- Jika Anda baru-baru ini menggunakan alat AI untuk pekerjaan coding profesional, silakan bagikan pengalaman Anda
- Alat apa yang Anda gunakan?
- Apa yang efektif, dan mengapa?
- Kesulitan apa yang Anda hadapi, dan bagaimana Anda mengatasinya? (jika memang berhasil diatasi.)
- Kami akan berterima kasih jika Anda juga menyertakan konteks yang cukup (tech stack, jenis proyek, ukuran tim, tingkat pengalaman) agar orang lain bisa belajar dari pengalaman tersebut
- Tujuannya adalah memahami secara objektif kondisi nyata pengembangan berbasis AI per Maret 2026, tanpa cerita bombastis
Ringkasan jawaban dari Hacker News
Masalah dokumen dan komunikasi yang dihasilkan AI
- Manajer menghasilkan dokumen desain 50 halaman, PRD, dan slide deck dengan Claude lalu mengirimkannya sambil berkata "tolong review cepat", padahal penulisnya sendiri bahkan tidak membacanya
- Sebagian karyawan terus-menerus membuat slide tanpa henti sambil menghindari menjawab pertanyaan yang spesifik
- Masalah performa DB yang sebelumnya bisa selesai dalam 30 menit (misalnya menambahkan GSI) kini memakan satu minggu karena berubah menjadi dokumen 37 halaman buatan AI (penjelasan, mitigasi, rencana, review, risiko, deployment, dll.)
- Muncul pola komunikasi "AI ke AI": ketika konten hasil AI dikirim, penerimanya juga merangkumnya lagi dengan AI
- Dalam alur "konsep → dibengkakkan oleh LLM → diringkas oleh LLM → penerima", ada risiko hilangnya konteks dan nuansa seperti permainan telepon
- Ada kritik bahwa tidak sopan bila satu pihak membanjiri pihak lain dengan konten berkualitas rendah namun tetap mengharapkan review yang sungguh-sungguh
- Ada kasus klien freelance mengirim spesifikasi yang tampak sangat rinci hasil AI, tetapi kenyataannya hanya menginginkan tabel CSV 30 baris
Pengalaman negatif di lingkungan kerja
- Ada pola di mana developer senior menyerahkan semuanya ke AI lalu membebankan pekerjaan merapikan hasilnya ke developer junior
- Kode hasil AI tidak mengikuti desain API proyek utama dan memuat banyak error handling serta kode parsing yang tidak perlu
- Butuh lebih dari seminggu untuk merapikannya, padahal tim aslinya bisa menghasilkan hal serupa hampir seketika, sehingga terlihat justru lebih lambat
- Sebuah perusahaan publik besar menetapkan target 100% kode hasil AI dalam 1 tahun, dan karyawan di semua level yang menentangnya dibuat keluar
- Dalam budaya yang mengoptimalkan kecepatan rilis fitur di atas kualitas kode, engineer yang fokus pada kualitas secara struktural dipandang sebagai pihak yang "tidak efisien"
- Ada anggota tim yang mengambil kode dari beberapa minggu sebelumnya lalu memasukkannya ke Claude dan menyerahkannya seolah sudah selesai, padahal berisi banyak kesalahan kebutuhan bisnis dan bug serius
- Di lingkungan yang mewajibkan penggunaan AI, beban code review melonjak tajam, dengan ribuan baris PR berkualitas rendah yang harus diperiksa setiap hari
- Digambarkan dengan kalimat: "Semua hal yang dulu saya sukai direnggut, dan hanya yang saya benci yang tersisa"
Pengalaman di FAANG dan perusahaan besar
- Pekerja FAANG: dalam pekerjaan, belum pernah mendapatkan hasil yang siap di-commit, tetapi di proyek pribadi kecepatannya naik 10x
- Framework dan library internal pada codebase besar tidak ada dalam data pelatihan, sehingga visibilitas model terbatas
- Di timnya, nyaris tidak ada orang yang benar-benar ia kenal secara pribadi yang punya kisah sukses nyata
- Engineer Amazon: memakai Kiro (alat internal AWS) dan Opus 4.6, produktivitas meningkat 2~4x untuk pekerjaan, lebih dari 10x untuk side business
- Dipakai bukan hanya untuk menulis kode, tetapi juga analisis data, debugging, dan mengelola loop deployment
- Fitur yang dulu butuh sebulan kini selesai dalam 2 minggu — kuncinya adalah menghemat waktu belajar detail teknis yang tidak akan dipakai lagi
- Terkait insiden di Amazon: larangan kode AI yang diberitakan tidak akurat; selama insiden tersebut, hanya ada 1 saran terkait AI yang berasal dari wiki internal lama
- Engineer Microsoft: memakai GitHub Copilot dengan akses Opus tanpa batas; kecepatan kerja meningkat, tetapi ekspektasi juga naik berlebihan (2 minggu → diharapkan 2 hari)
- R&D di perusahaan besar: nilai terbesar ada pada pelacakan bug dan pembuatan kode logging sekali pakai, dan kecepatan prototyping juga meningkat drastis
- Namun karena biaya implementasi turun, persaingan soal "apa yang harus dibuat" justru makin ketat, sehingga dibutuhkan pemikiran yang lebih cepat dan keputusan yang lebih jelas
Pengalaman positif dan contoh peningkatan produktivitas
- Engineer berpengalaman 10 tahun, tim kecil: membangun dan memelihara aplikasi konsumen 100K DAU dengan 3 orang, yang sebelumnya diperkirakan butuh 10 orang
- Tidak ada daftar bug, hanya 2 orang yang memahami hampir seluruh codebase, dan frekuensi refactoring meningkat drastis
- Simon Willison: sejak November 2025, menulis sebagian besar kodenya dengan agent, bahkan bekerja lewat Claude Code di iPhone
- Proyek yang selama bertahun-tahun hanya menjadi ide bisa diwujudkan dalam hitungan jam, sehingga kemungkinan bagi developer solo perlu dipikir ulang
- Menulis aplikasi Go dengan Claude Code sambil mempelajari bahasa baru lewat pembelajaran osmotik
- Freelancer berpengalaman: setelah memakai Claude Code, akurasi Terraform mencapai 95%, dan proyek pemrosesan data menjadi lebih dari 5x lebih cepat
- "Yang dulu tidak bisa saya lakukan sekarang bisa, yang dulu sulit menjadi mudah, dan yang dulu mudah menjadi cepat dan mudah"
- Studio game kecil: memakainya untuk memperbaiki tool internal dan workflow; semakin dekat ke level ide, semakin efektif AI coding
- Pemilik pabrik bir kecil: mengotomatiskan pembukuan (16 jam/bulan → 3 jam), laporan produksi dan penjualan, aplikasi pelacakan reward, dan membangun lebih dari 5 alat internal
Pemanfaatan untuk memahami codebase dan debugging
- Pada codebase besar dan legacy, efektif untuk pertanyaan seperti "fungsi apa saja yang menyentuh tabel ini?"
- Menjelajah monolith besar: untuk pertanyaan seperti "ada berapa cara autentikasi endpoint API ini?", AI bisa menemukan dan merangkum 4 cara dalam 5 menit
- Debugging: sangat bagus untuk mencari tahu mengapa regex kompleks tidak cocok, serta menganalisis stack trace dan log
- Waktu onboarding ke codebase yang tidak familiar turun dari hitungan hari menjadi menit
- Proses yang dulu seperti bertanya ke rekan di India atau Eropa Timur lalu menunggu semalaman kini digantikan sepenuhnya oleh AI
Kekhawatiran tentang kualitas kode dan pemeliharaan
- Masalah yang konsisten pada kode hasil AI: kompleksitas yang tidak perlu, error handling berlebihan, logika duplikat, dan tidak memanfaatkan fungsi yang sudah ada
- Untuk kode yang perlu dipelihara, menulis sendiri lebih cepat dalam jangka panjang — saat nanti diperbaiki, tidak ada mental model atas kode hasil AI
- Ada kasus Claude mencoba mengganti HTML sanitizer dengan regex kustom — semua tes lolos, tetapi muncul celah keamanan
- Saat membuat API dengan autentikasi, ada kasus AI menambahkan route yang memungkinkan siapa pun melakukan PUT API key baru
- AI hampir tidak pernah melakukan refactoring proaktif untuk mengurangi kompleksitas codebase, dan justru terus menumpuk duplikasi logika, abstraksi yang tidak perlu, serta dependency cycle
- Ada juga contoh codebase 200K LOC yang ditulis 99,5% oleh AI, tetapi syaratnya adalah TDD yang ketat dan review setiap baris
Penurunan skill dan dampak psikologis
- "Saya tahu betul gaya malas saya, jadi skill saya akan menurun" — memilih sama sekali tidak memakai generasi kode AI
- Seorang rekan mengakui sudah bergantung pada AI selama 6 bulan; ingin berhenti, tetapi tangan tetap reflex memakainya seperti kecanduan
- Developer junior selama setahun terakhir mengirim MR yang makin aneh, lalu ditemukan jejak penggunaan AI
- Engineer senior: "Saya tahu skill coding saya menurun, tapi saya juga tidak yakin coding memang bagian yang paling saya nikmati" — lalu mengalihkan lebih banyak waktu ke desain dan arsitektur
- Di proyek pribadi, AI membuat segalanya 10x lebih cepat, tetapi tidak ada rasa keterhubungan karena bukan benar-benar saya yang membuatnya, sehingga motivasi untuk menyelesaikan proyek hilang
- "AI melakukan bagian yang saya sukai dengan baik, dan membuat saya menghabiskan lebih banyak waktu pada bagian yang saya tidak suka atau melelahkan" — stres keseluruhan meningkat
- Engineer dengan pengalaman 3 tahun: AI bisa mengerjakan 90%, tetapi untuk menyelesaikan 10% sisanya Anda butuh mental model dari 90% itu, dan model mental tersebut hanya terbentuk jika menulis kode sendiri
Workflow efektif dan best practice
- Alur spesifikasi → rencana → kritik → perbaikan rencana → implementasi menghasilkan kualitas tertinggi
- Gunakan Plan Mode lalu implementasikan; setelah implementasi, tambahkan code review dengan model yang sama (lebih baik di sesi terpisah)
- Dokumentasikan style coding, pola, dan larangan di file AGENTS.md / CLAUDE.md — perbarui saat sesi berakhir
- Beri agent kemampuan debugging dan verifikasi mandiri: menjalankan tes, memeriksa log, memverifikasi screenshot, dll.
- Jika constraint ditulis di awal ("hanya standard library, tanpa file baru, maksimal 50 baris"), kualitas hasil meningkat drastis
- Operasikan file status (mechanical ledger) di antara beberapa agent: catat commit, tes, dan kegagalan patch agar sesi baru bisa membangun ulang konteks dari status nyata, bukan dari memori
- Gunakan Git worktree untuk menjalankan beberapa pekerjaan secara paralel sambil memisahkan konteks
Peran nonteknis dan perluasan penggunaan AI
- PM/direktur operasional: di perusahaan kecil tanpa programmer, dalam setahun terakhir membangun 12 alat internal dan mempelajari konsep pengembangan dengan kecepatan mengejutkan
- Co-founder nonteknis: bisa membuat prototipe fungsional, tetapi tetap membutuhkan engineer untuk naik ke level production — pair programming lebih produktif daripada dokumen desain
- Ada sesi pair selama 3 jam untuk debugging kode ESRI Arcade yang dibuat manajer nonteknis dengan MS Copilot — peran "ahli debugging AI" mulai muncul sebagai pekerjaan baru yang bisa ditagihkan
Perbedaan efektivitas menurut domain
- Pengembangan web/API: nilai A, efektif di seluruh stack dari arsitektur hingga debugging kompatibilitas package
- Unity/game development: nilai C-, tidak memahami scene graph, model komponen, dan perilaku yang bergantung pada hardware
- Medical imaging: gagal karena kurang pengetahuan domain; semua saran optimasi performa gagal membaikkan data nyata
- Aplikasi Rust: efektif di Python/web greenfield, tetapi workflow agent tidak produktif pada aplikasi Rust di bawah 100K LOC
- Signal processing, embedded, HPC: tingkat halusinasi tinggi dan praktis tidak berguna saat berhadapan dengan API eksternal yang tidak terdokumentasi
- Algoritme graf C++: hasilnya sangat nonlinier — sekali langsung benar atau gagal total, tidak ada tengah-tengah
Prospek industri dan kekhawatiran
- Ada prediksi bahwa kebutaan CEO/CFO terhadap AI dalam 5~7 tahun akan berujung pada kekurangan talenta yang serius dan kenaikan gaji 3x
- Ada kekhawatiran bahwa level menengah akan tergerus, dan hanya tersisa sedikit engineer senior yang mengatur arah, koordinasi, dan eksekusi
- AI sedang memasuki fase recursive self-improvement, sehingga mustahil memprediksi akan sampai sejauh mana dalam 6 bulan lagi
- Makalah MIT menunjukkan batas dari scaling lebar (width) model, ditambah masalah habisnya data pelatihan dan penurunan kualitas data sintetis
- "Semua orang akan kehilangan pekerjaan, atau keruntuhan pasar besar-besaran sudah dekat, atau keduanya" — zaman yang menarik tetapi menggelisahkan
- Pasar freelance: freelancer berbasis hubungan jangka panjang belum merasakan perlambatan, sementara pekerjaan kecil sekali jadi berpotensi digantikan AI
Memilih untuk tidak menggunakan AI
- Sebelum memakai LLM sudah ada otomatisasi buatan rekan, tetapi AI terasa seperti mengasuh junior yang bodoh, sehingga minat pun hilang
- "Perangkap yang tidak menyelesaikan masalah apa pun dan hanya memperkenalkan masalah baru" — penggunaan AI untuk pekerjaan pribadi dilarang sebagai kebijakan
- Bidang robotika: menggunakan C++ dan Python; saat mencoba AI coding, yang keluar hanya sampah setengah jalan yang bekerja separuh, dan menjelaskan semuanya dalam bahasa alami terasa menyiksa
- Proses menulis kode sendiri untuk memikirkan arsitektur kode dan masa depan teknis adalah nilai yang sama sekali tidak bisa didelegasikan
1 komentar
Komentar Hacker News
Hal tersulit belakangan ini adalah manajer membuat dokumen desain atau PRD 50 halaman dengan Claude lalu mengirimkannya sambil bilang, “tolong ditinjau”
Tidak ada yang membacanya, bahkan penulisnya sendiri tidak paham. Beberapa karyawan juga menghasilkan slide deck tanpa akhir lalu berkelit saat ditanya
Bahkan orang-orang yang sudah lama tidak menulis kode sekarang kembali mengusulkan kode berkat AI, dan banyak idenya aneh
Saya menulis kode produksi langsung dengan tangan, dan AI hanya saya pakai untuk meninjau bug. Paling jauh saya serahkan skrip sederhana untuk load test ke AI
Ini juga karena suasana tim, tapi AI benar-benar membuat pekerjaan jadi membosankan dan melelahkan
Saya sedang mengerjakan fitur besar, lalu rekan kerja memasukkan kode lama saya ke Claude dan membawanya sebagai “versi jadi”
Hasilnya salah memahami kebutuhan bisnis dan penuh bug. Niat memperbaiki kode saya memang bagus, tapi sikap “Claude nanti yang menyelesaikan” itu terasa menghina
Sekarang bahkan tidak ada lagi kebebasan untuk bilang “saya tidak tahu”. Dengan satu prompt, jawaban langsung muncul, jadi backend engineer pun akhirnya ikut memikul frontend
Di kantor, berkat AI pekerjaan berubah jadi tugas beres-beres tanpa akhir
Developer level atas menyerahkan kode buatan AI ke saya, lalu saya yang susah payah merapikannya
Misalnya ada tim membuat fitur yang harus digabungkan ke codebase utama, tapi desain API-nya sama sekali tidak cocok dan kode yang tidak perlu menumpuk
Akhirnya saya tertahan lebih dari seminggu untuk refactor, dan malah terlihat seperti saya yang lambat
Sebaliknya, di proyek pribadi AI menyenangkan karena saya bisa bereksperimen dan belajar dengan cepat
Tapi di perusahaan saya bisa melihat masa depan di mana developer level menengah menghilang. Yang tersisa hanya lead dan junior, dan lapisan di antaranya makin menipis
Saya sama sekali tidak memakai AI. Saya paham sekali gaya kemalasan saya sendiri, jadi saya tahu kalau mulai memakainya kemampuan saya akan menurun
Salah satu rekan kerja saya sudah merasakan itu, jadi dia berhenti memakai code generation, tapi katanya rasanya seperti kecanduan karena terlalu nyaman
Rekan lain berhenti karena merasa kode AI tidak cocok untuk maintenance. Sebagai gantinya dia hanya memakainya untuk bertanya
Seorang junior malah kemampuannya mundur. Struktur kode buatan AI itu terlihat jelas sekali
Kalau sedang mendesak, paling saya pakai sebentar untuk referensi API
Tapi saya tidak bisa menerima secara logis klaim bahwa kode buatan AI tidak bisa di-maintain. Kalau tidak suka, tinggal generate ulang saja
Saya bahkan pernah melihat AI menulis ulang seluruh framework
Nilai engineer ada pada pemahamannya. Otomatisasi tanpa pemahaman adalah kemunduran modal manusia
Saya engineer di Amazon, dan memakai harness internal Kiro dan Opus 4.6
Produktivitas saya naik 2–4x di kantor, dan lebih dari 10x untuk side project
Dulu saya harus lembur, sekarang dengan jam kerja 9–5 pun saya bisa menghasilkan lebih banyak fitur
AI berguna bukan cuma untuk coding sederhana, tapi juga untuk otomatisasi deployment, analisis data, dan debugging
Misalnya setelah memodifikasi kode, AI menjalankan loop deploy ke environment gamma lalu memverifikasi dengan log CloudWatch
Berkat itu saya menyelesaikan fitur satu bulan hanya dalam dua minggu. Saya tidak paham kenapa orang bilang SWE yang akan diautomatisasi lebih dulu
LLM memang punya batas, tapi bahkan pada level sekarang pun peta software engineering sedang berubah
Meski begitu saya khawatir dengan ledakan kode berkualitas rendah yang dihasilkan AI
Saya bekerja di FAANG. Dalam pekerjaan, AI hampir tidak membantu
Paling berguna hanya untuk merangkum dokumen desain atau mencari kode. Saya belum pernah menerima commit yang benar-benar berjalan
Saya juga belum pernah melihat orang di sekitar saya memakainya dengan sukses.
Tapi untuk proyek pribadi, AI jelas 10x lebih cepat pada tugas baru yang kecil
Mungkin karena codebase perusahaan terlalu besar dan kompleks
95% bekerja dengan sempurna, dan bagian yang mungkin bermasalah juga bisa diprediksi.
Saat rekan kerja meminta sampling data, saya juga langsung menyelesaikannya di tempat.
Pekerjaan yang dulu butuh beberapa jam sekarang selesai sambil ngobrol.
Hal yang dulu tidak bisa dikerjakan jadi bisa, yang sulit jadi mudah, yang mudah jadi lebih cepat
Prototyping jadi lebih cepat, dan LLM pernah menunjukkan cacat dalam desain API
Tapi kalau generate kode terlalu cepat, kecepatannya melampaui kapasitas review, jadi kuncinya adalah menghasilkan dalam unit kecil
Saya juga sangat terbantu saat memperbaiki test atau melacak error build eksternal
Sudah lama saya tidak bekerja seseru ini, tapi pada saat yang sama kecemasan soal pekerjaan juga besar
Jadi wajar kalau hasilnya tidak akurat
Saya bekerja di perusahaan teknologi besar, dan codebase-nya sangat besar serta kompleks
Awalnya saya enggan memakai AI, tapi sekarang sangat terbantu untuk menelusuri kode dan memahami strukturnya
Analisis yang dulu butuh berhari-hari sekarang dibantu AI.
Untuk code generation, saya terutama hanya memakainya untuk mengurangi boilerplate. Kualitasnya rendah, tapi sedikit lebih cepat daripada menulis semuanya dengan tangan
Di proyek pribadi tidak banyak bedanya, tapi saya menikmati merapikan pikiran sambil berdialog dengan ChatGPT
Pada akhirnya manusialah yang harus memahami konteks dan melakukan verifikasi
Saya sudah lama bekerja sebagai freelancer, dan AI hampir tidak membantu produktivitas
Setiap kali saya meninjau kode yang akan dikirim ke klien, selalu ada kompleksitas yang tidak perlu, masalah performa, dan risiko maintenance
Tentu saja AI berguna untuk tugas otomatisasi sederhana, tapi secara keseluruhan justru lebih merepotkan
Kalau bilang selesai cepat, kualitas saya justru dicurigai, dan saya juga harus menanggung biaya model
Akhirnya hidup saya tetap habis seharian bertengkar dengan terminal. Tapi memang jadi banyak TUI yang cantik
Bagi saya AI lebih banyak ruginya daripada untungnya
Bagus untuk code review atau pencarian, tapi untuk coding nyata hasilnya selalu harus ditulis ulang
Hasilnya terasa seperti kode yang ditulis murid yang cuma ingin lolos ujian
Saya terus mencoba sambil berpikir “kali ini mungkin berhasil”, tapi akhirnya cuma buang waktu. Rasanya mirip seperti masa tren framework JavaScript
Masalahnya, apakah kualitas kode memang sepenting itu?
Kalau modularisasi cukup baik, modul berkualitas rendah tinggal digenerate ulang saja
Itu justru yang membuat saya makin cemas. Mungkin benar kita akan segera tergantikan
Menariknya, saya kaget karena suasana di HN cukup pesimistis terhadap AI
Saya engineer dengan pengalaman 10 tahun, dan setengah dari yang beredar di Twitter itu memang benar
Tim kami hanya 3 orang tapi memelihara aplikasi dengan 100 ribu DAU. Dulu pekerjaan seperti itu butuh 10 orang
Kami bahkan tidak punya daftar bug, dan kualitas kode juga tidak lebih buruk dibanding saat semua ditulis manual
Frekuensi refactor malah meningkat, kecepatannya eksplosif. Saya sangat puas
Hanya saja saat ini ada risiko kompleksitas meledak karena kita terus menambah kode
Meski begitu, enam bulan lagi bisa jadi semuanya benar-benar berbeda. Saat ini rasanya menarik sekaligus menakutkan
Tapi semakin kecil timnya, semakin mungkin menghasilkan produktivitas yang eksplosif dengan AI