Janji alur kerja pengembangan bertenaga AI menghadapi pengawasan serius karena developer melaporkan frustrasi yang meluas dengan tool saat ini. Sebuah eksperimen terbaru yang melacak dua minggu pengembangan aplikasi dengan bantuan AI penuh telah memicu diskusi komunitas yang intens tentang keterbatasan dunia nyata dari large language model ( LLM ) dalam tugas-tugas coding.
Masalah Konteks Mengganggu Pengembangan AI
Masalah paling persisten yang dihadapi developer adalah ketidakmampuan AI untuk mengajukan pertanyaan klarifikasi ketika informasi hilang. Tidak seperti developer manusia yang secara alami mencari umpan balik ketika persyaratan tidak jelas, tool AI membuat asumsi yang sering mengarah pada implementasi yang salah. Ini menciptakan siklus yang membuat frustrasi di mana developer harus memberikan konteks yang lengkap di awal, namun masih menghadapi kegagalan yang tidak terduga.
Anggota komunitas melaporkan pengalaman serupa di berbagai tool dan tugas. Seorang developer menghabiskan lebih dari satu jam mencoba mendapatkan perintah rsync sederhana dari ChatGPT , hanya untuk menerima parameter yang tidak bekerja dengan versi sistem mereka. AI terus masuk ke lubang kelinci pemecahan masalah alih-alih mengakui keterbatasannya atau menanyakan informasi yang lebih spesifik tentang pengaturan pengguna.
Keterbatasan Utama AI Coding yang Teridentifikasi
- Masalah Konteks: AI tidak mengajukan pertanyaan klarifikasi ketika informasi tidak lengkap
- Duplikasi Kode: Membuat beberapa versi komponen yang sama alih-alih menggunakan kembali kode yang sudah ada
- Kompatibilitas Versi: Menghalusinasi parameter untuk versi perangkat lunak tertentu yang tidak ada dalam data pelatihan
- Gangguan Alur Kerja: Mengganggu alur kerja developer dengan kebutuhan pemantauan yang konstan
- Masalah 80/20: Mudah mendapatkan solusi yang 80% berfungsi, tetapi 80% waktu masih diperlukan untuk penyempurnaan
Kualitas Kode dan Kemudahan Pemeliharaan Menurun
Kode yang dihasilkan AI sering kekurangan abstraksi dan reusabilitas yang diharapkan developer berpengalaman. Alih-alih mengenali komponen dan pola yang ada, tool AI sering menduplikasi fungsionalitas di seluruh proyek. Developer melaporkan menemukan beberapa versi komponen yang sama tersebar di seluruh codebase mereka, menciptakan mimpi buruk pemeliharaan.
Aturan 80/20 menjadi sangat menonjol dengan bantuan AI. Meskipun tool dapat dengan cepat menghasilkan kode yang tampak fungsional, developer masih menghabiskan sekitar 80% waktu mereka untuk memperbaiki inkonsistensi, menangani kasus edge, dan memastikan integrasi yang tepat dengan sistem yang ada.
Masalah Kompatibilitas Versi dan Halusinasi
Keterbatasan teknis utama muncul dari batasan data pelatihan AI. Ketika bekerja dengan versi perangkat lunak tertentu atau API yang kurang terdokumentasi, tool AI sering berhalusinasi parameter, endpoint, dan fungsionalitas yang tidak ada. Masalah ini sangat parah dengan tool command-line di mana versi yang berbeda memiliki persyaratan sintaks yang bervariasi.
Jika memberikan flag yang salah, mengapa Anda mengasumsikan penjelasan yang diberikan akurat? LLM dapat membuat hal-hal tersebut dengan sama baiknya.
Beberapa developer telah menemukan solusi dengan menyediakan dokumentasi lengkap dalam prompt mereka, tetapi pendekatan ini dapat mengonsumsi jutaan token untuk masalah yang relatif sederhana, menimbulkan kekhawatiran biaya.
Gangguan Alur Kerja dan Kehilangan Momentum
Sifat interaktif dari coding AI menciptakan masalah alur kerja yang tidak terduga. Developer melaporkan kehilangan alur pemrograman mereka karena harus terus memantau output AI untuk menangkap kesalahan sejak dini. Ritme pengembangan tradisional dari periode fokus yang berkelanjutan digantikan oleh siklus perhatian yang terfragmentasi dari penyempurnaan prompt dan tinjauan kode.
Banyak developer berpengalaman menemukan bahwa tugas yang bisa mereka selesaikan dengan cepat melalui metode tradisional menjadi latihan yang memakan waktu dalam prompt engineering ketika dicoba dengan bantuan AI.
Kasus Penggunaan Coding AI yang Efektif (Berdasarkan Umpan Balik Komunitas)
- Pembuatan potongan kode (fungsi utilitas seperti
chunkify,clamp,mapValues) - Penulisan test case dan penemuan skenario
- Pencarian dokumentasi dan adaptasi konteks
- Pembuatan boilerplate code
- Copy editing untuk commit message dan penulisan teknis
- Rubber duck debugging dan brainstorming solusi alternatif
Menemukan Titik Manis
Meskipun tantangan ini, komunitas developer telah mengidentifikasi kasus penggunaan spesifik di mana tool AI memberikan nilai yang nyata. Ini termasuk menghasilkan kode boilerplate, menulis test case, berfungsi sebagai mesin pencari yang ditingkatkan untuk dokumentasi, dan menangani tugas coding yang berulang seperti fungsi utilitas.
Konsensus yang muncul memperlakukan AI sebagai asisten khusus daripada pengganti untuk keterampilan pengembangan tradisional. Implementasi yang berhasil cenderung melibatkan developer yang memahami teknologi yang mendasarinya dengan cukup baik untuk dengan cepat mengidentifikasi dan memperbaiki kesalahan yang dihasilkan AI.
Seiring teknologi terus berkembang, komunitas pengembangan tetap optimis dengan hati-hati sambil mempertahankan ekspektasi yang realistis tentang keterbatasan saat ini. Kuncinya tampaknya adalah menemukan keseimbangan yang tepat antara bantuan AI dan pengawasan manusia, daripada mengejar alur kerja pengembangan yang sepenuhnya otomatis.
Referensi: TO AI OR NOT TO AI
 |
|---|
| Menjelajahi keseimbangan antara bantuan AI dan pengawasan manusia dalam pengembangan aplikasi |