Selama dua tahun terakhir, para pengembang perangkat lunak melihat alat coding AI berkembang dari autocomplete canggih menjadi sesuatu yang, dalam beberapa kasus, bisa membangun aplikasi utuh dari prompt teks. Alat seperti Claude Code dari Anthropic dan Codex dari OpenAI kini dapat mengerjakan proyek perangkat lunak selama berjam-jam, menulis kode, menjalankan tes, dan, dengan pengawasan manusia, memperbaiki bug. OpenAI bahkan mengatakan bahwa mereka kini memakai Codex untuk membangun Codex itu sendiri. Semua ini membuat banyak orang bertanya: apakah ini hanya hype industri AI, atau memang ada perubahan besar yang sedang terjadi?
Untuk mencari jawabannya, Ars menghubungi sejumlah pengembang profesional di Bluesky dan bertanya bagaimana mereka merasakan alat-alat ini dalam praktik. Hasilnya menunjukkan bahwa sebagian besar setuju teknologi ini benar-benar bekerja, tetapi mereka masih terbelah soal apakah itu kabar baik. Jumlah responden memang kecil dan dipilih secara sukarela, tetapi pandangan mereka tetap menarik sebagai gambaran dari para praktisi di lapangan.
David Hagerty, pengembang yang bekerja pada sistem point-of-sale, mengatakan sejak awal bahwa ia skeptis terhadap pemasaran produk AI. Menurutnya, perusahaan-perusahaan AI terlalu membesar-besarkan kemampuan alat mereka. Ia tetap mengakui bahwa LLM bersifat revolusioner dan akan punya dampak besar, tetapi ia tidak berharap model seperti itu akan menulis novel besar atau melakukan hal semacam itu. Menurutnya, cara kerja model memang tidak seperti itu.
Roland Dreier, software engineer yang pernah banyak berkontribusi pada Linux kernel, mengatakan bahwa ia paham ada unsur hype, tetapi ia juga mengikuti perkembangan AI dengan sangat dekat. Ia menyebut state-of-the-art agents saat ini sangat kuat. Ia merasakan lompatan besar dalam enam bulan terakhir, terutama setelah Anthropic merilis Claude Opus 4.5. Jika dulu ia memakai AI hanya untuk autocomplete atau bertanya sesekali, sekarang ia bisa meminta agen untuk memperbaiki test yang gagal dan benar-benar menyelesaikannya. Ia bahkan memperkirakan peningkatan kecepatan hingga 10 kali lipat untuk tugas kompleks seperti membangun backend Rust dengan konfigurasi deployment Terraform dan frontend Svelte.
Di sisi lain, ada pertanyaan besar yang terus muncul, yaitu apakah “syntax programming”, yakni menulis kode secara manual dalam sintaks bahasa pemrograman, akan segera hilang karena agen AI menangani detail sintaks untuk manusia. Dreier menilai banyak tugas memang sudah bergerak ke arah itu. Ia tetap perlu membaca dan meninjau kode, tetapi menurutnya sangat sedikit dari pengetikannya yang sekarang benar-benar berupa Rust atau bahasa lain yang ia pakai.
Ketika ditanya apakah para pengembang akan kembali ke coding manual, Tim Kellogg, seorang developer yang aktif membangun agen otonom, menjawab tegas bahwa itu sudah berakhir. Menurutnya, alat coding AI dengan mudah menangani detail permukaan. Ia mengatakan bisa membangun lalu membangun ulang tiga kali dalam waktu yang lebih singkat daripada membangun secara manual, dan hasil akhirnya justru punya arsitektur yang lebih bersih.
Seorang software architect di perusahaan SaaS manajemen harga, yang meminta identitasnya dirahasiakan karena kebijakan komunikasi perusahaan, mengatakan AI mengubah pekerjaannya setelah 30 tahun coding tradisional. Ia mengaku bisa mengirim fitur ke pekerjaan dalam sekitar dua minggu, padahal mungkin dulu butuh sekitar setahun jika dikerjakan dengan cara lama. Untuk proyek sampingan, ia kini bisa membuat prototipe dalam sekitar satu jam lalu memutuskan apakah proyek itu layak diteruskan atau ditinggalkan.
Dreier juga mengatakan AI membuatnya akhirnya bisa mengerjakan proyek-proyek kecil yang selama ini tertunda bertahun-tahun, seperti menulis ulang shell script yang berantakan untuk menyalin foto dari kartu SD kamera. Agen coding menurunkan hambatan masuk cukup jauh, sehingga ia akhirnya bisa membuat paket lengkap dengan text UI, ditulis dalam Rust dan dilengkapi unit test. Menurutnya, tidak ada yang terlalu luar biasa dari proyek itu, tetapi ia tidak akan punya energi untuk mengetik seluruh kode itu secara manual.
Vibe coding dan utang teknis
Tidak semua orang seantusias Dreier. Kekhawatiran soal agen coding AI yang menumpuk technical debt, yaitu keputusan desain yang buruk di awal lalu berkembang menjadi masalah yang lebih besar, muncul tak lama setelah perdebatan tentang “vibe coding” mulai ramai pada awal 2025. Istilah itu dibuat oleh mantan peneliti OpenAI, Andrej Karpathy, untuk menggambarkan cara memprogram lewat percakapan dengan AI tanpa benar-benar memahami hasil kode yang dihasilkan. Banyak orang melihatnya sebagai risiko nyata dari agen coding AI.
Darren Mart, senior software development engineer di Microsoft yang telah bekerja di sana sejak 2006, menyampaikan kekhawatiran serupa. Ia menjelaskan bahwa secara pribadi, bukan atas nama Microsoft, ia baru-baru ini memakai Claude di terminal untuk membuat aplikasi Next.js yang terhubung dengan Azure Functions. Model AI itu berhasil membangun sekitar 95 persen sesuai spesifikasi. Namun ia tetap berhati-hati. Ia hanya nyaman memakai alat ini untuk tugas yang sudah benar-benar ia pahami. Kalau tidak, ia tidak bisa tahu apakah dirinya sedang diarahkan ke jalan berbahaya dan sedang menumpuk utang teknis besar untuk dirinya atau timnya.
Seorang data scientist di bidang analitik real estat juga membatasi penggunaan AI dengan ketat. Ia memakai GitHub Copilot untuk pelengkapan baris demi baris, yang menurutnya berguna sekitar 75 persen dari waktu pemakaian. Namun ia membatasi fitur agen hanya untuk kasus sempit, seperti konversi bahasa untuk kode lama, debugging dengan instruksi read-only, dan tugas standardisasi yang melarang perubahan langsung. Karena bekerja dengan data yang sensitif, ia sangat berhati-hati terhadap manipulasi data yang salah, dan menurutnya pelengkapan berikutnya sering kali terlalu keliru untuk memberi LLM kebebasan lebih luas.
Brian Westby, backend engineer di Nike yang memakai Cursor setiap hari, menyebut alat-alat ini sebagai sesuatu yang “50/50 baik dan buruk”. Alat tersebut memang memangkas waktu untuk masalah yang jelas, tetapi halusinasi masih terlalu sering muncul kalau AI diberi terlalu banyak ruang untuk bekerja.
Penyelamat untuk kode lama dan celah adopsi AI di perusahaan
Bagi pengembang yang bekerja dengan sistem lama, alat AI menjadi semacam penerjemah dan arkeolog sekaligus. Nate Hashem, staff engineer di First American Financial, mengatakan ia setiap hari memperbarui codebase lama yang dokumentasinya sering tidak jelas dan para pembuat awalnya sudah tidak ada. Dulu, hampir tidak ada waktu untuk memperbaiki semuanya. Perusahaan tidak akan memberi dua sampai empat minggu hanya untuk memahami bagaimana sistem sebenarnya bekerja.
Dalam lingkungan yang penuh tekanan dan sumber daya terbatas itu, AI membuat pekerjaan terasa jauh lebih nyaman karena mempercepat proses menemukan bagian mana yang bisa dihapus, mendiagnosis error, dan memodernisasi codebase pada akhirnya.
Hashem juga punya teori mengapa adopsi AI terlihat sangat berbeda di perusahaan besar dibanding di media sosial. Para eksekutif memang menuntut perusahaan menjadi “AI oriented”, tetapi proses menerapkan alat AI dengan data milik sendiri bisa memakan waktu berbulan-bulan untuk tinjauan hukum. Sementara itu, fitur AI yang ditambahkan Microsoft dan Google ke produk seperti Gmail dan Excel sering kali berjalan di model yang lebih terbatas. Akibatnya, banyak pekerja kantoran diminta memakai AI, tetapi justru diberi alat yang kualitasnya lebih rendah karena alat yang bagus memerlukan biaya dan perjanjian hukum yang rumit.
Apa arti semua ini untuk pekerjaan developer?
Pertanyaan tentang arti alat coding AI bagi pekerjaan software developer memunculkan jawaban yang beragam. Tim Kellogg menilai dampaknya sangat besar. Menurutnya, hari ini yang terancam adalah aktivitas menulis kode, lalu arsitektur, lalu lapisan manajemen produk. Orang yang tidak bisa beradaptasi untuk bekerja di level yang lebih tinggi mungkin tidak akan bertahan.
Dreier memang merasa aman untuk posisinya sendiri, tetapi ia khawatir dengan jalur masuk bagi pemula. Menurutnya, pendidikan dan pelatihan harus berubah agar junior developer tetap mendapat pengalaman dan penilaian yang mereka butuhkan, karena sekarang akan terasa sia-sia jika mereka hanya diminta mengerjakan potongan kecil sistem seperti generasi sebelumnya.
Hagerty melihatnya dari sisi ekonomi. Menurutnya, posisi level junior akan semakin sulit diisi ketika perusahaan bisa mendapatkan kode setara junior dengan biaya yang lebih rendah dari upah minimum lewat model seperti Sonnet 4.5.
Mart menggambarkan perubahan ini lebih personal. Menurutnya, peran software development sedang bergeser mendadak dari creation dan construction menjadi supervision. Sebagian orang mungkin menyukainya, tetapi sebagian lain jelas tidak, dan ia termasuk yang tidak nyaman dengan perubahan itu.
Meski begitu, beberapa orang tetap sangat menikmati alat ini secara pribadi, terlepas dari implikasi yang lebih luas. Software architect di perusahaan SaaS manajemen harga itu mengatakan ia sangat menyukai alat coding AI. Setelah sekitar 30 tahun coding tradisional, ia merasa sekarang jauh lebih senang bekerja dibanding sebelumnya.
