Penulis platform asuransi berusia 20 tahun menjalankan 108 tiket dukungan melalui pipeline agen AI khusus, dan hasilnya adalah sebuah alur kerja yang mengubah tugas pengembang senior yang memakan waktu berjam-jam menjadi hanya beberapa menit—sebuah pergeseran yang dapat mengubah cara perusahaan menjaga kode warisan (legacy code) tetap hidup.

Mengapa sistem warisan lebih penting daripada kode baru

Aplikasi asuransi yang dimaksud adalah sebuah monolit dengan 2,3 juta baris kode dan sekitar 1.000 paket PL/SQL. Ukurannya saja membuat mustahil bagi satu orang pun untuk menguasai seluruh basis kode tersebut. Ditambah lagi dengan labirin parameter konfigurasi khusus pelanggan, dokumentasi yang tersebar, dan arsip tiket yang membentang hingga tahun 2017, hambatan utamanya menjadi "menemukan konteks", bukan menulis kode.

Hype AI modern biasanya berfokus pada pembuatan kode baru untuk proyek greenfield. Dalam kasus ini, bagian tersulit bukanlah sintaks PL/SQL, melainkan menemukan potongan logika yang tepat, konfigurasi yang relevan, dan tiket historis yang pertama kali menjelaskan masalah tersebut. Seorang pengembang berpengalaman dapat menghabiskan waktu berjam-jam untuk menyatukan petunjuk dari GitLab, SVN, wiki, dan tiket dukungan lama. Agen AI melakukan pekerjaan yang sama dalam hitungan menit.

Alur kerja dalam praktiknya

Ketika tiket baru masuk, penulis menjalankan satu perintah. Agen tersebut kemudian:

  • Menarik teks tiket dan file apa pun yang terlampir melalui API sistem tiket.
  • Menjalankan pencarian kata kunci dan vektor di seluruh arsip tiket untuk memunculkan kasus serupa di masa lalu.
  • Melakukan kueri ke pustaka pribadi skrip SQL yang dapat digunakan kembali.
  • Memeriksa riwayat kode dalam sistem kontrol versi (GitLab atau SVN).

Semua temuan disusun menjadi satu file yang juga menyarankan langkah selanjutnya—biasanya perbaikan kode, draf balasan untuk pelanggan, atau permintaan diagnostik tambahan.

Kemampuan bawaan

Penulis telah menentukan 24 "skill" untuk agen tersebut, yang dikelompokkan ke dalam empat kategori:

  • Akses konteks – membaca API, manual, dan basis data untuk menarik fakta yang relevan.
  • Pengetahuan domain – menafsirkan aturan akuntansi asuransi dan arsitektur sistem.
  • Penulisan – menghasilkan cuplikan (snippet) PL/SQL dan mengemasnya untuk penerapan (deployment).
  • Meta – mengenali pola dan secara otomatis membuat skill baru saat dibutuhkan.

Skill ini memungkinkan agen bertindak sebagai insinyur junior yang tidak pernah tidur, memunculkan baris kode atau konfigurasi tepat yang dirujuk oleh sebuah tiket.

Jaring pengaman yang dibangun ke dalam alur kerja

Otomatisasi dalam lingkungan produksi menuntut adanya pengamanan. Penulis mengikuti dua aturan sederhana:

  1. Validasi statis – setiap skrip yang dihasilkan dijalankan melalui EXPLAIN PLAN terhadap skema langsung (live schema). Ini memeriksa kesalahan sintaks atau logika tanpa benar-benar mengeksekusi kode tersebut.
  2. Konfirmasi model ganda – agen AI kedua yang independen meninjau setiap perubahan yang dianggap berisiko. Jika kedua model mencapai kesimpulan yang sama, penulis akan melanjutkan; jika tidak, tiket akan dieskalasi untuk peninjauan manual.

Pemeriksaan ini mencegah proses tersebut menjadi kotak hitam (black box) yang secara tidak sengaja dapat merusak transaksi asuransi yang kritis.

Manfaat kumulatif

Output dari setiap tiket dilampirkan kembali ke catatan tiket, menciptakan basis pengetahuan yang hidup. Ketika masalah serupa muncul kembali berbulan-bulan atau bertahun-tahun kemudian, agen dapat membaca tidak hanya solusi sebelumnya tetapi juga penalaran yang mendasarinya. Efeknya, setiap tiket yang terselesaikan menjadi data pelatihan untuk tiket di masa mendatang, yang semakin mempercepat siklus tersebut.

Batasan yang jujur

  • Pengujian manual tetap ada – penulis masih memvalidasi perubahan di lingkungan pengujian sebelum dipromosikan.
  • Tidak ada metrik penghenti pasti – meskipun waktu yang dihemat terasa substansial, penulis belum mengukur secara pasti pengurangan dalam hitungan jam.
  • Pengaturan pribadi – implementasi saat ini berjalan di satu workstation tunggal; menskalakannya ke seluruh tim akan memerlukan rekayasa tambahan.

Kendala-kendala ini membuat pendekatan tersebut belum menjadi produk siap pakai (turnkey product), namun hal itu tidak mengurangi wawasan intinya: AI dapat memangkas pengumpulan konteks dari hitungan jam menjadi hitungan menit.

Apa yang perlu diperhatikan selanjutnya

Eksperimen penulis ini adalah sebuah bukti konsep (proof-of-concept) dan bukan penawaran komersial. Langkah logis selanjutnya meliputi:

  • Formalisasi metrik – melacak waktu penyelesaian tiket sebelum dan sesudah pipeline AI untuk membangun kasus bisnis.
  • Deployment tim – mengemas agen sebagai layanan bersama sehingga banyak engineer dapat memanfaatkan basis pengetahuan yang sama.
  • Integrasi dengan CI/CD – memasukkan skrip yang telah divalidasi secara langsung ke dalam pipeline integrasi berkelanjutan dapat menutup siklus dari tiket ke produksi tanpa serah terima manual.

Jika ekstensi ini berhasil, model ini dapat menjadi templat bagi perusahaan lain yang berjuang dengan codebase yang masif dan sudah mengakar.

Kesimpulan

Nilai nyata AI dalam lingkungan legacy bukan terletak pada penulisan kode baru secara otomatis, melainkan pada penyajian konteks yang tepat secara instan. Dengan mengubah pekerjaan detektif selama berjam-jam dari seorang pengembang senior menjadi hanya beberapa menit, alur kerja agen AI dapat menjaga sistem lama tetap berfungsi, mengurangi biaya dukungan, dan secara bertahap membangun repositori pengetahuan yang memperkuat dirinya sendiri. Eksperimen ini menunjukkan bahwa, untuk perangkat lunak legacy, peningkatan produktivitas terbesar berasal dari pemangkasan waktu pencarian jawaban, bukan dari pembuatan kode baru.