AI Membuat Coding Lebih Mudah. Namun Engineering Menjadi Lebih Sulit

• Dengan meluasnya penggunaan alat AI, penulisan kode menjadi lebih mudah, tetapi intensitas kerja dan kompleksitas tugas software engineer justru meningkat
• Ketika AI meningkatkan produktivitas, ekspektasi organisasi dan baseline beban kerja ikut naik, sehingga engineer mendapat tekanan untuk menyelesaikan lebih banyak pekerjaan dengan lebih cepat
• Identitas yang berpusat pada penulisan kode mulai melemah, dan engineer menghadapi situasi di mana mereka juga harus menangani tugas non-pengembangan seperti review, desain, dan product thinking
• Lebih banyak waktu dihabiskan untuk meninjau dan melakukan debugging pada kode yang dihasilkan AI, sehingga beban quality control dan beban kognitif meningkat
• Untuk membangun budaya engineering yang berkelanjutan, dibutuhkan empati dari leadership, penetapan batas peran, pengembangan engineer junior, dan metrik evaluasi baru

---

Pergeseran baseline dan beban yang tak terlihat

• Setelah adopsi AI, output yang diharapkan dari engineer meningkat tajam, dan lebih banyak pekerjaan dituntut bahkan tanpa instruksi yang eksplisit
  • Menurut riset Harvard Business Review, karyawan yang menggunakan AI tidak pulang lebih awal, melainkan menyelesaikan lebih banyak pekerjaan
  • 83% menjawab bahwa AI membuat beban kerja mereka bertambah, dan tingkat burnout melebihi 60% pada praktisi, sementara di kalangan eksekutif hanya 38%, menunjukkan kesenjangan yang besar
• Sementara leadership memandang bahwa “AI membuat pekerjaan lebih mudah,” engineer di lapangan justru merasakan kompleksitas dan kelelahan
• Dalam survei terpisah terhadap lebih dari 600 responden, dua pertiga mengalami burnout, dan 43% menjawab bahwa leadership tidak memahami kenyataan di lapangan

Krisis identitas engineer

• Banyak engineer selama ini mendapatkan kepuasan profesional dari tindakan kreatif menulis kode secara langsung
• Namun setelah adopsi AI, pesan implisit “jangan lagi menulis kode sendiri, kelolalah prosesnya” mulai menyebar
  • AI mengambil alih implementasi, dan engineer bergeser menjadi supervisor dan reviewer
• Ini bukan sekadar perubahan biasa, melainkan pergeseran mendasar dalam identitas profesional, yang melemahkan kebanggaan para teknisi berpengalaman
• Seperti ungkapan “berubah dari builder menjadi auditor,” output meningkat tetapi rasa craftsmanship dan keterlibatan mendalam justru menurun

Perluasan peran dan scope creep

• Ketika AI mempercepat implementasi, bottleneck berpindah ke pekerjaan di sekitarnya seperti requirement, arsitektur, testing, dan deployment
• Organisasi lalu mendistribusikan pekerjaan itu kepada engineer, sehingga mereka juga harus menangani perencanaan produk, evaluasi risiko, dan manajemen operasional
  • Riset Harvard Business Review juga menunjukkan bahwa batas antarpihak dalam peran makin kabur, dan pekerjaan PM, peneliti, serta engineer mulai saling tumpang tindih
• Sebanyak 45% posisi engineering menuntut kemampuan lintas bidang, tetapi tidak diiringi peningkatan kompensasi maupun otoritas
• Akibatnya, cakupan kerja melebar sementara kedalamannya menipis, dan burnout pun makin cepat terjadi

Paradoks pengawasan: sulitnya review kode AI

• Muncul paradoks bahwa meninjau kode yang dihasilkan AI lebih sulit daripada menulisnya sendiri
  • Penulis asli memahami konteksnya, tetapi pada kode AI dasar pengambilan keputusan tidak jelas, sehingga beban review menjadi lebih besar
• Dalam survei Harness, 67% menyatakan waktu debugging meningkat, dan 68% mengatakan waktu review juga bertambah
• Manajemen berharap ada peningkatan kecepatan, tetapi pada praktiknya beban untuk quality assurance dan pemahaman konteks justru membesar
• Bottleneck produktivitas berpindah dari tahap penulisan ke tahap pemahaman, dan ini tidak bisa diselesaikan hanya dengan otomatisasi

Jebakan akselerasi dan keberlanjutan

• Ketika AI meningkatkan kecepatan, terbentuk loop penguatan diri di mana volume pekerjaan ikut naik secara alami
  • Studi Harvard menyebutnya sebagai “workload creep”, ketika kerja berlebih menumpuk tanpa benar-benar disadari
• Dulu, kecepatan berpikir dan mengetik manusia menjadi batas alami, tetapi AI menghapus batas tersebut
• Hasilnya, metrik produktivitas naik tetapi kualitas menurun, sementara technical debt dan kelelahan terus menumpuk
• Dari luar tampak seperti peningkatan produktivitas, tetapi di dalam terjadi kelelahan dan penurunan kualitas

Terputusnya pembelajaran engineer junior

• Ketika AI menggantikan tugas-tugas sederhana, kesempatan praktik bagi engineer junior menurun drastis
  • Pada 2023–2024, perekrutan level junior di perusahaan teknologi besar turun 25%, dan laporan HackerRank juga mengonfirmasi fokus perekrutan pada tenaga berpengalaman
• Jika tugas-tugas sederhana untuk belajar menghilang, jalur pembentukan engineer senior masa depan ikut runtuh
• Seperti peringatan bahwa “kita tidak bisa mengawasi sistem yang belum pernah kita bangun sendiri,” terputusnya fondasi kemampuan dasar disebut sebagai risiko jangka panjang

Apa yang harus dilakukan leadership

• Titik awal untuk menjaga kepercayaan adalah berempati terhadap sulitnya perubahan dan mengakuinya secara eksplisit
• Menyediakan pelatihan ulang yang nyata: desain sistem, keamanan, product thinking, evaluasi kode AI, dan penguatan kemampuan tingkat lanjut lainnya
• Memperjelas cakupan peran dan menyesuaikan kompensasi, agar ekspansi tanpa batas bisa dicegah
• Mendefinisikan ulang metrik kinerja: lebih menekankan kualitas, stabilitas, dan kesehatan tim daripada kecepatan atau jumlah baris kode
• Mempertahankan perekrutan junior adalah syarat penting untuk menjaga ekosistem talenta dalam jangka panjang

Strategi yang dapat diambil engineer secara pribadi

• Menjaga kemampuan teknis dasar: pemahaman arsitektur, debugging, performa, dan keamanan justru menjadi makin penting
• Waspada terhadap jebakan akselerasi: jangan mengejar kecepatan maksimum yang dimungkinkan AI secara membabi buta, melainkan jaga ritme yang berkelanjutan
• Menerima area dari perluasan peran yang memang menarik, dan memanfaatkannya sebagai peluang pertumbuhan karier
• Membagikan burnout dan rasa terasing, lalu memperluas kesadaran akan realitas ini lewat percakapan dengan rekan kerja
• Perubahan teknologi sudah berulang kali terjadi, dan AI pun tidak akan menggantikan kebutuhan akan teknisi yang benar-benar mendasar

Paradoks yang kita hadapi

• Kenyataan bahwa AI membuat coding lebih mudah tetapi engineering lebih sulit terjadi secara bersamaan
• Kenaikan ekspektasi, perluasan peran, dan kurangnya dukungan berpadu menciptakan budaya yang tidak berkelanjutan
• Jika paradoks ini tidak diakui, kepercayaan dan retensi talenta tidak akan bisa dipertahankan
• Kita tidak boleh melupakan prinsip bahwa produk dibangun oleh manusia, bukan alat, dan
  kesimpulannya adalah bahwa daya saing sejati di era AI datang dari organisasi yang memahami dan melindungi batas manusia

[tested]

> Utang kognitif: saat kecepatan melampaui pemahaman

[GN⁺]

Komentar Hacker News

• Esai ini tampak sebagian dihasilkan AI atau sangat banyak diedit dengan LLM
  Struktur kalimat seperti “It’s not X, it’s Y” berulang, dan blog yang hampir tidak aktif antara 2015~2025 tiba-tiba mulai memublikasikan banyak tulisan juga terasa mencurigakan

  • Sekarang hampir semua tulisan tentang LLM rasanya ditulis langsung oleh LLM atau setidaknya dibantu olehnya
    Gaya penulisan seperti ini membuat banyak orang jenuh, tetapi tampaknya itu tidak penting bagi orang-orang yang mengejar kesuksesan di industri ini
  • Dari pengalaman saya sendiri menulis posting pribadi dengan bantuan LLM, artikel ini terlihat seperti dibuat dari beberapa bullet point
    Ritme dan gayanya yang repetitif terasa seperti keluaran LLM yang khas. Kurang emosi manusiawi dan isinya terasa kosong
  • Komentarnya juga sama-sama menunjukkan jejak AI. Saya tidak akan menjelaskan petunjuk spesifiknya, tetapi HN makin terasa sulit dibaca
    Ini saatnya menghargai komunitas kecil berkualitas tinggi yang belum terlalu terpapar AI
  • Dari judulnya saja sudah tercium nuansa kalimat provokatif ala LinkedIn
  • Saya juga sempat membaca beberapa paragraf dan merasa tertarik untuk membagikannya ke rekan kerja, tetapi segera jadi terlalu jelas bahwa ini ditulis AI, jadi saya tidak bisa menganggapnya serius

• Kalimat seperti “The job changed. The expectations changed. And nobody sent a memo.” benar-benar terasa seperti ditulis AI

  • Tulisan ini terlalu bertele-tele dan intinya sebenarnya bisa diringkas menjadi beberapa bullet. Saya bosan di tengah jalan dan berhenti membaca
  • Saya tidak mengerti kenapa AI sangat buruk dalam menulis seperti ini. Gayanya terasa seperti artikel berita sensasional
  • Menurut Pangram, tulisan ini 100% dihasilkan AI
  • Secara keseluruhan, gaya khas AI sangat terasa

• Salah satu masalah nyata yang pernah saya lihat adalah kesalahan deployment AI. Orang-orang seperti ‘Vibe Coders’ butuh mentor IT/Dev
  Misalnya, seorang dokter bedah membuat web app untuk catatan operasi dengan Claude, lalu meminta saya meninjaunya karena khawatir soal keamanan
  Kode dan DB-nya baik-baik saja, tetapi dia meng-zip seluruh proyek lalu mengunggahnya ke web root dan tidak ada file index
  Akibatnya siapa pun bisa mengunduh file backup, dan di dalamnya ada DB, API key, AWS key, dan semua rahasia lainnya
  Dia bahkan tidak tahu kenapa file index itu ada, dan akhirnya bilang akan bertanya ke Claude bagaimana cara mengamankannya

  • Kerentanan seperti ini tampaknya akan segera berkembang sampai titik di mana aktor negara bisa mengeksploitasinya secara otomatis
    Dalam beberapa bulan, script kiddie pun mungkin bisa memakainya dalam skala besar, dan seseorang bisa mencoba melakukan swatting dengannya hingga menyebabkan korban jiwa
    Saat itu saya penasaran bagaimana pembahasan soal tanggung jawab akan berjalan
  • Claude memang sangat bagus untuk coding, tetapi tidak menggandeng orang yang tidak tahu apa yang tidak mereka ketahui

• Saya tidak termasuk orang yang setuju dengan pernyataan “kebanyakan engineer suka menulis kode”
  Saya jauh lebih tertarik pada merancang dan membangun sesuatu daripada menulis kode itu sendiri
  Mendukung atau menolak AI pada akhirnya terasa seperti perbedaan antara “apakah Anda suka coding” dan “apakah Anda suka membuat produk untuk dunia”

  • Saya melakukan pekerjaan ini karena ingin membuat software berkualitas tinggi
    Tetapi AI belum sampai ke level itu. Banyak kodenya bahkan tidak bisa di-compile, dan kalau tidak berjalan dengan benar maka optimisasi tidak ada artinya

• Banyak komentar mengkritik artikel ini sebagai tulisan AI, tetapi dari sudut pandang saya yang sudah lebih dari 30 tahun memrogram dan 20 tahun memimpin tim, saya merasakan wawasan yang mendalam
  Siapa pun penulisnya, menurut saya isinya tetap bernilai. Saya justru heran kenapa sempat di-flag

  • Saya tidak menolak tulisan yang dihasilkan AI itu sendiri. Yang penting adalah transparansi proses penulisannya
    Misalnya, kalau kalimat seperti “inilah yang saya rasakan saat memimpin tim fintech” bukan berasal dari pengalaman nyata, maka maknanya hilang
    Sebaliknya, kalau itu pengalaman nyata yang dipoles dengan AI, saya tidak melihat masalah
  • Saya berharap prompt yang digunakan untuk menghasilkan tulisan itu dipublikasikan. Sama seperti saya lebih ingin melihat source code daripada executable
  • Pada akhirnya flag itu dicabut, tetapi fakta bahwa ‘AI slop’ seperti ini tetap ada sementara tulisan kritis diblokir sebagai politis terasa seperti masalah prioritas di HN
    Klise seperti “AI tidak bisa dihindari” sudah tidak lagi mengandung kebijaksanaan

• Di era AI, cara berpikir engineering berubah
  Jika dulu pendekatannya adalah pemikiran vertikal yang menggali masalah secara mendalam, sekarang dibutuhkan pemikiran horizontal dan meta
  Misalnya, saat mencoba mengoptimalkan lingkungan Claude saya membaca dokumen, lalu malah memberi Claude konteks proyek dan memintanya melakukan optimisasi
  Ia otomatis menyarankan dan membuat plugin serta agent yang diperlukan
  Pada akhirnya yang penting bukan detail implementasi, melainkan kemampuan mendefinisikan struktur proyek

• Inti artikelnya benar. Otomatisasi menghilangkan pekerjaan yang mudah dan membuat kita berfokus pada masalah yang sulit
  Ambil contoh kalkulator: akuntan yang dulu mahir menjumlahkan angka kini harus menangani persoalan tingkat yang lebih tinggi

  • Poin utamanya adalah “bagian yang mudah sudah hilang”. Pekerjaan sulit tetap sulit, dan itulah pekerjaan yang esensial
  • Saya lebih tertarik pada desain sistem daripada coding. Jika implementasi bisa diserahkan ke AI atau developer junior sementara saya fokus pada desain, itu ideal
    Tetapi bagi pemula, hilangnya coding justru bisa menjadi mimpi buruk
  • Justru AI malah menghilangkan bagian yang sulit dan hanya memproduksi konten berkualitas rendah
    Kalau dianalogikan ke sastra, AI bukan mempercepat lahirnya Terry Pratchett baru, melainkan membuatnya tenggelam
    Jika Anda tidak bisa membedakan tulisan blog AI, Anda juga tidak akan bisa membedakan kode buruk
  • Menurut Pangram, artikel ini juga 100% dihasilkan AI
  • Dalam kenyataannya, masalah yang lebih besar adalah semakin sulit mencari pekerjaan sehingga developer pemula bahkan tidak bisa masuk ke industri

• Saya tidak terlalu bisa membedakan apakah sebuah tulisan ditulis LLM atau tidak, tetapi akhir-akhir ini membaca tulisan terasa sangat melelahkan
  Kata-katanya terlalu banyak, dan bagi orang yang punya kecenderungan ADHD ini jadi sangat sulit dibaca

• Tulisan ini menurut riwayat Pangram 100% ditulis AI

  • Tetapi kebanyakan alat deteksi tulisan AI memang tidak akurat
  • Justru itu yang terasa ironis

• Ada juga penelitian yang menunjukkan bahwa penggunaan LLM tidak menghasilkan peningkatan produktivitas
  Tulisan seperti ini menganggap efek itu sebagai sesuatu yang pasti, tetapi pada kenyataannya ada jarak antara ekspektasi manajemen dan realitas di lapangan
  Dari sudut pandang engineer, kesenjangan itu terlihat jelas