Cara sempurna agar AI tidak bisa berbohong - leceipts

Saat memakai alat coding AI, ada situasi yang terasa anehnya berulang.

Saat bug dijelaskan
→ “Masalah sudah diperbaiki”
→ ketika dijalankan, tetap rusak

Ini bukan semata masalah AI,
melainkan pola yang juga familiar dalam code review manusia.
• “Mungkin ini sudah cukup”
• “Di lokal berjalan dengan baik”
• “Belum menjalankan tes, tapi sepertinya tidak masalah”

leceipts adalah pendekatan untuk menyelesaikan ini bukan lewat sikap atau budaya,
melainkan lewat proses.

Setiap kali melakukan perubahan kode, alat ini memaksa kita untuk meninggalkan catatan terstruktur berikut:
• Root cause: mengapa masalah itu terjadi
• Change: perbaikan apa yang benar-benar dimasukkan
• Recurrence prevention: cara mencegah masalah yang sama terulang
• Verification: bagaimana verifikasinya dilakukan, dan apa hasilnya
• Remaining risk: bagian yang masih belum terkonfirmasi

Kunci utamanya di sini adalah “Verification”.
Bukan sekadar “sudah dites”,
tetapi memaksa pencatatan tentang dengan cara apa pengecekan dilakukan dan bagaimana hasilnya.

Saat struktur ini ada, beberapa perubahan pun muncul

1. Mencegah AI mengarang
   Alih-alih mengatakan “fixed”, AI harus meninggalkan hasil eksekusi yang nyata
   → kalau belum dijalankan, akan langsung kelihatan
2. Kualitas code review manusia meningkat
   Penjelasan PR berubah dari berbasis “feeling” menjadi berbasis “bukti”
3. Riwayat debugging menjadi aset
   Mengapa rusak dan bagaimana diperbaiki akan terus terakumulasi
   → mencegah masalah yang sama terulang
4. Standar ‘Done’ menjadi jelas
   Perbaikan ≠ selesai
   Baru selesai setelah verifikasi juga tuntas

Yang menarik, ini bukan framework testing baru
ataupun alat yang rumit.

Ini hanyalah
pendekatan bahwa “dengan memaksa cara menjelaskan, proses pengembangan bisa diubah”.

Semakin banyak AI coding digunakan,
rasanya workflow “berpusat pada verifikasi” seperti ini bisa menjadi default.