Dunia pengembangan perangkat lunak sedang ramai dengan klaim peningkatan produktivitas revolusioner melalui pengodean berbantuan AI. Seorang insinyur Amazon baru-baru ini merinci bagaimana timnya mencapai throughput pengodean 10x lipat menggunakan agen AI seperti Amazon Q dan Kiro, namun komunitas pengembang tidak sepenuhnya yakin. Saat tim berlomba mengadopsi alat-alat baru ini, muncul pertanyaan apakah praktik pengembangan kita saat ini dapat menangani kecepatan yang dipercepat.
Janji Produktivitas Berhadapan dengan Kekhawatiran Praktis
Klaim inti yang mendorong revolusi pengodean AI adalah peningkatan produktivitas yang dramatis. Tim melaporkan menulis kode dengan kecepatan yang belum pernah terjadi sebelumnya, dengan satu insinyur menyatakan bahwa 80% kode yang mereka komit sekarang berasal dari agen AI. Pendekatan pengodean agenik ini memposisikan manusia sebagai peninjau dan pengawas daripada pengkode utama. Alur kerjanya melibatkan pemecahan tugas, memberikan perintah kepada agen AI, dan meninjau keluaran dengan hati-hati sebelum melakukan perubahan.
Namun, komunitas pengembang tetap skeptis tentang apa yang sebenarnya disampaikan oleh peningkatan kecepatan ini. Beberapa komentator mempertanyakan apakah lebih banyak kode berarti perangkat lunak yang lebih baik, mencatat bahwa artikel tersebut memberikan sedikit detail tentang apa yang sebenarnya dibangun dengan pendekatan yang dipercepat ini.
Klasik artikel LLM: Data abstrak menunjukkan peningkatan 'produktivitas' ... CENTANG. Sepenuhnya tidak memiliki informasi tentang apa yang dibangun dengan 'produktivitas' itu ... CENTANG
Metrik Produktivitas yang Dilaporkan:
- 80% kode yang di-commit ditulis oleh agen AI
- Peningkatan throughput coding 10x lipat dibandingkan dengan tim berkecepatan tinggi pada umumnya
- Bug yang berdampak pada produksi dapat meningkat dari 1-2 per tahun menjadi kejadian mingguan pada kecepatan saat ini
Infrastruktur Pengujian Berjuang Menghadapi Volume Hasil AI
Akselerasi cepat dalam produksi kode mengungkapkan kelemahan mendasar dalam pendekatan pengujian tradisional. Ketika tim beralih dari beberapa komit per hari menjadi puluhan, pipeline CI/CD dan strategi pengujian yang ada dengan cepat menjadi hambatan. Penulis artikel membandingkan ini dengan balap Formula 1 - kecepatan tinggi membutuhkan sistem keselamatan yang unggul dan kemampuan respons yang cepat.
Beberapa pengembang berpendapat bahwa solusinya bukanlah hal baru. Ketergantungan tiruan (mock dependencies) dan strategi pengujian komprehensif telah ada selama beberapa dekade, tetapi mempertahankannya seringkali terlalu mahal. Yang menarik adalah bahwa agen AI sekarang mungkin membantu membangun dan memelihara infrastruktur pengujian canggih yang diperlukan untuk mendukung kode yang dihasilkan AI, menciptakan siklus yang saling memperkuat.
Pendekatan Pengembangan:
- "Agentic coding" - kolaborasi manusia-AI
- Setiap commit ditinjau dan disetujui oleh engineer
- Aturan pengarah membatasi perilaku agen AI
- Bahasa pemrograman Rust lebih disukai karena keamanan compiler
Tantangan Komunikasi dan Koordinasi Semakin Intens
Pada kecepatan pengembangan 10x lipat, tim menghadapi tantangan koordinasi yang tidak dapat ditangani oleh metode komunikasi tradisional. Peningkatan kecepatan berarti lebih banyak keputusan arsitektur yang terjadi secara bersamaan, menciptakan potensi konflik ketika perubahan para insinyur saling bersinggungan. Beberapa komentator mencatat bahwa solusi Amazon - membuat tim duduk bersama untuk koordinasi instan - tidak dapat diskalakan untuk tim yang terdistribusi.
Hambatan komunikasi menjadi kritis ketika beberapa insinyur membuat keputusan yang mempengaruhi basis kode bersama. Menunggu respons Slack atau rapat terjadwal menciptakan penundaan yang menumpuk dengan cepat pada kecepatan tinggi. Hal ini menunjukkan bahwa tim yang dibantu AI yang sukses mungkin perlu memikirkan kembali tidak hanya alat mereka, tetapi juga pola kolaborasi fundamental mereka.
Alat AI Utama yang Disebutkan:
- Amazon Q (asisten coding AI)
- Kiro (asisten coding AI)
- Claude (disebutkan dalam komentar sebagai alternatif)
Biaya Nyata dari Pengembangan Berkecepatan Tinggi
Di bawah klaim produktivitas terdapat realitas yang lebih mengkhawatirkan: peningkatan kecepatan mungkin berarti peningkatan bug dan masalah produksi. Matematikanya sederhana - jika tingkat kesalahan tetap konstan sementara volume komit meningkat 10x lipat, insiden produksi bisa menjadi kejadian mingguan daripada acara tahunan.
Beberapa pengembang menafsirkan seruan untuk pengujian yang lebih baik sebagai pengakuan bahwa pengodean AI menghasilkan lebih banyak kode yang bermasalah. Komunitas tetap terbagi tentang apakah keuntungan produktivitas membenarkan pertukaran kualitas yang potensial, dengan beberapa khawatir bahwa manajemen akan mewajibkan alat AI tanpa memahami persyaratan infrastruktur yang diperlukan untuk mendukungnya.
Jalan ke depan untuk pengembangan berbantuan AI tampaknya memerlukan perubahan mendasar terhadap seluruh siklus hidup pengembangan perangkat lunak. Tim tidak bisa hanya menambahkan alat AI ke proses yang ada dan mengharapkan peningkatan yang berkelanjutan. Terobosan nyata mungkin datang ketika organisasi menggunakan AI tidak hanya untuk menulis kode lebih cepat, tetapi untuk membangun infrastruktur yang tangguh yang diperlukan untuk mendukung pengembangan yang dipercepat dengan aman.
Referensi: The New Calculus of Al-based Coding