Anthropic merilis pendekatan baru yang memanfaatkan Claude Code dan agen kecerdasan buatan otonom untuk menangani migrasi basis kode dalam skala sangat besar. Metode ini membagi tugas ke dalam arsitektur multi-agennya sehingga proses perbaikan dan penyesuaian kode dapat berjalan paralel tanpa intervensi manual yang berlebihan.
Sistem yang dibangun oleh Anthropic itu mengandalkan model-model berukuran kecil untuk mengeksekusi perubahan kode secara massal, sementara model besar bertindak sebagai peninjau kualitas. Dengan mode headless dan rangkaian alat khusus, tim pengembang dapat menyisipkan agen langsung ke dalam pipeline integrasi berkelanjutan (CI) guna mengotomatisasi pembuatan pull request serta pengujian otomatis.
Migrasi perangkat lunak kerap menjadi momok bagi perusahaan teknologi karena menyentuh ribuan berkas sekaligus. Ketergantungan pada penyuntingan manual membuat proses berjalan lambat dan rawan kesalahan. Anthropic melihat kebutuhan akan metode yang dapat memecah pekerjaan besar menjadi unit-unit kecil yang terukur.
Latar belakang teknis dari pendekatan ini berawal dari keterbatasan agen AI tunggal dalam memahami repositori raksasa. Dengan membagi tugas melalui git worktrees, setiap agen mendapat ruang kerja terisolasi sehingga dapat menjelajah repositori, mengubah berkas, mengeksekusi perintah shell, dan melakukan commit secara mandiri.
Antropis mengadopsi strategi di mana antrean pekerjaan dirancang sedemikian rupa agar bersifat mekanis dan dapat dilanjutkan kembali. Progres dipantau dari keberadaan berkas di dalam disk, bukan dari laporan manual. Hal ini memungkinkan migrasi dihentikan dan dilanjutkan tanpa kehilangan jejak perubahan.
Dampak nyata dari metode ini terlihat pada percobaan porting komponen dari bahasa Zig ke Rust. Hasilnya menunjukkan penurunan penggunaan memori hingga 90 persen serta ukuran berkas biner yang jauh lebih kecil. Angka tersebut menjadi bukti bahwa otomatisasi migrasi tidak sekadar menghemat waktu, tetapi juga meningkatkan efisiensi perangkat lunak.
Bagi industri teknologi Indonesia, pendekatan berbasis agen otonom membuka peluang bagi perusahaan yang memiliki warisan sistem lawas. Banyak bank, institusi publik, dan startup lokal masih mengoperasikan kode usang yang mahal dipelihara. Mengadopsi alur kerja serupa dapat memangkas biaya modernisasi yang selama ini menjadi penghalang utama.
Di sisi lain, ketersediaan alat seperti Claude Code belum merata di tanah air. Mayoritas tim engineering lokal masih mengandalkan review manual dan alat bantu generik. Kendala lisensi serta literasi tentang orkestrasi agen AI menjadi tantangan tersendiri sebelum metode ini dapat diadopsi secara luas.
Anthropic menekankan bahwa kunci keberhasilan terletak pada pergeseran peran manusia. Pengembang tidak lagi menulis kode baris demi baris, melainkan mengelola pola tingkat tinggi serta menyempurnakan aturan yang mengendalikan pasukan agen. “Fokus berpindah dari penulisan kode ke pengaturan sistem yang menjalankannya,” tulis tim engineering Anthropic dalam dokumentasi praktik terbaik mereka.
Praktik tersebut sejalan dengan catatan arsip situs resmi Anthropic mengenai Claude Code Best Practices. Mereka merekomendasikan pemisahan tugas antara model kecil dan besar agar beban komputasi tetap efisien. Pendekatan ini juga dipaparkan dalam laporan WinBuzzer tentang pemanfaatan subagent dan Model Context Protocol (MCP) untuk memperluas kemampuan Claude.
Ke depan, tren orkestrasi agen otonom diproyeksikan meluas ke berbagai domain pengembangan perangkat lunak. Perusahaan yang mampu membangun harness custom akan memimpin dalam modernisasi infrastruktur digital. Layanan CI/CD lokal pun diperkirakan mulai menyediakan dukungan serupa dalam dua hingga tiga tahun mendatang.
Pemerintah dan komunitas open source Indonesia dapat memanfaatkan momentum ini dengan menyusun panduan adopsi agen AI untuk migrasi kode sektor publik. Langkah awal berupa piloting pada sistem non-kritis akan mengurangi risiko sekaligus mempercepat kebiasaan kerja baru di kalangan engineer tanah air.