Bagaimana AI Mengubah Cara Kerja di Anthropic

• Dalam survei terhadap 132 insinyur dan peneliti internal Anthropic, kolaborasi AI yang berpusat pada Claude mengubah cara kerja secara menyeluruh, sekaligus memperluas produktivitas dan cakupan pekerjaan
• Karyawan menggunakan Claude dalam 59% pekerjaan mereka dan merasakan peningkatan produktivitas rata-rata 50%, sementara jumlah output meningkat signifikan dan cara penggunaan waktu ikut tersusun ulang
• Berkat Claude, 27% dari seluruh pekerjaan yang dibantu Claude adalah pekerjaan yang sebelumnya tidak akan dilakukan, menunjukkan pola bahwa tugas yang selama ini ditunda seperti prototyping, dashboard, pengujian, dan dokumentasi kini ikut dikerjakan
• Di sisi lain, kekhawatiran tentang melemahnya kemampuan teknis, berkurangnya mentorship, dan hilangnya craftsmanship dalam coding juga makin besar, sementara manusia semakin bergeser ke peran pengelola dan pengawas AI agent
• Secara keseluruhan, AI membuat developer menjadi ‘lebih full-stack dan mampu mengerjakan lebih banyak hal’, namun pada saat yang sama juga memperbesar ketidakpastian dan kebutuhan adaptasi terkait jalur karier jangka panjang, cara belajar, dan budaya organisasi

---

Ikhtisar

• Menyusul riset makro yang sudah ada tentang dampak AI pada pasar tenaga kerja, kali ini Anthropic melakukan survei internal terhadap para insinyur dan penelitinya sendiri untuk melihat bagaimana AI benar-benar mengubah pekerjaan sehari-hari
  • Penelitian ini menganalisis gabungan survei terhadap 132 insinyur dan peneliti per Agustus 2025, 53 wawancara kualitatif, dan data log penggunaan Claude Code
  • Hasil analisis menunjukkan bahwa developer dapat menyelesaikan lebih banyak pekerjaan dan menangani area yang lebih beragam, tetapi pada saat yang sama kekhawatiran tentang kedalaman keterampilan, kolaborasi, dan masa depan karier juga meningkat
• Para insinyur Anthropic menjalankan peran yang lebih mendekati full-stack melalui Claude, mempercepat siklus belajar dan iterasi, serta menyelesaikan pekerjaan yang sebelumnya tertunda
  • Namun, perluasan cakupan ini juga memunculkan kekhawatiran bahwa hal tersebut dapat menyebabkan penurunan kemampuan teknis yang mendalam dan melemahnya kemampuan supervisi
• Anthropic mengakui bahwa mereka berada dalam lingkungan khusus yang mendapatkan akses paling awal ke alat-alat terbaru, tetapi tetap memandang perubahan internal ini sebagai pertanda awal perubahan sosial dan industri yang lebih luas, sehingga pengamatan dini dinilai bermakna
  • Saat riset dilakukan, model paling kuat adalah Claude Sonnet 4 dan Claude Opus 4, dan disebutkan bahwa performa model terus berkembang setelah itu
• Secara umum, selain peningkatan produktivitas dan perluasan pekerjaan, tantangan seperti menjaga keahlian teknis, mempertahankan kolaborasi yang bermakna, dan bersiap menghadapi masa depan yang tidak pasti juga semakin menonjol, dan di internal Anthropic sudah ada berbagai upaya untuk menanganinya
  • Dalam tulisan terpisah, mereka juga membahas ide kebijakan ekonomi terkait AI, sementara tulisan ini terutama berfokus pada perubahan pekerjaan dan peran di dalam organisasi

Temuan utama

• Berdasarkan data survei, para insinyur Anthropic terutama menggunakan Claude untuk debugging dan memahami kode, dengan tingkat penggunaan dan peningkatan produktivitas yang dirasakan naik 2–3 kali lipat dalam setahun terakhir
  • 27% dari seluruh pekerjaan yang dibantu Claude adalah pekerjaan yang sebelumnya tidak akan dilakukan, terisi oleh pekerjaan tambahan seperti perluasan proyek, dashboard, dan eksperimen eksploratif
  • Sebagian besar karyawan sering memakai Claude, tetapi menjawab bahwa pekerjaan yang bisa didelegasikan sepenuhnya hanya berada di kisaran 0–20%, sehingga pengawasan dan verifikasi aktif tetap wajib
• Dalam wawancara, terlihat proses orang-orang membangun intuisi tentang pendelegasian ke AI, dengan pola umum mendelegasikan terlebih dahulu pekerjaan yang mudah diverifikasi serta berisiko rendah, membosankan, dan berulang
  • Berkat Claude, spektrum kemampuan teknis menjadi lebih luas sehingga mereka memiliki kemampuan yang lebih mendekati full-stack, tetapi karena praktik coding dan debugging mendalam berkurang, muncul juga kekhawatiran bahwa kemampuan dasar bisa melemah
  • Karena Claude menggantikan sebagian besar pertanyaan yang sebelumnya diajukan ke rekan kerja, banyak pula suara yang mengkhawatirkan berkurangnya mentorship, kesempatan belajar dari rekan, dan melemahnya hubungan antarmanusia
• Dari log penggunaan Claude Code, secara bersamaan terlihat kenaikan tingkat kesulitan pekerjaan, bertambahnya jumlah pemanggilan tool beruntun, dan berkurangnya turn manusia, yang mengonfirmasi kecenderungan untuk menyerahkan tugas yang makin kompleks dengan intervensi yang lebih sedikit
  • Dalam 6 bulan, porsi implementasi fitur baru serta desain/perencanaan kode meningkat tajam, dan 8,6% dari seluruh pekerjaan diisi oleh pekerjaan perbaikan kualitas kecil yang selama ini ditunda, seperti papercut fix
  • Per tim, seperti Pre-training, Alignment & Safety, Security, dan tim non-teknis, mereka memanfaatkan Claude untuk pekerjaan yang melampaui area spesialisasi masing-masing, menunjukkan pola bahwa semua pihak sedikit demi sedikit menjadi lebih full-stack
• Dalam bagian Looking forward, Anthropic menyampaikan target untuk menjadi laboratorium praktik terbaik dalam bekerja bersama AI, serta menyebut rencana langkah berikutnya untuk merancang ulang cara kolaborasi, mendukung pengembangan karier, dan menetapkan best practice penggunaan AI
  • Mereka juga memperluas riset ke jabatan di luar insinyur, serta bekerja sama dengan lembaga pendidikan eksternal seperti CodePath untuk memperbarui kurikulum ilmu komputer agar sesuai dengan era AI

Data survei

• Kegunaan Claude

  • Berdasarkan survei terhadap 132 insinyur dan peneliti, frekuensi penggunaan Claude dibagi ke dalam kategori seperti debugging, pemahaman kode, refactoring, data science, frontend, dan desain/perencanaan
    • Di antara responden, 55% menjawab menggunakan Claude setiap hari untuk debugging, 42% untuk pemahaman kode, dan 37% untuk implementasi fitur baru
    • Sebaliknya, dijelaskan bahwa desain tingkat tinggi, perencanaan, data science, dan pengembangan frontend memiliki porsi pekerjaan keseluruhan yang relatif lebih kecil dan orang cenderung ingin mengerjakannya sendiri, sehingga rasio penggunaan hariannya lebih rendah
  • Distribusi ini secara umum juga sejalan dengan distribusi tugas dalam log penggunaan nyata Claude Code yang disajikan kemudian, dengan debugging, pemahaman kode, dan implementasi fitur baru menjadi sumbu penggunaan utama

• Penggunaan dan produktivitas

  • Karyawan mengenang bahwa 12 bulan lalu mereka menggunakan Claude dalam 28% pekerjaan dan merasakan peningkatan produktivitas sekitar 20%, sedangkan saat ini mereka menjawab menggunakan Claude dalam 59% pekerjaan dan merasakan peningkatan produktivitas rata-rata 50%
    • Ini dinilai sebagai perubahan di mana baik rasio penggunaan maupun peningkatan produktivitas sama-sama naik lebih dari dua kali lipat dalam setahun
    • Secara internal juga disajikan metrik bahwa rata-rata jumlah PR yang di-merge per insinyur per hari meningkat 67%, dan disebut berkaitan dengan perubahan pada masa adopsi Claude Code di seluruh perusahaan
  • Analisis survei menunjukkan korelasi bahwa semakin besar penggunaan Claude, semakin besar pula peningkatan produktivitas berdasarkan laporan diri, dan 14% responden diklasifikasikan sebagai ‘power user’ yang mengalami peningkatan produktivitas 100% atau lebih
    • Namun, para peneliti juga menyebutkan bahwa produktivitas sangat sulit diukur, dan ada bias dalam angka laporan diri serta keterbatasan klasifikasi kategori pekerjaan
    • Dalam penelitian eksternal METR, muncul kecenderungan bahwa pengembang melebih-lebihkan peningkatan produktivitas saat mendapat bantuan AI, tetapi Anthropic menjelaskan bahwa dalam kasus mereka mereka sengaja menyaring area yang AI-nya ditempatkan lebih sedikit, sehingga perbedaan bisa muncul
  • Untuk tiap kategori pekerjaan yang dibantu Claude, karyawan melaporkan pola bahwa waktu yang dibutuhkan agak berkurang, sementara jumlah output meningkat besar
    • Di sebagian besar kategori seperti debugging, pemahaman kode, dan refactoring, jawaban penurunan waktu lebih dominan, tetapi pada saat yang sama cukup banyak juga jawaban ‘waktu meningkat’, sehingga tampak pola yang terpolarisasi
    • Orang yang mengalami peningkatan waktu terutama menyebut beban debugging dan merapikan kode Claude, beban kognitif tambahan untuk memahami kode yang ditulis AI, serta situasi di mana mereka jadi lebih banyak mengeksplorasi dan belajar sebagai alasannya
    • Penelitian ini menyoroti keterbatasan bahwa dari data saat ini belum bisa diketahui dengan jelas ke mana waktu yang dihemat dialokasikan kembali, dan apakah itu juga mencakup aktivitas di luar pekerjaan, serta menekankan perlunya penelitian lanjutan

• Pekerjaan baru yang dibuka Claude

  • Karyawan menjawab bahwa berkat Claude, sekitar 27% dari pekerjaan yang mereka lakukan dengan bantuan Claude adalah pekerjaan yang semula tidak akan mereka lakukan
    • Ini mencakup scale-up proyek, pembuatan alat nice-to-have seperti dashboard data interaktif, pekerjaan berulang namun berguna seperti dokumentasi dan pengujian, serta eksperimen eksploratif yang sebelumnya kurang efisien dari sisi biaya
    • Pekerjaan memperbaiki gangguan kualitas kecil (papercut), refactoring untuk meningkatkan maintainability, serta skrip dan alat kecil yang membantu mempercepat pekerjaan juga masuk dalam kategori ini
  • Seorang peneliti menjelaskan bahwa ia menjalankan beberapa versi Claude sekaligus untuk mengeksplorasi pendekatan berbeda secara paralel, dan mengibaratkannya bukan sebagai “satu model berkinerja tinggi”, melainkan bentuk menjalankan banyak ‘kuda’ sekaligus
    • Berkat eksplorasi paralel seperti ini, luas eksplorasi ide dan jumlah eksperimen meningkat jauh dibanding sebelumnya, dan dinilai memungkinkan pendekatan yang lebih kreatif

• Porsi pekerjaan yang bisa didelegasikan sepenuhnya

  • Bahkan di kalangan insinyur yang sering menggunakan Claude, lebih dari setengah responden menjawab bahwa porsi pekerjaan yang mereka rasa bisa didelegasikan sepenuhnya berada di kisaran 0–20%
    • Para peneliti menambahkan bahwa ‘delegasi penuh’ di sini bisa ditafsirkan cukup luas oleh tiap responden, mulai dari tingkat yang dianggap aman dibiarkan tanpa verifikasi hingga tingkat yang cukup dengan peninjauan sangat ringan
  • Dijelaskan bahwa terutama pada tugas kompleks, domain berisiko tinggi, dan area dengan standar kualitas kode yang tinggi, orang masih memilih untuk berinteraksi secara aktif dengan Claude dan memverifikasi hasil keluarannya
    • Pada akhirnya, Claude lebih dekat dengan kolaborator yang selalu ada di samping, dan proporsi yang melihatnya sebagai alat otomasi yang bisa sepenuhnya ditinggal manusia masih tergolong rendah

Wawancara kualitatif

• Strategi delegasi AI

  • Para insinyur dan peneliti yang ikut wawancara menjelaskan secara rinci kriteria dan strategi masing-masing dalam mendelegasikan pekerjaan ke Claude, dan secara umum menyatakan bahwa mereka memprioritaskan kondisi berikut
    • Ketika konteks pengguna rendah tetapi tugasnya sederhana: misalnya, mereka menjelaskan bahwa sebagian besar pekerjaan infrastruktur bukanlah masalah yang sulit, dan meski pengalaman dengan Git atau Linux kurang, Claude dapat menutup kekurangan itu dengan baik
    • Tugas yang mudah diverifikasi: mereka menyebut ini sangat cocok untuk “pekerjaan di mana biaya verifikasi tidak lebih besar daripada biaya generasi”, dan lebih dulu mendelegasikan pekerjaan yang hasilnya bisa diperiksa cepat secara sekilas
    • Subkomponen yang terdefinisi dengan baik: dalam proyek, mereka lebih dulu menyerahkan tugas pada tingkat submodul atau fungsi yang terpisah dengan jelas kepada Claude
    • Area yang kualitas kodenya tidak sampai menjadi soal hidup-mati: kode debug sekali pakai, kode riset, skrip eksperimen, dan sejenisnya lebih dulu dilempar ke Claude, sementara desain penting, debug tingkat tinggi, dan desain yang presisi diselesaikan sendiri
    • Pekerjaan yang berulang, membosankan, dan selama ini ditunda: mereka menjelaskan bahwa untuk tugas yang enggan dikerjakan hingga ditunda, memulainya dengan berbicara dengan Claude sangat menurunkan hambatan awal
  • Dalam survei, rata-rata 44% dari pekerjaan yang dibantu Claude adalah ‘pekerjaan yang kalau sendirian tidak akan dilakukan dengan senang hati’, yang juga menunjukkan bahwa semakin tidak menyenangkan suatu pekerjaan, semakin besar kecenderungan orang menyerahkannya ke AI
  • Sebaliknya, ada juga tanggapan bahwa untuk tugas kecil yang tampaknya bisa selesai dalam 10 menit, mereka tidak merasa perlu memakai Claude, dan disebutkan pula bahwa karena ‘masalah cold start’ saat harus menjelaskan konteks internal codebase ke AI, dalam beberapa kasus lebih cepat dikerjakan langsung sendiri

• Pembentukan kepercayaan dan verifikasi

  • Banyak insinyur menyebut adanya tahap membangun kepercayaan: awalnya mereka mulai dari pertanyaan sederhana, bantuan bahasa, atau pertanyaan dasar tentang bahasa yang belum akrab (seperti Rust), lalu secara bertahap menyerahkan tugas yang lebih kompleks kepada Claude
    • Seorang insinyur mengibaratkan proses mempercayai Claude dengan perubahan kebiasaan memakai Google Maps: awalnya hanya dipakai di jalan yang belum dikenal, tetapi sekarang bahkan perjalanan pulang-pergi kerja pun sepenuhnya dipercayakan, dan ia mengatakan pengalamannya mirip seperti itu
  • Mengenai apakah Claude digunakan di luar bidang keahlian atau di dalam bidang keahlian, pendapat terbagi
    • Sebagian orang memakai Claude di area yang mereka kurang kuasai, seperti frontend, infrastruktur, atau database, untuk mengurangi waktu implementasi
    • Yang lain berpendapat bahwa mereka harus cukup memahami bidangnya agar bisa menilai hasilnya, sehingga justru memilih memanfaatkan Claude di area yang sudah mereka kuasai dan menggunakannya seperti akselerator
  • Seorang insinyur keamanan menggambarkan sebagian solusi yang diusulkan Claude sebagai “ide yang berbahaya tetapi cerdas, seperti yang mungkin diajukan junior yang sangat kompeten”, dan menekankan bahwa untuk mengenali risikonya dibutuhkan pengalaman dan penilaian yang memadai
  • Sebagian insinyur menjelaskan bahwa mereka memakai Claude baik di area inti keahlian maupun area sekitar, lalu menyesuaikan cara memberi prompt dan tingkat verifikasi secara halus sesuai tingkat kemahiran mereka
    • Di area yang sudah mereka kuasai, mereka memberi Claude langkah-langkah dan batasan yang spesifik, sedangkan di area yang kurang mereka kuasai, mereka meminta Claude berperan sebagai pakar dan menyajikan beberapa opsi beserta hal-hal yang perlu dipertimbangkan

• Batas pekerjaan yang tetap dikerjakan manusia

  • Orang-orang secara umum menjelaskan bahwa pemikiran tingkat tinggi dan strategis, desain sistem, konteks organisasi, serta keputusan yang membutuhkan ‘taste’ masih tetap mereka tangani sendiri
    • Dalam wawancara muncul ungkapan seperti, “biasanya gambaran besar dan desain saya kerjakan sendiri, sedangkan implementasi fitur baru, debugging, dan sejenisnya saya delegasikan sebanyak mungkin”
  • Dalam survei juga terlihat bahwa peningkatan produktivitas paling rendah muncul di area desain dan perencanaan, yang ditafsirkan sebagai akibat orang masih memandang desain itu sendiri sebagai peran manusia
  • Namun, batas ini tidak tetap melainkan digambarkan sebagai ‘moving target’, dan ada pemahaman bersama bahwa seiring peningkatan kemampuan model, wilayah yang ditangani AI perlahan bergerak ke tingkat yang lebih tinggi

• Perubahan dan perluasan skill

  • Berkat Claude, banyak insinyur menjelaskan bahwa mereka kini bisa menangani pekerjaan di luar bidang keahlian asli mereka
    • Diceritakan sebuah kisah tentang seorang insinyur backend yang, lewat beberapa kali bolak-balik dengan Claude, membangun UI yang kompleks, hingga para desainer bertanya, “memangnya benar kamu yang membuatnya?”
    • Beberapa responden mengatakan bahwa karena Claude, mereka kini bisa lebih berani menyentuh frontend, transaction DB, API, dan infrastruktur eksperimen, bahkan sampai area yang dulu “terlalu menakutkan untuk disentuh”
  • Perluasan kemampuan ini juga menghasilkan efek berupa percepatan feedback loop dan kecepatan belajar
    • Mereka menjelaskan bahwa pekerjaan yang dulu membutuhkan berminggu-minggu untuk membuat fitur, menjadwalkan rapat, menerima umpan balik, lalu merevisi, kini bisa digantikan oleh sesi kolaborasi real-time selama beberapa jam
  • Banyak orang juga menyebut bahwa berkat Claude, kecepatan prototipe, kemampuan bekerja paralel, dan tingkat ambisi proyek semuanya meningkat
    • Seorang insinyur senior menilai bahwa “berkat alat ini, insinyur junior menjadi lebih produktif dan punya keberanian untuk menantang proyek yang lebih besar”
    • Insinyur lain mengatakan bahwa karena Claude, ‘energi aktivasi’ yang dibutuhkan untuk mulai bekerja berkurang drastis, sehingga masalah yang sempat ditunda pun jadi mudah disentuh

• Kekhawatiran penurunan skill dan paradoks pengawasan

  • Di sisi lain, banyak responden menyampaikan kekhawatiran bahwa “semakin banyak mendelegasikan, rasanya kemampuan diri sendiri justru menurun”, dan terutama khawatir tentang berkurangnya incidental learning (pembelajaran insidental) selama proses pemecahan masalah
    • Saat melakukan debug bug yang sulit secara langsung, orang biasanya membaca dokumentasi, kode sekitar, dan konfigurasi terkait secara luas, tetapi ketika Claude langsung mengarahkan ke inti masalah, kesempatan membangun model menyeluruh tentang sistem pun berkurang
    • Ada juga kesaksian bahwa dulu saat memakai alat baru, mereka menelusuri semua opsi konfigurasi dan mempelajari fiturnya dengan tangan sendiri, tetapi sekarang karena hanya memakai cara yang diberitahukan AI, muncul perasaan kehilangan pemahaman yang mendalam
  • Seorang insinyur senior mengatakan bahwa karena ia sudah membangun fondasi dasar yang cukup kuat, ia tidak terlalu khawatir, tetapi bila masih di awal karier, seseorang perlu jauh lebih sadar dan sengaja berusaha mengembangkan kemampuan dirinya sendiri
  • Konsep yang paling sering disebut secara khusus adalah “paradox of supervision”
    • Untuk memakai Claude dengan aman, kemampuan mengawasi dan memverifikasi output AI sangat penting, tetapi semakin bergantung pada AI, muncul kontradiksi bahwa kemampuan coding dan desain yang dibutuhkan untuk pengawasan itu sendiri bisa melemah
    • Ada yang mengatakan bahwa “daripada sekadar masalah penurunan skill, yang lebih saya khawatirkan adalah kemampuan pengawasan menurun sehingga AI tak lagi bisa dipakai dengan aman”
  • Untuk melengkapinya, sebagian insinyur menyebut bahwa mereka sengaja melakukan “latihan menyelesaikan tanpa Claude”
    • Mereka menjelaskan bahwa meski tahu Claude bisa menyelesaikannya dengan baik, sebagian masalah tetap mereka pecahkan sendiri sebagai upaya menjaga feeling dan ketajaman kemampuan

• ‘Abstraksi yang lebih tinggi’ dan kerajinan perangkat lunak

  • Dalam beberapa wawancara muncul pandangan bahwa rekayasa perangkat lunak sedang bergerak ke tingkat abstraksi yang lebih tinggi
    • Ada pemahaman bahwa dari masa ketika orang harus menangani manajemen memori manual, assembly, hingga menyalakan sakelar hardware sendiri, lalu perlahan bahasa tingkat tinggi dan runtime mengambil alih detail tingkat rendah, kini kita memasuki tahap ‘English as a programming language’, yaitu menjelaskan niat dalam bahasa alami dan menghasilkan kode darinya
    • Seseorang memberi analogi implementasi linked list yang dulu dianggap penting diajarkan di kelas ilmu komputer: tetap baik jika kita bisa mengimplementasikannya sendiri, tetapi dalam pekerjaan nyata, hampir tidak ada lagi situasi di mana kita benar-benar menulisnya langsung
  • Sebagian orang mengatakan bahwa justru berkat Claude mereka kini bisa lebih fokus pada konsep tingkat tinggi, pola, dan pengalaman pengguna, dan mengungkapkan bahwa ternyata yang mereka sukai bukanlah menulis kode itu sendiri, melainkan hasil yang dihadirkan oleh kode
  • Yang lain merasa sayang karena kesenangan dari aktivitas coding itu sendiri dan ‘kepuasan kerajinan’ berkurang
    • Seseorang yang telah memprogram selama 25 tahun mengaku bahwa kebanggaan atas kemampuan coding terampilnya adalah inti kepuasan dalam pekerjaannya, dan kini ia merasa bagian itu mulai mengabur
    • Muncul juga ungkapan bahwa menghabiskan sepanjang hari hanya mengetik prompt tidak menyenangkan, dan bahwa mereka kehilangan kenikmatan ‘flow state’ saat menulis kode sendiri sambil mendengarkan musik

• Sebagian orang mengatakan bahwa mereka “merindukan ‘kondisi zen’ saat tenggelam sepenuhnya dalam refactoring, tetapi dengan peningkatan produktivitas keseluruhan yang jauh lebih besar, saya rela melepaskannya,” yang menunjukkan adanya pilihan pragmatis antara kesenangan membangun sesuatu dengan tangan sendiri dan memaksimalkan hasil

  • Kesimpulannya, tampak jelas bahwa bagaimana seseorang merasakan bantuan AI sangat bergantung pada apa yang mereka anggap paling bermakna dalam rekayasa perangkat lunak

• Perubahan dalam kolaborasi dan hubungan sosial

  • Bagi banyak orang, Claude telah menjadi tujuan pertama untuk bertanya sebelum bertanya kepada rekan kerja
    • Seorang responden menjelaskan bahwa ia memang lebih sering bertanya dibanding sebelumnya, tetapi 80–90% pertanyaan itu diajukan ke Claude, dan hanya 10–20% sisanya yang ditanyakan ke manusia
    • Akibatnya, muncul efek penyaringan di mana pertanyaan rutin diserap oleh Claude, sementara pertanyaan yang sampai ke manusia tersusun ulang menjadi terutama masalah strategis, bergantung pada konteks, dan berkesulitan tinggi
  • Sekitar setengah dari responden masih merasa pola kolaborasi tim tidak banyak berubah, dan mengatakan bahwa hal-hal seperti rapat, berbagi konteks, dan memilih arah masih tetap dilakukan antarmanusia
    • Namun, ada juga pandangan bahwa ke depannya percakapan dengan beberapa ‘instance Claude’ akan menjadi unit kerja dasar yang baru, menggantikan waktu kerja fokus
  • Orang lain secara jelas merasa bahwa interaksi dengan rekan kerja berkurang
    • Muncul ungkapan seperti, “belakangan ini rasanya saya lebih banyak bekerja dengan Claude daripada dengan rekan kerja,” dan meskipun ada sisi positif berupa berkurangnya rasa bersalah karena menyita waktu rekan, banyak juga yang menyayangkan berkurangnya kesenangan bekerja bersama manusia
    • Ada pula orang yang merasa tidak nyaman dengan budaya di tim yang secara otomatis membalas dengan, “sudah tanya Claude dulu?”, dan ada yang berpendapat bahwa mereka lebih menyukai cara bekerja langsung bersama orang lain
  • Perubahan pada aspek mentorship dan pelatihan junior terlihat sangat menonjol
    • Muncul pengamatan bahwa ketika Claude banyak mengambil peran coaching terperinci dan code review untuk junior, frekuensi junior datang bertanya kepada senior pun turun drastis
    • Seorang senior mengungkapkan perasaan yang campur aduk: “Saya agak menyayangkan junior jadi lebih jarang datang bertanya kepada saya, tetapi memang benar mereka mendapatkan jawaban lebih cepat dan belajar lebih cepat”

• Ketidakpastian karier dan adaptasi

  • Banyak orang menjelaskan bahwa peran mereka sedang bergeser dari penulis kode langsung menjadi pengelola agen AI dan reviewer kode
    • Seseorang menggambarkan pekerjaannya saat ini sebagai “peran yang bertanggung jawab atas pekerjaan yang dilakukan oleh 1, 5, atau 100 Claude,” dan mengatakan bahwa ia sudah bekerja seharian dengan banyak instance Claude terbuka
    • Orang lain memperkirakan bahwa lebih dari 70% pekerjaannya kini bergeser menjadi review dan revisi kode
  • Untuk prospek karier jangka panjang, banyak tanggapan mencerminkan campuran optimisme jangka pendek dan kecemasan jangka panjang
    • Muncul ungkapan seperti, “dalam jangka pendek saya cukup optimistis, tetapi dalam jangka panjang saya juga khawatir AI pada akhirnya akan mengerjakan hampir semuanya dan membuat saya serta banyak orang lain menjadi tidak berguna”
    • Orang lain bahkan menggunakan ungkapan yang lugas: rasanya seperti datang bekerja setiap hari untuk mengotomatiskan diri sendiri
  • Sebagian orang terutama mengkhawatirkan masa depan developer junior, tetapi pada saat yang sama juga melihat harapan karena mereka adalah generasi yang paling cepat menerima teknologi baru
    • Ada risiko junior langsung merilis kode keliru yang dibuat AI, tetapi juga disampaikan harapan bahwa dengan kombinasi guardrail yang lebih baik, materi pembelajaran, dan pembelajaran dari kesalahan, mereka akan mampu beradaptasi seiring waktu
  • Berbagai jawaban juga muncul terkait strategi masa depan dan cara beradaptasi
    • Rencana untuk menjadikan kemampuan meninjau dan mengawasi output AI secara bermakna sebagai keahlian baru
    • Harapan bahwa peran mereka akan bergeser menjadi lebih banyak menghabiskan waktu pada membangun konsensus antarmanusia, koordinasi, dan penyusunan strategi, sementara implementasi semakin banyak diserahkan kepada AI
    • Juga diperkenalkan contoh penggunaan Claude untuk memperoleh umpan balik terkait kepemimpinan, komunikasi, dan pengembangan karier, sambil mempercepat laju pembelajaran
  • Secara keseluruhan, suasana umumnya dapat diringkas sebagai kesadaran bahwa “tingkat kepastian tentang skill apa yang akan paling penting di masa depan sangat rendah,” dan sikap bahwa yang penting adalah menjadi orang dan organisasi yang mampu beradaptasi cepat, apa pun yang akan datang

Tren penggunaan Claude Code

• Masalah yang lebih sulit dan otonomi yang lebih tinggi

  • Anthropic menganalisis 200 ribu log internal Claude Code pada dua titik waktu, Februari dan Agustus 2025 menggunakan alat perlindungan privasi internal
    • Saat setiap riwayat percakapan dinilai dengan skala tingkat kesulitan 1–5, rata-rata tingkat kesulitan naik dari 3,2 menjadi 3,8
      • Contoh tingkat kesulitan 3,2 adalah “menyelesaikan error import modul Python”, sedangkan contoh tingkat 3,8 adalah “mengimplementasikan dan mengoptimalkan sistem caching”
  • Jumlah panggilan alat yang dilakukan Claude Code secara berurutan tanpa campur tangan manusia naik rata-rata dari 9,8 menjadi 21,2, atau meningkat 116%
    • Ini berarti Claude melanjutkan rangkaian edit file dan eksekusi perintah lebih lama secara mandiri untuk menangani tugas yang kompleks
  • Jumlah giliran manusia per percakapan turun rata-rata dari 6,2 menjadi 4,1, atau turun 33%, yang menunjukkan kecenderungan berkurangnya interaksi manusia yang dibutuhkan untuk menyelesaikan tugas yang sama
    • Jika metrik-metrik ini digabungkan, hal itu menunjukkan bahwa para engineer menyerahkan pekerjaan yang lebih kompleks kepada Claude dengan otonomi yang lebih besar

• Perubahan distribusi pekerjaan

  • Setiap percakapan dalam log Claude Code diklasifikasikan ke dalam kategori seperti debugging, pemahaman kode, refactoring, testing, implementasi fitur baru, desain/perencanaan kode, frontend, data science, dan lain-lain, lalu dibandingkan distribusi pekerjaannya
    • Distribusi keseluruhan secara umum sejalan dengan pola penggunaan utama yang dilaporkan orang dalam survei (berfokus pada debugging, pemahaman kode, dan implementasi fitur baru)
  • Perubahan yang paling menonjol dalam 6 bulan adalah lonjakan porsi implementasi fitur baru serta desain/perencanaan kode
    • Implementasi fitur baru meningkat dari 14,3% menjadi 36,9% dari seluruh log, dan pekerjaan terkait desain/perencanaan juga naik dari 1,0% menjadi 9,9%
    • Mereka menjelaskan bahwa ini bisa berarti Claude semakin banyak digunakan untuk pekerjaan yang lebih kompleks dan kreatif, atau tim mulai aktif mengadopsi Claude Code dalam workflow semacam ini
    • Peneliti menyebutkan bahwa sulit untuk memisahkan secara jelas peningkatan volume kerja absolut dan perubahan distribusi relatif, dan hal ini tetap menjadi keterbatasan

• Perbaikan papercut

  • Sejalan dengan jawaban survei bahwa orang menjadi lebih sering mengerjakan peningkatan kualitas kecil dan perbaikan kenyamanan sehari-hari, log Claude Code juga menunjukkan bahwa 8,6% dari seluruh pekerjaan diklasifikasikan sebagai ‘papercut fix’
    • Ini mencakup pembuatan alat visualisasi performa, refactoring untuk meningkatkan maintainability, serta pembuatan fitur kenyamanan kecil seperti shortcut terminal atau script
  • Pekerjaan-pekerjaan ini secara individual memang kecil, tetapi jika terakumulasi dapat meningkatkan produktivitas dan developer experience secara nyata
    • Ciri utamanya adalah pekerjaan yang sebelumnya tertunda karena prioritas rendah kini lebih ringan bebannya berkat Claude dan jadi terselesaikan secara alami

• Perbedaan penggunaan antar tim

  • Berdasarkan log Claude Code Agustus 2025, hasil perbandingan distribusi per tim dengan memberi satu tag jenis pekerjaan utama pada tiap percakapan ditampilkan pada Figure 5
    • Pada rata-rata keseluruhan (“All Teams”), implementasi fitur baru, debugging, dan pemahaman kode menempati porsi terbesar, menunjukkan pola dasar penggunaan Claude
  • Karakteristik utama tiap tim adalah sebagai berikut
    • Tim Pre-training menggunakan 54,6% pemakaian Claude Code untuk implementasi fitur baru, dengan porsi besar terutama pada pelaksanaan berbagai eksperimen tambahan
    • Tim Alignment & Safety dan tim Post-training memiliki porsi pengembangan frontend yang tinggi, masing-masing 7,5% dan 7,4%, dan terutama memanfaatkan Claude untuk membangun UI untuk visualisasi data
    • Tim Security menggunakan 48,9% pemakaian Claude Code untuk pekerjaan pemahaman kode, dan sering memakainya untuk menganalisis serta memahami implikasi keamanan dari kode yang belum dikenal
    • Karyawan non-teknis juga banyak menggunakan Claude Code: 51,5% untuk debugging (masalah jaringan, problem Git, dan sebagainya), dan 12,7% untuk pekerjaan data science, sehingga dimanfaatkan sebagai alat untuk menjembatani kesenjangan pengetahuan teknis
  • Secara umum, tim memanfaatkan Claude untuk pekerjaan inti mereka sendiri (infrastruktur, riset, keamanan, dan sebagainya), tetapi pada saat yang sama juga menggunakannya untuk pekerjaan di luar domain spesialis tradisional, dan data menunjukkan bahwa semua orang sedikit demi sedikit menjadi lebih mendekati full-stack

Ke depan

• Langkah berikutnya di internal Anthropic

  • Berdasarkan perubahan selama setahun terakhir, Anthropic memosisikan diri sebagai semacam “laboratorium” yang mengelola transformasi kerja berbasis Claude secara bertanggung jawab
    • Mereka menyatakan telah mulai meninjau ulang cara kolaborasi, struktur rapat dan komunikasi, serta definisi peran per jabatan bersama engineer, peneliti, dan pimpinan, sekaligus menyusun best practice baru dengan asumsi kerja yang dibantu AI
  • Secara khusus, mereka berfokus pada bagaimana pengembangan keahlian, mentorship, serta jalur promosi dan pertumbuhan harus berubah di era AI, dan untuk ini juga merujuk pada AI fluency framework yang sebelumnya telah dipublikasikan Anthropic
    • Berdasarkan framework yang mendefinisikan tingkat pemahaman, pengawasan, dan kemampuan memberi umpan balik yang dibutuhkan ketika manusia dan AI bekerja bersama, ada dorongan untuk merancang pelatihan praktis dan kebijakan internal
  • Penelitian kali ini berfokus pada engineer, tetapi ke depan mereka menyatakan berencana memperluas cakupan hingga peran non-pengembang untuk melihat bagaimana AI mengubah pekerjaan di seluruh Anthropic

• Kemitraan eksternal, pendidikan, dan rencana jangka panjang

  • Selain riset internal, Anthropic juga menjalankan peran membantu organisasi eksternal beradaptasi dengan era kerja berbantuan AI
    • Sebagai contoh, mereka menyebut sedang mendukung kerja sama dengan CodePath untuk merombak kurikulum ilmu komputer agar sesuai dengan lingkungan berbantuan AI
    • Ini mencerminkan pandangan bahwa pendidikan developer junior dan jalur pembelajaran bagi pekerja awal karier perlu dirancang ulang dengan asumsi penggunaan alat AI
  • Ke depan, mereka menilai pendekatan yang lebih struktural seperti desain ulang peran dalam organisasi, jalur reskilling, dan rute transisi pekerjaan baru dapat menjadi semakin penting
    • Misalnya, bisa saja dibahas bentuk pengakuan resmi atas peran-peran baru seperti pengawasan AI agent, tanggung jawab kualitas, atau tinjauan etika sebagai jabatan formal
  • Anthropic memberi isyarat bahwa mereka akan mengungkap rencana yang lebih konkret pada 2026, dan menempatkan riset ini sebagai titik awal sekaligus evaluasi di tengah jalan
    • Pesan utamanya adalah bahwa Anthropic tidak berhenti pada sekadar mengamati bagaimana AI mengubah pekerjaan, tetapi ingin lebih dulu bereksperimen dan menyesuaikan diri untuk membangun model ‘transisi yang bertanggung jawab’