Mengapa Keahlian Domain Masih Menentukan di Era LLM

Di era 2010-an, jika kamu punya gap teknis, misalnya tidak bisa menulis CSS, pilihanmu hanya dua: andalkan rekan yang lebih ahli atau berharap jawaban untuk masalah spesifikmu ada di internet. Hari ini, semua orang bisa menulis CSS yang cukup baik dengan mendelegasikan tugas tersebut ke LLM. Model bahasa besar telah mengubah semua orang menjadi generalis. Namun banyak yang keliru menganggap tidak ada skill khusus dalam bekerja dengan LLM. Artikel dari Sean Goedecke membantah anggapan ini dengan argumen yang kuat: keahlian domain adalah skill paling penting dalam prompting.

Terence Tao dan ChatGPT: Contoh Nyata Keahlian Domain

Ilustrasi terbaik untuk argumen ini adalah percakapan Terence Tao dengan ChatGPT tentang counterexample baru untuk Jacobian Conjecture. Ini bukan ChatGPT yang sama digunakan orang awam. Tao, matematikawan kelas dunia, mendapatkan output yang jauh berbeda karena ia mampu mengarahkan model dengan presisi tinggi.

Beberapa observasi menarik dari percakapan Tao:

• Pesan Tao sangat singkat dan to-the-point. Ia tidak merespons point-by-point, hanya gist utama

• Output model jauh lebih ringkas dibandingkan ketika pengguna awam bertanya tentang matematika. Dengan menyinyalkan keahlian, Tao membuat model beralih ke mode talking-to-mathematicians, bukan explaining-to-amateurs

• Tao menolak ketika respons model terlihat salah, tapi tidak langsung kontradiksi. Ia menggunakan ungkapan seperti this looks more complex than I was hoping for

• Tao sering membuat lompatan dan saran sendiri. Hampir tidak pernah ia mengikuti saran model tentang langkah selanjutnya

Namun kamu tidak bisa langsung meniru teknik Tao hanya dengan mengikuti tips tersebut. Kunci sebenarnya adalah memahami matematika: menarik ide relevan dari respons multi-paragraf model, menyarankan pendekatan alternatif, dan mengidentifikasi apa yang looks weird.

Pengalaman Pribadi di Software Engineering

Ide bahwa domain knowledge membuatmu lebih baik dalam menggunakan LLM bukan sekadar teori. Jika kamu memiliki theory of your codebase yang baik, kamu bisa mendorong LLM jauh lebih keras dibandingkan jika tidak punya familiarity sama sekali. Karena kamu punya sense sendiri tentang seperti apa solusi yang baik, kamu bisa berkata no, I think it could be simpler here, atau but don't we already do X?, atau can we express this problem in these familiar terms?

Ini terkait dengan ide yang pernah ditulis Goedecke sebelumnya: system design problems didominasi oleh concrete specifics, bukan generic principles. Tentu keduanya berguna, tapi lebih baik punya familiarity dengan codebase daripada pemahaman umum software systems yang mendalam. Tao dalam percakapannya banyak bertanya spesifik seperti does X work here? atau given Y and Z, why A? Kita tidak bisa bertanya demikian tentang Jacobian Conjecture, tapi kita bisa bertanya demikian tentang sistem yang kita kelola setiap hari.

Manusia sebagai Bottleneck, Bukan Model

Jika kamu tidak punya domain knowledge, kamu masih bisa mengandalkan LLM untuk mendapatkan something. Itu tidak buruk. Tapi jika kamu punya domain knowledge, kamu bisa memeras nilai jauh lebih besar dari LLM yang sama dengan mengarahkannya ke arah yang kamu inginkan. Sebagian besar dari kita harus melakukan kombinasi kedua pendekatan ini, karena kita punya domain knowledge di beberapa area tapi tidak di area lain.

Usefulness dari domain knowledge menunjukkan bahwa human expertise akan terus berguna bahkan ketika model semakin kuat. Untuk banyak tugas, manusia adalah bottleneck, bukan model, karena bagian yang sulit adalah mengkomunikasikan ke model secara tepat seperti apa solusi yang diinginkan manusia. Informasinya sudah ada di model, tapi butuh human yang sangat smart untuk menariknya keluar.

Implikasi bagi Developer Indonesia

Bagi developer di Indonesia, fenomena ini membawa pesan yang jelas: jangan abaikan fundamentals. Di tengah hype AI coding assistant dan vibe coding, keahlian domain tetap menjadi diferensiator utama. Seorang developer yang memahami arsitektur distributed systems, database indexing, atau security primitives akan selalu menghasilkan output yang lebih baik dari AI dibandingkan rekan yang hanya mengandalkan prompting tanpa pemahaman mendalam.

Startup lokal yang sedang membangun produk AI juga perlu memperhatikan aspek ini. Mengandalkan AI untuk menulis kode backend tanpa memahami concurrency model atau tradeoff konsistensi bisa menghasilkan sistem yang berfungsi di demo tapi collapse di production. Investasi dalam membangun theory of codebase dan domain knowledge adalah investasi jangka panjang yang tidak bisa digantikan oleh model bahasa sekalipun.

Goedecke menutup artikelnya dengan pengingat yang relevan: Most of us will have to do a mix of both these approaches, since we have domain knowledge in some areas but not others. Kuncinya adalah mengenali di mana keahlianmu berada dan menggunakan AI untuk mengisi gap, bukan menggantikan seluruh proses berpikir. AI adalah amplifier, bukan pengganti expertise.

Implikasi bagi Developer Indonesia

Bagi developer di Indonesia, fenomena ini membawa pesan yang jelas: jangan abaikan fundamentals. Di tengah hype AI coding assistant dan vibe coding, keahlian domain tetap menjadi diferensiator utama. Seorang developer yang memahami arsitektur distributed systems, database indexing, atau security primitives akan selalu menghasilkan output yang lebih baik dari AI dibandingkan rekan yang hanya mengandalkan prompting tanpa pemahaman mendalam.

Startup lokal yang sedang membangun produk AI juga perlu memperhatikan aspek ini. Mengandalkan AI untuk menulis kode backend tanpa memahami concurrency model atau tradeoff konsistensi bisa menghasilkan sistem yang berfungsi di demo tapi collapse di production. Investasi dalam membangun theory of codebase dan domain knowledge adalah investasi jangka panjang yang tidak bisa digantikan oleh model bahasa sekalipun.

Goedecke menutup artikelnya dengan pengingat yang relevan: Most of us will have to do a mix of both these approaches, since we have domain knowledge in some areas but not others. Kuncinya adalah mengenali di mana keahlianmu berada dan menggunakan AI untuk mengisi gap, bukan menggantikan seluruh proses berpikir. AI adalah amplifier, bukan pengganti expertise.

Sumber: LLMs reward expertise oleh Sean Goedecke