AI tidak akan membuatkan produk yang benar-benar berjalan untuk Anda; itu tetap tugas Anda

• AI dapat membuat prototipe dengan UI dan database dalam hitungan menit, tetapi tidak memperpendek jarak dari versi pertama yang berjalan ke produk kelas produksi
• Dalam produk nyata, masih ada masalah seperti skalabilitas, penanganan error, observabilitas, keamanan, autentikasi, dan struktur data yang membutuhkan penilaian rekayasa lebih dari sekadar menulis sintaks
• Nilai ilmu komputer bukan pada produksi kode, melainkan pada model mental untuk memahami cara sistem bekerja dan mengapa ia gagal, sehingga kita bisa menemukan kueri yang tidak efisien atau race condition
• Permintaan untuk sekadar menerjemahkan requirement menjadi kode secara mekanis akan berkurang, tetapi engineer berpengalaman dapat mendelegasikan pekerjaan berulang ke AI dan bekerja jauh lebih cepat dengan fokus pada masalah yang membutuhkan keahlian
• Jika AI digunakan sebagai pengganti pemahaman, akan sulit memperbaiki, memperluas, atau melakukan serah terima sistem yang rusak, jadi pelajari dasar-dasarnya terlebih dahulu lalu manfaatkan alat AI

---

Kesenjangan antara prototipe dan produk

• Dengan menjelaskan ide dalam bahasa alami, dalam beberapa menit kita bisa memperoleh prototipe yang berfungsi dengan UI dan database serta menjalankan fitur yang diinginkan
• Namun, prototipe yang berjalan di laptop dapat menampakkan berbagai masalah di lingkungan nyata
  • Tidak mampu menahan beban dan tidak memiliki penanganan error
  • Token API bisa bocor
  • Model data untuk demo bisa runtuh begitu pengguna kedua ditambahkan
  • Autentikasi bergantung pada asumsi yang belum tervalidasi dan keamanannya pun belum pasti
• Saat masuk tahap deployment, tampak jelas kesenjangan produksi yang besar antara “berfungsi” dan “siap”

Pekerjaan sulit selalu dimulai setelah penulisan kode

• Software engineer sebelumnya juga bisa membuat sesuatu berjalan dengan cepat, dan bagian yang benar-benar memakan waktu selalu datang setelah itu
  • Merancang sistem yang tetap tahan saat skala membesar
  • Menangani pengecualian ketika pengguna masuk lewat jalur yang tak terduga
  • Membangun observabilitas agar gangguan bisa terdeteksi
  • Membuat keputusan arsitektur data yang mengurangi penyesalan tiga tahun kemudian
• AI memang memangkas drastis waktu menuju versi pertama yang berjalan, tetapi tidak mengurangi jarak dari versi itu ke sistem kelas produksi
• Proses cepat berupa meminta, menerima respons, lalu memeriksa hasil memberi kesan bahwa sisa proses pengembangan juga ikut terkompresi, padahal masalah sulit dalam software sejak awal bukanlah penulisan sintaks
• Daya pertimbangan untuk memutuskan apa yang harus dibangun dan bagaimana menyusunnya, apa yang harus ditunda, dan kapan harus menolak, itulah yang membedakan prototipe dari sistem produksi

Mengapa ilmu komputer tetap diperlukan

• Karena kode buatan AI kini sangat mudah diakses, makin banyak pendatang baru yang mempertanyakan apakah mereka masih perlu bertahun-tahun mempelajari algoritme, struktur data, sistem operasi, dan teori
• Nilai pendidikan ilmu komputer tidak hanya terletak pada kemampuan menulis kode, tetapi pada pembentukan model mental untuk memahami bagaimana sistem bekerja, gagal, dan mengapa hasil tertentu muncul
• Fondasi ini diperlukan agar kita dapat mengidentifikasi potensi kegagalan dalam kode yang dihasilkan AI
  • Kueri yang memicu full table scan pada tabel berisi 50 juta baris
  • Strategi cache yang menciptakan race condition di bawah beban serentak
  • Arsitektur yang menyelesaikan kebutuhan saat ini tetapi membuat masalah berikutnya jauh lebih sulit
• Tanpa pengetahuan dasar, kita akan sepenuhnya bergantung pada penilaian model
  • Model bukan memiliki daya pertimbangan, melainkan secara agresif menghasilkan kode yang dianggap sesuai dengan maksud berdasarkan pattern matching
  • Kode yang dihasilkan bisa tampak benar dan sesuai konvensi, tetapi tetap gagal di produksi
  • Jika tidak punya pengetahuan untuk mengenali masalahnya, diagnosis bisa memakan waktu berhari-hari
• Justru sekarang, ketika jarak antara pemahaman dan hasil semakin pendek, adalah waktu yang baik untuk mempelajari ilmu komputer; mahasiswa yang benar-benar memahami sistem terdistribusi dapat membangunnya dalam waktu yang jauh lebih singkat dibanding 10 tahun lalu

Pekerjaan yang diautomatisasi dan produktivitas yang meluas

• Permintaan untuk pekerjaan coding mekanis yang menerjemahkan requirement menjadi implementasi baris demi baris memang sedang menurun, dan area itu sedang diotomatisasi
• Bagian bawah distribusi produktivitas sedang terkompresi, sementara batas atasnya makin melebar
  • Engineer berpengalaman yang menggunakan alat AI modern dapat bekerja dengan kecepatan yang sulit dibayangkan lima tahun lalu
  • Bukan karena masalah sulitnya hilang, melainkan karena sebagian besar pekerjaan mekanis yang dulu menghabiskan waktu dan perhatian kini sudah ditangani
  • Waktu yang didapat dengan cara ini bisa dipakai untuk pekerjaan yang benar-benar membutuhkan keahlian
• Engineer yang akan tertinggal bukanlah mereka yang tidak tahu cara memakai AI, melainkan mereka yang memakai AI sebagai pengganti pemahaman
  • Membangun sistem dengan vibe coding yang bahkan tidak bisa mereka nalar
  • Tidak mampu memperbaiki gangguan atau memperluas sistem yang sudah tumbuh
  • Tidak bisa menjelaskan apa yang mereka buat kepada pihak yang akan memeliharanya

Bekerja pada tingkat abstraksi yang lebih tinggi

• Perubahan yang dibutuhkan bukan sekadar mengadopsi alat baru, tetapi bekerja pada tingkat abstraksi yang lebih tinggi sambil tetap berakar pada fondasi
• Engineer yang menggunakan AI bukan sebagai pengganti pengetahuan mendalam melainkan sebagai penguat dapat melaju lebih cepat daripada rekan-rekannya
  • Memahami apa yang sebenarnya mereka minta untuk dihasilkan model
  • Meninjau kode hasil generasi secara kritis seperti saat mereview pull request dari junior engineer
  • Berdialog dari sudut pandang arsitektur, bukan hanya menyampaikan deskripsi fitur
  • Menilai kapan harus menolak usulan model
• Ini bukan mengganti keterampilan lama dengan kemampuan baru, melainkan menerapkan keterampilan lama pada lingkungan baru untuk memperoleh leverage yang jauh lebih besar
• Bahkan setelah tahap prototipe, penilaian rekayasa yang nyata tetap dibutuhkan, dan kemampuan inilah yang membedakan developer yang merilis software andal dari developer yang hanya merilis demo
• Urutan belajar seharusnya pengetahuan dasar terlebih dahulu, baru alat AI sesudahnya

[GN⁺]

Komentar Hacker News

• Berniat membuang kode buatan LLM selama beberapa bulan dari proyek sampingan. Meski sudah menulis spesifikasi desain dengan teliti dan bekerja di codebase yang sudah ada, perubahan-perubahan individual terlihat logis, tetapi secara keseluruhan berubah menjadi gumpalan rumit dengan banyak bagian yang sedikit melenceng
  Laporan atau makalah juga terasa seperti itu: tiap bagiannya masuk akal, tetapi keseluruhan dokumennya terasa aneh. Manusia tampaknya masih melakukan penalaran tingkat tinggi yang belum bisa dilakukan LLM, walau lebih lambat dalam tugas detail. Jika diberi tahu soal cacatnya, ia akan berkata “itu sepenuhnya benar”, tetapi tidak bisa menemukannya sendiri saat meninjau
  Mungkin cukup mampu untuk membuat aplikasi CRUD sederhana dengan framework JS umum, Tailwind, dan ORM, tetapi dulu pun orang bisa membeli template SaaS, dan boilerplate komersial buatan tangan yang bagus kemungkinan lebih baik daripada hasil vibe coding

  • Saya makin sering memakai pemrograman berbantuan LLM daripada pemrograman yang sepenuhnya otonom. Model seperti Opus cenderung terus mengubah sampai tujuannya tercapai alih-alih memahami desain yang baik, dan meninggalkan kode yang harus dirapikan manusia serta pekerjaan investigasi yang berlebihan
    Di PR orang lain juga saya sering melihat masalah prompt diselesaikan di permukaan, tetapi implementasinya sulit dipelihara dalam jangka panjang. Karena itu, prosedur implementasi dan desain saya putuskan sendiri, lalu bekerja langkah demi langkah dengan model open source kecil atau Claude 4.5·4.6. Eksplorasi API dan penulisan boilerplate jadi lebih cepat, beberapa kali lipat dibanding kerja manual, tanpa membuat pengetahuan menurun atau codebase rusak
  • Saya sering terjebak dalam solusi yang rumit dan terlalu didesain, lalu setelah berjalan-jalan atau mengerjakan hal lain baru menyadari solusi yang sederhana. LLM menangani semuanya seketika, sehingga merampas waktu untuk refleksi, menyadari bahwa kita sedang buntu, dan memikirkan benturan dengan pekerjaan berikutnya
  • Proyek sampingan saya juga sekarang sudah sulit untuk sepenuhnya dipahami kodenya dan diubah sendiri dengan aman, tetapi saya rasa itu tidak lagi perlu. Setelah hampir 20 tahun menulis kode yang indah, sekarang saya ingin fokus pada produktivitas dan hasil, dan selama Codex bisa memahami kode spageti, itu cukup baik untuk proyek pribadi atau pengembang independen kecil
    AI adalah lapisan baru yang ditambahkan di atas tumpukan teknologi, seperti bahasa tingkat tinggi di atas bahasa mesin, jadi kita perlu melepaskannya
  • Nilai sebenarnya ada pada pembelajaran yang didapat selama perjalanan, bukan pada kodenya. Dalam proses bersusah payah, kita berulang kali menemukan kebutuhan nyata dan tantangan teknis, tetapi AI melewati proses itu dan membuatnya tampak seperti tujuan tercapai secara dangkal
    Ini bukan berarti AI tidak berguna; artinya kita harus memikirkan kebutuhan dan verifikasi akhir dengan lebih dalam, serta mengurangi keyakinan bahwa proses itu sendiri akan menjamin hasil yang bernilai
  • Dalam proyek baru pengelolaan jadwal keluarga, saya memanfaatkan kecepatan AI untuk memoles masalah pengalaman pengguna. Tujuannya adalah menyelesaikan fitur v1 dengan mengulang siklus membuat fitur, memakainya sendiri selama beberapa hari, lalu memperbaiki bagian yang tidak disukai
    Saya tidak suka warna maupun logika bisnis yang bertele-tele dan terlalu heboh tanpa perlu, tetapi yang penting sekarang adalah apakah pasangan suami istri benar-benar merasa ini berguna, dan hasilnya positif. Setelah itu saya berencana mendesain ulang UI sesuai selera, memfinalkan kebutuhan backend, lalu menulis ulang dari awal agar mudah dipelihara dan dikembangkan
    Keluarga Claude sangat unggul untuk membuat prototipe dan menemukan kebutuhan, serta mempermudah proses membangunnya ulang dengan benar setelahnya

• Kriteria verifikasi yang sederhana adalah apakah dalam 12·24·36 bulan terakhir kita benar-benar melihat produk baru hebat atau peningkatan besar pada produk yang sudah ada. Satu-satunya produk baru hebat yang saya pakai adalah LLM favorit saya, dan laboratorium di baliknya justru terus merekrut lebih banyak orang
  Jika 12 bulan lagi tetap tidak ada peningkatan, saya rasa orang akan terus mengulang klaim bahwa “baru pada Februari 2027 LLM cukup bagus, jadi masih belum bisa dievaluasi”

  • Apakah versi web dan versi VS Code dari Claude Code masih penuh bug juga merupakan patokan yang bagus. Hampir semua eksekusi berulang agen rusak dan perlu dipaksa refresh, dan kadang itu pun tidak menyelesaikannya. Anthropic pada dasarnya punya anggaran LLM tak terbatas dan juga model yang belum dipublikasikan
  • Saya bukan penganut LLM serbabisa dan memakainya secara terkontrol, tetapi perkembangan penemuan kerentanan otomatis belakangan ini menarik. Chrome memperbaiki lebih banyak bug pada bulan Juni dibanding dua tahun sebelumnya
    https://news.ycombinator.com/item?id=49120097
    Pembaruan keamanan Apple terbaru dan buletin keamanan Android bulan Juni juga memperbaiki jumlah kerentanan yang sangat besar. Banyak di antaranya muncul dari bahasa yang tidak aman seperti C/C++, tetapi karena LLM kuat dalam tugas transformasi yang terdefinisi jelas dan kecil kemungkinan menyimpang, LLM juga berguna untuk memindahkannya ke bahasa yang lebih aman seperti Rust
  • Kecepatan peluncuran proyek kurang lebih sama seperti dulu, tetapi berkat alat AI, hasilnya jauh lebih matang dan kaya fitur. Dulu saya meluncurkan hanya dengan jalur normal yang berfungsi, tetapi sekarang saya bisa menyediakan pembatalan, ekspor akun, kebijakan privasi, dan seluruh aplikasi mobile maupun web tanpa usaha besar
  • Bahkan hanya dengan melihat beberapa komunitas pengembang, jumlah produk baru meningkat tiga kali lipat setelah alat-alat ini muncul. Tidak ada daftar yang melacak semua perangkat lunak yang dirilis dan apakah AI dipakai, jadi aneh jika menganggap itu tidak ada hanya karena Anda sendiri belum melihat peningkatannya
    Di bidang medis juga jumlah produk melonjak tajam; kualitasnya beragam, tetapi mengatakan tidak ada hasil sama sekali itu objektifnya salah
  • Menurut saya pemakaian praktis baru benar-benar terjadi sejak akhir tahun lalu, tetapi memang benar bahwa perangkat lunak hobi belakangan ini meningkat tajam. Seberapa baik pemeliharaannya adalah soal lain

• Jika produknya berjalan, saya sarankan meminta, “tinjau apakah codebase ini siap produksi, dan apakah memenuhi standar untuk dijual seharga 1 juta dolar.” Itu akan menunjukkan bahwa AI sama sekali belum mencapai level yang sebelumnya diklaim, dan menjadi ‘prompt sejuta dolar’ yang memperlihatkan betapa Anda selama ini tertipu

  • Saya melihat dua posting Hacker News, dan keduanya punya komentar teratas yang mengatakan “AI tidak bisa menulis kode dan akan segera runtuh”. Sulit memahami sikap yang terus menyebut ini fatamorgana kepada orang-orang yang berhasil memakai alat ini setiap hari selama bertahun-tahun
  • Banyak codebase buruk juga pernah dijual dengan harga lebih dari 1 juta dolar
  • Kalau begitu, saya jadi penasaran Oracle Database seharusnya dijual berapa juta dolar
    https://news.ycombinator.com/item?id=18442941
  • Jika Anda menyuruhnya memperbaiki masalah lalu mengajukan pertanyaan yang sama lagi, setelah diperbaiki pun ia kemungkinan akan kembali mengeluarkan kritik serupa
  • Patut dipikirkan juga berapa harga jual OpenClaw

• Saya sudah mencoba menggunakan LLM dengan dua cara. Pertama, saya melakukan vibe coding untuk plugin yang mengirim notifikasi ke channel Slack berdasarkan giliran anggota dengan Opus 4.6 dan backend Node, serta timer bicara per peserta Google Meet. Karena ini alat internal, meski tidak sepenuhnya memahami implementasinya, alat itu berjalan tanpa masalah di GCP, dan biaya tool Slack yang tadinya 20 dolar per orang per bulan turun menjadi biaya infrastruktur total 0,07 dolar per bulan
  Itu tidak dibuat sekaligus; ada perencanaan rinci, eksekusi bertahap, dan penambahan pengujian. Kedua, untuk produk jangka panjang, tim merancang dan meninjau arsitektur lalu membuat tiket JIRA yang detail sebelum menyerahkannya ke Opus. Model membuat rencana implementasi, dan hanya boleh menulis kode setelah disetujui engineer
  Untuk MVP cepat atau proof of concept, cara pertama cocok, tetapi untuk produk jangka panjang, MVP harus dibuang dan skalabilitas serta arsitektur yang rapi perlu direncanakan sejak awal, lalu LLM dipakai sebagai pekerja coding. LLM masih lemah dalam menilai arsitektur yang bisa dipelihara manusia dalam jangka panjang dan kode yang rapi

  • Sangat bagus untuk vibe coding aplikasi sekali pakai yang berisiko rendah, tetapi ketika fitur diimplementasikan dengan cara yang sama pada legacy codebase yang sangat besar, hasilnya jadi benar-benar mimpi buruk

• Kriterianya adalah apakah menyenangkan mengonsumsi hasil buatan AI. Tulisan, video, suara, menu restoran, foto pakaian, dokumen, kendali lalu lintas udara bandara, iklan—tidak ada satupun yang terasa menyenangkan, dan saya melihat LLM bernilai sebagai mesin pencari yang lebih baik atau alat tanya jawab

  • Banyak konsumen tidak peduli pada kualitas rendah selama standar minimum terpenuhi dan produk berfungsi. Fenomena yang sama juga ada pada peralatan rumah tangga, software, dan fast food
    Jika pada akhirnya AI memenuhi standar itu, hasil buatannya akan mendominasi produk buatan tangan, dan produk serta layanan yang dibuat langsung oleh manusia kemungkinan hanya akan bisa dibeli dengan harga jauh lebih mahal, seperti barang kerajinan saat ini
  • Bisa jadi kita sudah terus menikmati hasil AI yang bagus tanpa menyadarinya. Tidak ada yang suka hasil sekali jadi yang buruk
  • Melihat orang menghabiskan total puluhan miliar dolar setiap bulan, bisa dibilang mereka memang menyukainya
  • Saya menganggap hasil AI hanya sebagai bahan mentah, bukan produk jadi yang langsung diberikan ke pelanggan massal
  • Masalahnya bukan karena itu AI, melainkan kualitas rendah. Kalau hasilnya dibuat dengan baik, orang tetap menyukainya meski jelas itu AI

• Akan semakin sering ada pekerjaan merapikan hasil vibe coding dari perusahaan lain dan mengubahnya menjadi sistem yang realistis. Nilai tiap proyek mungkin turun, tetapi jumlahnya akan naik, dan besar kemungkinan tidak akan berfungsi dengan baik tanpa bantuan
  Ada perusahaan tanpa software engineer yang memakai Claude Code untuk mengerjakan hal di luar bisnis utamanya, tetapi mereka tetap ingin karyawannya mengerjakan pekerjaan yang memang menjadi alasan mereka direkrut, bukan mengutak-atik kode
  Karena kustomisasi makin mudah, produk yang seragam akan makin sulit dijual, tetapi untuk benar-benar memberikan hasil kustom tetap diperlukan banyak pekerjaan. Ini memberi keuntungan ganda bagi orang yang punya pengalaman membangun langsung sekaligus pengetahuan domain pekerjaan tersebut
  Orang biasanya tidak tahu apa yang mereka butuhkan, jadi esensi konsultasi—menemukan kebutuhan itu dan menyediakannya—tetap sama, dan karena software menjadi lebih murah, kita bisa menangani lebih banyak pelanggan

  • Tidak jelas siapa karyawan itu yang katanya tidak boleh menyentuh kode

• Logika dasar tulisan itu cacat. Jika setelah membuat prototipe masih ada pekerjaan yang tersisa, ya lanjutkan saja mengerjakan bagian itu. Tulisan itu tampaknya menyamakan penggunaan AI dengan menghasilkan sesuatu sekaligus lewat prompt empat baris, dan terlihat lebih seperti pembenaran diri tanpa kritik daripada wawasan yang mendasar

  • Ini persis sesuai dengan pengalaman saya memakai LLM pada codebase yang cakupan tesnya kurang, kebutuhannya tidak jelas, dan cara deployment-nya nonstandar. Begitu keluar dari jalur normal, model mulai membuat asumsi buruk yang merusak production, dan bahkan model paling pintar pun tidak mampu menyamai arsitektur yang cocok untuk lingkungan seperti ini

• Bahkan tanpa latar belakang engineering, ini terasa benar secara intuitif, dan saya sudah mengalaminya berkali-kali saat membuat game kartu. Awalnya semuanya berjalan baik, tetapi karena memakai library kartu standar 52 kartu, saya tidak bisa menambahkan kartu event khusus, jadi saya butuh model data yang fleksibel berbasis objek kartu
  Mungkin bisa diatasi kalau diberi tahu sejak awal, tetapi kalau software dianggap sekali pakai dan implementasinya tidak dipikirkan sedalam engineer berpengalaman, kebutuhan seperti itu tidak akan terpikirkan. Masalah tulisan dan kode buatan AI adalah ia merampas proses berpikir yang semestinya melekat dalam proses pembuatannya
  Namun tidak semua software harus punya skalabilitas, kecepatan, dan maintainability. Infrastruktur dan aplikasi yang dipakai jutaan orang memang membutuhkannya, tetapi aplikasi perencanaan menu keluarga tidak perlu mendukung pengaturan alergi untuk puluhan ribu karyawan Google
  AI memungkinkan software menjadi alat seperti masakan rumahan. Masakan rumahan tidak harus menjadi hidangan sempurna; cukup kalau bisa memberi makan keluarga dan menjadi hadiah berupa usaha untuk seseorang

• Jika produk bisa dibuat hanya dengan satu kali permintaan, perusahaan outsourcing pasti sudah lama mendominasi perusahaan produk. Sebagian besar pengembangan produk terjadi dalam iterasi setelah prototipe/MVP awal
  Bukan cuma soal teknologi; kita juga harus lama mendalami masalah untuk memahami akar rasa sakitnya, lalu menyelesaikannya dari sisi pengalaman pengguna maupun teknis. Dulu pun kita bisa “mem-prompt” perusahaan outsourcing untuk membuat produk, tetapi alasan orang membayar perusahaan produk yang membangun keahlian lewat percakapan bertahun-tahun dengan pelanggan ada di sini

• Judul yang lebih tepat untuk merangkum diskusi ini adalah The Prototype Isn't the Product. Prototipe sekali pakai dan aplikasi pribadi yang cukup “sebagian besar berfungsi” dengan AI memang bisa dibuat dengan kecepatan mengejutkan, tetapi software engineering yang menuntut kualitas dan maintainability tetap sulit dan lambat
  Ada banyak demo vibe coding yang mencolok, tetapi sedikit pembahasan tentang seberapa bergunanya AI pada legacy codebase berskala besar atau pekerjaan profesional sehari-hari yang biasa dan tidak glamor
  Kita tidak akan menerima telepon Minggu pagi pukul 6 karena prototipe game 3D hasil vibe coding berhenti berjalan, tetapi kalau ada bug di sistem 24 jam yang baru saja diperbarui, telepon itu pasti datang