Agentic AI kini jadi bagian inti dari proses rekayasa, menghadirkan efek eksekusi yang masif dan membantu kita menghasilkan lebih banyak kode dibanding sebelumnya. Namun, satu pertanyaan sulit yang semakin sering didengar dari para pemimpin bisnis adalah: “Jika kita bisa mengirimkan kode lebih cepat dari sebelumnya, kenapa produk kita tidak berkembang dengan laju yang sama?â€
Sebabnya adalah menulis kode bukanlah pembatas utama. Menentukan persyaratan yang tepat, mengintegrasikan dengan sistem kompleks, dan memelihara perangkat lunak dalam kondisi dunia nyata selalu jadi tantangan. Ketika agen membanjiri organisasi dengan banyak kode baru, tantangan yang sulit pun semakin berat. Agen mempercepat waktu eksekusi, tetapi tidak mengatasi ketidakjelasan, akuntabilitas, atau kompleksitas operasional.
Seiring skalanya kode yang dihasilkan AI, tinjauan manusia menjadi bottleneck yang signifikan, dan para insinyur kehilangan konteks yang diperlukan untuk menangkap kesalahan agen. Perusahaan yang memahami hal ini akan bergerak maju secara hati-hati dan bahkan menciptakan peran baru karena kehadiran AI. Sementara yang tidak, akan jatuh ke kesimpulan yang lebih sederhana, dan jauh lebih merusak: Mengurangi jumlah karyawan dan meningkatkan pengeluaran untuk AI.
Pedoman Praktis
Keputusan struktural yang tidak dapat dibalik memerlukan kehati-hatian, terutama karena teknologi ini bergerak sangat cepat. Para pemimpin rekayasa perusahaan perlu memiliki pedoman yang jelas untuk menavigasi kekacauan ini. Berikut ini cara memulainya:
Fase 1: Pemerintahan dan Manajemen Risiko Keuangan
Perlindungi risiko — amankan infrastruktur dan batasi kebocoran finansial.
-
Anggap pemerintahan sebagai risiko utama: Tekanan untuk mengintegrasikan AI sangat nyata, tetapi memberikan kebebasan eksperimen tanpa struktur terpusat menciptakan proses fragmentasi, pekerjaan yang terduplikasi, dan biaya yang tak terkendali. Organisasi perlu membangun standar bersama sembari tetap memungkinkan tim untuk beradaptasi dan mengeksplorasi dalam batas-batas yang ditentukan. Ini berarti memperlakukan konfigurasi agen seperti infrastruktur produksi — melakukan versi, meninjau, dan menguji permintaan dan keterampilan sebelum diterapkan secara bertahap.
-
Terapkan akses minimum untuk aktor non-manusia: Jangan pernah izinkan agen mewarisi semua izin dari operator manusianya. Insinyur manusia diberikan akses luas karena mereka memiliki penilaian kontekstual dan bertanggung jawab penuh. Menggunakan agen dengan akses setara manusia tanpa pertimbangan yang cermat dapat memperkenalkan celah akuntabilitas dalam sistem Anda. Terapkan pemisahan ketat antara akses baca dan tulis/eksekusi, dan wajibkan persetujuan manusia untuk tindakan yang merusak atau mengubah produksi. Ketika agen beralih dari menyarankan kode menjadi mengeksekusi tugas secara otonom, mereka harus dengan ketat diintegrasikan ke dalam model keamanan Anda.
-
Perhatikan anggaran Anda: Lindungi total anggaran AI Anda dengan menerapkan kuota dan batas laju baik untuk rekayasa maupun produksi. Cerita-cerita peringatan semakin banyak: Uber membatasi pengeluaran AI-nya setelah menghabiskan anggaran 2026-nya pada bulan April, dan, menurut Axios, sebuah perusahaan yang tidak disebutkan namanya mengalami tagihan Anthropic yang mencengangkan sebesar $500 juta dalam sebulan akibat lingkaran agen yang tak terkontrol.
Fase 2: Strategi Teknis
Bangun mesinnya: Pilih model yang tepat dan ukur keberhasilannya.
-
Beragam model dan multi-penjual: Tidak ada satu model pun yang unggul dalam setiap tugas. Penting untuk secara tepat menggambarkan perilaku dan batasan kinerja antarmodel untuk memahami di mana masing-masing unggul, sehingga dapat mengarahkan tugas spesifik kepada sistem yang paling mampu menangani. Standarisasi pada satu vendor atau model akan mengorbankan kemampuan dan memperkenalkan titik kegagalan tunggal yang kritis. Tidak ada organisasi yang harus menanggung tingkat risiko konsentrasi tersebut dalam fungsi rekayasa intinya.
-
Bayar untuk yang terbaik: Anggap AI sebagai leverage rekayasa, bukan sekadar biaya SaaS lainnya. Bayar untuk model-model premium yang memberikan output berkualitas tertinggi dan mengurangi pekerjaan ulang yang mahal. Akhirnya, model termurah bukanlah yang memiliki harga token terendah, tapi yang memaksimalkan efisiensi sambil meminimalkan risiko di kemudian hari.
-
Ukur apa yang benar-benar berarti: Penyebaran, baris kode, dan permintaan tarik bukanlah metrik yang baik untuk produktivitas, dan dengan AI, mereka malah bisa menyesatkan. Sebaliknya, fokuslah pada metrik yang terkait dengan hasil bisnis (adopsi fitur, retensi) dan daya tahan rekayasa (tingkat kegagalan perubahan, cacat yang lolos, ketahanan kode seiring waktu). Untuk efisiensi AI, ukur keberhasilan tugas per dolar dan waktu pekerjaan ulang. Penghitungan token memang nyaman untuk papan pemimpin, tetapi tidak dapat memberi tahu apakah token tersebut digunakan dengan baik.
Fase 3: Talenta dan Organisasi
Sesuaikan kapabilitas manusia Anda untuk mengelola bottleneck baru.
-
Pindahkan insinyur dari sintaksis ke sistem: Seiring agen menangani sebagian besar pembuatan kode, tinjauan manusia dan penyelarasan arsitektural menjadi bottleneck baru. Organisasi harus secara sengaja meningkatkan keterampilan tenaga kerja mereka untuk beralih dari pencipta sintaksis menjadi pemikir sistem dan pengelola agen. Insinyur perlu pelatihan dan mandat untuk membimbing proses agenik, mengelola integrasi lintas sistem yang kompleks, dan memegang visi arsitektural keseluruhan yang sering kali sulit dipertahankan oleh agen.
-
Redefinisi kinerja dan insentif: Ketika satu insinyur dapat menghasilkan output setara kelompok sebelumnya, metrik tradisional seperti poin cerita atau kecepatan sprint bisa menjadi beban yang tidak efektif. Pertimbangkan untuk menyelaraskan kerangka evaluasi Anda untuk lebih menghargai dampak bisnis yang lebih luas, keandalan lintas sistem, dan orkestrasi agen yang efektif. Jika Anda ingin memiliki pemikir sistem yang bisa menjangkau area strategis lebih luas, bersedia mengeksplorasi dan mengambil risiko, serta membangun produk dengan cara yang berkelanjutan, Anda harus memberi imbalan kepada mereka atas dampak yang lebih tinggi, bukan sekadar volume output.
-
Jangan potong jumlah karyawan sebelum strategi Anda beradaptasi: Jika Anda belum mengintegrasikan alur kerja agenik, mengukur output yang lebih baik dalam produksi, dan merombak peta jalan Anda untuk eksekusi yang lebih cepat, Anda sebenarnya tidak tahu apakah kebutuhan dan kapabilitas Anda sejalan. Memotong jumlah karyawan sebelum menetapkan dasar itu bukanlah disiplin — ini kebutaan. Tujuannya bukan hanya tim yang lebih kecil, tetapi tim yang mampu mencakup lebih banyak area strategis.
Adopsi AI di Perusahaan Memerlukan Elastisitas Manusia
AI bukan pengganti penilaian rekayasa; ia adalah pengganda kekuatan untuknya. Dalam sistem yang terstruktur dengan baik, ia mempercepat pengiriman dengan aman. Di sistem yang dipahami dengan buruk, ia mempercepat kegagalan. Kita sudah melihat dampaknya: Pemadaman, utang teknis yang meningkat, dan lonjakan biaya yang tidak terduga karena adopsi yang kurang terkelola. Ini adalah kegagalan operasional, bukan risiko teoretis.
Kesalahan yang kini dibuat organisasi bukanlah dalam mengadopsi AI terlalu lambat — melainkan dalam mengadopsinya tanpa memahami di mana ia bisa gagal.
Bagi mereka di C-suite, memahami dinamika ini bukan lagi pilihan — ini adalah faktor penentu dalam bagaimana sebuah bisnis menavigasi era ini. Tantangannya adalah bahwa kecepatan eksekusi melampaui kemampuan industri untuk mengelola konsekuensinya. Kita telah memberikan tim rekayasa alat terbaik. Pepatah lama menginginkan kita untuk mengukur dua kali dan memotong sekali. Namun, terlalu banyak perusahaan memilih untuk langsung memotong.
