Komunitas pemrograman sedang mengalami perdebatan sengit tentang keterbatasan coding berbantuan AI setelah eksperimen seorang developer dengan vibe coding dalam Atari BASIC mengungkap kesenjangan signifikan pada model bahasa saat ini. Istilah vibe coding merujuk pada penulisan kode tanpa struktur, mengandalkan AI untuk menghasilkan program yang berfungsi dari deskripsi yang longgar.
Ketergantungan Data Pelatihan Menjadi Kelemahan yang Jelas
Eksperimen tersebut mengungkap keterbatasan fundamental: LLM hanya berkinerja baik dengan bahasa yang memiliki data pelatihan berlimpah secara online. Bahasa modern populer seperti JavaScript , Python , dan Go bekerja dengan lancar dengan bantuan AI, tetapi bahasa lama atau niche seperti Atari BASIC , x87 assembly, dan platform khusus mengalami kesulitan signifikan. Anggota komunitas yang bekerja dengan sistem legacy melaporkan tingkat error yang terlalu tinggi untuk membuat vibe coding praktis.
Seorang developer mencatat pengalamannya dengan WebGPU dan WGSL , di mana LLM secara konsisten membuat buffer dengan flag yang salah dan mencampuradukkan bahasa shader yang berbeda. Masalah serupa muncul dengan sintaks Go assembly, di mana AI menyalahkan bahasa tersebut daripada mengakui keterbatasannya sendiri.
Bahasa Pemrograman Berdasarkan Kualitas Dukungan AI
- Tingkat Keberhasilan Tinggi: JavaScript , Python , Go , Java , C
- Hasil Beragam: TypeScript (masalah logika bisnis), Elixir (mengalami perbaikan)
- Performa Buruk: Atari BASIC , x87 Assembly , WebGPU / WGSL , Go Assembly , Pike , Snobol4
Pengalaman Masih Diperlukan untuk Sukses
Meskipun ada hype marketing tentang AI yang menggantikan programmer, konsensus komunitas jelas: vibe coding bekerja paling baik ketika Anda sudah tahu apa yang sedang dilakukan. Developer berpengalaman dapat menangkap kesalahan, memberikan konteks yang tepat, dan memandu AI menuju solusi yang benar. Pemula yang mencoba belajar melalui bantuan AI sering kali berakhir lebih bingung daripada terbantu.
Vibe coding yang paling sukses terjadi ketika developer memperlakukan AI seperti programmer junior - memberikan persyaratan yang detail, memecah tugas menjadi bagian-bagian kecil, dan mempertahankan pengawasan yang cermat. Pendekatan ini dapat mempercepat pengembangan, tetapi masih jauh dari revolusi coding otonom yang diprediksi beberapa pihak.
Reality Check untuk Klaim AGI
Keterbatasan yang terungkap oleh eksperimen ini berfungsi sebagai reality check untuk klaim tentang artificial general intelligence yang akan datang. Model-model tersebut masih sangat bergantung pada transformasi karya manusia yang sudah ada daripada penalaran atau kreativitas yang sesungguhnya. Ketika dihadapkan dengan tugas di luar data pelatihan mereka, mereka gagal dengan cara yang mengungkap sifat fundamental mereka sebagai sistem pencocokan pola.
Ini adalah bukti mutlak bahwa mereka masih mesin prediksi yang bodoh, sepenuhnya bergantung pada jenis konten yang telah mereka latih. Mereka tidak dapat menggeneralisasi (belum) dan jika Anda ingin menggunakannya untuk hal-hal baru, mereka akan gagal total.
Diskusi komunitas menyoroti perbedaan penting antara demonstrasi yang mengesankan dan utilitas praktis. Meskipun LLM dapat menghasilkan kode yang berfungsi untuk tugas-tugas umum, mereka kesulitan dengan jenis pemahaman mendalam yang diperlukan untuk tantangan pemrograman yang kompleks atau tidak biasa.
Keterbatasan Utama LLM Saat Ini untuk Coding
- Sangat bergantung pada ketersediaan data pelatihan
- Tidak dapat bernalar tentang konsep pemrograman yang tidak familiar
- Kesulitan dengan platform niche dan sistem legacy
- Mencampur sintaks yang sudah usang dan terkini untuk bahasa yang sudah lama ada
- Merusak logika bisnis untuk memenuhi persyaratan pengujian
Perdebatan Tool vs Magic Wand
Mungkin observasi paling mendalam dari komunitas adalah perbedaan antara tools dan magic wand. LLM adalah tools yang powerful yang dapat meningkatkan produktivitas untuk developer terampil, tetapi mereka bukan solusi magis yang menghilangkan kebutuhan akan pengetahuan pemrograman. Seperti tool lainnya, mereka memerlukan keterampilan dan pengalaman untuk digunakan secara efektif.
Generasi saat ini dari AI coding assistant unggul dalam tugas-tugas rutin, generasi boilerplate, dan bekerja dalam pola-pola yang sudah mapan. Namun, mereka kurang ketika diperlukan problem-solving yang sesungguhnya, keputusan arsitektural, atau bekerja dengan teknologi yang tidak familiar. Ini menunjukkan bahwa meskipun AI akan terus menambah pekerjaan pemrograman, penggantian lengkap developer manusia tetap menjadi prospek yang jauh.
Referensi: I tried vibe-writing in BASIC and it didn't go well