Rekayasa Probabilistik dan Karyawan 24/7

• Pengembangan perangkat lunak diam-diam sedang beralih dari sistem deterministik ke sistem probabilistik, dan di era ketika agen AI menghasilkan, meninjau, dan menggabungkan kode sepanjang malam, peran developer dan struktur organisasi sedang berubah secara mendasar
• Di dalam tim AI-native, peran bergerak naik ke level yang lebih tinggi sekaligus terfragmentasi ke level yang lebih rendah, dengan risiko bahwa pekerjaan sederhana mengelola output agen akan mengeras menjadi kategori kerja bergaji rendah yang baru
• Saat biaya pembuatan kode mendekati nol, seperti paradoks Jevons, volume produksi kode meledak, tetapi tantangan utamanya adalah asimetri bahwa pembuatan menjadi murah sementara verifikasi tidak ikut menjadi murah
• Engineer junior yang sejak awal mengandalkan AI kini menghasilkan kode yang sudah polished, sehingga krisis pelatihan dalam debugging, judgment, dan craftsmanship sudah menjadi kenyataan
• Karena model saat ini adalah model terlemah dibanding model-model yang akan dipakai di masa depan, organisasi harus membangun sistem yang siap untuk model masa depan yang belum dirilis, bukan hanya untuk kemampuan saat ini

---

Pergeseran ke Rekayasa Probabilistik

• Selama beberapa dekade, industri perangkat lunak dibangun di atas kontrak deterministik — tulis kode, uji, rilis, lalu ada jaminan bahwa ia akan berjalan
• Kontrak ini sedang runtuh, dan di kalangan operator teratas perusahaan AI-native, codebase berubah menjadi sesuatu yang "kita percaya bekerja", dalam kondisi ketika probabilitas yang tepat tak lagi bisa dinyatakan
• Pemicu kesadaran ini datang dari pengalaman membangun side project bernama Compound Loop — sistem yang mempertemukan beberapa frontier model satu sama lain untuk menulis, meninjau, dan menggabungkan kode secara otonom
  • Menjalankan sistem ini pada masalah nyata sebelum tidur berarti pada pagi hari pekerjaan yang muncul adalah men-triage tumpukan PR yang tadi malam belum ada
  • Sebagiannya sangat bagus, sebagiannya penuh kesalahan, dan sebagiannya memunculkan pertanyaan yang bahkan tidak diajukan
• Untuk pertama kalinya dalam sejarah kerja pengetahuan, orang yang pulang kerja tidak lagi membawa satu-satunya salinan otak bersamanya
• Konsep 9-9-6 pada dasarnya sudah mati; karyawan 24/7 bukan berarti seseorang bekerja 24 jam, melainkan agen yang bekerja dalam paralelisasi skala besar
• Pada 2026, kebanyakan tim masih mengalami bottleneck bukan pada pengetikan, tetapi pada koordinasi, dan restrukturisasi organisasi masih berada pada tahap awal

Fragmentasi Peran — Naik dan Turun Terjadi Bersamaan

• Di dalam tim AI-native, polanya jauh lebih kompleks daripada narasi rapi bahwa "semua orang naik level"
• Pergerakan ke atas: engineer terbaik menjadi PM yang lebih efektif, PM terbaik menjadi arsitek sistem, dan arsitek terbaik bergerak ke arah memikirkan distribusi, pertumbuhan, dan struktur pasar
  • Bagi kelompok ini, ini adalah lingkungan kerja dengan leverage tertinggi dalam sejarah
• Fragmentasi ke bawah: pada saat yang sama, banyak engineer tidak berubah menjadi arsitek, tetapi menjadi penulis spesifikasi, reviewer, dan babysitter agen
  • Perannya adalah menerjemahkan niat menjadi prompt yang bisa dibaca mesin, serta memberi penilaian atas pekerjaan mesin menurut standar yang bahkan tidak sepenuhnya mereka kuasai
  • Sebagian pekerjaan ini penting, tetapi sebagian lagi hanyalah versi 2026 dari data entry yang dibungkus dengan istilah baru
• Peran-peran yang terfragmentasi ini kemungkinan berarti gaji lebih rendah, penilaian nilai lebih rendah, dan dalam banyak kasus menjadi jalan buntu karier
• Kesenjangan gaji antara sepertiga teratas yang mampu mengoperasikan armada agen secara efektif dan lapisan tengah yang hanya mengelola output akan lebih besar daripada kesenjangan gaji engineer-sales di era sebelumnya
• Dalam infrastruktur AI, kinerja kernel, desain compiler, dan abstraksi hardware tetap menjadi moat yang bisa dipertahankan — pada level terbawah system engineering, presisi deterministik yang tinggi masih dibutuhkan

Paradoks Jevons — Versi Kode

• Pada 1865, ekonom William Stanley Jevons mengamati bahwa mesin uap yang lebih efisien tidak mengurangi konsumsi batu bara, tetapi justru meningkatkannya — efisiensi memperluas cakupan hal-hal yang layak dibangun dengan mesin
• Saat biaya per unit penulisan kode mendekati nol, perangkat lunak mengalami hal yang sama — bukan menulis lebih sedikit, tetapi menulis jauh lebih banyak dan merilis jauh lebih banyak
• Perusahaan yang percaya scaling law tidak memiliki batas sedang membangun sesuai asumsi itu, dan mereka akan menjadi pemenang dalam distribusi power law
• Fenomena yang sudah terjadi di lapangan:
  • Agen membuka PR, meninjau pekerjaan satu sama lain, lalu menutupnya tanpa manusia menyentuh keyboard
  • Test suite yang self-healing menulis ulang dirinya sendiri saat kode dasar berubah
  • Loop eksperimen otonom menjalankan, mengukur, dan membongkar 100 hipotesis sementara tim dulu hanya sempat menjalankan 3
  • Dokumentasi diperbarui otomatis saat merge dan memanfaatkan skill AI yang melakukan perbaikan diri
• Tim yang direstrukturisasi dengan pusat pada agen mencapai output 3x, 5x, 10x dibanding setahun lalu, dan kurvanya belum mendatar, tetapi terus naik
• Pelajaran kedua dari Jevons: ketika suplai meledak, seleksi menjadi inti persoalan
  • Operator yang mengarahkan armada agen ke masalah yang tepat, memfilter output yang bernilai, dan menyatukan hasil menjadi sesuatu yang koheren sedang melakukan pekerjaan dengan leverage tertinggi dalam software saat ini
  • Nilai kerja tak lagi ditentukan oleh upaya produksi, melainkan oleh penentuan arah, seleksi, dan koherensi

Dari Rekayasa Deterministik ke Rekayasa Probabilistik

• Rekayasa deterministik adalah kontrak yang mendominasi sebagian besar sejarah perangkat lunak — jika kode ditulis, diuji, dan direview, perilakunya bisa dipahami dalam batas yang cukup jelas, dan bug adalah sesuatu yang bisa direproduksi
• Rekayasa probabilistik sudah hadir di frontier team — sebagian besar codebase dihasilkan oleh sistem probabilistik, direview di bawah tekanan waktu, lalu diintegrasikan ke dalam keseluruhan yang tidak pernah dirancang oleh satu manusia tunggal
• Asimetri kuncinya: pembuatan menjadi murah, tetapi verifikasi tidak
  • Agen bisa menghasilkan PR 500 baris dalam satu menit, tetapi untuk menangkap bug halus seperti masalah konkurensi, salah tafsir spesifikasi, atau implementasi yang melenceng dari niat, engineer senior bisa butuh lebih dari 1 jam
  • Review menskalakan lebih lambat daripada pembuatan, dan terhadap volume output ia menskalakan lebih buruk daripada linear — makin banyak codebase ditulis agen, makin besar konteks yang dibutuhkan untuk menilai tiap bagiannya
• Setelah melewati skala tertentu, sistem menghasilkan lebih banyak daripada yang bisa dievaluasi manusia secara andal, dan akurasi pun berubah menjadi probabilistik
• Contoh konkretnya: race condition yang lolos test suite 9 dari 10 kali, fitur yang sempurna di staging tetapi gagal pada distribusi prompt yang tak terduga, atau migration yang diam-diam merusak 1 baris dari 10.000 dan baru ditemukan 3 minggu kemudian
• Proximal dan Modular telah merilis riset bersama tentang pengujian tugas dasar sistem agen frontier, dan pola kegagalan yang terdokumentasi berkorespondensi langsung dengan fenomena ini
• Failure mode-nya bukan keruntuhan dramatis, tetapi degradasi yang lambat dan senyap — pembuatan meningkat, kualitas review turun, cacat tak terlihat menumpuk, dan kepercayaan terkikis diam-diam sampai pelanggan, audit, atau insiden produksi mengungkap masalahnya
• Alat untuk benar-benar menyelesaikan masalah ini belum ada — respons kultural seperti merge kecil, gate ketat, skeptisisme tanpa ampun terhadap output yang terlihat polished, observability, dan disiplin rollback membantu, tetapi budaya tidak bisa diskalakan setelah ukuran tim melewati batas tertentu
• Siapa pun yang memecahkan masalah ini akan mendefinisikan operating system bagi pengembangan software serius selama 10 tahun ke depan

Perbedaan Kecepatan Transisi antar Industri

• Pergeseran dari rekayasa deterministik ke probabilistik tidak terjadi secara merata, tetapi berlapis menurut industri dan profil risiko

• Lapisan deterministik

  • Domain dengan regulasi tinggi dan berisiko tinggi seperti avionik, perangkat medis, infrastruktur transaksi finansial, sistem kontrol nuklir, dan inti jaringan pembayaran
  • Dukungan agen diadopsi dengan hati-hati di balik verifikasi formal, simulasi ekstensif, dan rantai tanda tangan manusia
  • Ini bukan kegagalan imajinasi, tetapi penilaian yang tepat terhadap tingkat risiko

• Lapisan probabilistik

  • Software konsumen, tool internal, sistem pemasaran, sebagian besar SaaS, infrastruktur konten, dan produk eksperimental atau tahap awal
  • Biaya bug masih pada tingkat rollback, permintaan maaf, dan hotfix, tetapi sebagai gantinya mereka mendapat kecepatan iterasi yang secara struktural tak bisa dikejar dunia deterministik
  • Tim probabilistik bisa belajar 10x lebih banyak per kuartal daripada pesaing deterministik

• Zona Konvergensi (Convergence Zone)

  • Saat model makin pintar dan harness makin baik, frontier dari area yang "cukup aman dilakukan secara probabilistik" terus bergeser
  • Metode probabilistik mulai meresap 10% demi 10% dari bawah ke domain yang saat ini tampak deterministik, seperti sebagian asuransi, healthcare, dan infrastruktur enterprise
  • Pemimpin rekayasa probabilistik sedang membangun kembali guardrail deterministik — pemeriksaan formal, critical path yang tervalidasi, dan sistem hibrida di mana pembuatan probabilistik dibatasi oleh verifikasi deterministik
• Pemenang 10 tahun ke depan adalah tim yang tahu mereka berada di lapisan mana, menolak godaan untuk berpura-pura berada di lapisan lain, dan menetapkan batas secara presisi di dalam stack mereka sendiri

Armada Agen (Agentic Fleet)

• "Shift pabrik" bukan metafora yang tepat — buruh pabrik adalah sistem yang diotomatisasi, tetapi subjek saat ini bukan itu
• Metafora yang tepat adalah armada agen — meskipun tingkat keteraturan, hierarki, dan reliabilitas yang tersirat dalam kata "armada" masih belum dimiliki kenyataan
  • Dalam praktiknya, yang dijalankan kebanyakan operator lebih mirip gerombolan kontraktor rapuh daripada angkatan laut yang terlatih baik
  • Kapabilitas agen tidak merata, perilakunya probabilistik, kadang salah dengan penuh keyakinan, dan biaya eksekusinya tinggi pada skala besar
  • Layer orkestrasi rusak, context window meledak, dan biaya inferensi muncul dalam tagihan yang tidak ingin diperlihatkan kepada dewan direksi
• Meski begitu, konsep armada tetap valid: komposisi (agen berbeda untuk tugas berbeda), koordinasi (handoff, dependensi, eskalasi), struktur komando (menentukan misi, aturan engagement, review hasil), dan kerja shift (saat komandan tidur, mereka tetap bekerja dalam batas instruksi lalu melapor di pagi hari)
• Definisi armada yang baik bukanlah jumlah output, melainkan konsistensi hasil produksi
• Bentuk kerja baru:
  • Pagi hari untuk triage dan merge
  • Di tengah hari, pekerjaan manusia dengan leverage tinggi — percakapan dengan pelanggan, strategi, keputusan produk, penulisan spesifikasi untuk mendorong eksekusi malam hari
  • Sore hari untuk review dan pengalihan arah saat agen pertama mulai kembali
  • Di akhir hari, sesuatu yang tidak dilakukan generasi sebelumnya — handoff — memasukkan pekerjaan ke antrean dan menyerahkan spesifikasi kepada armada agen untuk dicoba semalaman; sebagian akan salah, sebagian akan cemerlang, dan membedakan keduanya adalah pekerjaan yang hanya bisa dilakukan manusia

Bangun untuk Model yang Belum Dirilis

• Poin yang ditekankan secara konsisten dalam beberapa tahun terakhir: model yang Anda gunakan hari ini adalah model paling bodoh di antara model yang akan Anda gunakan nanti
• Namun, tidak ada jaminan bahwa pertumbuhan kapabilitas akan mulus — biaya, latensi, reliabilitas, dan batas scaling bisa membuat kurvanya jauh lebih rumit
• Meski begitu, taruhan arah ini didukung kuat oleh apa yang terlihat di layer infrastruktur: kapabilitas frontier dalam 6~12 bulan ke depan akan secara bermakna melampaui hari ini, dan jarak antara model terbaik saat ini dengan model terbaik setahun lagi kemungkinan lebih besar daripada jarak antara tahun lalu dan tahun ini
• Implikasi strategisnya: organisasi harus membangun kapabilitas untuk memanfaatkan model yang belum mereka miliki, bukan hanya model saat ini
  • Cara menulis spesifikasi, budaya review, wiring observability, pengoperasian armada agen, dan ritual pelatihan untuk menjaga skill junior — semua ini bukan scaffolding untuk kapabilitas 2026, melainkan scaffolding untuk 2027~2028
• Perusahaan yang membangun scaffolding ini sekarang akan menyerap lompatan kapabilitas berikutnya sebagai leverage, sedangkan perusahaan yang menunggu sampai tool matang akan menghabiskan tahun pertama hanya untuk mempelajari apa yang sudah diketahui para early mover
• Dibutuhkan kemauan untuk berinvestasi berlebih pada spesifikasi, review, dan disiplin operasional melebihi yang dituntut model saat ini
• Ketidakrelevanan di era ini tidak mengumumkan dirinya sendiri — ia datang sebagai ketidakmampuan bertahap untuk mengejar tim yang setahun lalu belum tampak jauh lebih baik

Otot yang Akan Hilang

• Ada anggapan bahwa AI akan secara tegas melapiskan masyarakat atau justru secara luas mendemokratisasinya — padahal manusia sangat piawai dalam mengoptimalkan jalur dengan hambatan paling kecil
• Tesis utamanya: jika Anda tidak membangun langsung, Anda juga akan kehilangan kemampuan untuk menilai apa yang dibangun
• Ini sudah terjadi: engineer junior yang sejak minggu pertama bergantung pada AI bisa merilis cepat dan menghasilkan kode yang polished, tetapi ketika model gagal dengan cara yang tak diperkirakan, mereka tidak bisa menemukan bug-nya — karena mereka tidak pernah membangun model mental internal tentang sistem, sesuatu yang hanya terbentuk saat bergulat dengan stack trace untuk ke-100 kalinya pada pukul 2 pagi
• Taste tidak bisa dipelajari hanya dengan menekan tombol approve pada draft yang polished, judgment tidak berkembang jika Anda menerima jawaban mesin yang terdengar masuk akal dalam 5 detik alih-alih menghabiskan satu sore bersama masalah yang sulit, dan craftsmanship tidak diperoleh dengan mereview pekerjaan agen lain
• Inilah krisis pelatihan yang belum disadari kebanyakan organisasi
  • Model magang dalam software engineering (junior merilis hal kecil → senior mereview → junior menyerap taste lewat coretan tinta merah) sedang runtuh — junior kini merilis lewat agen, dan senior mereview output agen, bukan output manusia
  • Dari mana craftsmanship generasi berikutnya akan datang? Bagaimana melatih taste tanpa pengulangan? Bagaimana mentoring digantikan ketika mentee bahkan tidak menulis sendiri dari awal?
• Di kebanyakan organisasi tradisional, generasi engineer senior saat ini adalah kohort terakhir yang sepenuhnya dilatih dengan metodologi lama
• Respons yang seimbang: secara sengaja dan teratur, untuk sesuatu yang penting, kerjakan langsung dengan cara sulit tanpa armada — kebanyakan rekan Anda tidak akan menjaga otot itu, dan 10 tahun lagi itulah yang mungkin membuat perbedaan

Bagian yang Meresahkan

• Esai ini memang sengaja tidak berujung pada optimisme — berpura-pura perubahan tidak akan datang tidak akan menghentikannya
• Pekerjaan sudah berubah untuk selamanya, dan perubahan itu mengikuti kecepatan AI secara evolusioner dan bertahap
• Manusia akan merebut kembali siang hari untuk pekerjaan yang benar-benar membutuhkan manusia, dan mesin akan merebut kembali malam untuk pekerjaan yang sejak awal hanyalah kerja rutin
• Skenario yang mungkin terjadi dalam beberapa tahun ke depan:
  • Lapisan pekerja yang lelah oleh beban review
  • Lapisan peran yang terfragmentasi yang dibutuhkan sistem tetapi tidak dihargai
  • Generasi junior yang gagal mengembangkan craftsmanship yang saat ini dipakai senior untuk membuat judgment
  • Tim yang mengira volume output sama dengan kualitas kerja dan tidak menyadari jurangnya sampai insiden terjadi
  • Kesenjangan yang terus melebar antara organisasi yang membangun otot operasional untuk model berikutnya dan yang tidak
• Pesan intinya: bangun organisasi untuk model yang belum Anda miliki, sesekali bangun sendiri hal yang sulit agar Anda masih ingat caranya, kirim armada malam hari dan tidurlah dengan tenang sambil tahu pekerjaan terus berjalan — tetapi tetap sadar bahwa sebagian dari yang kembali mungkin salah dengan cara yang tak lagi Anda latih diri untuk bisa melihatnya
• Karyawan 24/7 bukanlah janji, melainkan realokasi dan taruhan pada masa depan rekayasa probabilistik — taruhan bahwa manusia di dalam loop akan tetap cukup tajam, jujur, dan terlatih sehingga layak tetap ada di dalam loop, dan bahwa organisasi di sekeliling manusia itu dibangun bukan untuk model hari ini, melainkan untuk model yang belum dirilis