BitcoinWorld
Pengembang menolak bekerja tanpa AI — namun biaya tersembunyi terus menumpuk
Pada tahun 2026, para pengembang telah menyatakan sikap mereka dengan jelas: mereka tidak akan menulis kode tanpa kecerdasan buatan. Peneliti di laboratorium keamanan AI terkemuka METR menemukan hal ini secara langsung ketika mereka mencoba mereplikasi studi tahun 2025 yang mengukur bagaimana AI memengaruhi produktivitas coding. Masalahnya? Tidak ada pengembang yang bersedia berpartisipasi dalam kelompok kontrol — kelompok yang harus bekerja tanpa bantuan AI.
Eksperimen gagal METR dan kesenjangan persepsi diri Studi asli METR tahun 2025 sudah menghasilkan temuan yang kontra‑intuitif: meskipun pengembang merasa lebih produktif dengan AI, mereka sebenarnya memakan waktu lebih lama secara keseluruhan karena harus memperbaiki kesalahan yang dihasilkan AI, mengarahkan alat, dan menunggu respons. Ketika METR mencoba mengulang eksperimen dengan model AI yang lebih baru, mereka tidak dapat merekrut peserta. Seperti yang diakui peneliti, pengembang “tidak ingin bekerja tanpa AI” bahkan untuk sementara dalam sebuah studi terkontrol.
Alih‑alih, METR menerbitkan survei pada Mei 2026 yang memungkinkan karyawan teknis melaporkan sendiri peningkatan produktivitas mereka. Tidak mengherankan, responden menilai diri mereka dua kali lebih berharga bagi organisasi mereka. Namun perkembangan terbaru menunjukkan penilaian diri ini mungkin tidak mencerminkan realitas.
Tokenmaxxing: tren yang sudah berbalik Praktik menggunakan konsumsi token AI sebagai proksi produktivitas — yang disebut “tokenmaxxing” — menjadi tren utama awal 2026. Namun tren ini tampaknya sudah mulai runtuh karena beban sendiri. Amazon menutup papan peringkat pelacakan token internalnya, Kirorank, setelah karyawan memanipulasi sistem dengan menjalankan agen AI secara berlebihan, meningkatkan biaya tanpa menghasilkan output yang berarti, seperti dilaporkan oleh Financial Times. Uber menghabiskan seluruh anggaran AI 2026-nya dalam empat bulan, dan COO Andrew Macdonald mengakui dalam sebuah podcast bahwa pengeluaran tersebut tidak menghasilkan peningkatan proyek atau produktivitas yang terukur.
Perangkap biaya pemeliharaan Selain pembengkakan biaya, bukti semakin banyak bahwa kode yang dihasilkan AI menimbulkan kewajiban jangka panjang. Programmer dan penulis James Shore mengartikulasikan masalah ini dalam sebuah posting blog yang luas disebarkan: “Anda menulis kode dua kali lebih cepat sekarang? Lebih baik harap Anda telah memotong biaya pemeliharaan setengahnya. Jika tidak, Anda berada dalam masalah. Anda menukar dorongan kecepatan sementara dengan beban permanen.”
Penelitian independen dari Singapore Management University, yang dipublikasikan pada April 2026, memperingatkan bahwa “kode yang dihasilkan AI dapat memperkenalkan biaya pemeliharaan jangka panjang ke dalam proyek perangkat lunak nyata.” Platform review kode Code Rabbit menganalisis pull request sumber terbuka dan menemukan bahwa kode yang dihasilkan AI menimbulkan 1,7 kali lebih banyak masalah dibandingkan kode yang ditulis manusia. Meskipun angka‑angka ini berasal dari perusahaan yang memiliki kepentingan komersial dalam alat review kode, pola tersebut konsisten di berbagai sumber.
Mengapa janji produktivitas mungkin kosong Kesenjangan antara produktivitas yang dirasakan dan yang sebenarnya bukan hal baru, namun skala adopsi AI memperbesar konsekuensinya. Pengembang mencintai asisten AI mereka — mereka melaporkan merasa lebih cepat, lebih mampu, dan kurang frustrasi. Namun metrik objektif menceritakan kisah yang berbeda: lebih banyak bug, biaya token yang lebih tinggi, dan beban pemeliharaan yang menumpuk seiring waktu. Sebuah posting viral dari Aiswarya Sankar, CEO startup rekayasa keandalan Entelligence AI, mengklaim perusahaan menghabiskan 44 % token AI mereka untuk memperbaiki bug yang justru dihasilkan AI.
Apa yang direkomendasikan para ahli Solusi bervariasi tergantung pada siapa yang ditanya. CEO Cognition, Scott Wu, yang perusahaannya membuat agen coding AI Devin, berargumen bahwa pengembang sebaiknya menggunakan lebih banyak AI untuk memperbaiki masalah yang diciptakan AI. Namun bahkan Wu mengakui bahwa Devin saat ini beroperasi di antara level junior dan menengah, tergantung pada tugas — bukan solusi tanpa campur tangan manusia.
Peneliti Singapore Management University menganjurkan pendekatan yang lebih berpusat pada manusia: pengembang harus memahami tugas mana yang ditangani AI dengan baik dan mana yang tidak, setinggi mereka memahami bahasa pemrograman mereka. Mereka merekomendasikan sistem jaminan kualitas yang kuat khusus untuk kode yang dihasilkan AI, serta peninjauan manusia yang cermat terhadap output AI — memperlakukan kode tersebut seperti pekerjaan dari pengembang junior. Peneliti tersebut, dan Wu, sepakat pada satu hal: manusia harus tetap bertanggung jawab atas keputusan tingkat tinggi seperti arsitektur perangkat lunak dan desain keamanan.
Kesimpulan Profesi coding telah mencapai titik balik. Pengembang telah mengintegrasikan AI begitu dalam ke dalam alur kerja mereka sehingga banyak yang tidak dapat atau tidak mau bekerja tanpa AI. Namun bukti menunjukkan ketergantungan ini datang dengan biaya nyata — anggaran yang melambung, beban pemeliharaan tersembunyi, dan kesenjangan antara produktivitas yang dirasakan dan yang sebenarnya. Jalan ke depan kemungkinan bukan meninggalkan AI, melainkan mengembangkan praktik yang lebih disiplin tentang kapan dan bagaimana menggunakannya, serta menerima bahwa tidak ada alat yang menghilangkan kebutuhan akan penilaian manusia dalam rekayasa perangkat lunak.
FAQ Q1: Mengapa METR gagal mereplikasi studi produktivitas AI 2025? Pengembang menolak berpartisipasi dalam kelompok kontrol yang mengharuskan bekerja tanpa bantuan AI, bahkan untuk sementara dalam sebuah studi penelitian. METR kemudian menerbitkan laporan berbasis survei.
Q2: Apa itu tokenmaxxing dan mengapa kontroversial? Tokenmaxxing adalah praktik menggunakan konsumsi token AI sebagai proksi produktivitas karyawan. Perusahaan seperti Amazon dan Uber menemukan bahwa karyawan memanipulasi sistem, meningkatkan biaya tanpa peningkatan output yang sepadan, yang menyebabkan penghentian program pelacakan token.
Q3: Apakah kode yang dihasilkan AI meningkatkan biaya pemeliharaan? Berbagai sumber — termasuk riset akademis dari Singapore Management University, analisis independen oleh Code Rabbit, dan komentar dari pakar industri — menunjukkan bahwa kode yang dihasilkan AI menimbulkan lebih banyak bug dan beban pemeliharaan jangka panjang dibandingkan kode yang ditulis manusia.
Posting ini Pengembang menolak bekerja tanpa AI — namun biaya tersembunyi terus menumpuk pertama kali muncul di BitcoinWorld.