Mengapa AI Belum Menggantikan Insinyur Perangkat Lunak, dan Mengapa Ke Depannya Pun Tidak Akan Bisa

 (normaltech.ai)
4 poin oleh GN⁺ 4 jam lalu | 1 komentar | Bagikan ke WhatsApp
  • Rekayasa perangkat lunak adalah salah satu profesi dengan adopsi AI yang cepat, tetapi narasi bahwa PHK massal akan terjadi begitu AI mencapai tingkat kemampuan tertentu saat ini tidak didukung oleh bukti
  • Dalam kasus Block, Snap, dan Intuit, AI memang muncul sebagai alasan PHK, tetapi latar belakang sebenarnya lebih terkait langsung dengan tekanan finansial, tuntutan penghematan biaya, dan pengurangan lapisan manajemen
  • Pengembangan perangkat lunak memiliki struktur sandwich keputusan-eksekusi-pengiriman, dan AI memang memampatkan lapisan eksekusi, tetapi lapisan yang menentukan apa yang harus dibuat serta memverifikasi dan bertanggung jawab atas hasilnya sangat resisten terhadap otomatisasi
  • “vibe coding” adalah pendekatan yang menyerahkan pekerjaan kepada agen tanpa pengawasan atau peninjauan, sedangkan insinyur sungguhan memakai agen dengan pendekatan agentic engineering di mana manusia tetap memegang kendali dan tanggung jawab
  • Jika AI menurunkan biaya produksi perangkat lunak, permintaan akan lebih banyak perangkat lunak bisa muncul; karier insinyur perorangan mungkin terguncang, tetapi permintaan total kemungkinan tetap kuat

Mengapa AI Belum Menggantikan Insinyur Perangkat Lunak, dan Mengapa Ke Depannya Pun Tidak Akan Bisa

  • Coding agents sebagai teknologi biasa

    • Kecemasan dan ketidakpastian tentang apakah AI akan menggantikan pekerjaan memang besar, tetapi untuk melihat persoalan ini kita perlu meninjau profesi rekayasa perangkat lunak, yang mengalami kemajuan kemampuan dan adopsi AI dengan cepat
    • Narasi bahwa PHK massal akan terjadi begitu kemampuan AI mencapai ambang tertentu dapat ditolak berdasarkan bukti yang cukup
    • Jika narasi PHK massal tidak berlaku bahkan di sektor yang hampir tidak memiliki hambatan regulasi, maka profesi lain kemungkinan memiliki bantalan yang lebih besar lagi
    • Pekerjaan pengetahuan dan pengembangan perangkat lunak dapat dilihat sebagai decide-execute-deliver sandwich, dan AI memang memampatkan lapisan eksekusi, tetapi lapisan keputusan dan pengiriman tidak otomatis terotomatisasi hanya karena kemampuan AI meningkat
    • Masa depan permintaan rekayasa perangkat lunak masih memungkinkan optimisme yang hati-hati, tetapi meskipun permintaan total sehat, karier insinyur secara individu bisa tetap tidak stabil

Kasus PHK massal akibat AI di bidang perangkat lunak lebih dekat ke pola khas “AI washing”

  • Kasus Block

    • Block mengumumkan PHK 4.000 karyawan pada Februari, dan Jack Dorsey mengatakan AI memungkinkan “tim yang lebih kecil dan lebih datar” sambil menyebut peningkatan kemampuan model pada akhir 2025
    • Laporan setelahnya menunjukkan gambaran lain: Block berada di bawah tekanan finansial yang kuat setelah melipatgandakan jumlah karyawan lebih dari tiga kali selama masa pandemi
    • Naoko Takeda, data scientist di tim Cash App, menulis bahwa Block memaksakan AI kepada semua orang tetapi peningkatan produktivitasnya sangat terbatas; ia menolak tawaran kenaikan retensi 75% dan memilih keluar
    • Karyawan lain yang diwawancarai memiliki persepsi yang sangat berbeda tentang apa yang sebenarnya bisa dilakukan AI di Block dan apakah Dorsey benar-benar memahami inti persoalannya
    • Aaron Levie menunjukkan bahwa para CEO mudah terjebak ilusi manfaat AI karena mereka bisa membuat prototipe cepat, tetapi tidak melihat 90% pekerjaan yang dibutuhkan untuk menjadikannya produk jadi

  • Kasus Snap

    • Snap memberhentikan sekitar 1.000 orang pada April, dan Evan Spiegel menyebut AI sebagai alasan utama dalam memo PHK
    • Spiegel mengatakan 65% kode baru dihasilkan oleh AI
    • PHK tersebut sebenarnya terjadi setelah kampanye investor aktivis yang menuntut penghematan biaya
    • Snap mencatat rugi bersih setiap tahun sejak IPO 2017, dan harga sahamnya turun lebih dari 30% pada 2026
    • Bentuk pengurangannya adalah memangkas 150 posisi lintas fungsi di divisi augmented reality, yang tidak cocok dengan pola pengurangan pekerjaan pemrograman atau pekerjaan yang paling terekspos AI secara menyeluruh bila AI memang penyebab utamanya

  • Kasus Intuit

    • Intuit mengumumkan pengurangan 3.000 orang pada Mei, bersamaan dengan kabar kontrak dengan Anthropic dan OpenAI
    • Media menghubungkannya dengan restrukturisasi berfokus AI, tetapi CEO membantah bahwa PHK itu terkait AI
    • Disebutkan bahwa target pengurangan adalah “peran yang membutuhkan banyak koordinasi” dan lapisan manajemen yang berlebihan
    • Kasus Block, Snap, dan Intuit menunjukkan bahwa AI kerap dipakai sebagai alasan permukaan untuk PHK, sementara kondisi organisasi dan struktur biaya yang sebenarnya menjadi latar belakang yang lebih langsung

  • AI washing adalah fenomena ekonomi yang lebih luas

    • Dalam setiap kisah PHK rekayasa perangkat lunak akibat AI yang ditinjau, muncul ketidaksesuaian narasi dengan pola yang sama
    • Sebanyak 59% manajer perekrutan di AS mengakui bahwa ketika menjelaskan pembekuan perekrutan atau PHK, lebih mudah diterima para pemangku kepentingan jika mereka menekankan AI ketimbang kendala finansial
    • J. P. Gownder dari Forrester mengatakan bahwa jika ditanya apakah perusahaan yang bersiap melakukan PHK karena AI sudah memiliki aplikasi AI yang matang dan tervalidasi, sembilan dari sepuluh tidak punya dan bahkan belum mulai
    • Dalam survei HBR terhadap lebih dari 1.000 eksekutif global, 21% mengatakan mereka telah melakukan pengurangan tenaga kerja besar-besaran karena “mengantisipasi” AI, dan 39% melakukan pengurangan preventif tingkat rendah atau menengah
    • Proporsi yang telah melakukan pengurangan tenaga kerja besar-besaran karena implementasi AI yang benar-benar nyata hanyalah 2%, menunjukkan adanya jurang besar antara pengurangan berbasis ekspektasi dan pengurangan berbasis implementasi aktual

  • Data WARN Act

    • WARN Act mewajibkan pengungkapan tertentu untuk penutupan fasilitas dan PHK massal yang memengaruhi lebih dari 100 pekerja
    • Negara bagian New York pada Maret 2025 menjadi negara bagian AS pertama yang menambahkan kotak centang pengungkapan AI pada formulir pengajuan WARN Act
    • Dalam tahun pertama, lebih dari 160 perusahaan mengajukan pemberitahuan WARN, tetapi tidak satu pun mencentang kotak AI
    • Hingga akhir Mei, berdasarkan konfirmasi Departemen Tenaga Kerja New York, hanya Nespresso yang memilih kotak centang tersebut
    • Jika dokumen pengajuan itu akurat, maka dari sekitar 25.000 pekerja yang terkena PHK di negara bagian New York selama periode tersebut, hanya 46 orang atau sekitar 0,2% yang terdampak AI

  • PHK adalah sinyal yang keliru untuk melihat efek produktivitas AI

    • Ada hasil riset yang menunjukkan bahwa efek produktivitas AI bekerja melalui perlambatan perekrutan ketimbang lewat memecat lebih banyak karyawan yang sudah ada
    • Jika karyawan lama di-PHK, perusahaan kehilangan pengetahuan tacit dan modal organisasi yang dibutuhkan untuk menggunakan AI secara efektif
    • PHK juga mahal dari sisi pesangon, turunnya moral, dan risiko harus merekrut ulang
    • Hanya dengan attrition alami, hasil yang sama bisa dicapai dalam beberapa tahun, sehingga PHK massal umumnya tidak diperlukan

  • Data tren ketenagakerjaan

    • Makalah para ekonom Federal Reserve merangkum bukti terkait dalam konteks AS
    • Lapangan kerja masih tumbuh, tetapi setelah ChatGPT pertumbuhannya sekitar 3 poin persentase per tahun lebih lambat daripada jalur kontrafaktual yang mungkin terjadi tanpa AI
    • Metodologi studi ini tidak menangkap pekerja mandiri, sehingga sebagian perlambatan pertumbuhan mungkin terserap ke kewirausahaan
    • Studi lain memberikan bukti bahwa AI mempermudah pendirian startup
    • Gambaran nyata bisa jadi lebih sehat daripada yang ditunjukkan studi Federal Reserve

  • Kehilangan pekerjaan terkait AI yang nyata, tetapi jenisnya berbeda

    • Kehilangan pekerjaan rekayasa perangkat lunak bisa terjadi bila AI mengurangi permintaan terhadap suatu produk
    • Chegg dan Stack Overflow disebut sebagai contoh ketika AI menurunkan permintaan untuk produk bantuan pekerjaan rumah atau bantuan teknis, dan kedua perusahaan itu sama-sama melakukan PHK
    • Dalam kasus ini, AI tidak langsung melakukan pekerjaan para pekerja, melainkan mengurangi kebutuhan atas pekerjaan tersebut
    • Dari 270 pekerjaan dalam sensus AS 1950, pekerjaan yang hilang karena otomatisasi hanya operator lift, tetapi ada banyak pekerjaan lain seperti operator telegraf yang menjadi tidak perlu karena teknologi baru
    • PHK di perusahaan yang menjual AI seperti IBM atau SAP lebih dekat ke restrukturisasi korporat biasa untuk memindahkan tenaga kerja dari fungsi lama ke lini produk yang tumbuh cepat, bukan penggantian pekerja secara langsung

Mengapa coding agents tidak berujung pada penggantian tenaga kerja: decide-execute-deliver sandwich

  • Persentase kode yang ditulis AI hampir tidak terkait dengan penggantian tenaga kerja

    • Sejumlah pemimpin teknologi menyajikan persentase kode yang ditulis AI bersamaan dengan PHK atau proyeksi penurunan pekerjaan di masa depan
    • Pendekatan ini memperkuat cara berpikir sederhana bahwa bila AI menulis semua kode, maka coder tidak lagi dibutuhkan
    • Namun persentase kode yang ditulis AI hampir tidak relevan sebagai metrik utama untuk menilai penggantian tenaga kerja
    • Menulis kode bukanlah bottleneck, dan di masa lalu pun bukan bottleneck

  • Menulis kode bukan bottleneck

    • Sebuah makalah 2019 yang merangkum riset sebelumnya menyimpulkan bahwa, tergantung studi, waktu yang dipakai developer untuk coding ternyata hanya 9% hingga 61%
    • Hasil ini juga sejalan dengan data internal Microsoft dari 6.000 developer
    • Setelah adopsi coding agents mulai berjalan, berbagai tulisan pada akhir 2025 juga menegaskan bahwa menulis kode bukan bottleneck
    • Para developer menyadari bahwa bahkan jika agen menulis sebagian besar kode, dampaknya terhadap produktivitas total tetap kecil

  • Tiga bottleneck yang sebenarnya

    • Bottleneck yang sebenarnya adalah memutuskan apa yang harus dibuat dan bagaimana menspesifikasikannya
    • Memverifikasi hasil yang dikirim dan bertanggung jawab atasnya juga merupakan bottleneck utama
    • Pemahaman manusia yang mendalam tentang codebase, bisnis, dan lingkungan dibutuhkan baik untuk keputusan maupun pengiriman
    • Pekerjaan insinyur perangkat lunak adalah sandwich keputusan-eksekusi-pengiriman, dan pemahaman adalah prasyarat bagi ketiga lapisan itu
    • AI telah memampatkan bagian tengah sandwich, tetapi kedua ujungnya sebagian besar tetap utuh

  • Bukti “Writing Code vs. Shipping Code”

    • Writing Code vs. Shipping Code menganalisis efek produktivitas AI pada 100.000 developer GitHub
    • Agen AI meningkatkan jumlah baris kode yang ditulis hingga 8 kali lipat, selaras dengan penjelasan bahwa lapisan eksekusi sangat terkompresi
    • Namun peningkatan rilis hanya 30%, yang dengan kuat mengisyaratkan bahwa bottleneck manusia pada lapisan keputusan dan pengiriman masih tetap ada

  • Lapisan keputusan sulit makin ditipiskan

    • Tim pengembangan harus memutuskan apa yang akan dibuat
    • Salah satu pelajaran penting yang dipelajari insinyur perangkat lunak junior adalah bahwa spesifikasi kebutuhan memakan waktu lebih lama daripada yang dibayangkan
    • Jika tahap spesifikasi kebutuhan dipadatkan, rasa sakit yang lebih besar akan muncul pada tahap-tahap berikutnya
    • Lapisan ini sulit diotomatisasi karena harus mempertimbangkan kebutuhan pengguna, sinyal pasar, prioritas organisasi, dan dalam beberapa kasus batasan regulasi
    • Jika kemampuan AI meningkat, jenis keputusan yang bisa didelegasikan ke AI memang bertambah, tetapi keputusan yang bisa didelegasikan tidak lagi menjadi sumber keunggulan kompetitif
    • Nilai pengambilan keputusan manusia akan bergeser ke tingkat yang lebih tinggi, dan karena kompleksitas perangkat lunak meningkat seiring waktu, proses ini tidak memiliki batas atas yang jelas

  • Lapisan pengiriman tetap ada karena tanggung jawab dan verifikasi

    • Tim manusia harus bertanggung jawab atas hasil yang mereka kirimkan
    • Pada suatu titik di masa depan, mungkin saja tim menerapkan kode mission-critical yang belum cukup mereka uji dan pahami
    • Saat ini AI masih sangat tidak stabil, sehingga cara kerja semrawut semacam itu menjadi ancaman eksistensial bagi tim perangkat lunak dan pelanggan
    • Sekalipun hambatan teknis lenyap, manusia tidak harus menyerahkan kendali kepada AI
    • Melalui norma bersama, hukum, dan kebijakan, kita bisa memilih untuk mempertahankan tanggung jawab manusia
    • Hukum pertanggungjawaban dan regulasi sektoral sudah berfungsi sebagai hambatan kecepatan, dan bisa diperkuat lagi

  • Insinyur perangkat lunak masa depan akan lebih mirip operator crane

    • Semakin banyak lapisan eksekusi didelegasikan ke AI, semakin peran insinyur perangkat lunak mirip operator crane
    • Agen AI melakukan sebagian besar pekerjaan kognitif yang berat, dan tugas inti manusia menjadi mengawasi serta mengendalikan agen
    • Sebagian orang berargumen bahwa masa depan yang dikendalikan manusia tidak akan layak secara biaya
    • Kasus coding agents yang kurang diawasi sampai menghapus database produksi atau menimbulkan kerusakan lain sudah beberapa kali menjadi viral
    • Kasus semacam itu bukan norma baru, melainkan insiden pengecualian yang menyebar justru karena mengejutkan, sekaligus menjadi pembelajaran untuk mewaspadai ketergantungan berlebihan pada AI
    • Mendeteksi apakah penggunaan AI tanpa pengawasan meningkat dalam pekerjaan berisiko tinggi merupakan kekosongan data penting, bukan hanya untuk rekayasa perangkat lunak tetapi juga ekonomi secara luas

  • Penyusutan pemrograman bukan fenomena AI semata

    • Tren sandwich yang makin tertekan ini memang baru dalam intensitasnya, tetapi bukan semata akibat AI
    • Sejak lebih dari 20 tahun lalu, Bureau of Labor Statistics mulai melacak pemrograman dan rekayasa perangkat lunak secara terpisah
    • Kurang lebih, programmer menangani eksekusi saja, sementara insinyur perangkat lunak mengelola bagian sandwich yang lebih besar
    • Pemrograman menyusut, dan karena dipandang sebagai pekerjaan eksekusi sederhana, kompensasinya juga jauh lebih rendah
    • AI mempercepat tren lama ini dengan makin menurunkan nilai kemampuan eksekusi teknis murni
    • Pola di mana manusia sangat terlibat di dua ujung, keputusan dan pengiriman, sementara AI mengotomatisasi lapisan eksekusi di tengah kemungkinan berlaku luas di seluruh pekerjaan pengetahuan

Vibe coding bukan agentic engineering

  • Kebingungan istilah

    • Istilah “vibe coding” sering dipakai secara longgar untuk menyebut rentang praktik yang luas, sehingga menimbulkan kebingungan tentang perubahan dalam rekayasa perangkat lunak
    • Dalam vibe coding yang sesungguhnya, pengguna memberi tahu agen apa yang harus dilakukan, lalu tidak mengawasi saat eksekusi dan tidak meninjau kodenya
    • Pengguna ini mungkin tidak punya kemampuan untuk meninjau kode, atau mungkin tidak menilai hasilnya kecuali jika kerusakannya sangat jelas
    • Ini berbeda dari cara mayoritas insinyur perangkat lunak menggunakan agen

  • Agentic engineering

    • Sebagian besar insinyur perangkat lunak menggunakan agen sebagai alat sambil tetap mempertahankan kontrol dan tanggung jawab manusia atas hasilnya
    • Istilah agentic engineering semakin menyebar untuk menyebut praktik ini
    • Seiring agentic engineering menjadi standar, para insinyur mendapati bahwa mengawasi coding agents memakan waktu lebih banyak daripada perkiraan
    • Simon Willison mengatakan bahwa mengawasi agen membuatnya kelelahan secara mental sekitar pukul 11 pagi, dan ini sejalan dengan pengalaman nyata lainnya

  • Data SWE-chat

    • SWE-chat adalah dataset interaksi coding agent dari developer open-source yang secara sukarela ikut serta dalam alat logging
    • Dalam studi ini, hanya 44% kode yang dibuat agen bertahan sampai ke commit pengguna
    • Commit yang dibuat dengan vibe coding memasukkan kerentanan pada tingkat 9 kali lebih tinggi dibanding commit yang ditulis sepenuhnya oleh manusia
    • Niat pengguna yang paling umum bukan menghasilkan kode baru, melainkan memahami kode yang sudah ada, dengan rasio 19% berbanding 13%
    • Karena dataset ini merupakan sampel self-selection, studi ini saja tidak cukup untuk menarik kesimpulan yang kuat
    • Meski begitu, hasilnya tetap memperkuat bukti lain bahwa vibe coding dan agentic engineering adalah pola yang berbeda

  • Perbedaan utamanya

    • vibe coding dan agentic engineering bukan dua kategori yang sepenuhnya terpisah, melainkan dua ujung dari sebuah spektrum
    • Tidak semua proyek terbagi jelas menjadi proyek sekali pakai atau proyek mission-critical
    • Tidak semua workflow akan pas tepat dengan kolom kiri atau kolom kanan pada sebuah tabel
    • Implikasi penting untuk persoalan pekerjaan adalah bahwa perusahaan tidak bisa mempekerjakan vibe coder yang tidak tervalidasi untuk menggantikan insinyur perangkat lunak dalam merilis perangkat lunak produksi

Apa yang akan terjadi selanjutnya

  • Mengapa proyeksi PHK massal sulit terwujud

    • Para pendukung AI bisa saja berargumen bahwa PHK massal belum datang, hanya tertunda
    • Tetapi jika model sandwich benar, prediksi seperti ini tidak akan terwujud
    • AI sudah sangat memampatkan lapisan tengah sandwich, dan kompresi ini sebenarnya telah dimulai sejak puluhan tahun lalu
    • Bahkan jika lapisan eksekusi menjadi instan dan sempurna, perubahan dari kondisi saat ini akan kecil
    • Alasan lapisan keputusan dan pengiriman tetap menolak AI bukanlah semata keterbatasan kemampuan

  • Permintaan insinyur perangkat lunak bisa meningkat

    • Bukan hanya pekerjaan rekayasa perangkat lunak tidak akan hilang karena AI, permintaannya justru bisa meningkat
    • Jika peningkatan produktivitas teknologi menurunkan biaya membuat perangkat lunak, orang akan membeli lebih banyak perangkat lunak
    • Dalam istilah ekonomi, perangkat lunak memiliki elastisitas harga yang tinggi
    • Jika AI tidak menggantikan insinyur perangkat lunak, maka meningkatnya permintaan perangkat lunak akan menciptakan permintaan turunan untuk lebih banyak insinyur perangkat lunak
    • “Jevons’ paradox” adalah istilah ekonomi yang sering dipakai dalam diskursus AI untuk menjelaskan konsep ini

  • Pola historis

    • Lapangan kerja programmer di AS pada sekitar 1950 nyaris nol, tetapi sekarang meningkat menjadi jutaan
    • Ini sangat berbeda dari pekerjaan seperti pertanian, di mana mekanisasi dan otomatisasi secara besar-besaran menurunkan permintaan tenaga kerja
    • Konsumsi kalori manusia relatif tetap, tetapi jumlah perangkat lunak yang diproduksi meningkat sejuta kali lipat
    • Mobil modern memuat sekitar 100 juta baris kode yang berjalan di berbagai komputer onboard
    • Kalaupun ada batas atas permintaan kode, saat ini kita belum mendekatinya
    • Hampir semua pekerjaan kognitif mendapat manfaat dari perangkat lunak, dan dengan AI menurunkan biaya coding, kini bermunculan utilitas sekali pakai untuk kebutuhan kerja maupun pribadi

  • Ini tidak berarti hanya Big Tech yang akan membesar

    • Masa depan mungkin berisi jauh lebih banyak perangkat lunak dan lebih banyak insinyur perangkat lunak, tetapi itu tidak berarti perusahaan teknologi besar akan makin membesar sendirian
    • Saat ini mayoritas insinyur perangkat lunak sudah bekerja di organisasi internal perusahaan non-perangkat-lunak
    • Porsi ini bisa makin besar ke depannya
    • “AI rollups” mengacu pada gagasan bahwa venture capital atau private equity membeli bisnis Main street seperti klinik gigi atau firma akuntansi, lalu memasukkan insinyur perangkat lunak atau insinyur AI untuk membangunnya ulang menjadi AI-native
    • Gagasan ini bisa saja berakhir sebagai hype belaka, dan masih terlalu dini untuk menilainya

  • Sanggahan terhadap prediksi demokratisasi

    • Sebagian orang memprediksi AI akan mendemokratisasi rekayasa perangkat lunak sehingga permintaan terhadap rekayasa perangkat lunak menurun
    • Mereka berpandangan bahwa baik perangkat lunak yang diproduksi maupun waktu manusia yang dipakai untuk memproduksinya sama-sama meningkat, tetapi pekerjaan itu akan dilakukan oleh orang yang bukan insinyur perangkat lunak
    • Misalnya, mereka membayangkan perangkat lunak hukum akan lebih mudah dibuat oleh orang dengan pelatihan hukum daripada oleh orang dengan pelatihan rekayasa perangkat lunak
    • Klaim semacam ini jatuh ke jebakan karena mencampuradukkan vibe coding dengan agentic engineering, serta lapisan eksekusi dengan keseluruhan sandwich
    • Bahasa-bahasa masa lalu seperti FORTRAN, COBOL, dan SQL juga dulu hadir bersama harapan akan demokratisasi pemrograman, tetapi hal itu tidak terjadi
    • Hambatannya bukan mempelajari sintaks, melainkan kemampuan penilaian yang matang untuk mengambil keputusan yang baik sambil tetap memikul tanggung jawab

  • Karier individu bisa mengalami perubahan struktural besar

    • Seiring waktu, kemungkinan besar manusia akan menghabiskan lebih banyak waktu untuk membuat komputer melakukan hal-hal baru
    • Aktivitas ini bisa berbentuk membangun perangkat lunak, mengelola workflow kompleks dengan bantuan agen, atau bentuk lainnya
    • Kemampuan yang dibutuhkan akan menjadi gabungan keterampilan perangkat lunak, keterampilan AI, dan keahlian domain
    • Belum jelas apakah insinyur perangkat lunak masa kini akan menjadi pihak yang paling mampu beradaptasi dengan peran baru itu
    • Permintaan total tenaga kerja perangkat lunak yang kuat bukan berarti pekerja individu tidak akan terdampak
    • AI akan menciptakan perubahan struktural besar dalam cara perangkat lunak diproduksi, dan siapa insinyur yang diuntungkan atau dirugikan akan bergantung pada jenis perusahaan tempat mereka bekerja, wilayah, tingkat pengalaman, dan kecepatan adaptasi

Bacaan terkait

1 komentar

 
GN⁺ 4 jam lalu
Opini Hacker News

  • Sepanjang sejarah industri komputer, kita telah melakukan otomatisasi rekayasa perangkat lunak secara agresif dan penuh semangat, dan setiap kali itu terjadi kita jadi bisa membuat hal yang lebih besar dan lebih baik dengan lebih cepat
    Saat produktivitas naik, nilai pekerjaan juga membesar dan ekspektasi ikut meningkat, dan sampai sekarang permintaan dunia terhadap perangkat lunak tampaknya tidak ada habisnya
    Alasan AI belum bisa menggantikan software engineer adalah karena setiap kali produktivitas naik, titik tujuan juga ikut bergeser
    Ada dua kemungkinan alur ini berakhir: pertama, produktivitas akhirnya cukup tinggi untuk memenuhi seluruh permintaan perangkat lunak di dunia
    Belum ada bukti ke arah sana, dan perlu dijelaskan dengan jelas mengapa kali ini berbeda dari keseluruhan sejarah industri komputer
    Kedua, saat AI bisa bertindak secara otonom, ia menjadi software engineer yang lebih unggul daripada manusia
    Artinya, kondisi di mana pengembang manusia+AI tidak lebih baik daripada AI saja, tetapi sampai saat ini buktinya menunjukkan AI adalah penguat bagi developer, dan untuk hasil yang baik tetap perlu ahli yang memberi arahan sementara AI mengerjakan hingga 90%
    Belum ada bukti kuat bahwa salah satu dari dua hal itu akan segera terjadi, jadi software engineer tampaknya masih aman untuk sementara waktu
    Namun, jika cakupan keahlian Anda sempit dan terfokus pada area tertentu, misalnya pengembangan web frontend, Anda perlu lebih khawatir
    Sekalipun AI tidak bisa menggantikan seluruh software engineer, kemungkinan bahwa domain tertentu akan diserap sepenuhnya dalam bentuk yang dipimpin seorang generalis tetap cukup besar

    • Saya rasa titik akhir software sudah tidak terlalu jauh
      Secara keseluruhan, kita sudah membuat lebih banyak software daripada yang benar-benar diinginkan orang, dan cukup banyak di antaranya berkisar dari sampah, penipuan terang-terangan, hingga sesuatu yang nyaris bersifat jahat
      Pada akhirnya, untuk software kecil yang dibutuhkan orang biasa seperti pengelolaan daftar tugas atau sinkronisasi file, sepertinya AI milik masing-masing akan menulis versi yang disesuaikan, sementara software engineer hanya akan tersisa di proyek perusahaan besar
      Tren yang sangat dominan dalam software komersial selama beberapa dekade terakhir adalah ketidakdapatdisesuaikan yang ekstrem dan anti-pengguna
      Hanya satu jalur ideal yang dibiarkan ada, dan kalau itu tidak sesuai kebutuhan Anda, ya urus sendiri
      Hampir tidak ada software komersial untuk orang sehari-hari, dan bahkan open source pun makin menjauh dari pengguna umum
      Sebentar lagi orang biasa akan bisa langsung membuat software yang menyelesaikan masalah dengan cara mereka sendiri
      Dalam kebanyakan kasus, kualitas dan akurasi tidak terlalu penting; yang lebih penting adalah software itu disesuaikan, gratis, dan bukan platform pengawasan invasif serta iklan
    • Contoh pengembangan web frontend terasa agak lucu
      Sebagai frontend developer, menurut saya model tercanggih saat ini memang bagus untuk pekerjaan plumbing di belakang layar yang membosankan dan tidak saya pedulikan, tetapi masih belum bagus dalam pekerjaan desain khusus yang benar-benar diinginkan pelanggan
      Ini bukan berarti ada pihak yang jelas benar atau salah, dan saya setuju bahwa cakupan keahlian yang lebih umum adalah cara terbaik untuk sukses di era baru
      Hanya saja, LLM masih belum sampai pada tahap sepenuhnya menguasai satu bagian stack sehingga para spesialis di bidang itu menghilang
    • Bertentangan dengan pernyataan “tidak terlihat bukti bahwa ini sedang terjadi”, setidaknya di app store mobile gejala serupa sudah terlihat
      Menurut analisis terbaru, jumlah aplikasi yang dirilis meningkat tajam, tetapi total jumlah ulasan dan unduhan stagnan
      Artinya aplikasi memang jauh lebih banyak, tetapi pengguna tidak bertambah banyak, atau nyaris tidak bertambah sama sekali
      Lihat p40 / figure 12 dari "WRITING CODE VS. SHIPPING CODE: PRODUCTIVITY EFFECTS ACROSS GENERATIONS OF AI CODING TOOLS": https://www.nber.org/system/files/working_papers/w35275/w352...
      Analisisnya ada di halaman 42~43
      Kita tidak bisa membuktikan bahwa ukuran pai sudah tetap, tetapi sebaliknya kita juga tidak bisa membuktikan bahwa ukuran pai itu tak terbatas
      Hal penting yang sering dilewatkan orang dalam narasi pertumbuhan ekonomi software adalah bahwa uang itu harus datang dari suatu tempat
      Agar terus tumbuh, harus ada orang yang sebelumnya tidak membayar software lalu mulai membayar, dan kita perlu melihat siapa mereka, berapa uang yang mereka punya, serta biaya lain apa yang harus bersaing dengannya
    • Pernyataan bahwa “permintaan dunia terhadap perangkat lunak tidak ada habisnya” tidak berarti semua orang mencari teknologi terbaru dan terbaik
      Banyak perusahaan masih bergantung pada spreadsheet kustom atau teknologi seperti Microsoft Access
      Alasannya karena itu melakukan persis apa yang mereka inginkan, biayanya tetap, dan hampir tidak memerlukan perubahan tambahan atau maintenance
      Jika kita keluar dari gelembung tempat kita terjebak, akan terlihat bahwa banyak orang bukan tertarik untuk upgrade, melainkan hanya ingin hal lama yang sudah mereka kenal tetap berjalan
    • Jika AI bisa mengerjakan 90% pekerjaan di bawah arahan seorang ahli, itu berarti 90% developer terdorong keluar dari pekerjaan
      Dan saya juga tidak begitu melihat alasan mengapa angka itu tidak bisa menjadi 99%

  • AI jelas akan menggantikan software engineer
    Bagian yang hilang, seperti dikatakan tulisan itu, adalah delivery dan operasi, dan itu lebih merupakan ranah DevOps/SRE/Cloud engineer daripada software engineer
    Saya bekerja sebagai cloud engineer, dan beberapa teman non-engineer kini menghubungi saya untuk bilang bahwa mereka akhirnya bisa membuat side project masing-masing dari nol dalam berbagai bahasa dan menjalankannya sebagai aplikasi lokal, web app, dan aplikasi native
    Yang mereka kurang adalah platform untuk deploy dan memeliharanya semudah yang dilakukan “developer biasa”
    Saat ini, membangun landasan itu memang cukup merepotkan, tetapi dengan AGENTS.md, skills, dan pengujian integrasi yang ketat, itu sangat mungkin dilakukan
    Setelah dibuat sekali, pengguna nonteknis bisa terus mengembangkan tanpa harus mempekerjakan software engineer, cukup dengan memberi tahu keinginan mereka kepada claude/codex
    claude/codex dapat mengambil keputusan berdasarkan arsitektur yang telah ditetapkan sebelumnya dan membimbing pengguna nonteknis
    Dalam kasus anekdotal saya, AI sudah menggantikan beberapa software engineer
    Jika landasan seperti ini diproduktisasi, menurut saya greenfield project dapat dikelola murni dari sudut pandang produk melalui agent coder dan platform engineering
    Itulah kondisi sekarang; tinggal bayangkan 5 tahun ke depan

    • Penalaran seperti ini tersebar luas meski sulit dipahami
      Hanya karena seorang non-engineer datang membawa aplikasi yang dibuatnya bukan berarti AI sudah atau akan menggantikan software engineer
      Anda bisa mencari gejala di Dr. Google, lalu mencoba perubahan gaya hidup, ramuan herbal, dan obat bebas hingga benar-benar membantu, tetapi itu sama sekali tidak berarti dokter akan hilang
      Dengan AI generatif, orang bisa membuat musik tanpa teori musik, tanpa selera musikal, dan tanpa kreativitas, tetapi itu juga tidak berarti orang-orang berbakat musik akan lenyap
      Meski AI bisa membantu DIY di rumah, itu tidak berarti engineer akan hilang
      Siapa yang akan membantu pakar domain memperjelas apa yang benar-benar dibutuhkan melalui iterasi prototipe-perbaikan
      Siapa yang akan menulis dan memelihara sistem operasi, bahasa, sistem kontrol versi, editor dan emulator terminal, sistem manajemen pengetahuan dan dokumentasi, platform PaaS, dan sebagainya yang diandalkan para pembuat software hobi
      Apakah mereka sudah menguji hasil buatannya dengan cukup baik hingga bisa menjamin ketangguhannya
      Apakah mereka memahami edge case yang mungkin muncul
      Bagaimana dengan keamanannya
      Membuat sesuatu dengan cepat lewat prompt tidak sama dengan engineering
      Mungkin orang gagal melihat ini karena keliru menganggap nilai software engineering terutama terletak pada kode yang dihasilkan, yakni susunan bit itu sendiri
      Nilai utama sebuah proyek ada pada proses membangun teori dan abstraksi: https://pages.cs.wisc.edu/~remzi/Naur.pdf
    • Pembuatan dan pemeliharaan adalah dua binatang yang sepenuhnya berbeda
      Mungkin ada engineer yang membuat aplikasi untuk dua minggu lalu tidak pernah menyentuhnya lagi, tetapi saya tidak yakin banyak orang mencari nafkah dari hal seperti itu
      Pekerjaan seperti “situs WordPress untuk bisnis Anda” mungkin saja bisa dilakukan
      Masalah muncul ketika ada 432 fitur dan Anda harus menambahkan fitur ke-433 tanpa menyentuh sisanya
      Ada kasus yang tidak boleh meleset sedikit pun, dan ada juga kasus ketika satu fitur meningkatkan kompleksitas lebih cepat daripada kecepatan yang bisa ditangani engineer, sehingga seiring waktu proyek membesar menjadi tak terkelola
    • Di perusahaan kami, tim nonteknis mulai membuat alat mereka sendiri karena tim teknis kewalahan
      Itu adalah ide aplikasi kecil yang terintegrasi dengan sistem besar, dan dalam 2–3 hari sebuah proof of concept dibuat hanya dengan 3–4 commit
      Itu memang mengesankan, tetapi pembuatnya telah menambahkan 400 commit lagi ke proyek tersebut selama 3 bulan terakhir, dan karena perbaikan terus berlanjut, pekerjaan membangun dan memelihara aplikasi itu pada dasarnya telah menjadi pekerjaan paruh waktu atau penuh waktu
      Orang itu telah menjadi software developer tanpa pelatihan, dan tidak memahami keamanan maupun praktik terbaik
      Jika Claude menjadi lebih baik, bebannya mungkin berkurang sehingga tidak lagi memakan seluruh hari, tetapi saat ini semua “vibe app” awal di perusahaan kami telah berubah menjadi pekerjaan maintenance yang menyita makin banyak waktu
      Jelas bahwa orang tidak menginginkan software yang lebih sedikit, melainkan lebih banyak
      Software engineering tradisional mungkin bisa hilang, tetapi pengelolaan platform yang terus berkembang, keamanan, kompleksitas, dokumentasi, dan business logic tetap ada di hadapan perusahaan kami
      Benar bahwa proyek kini bisa dibuat dengan teks, tetapi selain software yang paling sederhana, rasanya tidak pernah ada yang benar-benar bisa “setel lalu lupakan”
      Tetap harus ada seseorang yang mengelola keseluruhannya
      Terlepas dari apakah orang itu mendapat pelatihan software engineering atau tidak
      Developer berpengalaman tetap kemungkinan besar akan melakukannya lebih baik daripada orang yang tidak terlatih
      Tentu, para builder yang penuh rasa ingin tahu akan cepat menyusul, tetapi developer tradisional punya keunggulan besar
      Karena kami selalu ingin tahu bagaimana cara kerja bagian dalamnya
      Vibe app yang mereka buat selama berbulan-bulan itu, dengan AI saya sebenarnya bisa membuatnya dalam satu jam
    • Deploy software sekarang sudah sesederhana menjalankan vercel di terminal, dan agent pun bisa melakukannya tanpa masalah jika hanya diminta
      Deploy software desktop memang sedikit lebih sulit tergantung platformnya
      Meski begitu, jarak antara side project dan software hebat masih sangat lebar, dan sulit percaya bahwa jurang itu suatu saat akan tertutup
      Saya juga tidak paham mengapa hal-hal yang sudah terselesaikan sebelum era AI tidak akan tergantikan lebih dulu
      Saya juga sulit percaya bahwa proyek pribadi memerlukan infrastruktur yang rumit
    • Coding berbantuan AI itu luar biasa, tetapi menurut saya vibe coding hanya bagus untuk prototipe yang bisa dibuang
      Saya tidak akan membuat aplikasi keuangan yang harus dipelihara tanpa batas waktu dengan vibe coding
      Saya juga tidak akan menyentuh sistem legacy dengannya
      Jelas AI telah menggantikan sebagian engineer, tetapi contoh teman-teman non-engineer yang membuat side project tidak terlalu relevan
      Mereka membuatnya karena sekarang itu menjadi mungkin, bukan karena sebelumnya mereka memang berencana mempekerjakan seseorang untuk membuatnya
      Sama seperti selama ini mereka juga tidak pernah merekrut siapa pun

  • Saya bekerja di sebuah agensi pengembangan, dan sebagian besar klien kami adalah startup yang harus cepat masuk ke pasar
    Selama sekitar satu setengah tahun, kami telah menggunakan pengembangan berbasis agen, dan selama itu peran kami berubah besar
    Sulit mengatakan volume proyek yang masuk karena saya tidak tahu angka pastinya, tetapi perubahan yang terlihat adalah ekspektasi terhadap cakupan yang bisa disampaikan telah berubah
    Proyek yang dulu dikerjakan 5 orang kini biasanya dikerjakan 1–2 orang
    Secara realistis, proyek greenfield sudah banyak yang terotomatisasi
    Banyak pekerjaan manual seperti iterasi desain UX/UI, iterasi arsitektur sistem, dan mencoba berbagai pendekatan untuk masalah sulit yang tidak punya metrik keberhasilan yang jelas kini terjadi seketika
    Jika Anda bisa memahaminya di kepala, berarti Anda bisa meluncurkannya ke dunia dalam seperseperseratus waktu
    Selama periode ini, cara bekerja dan cara memikirkan sistem juga banyak berubah
    Saya jadi hidup berdampingan dengan LLM, dan sekarang benar-benar sulit tanpa itu
    Bukan berarti saya tidak memahami kode yang ditulis LLM; saya tetap mengikuti semua perubahan dan memahami codebase jauh lebih menyeluruh daripada LLM
    Hanya saja kemampuan menulis kode secara manual telah banyak menurun, dan menurut saya itu tidak masalah
    Saat ini rasanya saya seperti lapisan penerjemah antara tujuan bisnis dan teknologi yang paling mendukung tujuan itu
    Ini tetap pemecahan masalah, tetapi pada level yang jauh lebih tinggi, dan tetap menarik serta menyenangkan
    Strategi terbaik bagi developer di era ini tampaknya adalah menjaga berpikir kritis dan menggunakan alat untuk keuntungan sendiri
    Sekarang semua orang punya kekuatan super
    Tidak harus bekerja di perusahaan juga, dan developer solo bisa membangun hal-hal luar biasa, jadi ketergantungan pada orang lain juga tidak sebesar dulu
    Mungkin masa depan adalah ekonomi produk makro, di mana masing-masing orang menawarkan sesuatu yang unik kepada dunia

    • Tafsir seperti “sekarang semua orang punya kekuatan super” terasa seperti para penggila AI salah paham secara aneh terhadap situasi ini
      Jika agentic coding menjadi cukup bagus untuk membuat proyek greenfield, dampaknya bukan hanya ke developer, tetapi ke seluruh perusahaan dan bahkan seluruh sektor industri
      Model bisnis agensi pengembangan ada karena perusahaan yang lemah secara teknis tidak tahu cara menangani software, dan dalam beberapa kasus juga ada oportunisme untuk mengalihdayakan pekerjaan awal yang padat tenaga kerja
      Tetapi sekarang kemampuan itu sudah ada di ujung jari klien agensi, jadi hanya soal waktu sebelum CEO dan manajer mulai vibe coding dan menyadari bahwa mereka cuma butuh “satu developer yang agak paham teknis”
      Ini juga bisa meluas ke banyak bisnis SaaS
      Masih banyak usaha kecil yang ingin software kustom untuk menghilangkan pekerjaan manual, tetapi developer software yang serius selalu terlalu mahal
      Jadi mereka biasanya memakai kode berantakan buatan keponakan seseorang atau SaaS yang nyaris berfungsi
      Sekarang mereka masih mungkin membuat sesuatu yang cukup berantakan, tetapi tetap bisa membuat solusi kustom sendiri dan mendapatkan lebih banyak
      Apa yang dilakukan big tech lebih mirip penyesuaian terhadap resesi, dan yang lebih mengkhawatirkan adalah kekacauan di sektor teknologi UKM
    • Alasan bekerja di perusahaan bukan semata karena developer tidak bisa menghasilkan output sendirian
      Tetapi karena mereka tidak punya jaringan untuk mendapatkan klien
      Kebanyakan developer butuh perusahaan setidaknya menangani pemasaran agar mereka bisa fokus pada hal yang mereka kuasai
    • Penurunan kemampuan menulis kode memang sudah terasa
      Menghasilkan kode dan menilai kode adalah kemampuan otak yang berbeda
      Karena pemrograman terutama penuh dengan detail sintaks kecil, orang bisa kesulitan menulis kode tetapi tetap bagus dalam me-review
      https://xcancel.com/karpathy/status/2015883857489522876
    • Jangan mencampuradukkan antara apa yang mungkin secara teoretis dan apa yang mungkin secara praktis
      Perusahaan yang sukses di dunia nyata memiliki moat melalui data, paten/kekayaan intelektual, efek jaringan, dan sebagainya
      Hanya karena waktu pengembangan menjadi seperseperseratus bukan berarti Anda bisa langsung membangun bisnis baru
      Jika melihat industri teknologi saat ini, memang ada banyak perusahaan yang tampak bisa didisrupsi oleh builder AI yang lincah, tetapi dalam praktiknya itu tidak terjadi karena efek penguncian

  • Klaim bahwa “dari 270 pekerjaan dalam sensus penduduk AS tahun 1950, yang hilang karena otomatisasi hanya operator lift” itu menyesatkan
    Dalam periode yang sama, pekerjaan pertanian turun dari 15% tenaga kerja menjadi 2%

    • Sepertinya bagian itu juga dibahas dalam tulisannya
      Katanya ini berbeda dari pekerjaan seperti pertanian, di mana mekanisasi dan otomatisasi secara besar menurunkan kebutuhan tenaga kerja
      Jumlah kalori yang dikonsumsi orang relatif tetap dan kenaikan 25% saja sudah memicu epidemi obesitas, tetapi jumlah software yang diproduksi meningkat sejuta kali lipat
    • Pekerjaan di pertanian sendiri turun menjadi seperempat dibanding 1950
      Angka persentasenya melebih-lebihkan penurunan karena total tenaga kerja ikut membesar
      Tetapi jika melihat lapangan kerja industri pangan yang lebih luas, jumlahnya justru naik cukup besar
      Jadi walaupun pekerjaan “coder” bisa menurun, lapangan kerja di industri “software/teknologi” yang lebih luas tetap bisa meningkat
    • Lihat saja industri penebangan kayu
      Sekitar 95% pekerjaan di sana sudah terotomatisasi, tetapi mereka suka menyalahkan burung hantu
    • Ini cara khas memakai statistik secara selektif
      Pabrik dan conveyor belt juga begitu
      Setiap kali otomatisasi masuk, orang terus kehilangan pekerjaan, dan kita hanya bisa “berharap” mereka menemukan pekerjaan lain atau menerima optimisme ekstrem yang saling bertentangan seperti “jadilah generalis”, “jadilah spesialis”, “masuk sektor jasa”, “belajar coding”, “tambang batu bara”
      Cukup dengarkan @pmarca untuk melihat betapa tersesat dan tidak koherennya kepemimpinan teknologi
      Buku terbaru Stripe Press tentang otomatisasi industri juga layak dilihat: https://press.stripe.com/origins-of-efficiency

  • Orang-orang yang paling naif percaya pada AI kebanyakan adalah para tukang utak-atik
    Wajar saja, karena dengan bantuan coding berbasis LLM, kecepatan mengutak-atik sesuatu memang meningkat luar biasa
    Tinkering adalah proses, dan orang mendapatkan kesenangan besar dari tindakan membuat dan menyesuaikan itu sendiri
    Hasil akhirnya adalah pertimbangan tingkat dua atau tiga
    AI memang sangat memperluas kemampuan kita untuk bertindak dan karenanya untuk mengutak-atik, tetapi AI tidak dengan sendirinya menghasilkan dampak yang bermakna, yaitu “engineering”
    Dampak lebih penting daripada aktivitas

    • Mengutak-atik sering tampak seperti engineering sebelum organisasi membangun proses di sekelilingnya
      Prototyping, debugging, testing, dan sebagainya bukan pekerjaan palsu hanya karena berlangsung cepat
      Compiler juga tidak menciptakan dampak dengan sendirinya
      CI, IDE, framework, dan infrastruktur cloud juga sama
      Semua itu meningkatkan leverage orang yang memakainya

  • Istri saya memang tergantikan oleh AI
    Dia seorang programmer, dan perusahaan secara terbuka membuat agen dengan tujuan menggantikan istri saya dan beberapa orang lain, lalu memecat mereka sekitar sebulan setelah itu mulai berjalan

    • Moral rekan-rekan yang masih bertahan pasti buruk
      Tim kami mendapat atasan baru 18 bulan lalu, dan ada favoritisme yang terang-terangan; orang yang dia sukai justru satu-satunya orang yang bukan pemain tim
      Selama 18 bulan dia menemukan cara untuk memecat semua pekerja jarak jauh, tanpa memandang kinerja mereka sebelumnya
      Salah satu dari mereka bahkan berkali-kali menerima penghargaan dengan level lebih tinggi daripada atasannya, tetapi sang atasan selalu hanya mengakui orang toksik itu
      Ini bukan penggantian oleh AI, tetapi suasana yang membuat orang merasa tidak berharga tampaknya mirip dengan saat digantikan oleh AI
      Semua orang di tim itu, termasuk supervisor saya, sedang melamar ke tempat kerja lain
      Supervisor itu memiliki autisme dengan fungsi tinggi, dan sering diejek oleh atasannya
      Demi kesehatan mental mereka, saya sangat berharap mereka berhasil
      Saya beberapa kali mengangkat masalah ini ke HR, bahkan menemukan klausul dalam aturan kerja yang dilanggar atasan, tetapi setidaknya di sini saya belajar bahwa aturan seperti itu hanyalah tulisan di atas kertas
      Malah rasanya seperti menggambar target di punggung saya sendiri, jadi saya harus pergi
      Beberapa orang lain juga menyampaikan kekhawatiran, dan kebanyakan dari mereka kemudian menemukan pekerjaan lain
      Untungnya saya juga segera mendapat pekerjaan baru untuk pindah, dan saya menantikannya
    • Berat juga
      Semoga baik-baik saja
      Penasaran bagaimana kelanjutannya, apakah dia mendapat pekerjaan baru, dan apakah masih di bidang software

  • Komunikasi perusahaan soal PHK karena AI yang palsu tidak berarti risikonya jadi hilang
    Cerita dari pihak perusahaan bisa saja bohong, tetapi dampak teknologinya tetap bisa nyata, dan dalam konteks ini itu hanya kebisingan
    Seperti diagram burger di tulisan itu, asumsi bahwa tahap eksekusi mengecil sementara semua tahap lain membesar sehingga ukuran burger total tetap sama juga tidak terlalu masuk akal
    Meski begitu, beberapa area dalam software engineering tampaknya masih sangat jauh dari ancaman
    Terutama area yang menjadikan akurasi sebagai hal krusial
    Pengembangan web memberi jauh lebih banyak ruang untuk asal dorong, tetapi kode navigasi roket berbeda
    LLM mungkin bisa melakukan keduanya, tetapi tampaknya dalam waktu dekat tidak akan ada orang yang melakukan vibe coding untuk yang terakhir

  • AI secara harfiah memang sudah menggantikan sebagian pekerjaan, dan ke depan akan semakin banyak
    AI tidak akan menggantikan semua software engineer, tetapi begitu kotak Pandora dibuka, pekerjaan berupaya rendah dan berisiko rendah akan dikerjakan AI
    Ada sangat banyak proyek yang benar-benar berjalan di produksi pada layanan seperti Lovable, dan alternatifnya tadinya adalah dibuat manusia

    • Adakah proyek “hebat” di Lovable yang ditulis atau diprompt oleh non-ahli software, yang benar-benar berguna sebagai alat SaaS lengkap
    • Alternatifnya mungkin bukan dibuat manusia, melainkan tidak pernah ada sama sekali

  • Yang menggantikan pekerjaan selalu pemberi kerja
    Jangan mengantropomorfisasi sekumpulan kartu grafis

    • Jika sekumpulan kartu grafis itu benar-benar menjadi jauh lebih efisien, pemberi kerja yang ingin mempekerjakan manusia tidak akan mampu bersaing

  • Saya tidak terlalu yakin dengan bagian tulisan ini
    Klaimnya adalah bahwa “hambatan nyata adalah (1) memutuskan dan menyusun spesifikasi tentang apa yang harus dibuat, (2) memverifikasi serta bertanggung jawab atas apa yang dikirim, (3) pemahaman manusia yang mendalam tentang codebase, bisnis, dan lingkungan”
    Bisa jadi justru karena coding dianggap mahal dan sebagai hambatan, banyak upaya dilakukan di hulu maupun hilir agar masukan itu benar dan hasil keluaran tidak dibuang
    Jika coding dianggap tahap yang cepat dan murah, mungkin pengawasan di hulu tidak perlu pada tingkat yang sama karena hasilnya bisa dibuang

    • Biaya membuang kode yang salah bukanlah biaya utama dari membuat hal yang salah
      Dampak saat software berfungsi salah dan mempertahankan kompatibilitas mundur jauh lebih buruk