Janjinya sederhana: tools coding AI akan menangani hal-hal membosankan, membebaskan developer untuk fokus pada pekerjaan kreatif dan strategis. Namun, semakin banyak bukti menunjukkan bahwa tools ini justru menciptakan masalah baru sambil gagal memberikan peningkatan produktivitas yang mereka iklankan.
Studi terbaru mengungkap kesenjangan yang mengkhawatirkan antara perasaan developer tentang tools AI dan dampak sebenarnya terhadap produktivitas. Sementara 75% developer melaporkan merasa lebih produktif dengan bantuan AI, pengukuran tingkat sistem menunjukkan cerita yang sama sekali berbeda.
Realitas di Balik Angka-Angka
Studi komprehensif terhadap developer perangkat lunak berpengalaman menemukan bahwa mereka yang menggunakan tools AI membutuhkan waktu 19% lebih lama untuk menyelesaikan tugas dibandingkan bekerja tanpa bantuan AI. Yang lebih mengejutkan, para developer memperkirakan mereka 20% lebih cepat dengan AI - sepenuhnya salah tentang tingkat produktivitas mereka sendiri.
Laporan DORA 2024, yang dianggap sebagai standar emas untuk mengukur performa pengiriman perangkat lunak, mengungkap temuan serupa. Peningkatan adopsi AI sebesar 25% berkorelasi dengan penurunan throughput pengiriman sebesar 1,5% dan penurunan stabilitas pengiriman sebesar 7,2%. Peneliti mencatat bahwa individu melaporkan menghabiskan lebih sedikit waktu untuk pekerjaan berharga seiring meningkatnya adopsi AI - persis kebalikan dari yang dijanjikan tools ini.
Hasil Studi Produktivitas AI:
- Developer yang menggunakan tools AI: penyelesaian tugas 19% lebih lambat
- Persepsi diri developer: 20% lebih cepat (salah)
- Peningkatan adopsi AI 25% → penurunan throughput delivery 1,5%
- Peningkatan adopsi AI 25% → penurunan stabilitas delivery 7,2%
- 75% developer melaporkan merasa lebih produktif meskipun performa tingkat sistem menurun
Beban Kognitif yang Tersembunyi
Kesenjangan ini berasal dari perubahan fundamental dalam cara developer menghabiskan energi mental mereka. Alih-alih menulis kode dari awal, developer kini menyusun prompt, meninjau output AI untuk akurasi, dan memperbaiki masalah formatting. Daripada melakukan riset secara langsung, mereka melakukan fact-check ringkasan AI dan melakukan cross-reference sumber yang tidak sepenuhnya mereka percayai.
Ini menciptakan apa yang peneliti sebut sebagai jenis beban kognitif baru - upaya konstan yang diperlukan untuk memfilter dan memvalidasi output AI. Developer pada dasarnya telah menukar pekerjaan implementasi dengan kontrol kualitas, dan kontrol kualitas terbukti melelahkan secara mental dengan cara yang belum sepenuhnya diakui industri.
Diskusi komunitas mengungkap contoh praktis dari beban ini. Tim pengembangan melaporkan menerima pull request dengan ratusan perubahan yang tidak dapat dijelaskan oleh pembuatnya, yang mengarah pada respons seperti Saya tidak tahu, Claude yang melakukannya ketika ditanya tentang keputusan desain. Code reviewer mendapati diri mereka menghabiskan waktu jauh lebih banyak untuk memahami kode yang dihasilkan AI dibandingkan yang sebelumnya mereka habiskan untuk submission yang ditulis manusia.
Efek Hukum Parkinson
Bahkan ketika tools AI memang menghemat waktu, waktu tersebut jarang diterjemahkan menjadi pengurangan beban kerja. Jam yang dihemat diisi dengan rapat tambahan, mengelola berbagai tools AI, atau mengambil proyek ekstra. Ini mengikuti versi produktivitas dari Hukum Parkinson - pekerjaan mengembang untuk mengisi waktu yang tersedia, terlepas dari peningkatan efisiensi.
Anda mendapat peningkatan efisiensi 1,2x tetapi mendapat pekerjaan 2x lipat.
Pola ini mencerminkan dinamika tempat kerja yang lebih luas di mana peningkatan produktivitas menguntungkan pemberi kerja melalui peningkatan output daripada karyawan melalui pengurangan jam kerja atau stres.
Tantangan Kontrol Kualitas
Komunitas melaporkan tren yang mengkhawatirkan dalam kualitas kode dan pemahaman. Developer junior yang mungkin sebelumnya berjuang melalui masalah untuk belajar kini mengirimkan solusi yang dihasilkan AI yang tidak mereka pahami. Ini menciptakan kesenjangan pengetahuan yang berbahaya di mana developer menjadi bergantung pada tools yang tidak dapat mereka evaluasi dengan benar.
Developer berpengalaman mencatat bahwa kode yang dihasilkan AI sering kali mencakup kompleksitas yang tidak perlu, bagian kode yang tidak dapat dijangkau, atau konfigurasi yang tidak dipahami siapa pun dalam tim. Proses review menjadi lebih tentang damage control daripada perbaikan kolaboratif.
Masalah Umum dalam Pengembangan AI:
- Pull request dengan ratusan perubahan yang tidak dijelaskan
- Developer tidak mampu menjelaskan keputusan desain kode yang dihasilkan AI
- Waktu code review yang meningkat (hingga 9 kali lebih lama dalam beberapa kasus)
- Developer junior mengirimkan kode yang tidak mereka pahami
- Kompleksitas yang tidak perlu dan bagian kode yang tidak dapat dijangkau
Menemukan Keseimbangan di Era AI
Solusinya bukan meninggalkan tools AI sepenuhnya, tetapi mengubah ekspektasi secara fundamental tentang penggunaannya. Adopsi yang sukses memerlukan memperlakukan AI sebagai mitra kolaboratif daripada pengganti untuk pemahaman. Developer yang menggunakan AI secara efektif masih mempertahankan pemahaman mendalam tentang kode mereka dan dapat menjelaskan setiap baris yang mereka kirimkan.
Organisasi yang melihat hasil positif dari tools AI berinvestasi dalam perubahan pelengkap - proses baru, pelatihan, dan infrastruktur. Mereka tidak hanya menempelkan AI pada alur kerja yang ada dan mengharapkan peningkatan langsung.
Fase saat ini mewakili apa yang ekonom sebut sebagai J-curve - penurunan produktivitas sementara diikuti oleh keuntungan akhirnya, tetapi hanya setelah periode penyesuaian yang signifikan. Kuncinya adalah menyadari bahwa kita kemungkinan masih dalam penurunan awal tersebut, dan itu normal untuk setiap transisi teknologi besar.
Terobosan produktivitas yang sesungguhnya mungkin datang bukan dari menggunakan AI lebih cepat, tetapi dari belajar kapan tidak menggunakannya sama sekali. Terkadang pendekatan yang paling efisien tetap yang tradisional - memahami masalah secara mendalam dan menyusun solusi dengan pemahaman penuh tentang implikasinya.
Referensi: AI promised efficiency. Instead, it's making us work harder.