- Berlawanan dengan klaim bahwa alat coding AI telah sangat meningkatkan produktivitas, tidak terlihat ledakan peningkatan perangkat lunak baru
- Hasil analisis data PyPI menunjukkan bahwa bahkan setelah ChatGPT, laju pembuatan paket secara keseluruhan tidak berubah
- Hanya pada paket populer terkait AI frekuensi pembaruan meningkat lebih dari 2x, sementara paket non-AI mempertahankan tren sebelumnya
- Fenomena konsentrasi ini ditafsirkan lebih sebagai efek pemusatan pendanaan dan perhatian daripada peningkatan produktivitas menyeluruh dari teknologi AI
- Akibatnya, dampak generative AI tidak tampak sebagai ekspansi seluruh ekosistem pengembangan, melainkan sebagai konsentrasi aktivitas di dalam bidang AI itu sendiri
Analisis produktivitas perangkat lunak di era AI
- Meski ada klaim bahwa alat coding AI meningkatkan produktivitas hingga puluhan kali lipat, kenyataannya tidak terlihat ledakan peningkatan perangkat lunak baru
- Menganalisis tren pembuatan dan pembaruan paket setelah adopsi AI melalui data repositori paket Python PyPI
- Hasilnya, hanya paket populer terkait AI yang menunjukkan lonjakan tajam dalam frekuensi pembaruan, sementara pada ekosistem secara keseluruhan tidak ada perubahan yang jelas
- Fenomena ini tampak lebih sebagai hasil dari pemusatan pendanaan dan perhatian daripada peningkatan produktivitas dari teknologi AI itu sendiri
Analisis jumlah paket
- Jumlah total paket di PyPI menunjukkan pertumbuhan eksponensial yang konsisten, tetapi tidak ada perubahan mencolok pada waktu peluncuran ChatGPT
- Jumlah paket baru per bulan berfluktuasi di kisaran 5.000 hingga 15.000
- Beberapa lonjakan setelah 2020 disebabkan oleh masuknya spam dan malware
- Jika AI benar-benar meningkatkan produktivitas pengembang, seharusnya terlihat lonjakan jumlah paket, tetapi data tidak menunjukkan gejala tersebut
Analisis frekuensi pembaruan paket
- Dibanding sekadar pembuatan paket, frekuensi pembaruan pada paket yang dipelihara dianggap sebagai indikator yang lebih bermakna
- Per Desember 2025, dianalisis 15.000 paket yang paling banyak diunduh
- Setiap paket dikelompokkan berdasarkan tahun pembuatan, lalu dilacak median frekuensi pembaruan tiap cohort per tahun
- Paket yang dibuat setelah ChatGPT rata-rata mengalami 13 kali pembaruan pada tahun pertama, lebih tinggi daripada 6 kali pada paket yang dibuat pada 2014
- Namun, tren ini sudah meningkat sejak 2019, kemungkinan dipengaruhi oleh penyebaran alat CI seperti GitHub Actions
- Di semua cohort, semakin lama usia paket, semakin rendah frekuensi pembaruannya
- Penggunaan alat AI tidak meningkatkan frekuensi pemeliharaan pada paket lama
Keanehan pada paket terkait AI
- Hasil klasifikasi apakah suatu paket terkait AI atau tidak berdasarkan deskripsi paket menunjukkan perubahan jelas hanya pada paket terkait AI
- Paket terkait AI yang dibuat pada 2023 mencatat median 20 kali pembaruan pada tahun pertama, sekitar 2x paket non-AI
- Paket yang tidak berkaitan dengan AI mempertahankan tren kenaikan yang landai seperti sebelumnya
- Karena itu, peningkatan aktivitas yang terkonsentrasi hanya terkonfirmasi pada proyek terkait AI
Hubungan dengan faktor popularitas
- Untuk memverifikasi apakah tingginya frekuensi pembaruan pada paket terkait AI hanyalah efek popularitas,
15.000 paket teratas dibagi menjadi 7.500 teratas dan 7.500 terbawah berdasarkan jumlah unduhan
- Hasilnya, lonjakan frekuensi pembaruan hanya terjadi pada paket AI yang populer
- Setelah ChatGPT, paket AI populer diperbarui 21 hingga 26 kali per tahun, sedangkan paket populer non-AI tetap di kisaran sekitar 10 kali
- Jauh lebih tinggi dibanding paket AI yang kurang populer
Ringkasan pengamatan
- Laju pembuatan paket tidak menunjukkan peningkatan jelas bahkan setelah ChatGPT
- Frekuensi pembaruan secara keseluruhan meningkat perlahan, tetapi itu adalah tren yang sudah berlanjut sejak sebelum AI
- Hanya pada paket populer terkait AI terlihat kenaikan frekuensi pembaruan lebih dari 2x
Interpretasi dan hipotesis
-
Tidak ada bukti bahwa AI telah meningkatkan produktivitas pengembang secara eksplosif secara menyeluruh
- Secara keseluruhan tidak ada lonjakan paket baru atau pembaruan
- Mungkin ada sebagian pengembang yang memang memanfaatkan AI untuk mengembangkan lebih cepat, tetapi jumlah maupun dampaknya terbatas
- Pengembangan perangkat lunak yang memanfaatkan AI sendiri memang berlangsung aktif
- Terutama terlihat aktivitas terkonsentrasi pada paket populer terkait AI
Dua hipotesis
- Isu skill AI: Orang-orang yang membuat alat AI juga merupakan pihak yang paling tahu cara memanfaatkan AI secara efektif, sehingga peningkatan produktivitas lebih besar terlihat pada paket AI. Namun, skill saja sulit menjelaskan mengapa fenomena ini hanya terkonsentrasi pada paket AI yang populer
- Pendanaan dan hype: Investasi dan perhatian besar-besaran ke sektor AI membuat lebih banyak tenaga kerja melakukan lebih banyak pekerjaan, sehingga pembuatan dan pembaruan paket meningkat
- Perubahan ukuran cohort mendukung hal ini: rasio non-AI terhadap AI pada cohort 2021 adalah 6:1 (1.211 vs 185), tetapi pada 2024 berubah menjadi kurang dari 2:1 (727 vs 423)
- Bukan karena pengembang menjadi manusia super, melainkan karena perhatian berlebihan terhadap AI dikonversi menjadi pendanaan, yang mempercepat pembuatan dan iterasi paket AI
- Dari data saja, tidak mungkin menentukan efek mana yang lebih dominan
Kesimpulan
- Efek yang terlihat dari revolusi generative AI bukanlah ledakan produktivitas perangkat lunak secara keseluruhan,
melainkan peningkatan aktivitas yang terkonsentrasi di dalam ekosistem AI
- Jika dilihat dari data PyPI, AI bukan membuat semua pengembang menjadi manusia super,
melainkan menunjukkan hasil dari pemusatan pendanaan dan upaya pada proyek terkait AI
4 komentar
Untuk saat ini, sepertinya inovasi terbesar adalah hambatan masuk untuk pengembangan menjadi jauh lebih rendah.
Logikanya aneh ya.. hehe. Sejak ChatGPT, aku sangat sering memakai AI untuk pengembangan domain lain... Hal-hal yang dulu mustahil, atau yang butuh sekitar 10 orang berpengalaman untuk mengerjakannya, sekarang bisa kulakukan sendirian... Bukankah ini inovasi?
Bukankah itu berarti Anda tidak menyukai inovasi semacam itu? Rasanya seperti disebarkan hampir setingkat siaran pers; sepertinya ada kepentingan tertentu yang terlibat.
Komentar Hacker News
Sekarang memindahkan ide sampai tahap prototipe memang jadi sangat mudah
Tapi untuk benar-benar merilisnya sebagai layanan, tetap dibutuhkan rekayasa perangkat lunak yang membosankan
Aku sudah melihat banyak orang mengikuti tren “aku akan membangun bisnis sendiri lewat kode”, tapi hampir tidak ada yang benar-benar sampai peluncuran
Pada akhirnya, tahap terakhir itulah yang menghabiskan sebagian besar waktu dan tenaga
Sebuah aplikasi tidak harus dipublikasikan ke umum agar berguna
Jika tujuannya menyelesaikan masalah untuk diri sendiri, orang sekitar, atau tim, maka ‘tahap terakhir’ itu adalah pemborosan yang tidak perlu
Produk di pasar bukanlah solusi masalah, melainkan alat untuk menghasilkan uang
AI sangat menurunkan biaya ‘menyelesaikan masalah’, tetapi tidak terlalu menurunkan biaya ‘membuat produk’
Jadi kekurangan produk tidak berarti kekurangan penyelesaian masalah
Ini berbahaya, karena kemampuan menemukan akar penyebab masalah jadi mengalami kemunduran
AI memang membuat 80% pertama dengan cepat, tapi kualitasnya meragukan
Pada akhirnya ini mendorong pengembangan coba-coba, dan pengembang berpengalaman biasanya tidak suka pendekatan seperti ini
Saat meminta Claude mendesain fitur, hasilnya spesifikasi yang keren, dan coding agent bisa menyelesaikan 80% pertama dengan baik
Tapi 20% terakhir memakan waktu jauh lebih lama
Sementara itu ide fitur baru terus menumpuk, lalu muncul backlog tanpa akhir dan rasa cemas
Padahal sebenarnya tidak ada seorang pun yang memintaku melakukan itu; aku sendirilah yang menciptakan tekanannya
Ini adalah proses panjang mulai dari pengumpulan kebutuhan, desain, persetujuan, pembangunan infrastruktur, penulisan kode, pengujian, deployment, hingga monitoring
AI bisa mempercepat 4-5 tahap di antaranya, yaitu bagian infrastruktur dan penulisan kode
Tapi sisanya tetap wilayah manusia
Mengukur dampak AI lewat 15.000 paket teratas di PyPI itu tidak tepat
Justru statistik bahwa pendaftaran aplikasi iOS baru naik 24% jauh lebih bermakna
Menurut Appfigures Explorer, pada 2025 ada 557 ribu aplikasi baru, kenaikan besar pertama sejak 2016
Setelah AI menjadi cukup praktis untuk digunakan (Desember 2025, dengan rilis Opus 4.5 dan Codex), produktivitas pengembangan melonjak tajam
Sekarang zamannya bertanya ke LLM untuk hal-hal yang dulu ditanyakan di Stack Overflow
LLM yang bisa mengakses dokumentasi mampu menjawab 95% pertanyaan
Sulit rasanya bagi Stack Overflow untuk bertahan dari perubahan ini
Coding dengan AI sering dipakai untuk mengurangi utilitas, atau dipakai dalam bentuk alat internal yang tidak didistribusikan sebagai paket
Hampir tidak ada aplikasi yang benar-benar berguna yang berkontribusi pada produktivitas ekonomi
AI menghabiskan energi dan modal, tetapi manfaat nyatanya minim
Dari sudut pandang ekonomi, booming AI lebih mirip gelembung yang terlalu panas
Sekarang proyek seperti “YoloSwag” ada di mana-mana
Katanya ini implementasi PyTorch 1:1 dalam Rust, dengan klaim pengurangan penggunaan CPU 80% dan peningkatan kecepatan 300%, tapi kenyataannya langsung crash
Semua tes diloloskan dengan mock palsu, dan kodenya sendiri setengah binding PyTorch, setengah lagi API aneh yang tidak nyambung
Pengembangnya ternyata mantan pemain kripto yang mengaku “jadi ahli komputasi kuantum dalam 6 minggu”
Mereka tidak memakai AI untuk belajar sendiri, melainkan hanya untuk pamer
Kalau budaya ini tidak berubah, kita akan terus melihat proyek model ‘YoloSwag’ seperti ini
Aku menghapus VSCode dan membuat dashboard hiper-pribadi versiku sendiri
Feed berita, manajemen isu, editor Markdown, kalender, tombol AI, semuanya kutangani dari satu layar
Tapi saking personalnya, tidak ada alasan untuk membagikannya
Sebagian besar layanan baru masih berhenti di level wrapper LLM atau alat AI
Misalnya, aku menyelesaikan aplikasi belanja bahan makanan yang sesuai kebiasaan belanjaku dalam 20 menit
Perangkat lunak super-terpersonalisasi seperti ini adalah tahap berikutnya
Kalau kamu membagikan setup-mu, itu sepertinya bisa jadi inspirasi untuk banyak builder
Alasan kenapa hasil buatan AI tidak dipublikasikan itu sederhana
Kebanyakan memang disesuaikan secara personal, jadi tidak perlu dipublikasikan
Lagi pula sekarang, bukan eksekusi melainkan idenya sendiri yang jadi daya saing, jadi tidak ada alasan untuk membagikannya
Di zaman ketika semua orang punya kemampuan yang mirip, masing-masing bisa membuat apa yang dibutuhkannya dengan cepat dan murah
Jadi hasil buatan AI memang banyak, tetapi yang dipublikasikan ke dunia justru makin sedikit
Yang dibutuhkan bukan proyek pribadi, melainkan bukti yang menunjukkan perubahan di seluruh industri
Akibatnya, kontribusi yang sungguh-sungguh pun ikut terhambat
Tentu kode AI berkualitas rendah memang masalah, tapi menolak semuanya bukanlah solusi
Budaya review dan pengujian yang tidak dijalankan dengan benar adalah masalah yang lebih besar
AI memang membuat 90% awal aplikasi jadi mudah, tapi 10% terakhir justru terasa jauh lebih sulit
Codebase membesar, tetapi rasa familier terhadapnya menghilang, dan kebanyakan orang menyerah di titik itu
Pada akhirnya, walau AI membangun dengan cepat, tetap banyak jebakan kualitas dan keamanan
Booming AI saat ini mengingatkanku pada gelembung dot-com
Seperti awal 2000-an, banyak perusahaan membakar uang dengan ilusi bahwa “asal pakai AI pasti beres”
Di sisi lain, ada juga perusahaan yang diam-diam mengadopsi AI untuk meningkatkan efisiensi kerja
Pada akhirnya kebanyakan akan tetap jadi alat bantu, dan aplikasi yang benar-benar otomatis penuh hanya akan sedikit
Mengukur dampak AI dengan jumlah paket PyPI adalah pendekatan yang keliru
Peningkatan produktivitas yang nyata terjadi di repositori privat, alat internal, dan aplikasi satu tujuan
Aku sendiri membuat webapp dengan dukungan offline, pembayaran Stripe, dan halaman SEO dalam 6 minggu berkat AI
Dulu hal seperti itu mungkin butuh 6 bulan
Hasil seperti ini memang tidak tertangkap dataset, tapi peningkatan produktivitasnya nyata
Aku sendiri sekarang lebih jarang memakai library
Karena berkat AI, menangani pemanggilan API secara langsung justru jadi lebih sederhana
Mendistribusikan paket pada dasarnya sama saja dengan mengelola proyek open source, dan itu pekerjaan yang sangat melelahkan
Beban pemeliharaan dan ketimpangan imbalan membuat orang enggan melakukannya
Dunia sudah punya cukup banyak library, dan tren berkonsolidasi ke yang benar-benar bagus bukanlah hal buruk
Banyak pengembang sekarang memakai AI bukan lagi pada level “per proyek”, melainkan per commit
Mengukur efek AI lewat PyPI itu terlalu picik
Sebaliknya, jika melihat laporan GitHub Octoverse 2025, jumlah pengguna dan kontribusi open source jelas menunjukkan kurva kenaikan
Per 2025, 81,5% dari seluruh kontribusi terjadi di repositori privat, sementara repositori publik hanya 63%
Sebelumnya sudah ada Cursor, Copilot, dan berbagai alat lain, dan semuanya disebut inovasi
Kalau AI benar-benar membuat deployment kode 10 kali lebih cepat, maka hasil yang eksplosif seharusnya sudah terlihat sekarang