Efek Shallowing: AI dan Kemunduran Berpikir Developer

Beberapa bulan lalu, seorang senior engineer di tim saya mengaku hal yang mengejutkan: dia lupa cara menulis for loop sederhana dalam Python. Bukan karena sudah bertahun-tahun tidak coding, tapi karena setiap hari selama dua tahun terakhir, Copilot dan ChatGPT menyelesaikan masalah itu sebelum otaknya sempat berpikir. Ia bukan satu-satunya. Kita sedang menyaksikan fenomena yang para psikolog sebut shallowing: proses di mana otak manusia secara bertahap menyerahkan kemampuan berpikir mendalam kepada mesin.

AI coding tools hadir dengan janji produktivitas. Cursor, GitHub Copilot, Claude Code, dan puluhan varian lainnya menjanjikan kita menulis kode sepuluh kali lebih cepat. Tapi ada biaya tersembunyi yang jarang dibicarakan dalam demo produk: apa yang terjadi pada kemampuan berpikir kita ketika mesin terus-menerus menyelesaikan tugas-tugas kognitif yang seharusnya menjadi latihan otak?

Ketika Otak Menghemat Energi dengan Cara Berbahaya

Nicholas Carr dalam bukunya The Shallows sudah memperingatkan ini sejak 2010. Ia berargumen bahwa internet tidak hanya mengubah apa yang kita pikirkan, tapi juga cara kita berpikir. Kognisi manusia bersifat use it or lose it. Setiap kali kita menyerahkan tugas berpikir ke alat eksternal, otak kita menyesuaikan diri dengan mengurangi kapasitas untuk tugas tersebut.

Dalam konteks software engineering, shallowing bukan sekadar lupa sintaks. Ini adalah degradasi kemampuan untuk membaca kode secara kritis, memahami trade-off arsitektur, atau mendeteksi bug yang tidak terlihat oleh pattern matching statistik. AI tidak berpikir: AI memprediksi. Ketika kita menerima prediksi tanpa verifikasi mental, kita secara perlahan kehilangan sense of smell yang membedakan kode bagus dari kode berbahaya.

Penelitian Nielsen Norman Group menunjukkan bahwa pengguna AI cenderung mengalami shallow learning: mereka merasa memahami topik padahal hanya memahami permukaannya. Dalam development, ini berarti developer yang andal AI untuk refactoring tanpa memahami logika asli, atau yang mengimplementasikan library tanpa memahami konsekuensi dependency-nya.

Pilot yang Lupa Terbang

Industri penerbangan sudah mengalami ini. Automation paradox menggambarkan situasi di mana autopilot yang terlalu canggih justru membuat pilot manusia kehilangan keterampilan manual. Ketika sistem otomasi gagal, pilot yang terlalu lama bergantung pada mesin sering kali tidak mampu mengambil alih kendali dengan cepat.

Software development sedang menuju arah serupa. Bayangkan skenario ini: sebuah bug misterius muncul di production. Kode tersebut ditulis oleh AI enam bulan lalu dan di-approve oleh developer yang juga tidak sepenuhnya memahaminya karena "Copilot bilang ini best practice". Stack trace menunjuk ke dependency yang tidak pernah dibaca manual. Dokumentasi internal tidak ada karena "AI bisa menjelaskan kalau ditanya". Timpa tim yang harus memperbaiki: mereka harus memahami kode yang bahkan penulisnya tidak paham.

Stack Overflow menulis bahwa AI memang membuat pekerjaan dangkal terasa mudah, tapi pekerjaan mendalam tetap membutuhkan otak manusia. Masalahnya: sebagian besar development adalah pekerjaan mendalam yang disamarkan sebagai pekerjaan dangkal.

Mengapa Kita Suka Menyerah

Tidak ada yang salah dengan efisiensi. Masalahnya adalah frictionless yang ekstrem. Otak manusia secara evolusioner dirancang untuk menghemat energi kognitif. AI memenuhi dorongan biologis ini terlalu sempurna. Kenapa repot-repot memahami algoritma sorting ketika ChatGPT bisa memberikan jawaban dalam tiga detik? Kenapa membaca RFC ketika Claude bisa merangkumnya?

Tapi inilah yang terjadi: kemampuan berpikir mendalam tidak terbentuk melalui rangkuman. Ia terbentuk melalui gesekan, kebingungan, dan waktu yang dihabiskan untuk berjuang dengan konsep. Proses productive struggle inilah yang membangun mental model yang robust. AI yang terlalu cepat memberikan jawaban mencuri proses ini.

Developer junior paling rentan. Mereka belum membangun intuition yang cukup untuk menilai output AI. Ketika AI memberikan kode yang looks right tapi sebenarnya mengandung race condition atau memory leak, developer junior tidak punya radar untuk mendeteksinya. Lima tahun lalu, mereka akan berjuang selama berjam-jam, mengajukan pertanyaan di Stack Overflow, dan membangun pemahaman mendalam. Sekarang, mereka copy-paste dan lanjut ke tugas berikutnya, membawa bom waktu teknis di dalam codebase.

Menciptakan Gesekan yang Sengaja

Solusi bukanlah menolak AI. Alat ini terlalu berharga untuk diabaikan. Solusinya adalah menggunakannya dengan intentional friction. Beberapa praktik yang mulai saya terapkan di tim:

• AI-free learning hours. Dedi waktu seminggu sekali untuk menyelesaikan masalah kecil tanpa bantuan AI sama sekali. Bukan untuk tugas produksi, tapi untuk mempertajam otot berpikir.

• Penjelasan wajib. Setiap kode yang di-generate AI harus dijelaskan oleh developer dalam bahasa manusia sebelum di-merge. Bukan copy-paste dari explain AI, tapi penjelasan berdasarkan pemahaman pribadi.

• Review yang lebih dalam. Pull request dari AI-assisted coding harus melalui review lebih ketat. Reviewer harus mengajukan pertanyaan why, bukan hanya what.

• Membaca kode, bukan hanya menulis. Luangkan waktu membaca kode open source tanpa tujuan praktis. Ini seperti membaca sastra untuk penulis: memperkaya taste dan judgment.

Nilai dari Kebingungan

Ada momen berharga dalam belajar programming yang sedang punah: momen di mana kita menatap layar selama satu jam, bingung, frustrasi, lalu tiba-tiba mengerti. Momen eureka itu tidak hanya menyelesaikan bug, tapi merangkai neuron di otak kita. AI yang terlalu responsif menghilangkan momen ini.

Carr menulis di The Atlantic bahwa Google membuat kita tidak sabar terhadap kedalaman. AI coding tools mempercepat fenomena ini seratus kali lipat. Kita bukan lagi tidak sabar membaca buku; kita tidak sabar memahami kode yang kita tulis sendiri.

Kesimpulan yang Bukan Akhir

Industri software sedang dalam eksperimen sosial terbesar dalam sejarah: apa yang terjadi ketika jutaan developer menyerahkan sebagian besar kognisi mereka kepada model statistik? Kita belum tahu jawabannya. Tapi tanda-tanda awal sudah terlihat: codebase yang semakin rapuh, bug yang semakin sulit ditelusuri, dan generasi engineer yang terampil menggunakan alat tapi rentan ketika alat itu gagal.

AI adalah multiplier. Ia memperkuat kebiasaan baik dan kebiasaan buruk dengan kecepatan yang sama. Jika kebiasaanmu adalah berpikir mendalam, AI akan membuatmu jadi thinker yang superhuman. Jika kebiasaanmu adalah menyerah pada kenyamanan, AI akan membuatmu menjadi operator tombol yang bisa digantikan oleh AI generasi berikutnya.

Pilihan ada di tangan kita. Tapi pilihan itu harus disadari secara aktif, bukan sebagai default dari kemudahan.

Ketika terakhir kali kamu benar-benar paham setiap baris kode yang kamu commit? Atau apakah kita sudah terlalu nyaman menjadi kurator output mesin?