- Runtuhnya kapasitas produksi pertahanan menunjukkan bahwa ketika tenaga kerja terampil pensiun dan pengetahuan proses menghilang, produksi tidak bisa cepat dihidupkan kembali bahkan saat permintaan masa perang muncul
- Kasus pemulihan Stinger, peluru artileri 155 mm, dan Fogbank menunjukkan bahwa optimasi biaya dan single point of failure memang meningkatkan efisiensi di masa damai, tetapi sangat melemahkan kelonggaran rantai pasok dan kecepatan pemulihan
- Perangkat lunak juga bergerak ke jalur yang melemahkan pipeline talenta dengan mengandalkan pengganti yang lebih murah, dan setelah adopsi AI, penyusutan perekrutan junior serta review bottleneck sama-sama membesar
- Keahlian tidak bisa diciptakan cepat hanya dengan uang; baik di pertahanan maupun perangkat lunak, akumulasi pengetahuan dan keterampilan membutuhkan pengalaman lapangan bertahun-tahun serta kemampuan meninjau
- Jika engineer junior tidak melalui kesalahan formatif dan debugging, tacit knowledge tidak akan terbangun, sehingga risiko kekurangan engineer senior dan institutional knowledge di masa depan makin besar
Paralel antara runtuhnya kapasitas produksi pertahanan dan penyusutan tenaga kerja perangkat lunak
- Raytheon harus memanggil kembali engineer berusia 70-an untuk memulai ulang produksi Stinger, dan menghidupkan lagi proses berdasarkan gambar teknik kertas lama serta peralatan uji yang tersimpan di gudang
- Setelah Pentagon tidak membeli Stinger baru selama 20 tahun, perang Ukraina membuat permintaan melonjak tajam; tetapi lini produksi sudah ditutup, komponen elektronik dan seeker sudah dihentikan, dan pesanan Mei 2022 pun baru dijadwalkan dikirim pada 2026
- Hanya dalam 10 bulan perang, permintaan membesar hingga menghabiskan 13 tahun produksi Stinger, dan pengetahuan produksi yang sudah hilang serta kekosongan tenaga kerja muncul sebagai bottleneck
- Hambatan utamanya bukan sekadar soal anggaran, melainkan struktur di mana tenaga kerja terampil yang sudah pensiun keluar tanpa ada tenaga pengganti yang meneruskan
Kegagalan peningkatan produksi amunisi yang menyingkap rapuhnya rantai pasok
-
Janji 1 juta peluru dan kapasitas produksi nyata
- Pada Maret 2023, EU berjanji memasok 1 juta peluru artileri ke Ukraina dalam 12 bulan, tetapi kapasitas produksi tahunan Eropa hanya sekitar 230 ribu butir, sementara Ukraina menghabiskan 5.000~7.000 butir per hari
- Hingga tenggat, Eropa hanya mengirim sekitar setengahnya, dan investigasi 11 media di 9 negara mencatat kapasitas produksi nyata hanya sekitar sepertiga dari klaim resmi EU
- Target 1 juta butir mundur ke Desember 2024, terlambat 9 bulan dari janji awal
-
Struktur dengan banyak bottleneck yang muncul bersamaan
- France menghentikan produksi propelan domestiknya pada 2007 dan berhenti selama 17 tahun
- Lokasi produksi TNT utama di Eropa hanya ada satu di Poland, dan stok amunisi Germany cukup untuk dua hari saja
- Pabrik Nammo di Denmark ditutup pada 2020 dan harus diaktifkan kembali dari nol
- Industri pertahanan Eropa dioptimalkan untuk produk kustom mahal dalam jumlah kecil, bukan dirancang dengan asumsi produksi massal dan respons krisis
-
Amerika Serikat juga punya kelemahan serupa
- AS juga bergantung pada satu pabrik di Scranton dan satu fasilitas pengisian bahan peledak di Iowa, sementara produksi TNT domestik telah terputus sejak 1986
- Bahkan setelah menggelontorkan miliaran dolar, volume produksi masih belum mencapai setengah dari target
Single point of failure yang lahir dari optimasi biaya
- Pada 1993, Pentagon menyampaikan pesan kepada para CEO pertahanan bahwa mereka akan tersingkir jika tidak berkonsolidasi, dan setelah itu 51 kontraktor pertahanan utama menyusut menjadi 5
- Pemasok rudal taktis turun dari 13 menjadi 3, galangan kapal dari 8 menjadi 2, dan jumlah tenaga kerja merosot 65% dari 3,2 juta menjadi 1,1 juta orang
- Single point of failure muncul di berbagai titik rantai pasok amunisi, dan produksi badan peluru 155 mm terkonsentrasi pada satu perusahaan di Coachella, California
- Propelling charge juga bergantung pada satu fasilitas di Canada, dan optimasi berbasis biaya minimum memang menaikkan efisiensi masa damai tetapi nyaris tidak menyisakan cadangan untuk lonjakan permintaan
Saat pengetahuan hilang, pemulihan pun melambat
-
Kegagalan memulihkan Fogbank
- Fogbank adalah material rahasia untuk hulu ledak nuklir yang diproduksi dari 1975 hingga 1989 sebelum fasilitasnya ditutup
- Pada 2000, material ini hendak dibuat lagi untuk program perpanjangan usia pakai, tetapi sebagian besar personel yang punya keahlian produksinya sudah pensiun, wafat, atau meninggalkan lembaga, dan hampir tidak ada catatan yang tersisa
- Menurut informasi terkait GAO, perlu tambahan 69 juta dolar dan rekayasa balik selama bertahun-tahun sebelum Fogbank yang bisa diproduksi kembali akhirnya didapatkan
-
Tacit knowledge di luar dokumen ternyata menentukan
- Fogbank yang dibuat ulang ternyata terlalu murni, dan belakangan diketahui bahwa impuritas tak disengaja yang ada dalam batch asli justru penting bagi fungsi sebenarnya
- Informasi itu tidak tercatat di dokumen mana pun; hanya para pekerja produksi asli yang mengetahuinya, dan mereka sudah pensiun
- Alasan bahkan material buatan sendiri pun tidak bisa dibuat ulang adalah karena pengetahuan itu hanya tersisa pada manusia
Perangkat lunak juga bergerak di jalur yang sama
-
Pengganti yang lebih murah dan cepat melemahkan pipeline talenta
- Pola mengganti kapabilitas yang dibangun selama puluhan tahun dengan pengganti yang lebih murah, melemahkan pipeline tenaga manusia, lalu kembali membutuhkan kapabilitas yang telah dihapus saat krisis, muncul baik di pertahanan maupun perangkat lunak
- Jika di pertahanan penggantinya adalah peace dividend, maka di perangkat lunak AI menempati posisi yang sama
- Runtuhnya pipeline talenta dan krisis pemahaman yang ada sebelumnya sudah terlihat, dan kasus pertahanan juga menunjukkan betapa panjangnya waktu untuk membangun kembali
-
Rekonstruksi butuh waktu lebih dari sekadar uang
- Peningkatan produksi pertahanan besar-besaran membutuhkan 3~5 tahun untuk sistem sederhana dan 5~10 tahun untuk sistem kompleks
- Stinger butuh setidaknya 30 bulan dari pemesanan ke pengiriman, Javelin perlu 4,5 tahun hanya untuk menaikkan output kurang dari dua kali lipat, dan peluru 155 mm masih belum mencapai target pada tahun keempat meski sudah disuntik 5 miliar dolar
- France juga membutuhkan 17 tahun untuk memulai kembali produksi propelan, dan batas utamanya ada pada pengetahuan dan keterampilan, bukan pendanaan
- Studi RAND menilai 10% keahlian desain kapal selam tetap memerlukan 10 tahun pengalaman lapangan setelah PhD, sementara pekerjaan terampil di pertahanan juga butuh masa magang 2~4 tahun dan 5~8 tahun untuk kemampuan supervisi
-
Kurva pertumbuhan perangkat lunak juga tidak bisa dikompresi
- Developer junior membutuhkan 3~5 tahun untuk menjadi mid-level yang stabil, 5~8 tahun untuk menjadi senior, dan lebih dari 10 tahun untuk mencapai principal atau architect
- Waktu ini tidak bisa dipersingkat hanya dengan menambah uang, dan tampaknya juga sulit dikompresi dengan AI
Bottleneck dan pelemahan keahlian setelah adopsi AI
-
Bukan kecepatan produksi, melainkan bottleneck review yang membesar
- Dalam uji acak terkontrol METR, developer berpengalaman justru membutuhkan waktu 19% lebih lama untuk mengerjakan tugas open source nyata ketika memakai alat coding AI
- Sebelum mulai, mereka memperkirakan AI akan membuat pekerjaan 24% lebih cepat, tetapi selisih dengan hasil nyata mencapai 43 poin persentase
- Dalam eksperimen lanjutan, proporsi developer yang mengatakan mereka tidak akan berpartisipasi bila harus bekerja tanpa AI juga tidak sedikit, dan membayangkan kembali ke pekerjaan tanpa AI tampaknya tidak mudah
-
Penyusutan perekrutan dan penurunan pendaftaran universitas
- Salesforce mengatakan tidak akan menambah perekrutan software engineer pada 2025
- Dalam survei LeadDev, 54% pemimpin engineering menilai AI copilots dalam jangka panjang akan mengurangi perekrutan junior
- Dalam survei CRA, 62% jurusan komputasi di universitas melaporkan penurunan pendaftaran tahun ini
-
Code review menjadi batas utama baru
- AI menghasilkan kode dengan cepat, tetapi review manusia berjalan lambat sehingga muncul review bottleneck
- Sebagai respons, organisasi tidak membiarkan AI meninjau kode buatan AI, dan mengubah template pull request agar wajib memuat apa yang berubah, mengapa berubah, jenis perubahan, serta screenshot sebelum dan sesudah
- Ada juga pendekatan menambahkan reviewer khusus per proyek untuk menangkap bagian yang terlewat model dengan lebih banyak pasang mata
Kapabilitas yang akan menjadi langka di masa depan
-
Lingkungan berubah menjadi tak cukup hanya dengan keahlian teknis
- Kini keahlian teknis saja tidak lagi cukup; yang juga dibutuhkan adalah judgment dan leadership untuk memikul tanggung jawab, menjelaskan trade-off, dan menolak usulan salah yang disampaikan mesin dengan penuh percaya diri
- Dalam perekrutan terbaru, dari 2.253 pelamar, 2.069 ditolak dan hanya 4 yang diterima, dengan conversion rate 0,18%
- Ini memperlihatkan betapa sedikitnya talenta di pasar yang memiliki kemampuan teknis sekaligus judgment untuk mengidentifikasi kesalahan AI
-
Dokumentasi saja tidak menyelesaikan transfer pengetahuan
- Dokumentasi kini dibuat sangat luas, mulai dari Site Books, SDDs, laporan RVS, hingga modul boilerplate dengan coverage yang lengkap
- Saat ini cara itu bekerja karena pembacanya masih memiliki keahlian engineering, tetapi tidak jelas apakah pendekatan yang sama tetap akan bertahan ketika keahlian itu menghilang
- Performa model pada 2031 tidak bisa diprediksi, dan juga belum pasti AI akan cukup baik hingga membuat lebih sedikit masalah
-
Krisis datang tanpa pemberitahuan, dan senior tidak bisa dibuat seketika
- Seperti tidak ada yang memperkirakan perang skala penuh akan pecah di Eropa pada 2022, krisis tidak datang mengikuti jadwal
- Dalam 5~10 tahun, akan dibutuhkan engineer senior yang memahami keseluruhan sistem, mampu men-debug gangguan terdistribusi pada pukul 2 pagi, dan memikul institutional knowledge di luar codebase
- Namun tenaga seperti itu tidak sedang dibentuk sekarang; para junior yang seharusnya belajar justru tidak direkrut atau sedang membangun AI-mediated competence yang didorong riset pendanaan DoD
- Kemampuan melempar prompt ke AI mungkin tetap ada, tetapi kemampuan menunjukkan di mana AI salah bisa jadi tidak tumbuh
Risiko perangkat lunak mengalami Fogbank versinya sendiri
- Jika junior melewati debugging dan kesalahan-kesalahan formatif, tacit knowledge tidak akan terakumulasi, dan saat generasi engineer saat ini pensiun, pengetahuan itu tidak akan berpindah ke AI
- Akibatnya pengetahuan bisa hilang begitu saja, dan strukturnya mirip dengan apa yang terjadi pada Fogbank
- Perang Ukraina adalah momen ketika kegagalan optimasi industri pertahanan kembali sebagai biaya nyata, dan Stinger, Javelin, Fogbank, serta 1 juta peluru artileri yang gagal diproduksi menunjukkan harga yang harus dibayar
- Software engineering juga bertaruh pada optimasi yang sama; jika AI menjadi cukup baik, taruhan ini mungkin benar, tetapi jika tidak, tagihan yang sama bisa kembali datang
1 komentar
Komentar Hacker News
Masalah sebenarnya bukan AI itu sendiri
Yang bermasalah adalah cara manajemen yang menghilangkan ruang bernapas bagi orang dan organisasi demi keuntungan instan, sambil percaya bahwa pengetahuan itu akan tetap ada saat nanti dibutuhkan
Penghematan biaya jangka pendek mengurangi perekrutan junior dan juga menghilangkan waktu luang insinyur berpengalaman untuk mengajar, sehingga memutus transfer pengetahuan implisit
Pada akhirnya yang tersisa hanya dokumentasi dan otomasi, tetapi dokumentasi bukan pengalaman lapangan dan otomasi tidak bisa menggantikan penilaian
Saat orang yang benar-benar pernah menangani sistem menghilang, pengetahuan implisit ikut lenyap dari organisasi dan produktivitas pada akhirnya turun
Sekarang AI juga dijual dengan pola yang sama, dan di banyak bidang yang dibutuhkan tampaknya lebih dekat ke pengurangan tenaga kerja daripada peningkatan produktivitas
Ini mengingatkan pada pola pikir seperti GE yang mengosongkan kemampuan jangka panjangnya sendiri karena terobsesi memaksimalkan kinerja kuartalan dan keuntungan pemegang saham
Pengambil keputusan yang jauh dari praktik engineering nyata percaya bahwa alat, proses, dan dokumentasi bisa menggantikan pengetahuan implisit, padahal tidak
Jika orang dan jalur pembelajaran dihapus, pengetahuan itu tidak akan tinggal di dalam organisasi, melainkan hilang
Tidak ada ruang sama sekali untuk eksperimen, perbaikan, atau penyerapan guncangan, dan menurutku 90% sistem yang rusak belakangan ini rusak karena tidak punya slack untuk menyerap kejutan jangka pendek
Proyek startup sejak awal memang harus terus membuat sesuatu, jadi menambah fitur memang sama dengan nilai, tetapi perusahaan seperti Visa, Salesforce, dan LinkedIn sering kali sudah punya produk, fitur, dan sumber daya yang lebih dari cukup
Perusahaan-perusahaan seperti ini sering jadi seperti sedang memaksa mencari paku yang cocok untuk palu bernama write more software
Meski tampak punya banyak wishlist dan sistem A/B testing, kalau memang ada peluang jelas untuk menghasilkan uang hanya dengan membuat lebih banyak software, kemungkinan besar itu sudah dilakukan
Pertumbuhan nyata dan permintaan baru justru lebih sering muncul di luar tempat-tempat seperti ini, dan perusahaan yang belum bisa membuat atau membeli software malah bisa menangkap peluang itu
Dan inti persoalannya adalah fungibility
Modal manusia bukan barang yang bisa dengan mudah dikemas ulang, melainkan sesuatu yang hidup, dan jalur talenta serta keterampilan bisa benar-benar hilang jika putus
Bahaya AI coding juga ada di situ: hanya memanfaatkan modal manusia yang sudah ada, tanpa menciptakan modal manusia baru untuk masa depan
Banyak pengetahuan sistem yang kupegang sebenarnya bisa didokumentasikan, dan secara teori orang baru juga bisa melakukan serah terima hanya dari dokumentasi itu
Masalahnya, jumlah dokumen yang dibutuhkan akan sangat tidak masuk akal
Bahkan untuk sistem kecil pun, menurutku puluhan ribu halaman A4 yang padat masih realistis
Penanggung jawab baru harus memahami hampir seluruh tumpukan dokumen besar itu sampai nyaris hafal, dan perusahaan tidak suka mengeluarkan uang untuk biaya menulis dokumen sebanyak itu ataupun biaya belajar orang baru
Dalam pengalamanku, itulah sebabnya ini tidak berjalan, bukan karena secara prinsip mustahil
Sedikit demi sedikit kita sedang menghapus alasan untuk berbicara dengan orang lain
Saat bertanya ke AI, satu interaksi manusia yang tadinya bisa terjadi dengan rekan kerja langsung hilang
Ini bukan cuma soal coding, dan dengan selalu adanya ChatGPT di saku, aku jadi memikirkan interaksi sosial apa saja yang sedang digantikannya
Manusia pada dasarnya makhluk sosial, tetapi kita terus mengoptimalkan cara untuk menyingkirkan proses bersosialisasi sejauh mungkin
Aku sendiri juga tidak sepenuhnya bebas dari arus ini, karena kini lebih suka Doordash daripada menelepon restoran seperti dulu
Dalam dunia ideal, perusahaan seharusnya mengoptimalkan keuntungan jangka pendek-menengah, pemerintah mengoptimalkan keuntungan jangka panjang, dan individu mengoptimalkan seluruh hidupnya
Jika perusahaan mengurangi slack dan memaksa sistem berjalan serapat mungkin, pemerintah seharusnya menjaga ruang itu dan aliran talenta melalui regulasi demi mempertahankan kapasitas nasional
Namun di Barat, tampaknya kelompok lobi dan para MBA mengendalikan perusahaan, lalu menarik pemerintah juga ke arah mengoptimalkan uang semata
Alasan aku coding setiap hari tanpa bantuan coding adalah karena aku percaya itu membuatku tidak melupakan rasa kerja tangan itu, termasuk hal-hal kecil
Alasan terbesar aku tidak memakai AI adalah karena saat duduk di depan layar, sebisa mungkin aku tidak ingin bergantung pada apa pun
Tentu saja dokumen, buku, atau Stack Overflow tidak termasuk
Aku sering melihat orang di sekitarku bersandar ke AI bahkan untuk tugas-tugas kecil sehari-hari, dan itu terasa cukup menakutkan karena artinya upaya untuk benar-benar berpikir menurun drastis
Menyerahkan upaya mental itu bukan hal kecil
Bagiku, saat menyerahkan itu rasanya seperti menjadi zombie yang bergantung, dan menurutku pengetahuan lahir dari trial and error yang hampir setiap hari diulang
Teknologi selalu menunjukkan bahwa ia bisa mendorong dan mengendalikan manusia, dan ketergantungan pada AI terlihat seperti bentuk akhir dari bagaimana perusahaan menerobos bahkan kemampuan manusia yang paling halus, yaitu kekuatan untuk berpikir dan merasa penasaran
Sebagian besar waktu kuhabiskan dalam kebingungan dan frustrasi, dan setelah hampir 7 jam bergulat dengan masalah itu, pekerjaannya akhirnya selesai
Tetapi kesulitan itu sendiri begitu mengejutkan sampai aku sempat khawatir apakah otakku mulai rusak karena terlalu lama tidak melakukannya
Lalu aku teringat bahwa memang sejak dulu pun memecahkan masalah baru selalu sesulit itu
Rasa berhadapan dengan masalah yang benar-benar baru memang setingkat itu sulitnya, hanya saja aku yang sudah tidak terbiasa lagi dengan sensasi tersebut
Kalau kita terbiasa dengan kesulitan, itu terasa normal, dan sebaliknya kalau kita terbiasa dengan keadaan tanpa kesulitan, saat menghadapinya lagi ia terasa menekan dan aneh
Karena itu aku pikir kemampuan menahan ketidaknyamanan dan tingkat kesulitan adalah otot yang harus dijaga
Itu baru benar-benar jadi masalah saat pindah kerja dan harus menulis kode untuk wawancara di platform tanpa pemeriksa sintaks atau autocomplete, jadi aku berlatih dulu di lingkungan seperti itu
Dalam pekerjaan nyata, ketergantungan pada autocomplete sintaks tidak pernah jadi masalah besar, dan yang penting justru konsep inti bahasa serta pemahaman runtime
Misalnya bagaimana event loop di Node.js bekerja, dan bagaimana menulis program async dan event-driven, itu jauh lebih penting
Selama 6 bulan terakhir, bisa dibilang hampir tidak ada kode yang kuterapkan yang pernah kubaca sendiri bahkan satu baris pun
Tapi bekerja seperti itu jauh lebih melelahkan
Saat coding dengan tangan, proses memecahkan masalah terasa seperti puzzle, jadi setelah selesai ada loop kepuasan dan hadiah dopamin
Sekarang sebagian besar hariku terasa bukan seperti pemecah puzzle, melainkan seperti petugas QA, dan itu sangat menguras tenaga
Meski AI menyelesaikan masalah sulit untukku, kepuasan dari mesin slot LLM jauh lebih lemah dibanding saat aku menyelesaikannya sendiri
Dua hari sisanya aku tidak memakai bantuan coding, dan hanya memintanya melakukan review setelah pekerjaannya selesai
Menurutku cara ini bagus untuk menjaga kesehatan mental sekaligus mempertahankan ketajaman kemampuan
Bahkan untuk bahasa yang cukup kuasai pun, bagian-bagian mekanisnya cepat kabur
Karena itu, pekerjaan dengan bantuan LLM terasa seperti menuangkan pemutih ke otakku
Aku bisa merasakan sendiri bahwa makin sering kupakai, makin buruk efeknya bagiku
Kemampuan menyusun kebutuhan dan memecahkan masalah masih cukup baik, tetapi bagian nuts and bolts yang konkret cepat sekali menguap
Kalimat uang bukan kendalanya. pengetahuanlah kendalanya terdengar ironis
Soalnya tulisannya sendiri terlalu terasa seperti gaya tulisan AI, jadi sulit dibaca
Alurnya tidak alami, terputus-putus, dan penuh kebiasaan bicara khas LLM
Kemampuan menulis juga pada akhirnya adalah keterampilan yang bisa mengalami kemunduran
Aku paham memakai AI demi kefasihan bahasa, tetapi menurutku terjemahan AI masih lebih baik daripada tulisan yang benar-benar dihasilkan AI
Kalau bahkan tidak cukup peduli untuk menulisnya sendiri, aku juga tidak begitu melihat alasan kenapa aku harus membacanya
Bagiku kode dan prosa pada dasarnya tidak jauh berbeda
Keduanya terdiri dari keyword, tata bahasa, sintaks, dan kombinasi yang bermakna
Jika kalimat buatan AI dianggap tidak bermakna atau sulit dibaca, maka dengan logika yang sama kode buatan AI juga seharusnya sulit dibaca dan sulit dipercaya
Kuharap standar ganda ini dihentikan
Bahkan menurutku jauh lebih baik daripada sampah tulisan AI yang di HN kadang begitu saja dipuji semua orang
Jadi sebagian ciri yang orang anggap khas LLM mungkin sebenarnya adalah gaya yang dulu dipakai manusia, lalu sekarang terus diulang lagi oleh tangan manusia sendiri
Aku tiap hari melihat beberapa tulisan buatan AI di bagian atas hasil pencarian web dan langsung melewatinya, tetapi tulisan ini tampak cukup berbeda dari jenis seperti itu
Aku sulit percaya bahwa perusahaan benar-benar bisa menilai tingkat karier developer dengan tepat
Pembagian seperti junior, mid, senior, atau lead hanyalah tampilan luar; kenyataannya itu spektrum kontinu di banyak sumbu dan mudah terdistorsi oleh tren teknologi
Secara ketat, menurutku seseorang tetap bisa menjadi developer tingkat senior meski tidak dipekerjakan perusahaan
Pada akhirnya yang penting adalah kemauan untuk belajar dan membuat sesuatu sendiri serta waktu yang diinvestasikan
Yang benar-benar diinginkan perusahaan sekarang tampaknya bukan kemampuan mengembangkan software, melainkan pengalaman bagaimana menyiasati struktur organisasi yang rusak serta komunikasi dan anggaran yang berantakan
Entah itu berarti senior, atau cuma berarti mahir berpolitik
Pola seperti ini особенно terlihat saat software gagal dan ilusi itu pecah
Jenis pertama adalah orang yang ketika diberi masalah akan belajar sendiri apa yang dibutuhkan, menggali bagian yang belum dipahami, berulang kali menghasilkan hasil yang bermakna, berkomunikasi dengan orang yang perlu diajak bicara, membagikan perkembangan, saling membantu dalam tim, dan bahkan mengisi kekosongan sebelum diminta
Sisanya ya sisanya
Dalam beberapa tahun pertama karier biasanya sudah cukup terlihat seseorang masuk kelompok mana, dan hampir mustahil mengubah kelompok kedua menjadi kelompok pertama
Karena itu bahkan orang dengan pengalaman 30 tahun sebagai senior bisa saja termasuk kelompok kedua, sementara lulusan baru pun bisa masuk kelompok pertama
Tentu ada juga orang yang sangat mahir dalam politik, relasi antarmanusia, atau pencitraan sehingga di mata manajemen tampak seperti kelompok pertama padahal sebenarnya kelompok kedua
Tapi itu bukan lagi soal kemampuan membuat software
Dan bahkan orang dari kelompok pertama pun bisa saja diremehkan atau gagal naik jabatan, jadi korelasinya dengan kesuksesan karier nyata pun tidak terlalu besar
Orang memang bisa menempelkan label apa pun pada dirinya sendiri, tetapi rasanya agak aneh
Freelancer dinilai dari portofolio, ilmuwan komputer di akademia dari paper, dan kontributor OSS dari jumlah serta dampak kontribusinya
Dalam semua kasus itu, hasil akhirnya tetap sebanding dengan usaha yang dicurahkan untuk belajar dan membangun
Namun terlepas dari status kerja, keahlian profesional tidak ditentukan hanya oleh hal-hal yang bisa dipelajari dari buku
Mengelola stakeholder atau mempresentasikan solusi bukan sesuatu yang mudah dikuasai hanya dengan membaca; itu butuh latihan dan umpan balik nyata
Insinyur senior bukan hanya orang yang bisa menulis kode dengan baik, tetapi orang yang bisa berkontribusi sendiri di seluruh SDLC dan juga membantu orang lain, dan kemampuan seperti itu jauh lebih mudah dibangun di lingkungan profesional daripada dalam proyek amatir
Dan itu biasanya memang membutuhkan keterampilan sosial dan organisasi; suka atau tidak, dunia memang berjalan seperti itu
Pada saat yang sama, aku juga ingin sebisa mungkin tidak tahu soal hal-hal seperti ini
Aku tidak ingin membongkar isi kepalaku hanya untuk menyesuaikan diri demi seseorang, dan bekerja di tengah masalah seperti ini terasa seperti penderitaan murni
Ini mirip seperti bertanya apakah ahli bedah yang tidak pernah dipekerjakan bisa menjadi senior surgeon
Sulit menjadi senior tanpa beberapa tahun benar-benar melakukannya sebagai profesi, dan di bidang ini pengalaman hampir segalanya
Buku saja tidak cukup untuk menanamkan pemahaman yang dibutuhkan, dan manusia tidak cukup menginternalisasi sesuatu hanya dengan membaca atau melihat
Harus dijalani langsung agar pembelajaran yang sesungguhnya terjadi
Fakta dan teknik memang bisa dipelajari dari buku, tetapi membaca buku tentang restoran mewah tidak otomatis membuat seseorang menjadi Michelin Chef
AI code generator terasa seperti troll
Ia dengan percaya diri mengeluarkan hal-hal yang tampak masuk akal tetapi sebagian salah, dan pada akhirnya manusialah yang harus menangkap kesalahan itu
Ini tidak menyenangkan dan tidak memberi flow
Aku suka memperbaiki kesalahan buatan orang lain, dan terutama suka sensasi mengalahkan LLM
Daripada kondisi flow tradisional, aku malah bisa fokus lebih lama sambil mengawasi LLM dengan obsesif
Di situ tidak ada logika, hanya pengulangan pola, dan aku tidak paham kenapa para insinyur cerdas bisa tertipu olehnya
Agak ironis juga bahwa tulisan ini sendiri tampaknya cukup jelas dibantu AI
Bukannya aku mengkritik bantuan AI itu sendiri, tetapi saat disejajarkan dengan tema tulisannya, ini memang memancing pikiran
Orang tampaknya memakainya untuk "merapikan" tulisan, padahal sebenarnya kemungkinan besar tulisan itu lebih enak dibaca sebelum dipoles
Yang paling menggangguku belakangan ini adalah kalimat yang berlebihan memakai titik alih-alih koma
My people lived the other side of this equation. Not the factory floor. The receiving end.Sepertinya ditujukan untuk memberi bobot, tetapi dipakai bahkan di tempat yang tidak perlu, jadi rasanya seperti membaca dialog trailer film aksi
Secara etis bukan berarti penggunaan AI itu sendiri bermasalah, tetapi gaya LLM terasa sangat mengganggu
Ditambah lagi orang terus memakainya untuk menambahkan volume dan filler yang tidak perlu ke teks, jadi sekarang kita harus menerobos halaman demi halaman tulisan seperti itu
Yang lebih buruk, sekarang sulit membedakan apakah suatu tulisan setidaknya bertumpu pada wawasan baru manusia, atau sepenuhnya hanya hasil prompt seperti write me something about X
Pada level sekarang, kalau itu yang kedua, menurutku tidak berlebihan mengatakan bahwa nilainya untuk dibaca hampir tidak ada
Bagiku rasanya seperti pendeta yang mengutuk homoseksualitas lalu ketahuan di ranjang dengan pekerja seks pria
Soal apakah dia juga pakai kokain itu opsional, tapi bagaimanapun tetap meninggalkan rasa pahit
Teks ini tidak banyak menunjukkan jejak AI klise yang biasa disebut orang, dan menurutku yang paling mirip ciri khas LLM hanyalah struktur kalimat yang pendek dan tegas
Padahal gaya seperti itu juga sudah lama dianggap sebagai gaya menulis yang cukup berwibawa di dunia berbahasa Inggris sejak Hemingway
Dulu sebelum AI, bukankah yang dianggap alternatif lebih murah justru tim developer kontrak jarak jauh dari Eropa Timur?
Dari awal saja jumlah orangnya tidak cukup
Dan di sini pun, 15 derajat di sebelah timur Tokyo, akhirnya semua orang tetap kena PHK bersama-sama
Rencana nyatanya tampaknya lebih seperti lakukan lebih sedikit saja untuk segala hal yang bukan AI, dan semua orang hanya saling menunggu siapa yang akan mulai PHK duluan
Aku sempat bekerja paruh waktu selama 6 bulan, dan para pengambil keputusan jelas mengatakan bahwa dalam jangka panjang ini lebih baik
Memang lebih baik daripada PHK, tetapi hidup seperti itu tidak mungkin ditahan terus
Aku memang hidup hemat, tapi tidak sehebat itu juga
Mereka benar-benar tidak suka mengeluarkan uang, dan terutama makin tidak suka membayar untuk orang Amerika dan asuransi kesehatan
Aneh rasanya melihat perusahaan-perusahaan Amerika melaju begitu cepat mendorong warga Amerika keluar dari pekerjaan tanpa banyak hambatan
Sebagai orang Eropa, aku memang melihat developer Eropa Timur, tetapi mereka tidak ada di semua perusahaan tempatku bekerja
Sebaliknya, tenaga kerja India selalu ada
Dari sisi kualitas, ceritanya selalu mirip, dan aku tidak akan menjelaskannya panjang lebar, tetapi siapa pun yang siap menerimanya mungkin sudah tahu maksudku
Jika melihat dari kelas Formal verification in software pertama yang kudengar di akhir 80-an sampai kelas Programming in Java yang kuserahkan ke mahasiswa baru sebelum aku pergi di awal 2000-an, rasanya ketelitian akademik runtuh seperti jatuh dari tebing lalu digantikan oleh penyelarasan ke dunia kerja
Dulu yang diajarkan lebih dekat pada cara berpikir, belakangan berubah menjadi cara mendapatkan pekerjaan bergaji bagus
Karena perusahaan tidak lagi mau melatih pegawai baru sendiri
Gaji peserta pelatihan dan biaya orang yang mengajar semuanya butuh uang, jadi biaya itu dipindahkan ke universitas, mahasiswa, dan pemerintah melalui syarat gelar
Aneh rasanya bahwa kalau perusahaan menyuruh karyawan membayar biaya pelatihan sebagai syarat kerja itu tercium seperti penipuan, tetapi sistem degree mill justru lolos begitu saja
Manusia memang tidak sempurna
Saat pergi ke Ukraina beberapa hari sebelum invasi Rusia, perjalanan dan hotel di Kyiv sangat murah, dan ketika kutanya warga lokal tentang kemungkinan invasi, mereka semua bilang itu tidak akan terjadi
Responsnya seperti, Rusia memang selalu bicara agresif, tapi tidak benar-benar melakukan itu
Persiapannya tidak cukup, dan akibatnya dalam beberapa hari mereka kehilangan 20% wilayah
Setelah kembali ke Austria, aku terus dihantui pikiran bahwa sebagian orang yang kutemui mungkin telah tewas
Setelah itu, saat menjadi pengusaha dan engineer di Dubai dan Saudi Arabia, aku bertanya apa yang akan mereka lakukan kalau drone menyerang infrastruktur; jika melihat perang Rusia dan serangan pertama Iran, ancaman seperti itu jelas bisa diperkirakan
Tapi sekali lagi aku mendapat jawaban itu tidak akan terjadi
Karena tidak benar-benar bersiap, mereka kehilangan puluhan miliar dolar, padahal menurutku kalau saja menghabiskan ratusan juta dolar selama beberapa tahun, itu bisa dicegah
Jadi pada akhirnya masalahnya bukan AI, melainkan manusia
Kalau tidak ada persiapan, menurutku sekarang juru bicara pihak Rusia mungkin sudah duduk di Kyiv
Karena mereka bertahan selama dua minggu pertama, perang berubah menjadi perang jangka panjang, dan perang di Donbas sendiri sudah berjalan 8 tahun
Sulit mengatakan bahwa rakyat Ukraina hidup dalam ilusi bahwa lawannya bukan Rusia
Kadang kalau ditelusuri, mereka punya teman yang harus mendapatkan kontrak itu, lalu mereka menjual ketakutan seolah jika lawan menyerang maka keluarga orang akan langsung mati
Yang kamu lakukan hanyalah mengambil dua contoh ketika seseorang berkata itu pasti tidak akan terjadi tetapi ternyata terjadi
Lalu bagaimana dengan sekian banyak kasus lain ketika orang mengatakan hal yang sama dan memang tidak terjadi apa-apa?
Jika aku bilang ke jutaan orang yang membeli lotre bahwa mereka tidak akan menang, maka hampir semuanya akan menerima prediksi yang benar
Fakta bahwa satu orang benar-benar menang tidak berarti prediksiku salah; itu bisa saja hanya reporting bias
Tidak semua orang yakin Putin akan sebodoh itu, tetapi militer Ukraina sangat sibuk menyiapkan garis pertahanan, cadangan, dan taktik bertahan jika hal terburuk benar-benar terjadi
Makin hari rasanya Peter Naur dan programming as theory building makin penting
Tautan: https://gwern.net/doc/cs/algorithm/1985-naur.pdf
Sangat layak direkomendasikan untuk dibaca