Keberanian Tidak Tahu: Mengapa AI Buat Developer Dangkal

Beberapa bulan lalu, seorang rekan di tim saya bertanya mengapa sebuah fungsi async di Node.js mengalami memory leak. Saya membuka editor, mengecek kode, lalu dengan percaya diri menjelaskan root cause dan solusinya. Setelah rapat, saya menyadari sesuatu yang mengganggu: saya tidak benar-benar "mengerti" jawaban itu. Saya hanya mengingat pola yang pernah dihasilkan ChatGPT untuk kasus serupa. Apakah itu masih bisa disebut pengetahuan, atau sekadar echo dari model statistik?

Fenomena ini bukan milik saya sendiri. Di setiap war room, stand-up meeting, dan sesi pair programming, kita mulai melihat pola yang sama: developer yang sangat cepat menulis kode kompleks, tapi goyah ketika ditanya tentang fundamental di baliknya. Kita hidup di era di mana produksi kode tidak pernah secepat ini, tapi pemahaman mendalam tidak pernah serumit ini untuk dicapai.

Ilusi Kompetensi di Era Asisten Pintar

Penelitian dari Microsoft Research dan Carnegie Mellon University pada 2024 menemukan bahwa pengguna AI coding assistant cenderung mengalami apa yang mereka sebut overreliance: kecenderungan untuk menerima saran AI tanpa verifikasi kritis, bahkan ketika saran tersebut jelas salah. Bukan karena penggunanya bodoh, tapi karena kecepatan dan kepercayaan diri yang ditampilkan AI menciptakan ilusi kompetensi yang menular.

Dulu, untuk memahami konsep seperti event loop atau garbage collection, kita harus membaca dokumentasi, bereksperimen dengan kode, gagal berkali-kali, lalu akhirnya mengerti. Proses itu menyakitkan, tapi itulah yang membangun mental model. Sekarang, kita cukup bertanya ke ChatGPT, mendapatkan penjelasan yang rapi dan terstruktur, lalu merasa "mengerti". Padahal yang terjadi adalah transfer informasi, bukan konstruksi pemahaman.

Perbedaannya mirip seperti membaca ringkasan buku versus membaca buku itu sendiri. Ringkasan memberikan kepuasan intelektual instan tanpa beban kognitif yang sebenarnya membangun kedalaman berpikir.

Stack Overflow vs Large Language Model

Ada kritik yang mengatakan bahwa generasi sebelumnya juga bergantung pada Stack Overflow. Tapi ada perbedaan fundamental. Ketika kita copy-paste dari Stack Overflow, kita masih harus membaca konteks: mengapa jawaban ini dipilih, apa argumennya, versi library mana yang cocok, dan apa komentar-komentar yang menunjukkan edge case. Kita terlibat aktif dalam proses kurasi.

AI assistant menghilangkan gesekan itu. Ia memberikan jawaban tunggal yang dipersonalisasi, tanpa noise, tanpa diskusi, tanpa alternatif. Kita tidak lagi belajar dari proses orang lain memecahkan masalah; kita hanya menerima hasil akhirnya. Ini seperti belajar matematika dengan langsung melihat kunci jawaban tanpa pernah mencoba mengerjakan soalnya.

Studi Microsoft menunjukkan bahwa meski produktivitas naik 55% dengan GitHub Copilot, tes pemahaman konseptual pada developer yang bergantung penuh pada AI menurun signifikan dibanding kelompok kontrol. Kecepatan datang dengan harga: kita kehilangan kemampuan untuk bernavigasi di kegelapan ketika AI tidak ada.

Ketika AI Salah dan Kita Tidak Sadar

Ini yang paling berbahaya. Large language model bukan mesin pengetahuan; ia adalah mesin prediksi token. Ia tidak "tahu" apa yang benar; ia hanya tahu apa yang mungkin benar berdasarkan pola training data. Di domain yang bergerak cepat seperti teknologi, training data sering kali usang atau salah.

Saya pernah menyaksikan seorang junior developer menggunakan kode yang dihasilkan AI untuk implementasi OAuth 2.0. Kodenya terlihat elegan, well-structured, dan menggunakan library yang familiar. Tapi ada satu bug kecil di flow PKCE yang membuat authorization code bisa direplay. AI tidak menyadarinya. Developer junior itu juga tidak menyadarinya, karena ia tidak pernah belajar OAuth secara mendalam; ia hanya belajar untuk meminta AI "buatkan autentikasi Google".

Kasus ini bukan anomali. Penelitian dari Stanford dan UC Berkeley menemukan bahwa jawaban teknis dari ChatGPT mengalami "drift" dalam akurasi seiring waktu, dengan tingkat kesalahan yang meningkat di beberapa domain programming. Kita tidak bisa lagi mengandalkan kebenaran absolut dari output AI; kita harus punya kemampuan untuk memvalidasi.

Struggle sebagai Prasyarat Pemahaman

Psikolog kognitif Daniel Willingham pernah menulis bahwa pembelajaran terjadi ketika otak bekerja keras. Jika tugas terlalu mudah, tidak ada pembelajaran yang terjadi. AI, dalam konteks ini, sering kali membuat tugas menjadi terlalu mudah. Ia menghilangkan struggle yang esensial untuk pembentukan memori jangka panjang.

Bukan berarti kita harus menolak teknologi dan kembali ke cara kerja tahun 90-an. Tapi kita perlu sadar bahwa ada perbedaan antara menggunakan AI sebagai amplifier pemahaman yang sudah ada versus sebagai pengganti pemahaman itu sendiri.

Cara saya mempraktikkannya: setiap kali AI memberikan solusi, saya wajibkan diri sendiri untuk menjelaskan ulang konsep itu dengan bahasa saya sendiri, tanpa melihat jawaban AI. Jika saya tidak bisa, berarti saya belum mengerti. Saya juga sengaja menggunakan AI untuk menanyakan "mengapa" solusi ini bekerja, bukan hanya "bagaimana" melakukannya. Dan yang paling penting: saya masih menyediakan waktu untuk coding tanpa bantuan AI sama sekali, bahkan jika lebih lambat.

Keberanian untuk Mengatakan "Saya Tidak Tahu"

Di industri yang menghargai kecepatan dan certitude, mengakui ketidaktahuan terasa seperti kelemahan. Tapi justru di sinilah pembelajaran sejati dimulai. Developer hebat bukanlah yang selalu punya jawaban cepat, tapi yang tahu dimana letak batas pengetahuannya dan berani menginjak ke area yang tidak nyaman.

AI telah mengubah peta kompetensi. Skill yang paling bernilai sekarang bukan kemampuan menghafal syntax atau menulis boilerplate dengan cepat. Skill yang paling bernilai adalah kemampuan untuk mengajukan pertanyaan yang tepat, membedakan signal dari noise, dan membangun mental model yang koheren meski dibantu oleh tools otomatis.

Kita perlu keberanian untuk menolak godaan instant gratification yang ditawarkan AI. Keberanian untuk membaca dokumentasi asli alih-alih menerima ringkasan. Keberanian untuk debugging selama dua jam alih-alih langsung meminta AI memperbaiki. Keberanian untuk merasa bodoh sementara waktu, karena itu tanda bahwa kita sedang benar-benar belajar.

Platform seperti CS50 AI dari Harvard justru menggunakan AI untuk memandu siswa menemukan jawaban sendiri, bukan memberikan jawaban langsung. Ini adalah arah yang lebih sehat: AI sebagai Socrates, bukan sebagai crib sheet.

Epilog: Pertanyaan yang Tertunda

Kita sering bicara tentang AI yang menggantikan pekerjaan developer. Mungkin ancaman yang lebih nyata dan lebih dekat adalah AI yang menggantikan kemampuan berpikir developer. Bukan dengan cara yang dramatis seperti di film fiksi ilmiah, tapi perlahan, hari demi hari, melalui kebiasaan kecil yang terasa tidak berbahaya: copy, paste, lupa.

Seberapa dalam kamu benar-benar mengerti kode yang kamu tulis minggu ini? Bukan seberapa cepat kamu menulisnya, tapi seberapa yakin kamu jika AI-nya tiba-tiba mati, kamu masih bisa menjelaskan alasannya, memperbaikinya, dan mengembangkannya lebih jauh. Jika jawabannya membuatmu berhenti sejenak untuk berpikir, mungkin itu tanda bahwa masih ada ruang untuk kembali ke dasar dan merenungkan kembali apa artinya menjadi engineer sejati di era ini.