Dua Tahun Mendatang dalam Rekayasa Perangkat Lunak

 (addyosmani.com)
110 poin oleh GN⁺ 2026-01-13 | 9 komentar | Bagikan ke WhatsApp
  • Pengembangan berbasis agen AI telah melampaui tingkat autocompletion dan memasuki tahap pelaksanaan tugas nyata, sehingga peran serta jalur masuk ke rekayasa perangkat lunak terguncang dengan cepat
  • Penurunan perekrutan junior dan organisasi yang berfokus pada efisiensi muncul bersamaan, dengan struktur di mana sedikit tenaga ahli menangani lebih banyak pekerjaan menggunakan alat AI semakin meluas
  • Kemampuan verifikasi, perancangan, dan penilaian lebih penting daripada coding itu sendiri, dan kapasitas manusia untuk menangani output AI muncul sebagai faktor pembeda utama
  • Talenta berbentuk T (keahlian mendalam + daya adaptasi luas) lebih diuntungkan dalam lingkungan AI yang berubah cepat, dan tren yang menuntut kedalaman pada satu bidang sekaligus kemampuan beradaptasi lintas bidang pun makin cepat
  • Melemahnya jalur tradisional yang berpusat pada gelar CS disertai meluasnya ekosistem pembelajaran berlapis seperti portofolio, bootcamp, dan pelatihan yang dipimpin perusahaan

1. Masalah pengembang junior

  • AI mengotomatiskan pekerjaan level pemula, sehingga penurunan tajam perekrutan pengembang junior terjadi bersamaan dengan kembalinya peningkatan permintaan karena software menyebar ke semua industri
  • Dalam studi Harvard terhadap 62 juta pekerja, ketika perusahaan mengadopsi AI generatif, perekrutan pengembang junior turun sekitar 9-10%, sementara perekrutan senior hampir tidak terdampak
  • Perusahaan big tech telah mengurangi perekrutan entry-level sebesar 50% dalam tiga tahun terakhir
  • Ungkapan seorang engineer: "Kalau biaya agen coding AI lebih murah, mengapa harus membayar junior sebesar 90 ribu dolar?"
  • Faktor makro seperti kenaikan suku bunga dan penyesuaian pascapandemi sekitar 2022 lebih dulu berdampak sebelum meluasnya alat AI, tetapi AI mempercepat tren ini
  • Satu engineer senior dengan bantuan AI kini bisa menangani volume pekerjaan yang dulu membutuhkan tim kecil
  • Skenario optimistis: AI dapat secara eksplosif meningkatkan permintaan developer tidak hanya di bidang teknologi, tetapi juga di semua industri seperti kesehatan, pertanian, manufaktur, dan keuangan
    • Alih-alih menggantikan developer, AI berperan sebagai pengganda tenaga (force multiplier) yang menyebarkan pekerjaan pengembangan ke domain yang sebelumnya tidak pernah mempekerjakan coder
    • Kemungkinan meningkatnya bentuk lain dari peran entry-level, di mana developer "AI-native" cepat membangun otomasi dan integrasi untuk niche tertentu
  • Biro Statistik Tenaga Kerja AS masih memproyeksikan pertumbuhan sekitar 15% untuk pekerjaan software pada 2024-2034
  • Risiko jangka panjang dari skenario pesimistis: karena junior hari ini adalah engineer senior dan pemimpin teknis esok hari, jika pipeline talenta benar-benar diputus, akan muncul kekosongan kepemimpinan dalam 5-10 tahun
    • Para veteran industri menyebut ini sebagai "peluruhan lambat (slow decay)": ekosistem yang berhenti membina penerus

  • Saran untuk pengembang junior

    • Harus memiliki kemahiran AI dan fleksibilitas tinggi
    • Harus membuktikan bahwa satu junior + AI dapat menghasilkan output setara tim kecil
    • Bangun fitur yang lebih besar dengan agen coding AI seperti Cursor, Antigravity, Claude Code, dan Gemini CLI, tetapi tetap harus mampu memahami dan menjelaskan sebagian besar kodenya
    • Fokus pada keterampilan yang tidak mudah digantikan AI: komunikasi, pemecahan masalah menjadi bagian-bagian kecil, dan pengetahuan domain
    • Pertimbangkan peran yang berdekatan seperti QA, DevRel, dan analisis data sebagai titik masuk
    • Bangun portofolio yang mencakup proyek dengan integrasi AI API
    • Kumpulkan berbagai bentuk pengalaman seperti trainee, magang, kontrak, dan kontribusi open source
    • Jangan menjadi "fresh graduate lain yang butuh dilatih", tetapi jadilah engineer yang siap pakai yang dapat belajar cepat dan langsung berkontribusi

  • Saran untuk pengembang senior

    • Karena berkurangnya junior, lebih banyak tugas sederhana dan pekerjaan berulang kembali ke senior
    • Gunakan otomasi untuk pekerjaan rutin, tetapi jangan mencoba melakukan semuanya sendiri
    • Bangun CI/CD, linter, dan pengujian berbasis AI untuk memblokir masalah dasar sejak awal
    • Ambil peran mentoring informal melalui open source atau membimbing rekan di departemen lain
    • Sampaikan dengan jelas kepada manajemen risiko jangka panjang dari tim yang seluruhnya senior
    • Bersiap untuk onboarding yang efektif dan struktur delegasi kerja berbasis AI jika permintaan terhadap junior kembali meningkat
    • Fokuskan nilai pada peran yang menggandakan output dan dampak seluruh tim, bukan hanya produktivitas pribadi

2. Masalah keterampilan

  • Saat ini 84% developer menggunakan alat bantu AI secara rutin
  • Ketika menghadapi bug atau fitur baru, pendekatan menulis prompt dan menggabungkan potongan kode yang dihasilkan AI menjadi umum, alih-alih menulis kode dari nol
  • Coder level pemula melewati "cara yang sulit": mereka mungkin belum pernah membangun binary search tree dari nol atau men-debug memory leak sendiri
  • Pusat kompetensi bergeser dari implementasi algoritme ke cara mengajukan pertanyaan yang tepat kepada AI dan memverifikasi outputnya
  • Sejumlah engineer senior khawatir tren ini dapat melahirkan generasi yang tidak mampu coding secara mandiri, yakni deskilling
  • Kode yang dihasilkan AI dapat mengandung bug halus dan kerentanan keamanan yang mudah terlewat oleh developer yang kurang berpengalaman

  • Skenario alternatif

    • AI menangani 80% pekerjaan yang repetitif dan rutin, sementara manusia fokus pada 20% masalah yang paling sulit
      • Perancangan arsitektur, integrasi kompleks, desain kreatif, dan penanganan edge case
    • Universalitas AI tidak membuat pengetahuan mendalam menjadi tidak berguna, tetapi justru membuat keahlian manusia semakin penting
    • Ketika semua orang memiliki akses ke agen coding AI, pembeda developer hebat adalah mengetahui kapan AI salah atau tidak optimal
    • Seperti kata seorang engineer senior, "software engineer terbaik bukan coder tercepat, tetapi orang yang tahu kapan harus tidak mempercayai AI"

  • Perubahan dalam pemrograman

    • Penulisan boilerplate berkurang, sementara porsi untuk meninjau kesalahan logika, celah keamanan, dan ketidaksesuaian dengan requirement dalam output AI meningkat
    • Kompetensi inti: arsitektur perangkat lunak, desain sistem, performance tuning, dan analisis keamanan
    • AI dapat dengan cepat membuat aplikasi web, tetapi engineer profesional memeriksa kepatuhan pada best practice keamanan dan kemungkinan terjadinya race condition
    • Pada 2025, komunitas developer terbelah dalam dua kubu
      • Pihak yang hampir tidak lagi menulis kode dengan tangan dan berpendapat bahwa wawancara coding juga harus berubah
      • Pihak yang berpendapat bahwa jika dasar-dasarnya dilewati, ketika hasil AI rusak maka akan muncul lebih banyak masalah untuk ditangani
    • Di seluruh industri, terbentuk tren yang mengharapkan engineer yang memiliki kecepatan AI sekaligus kebijaksanaan dasar untuk mengendalikannya

  • Saran untuk pengembang junior

    • Gunakan AI sebagai alat belajar, bukan sarana ketergantungan
    • Analisis mengapa kode yang disarankan AI bekerja, dan identifikasi potensi kelemahannya
    • Secara berkala matikan bantuan AI dan implementasikan algoritme inti dari nol
    • Fokus pada fondasi CS: struktur data, algoritme, kompleksitas waktu dan ruang, serta manajemen memori
    • Implementasikan proyek dua kali (dengan AI dan tanpa AI), lalu bandingkan
    • Pelajari secara sistematis kemampuan desain prompt dan penggunaan alat
    • Bentuk kebiasaan testing yang ketat: menulis unit test, membaca stack trace tanpa langsung bertanya ke AI, dan membiasakan diri menggunakan debugger
    • Perkuat kemampuan pelengkap yang tidak bisa direplikasi AI: naluri desain sistem, intuisi terhadap pengalaman pengguna, dan kemampuan berpikir tentang masalah konkruensi

  • Saran untuk pengembang senior

    • Tempatkan diri sebagai pihak yang bertanggung jawab atas kualitas dan kompleksitas
    • Perkuat keahlian inti: arsitektur, keamanan, scaling, dan pengetahuan domain
    • Modelkan sistem yang mencakup komponen AI dan terus periksa skenario kegagalan
    • Tetap mutakhir dalam memahami kerentanan dan pola masalah yang sering muncul pada kode hasil AI
    • Ambil peran mentor dan reviewer: tetapkan batas penggunaan AI serta area yang wajib ditinjau manual (seperti pembayaran atau kode keselamatan)
    • Serahkan pekerjaan koneksi API yang repetitif kepada kombinasi junior+AI, dan fokus pada peran kreatif dan strategis dalam menentukan API apa yang harus dirancang
    • Terus berinvestasi pada soft skill seperti kemampuan komunikasi dan pemahaman lintas domain
    • Fokus pada hal-hal yang membuat developer manusia tak tergantikan: penilaian yang sehat, pemikiran tingkat sistem, dan mentorship

3. Masalah peran

  • Ada dua kemungkinan yang hidup berdampingan: peran developer menyusut menjadi auditor terbatas yang mengawasi kode hasil generasi AI, atau justru meluas menjadi orkestrator inti yang merancang dan mengoordinasikan sistem yang dipimpin AI
  • Skenario ekstrem 1:
    • Tanggung jawab kreatif developer menyusut sehingga mereka lebih fokus pada audit dan pengawasan output AI daripada membangun perangkat lunak
    • Sistem AI (atau "developer warga" yang menggunakan platform no-code) menangani produksi; developer manusia meninjau kode yang dibuat otomatis, memeriksa error, bias, dan isu keamanan, lalu menyetujui deployment
    • Pembuat berubah menjadi pemeriksa, dan kegembiraan menciptakan kode tergantikan oleh kecemasan dalam mengelola risiko
    • Beberapa engineer kini menghabiskan lebih banyak waktu untuk mengevaluasi pull request hasil AI dan mengelola pipeline otomatisasi daripada menulis kode dari nol
    • Kata seorang engineer: "Saya tidak ingin berakhir sebagai petugas bersih-bersih kode yang merapikan apa pun yang dilempar AI"

  • Masa depan alternatif: orkestrator tingkat tinggi

    • Developer berevolusi menjadi orkestrator tingkat tinggi yang menggabungkan tanggung jawab teknis, strategis, dan etis
    • Dengan adanya "pekerja" AI, developer manusia berperan sebagai arsitek atau kontraktor utama:
      • Merancang struktur keseluruhan sistem
      • Menentukan tugas mana yang diserahkan ke AI atau komponen perangkat lunak tertentu
      • Merangkai berbagai komponen menjadi satu solusi
    • Dalam lingkungan pengembangan agentic, engineer menjalankan peran yang lebih mirip komposer yang memimpin ansambel agen AI dan layanan
      • Mereka tidak menulis semua kode sendiri, tetapi mendefinisikan melodi berupa arsitektur, interface, dan interaksi antaragen
      • Ini adalah gabungan peran software engineer, arsitek sistem, dan strategis produk
    • Pandangan optimistis: saat AI menangani pekerjaan yang monoton, peran developer secara tak terelakkan bergeser ke aktivitas bernilai tinggi. Pekerjaan bisa menjadi lebih menarik
    • Arah akhirnya akan bergantung pada cara organisasi mengintegrasikan AI
      • Perusahaan yang melihat AI sebagai alat pengganti tenaga kerja: tim developer diperkecil, dan engineer yang tersisa diminta memelihara otomasi
      • Perusahaan yang melihat AI sebagai alat penguat tim: jumlah orang dipertahankan, tetapi tiap engineer didorong menangani masalah yang lebih besar dan proyek yang lebih ambisius

  • Saran untuk developer junior

    • Cari cara memperluas peran melampaui sekadar menulis kode
    • Bangun kemampuan bernuansa auditor dan manajer seperti menulis test case, menyusun pipeline CI, dan memantau aplikasi
    • Pertahankan pengalaman membangun sesuatu secara langsung lewat proyek pribadi agar motivasi kreatif tetap terjaga
    • Kembangkan pola pikir sistemik: pahami cara komponen berkomunikasi, pelajari ciri API yang dirancang dengan baik
    • Terus pelajari engineering blog dan studi kasus desain sistem
    • Selain generasi kode, perluas pemahaman tentang seluruh spektrum alat otomasi seperti framework orkestrasi dan AI API
    • Biasakan menulis dokumentasi dengan jelas seolah-olah sedang menjelaskannya kepada orang lain
    • Kepada senior, jangan hanya bertanya "apakah kodenya berjalan", tetapi juga "apakah ada elemen penting yang terlewat"
    • Bersiap tumbuh bukan hanya sebagai coder, tetapi sebagai validator, perancang, dan komunikator

  • Saran untuk developer senior

    • Terima tanggung jawab kepemimpinan dan arsitektur secara aktif
    • Tetapkan standar dan framework yang akan diikuti AI dan junior
    • Definisikan checklist kualitas kode dan kebijakan penggunaan AI yang etis
    • Selalu perbarui pemahaman tentang isu kepatuhan dan keamanan terkait software yang dihasilkan AI
    • Fokus pada keahlian desain dan integrasi sistem; petakan aliran data antar-layanan dan identifikasi titik kegagalan lebih awal
    • Kuasai platform orkestrasi (Kubernetes, Airflow, framework serverless, alat orkestrasi agen)
    • Perkuat peran sebagai mentor teknis: lebih banyak code review, diskusi desain, dan panduan teknis
    • Asah kemampuan menilai kode orang lain (atau sesuatu yang lain) dengan cepat dan memberi umpan balik tingkat tinggi
    • Kembangkan naluri produk dan bisnis: pahami mengapa sebuah fitur dibuat dan apa yang dianggap penting oleh pelanggan
    • Jaga energi kreatif lewat prototipe, hackathon, dan eksplorasi teknologi baru
    • Beralih dari orang yang menulis kode menjadi orang yang mengorkestrasi sistem

4. Masalah spesialis vs generalis

  • Spesialis yang hanya fokus pada area sempit memiliki risiko nisanya diotomatisasi atau nilainya cepat menghilang
  • Dalam lingkungan AI yang berubah cepat, insinyur berbentuk T (adaptabilitas luas + satu atau dua keahlian mendalam) lebih diuntungkan
  • Dalam situasi ketika model, alat, dan framework cepat muncul lalu meredup, mempertaruhkan karier pada satu tech stack saja itu berisiko
  • Spesialis framework legacy bisa mengalami penurunan permintaan yang tajam saat alat AI baru mampu menangani pekerjaan yang sama dengan campur tangan manusia yang minimal
  • Pengembang yang hanya terspesialisasi sempit pada "stack, framework, atau ranah produk tertentu" bisa kehilangan arah ketika area itu menurun atau menjadi redundan
    • Seperti pengembang COBOL, pengembang Flash, atau spesialis engine game mobile yang tidak beralih saat industri bergerak
  • Perbedaannya dengan masa lalu adalah kecepatan perubahan, karena otomatisasi AI dapat membuat tugas pemrograman tertentu menjadi sepele dalam sekejap dan melemahkan peran yang berpusat pada tugas itu
  • Spesialis yang hanya tahu satu hal saja (fine-tuning query SQL, slicing desain Photoshop menjadi HTML) bisa menghadapi situasi ketika AI menangani 90% dari tugas tersebut
  • Pasar perekrutan mengejar nisa terbaru: beberapa tahun lalu mencari spesialis infrastruktur cloud, tetapi sekarang permintaan untuk insinyur AI/ML melonjak tajam
  • Tenaga kerja yang terspesialisasi sempit pada teknologi kemarin merasakan stagnasi karier saat daya tarik nisanya menghilang

  • Pengembang berbentuk T: hasil alternatif

    • "Spesialis serbabisa" atau pengembang berbentuk T: keahlian mendalam di satu atau dua area (garis vertikal) + familiaritas luas dengan banyak area lain (garis horizontal)
    • Para insinyur ini berperan sebagai "perekat" dalam tim multidisipliner: berkomunikasi dengan berbagai jenis spesialis lain dan mengisi celah saat diperlukan
    • Perusahaan lebih menyukai talenta dengan kompetensi inti yang kuat + mampu bekerja di seluruh stack, bukan pengembang yang terlalu dangkal atau terlalu sempit fokusnya
    • Insinyur berbentuk T dapat menyelesaikan masalah secara end-to-end tanpa menunggu handoff sehingga efisiensi meningkat
      • Pengetahuan dari area yang berbeda berpadu dan memperluas potensi inovasi
    • Alat AI justru lebih memperkuat generalis dalam praktik: satu orang bisa menangani lebih banyak komponen dengan lebih mudah
      • Insinyur backend dapat mengimplementasikan UI dasar dengan bantuan AI
      • Pengembang frontend dapat membuat boilerplate server dengan AI
    • Dalam lingkungan yang kaya AI, menjadi lebih mudah bagi satu orang untuk menangani cakupan yang lebih luas
    • Sebaliknya, tenaga kerja yang hanya memiliki keahlian mendalam dapat memiliki jalur ekspansi yang terbatas jika nisanya terotomatisasi sebagian
    • Saat ini sekitar 45% posisi engineering menuntut kemahiran multidomain
      • Pemrograman + pengetahuan infrastruktur cloud
      • Frontend + pemahaman dasar ML

  • Saran untuk pengembang junior

    • Bangun fondasi yang luas secara sadar di awal karier
    • Meski direkrut untuk peran tertentu, tetap amati area di luar silo tersebut secara konsisten
    • Pengembang mobile perlu memiliki dasar backend, dan pengembang frontend perlu memperoleh pengalaman implementasi server sederhana
    • Pelajari alat deployment dan operasional seperti Docker dan GitHub Actions
    • Pilih satu atau dua area yang secara pribadi menarik minat Anda, lalu dalami untuk membentuk keahlian vertikal
    • Bangun branding hibrida
      • Contoh: pengembang full-stack dengan fokus keamanan cloud
      • Contoh: pengembang frontend dengan keahlian UX
    • Gunakan alat AI untuk mempelajari domain baru dengan cepat
      • Saat masih pemula di backend, gunakan AI untuk menghasilkan kode API dasar dan memahami strukturnya
    • Jadikan reskilling berkelanjutan sebagai kebiasaan sehari-hari
    • Ikut hackathon atau proyek lintas fungsi untuk memaksa diri berkembang ke peran generalis
    • Katakan kepada manajer bahwa Anda ingin terlibat di area lain dalam proyek
    • Di awal karier, adaptabilitas itu sendiri adalah daya saing terkuat

  • Saran untuk pengembang senior

    • Pahami dengan jelas grafik keterampilan Anda
      • Area spesialis tempat Anda punya kedalaman
      • Domain terkait yang hanya pernah Anda sentuh secara dangkal
    • Pilih satu atau dua area yang berdekatan dan tingkatkan sampai level yang cukup untuk berdialog
      • Jika Anda spesialis database, biasakan diri dengan framework frontend modern atau pelajari dasar pipeline ML
    • Manfaatkan dukungan AI untuk menjalankan proyek eksperimen kecil di area yang menjadi kelemahan Anda
    • Hubungkan keahlian yang sudah ada ke konteks baru
      • Jika Anda ahli performa web app, telusuri bagaimana keahlian itu dapat diterapkan pada optimasi inferensi ML
    • Rancang peran Anda agar lebih lintas fungsi atau aktif mengusulkan posisi seperti itu
    • Sukarela mengambil peran sebagai champion integrasi (penanggung jawab) pada proyek yang melibatkan banyak area
    • Mentori orang lain untuk menyebarkan keterampilan sambil mempelajari sudut pandang baru dan sesuatu dari mereka
    • Perbarui resume agar keserbabisaan dan skalabilitas Anda terlihat jelas
    • Berdasarkan pengalaman yang terakumulasi, susun pola berulang dan pengetahuan yang dapat dipindahkan
    • Jadilah teladan berbentuk T: punya kedalaman di bidang spesialis (memberi otoritas dan kepercayaan diri) sambil aktif berekspansi secara horizontal

5. Masalah pendidikan

  • Tidak pasti apakah gelar ilmu komputer (CS) akan tetap menjadi standar emas, atau apakah jalur belajar yang lebih cepat seperti bootcamp, platform online, dan pelatihan yang dipimpin pemberi kerja akan menggantikannya
  • Ada kemungkinan universitas berada dalam struktur yang sulit mengejar kecepatan industri yang berubah setiap beberapa bulan

  • Skenario 1: Universitas tetap penting, tetapi kesulitan mempertahankan relevansi

    • Gelar tetap menjadi kualifikasi dasar, tetapi tertinggal dari laju perubahan karena siklus pembaruan kurikulum yang lambat dan proses persetujuan birokratis
    • Mahasiswa dan pemberi kerja merasa dunia akademik terputus dari industri dan mengajarkan teori atau praktik usang yang tidak berujung pada keterampilan kerja
    • Lulusan baru melaporkan bahwa mereka tidak pernah belajar tentang cloud computing, DevOps modern, atau alat AI selama menempuh gelar
    • Jika universitas menuntut investasi waktu dan biaya yang tinggi sambil memberikan pendidikan yang kurang relevan, ada risiko dipandang sebagai penjaga gerbang yang mahal
    • Banyak perusahaan masih mensyaratkan gelar sarjana karena inersia, sehingga beban dialihkan ke mahasiswa yang kemudian menutup kesenjangan lewat bootcamp, kursus online, dan proyek belajar mandiri
    • Utang pinjaman mahasiswa sangat besar, dan perusahaan menghabiskan miliaran dolar untuk melatih lulusan baru (karena kurangnya keterampilan yang dibutuhkan di tempat kerja)
    • Universitas dapat menambahkan kelas etika AI atau mata kuliah pilihan cloud computing, tetapi saat benar-benar diterapkan, alat yang digunakan industri mungkin sudah berubah

  • Skenario 2: Pendidikan tradisional makin digantikan oleh sistem baru

    • Bootcamp coding, sertifikasi online, portofolio belajar mandiri, akademi pelatihan yang dibuat pemberi kerja
    • Perusahaan besar seperti Google dan IBM menghapus persyaratan gelar untuk peran teknis tertentu
    • Pada 2024, sekitar 45% perusahaan berencana menghapus syarat gelar sarjana untuk sebagian posisi
    • Bootcamp memasuki tahap matang dan menghasilkan talenta yang direkrut di perusahaan papan atas bersama lulusan CS
    • Program-program ini lebih singkat (intensif 12 minggu) dan fokus pada keterampilan praktis: framework saat ini, layanan cloud, dan kerja tim
    • Standar perekrutan bergeser dari gelar ke portofolio nyata, micro-credential, dan keterampilan yang terverifikasi
    • Portofolio GitHub yang kuat atau sertifikasi yang kredibel dapat berfungsi sebagai cara untuk melewati syarat gelar
    • Pendidikan yang dipimpin pemberi kerja semakin meluas: perusahaan membangun pipeline pelatihannya sendiri atau menjalin kemitraan langsung dengan bootcamp
    • Beberapa perusahaan big tech mulai menjalankan program pendidikan internal (universitas) untuk talenta nontradisional
    • AI sendiri menawarkan cara belajar baru: tutor AI, sandbox coding interaktif, dan lingkungan belajar yang dipersonalisasi di luar universitas
    • Ekosistem pembelajaran modular unggul dalam aksesibilitas dan fleksibilitas dibanding gelar empat tahun yang mahal
    • Pelajar dari negara yang tidak memiliki universitas CS kuat dapat mengambil kursus Coursera yang sama dan membangun portofolio yang sama seperti orang di Silicon Valley

  • Saran untuk calon/junior developer

    • Meski berada dalam program CS tradisional, jangan menganggap itu saja sudah cukup
    • Lengkapi perkuliahan dengan proyek nyata: membangun web app, berkontribusi ke open source
    • Manfaatkan magang atau program kerja sama industri-kampus secara aktif
    • Lengkapi topik terbaru yang tidak ada di kurikulum lewat platform online
    • Raih sertifikasi industri seperti GCP, AWS, dan Azure untuk memberi sinyal yang jelas tentang kompetensi kerja
    • Jika belajar mandiri atau mengikuti bootcamp, fokuslah pada portofolio yang meyakinkan: setidaknya satu proyek nyata yang didokumentasikan dengan baik
    • Aktif di komunitas developer: kontribusi open source, menulis posting teknis
    • Bangun jaringan lewat LinkedIn, meetup, dan acara developer
    • Dapatkan rekomendasi dan kepercayaan dari developer berpengalaman
    • Berpikirlah dengan asumsi pembelajaran berkelanjutan: masa berlaku keterampilan teknis itu singkat
    • Manfaatkan AI secara aktif sebagai tutor pribadi
    • Buktikan keterampilan dengan cara konkret: portofolio, sertifikasi, dan kemampuan membahas pekerjaan secara intelektual dapat membuka pintu

  • Saran untuk developer senior dan pemimpin

    • Tidak bisa bertahan selamanya hanya dengan sertifikasi atau gelar dari masa lalu
    • Berinvestasi dalam pendidikan berkelanjutan: kursus online, workshop, konferensi, sertifikasi
    • Verifikasi keterampilan dengan cara baru; siapkan diri untuk wawancara yang menilai kemampuan saat ini lewat masalah nyata
    • Terus jalankan side project yang memanfaatkan teknologi baru
    • Evaluasi ulang persyaratan jabatan: apakah benar gelar CS diperlukan, atau yang dibutuhkan adalah keterampilan tertentu dan kemampuan belajar?
    • Dorong perekrutan berbasis keterampilan untuk memperluas kumpulan talenta
    • Dukung program pelatihan internal atau peran bergaya apprenticeship
    • Dukung lingkar mentoring untuk junior developer tanpa latar belakang formal
    • Bangun interaksi dengan dunia akademik dan pendidikan alternatif: dewan penasihat, kuliah tamu, umpan balik tentang kesenjangan kurikulum
    • Terapkan pada pertumbuhan karier sendiri: hasil nyata dan pembelajaran berkelanjutan lebih penting daripada gelar tambahan

Inti utamanya

  • Skenario-skenario yang diajukan tidak saling eksklusif; realitas kemungkinan berkembang sebagai campuran unsur dari tiap skenario
  • Sebagian perusahaan mengurangi perekrutan junior, sementara yang lain memperluas tenaga developer di domain baru
  • Semakin AI mengotomatiskan coding rutin, standar kualitas untuk kode yang langsung ditangani manusia justru semakin naik
  • Alur kerja di mana developer meninjau hasil yang dihasilkan AI pada pagi hari lalu merancang arsitektur tingkat tinggi pada siang hari juga dimungkinkan
  • Konteks yang menembus semuanya adalah kesadaran bahwa perubahan adalah satu-satunya unsur yang tidak berubah
  • Semakin kita mempertahankan sekaligus pandangan tentang tren teknologi dan sikap skeptis terhadapnya, semakin kecil kemungkinan terseret ke ekspektasi berlebihan atau pesimisme
  • Dengan terus memperbarui teknologi, memperluas kemampuan, dan fokus pada kekuatan khas manusia seperti kreativitas, berpikir kritis, dan kolaborasi, kita tidak akan tertinggal dari arus
  • Entah akan datang renaisans coding atau era ketika kode menulis dirinya sendiri, akan selalu ada permintaan untuk insinyur yang melihat gambaran besar, terus belajar, dan menerapkan teknologi untuk memecahkan masalah nyata
  • Cara terbaik untuk memprediksi masa depan adalah dengan secara aktif merekayasa masa depan itu sendiri

Bacaan terkait

9 komentar

 
kandk 2026-03-09

Seperti saat Fortran berlalu, lalu C++, Java, dan Next.js muncul, seorang SWE tetap harus memahami CS; menurut saya, meskipun AI hadir, pengetahuan dasar tentang CS tetap wajib. Pada akhirnya yang berubah hanya alatnya, sementara esensinya tetap sama.. Selama berada di industri IT, harus terus belajar adalah sebuah takdir..
 
xguru 2026-01-14

Sangat bagus. Tulisan ini wajib dibaca semua orang, dari junior sampai senior.
Sepertinya periode dari tahun lalu sampai tahun depan akan menjadi titik transisi terbesar dalam software engineering.
Kalau sampai ketinggalan arus perubahan zaman di sini, bisa-bisa tertinggal jauh.
 
ragingwind 2026-01-14

Saya juga kadang berpikir begitu. Tidak ada habisnya.

"Kadang saya merasa memilih pengembangan perangkat lunak adalah keputusan yang salah
Bahkan setelah menjadi senior, saya tetap dituntut untuk belajar dan mengerjakan proyek sampingan
Saya tidak tahu kapan saya bisa punya hobi atau kehidupan sosial"
 
illiil1lii 2026-01-14

Jika saat ini Anda belum cukup mengintegrasikan AI ke dalam pekerjaan Anda, mungkin tidak ada salahnya merasakan FOMO.
 
joypinkgom 2026-01-23

Menurut saya ini tulisan yang benar-benar punya insight.
Saya adalah developer senior aktif dengan 23 tahun pengalaman, dan sejak paruh kedua 2024 saya sedang mencoba mendorong penggunaan pengembangan berbasis LLM dan vibe coding sampai ke titik ekstrem. Saya memakainya untuk sangat beragam hal, mulai dari AOS/iOS, full-stack web service, batch job, sampai fine-tuning model, dan biasanya saya bekerja dengan menyalakan sekitar 5 agen.
Saya tidak menyangka akan kembali mengalami momen tertidur setelah asyik ngoding sampai lupa waktu, sesuatu yang belum saya rasakan lagi sejak awal 2000-an haha.

Singkatnya, belakangan ini saya berpikir bahwa ranah pengembangan kini sudah menjadi sesuatu yang bisa dilakukan siapa saja.
Perkembangan agen coding akan makin dipercepat, dan pengembangan akan menjadi semakin mudah dan nyaman. Mungkin nantinya akan setara dengan membuat dokumen Excel atau Word.
Seperti kata Andrej Karpathy, bahasa pemrograman terbaik adalah "bahasa Inggris", dan saya setuju dengan itu.

Secara pribadi, saya jadi lebih banyak membaca paper AI, dan juga lebih banyak menulis agar bisa mengekspresikan sesuatu secara logis. (Saya juga berusaha lebih sering berdialog dengan AI.)
Akhir-akhir ini memang benar-benar terasa sangat seru.
 
bungker 2026-01-17

Tulisan yang penuh wawasan, saya terus membacanya berulang-ulang.
 
fantajeon 2026-01-15

Era ketika Architecture dan QA Engineer akan bertahan hidup akan datang. Menilai apakah ini benar atau tidak benar....
 
GN⁺ 2026-01-13
Komentar Hacker News

  • Sejujurnya sekarang semuanya terasa seperti pertaruhan besar
    Teknologi, pendidikan, koneksi, maupun pekerjaan tidak ada yang bisa menjamin fondasi hidup yang stabil
    Orang yang sudah melunasi utang, membeli rumah, dan membangun keluarga seolah mempertaruhkan kenyamanan mereka di masa depan, sementara lulusan baru dengan pinjaman pendidikan dan fondasi sosial yang rapuh seolah mempertaruhkan hidup mereka sendiri

    • Saat masih muda rasanya jauh lebih aman
      Sekarang karena sudah punya keluarga, saya tidak bisa mudah pindah atau hidup dalam mode hemat, jadi rasanya jauh lebih cemas
    • Belakangan ini rasanya sulit untuk hidup dengan harapan
      Baik programmer maupun bukan, semua orang hidup dengan kecemasan akan segera tergantikan
      Ekonomi AS juga kacau, jadi sekarang memang masa yang sulit untuk dijalani
    • Selama 3 tahun terakhir selalu ada rasa cemas di latar belakang
      Sebagian soal keuangan, tapi juga takut kehilangan pekerjaan stabil yang dulu masih bisa didapat meski kemampuan sosial kurang
      Dalam 4 setengah tahun lagi saya mungkin bisa mencapai kemandirian finansial dasar, dan saya penasaran akan seperti apa rasanya saat itu
    • Saya rasa para lulusan baru akan baik-baik saja
      Kalau umur 25 tahun, memulai lagi masih memungkinkan, tapi kalau umur 42 dan sudah berkeluarga, itu pasti sangat stres
    • Bahkan sekarang pun orang harus mulai mempersiapkan kemandirian finansial (FI)
      Waktu terbaik adalah di awal karier, dan waktu terbaik kedua adalah sekarang juga

  • Menurut pengalaman saya, LLM bukan mengotomatisasi coding melainkan alat yang mempercepat pekerjaan
    Saya membayangkan solusi yang diinginkan di kepala, lalu menjelaskannya ke LLM per blok sambil menumpuk kode sedikit demi sedikit
    Manfaat terbesarnya adalah berkurangnya kebutuhan untuk mencari fungsi library atau sintaks

    • LLM bisa mengotomatisasi kode buruk, dan juga bisa mempercepat pembuatan kode bagus
      Masalahnya, kode buruk pun sering kali cukup menguntungkan
      Untuk prototipe atau proof of concept itu tidak masalah, tapi tidak cocok untuk kode yang bisa dipelihara
      Seperti analogi bangku dan bendungan, semua orang bisa membuat bangku, tetapi tidak semua bisa membuat bendungan
      LLM memudahkan pembuatan kode berkualitas rendah, tetapi kode berkualitas tinggi tetap dibutuhkan
    • Saya dan kebanyakan orang yang saya kenal juga memakai LLM seperti ini
      Tapi di HN isinya cuma pembicaraan berlebihan seperti “vibecoding”, jadi sulit melakukan diskusi yang substansial
    • Saya merasakan jarak antara kenyataan dan hype berlebihan
      Memang LLM terus berkembang agar bisa bekerja makin otonom, tetapi lajunya bertahap
      Justru perubahan yang sebenarnya adalah non-developer untuk pertama kalinya bisa mengotomatisasi pekerjaan mereka sendiri
      Ini akan berdampak besar pada seluruh industri, dan pada akhirnya lebih mendekati tujuan asli komputer
    • Saran terbaik untuk junior adalah “jangan pakai AI”
      Menambah jumlah baris kode dengan AI bukanlah pencapaian, malah hanya menumpuk utang teknis
    • Setelah mencoba minfx.ai, saya merasa makin banyak batasan yang diberikan pada kode, makin baik kualitasnya
      Rust sangat membantu untuk itu
      Semakin besar sistemnya, justru pengembangannya terasa makin mudah, pengalaman yang cukup paradoksal

  • Kalau AI mengotomatisasi pekerjaan junior, itu hanya berarti ‘definisi junior’ berubah
    Bukan berarti junior menghilang, melainkan perannya yang berubah

    • Perekrutan intern adalah indikator yang bagus
      Jumlah intern yang 14 orang pada 2024 turun menjadi 4 orang pada 2025 — pemotongan anggaran 60~70%
    • Sebenarnya posisi junior sudah berkurang bahkan sebelum AI
      Dulu setengah tim adalah pegawai baru, sekarang semuanya sudah menjadi tim senior

  • Saya cukup sependapat dengan skenario bahwa AI akan meledakkan permintaan developer di tiap industri
    Hanya saja saya tidak yakin peran itu harus selalu disebut ‘developer’
    Pekerjaan yang sudah ada di masing-masing industri akan berevolusi ke arah mampu menangani AI dengan baik
    Pada akhirnya yang penting adalah mempelajari pengetahuan domain tertentu sambil sekaligus mengasah kemampuan memanfaatkan AI

    • Developer yang mahir memakai AI tetap harus menjalankan peran SWE spesialis
      Namun begitu CTO sadar bahwa SaaS bisa digantikan, akan datang ledakan pengembangan solusi internal

  • Jika kita memasuki era ketika AI menuliskan kode untuk kita, inti persoalannya adalah kecepatan verifikasi
    Menulis kode sendiri meningkatkan pemahaman, dan tanpa pemahaman verifikasi tidak mungkin dilakukan
    Pada akhirnya kita harus menerima trade-off antara kecepatan dan akurasi

    • Dalam proses review ada banyak godaan manusiawi
      Kode datang membanjir sekaligus, dan karena FOMO terhadap kecepatan, kualitas review berisiko menurun
      UX alat itu sendiri mendorong orang untuk lengah

  • Saya skeptis terhadap klaim bahwa AI akan meningkatkan permintaan developer di semua industri
    Software sudah masuk sangat dalam ke semua industri, dan yang tersisa sekarang hanya otomatisasi penuh
    Tapi bottleneck untuk itu bukan teknologi, melainkan masalah politik dan realitas lapangan

    • Saya juga setuju. AI pada dasarnya ditujukan untuk meningkatkan efisiensi, bukan menciptakan pekerjaan baru
      Tidak seperti revolusi mobil yang melahirkan kategori pekerjaan baru
    • Di Eropa justru permintaannya bisa meningkat
      Perlu ada pelepasan ketergantungan pada software, dan terutama Jerman sekarang memang harus mulai serius memakai komputer
    • Bahkan sebelum LLM pun sudah ada kekhawatiran bahwa cara berpikir yang terlalu berpusat pada software itu berlebihan

  • Penulis posting asli tampaknya kurang memahami pertanyaan-pertanyaan inti terkait AI
    Misalnya, pernyataan “para ahli berisiko terotomatisasi” justru terbalik
    Para ahli mengawasi alat, sedangkan non-ahli mengikuti instruksi dari alat
    Universitas juga sama, orang yang memahami teori akan mengendalikan mesin

  • Ah, cuma melontarkan candaan ingin menyerah pada semuanya

  • Lucunya, penulis tadi membahas COBOL, dan tetangga saya juga masih bekerja dengan COBOL di bank
    Sudah begitu sejak 14 tahun lalu, dan sampai sekarang tetap sama

    • Pasar bisa tetap tidak rasional lebih lama daripada Anda bisa bertahan tanpa bangkrut

  • Kadang saya bertanya-tanya apakah memilih pengembangan software adalah keputusan yang salah
    Bahkan setelah jadi senior pun kita tetap dituntut belajar terus dan mengerjakan side project
    Saya tidak tahu kapan akhirnya bisa punya hobi atau kehidupan sosial

    • Saya setuju dengan kalimat “jangan pertaruhkan hidupmu pada tech stack”
      Setiap kali framework JS berubah, karier terasa seperti judi
      Saya pernah all-in di Angular lalu melihat semuanya berpindah ke React, dan terus bingung harus berinvestasi ke mana
      Pada akhirnya rasanya seperti terus bertaruh dalam kecemasan seumur hidup
    • Kalau Anda puas menjadi ‘developer yang baik’, itu tidak masalah
      Tapi kalau menginginkan keunggulan, usaha tambahan memang diperlukan
      Keduanya sama-sama pilihan yang sah
    • Pertanyaan “kapan saya bisa punya hobi” pada akhirnya adalah masalah sosial
      Tujuan perusahaan adalah menghasilkan laba, jadi kehidupan pribadi harus dijaga sendiri
    • Kalau sudah senior, Anda harus belajar mengatakan “It depends”
      Anda bisa bekerja di perusahaan stabil sambil belajar pelan-pelan, atau mengejar tren sambil tumbuh cepat
      Pada akhirnya ini soal tujuan dan nilai hidup masing-masing
    • Kalau Anda tidak suka komputer, mungkin ini memang pilihan yang salah
      Tapi kalau tujuannya uang, dan itu sudah tercapai, maka tidak ada masalah
      Hanya saja kalau ingin jadi yang terbaik, Anda harus mencintai pekerjaannya sendiri
 
kangmumu 2026-01-15

Sangat membantu 👍👍