Martin Fowler , konsultan pengembangan perangkat lunak terkenal, baru-baru ini memicu perdebatan sengit di komunitas pemrograman dengan membandingkan Large Language Models (LLMs) dengan perubahan revolusioner dari bahasa assembly ke bahasa pemrograman tingkat tinggi. Argumennya berpusat pada ide bahwa LLM tidak hanya mewakili tingkat abstraksi baru, tetapi pendekatan yang sepenuhnya berbeda dalam pemrograman yang memperkenalkan elemen non-deterministik ke dalam bidang yang secara tradisional bersifat deterministik.
Diskusi ini telah mengungkap perpecahan tajam dalam komunitas developer tentang dampak dan nilai sebenarnya dari alat coding bertenaga AI.
Skeptisisme Komunitas Terhadap Klaim Revolusioner
Banyak developer menolak karakterisasi Fowler tentang LLM sebagai perubahan paradigma fundamental. Kritikus berargumen bahwa memberikan prompt kepada sistem AI secara fundamental berbeda dari pemrograman tradisional dan tidak seharusnya dianggap sebagai aktivitas yang sama. Mereka mempertanyakan mengapa output non-deterministik harus menggantikan perilaku yang dapat diandalkan dan dapat diprediksi yang telah membuat komputer sangat berharga untuk otomatisasi.
Beberapa anggota komunitas mengekspresikan frustrasi dengan apa yang mereka lihat sebagai evangelisme prematur dari konsultan yang mengakui memiliki pengalaman langsung terbatas dengan teknologi tersebut. Skeptisisme meluas ke kekhawatiran tentang apakah LLM benar-benar menyelesaikan masalah yang lebih sulit atau hanya menangani tugas-tugas familiar dengan lebih cepat.
Perspektif Komunitas tentang Dampak Pemrograman LLM:
- Skeptis: Memandang prompting sebagai sesuatu yang secara fundamental berbeda dari pemrograman, mempertanyakan penggantian sistem deterministik
- Pragmatis: Melaporkan peningkatan produktivitas tetapi menekankan kebutuhan untuk pengujian yang komprehensif
- Pengguna Awal: Membangun aplikasi berbasis LLM sambil mengelola tantangan non-determinisme
- Pengguna Bisnis: Sering merasa frustrasi dengan perilaku yang tidak dapat diprediksi dibandingkan dengan sistem tradisional berbasis aturan
Tantangan Non-Determinisme dalam Praktik
Developer yang secara aktif membangun aplikasi berbasis LLM melaporkan tantangan praktis yang signifikan dengan sifat non-deterministik dari sistem-sistem ini. Perubahan kecil pada prompt dapat menghasilkan hasil yang sangat berbeda, membuat sulit untuk memprediksi outcome dan menciptakan hambatan untuk adopsi bisnis mainstream.
Faktanya adalah perubahan yang tampaknya tidak signifikan pada prompt dapat menghasilkan outcome yang sangat berbeda, dan outcome baru yang aneh memiliki semua dampak downstream yang tidak dapat diprediksi ini.
Ketidakpastian ini sangat kontras dengan pemrograman tradisional, di mana kode yang sama menghasilkan hasil identik setiap kali dijalankan. Tantangan menjadi lebih kompleks ketika berhadapan dengan masalah teknis seperti batas context window, yang ditangani secara tidak konsisten oleh layanan AI yang berbeda - beberapa mengeluarkan error sementara yang lain secara diam-diam memotong konten.
Tantangan Teknis Utama dengan LLM dalam Pemrograman:
- Output non-deterministik dari prompt yang identik
- Keterbatasan jendela konteks ditangani secara tidak konsisten di berbagai penyedia
- Pengaturan temperature mempengaruhi reproduksibilitas (temperature=0.0 diperlukan untuk hasil yang konsisten)
- Kegagalan senyap vs. error eksplisit bervariasi menurut implementasi
- Kesulitan memprediksi hasil dari modifikasi prompt
Peningkatan Produktivitas Versus Trade-off Keandalan
Komunitas tampak terpecah mengenai apakah LLM mewakili trade-off yang berharga antara kecepatan dan keandalan. Banyak developer melaporkan peningkatan produktivitas yang signifikan ketika menggunakan alat AI untuk generasi kode, terutama untuk tugas-tugas rutin atau ketika bekerja di domain yang tidak familiar. Namun, mereka juga mencatat menghabiskan waktu tambahan untuk debugging masalah halus yang mungkin tidak terjadi dengan kode yang ditulis tangan.
Perdebatan sering berpusat pada jenis masalah mana yang cocok untuk solusi non-deterministik. Beberapa berargumen bahwa kasus edge tertentu yang memerlukan keputusan akal sehat dapat menguntungkan dari penanganan AI, sementara yang lain khawatir tentang risiko perilaku yang tidak dapat diprediksi dalam sistem produksi.
Kekhawatiran Testing dan Quality Assurance
Tema yang berulang dalam diskusi melibatkan bagaimana praktik kualitas perangkat lunak tradisional berlaku untuk kode yang dihasilkan AI. Developer menekankan bahwa praktik defensive programming yang sama yang digunakan untuk menangkap kesalahan manusia - testing komprehensif dan sistem tipe - juga membantu menangkap kesalahan yang dihasilkan AI.
Namun, tantangan testing menjadi lebih kompleks ketika sistem AI itu sendiri adalah bagian dari logika aplikasi, bukan hanya alat pengembangan. Memastikan perilaku yang konsisten di berbagai versi model, endpoint API, dan pengaturan konfigurasi memerlukan pendekatan baru untuk quality assurance.
Kesimpulan
Sementara komunitas pemrograman tetap terbagi mengenai apakah LLM mewakili perubahan revolusioner atau hanya alat berguna lainnya, tantangan dan manfaat praktis menjadi lebih jelas melalui pengalaman dunia nyata. Teknologi ini tampak paling sukses ketika diperlakukan sebagai peningkat produktivitas daripada pengganti untuk pendekatan pemrograman tradisional, dengan perhatian cermat pada testing dan kontrol kualitas. Seiring lebih banyak developer memperoleh pengalaman langsung dengan alat-alat ini, industri kemungkinan akan mengembangkan praktik yang lebih baik untuk mengelola non-determinisme yang melekat sambil memaksimalkan manfaat produktivitas.
Referensi: LLMs bring new nature of abstraction