Tech Industry di Era AI: Challenge, Opportunity, dan Apa yang Benar-Benar Berubah
November 2022. ChatGPT dirilis ke publik. Lima hari kemudian penggunanya sudah satu juta. Dua bulan kemudian, seratus juta.
Saya masih ingat malam itu, membuka aplikasinya dan minta tolong di-debug-kan sepotong kode. Delapan detik kemudian beres. Padahal pagi harinya saya butuh dua puluh menit untuk pekerjaan yang sama.
Industri teknologi enggak akan pernah sama lagi. Dan siapa pun yang bilang itu lebay, kemungkinan besar belum benar-benar memperhatikan dua tahun terakhir.
Apa yang Sebenarnya Terjadi
Ini bukan hype cycle biasa. Saya sudah cukup lama di industri ini untuk melihat beberapa gelombang sebelumnya: blockchain, metaverse, NFT, Web3. Semuanya datang dengan ramai-ramai, lalu pelan-pelan menghilang.
AI generatif beda secara mendasar: langsung berguna sejak hari pertama, untuk pekerjaan yang nyata, oleh orang-orang biasa.
Programmer pakai untuk menulis kode. Penulis pakai untuk draf konten. Desainer pakai untuk menghasilkan referensi visual. Analis pakai untuk merangkum data. Enggak butuh onboarding, enggak perlu paham cara kerjanya secara teknis. Cukup ketik dengan bahasa sehari-hari.
Itu yang membuatnya berbeda. Bukan cuma soal teknologinya, tapi hambatan untuk memakainya yang nyaris hilang.
Dan sekarang, dua tahun kemudian, hampir enggak ada perusahaan teknologi besar yang tidak sedang menyusun ulang strategi produknya di sekitar AI. Bukan karena ikut-ikutan tren, tapi karena kompetitornya sudah lebih dulu melakukannya.
Challenge: Hal-Hal yang Bikin Saya Resah
Saya akan jujur. Sebagai orang yang sudah cukup lama di bidang ini, ada beberapa hal dari pergeseran ini yang benar-benar mengkhawatirkan saya, bukan karena takut tergantikan, tapi karena khawatir dengan cara industri merespons perubahan ini.
1. Kualitas vs Kecepatan: Kompromi yang Berbahaya
AI bikin orang bisa ship lebih cepat dari sebelumnya. Itu nyata. Tapi kecepatan tanpa pertimbangan menghasilkan sesuatu yang mulai sering saya temui: kode yang jalan, tapi enggak ada satu pun yang benar-benar paham isinya.
"Vibe coding", istilah yang belakangan populer di kalangan developer, menggambarkan kebiasaan terus-menerus minta AI memperbaiki error tanpa benar-benar mengerti penyebabnya. Hasil akhirnya: fitur yang berfungsi, tapi menyimpan banyak asumsi tersembunyi yang enggak ada yang mau mengeceknya satu per satu.
Technical debt selalu ada di mana-mana. Tapi technical debt dari kode yang enggak dipahami siapa pun di tim itu beda jenisnya, ia baru kelihatan saat sudah enggak bisa diperbaiki lagi.
2. Junior Developer: Pintu Masuk yang Makin Sempit
Ini yang paling sering mengusik pikiran saya. Jalur klasik untuk masuk industri software, yaitu jadi junior, belajar dari bug-bug kecil, naik perlahan sambil dibimbing senior, sedang berubah drastis.
Banyak pekerjaan yang dulu jadi tempat latihan junior sekarang lebih cepat dikerjakan AI: menulis boilerplate, unit test sederhana, memperbaiki error umum, dokumentasi dasar.
Pertanyaannya bukan sekadar "apakah AI menggantikan junior developer", jawabannya enggak sesederhana itu. Yang lebih penting: bagaimana caranya seseorang belajar jadi senior kalau anak tangga pertamanya sudah berubah bentuk?
Saya sendiri belum punya jawaban yang jelas. Tapi menurut saya ini salah satu masalah paling serius yang belum cukup banyak dibahas.
3. Dorongan untuk "Nge-AI-kan" Segala Sesuatu
Hampir semua startup yang sedang pitching sekarang menyelipkan kata "AI" di deck mereka, terlepas dari apakah produknya benar-benar memerlukannya. Setiap tim engineering juga sering ditanya manajemen: "Gimana caranya kita masukkan AI ke produk kita?"
Kadang jawabannya memang ada. Tapi kadang pertanyaan itu lahir dari tekanan kompetitif yang enggak sepenuhnya masuk akal, dan hasilnya fitur AI yang ditambahkan bukan karena menyelesaikan masalah pengguna, melainkan karena takut ketinggalan zaman.
Membangun produk yang bagus saja sudah cukup berat, apalagi kalau harus memaksakan teknologi yang masih berubah-ubah tiap sprint.
4. Kepercayaan yang Salah Sasaran
AI bisa salah, dan kesalahannya sering kelihatan sangat meyakinkan. Ini beda dengan bug biasa yang biasanya kentara salahnya. AI bisa menghasilkan kode yang rapi, terstruktur, dan benar secara sintaks, tapi keliru secara logika dari dasar.
Ini menuntut kewaspadaan yang berbeda. Kita enggak bisa cuma menjalankan lalu cek apakah error muncul. Kita harus benar-benar membaca dan mengerti hasilnya. Ironisnya, AI justru menuntut lebih banyak berpikir kritis dari penggunanya, bukan lebih sedikit.
Opportunity: Hal-Hal yang Bikin Saya Tetap Optimis
Cukup soal kekhawatiran. Sebab jujur saja, di sisi lain dari perubahan ini ada peluang yang menurut saya benar-benar menarik.
1. Daya Ungkit yang Belum Pernah Ada Sebelumnya
Seorang developer yang bekerja cermat dengan AI sekarang bisa menghasilkan output setara tim kecil beberapa tahun lalu. Bukan sekadar omongan, saya melihat dan mengalaminya sendiri.
Prototipe yang dulu butuh seminggu sekarang bisa kelar dalam dua hari. Refactoring besar yang dulu terasa menakutkan jadi lebih mudah dimulai. Eksplorasi teknologi baru yang dulu butuh kurva belajar panjang bisa dipercepat jauh.
Ini bukan soal "AI menggantikan programmer". Ini soal programmer yang pakai AI akan menggeser programmer yang enggak. Dan bedanya bukan terletak di kemampuan coding murni, melainkan di kemampuan bekerja sama secara efektif dengan alat ini.
2. Berpikir dalam Sistem Jadi Makin Berharga
Kalau AI bisa menulis kode, apa yang membedakan engineer yang bagus dari yang biasa-biasa saja?
Bukan kecepatan mengetik. Bukan hafalan sintaks. Bukan kemampuan menulis algoritma sorting dari nol.
Yang makin berharga adalah kemampuan berpikir di level sistem: memahami trade-off arsitektur, menilai apakah solusi bikinan AI bisa scale, menentukan kapan kecepatan lebih penting daripada ketepatan (atau sebaliknya), dan mempertanyakan asumsi di balik suatu pendekatan.
AI cukup andal di level implementasi. Tapi di level penilaian dan pertimbangan, ia masih kurang, dan justru itu bagian yang paling sulit diajarkan sekaligus paling sulit digantikan.
3. Solo Builder Jadi Lebih Mungkin
Selama ini, ide "satu orang bisa membangun produk berdampak besar" hanya berlaku untuk kategori produk yang sangat sempit. Untuk membangun sesuatu yang serius, biasanya butuh tim, minimal designer, frontend, backend, dan devops.
AI mengubah itu. Dengan kombinasi alat yang tepat dan cara pakai yang efektif, seorang generalist engineer yang cukup kuat bisa membangun produk lengkap, dari antarmuka sampai deployment, dengan kualitas yang dulu butuh satu tim.
Ini bukan sekadar narasi yang dibesar-besarkan. Ini perubahan struktural yang benar-benar terjadi dalam cara software dibangun.
4. Sisi Manusiawi Jadi Makin Penting
Makin banyak hal yang bisa diotomatisasi, makin berharga hal-hal yang benar-benar membutuhkan manusia: konteks, empati, tanggung jawab, dan keputusan di tengah ketidakpastian.
Siapa sebenarnya pengguna ini? Apa maksud mereka ketika bilang "lebih cepat"? Apakah fitur ini memang perlu dibangun? Siapa yang bertanggung jawab kalau AI keliru?
Pertanyaan-pertanyaan semacam ini enggak bisa di-prompt begitu saja. Engineer yang bisa menjawabnya dengan baik, yang bisa ngobrol dengan pengguna, paham bisnis, dan mengambil keputusan walau informasinya enggak lengkap, justru makin langka dan makin bernilai.
5. Peran-Peran Baru, Kemungkinan Baru
AI membuka kategori pekerjaan yang dua tahun lalu belum ada, atau yang dulunya sangat niche:
- AI Engineer: merancang pipeline, mengevaluasi model, melakukan fine-tuning
- Prompt Architect: membangun sistem prompting yang andal untuk kebutuhan spesifik
- AI Product Manager: memahami batas dan kemampuan model untuk mengambil keputusan produk
- AI Auditor / Red Teamer: mencari celah dan bias dalam sistem AI
Dan ini baru yang sudah punya nama resmi. Masih banyak lagi yang bakal muncul.
Bagaimana Saya Menyikapinya
Saya bukan orang yang gampang panik, tapi juga bukan yang menutup mata terhadap sinyal perubahan. Beberapa hal yang sengaja saya lakukan sekarang:
Memperlakukan AI sebagai pasangan kerja, bukan penulis bayangan. Saya selalu cek ulang setiap baris yang dihasilkan. Saya pastikan paham kenapa kode itu ditulis seperti itu, atau saya cari tahu sampai paham. Kode yang enggak saya mengerti, enggak akan masuk ke codebase saya.
Berinvestasi lebih banyak di system design dan arsitektur. Bukan karena AI enggak bisa membantu di sana, sebenarnya bisa. Tapi pertimbangan di level ini tetap butuh konteks, pengalaman, dan tanggung jawab yang enggak bisa dilimpahkan begitu saja.
Menjaga kemampuan belajar lintas bidang. Justru sekarang, ketika sisi teknis implementasi bisa dibantu AI, kemampuan memahami konteks bisnis, pengguna, dan hal-hal di luar tech jadi pembeda yang lebih besar, bukan makin enggak penting.
Enggak panik soal hal-hal yang di luar kendali. Industri akan terus berubah. Sebagian peran akan hilang, sebagian peran baru akan muncul. Yang masih bisa saya kendalikan adalah seberapa cepat saya belajar dan seberapa baik saya memanfaatkan alat yang ada.
Satu Hal yang Menurut Saya Pasti
Di tengah segala ketidakpastian ini, ada satu hal yang saya yakini cukup kuat:
Engineer yang bertahan bukan yang paling hafal dokumentasi atau paling cepat mengetik kode. Mereka yang bertahan adalah yang paling jago bertanya hal yang tepat, memahami konteks yang rumit, dan mengambil keputusan yang berani mereka pertanggungjawabkan.
AI itu daya ungkit. Dan seperti daya ungkit pada umumnya, ia memperbesar apa pun yang sudah ada pada diri kita. Penilaian yang buruk ditambah AI menghasilkan kekacauan yang lebih besar dan lebih cepat. Penilaian yang baik ditambah AI menghasilkan dampak yang dulu mustahil dicapai.
Jadi pertanyaannya bukan lagi soal mau pakai AI atau tidak. Yang lebih penting untuk dipikirkan: hal apa dalam diri kita yang justru akan diperkuat saat kita menggunakannya?