Meningkatnya penggunaan asisten coding AI telah menciptakan tantangan tak terduga di tempat kerja: developer yang mengirimkan pull request besar berisi kode yang dihasilkan AI tanpa melakukan review yang tepat terlebih dahulu. Fenomena ini, yang disebut vibe coding, terjadi ketika programmer menghasilkan kode menggunakan tools AI namun melewatkan langkah penting untuk memeriksa output secara menyeluruh sebelum meminta kolega untuk melakukan review.
Masalah Pull Request
Tim software semakin frustasi dengan rekan kerja yang mengirimkan ratusan baris kode yang dihasilkan AI ke dalam pull request tanpa validasi yang tepat. Submission ini sering mengandung error yang jelas, implementasi yang tidak efisien, dan kode yang tidak mengikuti standar proyek. Beberapa developer bahkan mulai menandai submission mereka dengan tag [vibe], yang pada dasarnya mengakui bahwa mereka belum memverifikasi pekerjaan mereka sendiri.
Praktik ini telah menciptakan efek berantai di seluruh tim development. Code reviewer mendapati diri mereka menghabiskan waktu berlebihan untuk mengidentifikasi masalah dasar yang seharusnya sudah tertangkap sebelum submission. Banyak yang kini menerapkan kebijakan penolakan instan untuk kode yang dihasilkan AI yang jelas-jelas tidak diverifikasi, dengan beberapa team lead mempertimbangkan tindakan disipliner untuk pelanggar berulang.
Masalah Umum Coding AI yang Dilaporkan:
- Pull request dengan 400+ baris kode yang memiliki kesalahan yang jelas
- Implementasi kode yang tidak efisien dan memerlukan optimisasi
- Output yang tidak deterministik meskipun menggunakan parameter tetap
- Penundaan context switching yang mengurangi keuntungan produktivitas
- Kerentanan keamanan dalam kode yang dihasilkan
Dilema Pengawasan
Masalah inti muncul ketika developer harus terus-menerus mengawasi output AI selama jam kerja. Tidak seperti tools otomasi lainnya yang dapat diandalkan untuk menangani tugas rutin, asisten coding AI saat ini memerlukan pengawasan berkelanjutan untuk mencegah error. Ini menciptakan paradoks di mana tool yang dimaksudkan untuk meningkatkan produktivitas justru membutuhkan lebih banyak perhatian daripada metode coding tradisional.
Situasi menjadi lebih kompleks ketika tim mencoba mengimplementasikan AI agents untuk code review. Sistem ini cenderung menghasilkan feedback terlepas dari apakah itu diperlukan atau tidak, menciptakan false positive yang membuang waktu tambahan. Beberapa organisasi melaporkan bahwa AI yang melakukan review kode yang dihasilkan AI menciptakan loop iteratif misterius di mana maksud asli hilang dalam modifikasi otomatis yang berturut-turut.
Mengelola Integrasi AI
Tim yang berpikiran maju sedang mengembangkan pendekatan terstruktur untuk development yang dibantu AI. Implementasi yang paling sukses melibatkan pembuatan file dokumentasi proyek yang detail yang memberikan tools AI konteks yang tepat tentang standar coding, persyaratan keamanan, dan logika bisnis. Pendekatan ini menguntungkan baik kontributor artificial maupun manusia dengan menetapkan panduan yang jelas.
Namun, tanggung jawab fundamental tetap berada pada developer individual. Integrasi AI yang sukses memerlukan perlakuan terhadap tools ini sebagai asisten daripada pengganti untuk penilaian manusia. Developer yang paling produktif menggunakan AI untuk menangani tugas rutin sambil mempertahankan pengawasan aktif terhadap output.
AI membawa serangkaian masalahnya sendiri tetapi saya pikir beberapa orang hanya tidak ingin mendengar betapa bermanfaatnya secara keseluruhan.
Praktik Integrasi AI yang Direkomendasikan:
- Buat file AGENTS.md dengan konteks proyek dan standar coding
- Pertahankan pengawasan aktif selama proses generasi kode AI
- Implementasikan pengujian yang tepat sebelum mengirimkan pull request
- Gunakan AI untuk tugas-tugas rutin sambil mempertahankan penilaian manusia
- Tetapkan standar akuntabilitas yang jelas untuk pekerjaan yang dibantu AI
Kesenjangan Generasi
Dinamika menarik muncul antara developer berpengalaman yang mendekati AI dengan hati-hati dan programmer yang lebih baru yang tumbuh dengan tools ini. Sementara veteran khawatir tentang kualitas kode dan pemahaman fundamental, developer yang lebih muda sering menunjukkan integrasi AI assistance yang lebih intuitif ke dalam workflow mereka.
Perbedaan utama tampaknya terletak pada bagaimana setiap kelompok mendekati verifikasi dan tanggung jawab. Adopsi AI yang sukses memerlukan pemeliharaan standar kualitas yang sama terlepas dari bagaimana kode dihasilkan. Tim yang menetapkan langkah-langkah akuntabilitas yang jelas cenderung melihat hasil yang lebih baik daripada mereka yang memperlakukan kode yang dihasilkan AI sebagai sesuatu yang berbeda dari kode yang ditulis manusia.
Industri masih belajar bagaimana menyeimbangkan bantuan AI dengan tanggung jawab profesional. Seiring tools ini menjadi lebih canggih, tantangannya adalah mempertahankan kualitas kode sambil menangkap manfaat produktivitas yang membuat adopsi AI menarik di tempat pertama.
Referensi: Karen Hao on the Empire of AI, ASI evangelists, and the cost of belief!