Copilot Menulisnya, Tapi Siapa Pemiliknya? Kesenjangan Tata Kelola yang Mungkin Diabaikan Tim Rekayasa

Seorang insinyur membuka Copilot untuk membantu menulis kode bagi situs klien. Dalam hitungan detik, mereka menerima kode yang sebelumnya memerlukan waktu jauh lebih lama bila ditulis secara manual. Bagi banyak pengembang web dan perusahaan yang mengoptimalkan situs mereka, wajar untuk bertanya: apakah kode tersebut dapat diandalkan? Apakah aman? Haruskah kode tersebut ditinjau sebelum diterapkan? Semua pertanyaan ini berada di bawah satu topik: Siapa yang akan bertanggung jawab atas pemrograman yang dibantu AI? Dan, yang paling penting, siapa yang memiliki peningkatan produktivitas?

Jika AI memungkinkan tim rekayasa menyelesaikan lebih banyak pekerjaan dalam waktu yang sama, maka semua pihak dapat memperoleh nilai ekonomi yang lebih besar. Ini bisa berupa pengembang yang menghemat waktu, pemberi kerja yang memperoleh nilai lebih dari jam yang dihemat, atau klien yang menerima apa yang mereka bayar dengan waktu luang. Terlepas dari bagaimana manfaat waktu yang dihemat, yang tetap menjadi fokus utama adalah bagaimana pekerjaan tersebut diatur dan dipatok harganya.

AI dan Pemrograman Menjadi Tak Terhindarkan

Alat pemrograman AI dengan cepat mendapatkan perhatian dan menembus pengembangan mainstream. Menurut 2025 Stack Overflow Developer Survey, 84% responden menggunakan atau berencana menggunakan alat AI dalam proses pengembangan mereka.

Meskipun penerapan AI ke dalam alur kerja pengembang web semakin umum, masih ada keraguan tentang keandalannya. Survei yang sama menemukan bahwa 46% tidak sepenuhnya percaya pada akurasi output AI, dan sekitar 66% menyebut solusi AI yang “hampir benar, tetapi belum sepenuhnya” sebagai sumber frustrasi.

Debat AI dalam pemrograman yang sedang berkembang lebih berkaitan dengan keandalannya daripada apakah kode tersebut menciptakan nilai lebih dan siapa yang bertanggung jawab memastikan hal itu terjadi.

AI Mengganggu Hubungan Antara Jam Kerja dan Output

Kompensasi untuk pengembangan perangkat lunak selalu bergantung pada asumsi bahwa output rekayasa berhubungan erat dengan upaya rekayasa. Namun, AI generatif kini mempersulit persamaan tersebut.

Sebuah percobaan terkontrol yang melibatkan 95 pengembang menemukan bahwa peserta yang memiliki akses ke GitHub Copilot menyelesaikan tugas server HTTP JavaScript tertentu 55,8% lebih cepat daripada yang tanpa akses.

Hal ini menyoroti bahwa AI dapat mempercepat pengembangan, berpotensi tanpa mengorbankan kualitas. Namun, angka tersebut hanya berhasil karena percobaan mengikuti tugas pemrograman yang sangat spesifik. Meskipun tugas selesai lebih cepat, tidak berarti Copilot membuat seluruh organisasi rekayasa 55,8% lebih produktif.

Sebuah studi riset lain mengilustrasikan ide ini. Sebuah percobaan yang melibatkan 96 insinyur perangkat lunak penuh waktu Google menemukan bahwa pengembang yang menggunakan AI menyelesaikan tugas berskala perusahaan dalam sekitar 96 menit, dibandingkan dengan 114 menit bagi yang tidak menggunakannya. Perkiraan yang disesuaikan peneliti menunjukkan pengurangan waktu penyelesaian sekitar 21%. Namun, studi tersebut tidak meneliti kualitas kode AI, maupun pertanyaan keadilan terkait ketergantungan pada teknologi.

Ada juga bukti AI memperlambat waktu pemrograman. Sebuah studi acak oleh METR melibatkan 16 pengembang open‑source berpengalaman yang mengerjakan 246 isu nyata di repositori yang mereka kenal baik. Menggunakan alat yang tersedia pada awal 2025, termasuk Claude Sonnet 3.5 dan 3.7, serta Cursor Pro, mereka memerlukan sekitar 19% lebih lama untuk menyelesaikan tugas, meskipun banyak yang mengira alat‑alat ini akan menghemat waktu.

Bersama‑sama, studi‑studi ini menentang ekspektasi bahwa AI memungkinkan pengembang bekerja lebih cepat. Sebaliknya, AI membuat waktu dan nilai pengembang menjadi kurang dapat diprediksi bagi bisnis yang menawarkan layanan web dan bagi klien yang menerimanya.

Masalah Penetapan Harga yang Tidak Pernah Dibicarakan

Time & Material (T&M) adalah model umum dalam pengembangan web untuk pembelian perangkat lunak, karena mengatasi masalah industri yang berulang: proyek yang terus berkembang.

Dengan model ini, alih‑alih mengharuskan setiap fitur atau tugas didefinisikan sebelum pengembangan dimulai, klien dapat membayar waktu rekayasa seiring proyek berjalan dan berubah.

Namun, AI menciptakan hambatan dalam model yang telah teruji tersebut. Karena kompensasi terikat langsung pada jam rekayasa, waktu pengembangan yang lebih efisien dapat menghasilkan jam yang dapat ditagih lebih sedikit bagi klien. Jika AI mendukung hasil yang sama dalam waktu lebih singkat, teknologi tersebut dapat menciptakan nilai bagi klien, tetapi pengurangan jam yang dapat ditagih berarti pendapatan penyedia berkurang.

Solusinya bukan mendorong pengembang bekerja lebih lambat. Model T&M kini menghadapi masalah struktural dalam cara penetapan harga dan insentif dirancang. Menggunakan tarif per jam untuk menentukan nilai dapat menjadi pembatas. Seorang pembeli mungkin mengetahui secara tepat berapa biaya setiap jam rekayasa namun tetap tidak pasti tentang total investasi yang diperlukan untuk mencapai hasil yang diinginkan.

Seiring AI mengubah produktivitas rekayasa, pertanyaan dapat beralih dari:

“Berapa biaya satu jam pengembang?” → “Apa yang terjadi pada nilai ketika diperlukan lebih sedikit jam pengembang?”

Temuan METR memperumit pertanyaan ini. Jika pengembang percaya mereka dapat menghemat waktu padahal pada kenyataannya memakan waktu lebih lama, baik adopsi AI maupun persepsi produktivitas tidak cukup untuk menunjukkan nilai finansial. Itulah mengapa organisasi memerlukan tata kelola yang dapat mengukur apa yang sebenarnya terjadi.

Kesenjangan Tata Kelola Memiliki Empat Pemilik

Membahas tata kelola seputar pengembangan yang dibantu AI harus melampaui kebijakan yang mengatur alat apa yang dapat digunakan pengembang.

Ada setidaknya empat jenis kepemilikan yang harus didefinisikan organisasi rekayasa.

1. Siapa yang memiliki kode?

AI dapat menghasilkan implementasi, tetapi tidak dapat menjadi alasan untuk pengembangan tanpa akuntabilitas. Masih diperlukan seseorang yang bertanggung jawab untuk meninjau, menguji, dan menyetujui kode hingga mencapai tahap produksi.

2. Siapa yang menanggung risiko?

Kode yang lebih cepat hanya berharga jika tidak menimbulkan masalah di tempat lain. Sebuah studi empiris tentang kode yang dihasilkan AI mengidentifikasi kelemahan keamanan pada 29,5% potongan Python yang diuji dan 24,2% potongan JavaScript. Penelitian juga menemukan kelemahan yang mencakup 43 kategori Common Weakness Enumeration.

Namun, studi tersebut menemukan bahwa mengirimkan peringatan analisis statis kembali ke Copilot Chat dapat memperbaiki hingga 55,5% isu keamanan yang teridentifikasi. Penelitian menunjukkan bagaimana AI dapat menciptakan dan menyelesaikan masalah pemrograman, tetapi organisasi memerlukan proses untuk menentukan cara memvalidasi outputnya.

NIST’s SP 800-218A mencerminkan prinsip ini dengan memperluas Secure Software Development Framework dengan praktik terbaik yang menangani AI generatif dan model fondasi dual‑use.

3. Siapa yang memiliki peningkatan produktivitas?

Kesepakatan komersial sejak awal sangat penting untuk menentukan siapa yang harus menerima keuntungan efisiensi. AI dapat membantu klien menghemat biaya, memungkinkan tim menghasilkan lebih banyak perangkat lunak, atau tidak memberikan manfaat finansial apa pun pada akhir proyek.

Yang tetap sama adalah kebutuhan akan proses yang transparan dan penyampaian kerja berkualitas yang telah disepakati.

4. Siapa yang memiliki prioritas?

AI dapat membuat pembuatan fitur lebih murah dan lebih cepat, tetapi tidak dapat memutuskan apakah fitur tersebut diperlukan.

Faktanya, peningkatan kapasitas pengembangan dapat membuat prioritas menjadi lebih penting. Ketika tim dapat membangun dan bereksperimen lebih cepat, seseorang tetap harus menentukan hasil mana yang membenarkan anggaran yang tersedia, dan ide mana yang harus ditinggalkan.

Tata Kelola AI Menjadi Isu Keuangan

Pertanyaan‑pertanyaan ini membuat tata kelola AI semakin relevan. Bayangkan dua mitra pengembangan yang mengenakan tarif per jam serupa.

Satu telah mengintegrasikan AI ke dalam proses rekayasa yang kuat dan mencapai hasil yang dibutuhkan jauh lebih cepat, sementara yang lain memerlukan waktu lebih lama. Membandingkan tarif per jam saja tidak memberi pembeli banyak informasi tentang proses yang akan mereka jalankan.

Pembeli perlu mengevaluasi:

• Total investasi yang diharapkan
• Tanggung jawab atas kelebihan biaya
• Kontrol kualitas atas pekerjaan yang dihasilkan AI
• Bagaimana keuntungan efisiensi dibagi

Model T&M masih dapat berguna bagi kedua pihak jika mereka secara sadar menerima ketidakpastian dalam layanan. Pengaturan harga tetap juga dapat berhasil ketika persyaratan dan deliverable stabil.

Namun AI juga membuat struktur alternatif layak dipertimbangkan. Salah satu pendekatan adalah menetapkan batas keuangan maksimum sambil menjaga ruang lingkup fleksibel. Kemudian, fitur dapat diprioritaskan sesuai nilai bisnis dalam model tersebut.

Jika rekayasa menjadi lebih efisien, keuntungan dapat diterjemahkan menjadi kemampuan produk tambahan alih‑alih waktu penagihan tambahan. Insentif komersial harus mendorong hasil yang sama dengan insentif rekayasa, menciptakan perangkat lunak yang lebih berguna secara seefisien mungkin.

Percakapan AI yang Sama

Pemimpin rekayasa perlu memahami bagaimana insentif komersial memengaruhi pengiriman. Tim keuangan dan pengadaan membutuhkan visibilitas yang cukup terhadap rekayasa yang dibantu AI untuk menilai apakah efisiensi yang diklaim menghasilkan nilai yang dapat diukur.

Itu berarti tata kelola AI yang matang tidak dapat berhenti pada daftar model yang disetujui, kontrol keamanan, kebijakan data, atau persyaratan tinjauan kode. Tata kelola harus mencakup akuntabilitas, risiko keuangan, prioritas, dan kepemilikan atas peningkatan produktivitas.

Namun ada pertanyaan kepemilikan kedua yang dapat berdampak jauh lebih besar pada anggaran teknologi: Siapa yang memiliki nilai yang diciptakan atau hilang ketika AI mengubah kecepatan pembuatan perangkat lunak?

Organisasi yang menentukan apakah rekayasa yang lebih cepat benar‑benar menghasilkan produk yang lebih baik, mengendalikan investasi, dan mencapai hasil bisnis yang dapat diukur akan menjadi yang mampu tetap berada di depan pesaing.

Jika tim pengembangan Anda mengadopsi AI besok, apakah tata kelola dan model komersial Anda saat ini bahkan dapat memberi tahu Anda apakah hal itu membuat pengiriman menjadi lebih berharga?