Komunitas developer sedang mengalami perpecahan yang menarik. Sementara beberapa programmer melaporkan peningkatan produktivitas yang besar menggunakan tools coding AI, yang lain merasa frustrasi dan mempertanyakan apakah mereka melewatkan sesuatu yang fundamental. Perpecahan ini telah memicu diskusi intens tentang efektivitas dunia nyata dari large language models ( LLMs ) dalam pengembangan perangkat lunak.
Kekhawatiran awal datang dari seorang developer yang merasa tertinggal meskipun telah mencoba berbagai tools AI. Mereka menggambarkan menghabiskan berjam-jam dengan asisten AI hanya untuk menyadari bahwa mereka bisa menyelesaikan tugas secara manual dalam 25 menit. Namun mereka terus melihat kisah sukses dari developer terpercaya, menciptakan ketidaksesuaian yang membingungkan antara ekspektasi dan kenyataan.
Tool dan Konteks Lebih Penting dari yang Diharapkan
Umpan balik komunitas mengungkapkan bahwa pilihan model AI dan lingkungan pengembangan menciptakan pengalaman yang sangat berbeda. Banyak developer melaporkan bahwa sesi ChatGPT standalone menghasilkan hasil yang mengecewakan, sementara integrated development environments seperti Cursor atau Claude Code memberikan hasil yang jauh lebih baik. Perbedaan utamanya terletak pada memberikan tools AI akses ke seluruh codebase, build systems, dan konteks proyek daripada bekerja dengan potongan kode yang terisolasi.
Seorang developer berpengalaman berbagi bagaimana mereka kembali ke programming setelah istirahat 12 tahun dan menemukan tools AI sangat berharga untuk menangani tugas setup, configuration frameworks, dan memperbaiki compilation errors. AI tidak menulis seluruh proyek mereka, tetapi menghilangkan pekerjaan boilerplate yang membosankan yang akan menghabiskan waktu signifikan.
Tools Coding AI Paling Efektif Berdasarkan Kategori:
- IDE Terintegrasi: Cursor , Claude Code (dengan akses penuh ke codebase)
- Model Standalone: Claude 3.5 Sonnet , GPT-4 (untuk tugas-tugas spesifik)
- Kurang Efektif: ChatGPT standalone, GPT-4o untuk pemrograman kompleks
Spesifisitas Domain Menciptakan Hasil yang Sangat Berbeda
Jenis pekerjaan programming sangat mempengaruhi efektivitas AI. Frontend development, aplikasi web, dan tugas administratif umum melihat tingkat keberhasilan yang luar biasa. Developer melaporkan mampu melakukan restyle website, membuat admin panels, dan menghasilkan boilerplate code sambil menonton televisi. Namun, domain khusus seperti GPU drivers, robotika, atau legacy C++ codebases sering menghasilkan hasil yang frustrasi.
Saya bekerja pada cpp GPU compiler. Semua LLMs tidak berguna. Ironisnya compiler yang saya kerjakan digunakan secara luas untuk workloads LLM.
Pola ini menunjukkan bahwa tools AI unggul dalam tugas yang terwakili dengan baik dalam data training mereka tetapi kesulitan dengan domain teknis khusus atau teknologi cutting-edge yang belum terdokumentasi secara luas online.
Domain Pemrograman Berdasarkan Efektivitas AI:
- Tingkat Keberhasilan Tinggi: Pengembangan frontend, aplikasi web, panel admin, pembuatan boilerplate
- Tingkat Keberhasilan Sedang: Pekerjaan backend umum, integrasi API, dokumentasi
- Tingkat Keberhasilan Rendah: Driver GPU, robotika, basis kode C++ lama, pemrograman perangkat keras khusus
Masalah Inkonsistensi
Mungkin penilaian paling jujur dari komunitas mengakui bahwa tools coding AI bekerja kadang-kadang dan gagal di waktu lain. Developer yang sama dapat memiliki pengalaman yang sangat berbeda dengan tugas serupa, yang mengarah pada apa yang beberapa orang bandingkan dengan perjudian atau perilaku mesin slot. Inkonsistensi ini membuat sulit untuk mengembangkan workflow yang dapat diandalkan atau menetapkan ekspektasi yang tepat.
Beberapa developer menggambarkan belajar menggunakan tools AI sebagai keterampilan yang memerlukan investasi signifikan, mirip dengan menguasai text editor yang kompleks. Mereka menekankan pentingnya belajar bagaimana membimbing dan melatih AI daripada mengharapkannya bekerja secara otonom. Namun, kritikus mempertanyakan apakah mengganti coding yang mudah dengan tugas yang lebih kompleks yaitu mengelola output AI yang tidak dapat diprediksi merupakan kemajuan yang sesungguhnya.
Faktor Kunci Kesuksesan yang Teridentifikasi:
- Akses konteks codebase penuh vs. potongan kode yang terisolasi
- Pemilihan tugas yang tepat (boilerplate vs. logika kompleks)
- Belajar membimbing/melatih AI daripada mengharapkan kerja otonom
- Menggunakan AI untuk teknologi yang terdokumentasi dengan baik vs. domain mutakhir
Faktor FOMO
Fear of missing out memainkan peran signifikan dalam kecemasan developer terhadap tools AI. Banyak yang khawatir bahwa tidak mengadopsi teknologi ini akan membuat mereka dirugikan secara profesional. Namun, suara berpengalaman dalam komunitas menyarankan bahwa lanskap yang berubah dengan cepat membuat masuk akal untuk menunggu stabilisasi daripada terus mengejar perkembangan terbaru.
Diskusi mengungkapkan bahwa sebagian besar hype coding AI saat ini mungkin didorong oleh strategi marketing yang dirancang untuk menciptakan urgensi dan menekan developer untuk adopsi sebelum teknologi cukup matang untuk penggunaan sehari-hari yang dapat diandalkan.
Kesimpulan
Pengalaman campuran komunitas developer dengan tools coding AI mencerminkan teknologi yang masih dalam evolusi cepat. Keberhasilan tampaknya sangat bergantung pada pemilihan tools yang tepat, bekerja dalam domain yang sesuai, dan mengembangkan keterampilan baru untuk kolaborasi manusia-AI. Sementara beberapa developer mencapai peningkatan produktivitas yang luar biasa, yang lain menemukan metode tradisional lebih dapat diandalkan dan efisien.
Daripada adopsi atau penolakan universal, bukti menunjukkan masa depan yang lebih bernuansa di mana tools coding AI unggul dalam konteks spesifik sementara tetap tidak cocok untuk yang lain. Developer mungkin mendapat manfaat dari bereksperimen dengan tools ini tanpa tekanan untuk segera mengubah seluruh workflow mereka, memungkinkan teknologi dan praktik terbaik untuk matang lebih lanjut sebelum membuat komitmen signifikan.
Referensi: GPTs and feeling left behind