Jika AI Ada Sejak Awal: Kode yang Lebih Murah Tidak Membuat Keputusan tentang Apa yang Dibangun Menjadi Lebih Mudah

Sebagian besar sejarah perangkat lunak, bagian yang mahal adalah membangunnya. Tim menghabiskan bulan untuk mengubah ide menjadi kode yang berfungsi, dan kelangkaan itu membentuk segalanya tentang bagaimana pekerjaan itu terorganisir.

Roadmap dibuat berdasarkan kapasitas rekayasa yang tersedia; arsitek mendapatkan tempat mereka di meja karena mereka memahami sistem yang tidak dimiliki orang lain; manajer produk menghabiskan minggu mereka menerjemahkan permintaan bisnis yang samar menjadi sesuatu yang dapat diaktifkan oleh pengembang. Menulis perangkat lunak adalah bottleneck, dan secara alami, menulis itu adalah tempat di mana pengaruh hidup.

Itu tidak lagi benar, dan perubahan itu terjadi lebih cepat daripada kebanyakan pemimpin rekayasa telah memiliki waktu untuk memahaminya.

Alat coding AI telah mengurangi biaya implementasi. Jadi, pekerjaan yang membutuhkan waktu beberapa minggu untuk diselesaikan oleh tim insinyur sekarang dapat diselesaikan oleh agen dalam beberapa jam. Dan asumsi yang jelas adalah bahwa eksekusi yang lebih cepat akan berarti nilai yang lebih cepat disampaikan.

Apa yang sebenarnya terjadi, bagaimanapun, adalah lebih rumit: tim sekarang dapat menghasilkan lebih banyak perangkat lunak daripada yang mereka ketahui apa yang harus dilakukan, dan hal yang memperlambat mereka sekarang telah berpindah ke tempat lain.

“Anda tidak bisa menerapkan AI pada proses yang rusak,” kata Pablo Gamba, kepala teknologi Amerika di intive, startup solusi perangkat lunak dan AI global. “Itu seperti memberikan sekop yang lebih cepat kepada pekerja. Dia akan bekerja lebih cepat, tetapi hanya di arah yang salah.”

Eksekusi yang Lebih Cepat, Konstrain yang Sama

Setiap infleksi besar dalam teknologi – internet, cloud, dan offshoring – mengikuti bentuk yang sama. Sesuatu yang dulunya mahal menjadi murah hampir semalam, dan segala sesuatu yang dibangun oleh perusahaan berdasarkan asumsi biaya itu harus dibongkar dan dibangun kembali.

Ini kali, hal yang menjadi murah adalah kecerdasan teknis yang diterapkan itu sendiri, yang kebetulan adalah apa yang perusahaan jasa dan tim rekayasa telah habiskan dekade untuk mengenakan biaya, Gamba klaim.

Eksekusi yang lebih murah tidak membuat konstrain menghilang, bagaimanapun. Itu hanya memindahkannya ke tempat yang kurang terlihat. Bottleneck coding, misalnya, dalam migrasi ke hulu, telah mempercepat implementasi, tetapi hambatan sekarang ada di tinjauan kode. Otomatisasi tinjauan kode dan itu menunjukkan diri dalam pengujian dan penerapan; otomatisasi itu juga, dan akhirnya itu mendarat pada manusia yang menulis spesifikasi yang agen kerjakan.

Karena agen hanya dapat membangun apa yang telah digambarkan dengan cukup presisi untuk diaktifkan tanpa menebak.

Itulah perangkap yang banyak tim masuki sekarang, sering tanpa menyadari. Jika Anda dapat membangun hampir apa saja dalam sebagian kecil dari waktu yang dibutuhkan sebelumnya, biaya membangun hal yang salah meningkat, bukan menurun, karena Anda akan menemukan bahwa Anda salah lebih cepat dan dengan lebih banyak yang sudah dikirim.

Asumsi yang dulunya muncul perlahan-lahan, selama minggu-minggu coding manual, sekarang dapat menjadi infrastruktur penting sebelum siapa pun memikirkan untuk mempertanyakannya. Prioritisasi, bukan output mentah, berakhir dengan menentukan apakah investasi AI benar-benar membayar untuk dirinya sendiri.

Dalam paradigma ini, Gamba percaya bahwa perusahaan harus melacak tidak kecepatan pengembangan, tetapi siklus penuh dari niat ke produksi. “Jika Anda meningkatkan kecepatan pengembangan tetapi QA adalah bottleneck Anda, maka Anda hanya mencapai QA lebih cepat. Kemudian Anda memperbaiki QA dan bottleneck berpindah ke persyaratan,” katanya.

Angka-angka mendukungnya juga. Perusahaan Fortune 50 yang menggunakan pengembangan AI-asist telah mengirim komit 3x-4x lebih cepat daripada rekan-rekan mereka, menurut penelitian dari Cloud Security Alliance, tetapi memperkenalkan temuan keamanan baru sekitar sepuluh kali lipat.

Kecepatan tanpa tujuan yang jelas, dalam arti ini, tidak hanya membuang-buang upaya; itu mempercepat risiko lebih cepat daripada kebanyakan tim keamanan dapat mengimbanginya.

Mendapatkan Persyaratan ke Bahasa yang Dapat Diterapkan AI

Jika definisi adalah tempat konstrain yang sebenarnya, solusinya bukanlah dokumentasi lebih banyak. Ini adalah dokumentasi yang berbeda, yang ditulis dalam bentuk yang sistem AI dapat dijalankan tanpa mengisi celah sendiri.

Itu berarti pensiun dokumen persyaratan yang ditulis untuk diinterpretasikan oleh manusia dengan penilaian dan menggantinya dengan kriteria penerimaan terstruktur, model domain eksplisit, dan tes kontrak yang menjelaskan apa yang harus dilakukan fitur sejelas apa yang tidak boleh dilakukan.

Agen, setelah semua, mengisi ambiguitas dengan cara yang sama seperti insinyur junior, dengan tebakan yang percaya diri. Perbedaannya adalah tebakan terakhir datang dengan keraguan, bendera untuk rekan senior, perasaan bahwa sesuatu mungkin salah.

Tebakan agen tidak terlihat seperti itu. Itu muncul sebagai kode yang bersih, fasih, dan terbentuk, dan tidak ada keraguan di dalamnya, bahkan ketika itu salah.

Menulis spesifikasi yang cukup presisi untuk bertahan dari kesenjangan itu mulai terasa kurang seperti menyusun brief produk dan lebih seperti menyusun kontrak. Anda menamai setiap aktor, memetakan setiap transisi status sistem yang diizinkan, dan menghitung kasus tepi alih-alih diam-diam meninggalkannya ke jalur bahagia, cara yang masih dilakukan oleh kebanyakan dokumen persyaratan.

Tim yang memperlakukan ini sebagai tugas dokumentasi belajar dengan cara yang sulit bahwa niat yang samar hanya menghasilkan perangkat lunak yang samar pada kecepatan mesin.

Tim yang benar-benar menangkap keuntungan produktivitas adalah mereka yang memperlakukan penulisan spesifikasi seperti disiplin rekayasa sendiri, dengan kontrol versi yang sama, siklus tinjauan, dan ketat tes yang biasanya dicadangkan untuk kode itu sendiri.

Dalam kata-kata Gamba, AI-asli bukanlah izin untuk melewati proses, tetapi tuntutan untuk merancang dari awal. “Banyak organisasi mencoba menerapkan AI pada proses lama. Itu bukan transformasi. Organisasi AI-asli memulai dengan pertanyaan yang berbeda: jika AI ada sejak awal, bagaimana kita merancang proses ini hari ini?”

Manajer Backlog, Kurator Niat

Produk, arsitektur, dan rekayasa dulunya berjalan sebagai tiga fungsi terpisah dengan handoff yang bersih di antaranya: produk memutuskan apa yang dibangun, arsitektur memutuskan bagaimana, rekayasa mengirimkannya.

Sekarang implementasi menjadi murah dan cepat, handoff itu berubah menjadi bagian terlambat dari seluruh rantai. Apa yang penting di sini adalah siapa pun yang dapat memegang gambaran keseluruhan sekaligus, menerjemahkan niat menjadi sesuatu yang dapat diaktifkan agen, dan menangkap asumsi yang salah sebelum menjadi kode yang dikirim yang tidak diinginkan.

Desain ulang itu secara diam-diam membentuk siapa yang melakukan definisi, dan apa pekerjaan itu sekarang.

“Pikirkan apa yang terjadi pada peran insinyur perangkat lunak. Mereka tidak lagi hanya menulis kode. Mereka mengawasi output agen, mendefinisikan spesifikasi, mempersiapkan tes, memvalidasi hasil. Itu menggabungkan apa yang dulunya tiga peran terpisah menjadi satu,” kata Gamba.

Dalam arti lain, apa yang berharga sekarang bukanlah mengetahui cara menulis tiket atau menjalankan sprint. Itu mengetahui apa yang “hebat” terlihat seperti sebelum pekerjaan bahkan dimulai, dapat membedakan antara apa yang menarik secara intelektual dan apa yang pelanggan benar-benar butuhkan, dan memiliki keberanian untuk membunuh ide dengan cepat ketika itu jelas tidak melewati batang.

Itu adalah panggilan penilaian yang dulunya didistribusikan di seluruh manajer produk, arsitek, dan pemimpin teknis yang membandingkan catatan. Semakin banyak, mereka mendarat pada siapa pun yang paling dekat dengan mendefinisikan pekerjaan pertama kali.

Dan juga layak diingat: tidak ada yang membuat judul menghilang. Tapi garis-garis antara mereka semakin sulit dipertahankan, sementara orang-orang yang berkembang dalam kabur itu adalah mereka yang bertindak sebagai kurator niat.

Eksekusi Cepat Tanpa Guardrail Bukanlah Kemenangan

Ada risiko yang mudah kehilangan pandangan sekali niat jelas, dan pipa AI benar-benar berfungsi: eksekusi cepat yang baik dapat memperkenalkan kegagalan yang proses manusia yang lebih lambat akan menangkap hampir secara kebetulan.

Angka-angka di sini tidak bahkan dekat. Pengujian Veracode pada musim semi 2026 di seluruh model terkemuka menemukan bahwa hanya 55% tugas pembangkitan kode menghasilkan output yang aman ketika tidak ada pedoman keamanan yang diberikan, angka yang hampir tidak berubah dalam dua tahun bahkan ketika akurasi fungsional melompat secara signifikan.

Ini jelas bahwa mendapatkan sintaksis yang benar berhenti menjadi bagian yang sulit sejak lama. Panggilan penilaian yang dibuat insinyur manusia secara naluri saat mengetik, sekitar keamanan, kepatuhan, dan apa data yang seharusnya dan tidak boleh menyentuh sistem, adalah bagian yang sulit untuk digantikan.

Ini berarti bahwa ketat yang diterapkan untuk mendefinisikan apa yang dibangun harus diperluas untuk mendefinisikan apa yang tidak diizinkan, seperti batas kepatuhan, aturan penanganan data, dan konstrain etika yang dijelaskan dengan perawatan yang sama seperti persyaratan fungsional.

Meninggalkan hal-hal itu implisit dan berharap agen menginfernya dengan benar adalah kesalahan yang sama seperti meninggalkan persyaratan produk yang samar dan mengharapkan bangunan itu akan berakhir dengan baik.

Apa yang Terlihat seperti Kepemimpinan

Tidak ada yang membantah pengembangan yang dipercepat AI; membangun tidak pernah lebih cepat atau lebih murah, dan tidak ada yang dapat mengembalikan botol itu.

Tapi apa yang tidak menjadi lebih mudah, dan bahkan lebih sulit, adalah memutuskan dengan presisi apa yang layak dibangun, menggambarkannya dengan cukup baik untuk dijalankan oleh mesin dengan setia, dan menggambar garis-garis yang tidak diizinkan untuk dilangkahinya.

Di tingkat perusahaan, tim yang unggul bukanlah mereka yang memiliki agen coding tercepat, itu jelas. Itu adalah mereka yang memahami, sebelum pesaing mereka, bahwa definisi akan menjadi masalah yang lebih sulit – dan mulai memperlakukannya dengan cara itu.