API Ayden. Namun, jika Stripe lebih andal, semua agen AI akan memilihnya"
    • CEO Resolve, Spiros Xanthos: "GTM yang agent-first bukan soal hype, melainkan pembuktian. Jika Anda muncul di lingkungan pelanggan dan memberikan hasil yang penting, adopsi akan meningkat secara alami. Itulah evangelisme yang baru"

Hukum #7: Engineer platform berevolusi menjadi arsitek flow otonom

  • Peran platform engineering meluas dari pengelolaan software menjadi penciptaan flow engineering otonom
  • Engineer platform bertanggung jawab atas pengalaman pengguna bagi semua tim teknis
  • Pentingnya mereka dalam organisasi semakin tercermin dalam urgensi perekrutan

  • Perubahan cakupan tanggung jawab

    • Engineer platform kini memerlukan kemampuan teknis berikut
      • Merancang flow agentic dengan tahapan pengawasan manusia yang jelas
      • Menerapkan guardrail yang kuat untuk mengelola risiko agen menjalankan tugas yang salah
      • Memiliki arsitektur sistem dan informasi, melampaui uptime dan keandalan
    • Agen menangani tugas rutin, sementara mereka membangun pusat kendali AI untuk keputusan strategis yang paling kompleks

  • Pergeseran peran software engineer

    • Seiring agen AI menangani lebih banyak pembuatan kode aktual, software engineer beralih dari perajin menjadi pemilik produk dari sistem mereka sendiri
    • Perubahan mendasar ini berarti engineer semakin berfokus pada hasil daripada detail implementasi

  • Kebutuhan workflow baru

    • Pengujian dan monitoring yang kuat menjadi sangat penting
    • Dokumentasi harus menjelaskan perilaku sistem, bukan hanya struktur kode
    • Code review bergeser dari pemeriksaan sintaks menjadi validasi logika bisnis dan keputusan arsitektur

  • Implikasi organisasional

    • Implikasinya meluas melampaui produktivitas individu
      • Tim memerlukan proses baru untuk transfer pengetahuan
      • Respons insiden menjadi lebih sulit ketika manusia tidak sepenuhnya memahami logika implementasi awal
      • Utang teknis terakumulasi secara berbeda ketika kode yang dihasilkan tidak dapat dibaca manusia
    • Ketika engineer menjadi operator, bukan penulis, dari kode mereka sendiri, diperlukan investasi besar pada observability, pengujian otomatis, dan tata kelola arsitektur untuk menjaga keandalan sistem

  • Bottleneck verifikasi

    • Seiring AI menghasilkan kode dengan kecepatan yang belum pernah terjadi sebelumnya, bottleneck utama bergeser dari penulisan kode ke verifikasi akurasi
    • Hal ini secara fundamental mengubah kecepatan pengembangan
      • Tim dapat menghasilkan ribuan baris kode dalam hitungan menit
      • Namun, memverifikasi bahwa kode bekerja sesuai tujuan, terintegrasi dengan baik ke sistem yang ada, serta memenuhi persyaratan keamanan dan performa membutuhkan waktu jauh lebih lama
    • Perusahaan yang mengoptimalkan kecepatan verifikasi melalui framework pengujian yang lebih baik, alat validasi real-time, dan sistem konfirmasi visual akan memiliki keuntungan signifikan dalam siklus pengembangan berbantuan AI

  • Perspektif CEO Render

    • "Perubahan berkelanjutan paling penting dalam pengelolaan platform adalah pergeseran dari pengelolaan infrastruktur ke optimalisasi workflow pengembang"
    • Tim engineering kini menyadari bahwa membangun dan memelihara platform pengembangan dan deployment internal yang dikustomisasi sering kali merupakan pekerjaan yang tidak terdiferensiasi dan menguras sumber daya dari bisnis inti
    • Dengan memanfaatkan platform terkelola seperti Render untuk menangani infrastruktur dasar, engineer platform dapat berfokus pada otomasi bernilai lebih tinggi

Hukum #8: Defensibilitas adalah tentang evolusi berkelanjutan dan kontrol platform

  • Pada intinya, menjadi sebuah platform berarti menciptakan infrastruktur yang dapat diskalakan sehingga pihak ketiga dapat membangun bersama dan di atasnya
    • Ini mengaktifkan ekosistem yang makin bernilai ketika lebih banyak pengguna berkontribusi dan menunjukkan kecintaan komunitas yang nyata

  • Kesinambungan dengan era SaaS

    • Konsep ini tetap konsisten sejak era SaaS
    • Era AI mengangkat pilar tertentu dari defensibilitas

  • Faktor utama defensibilitas

    • 1. Kontrol atas titik masuk
      • Kepemilikan GitHub atas repositori kode atau dominasi VS Code sebagai editor teks
      • Memberikan platform hak strategis untuk memperluas fungsionalitas di atas perilaku pengguna yang telah mapan
    • 2. Keunggulan data
      • Muncul melalui dataset produk eksklusif dan konteks spesifik perusahaan yang memungkinkan kemampuan yang tidak dapat direplikasi pesaing

  • Perubahan paling mendasar: evolusi berkelanjutan

    • Evolusi berkelanjutan adalah yang paling penting
    • Platform terbaik secara aktif mengorkestrasi berbagai model AI, sumber data, dan workflow untuk melakukan tindakan otonom
      • Cenderung memiliki data unik dari ekosistemnya
      • Dapat dengan cepat memanfaatkan data untuk loop umpan balik real-time dari interaksi agentic dan pelanggan

  • Pentingnya kecepatan

    • Kecepatan adalah kunci, dan penting baik dalam penyediaan fitur tambahan maupun penyusunan strategi
    • Perusahaan harus memikirkan visi Act 2 dan Act 3 jauh lebih awal daripada yang diperlukan pada era SaaS
    • Menarik untuk melihat bagaimana hal ini terus berevolusi

  • Perspektif CEO Port

    • "Menjadi yang pertama mengubah cara pekerjaan dilakukan itu penting. Dari sudut pandang produk, ini berarti membangun sesuatu yang akan terus berevolusi"
    • "Misalnya platform seperti CRM - ada seseorang yang mengelola, mengontrol, memiliki opini, dan melakukan iterasi dari blok bangunan inti"

Bacaan tambahan yang direkomendasikan

Bacaan terkait

1 komentar

 
progdesigner 2025-10-28

Jadi, bagaimana tepatnya harus dilakukan pun sampai sekarang belum ada yang tahu
Tampaknya ini adalah zaman ketika satu-satunya strategi bertahan hidup adalah merespons dengan cepat dan terus berubah