Banyak orang telah mencoba alat AI dan meninggalkan pengalaman itu dengan rasa kurang puas. Memang, banyak demo yang menjanjikan keajaiban, tetapi dalam praktiknya, hasilnya seringkali mengecewakan.
Itulah sebabnya saya ingin membagikan pengalaman pribadi, bukan prediksi masa depan. Selama enam bulan terakhir, saya mengubah organisasi teknik saya untuk menjadi yang berfokus pada AI. Saya sebelumnya sudah membahas sistem di balik transformasi tersebut—bagaimana kami membangun alur kerja, metrik, dan batasan yang diperlukan. Kini, saya ingin melihat lebih jauh dari mekanika ini dan berbagi pelajaran yang saya dapatkan tentang ke mana arah profesional kita saat pengembangan perangkat lunak bertransformasi dengan cara yang baru.
Sebelum melangkah lebih jauh, mari kita lihat beberapa angka untuk menggambarkan skala perubahan ini. Secara subjektif, rasanya kami bergerak dua kali lebih cepat. Secara objektif, inilah bagaimana throughput kami berkembang. Jumlah anggota tim teknik total kami berkurang dari 36 di awal tahun menjadi 30. Jadi, kami mendapatkan throughput sekitar 170% dengan 80% dari jumlah anggota tim, yang sejalan dengan rasio subjektif dua kali lipat.
Dengan lebih fokus, saya memilih beberapa insinyur senior yang memulai tahun ini dengan proses pengembangan perangkat lunak tradisional dan mengakhiri tahun ini dengan pendekatan berbasis AI. [Penurunan mencerminkan waktu libur dan acara off-site].
Perlu dicatat, bahwa PR kami terkait dengan tiket JIRA, dan rata-rata ruang lingkup tiket tersebut tidak banyak berubah sepanjang tahun, jadi ini cukup representatif dari data yang kami kumpulkan.
Dari segi kualitas, saya melihat peningkatan yang bahkan lebih besar. Salah satu alasannya adalah, ketika kami memulai tahun lalu, tim QA kami tidak dapat mengimbangi kecepatan tim insinyur kami. Sebagai pemimpin perusahaan, saya kurang puas dengan kualitas beberapa rilis awal kami. Seiring berjalannya waktu, kami mengatur alur kerja AI kami untuk mencakup penulisan unit test dan end-to-end tests, yang meningkatkan cakupan kami, mengurangi jumlah bug, membuat pengguna menjadi penggemar, dan meningkatkan nilai bisnis dari pekerjaan teknik kami.
Dari desain besar ke eksperimen cepat
Sebelum mengadopsi AI, kami menghabiskan waktu berhari-hari untuk menyempurnakan alur pengguna sebelum menulis kode. Itu masuk akal ketika perubahan sangat mahal. Metode Agile membantu, tetapi bahkan dengan itu, menguji beberapa ide produk masih terlalu mahal.
Setelah kami beralih ke pendekatan AI, kompromi tersebut lenyap. Biaya untuk eksperimen menurun drastis. Sebuah ide bisa bergerak dari papan tulis ke prototipe yang berfungsi dalam satu hari: Dari ide menjadi dokumen requirements produk (PRD) yang dihasilkan AI, spesifikasi teknis yang dihasilkan AI, hingga implementasi yang dibantu AI.
Ini menciptakan transformasi yang mengagumkan. Situs web kami—yang sangat penting untuk akuisisi dan permintaan inbound—sekarang menjadi sistem berskala produk dengan ratusan komponen kustom, semuanya dirancang, dikembangkan, dan dipelihara langsung dalam kode oleh direktur kreatif kami.
Sekarang, alih-alih memvalidasi dengan slide atau prototipe statis, kami memvalidasi dengan produk yang berfungsi. Kami menguji ide secara langsung, belajar lebih cepat, dan merilis pembaruan besar setiap dua bulan sekali, sebuah ritme yang tak pernah saya bayangkan tiga tahun lalu.
Contohnya, Zen CLI awalnya ditulis dalam Kotlin, tetapi kemudian kami mengubah arah dan memindahkannya ke TypeScript tanpa kehilangan kecepatan rilis.
Daripada sekadar membayangkan fitur-fitur, desainer UX dan manajer proyek kami malah mengkodekannya. Dan ketika waktu rilis tiba dan semua orang dalam keadaan darurat, mereka langsung bergerak dan memperbaiki puluhan detail kecil dengan PR yang siap diproduksi untuk membantu kami merilis produk yang luar biasa, termasuk perubahan tata letak UI yang dilakukan semalam.
Dari pengkodean ke validasi
Perubahan berikutnya datang dari arah yang tidak terduga: Validasi.
Dalam organisasi tradisional, sebagian besar orang menulis kode dan sekelompok kecil mengetesnya. Namun, ketika AI menghasilkan banyak implementasi, titik kekuatan berpindah. Nilai sejati terletak pada mendefinisikan seperti apa “baik” itu—membuat kebenaran eksplisit.
Kami mendukung lebih dari 70 bahasa pemrograman dan banyak integrasi. Insinyur QA kami telah berevolusi menjadi arsitek sistem. Mereka membangun agen AI yang menghasilkan dan memelihara pengujian penerimaan langsung dari persyaratan. Dan agen tersebut terintegrasi ke dalam alur kerja AI yang terkode untuk mencapai hasil rekayasa yang dapat diprediksi.
Inilah yang dimaksud dengan “shift left”. Validasi bukan lagi fungsi terpisah, tetapi bagian integral dari proses produksi. Jika agen tidak dapat memvalidasi pekerjaannya, ia tidak bisa dipercaya untuk menghasilkan kode produksi. Bagi para profesional QA, ini adalah momen reinvensi, di mana, dengan pelatihan yang tepat, pekerjaan mereka menjadi penggerak dan akselerator penting bagi adopsi AI.
Manajer produk, pemimpin teknologi, dan insinyur data kini juga berbagi tanggung jawab ini, karena mendefinisikan kebenaran telah menjadi keterampilan lintas fungsi, bukan hanya peran yang terbatas pada QA.
Dari bentuk diamond ke double funnel
Selama beberapa dekade, pengembangan perangkat lunak mengikuti bentuk “diamond”: Tim produk kecil menyerahkan ke tim teknik besar, lalu menyempit lagi melalui QA.
Saat ini, geometri ini terbalik. Manusia terlibat lebih mendalam di awal—mendefinisikan niat, menjelajahi opsi—dan lagi di akhir, memvalidasi hasil. Bagian tengah, di mana AI beroperasi, menjadi lebih cepat dan sempit.
Ini bukan hanya alur kerja baru; ini adalah pembalikan struktural.
Model ini terlihat kurang seperti lini perakitan dan lebih seperti menara kontrol. Manusia menetapkan arah dan batasan, AI menangani eksekusi dengan kecepatan, dan manusia kembali terlibat untuk memvalidasi hasil sebelum keputusan masuk ke produksi.
Rekayasa pada tingkat yang lebih tinggi dari abstraksi
Setiap lompatan besar dalam perangkat lunak telah meningkatkan tingkat abstraksi kita—dari kartu punch ke bahasa pemrograman tingkat tinggi, dari perangkat keras ke cloud. AI adalah langkah berikutnya. Insinyur kami kini bekerja di tingkat meta: Mengatur alur kerja AI, menyesuaikan instruksi dan keterampilan agen, serta mendefinisikan batasan. Mesin membangun; manusia memutuskan apa dan mengapa.
Tim kini secara rutin memutuskan kapan keluaran AI aman untuk digabungkan tanpa tinjauan, seberapa ketat untuk membatasi otonomi agen dalam sistem produksi, dan sinyal apa yang benar-benar menunjukkan kebenaran pada skala besar, keputusan yang sebelumnya tidak ada.
Inilah paradoks dari rekayasa berbasis AI—rasanya lebih sedikit pengkodean, dan lebih banyak berpikir. Selamat datang di era baru kecerdasan manusia, didorong oleh AI.
