Mencegah Cognitive Debt: Mengapa Developer Perlu Mengetik Ulang Kode dari LLM

Penggunaan coding assistant dan large language model (LLM) sudah menjadi norma di kalangan developer pada 2026. Alat seperti Cursor, GitHub Copilot, dan Claude Code menjanjikan produktivitas sepuluh kali lipat dengan menghasilkan ratusan baris kode dalam hitungan detik. Namun di balik kecepatan itu, ada bahaya tersembunyi yang jarang dibicarakan: cognitive debt. Ketika kita terlalu sering menyalin kode dari LLM tanpa memahaminya, kita sebenarnya menumpuk utang pemahaman yang suatu saat harus dibayar dengan bunga tinggi. Artikel ini mengulas pendekatan unik yang ditawarkan Ankur Sethi untuk menghindari jebakan tersebut.

Menurut tulisan dari Ankur Sethi, banyak developer merasa tidak puas saat membiarkan AI menulis seluruh fitur dalam satu sesi. Meskipun hasilnya fungsional, ada rasa kehilangan kendali dan orientasi terhadap codebase sendiri. Masalahnya bukan pada kecepatan, melainkan pada pemahaman mendalam. Kode yang dihasilkan mesin tetap perlu dimengerti oleh manusia yang akan memeliharanya dalam jangka panjang. Jika tidak, debugging di masa depan akan seperti menerjemahkan bahasa yang tidak pernah kita pelajari.

Mengapa Review Kode AI Tidak Selalu Cukup

Paradigma yang berkembang saat ini adalah robot mengajukan pull request dan manusia melakukan review. Sayangnya, mereview ratusan baris kode yang terlalu defensif, kurang komentar, dan subtly incorrect tidaklah menyenangkan. Proses ini justru menguras energi dan sering kali tidak efektif untuk proyek pribadi atau side project. Sethi mengingatkan bahwa personal projects harus tetap menyenangkan: kesenangan berasal dari proses belajar, bukan hanya hasil akhir yang berjalan.

Di dunia kerja profesional, developer mungkin terpaksa mereview kode AI karena tuntutan perusahaan. Tapi untuk proyek pribadi, tidak ada bos yang memaksa. Tidak ada deadline eksternal. Di sinilah kita punya kebebasan untuk memilih workflow yang benar-benar memberikan pemahaman, bukan sekadar output yang berjalan tanpa kita mengerti mekanismenya. Itulah mengaga personalisasi workflow sangat penting bagi pertumbuhan skill teknis.

Solusi Kontraintuitif: Mengetik Ulang Kode dari LLM

Sethi menawarkan solusi yang terdengar tidak efisien: minta LLM menghasilkan kode dalam chat, lalu ketik ulang secara manual ke editor. Dengan cara ini, kecepatan kerja mungkin hanya dua kali lipat, bukan sepuluh kali. Tapi yang hilang dari kecepatan, didapatkan dalam bentuk pemahaman yang lebih dalam dan rasa kepemilikan terhadap kode. Proses manual ini memaksa otak untuk berpikir, bukan hanya mengeksekusi perintah paste.

Ketika mengetik setiap baris kode secara manual, developer membangun mental model yang kuat tentang bagaimana kode tersebut bekerja. Jika ada API atau algoritma yang tidak familiar, kita bisa langsung berhenti dan mencari referensi dari dokumentasi resmi. Proses ini juga memungkinkan deteksi lebih awal terhadap halusinasi atau desain buruk yang dibuat LLM. Kita bisa membersihkan kode saat berjalan: refactoring, menambah komentar, dan menyesuaikan dengan gaya pribadi.

Membangun Spatial Map Codebase

Yang paling berharga dari workflow ini adalah pembentukan spatial map codebase. Developer tahu persis di mana setiap fungsionalitas berada di dalam direktori dan file. Ketika perlu melakukan perubahan di masa depan, tidak perlu lagi bertanya kepada AI: di mana letak fitur X atau fungsi Y. Kepemilikan kode yang nyata ini juga membuat prompting ke LLM di masa depan lebih efektif, karena kita memahami konteks sistem secara menyeluruh.

Bayangkan codebase sebagai kota yang sedang dibangun. Jika kita hanya menyuruh kontraktor (AI) membangun rumah dan kita tidak pernah mengunjungi lokasi, kita tidak akan tahu jalan, saluran air, atau letak meter listrik. Suatu hari ketika ada kebocoran, kita butuh waktu lama untuk menemukan sumber masalah. Itulah yang terjadi pada codebase tanpa spatial map yang jelas.

Tradisi Lama, Pendekatan Baru

Konsep ini sebenarnya bukan hal baru. Dulu, programmer senior selalu menyarankan pemula untuk tidak copy-paste dari Stack Overflow. Sebaliknya, ketik ulang contoh dari buku atau blog agar benar-benar dipahami. Mengetik ulang kode LLM adalah evolusi dari tradisi belajar tersebut di era AI. Mungkin tidak paling efisien, tapi comprehension lebih bernilai dari productivity semu yang mengorbankan pemahaman.

Implikasi Jangka Panjang untuk Industri

Sethi menyuarakan kekhawatiran bahwa industri software sedang menumpuk cognitive debt dalam skala masif. Suatu hari nanti, kita mungkin tidak lagi memahami bagaimana infrastruktur digital besar disusun. Perusahaan akan kesulitan debugging sistem yang dibangun oleh AI bertahun-tahun lalu. Meskipun satu individu tidak bisa mengubah arah industri, setidaknya kita bisa memastikan memahami software yang kita rilis ke dunia. Itu adalah bentuk tanggung jawab profesional yang tidak boleh ditinggalkan.

Bagi developer di Indonesia yang menggunakan hardware terbatas dan sering bekerja pada proyek solo atau freelance, pendekatan ini sangat relevan. Alih-alih bergantung penuh pada AI, gunakan LLM sebagai asisten, bukan pengganti pemikiran kritis. Kecepatan memang penting, tapi pemahaman adalah fondasi karier jangka panjang yang sustainable. Jangan biarkan cognitive debt menghambat pertumbuhan teknis Anda di tengah gempuran AI.