Pengakuan seorang engineer: AI hampir membuat saya lupa cara menulis program, kekhawatiran tentang kekosongan keterampilan industri mulai muncul

Insinyur perangkat lunak James Pain mengaku di blog pribadinya bahwa setelah satu hingga dua tahun menggunakan AI untuk membantu pengembangan program, ia hampir "lupa cara menulis kode". Ini bukan sekadar krisis pribadi — ketika seluruh komunitas insinyur bergantung pada AI untuk menghasilkan kode, siapa yang masih ingat cara membacanya dan memperbaikinya? (Ringkasan sebelumnya: Penelitian University of California tentang fenomena "AI brain fog": 14% pekerja kantoran dibuat gila oleh Agent dan otomatisasi, niat resign meningkat 40%) (Latar belakang tambahan: OpenAI dikabarkan akan menggugat Apple atas "wanprestasi"! Marah karena integrasi Siri dengan ChatGPT tidak memenuhi standar, kehilangan langganan miliaran) Blog tersebut menulis: "Saya sudah satu hingga dua tahun tidak menulis satu baris kode pun dengan tangan saya sendiri. Saya hampir lupa cara menulis kode, dan ini membuat saya sangat sedih." Insinyur perangkat lunak James Pain tidak sedang mengeluh bahwa alat AI sulit digunakan, justru sebaliknya. Ia mengatakan AI terlalu mudah digunakan, sangat mudah sehingga ia sepenuhnya mengandalkan "memberi perintah" untuk menghasilkan kode, dan tidak lagi menulis satu baris pun dengan tangannya sendiri. Sekarang, ia sedang mengajari dirinya sendiri dari awal untuk kembali menulis kode. Deskripsi Pain sangat akurat dan meresahkan: setiap kali ia ingin menulis atau memprogram, pikiran pertama di kepalanya adalah "biarkan AI yang melakukannya". Ketika ia kemudian membaca teks yang dihasilkan AI, rasanya "sama sekali tidak seperti kata-kata saya"; ketika ia mencoba menulis program sendiri, ia menemukan bahwa kemampuannya sudah berkarat. Fenomena ini memiliki dasar ilmu kognitif yang disebut "cognitive offloading" — setelah otak bergantung pada alat eksternal dalam jangka panjang, ia akan menurunkan frekuensi aktivasi neuron di area fungsi yang bersangkutan. Diterjemahkan menjadi: jika tidak digunakan, akan menurun. Hal ini telah didokumentasikan dalam penelitian di bidang seperti navigasi GPS menggantikan memori spasial, dan desain berbantuan komputer menggantikan menggambar tangan. Alat bantu pemrograman AI mungkin membawa efek serupa dalam versi yang dipercepat. Skala masalahnya bukan hanya pada level individu. Menurut survei GitHub tahun 2024, lebih dari 92% pengembang perangkat lunak di AS sudah menggunakan alat bantu pemrograman AI dalam pekerjaan mereka; survei Stack Overflow di tahun yang sama menunjukkan, 76% pengembang sedang menggunakan atau berencana menggunakan alat AI. Jika "fenomena Pain" hanya terjadi pada 10% di antara mereka, itu berarti ratusan ribu insinyur sedang kehilangan kemampuan menulis kode aktif dengan kecepatan yang berbeda-beda. Yang lebih perlu diperhatikan adalah: ini bukan kelalaian individu, melainkan keputusan jangka pendek yang rasional. Menggunakan AI untuk menghasilkan kode lebih cepat, lebih sedikit kesalahan (pada tahap versi awal), output sesuai persyaratan pengiriman. Di bawah tekanan bisnis, pilihan insinyur untuk menggunakan AI adalah hal yang logis. Tetapi dalam jangka panjang, siapa yang akan meninjau kode-kode yang dihasilkan AI ini? Siapa yang mampu menemukan akar masalah ketika AI melakukan kesalahan (dan AI memang membuat kesalahan)? Pain dalam artikelnya mengutip pengamatan historis dari Robert Martin, penulis "Clean Code", yang kebetulan memberikan perspektif yang lebih panjang terhadap dilema saat ini. Martin menunjukkan bahwa sebelum ilmu komputer menjadi disiplin ilmu tersendiri, mereka yang menulis program adalah fisikawan, matematikawan, dan peneliti akademis, yang memiliki pelatihan profesional yang ketat. Dari 1970 hingga 1990-an, seiring dengan menyebarnya komputer pribadi dan ledakan permintaan perangkat lunak, industri berkembang pesat dan merekrut banyak pengembang tanpa latar belakang "ilmu komputer" tradisional. Profesionalisme dalam pengembangan program mulai terdilusi: dokumen yang ditulis semakin sedikit, arsitektur program semakin sulit dipelihara, dan utang teknis semakin menumpuk. Sekarang, penggantian kode tingkat aplikasi oleh alat AI dalam tingkat tinggi sedang membentuk gelombang dilusi kedua. Keistimewaan gelombang ini adalah: ini bukan hanya "rata-rata kualitas talenta", tetapi "de-skilling talenta yang sudah ada". Insinyur yang sudah bekerja sedang kehilangan kemampuan dasar mereka karena penggunaan AI dalam jangka panjang. Logika desain alat AI juga mendorong tren ini. Nilai inti dari asisten pemrograman AI arus utama saat ini (termasuk GitHub Copilot, Claude, Cursor, dll.) adalah "membantu Anda menyerahkan lebih cepat", bukan "membantu Anda memahami lebih dalam". Pain dalam artikelnya juga menyebutkan satu detail yang mengungkap dilema kognitif yang lebih dalam: ketika ia selesai menulis artikel ini, "hampir secara tidak sadar ingin menempelkannya ke Claude untuk melihat apa kata AI", karena ia tidak yakin apakah tulisannya cukup baik. Ini bukan hanya penurunan keterampilan, tetapi juga "perpindahan kepercayaan kognitif": orang mulai menganggap penilaian AI sebagai standar verifikasi kebenaran, bukan penilaian mereka sendiri. Ketika seorang insinyur melihat kode yang dihasilkan AI, pikiran pertama mereka adalah "ini seharusnya tidak masalah" alih-alih "biarkan saya membacanya dulu sebelum memutuskan", inilah krisis yang lebih struktural. Dalam konteks ini, industri juga mulai memunculkan suara-suara yang bergerak ke arah sebaliknya. Beberapa tim insinyur senior mulai menjalankan "hari puasa AI", mengharuskan anggota tim menyisihkan waktu tertentu setiap minggu untuk menulis kode murni dengan tangan; beberapa wawancara teknis secara eksplisit melarang bantuan AI, tujuannya bukan untuk mempersulit, tetapi untuk memastikan pelamar masih memiliki kemampuan dasar membaca dan men-debug. Pain sendiri juga tidak berpendapat bahwa pengembangan program sebagai sebuah profesi akan menghilang. Ia mengutip pandangan Martin yang menunjukkan bahwa akan selalu ada orang yang perlu benar-benar membaca dan memodifikasi kode. Hanya saja jumlahnya akan lebih sedikit, dan standarnya akan lebih tinggi. Pertanyaannya adalah: jika seluruh industri sedang mengalami deskilling, dari mana datangnya kelompok "lebih sedikit tetapi lebih kuat" itu? Pain memilih untuk kembali ke yang pertama: belajar menulis kode dengan tangan sendiri lagi, bukan karena AI buruk, tetapi karena ia menyadari bahwa kemampuan ini tidak boleh di-outsource.