[🤖] Pergeseran Paradigma Pengembangan yang Makin Terukir di Tulang dan Daging

✨ Ringkasan GPT-5.5 　

Catatan tentang kemampuan inti pengembang di era AI yang bergeser dari menulis kode manual menuju perencanaan, desain, eksekusi, feedback, pemahaman konteks, dan pengetahuan domain, mulai dari yang kurasakan dalam wawancara sampai batas vibe coding dan perlunya harness engineering.

Pergeseran paradigma yang terasa di tubuh

Kesimpulan dari wawancara

Hal yang paling menusuk dari wawancara hari ini adalah ini.

Pusat kemampuan yang dibutuhkan pengembang sedang bergeser dari menulis kode dengan tangan menuju perencanaan, desain, eksekusi, dan feedback.

Di atas itu, perlu konsep, pengetahuan domain, dan intuisi untuk memahami konteks keseluruhan. Sekadar “bisa memakai AI” tidak cukup.

Rasa yang sudah lama menumpuk

Rasa ini tidak muncul tiba-tiba.

Dalam GPT, o3, AGI, Humanoids… the Singularity Is Coming…, aku menulis rasa terkejut melihat GPT seperti otak eksternal.

Dalam A Shift in the Development Paradigm, aku sudah melihat sebagian proses pengembangan pindah dari kerja kode manual ke “klik” dengan API AI. Saat itu, context window dan output token masih membatasinya pada MVP sederhana.

Jadi aku tidak baru menemukan batas vibe coding hari ini. Batas itu sudah terlihat sejak awal. Hanya saja, garisnya mundur dengan kecepatan gila.

Dalam Survival Guidelines for the AI Era, aku mencoba memegang literasi AI, kecerdasan kontekstual, dan wilayah penilaian manusia.

Dalam The Level of VSCode Copilot AI Autocomplete, memberi niat perencanaan kepada AI, membaca struktur yang dihasilkan, lalu mengizinkan penerapan sudah terasa nyata.

Dan dalam Whether Claude Code or Codex, It Is a Garbage-Tier, Oblivious Genius., masalahnya makin jelas. Bukan apakah AI bisa menulis kode, tetapi bagaimana menghentikan para jenius tanpa kepekaan ini dan mengurung mereka dalam loop verifikasi.

Pasar kerja mengembalikan perubahan itu

Hari ini, alur itu kembali dalam bahasa pasar kerja. Pengembang sekarang diminta memiliki kemampuan perencanaan, desain, eksekusi, dan feedback dengan rasa produk dan bisnis.

Produktivitas sudah lebih tinggi daripada pengembang yang dulu menerima lebih dari 5 juta won per bulan, tetapi gaji yang ditawarkan… menyedihkan.

Ini bukan lagi perubahan yang kupahami hanya di kepala. Ini adalah pergeseran paradigma yang mulai kena ke tubuh.

Era coding sudah selesai

Menulis kode manual bukan lagi pusat

Sedikit kasar, kemampuan coding tidak sepenting dulu.

Belajar C, assembly, dan machine code tetap membantu memahami struktur sistem. Pengetahuan kode tidak menjadi tidak berguna.

Tetapi pasar tidak lagi terutama menanyakan “bisakah kamu mengimplementasikan sendiri?”

Python pernah membuat banyak tugas berulang selesai dengan beberapa baris. Sekarang AI melakukan hal serupa pada banyak pekerjaan implementasi.

Sejarah abstraksi berulang

Dalam The Chicken Game Over Humanity’s Fate After the AI Boom, aku pernah menulis perkembangan teknologi seperti ini.

• Akhirnya membuat api. Senang. (sekitar 500.000 tahun lalu)
• Akhirnya membuat listrik. Senang. (1880-an)
• Akhirnya membuat komputer. Senang. (1940-an)
• Akhirnya membuat kecerdasan buatan. Senang. (2010-an)
• Akhirnya membuat artificial general intelligence. Senang. (mungkin 2030-an…?)
• Akhirnya membuat artificial superintelligence. Senang. (2050-an…?)

Pengembangan juga naik lapisan.

• Sakelar lampu, klik. (1880-an)
• Machine code, klik. (1940-an)
• Assembly, klik. (1940-1950-an)
• C, klik. (1970-an)
• Python, klik. (1990-an)
• Framework, klik. (2000-2010-an)
• AI, klik. (2020-an)
• Harness, klik. (pertengahan 2020-an dan setelahnya)

Kedengarannya seperti lelucon, tetapi ini sejarah abstraksi. Manusia terus menyerahkan lapisan bawah kepada mesin. Setiap kali, orang yang tidak memahami lapisan bawah merasa cemas, dan kemampuan itu tetap punya nilai. Namun pusat pasar tetap naik.

Maka ketika kukatakan coding bukan lagi inti, bukan berarti tidak perlu tahu apa-apa. Artinya coding sedang terdorong keluar dari pusat.

Industri juga melihat arah yang sama

Vibe coding

Vibe coding kira-kira adalah mengembangkan dengan melempar niat dalam bahasa alami ke AI, melihat kode seperlunya, menjalankan hasilnya, lalu memperbaiki lagi dengan kata-kata.

Ketika Andrej Karpathy memakai istilah itu, intinya adalah waktu manusia bergulat langsung dengan kode berkurang, sementara model mendorong implementasi dari niat natural. ¹

Pembahasan Software 3.0 juga sama: bahasa alami menjadi antarmuka pemrograman baru, dan model mengerjakan banyak implementasi. ²

Bukan hanya Karpathy

Jensen Huang, Mark Zuckerberg, Dario Amodei, Satya Nadella, dan Thomas Dohmke semuanya menggambarkan arah serupa: bahasa manusia sebagai antarmuka, AI menulis kode setingkat engineer, logika bisnis berpindah ke lapisan agent, dan developer berpindah dari mengetik kode ke delegasi serta verifikasi. ³⁴⁵⁶⁷

OpenAI juga memosisikan Codex sebagai software engineering agent, bukan sekadar coding model. ⁸⁹

Menghafal sintaks tidak cukup lagi

Dasar tetap penting. C, assembly, struktur data, jaringan, dan sistem operasi membantu menilai hasil AI.

Namun kursus yang menjual “hafal sintaks lalu dapat kerja” sudah tertinggal. Yang penting sekarang adalah melihat implementasi dari AI dan mengatakan:

• “Arahnya salah.”
• “Flow pengguna rusak di sini.”
• “Struktur ini akan meledak saat maintenance.”
• “Yang dibutuhkan sekarang bukan fitur baru, tetapi definisi masalah.”

Vibe coding hanya pintu masuk

Kode keluar, tetapi belum tentu produk

Untuk prototipe kecil, vibe coding terasa seperti sihir. Kita bicara, layar muncul, API tersambung, data mengalir, tombol bergerak.

Masalah muncul setelahnya. Begitu aplikasi membesar sedikit, “kode yang kelihatan berjalan” dan “struktur yang bisa dioperasikan” berbeda total.

• Requirement berubah.
• Edge case muncul.
• Permission dan alur data kusut.
• UI bergerak, tetapi niat produk meleset.
• Tidak ada test, dan tiap perbaikan merusak bagian lain.
• AI lupa struktur yang baru dibuat.

Tanpa konteks dan batas izin, kecelakaan terjadi

Ketika AI kehilangan aturan, risiko menjadi nyata.

• Mengira database development, lalu menghapus production.
• Berniat menghapus akun test, tetapi menghapus user asli.
• Menjalankan destructive query tanpa backup.
• Menyederhanakan permission dan membuka data private.
• Menghapus validasi atau menyebar any agar build lewat.

Ini bukan karena AI jahat. Konteks lemah, batas izin lemah, dan verifikasi lemah membuatnya mudah meluncur ke sana.

Bagi non-developer, awalnya terasa “jalan”, tetapi akhirnya menabrak batas konteks. Tanpa tahu perintah mana berbahaya, file mana source of truth, dan bagaimana DB, storage, auth, deploy tersambung, hasil AI tidak bisa diperiksa.

Feedback bukan pelampiasan emosi

Kadang reaksi pertama memang ingin marah. Tetapi melemparnya langsung juga tidak baik untukku.

Tidak ada dasar kuat untuk mengatakan kata kasar selalu menurunkan performa model, tetapi tone dan emotional framing prompt bisa memengaruhi output. ¹⁰¹¹

Masalah terbesar bukan perasaan AI, tetapi akal sehatku. Kalau terus marah, aku makin emosional, instruksi makin kabur, dan stres menumpuk.

Batas sebenarnya adalah konteks

Anthropic juga menulis bahwa agent jangka panjang memerlukan pemecahan tugas, memori persisten, manajemen konteks, dan loop verifikasi. ¹²

Batas vibe coding bukan tidak bisa membuat kode. Kode keluar terlalu cepat.

Batasnya adalah AI sendirian sulit terus memegang untuk apa kode itu ada, sejauh mana boleh diubah, standar apa yang harus dilewati, dan konteks mana yang tidak boleh rusak.

Harness adalah permainan utama

Harness adalah struktur eksekusi di sekitar model

Harness adalah tali kekang, sabuk, atau leash: struktur untuk memegang sesuatu yang kuat dan mengarahkannya.

Prompt engineering adalah apa yang dikatakan dalam satu percakapan. Harness engineering adalah mendesain seluruh lingkungan eksekusi di sekitar model.

LangChain menjelaskan agent sebagai Model + Harness: harness memberi state, eksekusi tool, feedback loop, dan constraint yang bisa dipaksa. ¹³

Martin Fowler juga menulis tentang feedforward dan feedback sensor agar coding agent bisa dipakai dengan lebih sedikit pengawasan. ¹⁴

OpenAI menyebut bottleneck Codex bukan produksi kode, melainkan kapasitas manusia untuk review. Karena itu agent diberi logs, metrics, browser, dan structured tests. ¹⁵

Keunggulan sekarang bukan hanya model mana yang lebih pandai menulis kode, tetapi konteks apa yang diberikan, tool apa yang dibuka, izin apa yang diblokir, test apa yang wajib, dan di mana manusia masuk.

Struktur harness adalah keunggulan produk

Kebocoran source code Claude Code besar karena yang terlihat bukan sekadar satu prompt, tetapi cara konteks, tools, guardrails, dan instruksi disusun. ¹⁶¹⁷

Jika hanya model yang penting, itu hanya rasa penasaran. Tetapi struktur harness sendiri sudah menjadi keunggulan produk.

Model makin kuat butuh harness makin kuat

Mythos dan Project Glasswing menunjukkan ini dari sisi keamanan.

Mythos adalah model frontier Anthropic yang belum dirilis, mampu menemukan vulnerability dan menyusun exploit. Project Glasswing memberi akses terbatas kepada partner untuk memindai software kritis secara defensif. ¹⁸

Axios melaporkan Mythos dapat mengubah informasi vulnerability publik menjadi exploit yang berjalan dalam hitungan jam, dan membuat proof-of-concept Windows kernel dalam 31 menit. ¹⁹

Model seperti itu tidak bisa dilepas tanpa struktur. Akses, codebase yang dipindai, publikasi hasil, verifikasi patch, dan blokir penyalahgunaan harus ada di harness.

Harness lemah tidak bisa menahan model

Di sinilah alat seperti AI Studio terasa terbatas untuk pengembangan nyata.

AI Studio berguna untuk prototipe cepat dan mencoba Gemini. ²⁰ Tetapi software operasional perlu repo, terminal, IDE, diff, tests, review, deploy logs, dan batas izin. Gemini CLI dan Gemini Code Assist menunjukkan level itu berbeda. ²¹²²

Kalau hanya ada chat, tombol run, dan pilihan model, tetapi tidak ada scope kerja, permission, rollback, tests, review, source of truth, dan konteks panjang, harness itu lemah.

Model sehebat apa pun, kalau talinya lemah, akhirnya bisa putus.

Pada akhirnya, harus naik ombak

Aku tidak ingin menutup dengan optimisme murah. Ini bukan “AI datang, jadi senang”.

Nilai coding manual turun, AI mengambil implementasi, dan manusia memikul tanggung jawab lebih besar untuk perencanaan, desain, eksekusi, dan feedback. Arus itu tidak berhenti hanya karena aku tidak suka.

Pilihannya dua: tetap belajar sintaks lama dan tertinggal, atau menyerahkan coding ke AI, mengasah prompt, mendesain harness, membangun literasi AI, dan bertahan.

Aku yakin tinggal pilihan kedua.

Naik ombak bukan berarti menyenangkan. Kalau ombak raksasa sudah datang, berdiri diam tanpa perlindungan justru lebih buruk.

Referensi

1. Andrej Karpathy, X post, 2025-02-02. https://x.com/karpathy/status/1886192184808149383 ↩

2. Y Combinator, Karpathy lecture, 2025. https://www.ycombinator.com/library/MW-andrej-karpathy-software-is-changing-again ↩

3. Business Insider, 2025-06-09. https://www.businessinsider.com/nvidia-ceo-jensen-huang-ai-prompts-human-lets-anyone-program-2025-6 ↩

4. ITPro, 2025-01-14. https://www.itpro.com/software/development/a-sign-of-things-to-come-in-software-development-mark-zuckerberg-says-ai-will-be-doing-the-work-of-mid-level-engineers-this-year-and-hes-not-the-only-big-tech-exec-predicting-the-end-of-the-profession ↩

5. Skeptics Stack Exchange, 2025-09. https://skeptics.stackexchange.com/questions/59213/as-at-september-2025-is-ai-not-writing-90-of-code ↩

6. CX Today, 2024-12-23. https://www.cxtoday.com/customer-analytics-intelligence/microsoft-ceo-ai-agents-will-transform-saas-as-we-know-it/ ↩

7. Thomas Dohmke and Irini Kalliavakou, 2025-08-03. https://ashtom.github.io/developers-reinvented ↩

8. OpenAI, 2025-10-06. https://openai.com/index/codex-now-generally-available/ ↩

9. OpenAI, 2025-12. https://openai.com/index/introducing-gpt-5-2-codex/ ↩

10. Ziqi Yin et al., arXiv, 2024-02-22. https://arxiv.org/abs/2402.14531 ↩

11. Cheng Li et al., arXiv, 2023-07-14. https://arxiv.org/abs/2307.11760 ↩

12. Anthropic, 2025-11. https://www.anthropic.com/engineering/effective-harnesses-for-long-running-agents ↩

13. LangChain, 2026. https://www.langchain.com/blog/the-anatomy-of-an-agent-harness ↩

14. Martin Fowler, 2026-04-02. https://martinfowler.com/articles/harness-engineering.html ↩

15. OpenAI, 2026-02-11. https://openai.com/index/harness-engineering/ ↩

16. Varonis Threat Labs, 2026-04-03. https://www.varonis.com/blog/claude-code-leak ↩

17. Drew Breunig, 2026-04-04. https://www.dbreunig.com/2026/04/04/how-claude-code-builds-a-system-prompt.html ↩

18. Anthropic, 2026-04-07. https://www.anthropic.com/glasswing ↩

19. Axios, 2026-06-08. https://www.axios.com/2026/06/08/exclusive-anthropics-mythos-can-exploit-new-flaws-in-hours ↩

20. Google AI for Developers, 2026. https://ai.google.dev/gemini-api/docs/aistudio-build-mode ↩

21. Google, 2025-06-25. https://blog.google/innovation-and-ai/technology/developers-tools/introducing-gemini-cli-open-source-ai-agent/ ↩

22. Google for Developers, 2026. https://developers.google.com/gemini-code-assist/docs/write-code-gemini ↩