Di tempat kerja modern, para pengembang semakin bergantung pada asisten AI seperti Claude, ChatGPT, dan Copilot untuk menyelesaikan tugas harian mereka. Tergantung pada kebutuhan, seorang profesional mungkin menggunakan satu alat untuk merencanakan tugas, alat lain untuk menulis kode, dan alat ketiga untuk melakukan tinjauan kode. Dalam praktiknya, alur kerja ini seringkali fleksibel – terkadang ketiga langkah tersebut dijalankan oleh model yang sama, sehingga tidak ada pola yang kaku.
Salah satu pengamatan yang konsisten adalah bahwa model-model ini sangat baik dalam menghasilkan kode untuk proyek baru (greenfield), tetapi kualitas output mereka menurun ketika berhadapan dengan basis kode warisan. Pengalaman ini tidak hanya terbatas pada penulis artikel; rekan-rekan yang bekerja di lingkungan yang sama juga melaporkan pola yang sama. Karena basis kode organisasi tersebut 100% merupakan kode warisan, para pengembang memanfaatkan model-model ini terutama untuk menghasilkan potongan-potongan kode baru, namun penggunaan yang paling berharga adalah untuk menjelaskan bagian kode yang sudah ada.
Kemampuan asisten AI untuk menjelaskan logika di balik kode yang rumit telah menghemat banyak waktu dan frustrasi. Di masa lalu, jika seorang pengembang senior yang menulis kode tersebut masih bekerja, mereka bisa bertanya secara langsung. Sekarang, pertanyaan serupa dapat diajukan ke model AI, dan hampir setiap kali jawaban yang masuk akal akan diberikan. Meskipun penjelasan yang dihasilkan terkadang tidak masuk akal atau mengandung halusinasi, para profesional dapat menggunakan pengetahuan kode mereka sendiri untuk menilai apakah output tersebut masuk akal.
Di banyak perusahaan Indonesia, di mana sistem warisan masih mendominasi lanskap teknologi, manfaat ini sangat signifikan. Alih-alih menghabiskan berjam-jam untuk menelusuri kode yang tidak terdokumentasi dengan baik, para pengembang dapat meminta AI untuk menyoroti bagian yang relevan, menguraikan fungsi, dan bahkan menyarankan cara untuk memodernisasi modul usang. Hal ini mempercepat onboarding dan mengurangi risiko hilangnya pengetahuan ketika karyawan senior pensiun atau pindah.
Namun, ketergantungan pada AI untuk eksplanasi juga menimbulkan pertanyaan tentang kualitas dokumentasi dan pengembangan keterampilan. Ketika asisten AI menjadi sumber utama penjelasan, tim mungkin menjadi kurang termotivasi untuk menulis dokumentasi yang jelas dan komprehensif. Di sisi lain, model-model ini dapat melengkapi dokumentasi yang ada, memberikan perspektif alternatif yang membantu pembaca memahami desain yang kompleks.
Bagi industri teknologi Indonesia, tren ini menunjukkan peluang dan tantangan. Dengan banyak perusahaan yang masih mengelola sistem warisan, adopsi alat AI untuk generasi kode dan eksplanasi dapat meningkatkan efisiensi dan memungkinkan sumber daya manusia yang terbatas untuk fokus pada inisiatif yang lebih strategis. Namun, para pemimpin harus memastikan bahwa alat-alat tersebut digunakan sebagai pendukung, bukan pengganti, pengetahuan manusia, dan bahwa mereka berinvestasi dalam pelatihan yang memperkuat keterampilan debugging dan analisis kritis.
Masa depan pengembangan perangkat lunak di wilayah ini kemungkinan akan melibatkan kolaborasi antara kecerdasan manusia dan kecerdasan buatan. Praktik terbaik mencakup menggunakan model AI untuk tugas-tugas berulang dan pembuatan kode awal, memvalidasi output tersebut dengan tinjauan sejawat, dan mempertahankan dokumentasi yang baik. Dengan menggabungkan kekuatan AI dengan keahlian manusia, tim di Indonesia dapat mempercepat modernisasi sistem warisan mereka sambil membangun fondasi yang kuat untuk inovasi di masa depan.