Komunitas pengembangan perangkat lunak terbelah atas kemunculan AI coding agents, dengan beberapa developer mengklaim otomatisasi hampir total sementara yang lain memperingatkan sampah AI yang tidak dapat dipelihara. Diskusi terkini mengungkap kekhawatiran mendalam tentang kualitas kode, keterampilan developer, dan apakah mengelola banyak AI agent mewakili kemajuan atau gangguan.
Janji Pengkodean Sepenuhnya Otomatis
Beberapa developer melaporkan mencapai peningkatan produktivitas yang luar biasa menggunakan AI coding agents. Satu developer terkemuka mengklaim AI sekarang menulis hampir 100% kode mereka untuk aplikasi TypeScript React berisi 300.000 baris, menjalankan beberapa AI agent secara paralel dengan biaya sekitar 1.000 dolar AS per bulan. Para pendukung ini menggambarkan alur kerja di mana mereka mengelola 3-8 AI agent secara bersamaan, memperlakukan proses tersebut lebih seperti mengawasi tim daripada pemrograman tradisional.
Saya akan memilih output mereka daripada rata-rata SWE umum setiap hari dan dua kali pada hari Minggu.
Para pendukung berargumen pendekatan ini memungkinkan mereka fokus pada arsitektur tingkat tinggi dan desain sistem sambil mengotomatisasi detail implementasi. Alur kerja ini melibatkan pemberian prompt ringkas, terkadang hanya 1-2 kalimat, dan membiarkan AI menganalisis basis kode untuk memahami konteks dan persyaratan.
Biaya dan Skala AI Coding yang Dilaporkan
- Biaya bulanan: ~$1.000 USD
- Ukuran codebase: ~300.000 LOC aplikasi TypeScript React
- Agen paralel: 3-8 secara bersamaan
- Komponen proyek: Aplikasi Expo, aplikasi Tauri, alat CLI, ekstensi Chrome
 |
|---|
| Grafik yang mengilustrasikan kurva kompleksitas pemrograman agentik, merepresentasikan peran AI yang terus berkembang dalam tugas-tugas pengembangan perangkat lunak |
Kekhawatiran Kualitas dan Peringatan Sampah AI
Para skeptis mengangkat kekhawatiran serius tentang kualitas kode yang dihasilkan AI. Banyak komentator mempertanyakan apakah 300.000 baris kode hasil AI mewakili pengembangan yang efisien atau utang teknis yang sedang dibuat. Para kritikus menyarankan kode buatan manusia yang setara mungkin jauh lebih ringkas dan dapat dipelihara.
Istilah sampah AI sering muncul dalam diskusi, menggambarkan kode yang bertele-tele dan tidak efisien yang memecahkan masalah sederhana dengan kompleksitas berlebihan. Satu developer mencatat bahwa AI agent cenderung maksimalis secara default, memilih solusi 250-baris di mana perubahan satu-baris sudah cukup. Ini memunculkan pertanyaan tentang kemampuan pemeliharaan jangka panjang dan apakah developer akan mampu memahami dan menalar tentang kode yang seharusnya mereka kelola.
Kekhawatiran Umum Developer tentang Kode yang Dihasilkan AI
- Verbositas dan inefisiensi kode ("AI slop")
- Kesulitan memelihara dan memahami kode yang ditulis AI
- Waktu yang dihabiskan untuk meninjau dan membersihkan output AI
- Potensi erosi keterampilan di kalangan developer
- Pertanyaan tentang kemudahan pemeliharaan jangka panjang
Faktor Manusia dalam Pengembangan Berbasis AI
Developer berpengalaman melaporkan bahwa pengkodean AI yang sukses membutuhkan pengawasan manusia dan pengetahuan domain yang substansial. Beberapa komentator dengan pengalaman 25+ tahun mencatat bahwa disiplin pemrograman mereka membantu membimbing AI agent secara efektif. Mereka menekankan bahwa AI bekerja paling baik untuk pola dan API yang dipahami dengan baik, sementara kesulitan dengan perubahan algoritmik kompleks atau keputusan desain sistem.
Diskusi mengungkapkan bahwa preferensi developer memainkan peran signifikan dalam pemilihan alat. Beberapa developer sangat menyukai Claude Code karena sifatnya yang kooperatif, sementara yang lain memilih Codex karena kelengkapannya dan kesediaan untuk menolak permintaan yang dipertanyakan. Ini menyarankan bahwa alat pengkodean AI mungkin memiliki kepribadian berbeda yang menarik bagi gaya kerja yang berbeda.
Pertukaran Ekonomi dan Produktivitas
Ekonomi dari AI coding agents menghadirkan hasil yang beragam. Meskipun 1.000 dolar AS per bulan tampak mahal dibandingkan alat tradisional, para pendukung berargumen itu lebih murah daripada mempekerjakan developer tambahan. Namun, para kritikus mempertanyakan apakah waktu yang dihabiskan untuk mengelola agent, meninjau output mereka, dan memperbaiki kesalahan mereka sebenarnya menghemat waktu dibandingkan menulis kode secara langsung.
Beberapa developer melaporkan menghabiskan waktu signifikan untuk membuat daftar putih dan membersihkan kode hasil AI, memperkirakan mereka mencurahkan sekitar 20% waktu mereka untuk tugas pemeliharaan yang tidak dapat ditangani AI secara efektif. Ini termasuk menghapus duplikasi kode, menghilangkan kode mati, memperbarui dependensi, dan merestrukturisasi file yang tumbuh terlalu besar.
Alokasi Waktu yang Dilaporkan dalam Pengembangan Berbantuan AI
- 20% waktu dihabiskan untuk pemeliharaan dan pembersihan kode
- Investasi waktu yang signifikan dalam rekayasa prompt dan manajemen agen
- Tinjauan kode yang ekstensif diperlukan sebelum menggabungkan perubahan yang dihasilkan AI
- Perpindahan konteks antara beberapa agen paralel
Masa Depan Pengembangan Perangkat Lunak
Komunitas tampak terbelah antara dua visi masa depan pengembangan perangkat lunak. Beberapa melihat AI agent sebagai alat yang akan membebaskan developer dari tugas pengkodean berulang, memungkinkan fokus pada arsitektur dan pengalaman pengguna. Yang lain khawatir tentang erosi keterampilan dan penciptaan basis kode yang tidak dapat dipelihara yang hanya dapat dipahami oleh AI yang menghasilkannya.
Apa yang muncul dengan jelas adalah bahwa pengkodean berbantuan AI yang sukses membutuhkan pengetahuan pemrograman fundamental yang kuat. Developer yang melaporkan hasil terbaik adalah mereka yang dapat mengenali ketika AI telah mengambil pendekatan yang salah dan membimbingnya kembali ke solusi yang lebih baik. Seperti yang dicatat satu komentator, menulis perangkat lunak yang baik tetap sulit bahkan ketika AI menulis kodenya—desain sistem, dependensi, dan pengalaman pengguna masih membutuhkan penilaian manusia.
Debat berlanjut seiring alat berkembang, tetapi konsensus menyarankan bahwa AI coding agents paling efektif ketika diperlakukan sebagai asisten canggih daripada pengganti keahlian dan pemikiran kritis developer.
Referensi: Just Talk To It – the no-bs Way of Agentic Engineering