(Source: Scale)
Sebuah studi akademis dari Model Evaluation & Threat Research (METR) telah menarik perhatian luas. Studi ini menantang pandangan yang umum diterima bahwa kecerdasan buatan (AI) membuat pengembang lebih produktif. Temuan yang cukup mengejutkan banyak pihak adalah ketika pengembang berpengalaman diberikan akses ke alat AI mutakhir dari awal tahun 2025, seperti Claude 3.7 Sonnet dan Cursor Pro, mereka justru 19% lebih lambat dibandingkan rekan-rekan mereka yang tidak menggunakan AI. Lebih mengejutkan lagi, para pengembang tersebut merasa seolah-olah kecepatan mereka meningkat sebesar 20%.
Beberapa Faktor Penyebab Perlambatan
Penyebab perlambatan ini tidak tunggal, melainkan berasal dari beberapa faktor. Tiga faktor utama yang menonjol adalah masalah konteks, alat baru yang terus berubah, dan hambatan struktural yang diberlakukan oleh alat itu sendiri. Mengenai masalah konteks, AI dapat menangani 80% tugas pengkodean awal dengan cukup baik, tetapi kesulitan dengan 20% terakhir di mana konteks mendalam paling penting. Ini sangat jelas terlihat pada pengembang ahli dalam studi tersebut, yang rata-rata memiliki pengalaman lima tahun dan 1.500 commit pada basis kode yang besar dan matang.
Pengembang melaporkan bahwa AI sering bertingkah seperti anggota tim yang tidak berpengalaman, kesulitan dengan kompatibilitas ke belakang atau mengusulkan pengeditan di lokasi yang salah. Angka-angka menunjukkan hal ini yaitu mereka menghabiskan 9% waktu mereka untuk meninjau dan membersihkan hasil AI, ditambah 4% lagi menunggu generasi. Masalahnya paling parah pada tugas-tugas yang membutuhkan memori institusional, karena pengetahuan itu mewakili konteks kaya yang dibangun dari pengalaman manusia bertahun-tahun. Ini berarti studi tersebut menguji AI dalam skenario yang mungkin paling menantang, di mana keahlian dan konteks manusia berada pada puncaknya.
Faktor kedua adalah alat baru yang terus bergerak. Mengelola alat AI secara efektif adalah keterampilan baru yang masih banyak dipelajari. Misalnya, mengetahui secara tepat kapan harus menghentikan dialog yang gagal dan menyelesaikan pekerjaan secara manual adalah keterampilan yang dipelajari. Menguasai ini sulit karena alat itu sendiri adalah target yang bergerak, terus berevolusi.
Terakhir, alat itu sendiri memaksakan hambatan struktural. Sementara pengembang manusia secara mental dapat mengelola banyak ketergantungan dan merencanakan langkah selanjutnya saat mengerjakan sepotong kode, berinteraksi dengan sebagian besar asisten AI memaksa mereka ke dalam alur kerja serial yang kaku yaitu satu instruksi, satu respons. Ini tidak selaras dengan cara berpikir para ahli. Namun, ini sudah mulai berubah, dengan potensi pergeseran menuju alur kerja berbasis agen yang lebih asinkron.
Beralih Dari Inspirasi Ke Prototipe
Meskipun studi ini berfokus pada produktivitas ahli, melihat lebih dari riset spesifik ini menunjukkan bahwa ceritanya hanya sebagian. Bagi pengembang yang sudah ada, dampak terbesar AI mungkin belum pada penyelesaian tugas-tugas rumit, tetapi pada percepatan dramatis tahap awal proyek, memungkinkan mereka beralih dari inspirasi ke prototipe yang berfungsi jauh lebih cepat. Akan tetapi, efek yang paling transformatif mungkin adalah membuka pintu pengkodean bagi populasi yang sama sekali baru. Ini terjadi dalam dua cara utama yaitu menurunkan energi aktivasi bagi manajer dan eksekutif yang terbatas waktu, yang sekarang dapat membuat alat dalam waktu singkat, dan memberdayakan gelombang vibe coders termasuk manajer produk, desainer, atau non-insinyur lainnya untuk membangun alat dan program mereka sendiri dengan sumber daya teknik minimal. Meskipun terdapat perlambatan yang terukur, 69% pengembang terus menggunakan alat AI setelah eksperimen berakhir, menunjukkan bahwa nilai AI tidak dapat diukur hanya dengan waktu. Ini adalah persamaan kompleks antara kecepatan, konteks, kenikmatan, dan pemberdayaan.
