Intisari Liputan:
- Riset Universitas Harvard terhadap 300 juta riwayat telemetri di 700 lebih perusahaan teknologi membuktikan adopsi agen AI menaikkan volume baris kode 30%, namun tidak mempercepat rilis fitur software ke pengguna.
- Titik hambatan produksi (bottleneck) bergeser ke tahap code review manusia, di mana durasi tunggu merge pull request melonjak 49% dari rata-rata 7 hari menjadi lebih dari 10 hari akibat tumpukan revisi berulang.
- Perusahaan terpaksa mengalokasikan 14% lebih banyak jam kerja insinyur senior hanya untuk membedah kode buatan AI demi mencegah utang teknis dan celah logika yang membahayakan sistem.
Bagi banyak programmer dan pegiat teknologi di Indonesia yang belakangan ini giat memanfaatkan agen kecerdasan buatan seperti GitHub Copilot, Cursor, hingga Claude Code untuk ngoding santai alias vibe coding, sensasi merangkai puluhan baris kode dalam hitungan detik terasa luar biasa memikat. Sekali memasukkan perintah prompt, fungsi yang rumit langsung tersusun rapi di layar editor, dan pull request (PR) dapat segera dikirim ke repositori kantor bahkan sebelum jam makan siang tiba. Namun di balik ilusi produktivitas kilat tersebut, para pemimpin teknologi dan manajer rekayasa perangkat lunak justru berhadapan dengan kenyataan yang membingungkan: jadwal peluncuran fitur aplikasi ke server produksi tetap saja molor berminggu-minggu.
Teka-teki di balik fenomena ini akhirnya terjawab secara ilmiah lewat riset ekonomi komputasi terbaru yang dipimpin oleh dua kandidat doktor Universitas Harvard, Fiona Chen dan James Stratton. Berdasarkan data telemetri komprehensif yang melibatkan 300 juta aktivitas rekayasa di lebih dari 700 perusahaan teknologi dunia, sebagaimana diulas dalam telaah mendalam oleh Ars Technica baru-baru ini, pemanfaatan asisten AI terbukti melipatgandakan volume kode secara masif tetapi gagal mempercepat pengiriman produk akhir.
Lonjakan 30 Persen Baris Kode yang Berujung Sia-sia
Temuan riset bertajuk Artificial Intelligence in the Firm: Bottlenecks in Software Production tersebut mengungkap bahwa setelah alat bantu AI diterapkan di lingkungan kerja, rata-rata baris kode baru yang ditambahkan per programmer melonjak drastis hingga 30 persen setiap bulannya. Frekuensi commit kode juga merangkak naik 20 persen, diiringi peningkatan jumlah pengajuan pull request sebesar 23 persen. Secara kasat mata di papan monitor manajemen, para developer tampak bekerja jauh lebih cepat dan rajin dibanding biasanya.
Kendati demikian, metrik riil penyelesaian pekerjaan, yang diukur lewat penutupan tiket Jira dan target fitur (epics) di dalam database analitik platform Jellyfish, sama sekali tidak memperlihatkan peningkatan yang signifikan secara statistik. Dengan kata lain, tumpukan baris kode yang melimpah ruah itu hanya menumpuk di pintu gerbang repositori tanpa pernah benar-benar berhasil menyentuh tangan pengguna akhir lebih cepat.
Jebakan Review Kode dan Waktu Merge yang Membengkak 49 Persen
Mengapa hal ini bisa terjadi? Jawabannya terletak pada perpindahan titik kemacetan (bottleneck) produksi ke pundak para insinyur senior yang bertugas melakukan peninjauan kode (code review). Ketika programmer junior atau madya menghasilkan ratusan baris kode dengan bantuan AI, kode tersebut kerap tampak meyakinkan dan rapi di permukaan, namun menyimpan kerapuhan logika, penanganan kasus ekstrem (edge cases) yang terabaikan, atau ketergantungan pustaka yang tidak efisien.
Akibatnya, waktu tunggu yang dibutuhkan untuk menggabungkan (merge) sebuah pull request ke cabang utama melonjak tajam hingga 49 persen, melar dari rata-rata 7 hari menjadi lebih dari 10 hari kerja. Porsi pengajuan pull request yang ditolak dan dikembalikan untuk diperbaiki melonjak nyaris dua kali lipat, sementara jumlah komentar koreksi per pengajuan naik 35 persen. Seperti dicermati oleh para pengamat industri di TechRadar, para tech lead kini menghabiskan energi mental berlebih hanya untuk membaca baris kode yang sebenarnya tidak ditulis langsung oleh manusia.
Fenomena ini juga menciptakan paradoks finansial yang nyata. Biaya berlangganan lisensi aplikasi AI coding seperti Cursor Pro atau GitHub Copilot yang berkisar $20 per bulan (setara sekitar Rp 324.000 dengan estimasi kurs acuan Rp 16.200 per dolar AS) memang terasa sangat murah dan terjangkau di kantong operasional. Namun, kerugian tersembunyi justru datang dari pengalihan 14 persen lebih banyak jam kerja insinyur senior yang berpenghasilan tinggi, yang waktunya tersedot habis hanya untuk bertindak sebagai penyaring kekacauan kode AI daripada merancang arsitektur sistem jangka panjang.
Menata Ulang Budaya Engineering di Ekosistem Digital
Bagi para pegiat startup dan tim rekayasa perangkat lunak di dalam negeri Indonesia, temuan studi ini memberikan sinyal penting bahwa transformasi digital berbasis kecerdasan buatan membutuhkan perubahan paradigma alur kerja. Mengukur produktivitas seorang developer semata-mata dari banyaknya baris kode yang dihasilkan atau kecepatan membuat pull request adalah kekeliruan besar yang justru memicu penumpukan utang teknis (technical debt).
Solusi jangka panjang bukanlah melarang pemanfaatan agen AI, melainkan memperketat arsitektur pengujian otomatis (automated testing), membatasi cakupan pull request agar tetap ramping dan terisolasi, serta mengedukasi programmer agar memahami secara mendalam setiap baris kode yang diusulkan oleh mesin. Eksplorasi beragam analisis mendalam seputar dinamika kecerdasan buatan dapat dicermati pada rubrik AI Coolkas, sedangkan strategi pemeliharaan infrastruktur aplikasi modern tersedia di rubrik software Coolkas guna membantu tim pengembang membangun sistem digital yang tangguh tanpa terjebak ilusi kecepatan sesaat.
