TL;DR;
- Kemampuan inti untuk menggunakan AI dengan baik adalah menilai kualitas output dan mengoreksinya, tetapi kemampuan ini justru melemah semakin seseorang bergantung pada AI
- Menurut teori "desirable difficulties" dari Bjork, informasi yang diproses dengan mudah tidak bertahan dalam memori jangka panjang
- Dalam studi Roediger & Karpicke (2006), tingkat retensi memori kelompok latihan retrieval setelah satu minggu sekitar 50% lebih tinggi daripada kelompok yang membaca berulang
- Ketika AI menulis kode sebagai pengganti kita, bahkan beban kognitif esensial (
germane load) ikut hilang sehingga kesempatan membentuk skema pun lenyap
- Semakin berpengalaman seorang developer, semakin kecil beban pada otaknya hanya dengan membaca output AI karena efisiensi neural
- Bahkan sebelum AI pun sudah ada jalur yang membuat pertumbuhan developer berhenti, tetapi AI secara drastis menghilangkan friksi di jalur itu
Ringkasan detail
Paradoks bahwa untuk memakai AI dengan baik, kita harus paham kode
- Banyak orang bisa berkata, "buatkan ini", tetapi jauh lebih sedikit yang bisa melihat hasil AI lalu mengoreksinya secara spesifik seperti, "struktur ini rapuh terhadap perubahan" atau "antarmuka ini memegang dua tanggung jawab"
- Kemampuan ini lebih mirip intuisi yang terbentuk dari banyak kegagalan, debugging, dan pengalaman refactoring
- Mempelajari cara memakai AI dan mempelajari pola kode bukan hubungan salah satu harus dipilih, melainkan yang kedua menjadi fondasi bagi yang pertama
- "Developer yang paling bisa memanfaatkan AI adalah developer yang tetap bisa menilai kode tanpa AI"
Otak tidak mengingat saat semuanya terlalu mudah
- "Desirable difficulties" dari Bjork: ketika ada tingkat kesulitan dan hambatan yang tepat dalam proses belajar, performa jangka pendek memang melambat, tetapi retensi memori jangka panjang dan transfer kemampuan meningkat
- Roediger & Karpicke (2006): eksperimen membaca berulang vs latihan retrieval
- Tes setelah 5 menit: kelompok membaca berulang mendapat hasil lebih tinggi
- Tes ulang setelah 1 minggu: retensi memori kelompok latihan retrieval sekitar 50% lebih tinggi
- Kelompok retrieval aktif menunjukkan penguatan konektivitas hippocampus–korteks prefrontal dan peningkatan aktivasi jaringan sensorimotor
- Otak dalam kondisi belajar pasif hanya mengaktifkan konektivitas hippocampus–fusiform gyrus — lebih dekat ke "sekadar melihat informasi tanpa benar-benar memprosesnya"
- Efek generasi (Slamecka & Graf, 1978): kelompok yang melengkapi sendiri seperti "panas-ding___" memiliki retensi memori yang secara signifikan lebih tinggi dibanding kelompok yang hanya membaca pasangan yang sudah lengkap
- Ilusi kelancaran: perasaan bahwa informasi mudah diproses menimbulkan ilusi bahwa informasi itu juga akan mudah diingat
Kemampuan coding adalah memori prosedural
- Sebagian besar kemampuan coding adalah memori prosedural — seperti bersepeda, setelah terinternalisasi ia berjalan otomatis tanpa perlu disadari
- Model Adaptive Control of Thought (ACT) dari Anderson: 3 tahap pembentukan memori prosedural
- Tahap kognitif: semuanya dijalankan sadar satu langkah demi satu langkah, menghabiskan sebagian besar working memory
- Tahap asosiatif: prosedur-prosedur terpisah mulai menyatu sehingga bisa dijalankan sebagai satu alur
- Tahap otomatisasi: berjalan otomatis hampir tanpa memakai working memory — sisa kapasitas bisa dipakai untuk penilaian desain
- Peralihan antar tahap hanya bisa terjadi lewat pengulangan dengan mengerjakan langsung
- Chunking (riset catur Chase & Simon): perbedaan expert dan pemula bukan pada jumlah slot working memory, tetapi pada banyaknya informasi yang bisa dimuat dalam satu chunk
- Master catur mengenali bukan posisi bidak satu per satu, melainkan pola bermakna seperti "susunan middlegame khas Sicilian Defense" sebagai satu chunk
- Hal ini dibuktikan karena perbedaan antara master dan pemula menghilang dalam eksperimen susunan acak
AI mengganggu proses ini
- Saat implementasi diserahkan ke AI, bahkan beban kognitif esensial (
germane load) ikut diproses oleh AI — kesempatan membangun skema pun hilang sejak awal
- Dari sudut pandang memori prosedural: waktu bergulat pada tahap kognitif berkurang, transisi ke tahap asosiatif tertunda, dan menjadi lebih sulit mencapai tahap otomatisasi
- Membaca kode output AI setara dengan "membaca pasangan kata yang sudah lengkap" dalam eksperimen efek generasi — terasa seperti paham, tetapi tidak tertanam dalam
- Semakin mahir developer, semakin sedikit sumber daya yang dipakai untuk memproses kode karena efisiensi neural → membaca output AI ternyata hampir tidak membebani otak
- Saat menulis kode sendiri, sinaps dimodifikasi melalui loop prediksi–umpan balik, tetapi membaca kode AI yang sudah jadi hanyalah interpretasi setelah fakta karena proses prediksinya dilewati
- Ini sangat serius khususnya bagi junior: ketika masih banyak pola yang berada di tahap kognitif, AI membuat mereka melewati tahap itu sehingga pengalaman kerja bertambah tanpa pembentukan memori prosedural
Cara memberi beban pada otak
- Sebelum menyerahkan tugas ke AI, tulis dulu rancangan sendiri: memanfaatkan efek generasi secara sengaja — saat membandingkan dan mengevaluasi output AI, area pemrosesan makna dan kontrol eksekusi di otak aktif bersamaan
- Lakukan code review yang serius: secara sadar bertanya, "mengapa strukturnya seperti ini" dan "jika harus diubah 6 bulan lagi, bagian mana yang akan jadi masalah" — rasa repot itu sendiri adalah desirable difficulty
- Sediakan waktu untuk menulis kode langsung: ini tak tergantikan untuk pembentukan memori prosedural — saat buntu, minta AI hanya petunjuk minimum, bukan jawaban penuh
- Strategi optimal untuk produksi dan belajar berbeda: AI unggul sebagai alat produksi, tetapi punya batas sebagai alat belajar
- Pada akhirnya, apa yang benar-benar tertinggal di otaklah yang menentukan kualitas code review, ketepatan penilaian desain, dan secara paradoks kemampuan memanfaatkan AI
19 komentar
Apa cuma perasaan saya, atau memang di sini juga kelihatan banyak komentar yang ditulis AI?
Rasanya seperti tiba di dunia distopia.
Saya pribadi sangat merasakan sampai ke tulang bahwa AI sangat buruk di bidang keahlian saya. Saya menduga para ahli di bidang lain pun mungkin merasakan hal yang sama. Tentu saja ini sangat membantu. Saya memang jadi harus menulis dokumen cerewet sepanjang hari, tetapi tetap saja tidak bisa dibandingkan dengan produktivitas sebelumnya.
Attention dibentuk oleh suara mayoritas.
Agen verifikasi hanya perlu lolos fungsi evaluasi.
Sebagian besar kode industri yang hebat tidak tersedia untuk publik.
Open source adalah kode untuk dipamerkan.
Hal ini harus selalu diingat saat menggunakannya.
Setuju. Data inti dari domain yang sangat maju seperti kedirgantaraan, medis, dan kontrol presisi berada di jaringan internal yang tertutup rapat, dan untuk mengaksesnya Anda harus menjadi orang dalam yang penting, atau jika dari luar, data itu baru bisa dibuka setelah mengeluarkan biaya yang cukup besar dan menandatangani NDA. Sebagian besar data yang dipelajari AI adalah yang dipublikasikan di internet, dan untuk layanan web/aplikasi berbasis Python dan JavaScript, Full Automation sampai tingkat tertentu memang memungkinkan.
Karena grafis 3D dan algoritma berbasis CAD yang digunakan di domain canggih tersebar secara terfragmentasi di internet atau bahkan sama sekali tidak ada, AI juga pada akhirnya hanya bisa menghasilkan hasil yang dangkal lewat vibe coding. Menurut saya, pendekatan yang aman dan realistis adalah menempatkan satu agen utama, lalu terus menyuntikkan konteks domain hingga tingkat micro-managing, sambil mengembangkan dengan pola amplifikasi berkelanjutan yang dipimpin langsung oleh developer melalui siklus Planning → Redirection → Review, bukan full automation yang sepenuhnya dipimpin AI
Saya juga masih merasa kurang di bidang keahlian saya sendiri, jadi saya berhati-hati dengan menganggap bahwa di bidang tempat saya menerima bantuan pun tingkatnya kira-kira segitu. Sebagai gantinya, karena laju perkembangannya cukup pesat, saya mencoba memakainya untuk pekerjaan yang kalau kualitasnya terus berada di tingkat itu pun masih memadai.
Pemikiran ini memang singkat, tetapi belakangan saya jadi memikirkan hal seperti ini. Dulu katanya para ahli assembly melihat pengembang bahasa C sambil berkata hal-hal seperti "tidak tahu cara menghemat memori" atau "tidak paham hardware", dan kalau dilihat sekarang rasanya kritik yang mirip juga masih berlanjut dalam konteks yang sama. Pada akhirnya, bukankah dari sudut pandang pengembangan perangkat lunak kita hanya beralih untuk mengembangkan dengan bahasa yang lebih terabstraksi (AI) dibanding bahasa pemrograman yang sudah ada sebelumnya. Karena itu, wajar saja kalau keahlian terhadap bahasa yang digunakan sebelumnya menjadi menurun. Namun, seperti sampai belum lama ini para pengembang yang bekerja dengan bahasa yang lebih low-level daripada sekarang sering disebut "monster", mungkin ke depannya orang-orang yang membangun dengan vibe coding tetapi tetap memahami prinsip bahasa-bahasa yang sudah ada akan dipandang sebagai sosok yang istimewa.
Isi seperti ini tampak sebagai keterikatan pada cara kerja masa lalu. Bagaimanapun, bagian-bagian seperti itu pada akhirnya akan lebih dikuasai oleh AI. Yang penting sekarang adalah pengalaman memperbaiki bagian-bagian yang tidak berjalan baik saat menggunakan AI. Namun, saya juga menganggap ini hanya bersifat sementara.
Ini memang bukan hal yang terbatas hanya pada coding. Kesulitan yang diinginkan bukan sekadar slogan klise, melainkan didasarkan pada berbagai bukti ilmiah.
Dengan adanya kalkulator, menghafal tabel perkalian terlihat seperti keterikatan pada cara kerja masa lalu. Bagaimanapun, bagian seperti itu pada akhirnya akan dikerjakan lebih baik oleh kalkulator. Yang penting sekarang adalah pengalaman memperbaiki bagian-bagian yang tidak berjalan baik saat menggunakan kalkulator. Namun, saya juga berpikir hal ini pun hanya bersifat sementara.
Sepertinya selalu membalas dengan logika yang mirip seperti ini.. kalkulator tidak salah menghitung. Ia menjalankan perannya dengan benar.
Suatu hari kalkulator rusak dan mengeluarkan hasil 3 X 3 = 10, lalu saya jadi khawatir kalau-kalau tak seorang pun menyadari bahwa itu salah... Jika itu terjadi di komputer programmer yang menangani rekening bank saya... Sepertinya tidak ada salahnya untuk tetap berhati-hati.
Pernyataan bahwa "sebagian besar kemampuan coding adalah memori prosedural" memang sangat terasa. Menyelesaikan soal matematika juga pada dasarnya adalah tindakan mengingat prosedur dan berlatih agar bisa menghasilkan keluaran yang sama. Tidak masalah jika coding dilakukan dengan AI, tetapi tampaknya kita tetap perlu memberi beban pada otak agar bisa berulang kali menghasilkan output dengan kualitas yang sama atau lebih baik.
Kalau lihat para developer yang ngoding vibe tanpa mikir, rasanya bikin emosi. Kualitas hasil kerjanya sendiri berantakan, lalu coba saja berkilah dengan bilang itu ditulis AI. Tanggung jawab tetap ada pada dirinya sendiri.
“If you're nothing without the suit, then you shouldn't have it.” - Tony Stark
Sepertinya saya memang perlu melewati proses yang sengaja membuat repot.
AI terasa seperti menggunakan bor listrik, gergaji mesin, dan ekskavator. Sejak memakai ponsel, banyak orang bahkan tidak lagi mengingat nomor teleponnya sendiri.
...hal-hal seperti ini bisa saja dianggap sebagai kemunduran, tetapi saya melihatnya sebagai efisiensi. Berdasarkan pengalaman saya sebagai developer dan pernah menjalani berbagai peran, saya melihat alat AI sebagai sarana yang membantu kita keluar dari dunia developer semata dan memberi kesempatan untuk memiliki sudut pandang yang lebih luas. Di satu sisi mungkin ada kemampuan yang menurun, tetapi ruang itu akan terisi oleh hal lain.
Saya juga setuju dengan pendapat ini.
Pada akhirnya, saya melihat ini sebagai alat dengan trade-off yang jelas.
Saya juga khawatir kemampuan coding saya akan menurun semakin sering menggunakan AI, tetapi yang pasti saya jadi memikirkan hal-hal lain yang dulu tidak saya lakukan (atau tidak bisa saya lakukan).
Setidaknya, saat memberi instruksi kepada AI, tampaknya akan lebih membantu jika kita tidak hanya melempar beberapa kata pendek, melainkan menjelaskan pemikiran dan alur logika kita sejelas dan sedetail mungkin. Setelah itu, sebelum pekerjaan dijalankan, jika ada hal yang perlu dipastikan lebih lanjut, minta AI untuk обязательно menanyakannya terlebih dahulu sebelum melanjutkan.
Ini tulisan yang mengingatkan pada istilah demensia digital.