Anthropic memperkenalkan pendekatan migrasi kode berskala besar menggunakan Claude Code dan agen otonom yang bekerja paralel dalam sistem pipa integrasi berkelanjutan. Arsitektur ini memungkinkan tim pengembang mengotomatisasi pembuatan permintaan tarik (pull request) serta pengujian tanpa campur tangan manual yang intens.
Metode yang dijalankan Anthropic membagi beban kerja ke dalam loop multi-agennya. Model berukuran kecil menangani implementasi dengan volume tinggi, sementara model besar bertindak sebagai peninjau kode. Pemisahan peran ini menekan biaya komputasi sekaligus menjaga kualitas hasil migrasi.
Dalam praktiknya, agen-agen tersebut dijalankan melalui mode headless dan rangka kerja (harness) khusus. Tim dapat menyisipkan agen langsung ke dalam CI pipeline yang sudah digunakan sehari-hari. Dengan demikian, proses penulisan kode, eksekusi shell, hingga komit ke repositori berjalan tanpa perlu dikawal engineer secara terus-menerus.
Salah satu kunci efisiensi terletak pada penggunaan git worktrees. Teknik ini memberi setiap agen ruang kerja terisolasi di dalam repositori raksasa. Agen dapat menavigasi jutaan baris kode, mengubah berkas, dan membuat komit secara mandiri tanpa saling mengganggu antarproses.
Agar migrasi terukur, Anthropic menjadikan antrean pekerjaan bersifat mekanis dan dapat dilanjutkan kembali. Progres dipantau dari keberadaan berkas di dalam disk, bukan dari laporan manual. Jika sistem terhenti, agen cukup melanjutkan dari titik terakhir tanpa mengulang seluruh siklus.
Latar belakang munculnya metode ini cukup jelas. Migrasi kode tradisional memaksa manusia menyunting baris demi baris, yang lambat dan rawan kesalahan saat menyentuh basis kode tua. Perusahaan dengan produk matang butuh cara cepat memindahkan komponen ke bahasa atau kerangka kerja yang lebih efisien.
Salah satu migrasi nyata yang berhasil dicatat adalah pemindahan komponen dari bahasa Zig ke Rust. Hasilnya menunjukkan penurunan pemakaian memori hingga 90 persen serta ukuran berkas biner yang jauh lebih kecil. Angka tersebut menjadi bukti bahwa otomasi agen tidak sekadar mempercepat, tetapi juga meningkatkan performa akhir.
Bagi industri perangkat lunak, pergeseran peran manusia menjadi pengelola pola tingkat tinggi sangat mendasar. Developer tidak lagi sibuk mengetik baris kode, melainkan merancang aturan otomasi yang mengendalikan pasukan agen. Ini mengubah definisi produktivitas tim engineering secara struktural.
Di Indonesia, tren serupa mulai terlihat pada perusahaan rintisan yang mengadopsi alat bantu AI coding. Meski belum massif, beberapa studio pengembang lokal menggunakan asisten berbasis LLM untuk refactoring modul lawas. Tantangannya terletak pada infrastruktur CI yang belum seragam dan ketergantungan pada layanan cloud luar negeri.
Kendati demikian, pendekatan Anthropic memberi rujukan konkret bagi tim lokal. Penggunaan worktree dan antrean berkas dapat diterapkan dengan alat sumber terbuka tanpa harus terikat satu vendor. Hal ini penting agar ekosistem teknologi domestik tidak terjebak dalam biaya langganan tinggi.
Ke depan, otomasi migrasi agen otonom diproyeksikan menjadi standar operasional bagi perusahaan dengan basis kode kompleks. Kemampuan agen untuk bekerja paralel akan menekan waktu rilis dan memangkas utang teknis (technical debt). Tim yang enggan beradaptasi berisiko tertinggal dalam kompetisi kecepatan pengiriman produk.
Langkah berikutnya kemungkinan besar adalah integrasi protokol MCP agar agen dapat memanggil sumber data eksternal saat migrasi berlangsung. Dengan demikian, batas antara perawatan kode manual dan orkestrasi agen akan semakin tipis di tahun-tahun mendatang.