G5 Labs Muncul dari Stealth dengan $14 juta untuk Menjadikan Bahasa Alami sebagai Kode Sumber Baru

G5 Labs, spin‑out dari MIT Computer Science dan Artificial Intelligence Laboratory (CSAIL), telah muncul dari stealth dengan $14 juta dalam pendanaan benih dan sebuah tesis ambisius: bahasa pemrograman utama berikutnya mungkin tidak akan tampak seperti bahasa pemrograman sama sekali.

Startup berbasis Boston ini sedang mengembangkan lapisan abstraksi untuk pengembangan perangkat lunak AI-native di mana deskripsi bahasa alami tentang apa yang harus dilakukan perangkat lunak diatur ke dalam grafik formal niat, atau ontologi, yang pada dasarnya menjadi kode sumber. Pillar VC dan Battery Ventures memimpin bersama putaran pendanaan benih, bersama Omega Venture Partners, Encoded Ventures, dan investor malaikat.

Pendanaan ini akan digunakan untuk memperluas tim teknik G5 Labs, meningkatkan skala penerapan pelanggan, dan melanjutkan pengembangan kompiler ontologinya saat perusahaan berupaya menyelesaikan salah satu masalah yang muncul akibat alat pengkodean AI: menghasilkan kode semakin mudah, sementara memahami, meninjau, mengatur, dan memelihara kode tersebut tetap sulit.

Memindahkan Titik Kemacetan di Luar Pembuatan Kode

Asisten pengkodean AI telah dengan cepat mengubah ekonomi produksi perangkat lunak. Pengembang kini dapat menghasilkan fungsi, pengujian, dokumentasi, dan aplikasi yang semakin lengkap dengan sedikit penulisan kode manual.

Namun lebih banyak kode tidak serta merta berarti organisasi teknik yang lebih produktif.

Penelitian dari Faros berdasarkan lebih dari 10.000 pengembang di 1.255 tim menemukan bahwa tim dengan adopsi AI tinggi menyelesaikan tugas 21% lebih banyak dan menggabungkan pull request 98% lebih banyak, tetapi juga mengalami peningkatan 91% dalam waktu tinjauan pull‑request. Analisis yang sama mengaitkan adopsi AI dengan pull request yang lebih besar dan lebih banyak bug per pengembang.

studi acak yang melibatkan pengembang open‑source berpengalaman menemukan bahwa alat AI awal‑2025 sebenarnya meningkatkan waktu penyelesaian tugas sebesar 19% pada proyek‑proyek yang dipelajari, meskipun para pengembang sendiri mengharapkan AI membuat mereka jauh lebih cepat.

G5 Labs menargetkan masalah ini dari arah yang berbeda. Alih-alih membangun model pengkodean lain, perusahaan ingin memindahkan lapisan abstraksi di atas kode yang dihasilkan itu sendiri.

Mengubah Niat Bisnis menjadi Artefak Perangkat Lunak

Di jantung platform G5 Labs terdapat apa yang perusahaan sebut sebagai kompiler belajar‑mandiri, dua arah.

Niat dalam bahasa alami dapat diterjemahkan menjadi kode yang dapat dijalankan, tetapi proses ini juga berfungsi secara terbalik: kode yang ada dapat diinterpretasikan dan dimasukkan ke dalam ontologi yang menggambarkan persyaratan dan perilaku mendasar sistem.

Perbedaan itu menjadi inti dari pendekatan G5.

Jika sebuah organisasi mengubah suatu persyaratan, kode yang bersangkutan dapat dihasilkan kembali untuk mencerminkannya. Jika pengembang memodifikasi kode secara langsung, ontologi dapat belajar dari perubahan tersebut dan tetap selaras dengan implementasinya. G5 mengatakan baris‑baris kode yang dihasilkan dapat tetap dapat dilacak kembali ke persyaratan bisnis di baliknya.

Pada dasarnya, perusahaan berusaha memberikan persyaratan perangkat lunak dalam bahasa alami beberapa sifat yang diharapkan pengembang dari kode sumber konvensional: dapat dibandingkan, digabungkan, diberi versi, diatur, dan pada akhirnya dikompilasi.

Alih-alih menemukan bahwa dua agen AI menghasilkan implementasi yang bertentangan setelah memeriksa ribuan baris kode, misalnya, G5 berupaya menampilkan ketidaksesuaian pada tingkat semantik—di mana manajer produk, analis, atau insinyur dapat memutuskan persyaratan mendasar mana yang benar.

G5 Berada di Atas Claude Code, Codex, dan Model Pengkodean Lainnya

Elemen penting lain dari arsitektur G5 adalah bahwa ia tidak dirancang untuk bersaing secara langsung dengan model pengkodean yang semakin canggih yang berasal dari laboratorium AI besar.

Sebaliknya, G5 beroperasi sebagai lapisan aplikasi dan tata kelola di atasnya.

Perusahaan mengatakan platformnya dapat bekerja dengan sistem seperti Claude Code, Codex, dan model open‑weight, memberi perusahaan kemampuan untuk mengubah model AI mendasar tanpa harus membangun kembali arsitektur semantik yang mengatur perangkat lunak mereka.

G5 juga memecah rencana pengembangan menjadi tugas‑tugas yang dapat diverifikasi yang dapat didistribusikan di antara banyak agen AI. Tindakan, keputusan arsitektur, kebijakan, dan pelajaran mereka kemudian dapat dimasukkan ke dalam ontologi organisasi.

Hal ini dapat menjadi semakin penting seiring pengembangan perangkat lunak beralih dari seorang pengembang yang menggunakan asisten AI ke banyak agen otonom yang secara bersamaan memodifikasi basis kode besar.

Tanpa representasi bersama tentang apa yang sebenarnya harus dicapai aplikasi, generasi kode yang lebih cepat hanya dapat menciptakan ketidaksepakatan yang lebih cepat.

Tata Kelola Menjadi Bagian dari Proses Pengembangan

G5 juga menargetkan perusahaan yang diatur, di mana membiarkan agen pengkodean otonom beroperasi tanpa kontrol dapat menimbulkan masalah keamanan dan kepatuhan.

Platform ini dirancang untuk menyandikan kebijakan ke dalam proses pengembangan perangkat lunak itu sendiri. Organisasi dapat menetapkan persyaratan terkait keamanan, persetujuan, kepatuhan General Data Protection Regulation (GDPR), arsitektur, dan pengeluaran AI sebelum agen mulai menghasilkan kode.

Kontrol biaya sangat penting karena perusahaan bereksperimen dengan sistem pengembangan yang semakin bersifat agen. Satu permintaan tunggal ke asisten pengkodean mungkin murah, tetapi armada agen yang berulang‑ulang merencanakan, menghasilkan, menguji, dan memperbaiki perangkat lunak dapat menimbulkan biaya inferensi yang signifikan.

Pendekatan G5 berupaya membatasi proses tersebut pada tahap niat dan perencanaan, alih‑alih menemukan masalah biaya atau tata kelola setelah pekerjaan selesai.

Modernisasi Warisan Dapat Menjadi Peluang Awal

Meskipun G5 memperkenalkan teknologinya sebagai bagian dari pemikiran ulang yang lebih luas tentang rekayasa perangkat lunak, salah satu aplikasi paling langsungnya mungkin jauh lebih praktis: memodernisasi sistem perusahaan warisan.

Proyek modernisasi tradisional sering melibatkan penerjemahan aplikasi dari bahasa atau arsitektur yang usang ke tumpukan teknologi yang lebih baru. Proses tersebut secara tidak sengaja dapat mempertahankan puluhan tahun asumsi yang sudah usang, fungsi yang duplikat, dan hutang teknis.

Sebaliknya, G5 berusaha mengekstrak niat dasar dari perangkat lunak yang ada ke dalam sebuah ontologi dan menghasilkan kembali aplikasi berdasarkan model tersebut.

Perusahaan menyatakan bahwa mereka sudah menerapkan pendekatan ini di industri yang sangat diatur. Dalam satu proyek modernisasi layanan keuangan, analisis tingkat ontologi G5 mengidentifikasi konflik struktural yang sulit dideteksi melalui migrasi kode sederhana. Situs webnya menyebutkan bahwa jutaan baris kode warisan telah dikonversi menjadi model sistem semantik di berbagai penerapan.

Hal ini dapat memberikan G5 titik masuk yang lebih terukur dibandingkan meminta perusahaan untuk langsung memikirkan kembali seluruh siklus hidup pengembangan perangkat lunak mereka. Modernisasi warisan sudah menjadi biaya signifikan bagi organisasi besar, terutama di layanan keuangan dan industri lain di mana sistem berusia puluhan tahun tetap menjadi kritis bagi bisnis.

Dari Penelitian MIT ke Platform Komersial

G5 Labs tumbuh dari penelitian yang dipimpin oleh co‑founder dan CEO Tim Kraska di MIT CSAIL, di mana pekerjaannya semakin berfokus pada bagaimana kecerdasan buatan akan mengubah konstruksi sistem perangkat lunak besar dan kompleks.

Kraska adalah seorang profesor MIT yang penelitiannya mencakup sistem agen, sistem data, dan penggunaan model bahasa besar untuk pengembangan sistem. Ia juga menjadi co‑direktur Konsorsium Dampak AI Generatif MIT, yang mempertemukan peneliti akademis dengan peserta industri untuk mengeksplorasi implikasi praktis dan sosial AI generatif.

Pertanyaan riset yang lebih luas di balik G5 sederhana namun penting: jika AI pada akhirnya menulis persentase besar kode perangkat lunak, apakah manusia harus terus mengelola perangkat lunak terutama melalui kode itu sendiri?

Jawaban G5 adalah tidak. Perusahaan percaya bahwa niat bisnis harus menjadi artefak yang tahan lama, sementara bahasa pemrograman semakin menjadi detail implementasi yang ditangani oleh sistem AI.

Apakah hal itu akan menjadi lapisan abstraksi utama berikutnya dalam rekayasa perangkat lunak tetap menjadi pertanyaan terbuka. Bahasa pemrograman, lingkungan pengembangan, proses tinjauan kode, dan siklus hidup pengembangan perangkat lunak yang ada mewakili puluhan tahun alat dan pengetahuan institusional yang terkumpul, dan menggantikan peran sentral mereka akan membutuhkan jauh lebih dari sekadar generasi kode yang akurat.

Namun, putaran pendanaan seed sebesar $14 juta memberikan G5 Labs modal untuk menguji hipotesis tersebut dengan pelanggan perusahaan. Karena AI secara dramatis meningkatkan jumlah perangkat lunak yang dapat dihasilkan, peluang perusahaan mungkin terletak pada menangani tantangan yang kurang glamor berikutnya: memastikan organisasi masih dapat memahami, mengontrol, dan mengembangkan apa yang dibangun oleh mesin‑mesin tersebut.