Studi terbaru Anthropic menunjukkan bahwa pengembang yang mengandalkan AI untuk pembuatan kode mendapatkan skor 17 persen lebih rendah dalam tes pemahaman konsep dan tidak menyelesaikan tugas lebih cepat daripada rekan mereka yang mengandalkan dokumentasi dan pencarian web. Temuan ini menegaskan bahwa, meskipun AI dapat menghasilkan kode yang berfungsi dalam hitungan detik, hal itu tidak mengurangi biaya keahlian teknik yang sesungguhnya.

Mengapa studi ini penting

Eksperimen tersebut membagi pengembang ke dalam dua kelompok. Satu kelompok mendapatkan akses tanpa batas ke alat pembuatan kode AI; kelompok lainnya menyelesaikan masalah yang sama hanya dengan menggunakan dokumentasi resmi dan pencarian internet. Setelah tugas selesai, para peserta mengikuti kuis untuk menguji pemahaman mereka tentang prinsip-prinsip dasar. Skor rata-rata kelompok yang dibantu AI tertinggal 17 persen, dan tidak ada kelompok yang menunjukkan keunggulan kecepatan yang terukur.

Dalam istilah praktis, “vibe coding”—memberikan perintah (prompt) kepada AI untuk menghasilkan cuplikan kode dan langsung menggunakannya tanpa pemeriksaan mendalam—tidak meningkatkan produktivitas. Hal ini hanya menutupi kesenjangan pengetahuan yang nantinya akan muncul sebagai bug, masalah pemeliharaan, atau penulisan ulang kode yang mahal.

Konteks di balik angka-angka tersebut

Penelitian Anthropic menunjukkan bahwa janji yang ditawarkan belum lengkap. Peserta yang menggunakan AI untuk setiap langkah—menyalin-tempel saran, mengubah nama variabel, dan lanjut ke tahap berikutnya—paling sedikit menyerap informasi tentang domain masalah tersebut. Pengembang yang memperlakukan alat tersebut sebagai kolaborator—mengajukan pertanyaan yang tepat dan spesifik, lalu membedah kode yang dihasilkan—lebih mampu mempertahankan kerangka konseptualnya.

Perbedaan ini mencerminkan pengamatan industri yang lebih luas: prompt engineer dapat membuat sebuah fungsi dalam hitungan menit, tetapi seorang systems engineer bergerak lebih cepat seiring bertambahnya kompleksitas. Mereka mengantisipasi apa yang akan rusak dan apa yang gagal untuk diskalakan. Kecepatan mereka mencerminkan penilaian (judgment), bukan ketidakefisienan.

Siapa yang menang, siapa yang kalah

Insinyur yang mempertahankan penilaian Insinyur yang memahami arsitektur, tahu di mana struktur harus kaku atau fleksibel, dan dapat menulis ulang komponen tanpa merusak sistem, akan menghemat biaya organisasi dalam jangka panjang. Keterampilan mereka melindungi dari utang teknis (technical debt) tersembunyi yang sering menyertai kode buatan AI yang terlihat bersih tetapi kurang memiliki maksud (intent) yang eksplisit.

Spesialis prompt Mereka yang memperlakukan AI sebagai tongkat ajaib dapat memberikan prototipe cepat atau menyelesaikan bug yang terisolasi. Dalam jangka pendek, mereka tampak produktif, tetapi ketika basis kode (codebase) meluas, asumsi tersembunyi dalam cuplikan kode buatan AI menjadi liabilitas. Proses debugging kemudian berubah menjadi pencarian maksud asli, yang membengkakkan biaya pemeliharaan.

Organisasi Bisnis yang sangat bergantung pada pengembangan berbasis AI saja berisiko menghadapi pengeluaran masa depan yang lebih tinggi: lebih banyak waktu dihabiskan untuk debugging, refactoring, dan proses onboarding insinyur baru yang harus mengartikan kode yang tidak jelas. Perusahaan yang memadukan bantuan AI dengan praktik rekayasa yang disiplin akan memperoleh manfaat kecepatan sambil tetap menjaga stabilitas jangka panjang.

Detail yang sering dilewatkan oleh sebagian besar laporan

  • Dampak pembelajaran: Kesenjangan 17 persen tersebut diukur melalui kuis yang menguji pemahaman, bukan sekadar mengingat sintaksis. Hal ini menunjukkan pengikisan model mental yang nyata, bukan sekadar pengetahuan dangkal.
  • Waktu penyelesaian tugas: Terlepas dari daya tarik kode instan, studi tersebut tidak menemukan perbedaan yang signifikan secara statistik dalam hal berapa lama setiap kelompok menyelesaikan tugas. Keuntungan kecepatan hanyalah ilusi.
  • Metode itu penting: Studi ini menyoroti spektrum penggunaan AI. Ketergantungan murni pada AI menghasilkan hasil pembelajaran yang paling buruk, sedangkan pemberian prompt yang selektif dan penuh rasa ingin tahu menghasilkan hasil yang lebih baik. Judul berita yang menyatakan “AI membuat pengodean lebih cepat” sering kali melewatkan nuansa ini.

Argumen tandingan: AI tidaklah tidak berguna

Studi ini tidak menyangkal adanya manfaat khusus; ia hanya memperingatkan agar tidak mengekstrapolasikannya ke seluruh proses pengembangan perangkat lunak. Ketika masalah melibatkan desain sistem, penyetelan performa (performance tuning), atau pertimbangan keamanan, penilaian manusia tetap sangat diperlukan.

Kesimpulan

AI dapat memberi Anda papan luncur, tetapi tanpa pengetahuan tentang rem dan kemudi, Anda akan kecelakaan saat jalan berbelok. Teknologi ini menurunkan hambatan untuk menulis kode, namun kelangkaan tetap ada pada insinyur yang dapat menalar sistem, mengantisipasi kegagalan, dan menjaga perangkat lunak tetap berjalan seiring pertumbuhannya. Berinvestasi pada penilaian tersebut, daripada berharap sebuah prompt akan menggantikannya, tetap menjadi cara paling cerdas untuk mengendalikan biaya jangka panjang.