Dunia pemrograman sedang mengalami perdebatan sengit tentang kemampuan sebenarnya dari kecerdasan buatan, karena para developer berbagi pengalaman yang sangat berbeda dengan tools coding AI dalam proyek-proyek dunia nyata. Sementara beberapa memuji AI sebagai pendorong produktivitas, yang lain menemukan keterbatasan serius yang menantang hype seputar pemrograman otomatis.
Perpecahan Besar AI Coding
Komunitas developer telah terpecah menjadi dua kubu yang berbeda. Di satu sisi adalah para penggemar yang memuji kemampuan AI untuk mempercepat pekerjaan pengembangan. Di sisi lain adalah para skeptis yang menunjukkan kegagalan dan keterbatasan yang signifikan. Perpecahan ini mencerminkan ketidakpastian yang lebih luas tentang apakah AI akan benar-benar mengubah pemrograman atau hanya menciptakan masalah baru untuk dipecahkan.
Pengalaman terbaru yang dibagikan oleh para developer menggambarkan gambaran yang kompleks. Beberapa melaporkan bahwa tools AI membantu dengan tugas-tugas rutin dan meningkatkan produktivitas. Namun, yang lain menggambarkan pertemuan yang membuat frustrasi dengan kode yang dihasilkan AI yang tampak fungsional tetapi mengandung cacat tersembunyi atau menciptakan mimpi buruk pemeliharaan.
Komunitas Developer Terpecah Mengenai Dampak AI:
- Penggemar AI: Melaporkan peningkatan produktivitas, pemecahan masalah yang lebih cepat, terutama bermanfaat bagi developer junior yang sedang mempelajari keterampilan baru
- Skeptis AI: Menunjuk pada proyek-proyek yang gagal, generasi kode yang tidak dapat diandalkan, dan hype korporat yang melebihi kemampuan sebenarnya
- Golongan Tengah Pragmatis: Memandang AI sebagai alat yang berguna untuk tugas-tugas spesifik namun menekankan perlunya pengawasan manusia dan pemikiran kritis
Ketika AI Tidak Memenuhi Ekspektasi
Contoh-contoh dunia nyata mengungkapkan di mana tools AI saat ini paling banyak mengalami kesulitan. Para developer melaporkan bahwa AI sering gagal dalam debugging sistem legacy yang kompleks, memahami konteks bisnis, dan menangani realitas berantakan dari pengembangan perangkat lunak korporat. Seorang developer mewarisi proyek iOS yang sepenuhnya dibuat dengan ChatGPT , menggambarkannya sebagai bahkan tidak mendekati berfungsi dengan ribuan commit yang tidak akan terkompilasi.
Kesenjangan antara demonstrasi AI yang mengesankan dan aplikasi praktis menjadi jelas ketika berhadapan dengan codebase yang terdokumentasi dengan buruk, laporan bug yang samar, atau sistem yang telah berkembang selama bertahun-tahun. Situasi-situasi ini memerlukan intuisi dan pengalaman manusia yang tidak dapat direplikasi oleh model AI saat ini.
90% dari pekerjaan kasar yang sebenarnya adalah 'menempelkan pelengkap tambahan pada kekejian Tuhan yang tidak suci ini' atau 'lihat omong kosong ini, cari tahu mengapa itu terjadi dan perbaiki'. LLM kurang lebih tidak berguna untuk kedua hal tersebut.
Keterbatasan Utama Tool Coding AI yang Diidentifikasi oleh Developer:
- Debugging sistem legacy yang kompleks dan codebase yang dokumentasinya buruk
- Memahami konteks bisnis dan kebutuhan organisasi
- Menangani laporan bug yang samar atau tidak lengkap dari pengguna
- Mengelola sistem yang telah berkembang selama bertahun-tahun
- Menghindari pembuatan struktur kode "frankenstein" yang sulit dipelihara
- Mempertahankan konsistensi di seluruh sistem perangkat lunak yang besar dan saling terhubung
Ekonomi di Balik Hype
Diskusi meluas melampaui kemampuan teknis ke motivasi ekonomi. Banyak developer menduga bahwa antusiasme korporat terhadap AI lebih berasal dari keinginan memotong biaya daripada peningkatan produktivitas yang sesungguhnya. Perusahaan mungkin bergegas mengimplementasikan solusi AI tanpa sepenuhnya memahami keterbatasannya, yang mengarah pada PHK berdasarkan ekspektasi yang tidak realistis.
Tekanan ekonomi ini menciptakan siklus yang mengkhawatirkan di mana bisnis mengurangi developer manusia dengan mengharapkan AI mengisi kekosongan, hanya untuk menemukan bahwa AI tidak dapat menangani pekerjaan yang kompleks dan bergantung pada konteks yang dikelola programmer berpengalaman setiap hari. Hasilnya mungkin adalah penghematan biaya jangka pendek yang diikuti oleh kerugian produktivitas jangka panjang.
Melihat Melampaui Kekacauan Saat Ini
Meskipun ada perdebatan sengit, beberapa developer tetap optimis tentang peran AI sebagai alat daripada pengganti. Mereka berargumen bahwa AI bekerja paling baik ketika menambah kemampuan manusia daripada mencoba menggantikannya sepenuhnya. Perspektif ini menunjukkan bahwa integrasi yang sukses memerlukan pemahaman tentang kekuatan dan keterbatasan AI.
Ketidakpastian saat ini mungkin sebenarnya menguntungkan pendatang baru dalam pemrograman, karena tools AI dapat membantu pemula belajar lebih cepat sementara developer berpengalaman menyesuaikan keterampilan mereka untuk bekerja bersama kecerdasan buatan. Namun, periode transisi ini tetap menantang bagi semua orang yang terlibat.
Profesi pemrograman tampaknya memasuki fase yang mirip dengan industri lain yang telah mengintegrasikan tools baru yang kuat. Kesuksesan kemungkinan akan bergantung pada pembelajaran untuk menggunakan AI secara efektif sambil mempertahankan pemikiran kritis dan keterampilan pemecahan masalah yang tetap unik manusia.
Referensi: The Uncertain Future of Coding Careers and Why I'm Still Hopeful