Munculnya alat coding bertenaga AI menciptakan efek samping yang tidak terduga: developer menulis dokumentasi lebih banyak dari sebelumnya. Ketika large language model (LLM) menjadi pusat alur kerja pengembangan perangkat lunak, programmer mendapati diri mereka menghabiskan waktu yang signifikan untuk membuat file konteks, spesifikasi detail, dan dokumentasi terstruktur untuk membantu alat AI memahami proyek mereka dengan lebih baik.
Perubahan ini merepresentasikan perubahan fundamental dalam cara developer mendekati pekerjaan mereka. Alih-alih langsung terjun ke coding, banyak yang kini menginvestasikan waktu berjam-jam untuk menulis instruksi yang jelas, panduan proyek, dan dokumentasi komprehensif yang dapat diparsing oleh AI secara efektif.
 |
|---|
| Meningkatnya pentingnya penulisan teknis dalam pengembangan AI dan pergeseran praktik pengembang menuju pembuatan dokumentasi yang detail |
LLM Kesulitan dengan Perubahan API Terbaru
Salah satu tantangan terbesar yang dihadapi pengembangan berbantuan AI adalah ketidakmampuan model untuk menangani update API terbaru dan breaking change. Developer melaporkan masalah konsisten ketika bekerja dengan library yang telah berevolusi sejak tanggal cutoff pelatihan model AI. Framework populer seperti Angular, React, dan library Python yang lebih baru sering menerima saran untuk metode yang sudah deprecated atau praktik yang sudah usang.
Transisi Python 2 ke Python 3, yang sudah mapan dalam data pelatihan, jarang menyebabkan masalah. Namun, perubahan yang lebih baru membuat developer frustrasi karena alat AI menyarankan kode yang tidak berfungsi dengan versi terkini.
API: Application Programming Interface - sekumpulan aturan yang memungkinkan aplikasi perangkat lunak yang berbeda untuk berkomunikasi satu sama lain
Masalah Umum LLM dengan API Terbaru:
- Bazel : Menyarankan solusi WORKSPACE yang sudah usang alih-alih Bzlmod
- Dart / Flutter : Merekomendasikan Text.textScaleFactor yang sudah deprecated dan praktik-praktik yang sudah ketinggalan zaman
- Klien genai Google : Kesulitan dengan pembaruan metode sejak batas waktu pelatihan
- MoviePy 2.x : Dilatih terutama pada perubahan yang merusak v1.x
- OpenTofu / IaC : Memerlukan koneksi MCP ke dokumentasi untuk akurasi
Dokumentasi Menjadi Bottleneck Pengembangan
Meskipun pendukung berargumen bahwa dokumentasi yang lebih baik menguntungkan semua orang, realitas di lapangan menceritakan kisah yang berbeda. Banyak developer mendapati diri mereka terjebak dalam paradoks produktivitas - menghabiskan lebih banyak waktu menulis tentang kode daripada benar-benar menulis kode itu sendiri.
Apa yang kami anggap menarik (hacking code), AI yang melakukannya dan apa yang dulu kami benci (menulis dokumentasi) sekarang kami yang melakukannya.
Ironinya tidak luput dari komunitas pengembangan. AI seharusnya menangani tugas-tugas yang membosankan sehingga manusia bisa fokus pada pekerjaan kreatif. Sebaliknya, developer kini menghabiskan waktu mereka untuk menyusun file konteks yang detail dan memelihara struktur dokumentasi yang rumit hanya untuk membuat alat AI berfungsi dengan baik.
Pergeseran Alokasi Waktu Developer:
- Tradisional: Lebih banyak waktu untuk coding, lebih sedikit waktu untuk dokumentasi
- Berbantuan AI: Lebih banyak waktu untuk dokumentasi/pembuatan konteks, AI menangani coding
- Paradoks produktivitas: Tools yang dimaksudkan untuk menghemat waktu sering memerlukan investasi setup yang signifikan
- Tingkat keberhasilan: ~95% perubahan berjalan dengan baik, tetapi 5% sisanya bisa memakan waktu berhari-hari untuk diselesaikan
Perlombaan Context Window
Ketika model AI membanggakan context window yang lebih besar - jumlah informasi yang dapat mereka proses sekaligus - developer merasa tertekan untuk memberi mereka lebih banyak dokumentasi. Context window sebesar satu juta token mungkin terdengar mengesankan, tetapi mengisinya dengan informasi yang relevan dan akurat membutuhkan upaya manusia yang substansial.
Beberapa developer melaporkan memulai proyek dari awal sepenuhnya setelah berjam-jam bergulat dengan kode yang dihasilkan AI yang salah arah. Janji pengembangan yang cepat sering kali larut menjadi sesi debugging yang panjang dan siklus penyempurnaan konteks.
Perbandingan Context Window:
- 1 juta token = Seluruh trilogi Lord of the Rings + The Hobbit + The Silmarillion
- Context window yang lebih besar menciptakan tekanan untuk menyediakan lebih banyak dokumentasi
- Konteks yang lebih banyak tidak selalu menghasilkan hasil yang lebih baik tanpa kurasi yang tepat
Reality Check pada Adopsi AI
Meskipun ada klaim berani tentang adopsi luas praktik dokumentasi yang dioptimalkan AI, realitanya tampak lebih sederhana. Banyak dalam komunitas tech writing mempertanyakan apakah sebagian besar organisasi benar-benar mengimplementasikan strategi integrasi AI yang canggih ini. Kesenjangan antara hype marketing dan implementasi aktual tetap signifikan.
Untuk developer berpengalaman yang bekerja pada codebase besar dan mapan, alat AI sering memberikan hasil yang semakin berkurang. Kompleksitas sistem perangkat lunak dunia nyata membuat sulit untuk menyaring konteks yang bermakna yang dapat digunakan AI secara efektif tanpa panduan manusia yang ekstensif.
Kondisi terkini pengembangan berbantuan AI tampaknya bekerja paling baik untuk pendatang baru yang membangun proyek sederhana atau proof-of-concept, di mana akurasi dan kepatuhan pada praktik terbaik kurang penting daripada mendapatkan sesuatu yang fungsional dengan cepat. Untuk pekerjaan produksi yang serius, masih belum jelas apakah overhead dokumentasi membenarkan potensi peningkatan produktivitas.
Referensi: # Al must RTFM: Why technical writers are becoming context curators