Apakah biaya pengembangan perangkat lunak turun hingga 90%?

 (martinalderson.com)
3 poin oleh GN⁺ 2025-12-09 | 1 komentar | Bagikan ke WhatsApp
  • Munculnya alat Agentic Coding menyebabkan biaya tenaga kerja dalam pengembangan perangkat lunak menurun drastis
  • Kecepatan implementasi memendek hingga proyek web app internal yang dulu memerlukan satu bulan kini bisa selesai dalam seminggu
  • Alat seperti Claude Code dapat membuat ratusan pengujian hanya dalam beberapa jam, mengubah struktur kerja sehingga tim kecil menghasilkan dampak besar
  • Penurunan biaya dapat memicu ledakan permintaan laten (Jevons Paradox) sehingga lebih banyak organisasi kemungkinan akan membuat perangkat lunak kustom
  • Pengetahuan domain dan kemampuan kolaborasi manusia-agen dari pengembang muncul sebagai daya saing baru, dengan perubahan besar di seluruh industri diperkirakan pada 2026

Perubahan struktur biaya pengembangan perangkat lunak

  • Penyebaran open source merupakan titik balik pertama yang menurunkan biaya awal pengembangan perangkat lunak
    • Dulu SQL Server, Oracle, dan lainnya memerlukan biaya lisensi tahunan puluhan ribu dolar, tetapi MySQL memungkinkan pembangunan aplikasi jaringan secara gratis
  • Setelah itu, adopsi cloud memang mengurangi belanja modal awal, tetapi efek penghematan pada total biaya terbatas
  • Dalam beberapa tahun terakhir, kompleksitas justru meningkat dengan TDD, microservices, frontend React yang kompleks, Kubernetes, sehingga penghematan biaya mengalami stagnasi
  • Sebaliknya, agen AI secara drastis memangkas biaya tenaga kerja dalam proses pengembangan

Dasar klaim pengurangan 90%

  • Hingga awal 2025, ada sikap skeptis terhadap alat coding AI, tetapi belakangan CLI agentic coding benar-benar membuktikan efisiensi dalam skala besar
  • Sebagai contoh, lebih dari 300 kode pengujian untuk sebuah alat internal dibuat oleh Claude Code hanya dalam beberapa jam
  • Proyek yang sebelumnya memakan waktu sebulan kini bisa selesai dalam seminggu
    • Waktu implementasi turun tajam, tetapi waktu berpikir (desain) tetap sama
    • Karena ukuran tim mengecil, overhead komunikasi pun hilang
    Iklan
  • Hasilnya, sejumlah kecil orang mencapai produktivitas lebih dari 10 kali lipat

Ledakan permintaan laten

  • Penurunan biaya dijelaskan melalui Jevons Paradox, yakni biaya yang lebih rendah tidak mengurangi permintaan industri secara keseluruhan, malah memperluasnya
  • Banyak organisasi masih menjalankan proses kerja berbasis Excel, dan ada permintaan laten untuk mengubahnya menjadi aplikasi SaaS
  • Jika estimasi biaya yang sebelumnya 50 ribu dolar turun menjadi sekitar 5 ribu dolar, maka proyek yang tadinya tidak esensial pun menjadi layak dikembangkan
  • Karena itu, total output industri pengembangan secara keseluruhan kemungkinan akan meningkat

Pengetahuan domain menjadi daya saing baru

  • Saat ini pengawasan dan penilaian manusia masih tetap penting
    • Pendekatan agen perlu diperiksa dan jalur yang salah harus dikoreksi
  • Pengembang yang menguasai teknologi ini akan sangat meningkat dalam kemampuan memecahkan masalah bisnis
  • Kombinasi pengetahuan domain + kemahiran teknis muncul sebagai daya saing utama
    • Ahli bisnis dan pengembang dapat melakukan pengembangan iteratif dengan cepat dalam unit kolaborasi kecil
    Iklan
  • Perangkat lunak berubah menjadi "aset yang bisa dibuang", sehingga jika arahnya salah dapat langsung dibuang lalu dikembangkan ulang

Harus bersiap menghadapi perubahan

  • LLM dan model agen berkembang pesat, dan benchmark lama tidak mampu lagi mencerminkan hal ini
    • Contoh: Opus 4.5 dapat mempertahankan sesi 10~20 menit secara stabil
  • Investasi besar pada infrastruktur GPU diperkirakan akan mendorong peningkatan performa model secara drastis ke depan
  • Sebagian pengembang masih beranggapan bahwa “LLM penuh kesalahan” atau “tidak menghemat waktu”, tetapi ini semakin tidak benar
  • Seperti kasus engineer desktop yang mengabaikan iPhone pada 2007, menolak perubahan berisiko membuat tertinggal
  • Perusahaan besar lambat mengadopsi karena struktur birokratis, tetapi tim kecil bisa langsung memanfaatkannya
  • LLM efektif bukan hanya untuk proyek baru, tetapi juga untuk analisis dan pemeliharaan codebase yang sudah ada
    • Sangat efisien untuk memahami struktur kode lama, mendeteksi bug, dan mengusulkan perbaikan
  • Hasilnya, 2026 kemungkinan besar akan menjadi titik perubahan besar dalam cara pengembangan dilakukan

Bacaan terkait

1 komentar

 
GN⁺ 2025-12-09
Opini Hacker News

  • Saya mendengar cerita bahwa Claude Code membuat lebih dari 300 pengujian hanya dalam beberapa jam
    Namun, masih diragukan apakah pengujian itu benar-benar memverifikasi perilaku yang dimaksud dan dapat menjelaskan dengan jelas kepada pengembang berikutnya bagaimana sistem bekerja
    Meski AI bisa membuat kode dengan cepat, tanpa waktu peninjauan yang cermat dalam porsi yang sama, ada risiko besar kualitasnya menurun

  • Saya juga pernah mencoba mengikuti saran untuk “beradaptasi secara aktif” dengan AI coding
    Tapi mungkin karena saya bekerja di robotika dan embedded, membuat web app atau game dengan AI terasa sangat membosankan dan membuat frustrasi
    Saat saya meminta Cursor memperbaiki masalah, hasilnya justru makin berantakan, dan pada akhirnya belajar Flask dan JS sendiri jauh lebih efisien
    AI sangat bagus untuk mencari dokumentasi atau pesan error, tetapi “menyerahkan kemudi” sama sekali tidak membantu

    • Saya juga mengalami hal yang mirip
      Saya ragu klaim bahwa AI memberi “produktivitas 10x” itu benar
      Dalam praktiknya, lebih realistis memakainya seperti Google/Stack Overflow yang ditingkatkan drastis
      Sebagian besar kode tetap saya tulis sendiri, dan AI hanya membantu untuk pekerjaan berulang sederhana atau penulisan skrip
    • Menyerahkan kode kepada AI adalah keterampilan yang harus dipelajari
      Untuk berhasil, dibutuhkan kemampuan memberi instruksi dan penjelasan yang jelas layaknya seorang ‘mentor’
      Penting untuk membiasakan diri meminta perubahan lewat prompt tanpa langsung turun tangan, dan proses ini pada akhirnya juga meningkatkan kemampuan komunikasi

  • Jika melihat artikel seperti ini, terlihat jelas perbedaan persepsi antara tim pengembang di lapangan dan manajemen
    Orang-orang di lantai atas mengira mereka sudah memahami seluruh sistem hanya dari beberapa baris requirement, padahal kenyataannya mereka hampir tidak tahu dependensi dan konteksnya
    Seni sesungguhnya ada pada tim pengembang yang mampu mengubah requirement samar itu menjadi produk nyata, dan belum ada teknologi yang bisa mengotomatiskan hal itu

  • Biaya penulisan kode yang sederhana memang turun 90%
    Tapi untuk mereduksi sebuah masalah menjadi kode yang sederhana, masih dibutuhkan banyak pengalaman dan waktu

    • Sebagian besar pengembangan adalah pemeliharaan legacy code
      Claude Code sangat unggul dalam memahami dan memodifikasi codebase lama
      Ia juga membantu dalam pengujian dan debugging, sehingga rasanya produktivitas naik 10x
      Bukan sekadar menulis kode lebih cepat, tetapi bekerja seperti otak kedua yang cepat
    • Berkat AI, saya juga jadi bisa cepat menyelesaikan tugas otomasi kecil yang dulu malas saya kerjakan
      Dalam waktu kurang dari 1 jam, saya bisa membuat skrip atau mini web service untuk menyelesaikan masalah
    • Saya setuju bahwa biaya membuat aplikasi CRUD turun 90%, tetapi
      sebenarnya saya merasa pekerjaan sederhana seperti ini seharusnya sudah terotomatisasi bahkan sebelum AI
    • Sistem yang kompleks pada akhirnya juga merupakan struktur berlapis dari kode-kode sederhana
      LLM terasa seperti peningkatan dari satu sekop menjadi 10 ekskavator,
      tetapi jika proyeknya memang akan gagal, ia hanya akan gagal lebih cepat
    • Sederhana atau tidaknya kode pada akhirnya adalah soal seberapa mirip ia dengan pola contoh yang ada di internet
      Claude Code sangat baik menulis kode kompleks selama masih berada dalam pola yang telah dipelajarinya

  • Jika benar biaya pengembangan software kustom turun 90%,
    pasar seharusnya dibanjiri SaaS murah, tetapi kenyataannya tidak demikian
    Pada akhirnya, tampaknya menulis kode bukan masalah terbesar

    • Betul, biaya operasional setelah pengembangan jauh lebih besar
      Pemeliharaan, keamanan, upgrade, hosting, dukungan pelanggan, penambahan fitur baru, dan sebagainya
      Hal-hal inilah nilai nyata yang termasuk dalam biaya langganan SaaS
      Sepertinya AI masih butuh 3–5 tahun lagi untuk bisa menyelesaikan bagian ini juga
    • Waktu coding aktual seorang developer hanya sekitar setengah dari seluruh pekerjaannya
      Sisanya diisi oleh rapat, koordinasi, menunggu, dan sebagainya
      Kalaupun biaya coding turun 90%, lebih dari setengah total biaya tetap tersisa
      Lagi pula, kalau AI bahkan belum bisa merangkum bahasa alami dengan akurat,
      wajar jika orang ragu apakah ia bisa sepenuhnya memahami dan menulis makna dari kode
      Video terkait: tautan YouTube
    • Hanya karena kode menjadi murah, itu tidak otomatis menjadi bisnis yang bagus
      Bahkan sekarang pun SaaS sudah berlimpah, tetapi kenyataannya membangun bisnis tetap sulit meski fiturnya bagus
    • SaaS adalah ranah yang membutuhkan dua sampai tiga kali lebih banyak usaha dibanding aplikasi sederhana
      Banyak engineering pada dasarnya adalah pekerjaan untuk vendor lock-in
    • Asumsi bahwa pasar bekerja sempurna itu sendiri keliru
      Karena visibilitas platform, kepercayaan, dan kontrol algoritma, SaaS baru sulit bertumbuh
      Perusahaan besar bisa segera menirunya, dan konsumen makin kekurangan uang
      Pada akhirnya pasar tidak adil, dan karena itu banyak orang mulai melirik ranah politik

  • Siapa pun yang pernah bekerja di perusahaan besar kemungkinan tidak akan setuju dengan artikel seperti ini
    Misalnya, di tempat seperti Shutterstock, bahkan permintaan sederhana pun bisa menyentuh 5 sistem
    AI memang membantu memahami dan memodifikasi kode,
    tetapi mengatakan bahwa total biaya pengembangan turun 90% adalah sama sekali tidak benar

    • Lagi pula, penulisnya adalah “instruktur workshop pengembangan AI”,
      jadi tulisan ini pada dasarnya lebih mirip materi promosi untuk perusahaan

  • Terkait klaim bahwa “setiap organisasi memiliki ratusan lembar Excel, dan akan lebih baik jika diubah menjadi SaaS”,
    saya ingin bertanya, sebenarnya lebih baik untuk siapa
    Spreadsheet bisa langsung ditangani oleh orang-orang yang memiliki pengetahuan domain,
    dan karena aksesibilitasnya tinggi, alat ini tetap sangat kuat

    • Saya juga suka spreadsheet, tetapi sedikit saja kompleksitas naik, error langsung banyak
      Karena rumus dan UI sangat terhubung erat, sulit memahami logika internalnya
    • Spreadsheet memang kuat, tetapi mudah disalahgunakan
      Khususnya Excel sulit dipelihara, dan menurut saya makin kompleks, makin lebih baik dipindahkan ke kode
    • Sebagai penulis, maksud saya bukan bahwa semua sheet harus dijadikan web app,
      melainkan bahwa dibutuhkan penguatan struktural seperti kolaborasi, kontrol akses, dan pengujian
    • Masalahnya adalah kapan kita menyadari bahwa spreadsheet sudah melewati batasnya
      Saat mulai dipakai seperti database, atau saat banyak pengguna mulai mengelolanya bersamaan, itulah titik peralihannya
    • Sebagian besar spreadsheet menghilang bersama pembuat aslinya
      Masalah umum memang diselesaikan oleh solusi seperti SAP,
      tetapi kebanyakan sheet adalah masalah kustom dengan hanya satu pelanggan

  • Saya merasa aturan 90/90 masih tetap berlaku
    AI bisa mempercepat 90% pertama, tetapi 10% sisanya adalah bagian yang benar-benar sulit
    LLM berguna pada fase kerja kasar, tetapi pada tahap penyempurnaan detail justru mengganggu
    Untuk membuat website sederhana mungkin terasa seperti sihir,
    tetapi pekerjaan seperti itu ke depan tampaknya akan menjadi bidang yang sulit dijadikan mata pencaharian

    • Terutama untuk pekerjaan yang menuntut akurasi dalam skenario baru, keterbatasan AI makin terlihat
      Jika hasil yang dihasilkan dihentikan lalu diperiksa dengan teliti, orang akan ragu apakah itu benar-benar tepat

  • Mengejutkan bahwa banyak orang masih memakai AI hanya sebagai chatbot untuk copy-paste
    Padahal jika diberi instruksi yang tepat, Claude Code bisa mereproduksi eksperimen yang biasanya memakan waktu berminggu-minggu hanya dalam hitungan menit
    Dalam pekerjaan nyata, yang penting sering kali bukan kode yang sempurna, tetapi menghasilkan hasil dengan cepat
    Tentu saja bug keamanan atau kesalahan logika bisnis tetap merupakan risiko
    Jika ada pakar domain yang terlibat, saya rasa masalah seperti ini akan makin berkurang

    • Tetapi jika hanya mengejar hasil cepat, kualitas kode akan turun drastis
      Keseimbangan antara pengembangan fitur dan pengelolaan codebase itu penting
      Apakah agen seperti Cursor sudah mampu menjaga keseimbangan ini dengan baik, saya masih ragu

  • Setelah ledakan LLM, saya pernah terlibat dalam proyek untuk menggantikan Excel
    Namun dalam praktiknya itu adalah kasus kegagalan ketika non-spesialis mencoba membuat aplikasi dengan AI
    Para analis data membuat aplikasi Python dengan ‘vibe coding’,
    tetapi tidak ada state management dan strukturnya berantakan
    Pada akhirnya muncul hasil setingkat bencana di mana data pelanggan diproses secara keliru
    Karena organisasi seperti ini tidak punya tenaga teknis, AI justru mempercepat risiko

    • Frasa “proyek modernisasi Excel di era pasca-LLM” sendiri terdengar seperti gagasan yang mengerikan