Agentic AI Selesaikan Coding, Tapi Memperlihatkan Masalah Besar di Software Engineering

Agentic AI kini menjadi bagian inti dari proses engineering, menghasilkan leverage eksekusi yang masif dan membantu tim menghasilkan lebih banyak kode daripada sebelumnya. Namun, sebuah pertanyaan sulit yang semakin sering muncul dari business leader: jika kita shipping code lebih cepat dari sebelumnya, mengapa produk kita tidak membaik dengan rate yang sama?

Jawabannya sederhana: menulis kode tidak pernah menjadi rate limiter. Definisi requirement yang tepat, integrasi dengan sistem kompleks, dan maintenance software di kondisi real-world selalu menjadi bagian yang sulit. Ketika agent membanjiri organisasi dengan banyak kode baru, bagian sulit justru menjadi lebih sulit. Agent memampatkan execution time, tetapi mereka tidak memampatkan ambiguity, accountability, atau operational complexity.

AI-Generated Code Membuat Human Review Jadi Bottleneck Baru

Seiring skala kode yang dihasilkan AI meningkat, human review menjadi bottleneck baru yang masif. Engineer kehilangan konteks yang dibutuhkan untuk menangkap kesalahan agent. Perusahaan yang memahami dinamika ini akan bergerak maju dengan deliberate playbook. Perusahaan yang tidak memahaminya akan default ke kesimpulan yang lebih sederhana dan lebih destruktif: mengurangi headcount dan meningkatkan spend AI.

Joe Bertolami, CTO dan co-founder Clifton AI, menguraikan tiga fase playbook yang diperlukan untuk navigasi era ini. Fase pertama adalah financial and risk governance. Organisasi perlu menganggap governance sebagai tier-one risk, menetapkan shared standards untuk agent configuration sambil tetap memberi ruang eksplorasi. Least privilege untuk non-human actors harus diterapkan secara ketat: agent tidak boleh secara otomatis mewarisi full permissions dari operator manusia. Implementasi strict separation antara read dan write access, dengan human-in-the-loop approval gates untuk destructive actions, adalah keharusan.

Pengawasan Biaya AI Menjadi Kritis

Watch your wallet. Uber sempat membakar seluruh budget AI 2026 mereka pada bulan April karena tidak ada pengawasan. Menurut Axios, satu perusahaan bahkan menghasilkan tagihan Anthropic mencapai USD 500 juta dalam satu bulan karena runaway agentic loops. Quotas dan rate limits untuk engineering maupun production harus diberlakukan secara ketat.

Fase kedua adalah technical strategy. Go multi-model dan multi-vendor. Tidak ada single model yang unggul di setiap tugas. Standardisasi pada vendor tunggal mengorbankan kemampuan dan memperkenalkan single point of failure. Pay for the frontier: model premium dengan kualitas output tertinggi mengurangi rework yang mahal. Model termurah bukan yang memiliki token price terendah, melainkan yang memaksimalkan efisiensi sambil meminimalkan downstream risk.

Measure what actually matters. Deployment count, lines of code, dan pull requests adalah metrics yang aktif misleading di era AI. Sebaliknya, ukur metrics yang terhubung ke business outcomes seperti feature adoption dan retention, serta engineering durability seperti change failure rate dan escaped defects. Untuk AI efficiency, ukur task success per dollar dan rework time.

Transformasi Talent dan Organisasi

Fase ketiga adalah talent dan organization. Engineer harus beralih dari syntax-writers ke systems-thinkers dan agent-managers. Human review dan architectural alignment adalah bottleneck baru. Organisasi harus dengan sengaja meng-upskill workforce untuk memandu proses agentic, mengelola integrasi cross-system yang kompleks, dan memegang visi arsitektur overarching yang sering kali sulit dipertahankan oleh agent.

Redefine performance dan incentives. Ketika satu engineer bisa menghasilkan output yang setara dengan squad sebelumnya, metrics tradisional seperti story points atau sprint velocity menjadi overhead yang tidak efektif. Realign evaluation framework untuk menghargai expanded business impact, cross-system reliability, dan effective agent orchestration. Jika Anda ingin systems-thinkers yang menutupi lebih banyak strategic surface area, Anda harus memberikan reward untuk higher level impact, bukan sheer volume of output.

Don't cut headcount before strategy adapts. Memotong headcount sebelum mengintegrasikan agentic workflows, mengukur augmented output di production, dan merework roadmap adalah blindness, bukan discipline. Tujuannya bukan tim yang lebih kecil, melainkan tim yang mampu menutupi lebih banyak strategic surface area.

Bagi developer Indonesia, artikel ini adalah reminder bahwa AI adalah force multiplier untuk engineering judgment, bukan penggantinya. Di sistem yang well-structured, AI mempercepat delivery dengan aman. Di sistem yang poorly understood, AI mempercepat kegagalan. Kesalahan yang sedang terjadi bukan mengadopsi AI terlalu lambat, melainkan mengadopsinya tanpa memahami di mana ia akan break.

Sumber: VentureBeat