Komunitas teknologi sedang ramai memperdebatkan sebuah prediksi yang berani: kecerdasan buatan akan segera membuat tools software yang fleksibel dan dapat disesuaikan mendominasi pasar dibandingkan aplikasi SaaS yang kaku saat ini. Diskusi ini berpusat pada apakah AI akhirnya dapat menyelesaikan masalah lama tentang tools yang kompleks namun adaptif yang terlalu sulit untuk diatur dan digunakan oleh sebagian besar tim.
Prediksi Timeline untuk Adopsi Software yang Dapat Disesuaikan:
- 2025-2027: AI menghilangkan kurva pembelajaran yang paling curam dalam tools yang fleksibel
- 2028-2030: Keputusan pembelian bergeser dari "Seberapa cepat kita bisa memulai?" menjadi "Seberapa mudah kita bisa mengubahnya nanti?"
- 2030-2035: Setup menjadi seperti percakapan, tools SaaS yang kaku menjadi solusi lawas
 |
|---|
| Halaman web ini membahas potensi dominasi perangkat lunak yang dapat dibentuk dalam industri SaaS |
Argumen Inti: AI sebagai Penyederhanaan Besar
Para pendukung berargumen bahwa AI akan mengubah cara kita berinteraksi dengan software yang dapat dibentuk - tools yang dapat disesuaikan untuk cocok dengan alur kerja spesifik daripada memaksa pengguna untuk menyesuaikan proses mereka. Teori ini menunjukkan bahwa large language models ( LLMs ) dapat menangani pekerjaan pengaturan kompleks yang sebelumnya memerlukan berminggu-minggu konfigurasi, mengubahnya menjadi percakapan sederhana di mana pengguna menjelaskan apa yang mereka inginkan dalam bahasa sehari-hari.
Software yang dapat dibentuk merujuk pada aplikasi yang dapat disesuaikan dan dikonfigurasi ulang secara ekstensif untuk mencocokkan kebutuhan pengguna dan alur kerja yang spesifik.
Reality Check dari Lapangan
Namun, para developer di komunitas memberikan tanggapan balik dengan kekhawatiran praktis. Banyak yang menunjukkan bahwa sebagian besar karyawan sebenarnya lebih memilih tools yang kaku dan terstandarisasi karena mereka menginginkan prediktabilitas dalam lingkungan kerja mereka. Melatih anggota tim baru menjadi jauh lebih sulit ketika software terus berubah, dan orang-orang sudah dapat menggunakan tools yang mapan seperti Jira atau Linear tanpa harus mempelajari sesuatu yang benar-benar baru.
Seorang developer mencatat wawasan penting tentang perilaku manusia: orang sering membuat perubahan cepat untuk membantu mereka pada saat itu tetapi kemudian meninggalkan kustomisasi tersebut, meninggalkan kekacauan modifikasi yang terlupakan yang tidak dapat dipahami atau dipelihara oleh orang lain.
Contoh Perangkat Lunak Utama yang Dibahas:
- Linear: Alat manajemen proyek yang indah dan sederhana, namun tidak fleksibel
- Fibery: Alat workspace yang kompleks namun fleksibel tetapi sulit untuk diatur
- Alternatif tradisional: Jira , Monday , dan alat SaaS mapan lainnya
Masalah Pemeliharaan yang Tidak Dibicarakan Siapa Pun
Kekhawatiran signifikan yang diangkat adalah bahwa ini sebenarnya bukan ide baru - ini mirip dengan gerakan low code sebelumnya tetapi dengan AI yang ditambahkan ke dalam campuran. Para kritikus berargumen bahwa hambatan sebenarnya tidak pernah pada kesulitan coding, tetapi pada tanggung jawab berkelanjutan untuk memelihara, mengamankan, dan memperbarui solusi kustom.
Orang tidak ingin tanggung jawab untuk menjaga mereka tetap diperbarui, aman, di-deploy, dll. Membayar sejumlah kecil akan selalu lebih nyaman daripada memeliharanya sendiri.
Kekhawatiran Kepercayaan dan Keandalan
Diskusi ini juga mengungkap kekhawatiran yang lebih dalam tentang keandalan. Meskipun AI mungkin dapat menangani lapisan presentasi dan beberapa logika bisnis, banyak developer percaya bahwa lapisan bisnis inti dan data masih memerlukan tingkat kepercayaan yang lebih tinggi daripada yang dapat diberikan LLMs saat ini. Sifat nondeterministik dari solusi yang dihasilkan AI memperkenalkan ketidakpastian yang tidak dapat diterima oleh banyak organisasi.
Beberapa developer berpengalaman berargumen bahwa tools yang baik sering memaksa pengguna untuk mengadopsi praktik yang lebih baik daripada beradaptasi dengan alur kerja yang kacau yang sudah ada. Pendekatan software yang berpendapat ini telah terbukti berharga dalam banyak kasus, terutama dalam membantu organisasi menstandarisasi dan meningkatkan proses mereka.
Kesimpulan
Perdebatan ini mencerminkan ketegangan yang lebih luas dalam pengembangan software antara fleksibilitas dan stabilitas. Meskipun AI memang dapat menurunkan hambatan untuk kustomisasi, komunitas tetap terbagi tentang apakah sebagian besar pengguna benar-benar menginginkan fleksibilitas tersebut atau lebih memilih prediktabilitas dari solusi terstandarisasi. Hasilnya mungkin kurang bergantung pada kemampuan teknis dan lebih pada preferensi manusia yang mendasar untuk adaptabilitas atau konsistensi dalam tools kerja mereka.
Referensi: Malleable Software Will Eat the SaaS World