Claude Code dan GSD Framework: Strategi Desain untuk Mengatasi Kelebihan Beban Kognitif pada Proyek Brownfield

Era asisten coding telah berakhir. Sekarang adalah era agen otonom. Namun, melemparkan Claude Code secara sembarangan ke dalam proyek brownfield dengan puluhan ribu baris kode warisan (legacy code) ibarat berlari cepat di tengah kabut tebal. Hasilnya sudah bisa ditebak: AI akan tersesat, dan token Anda akan terbuang percuma.

Kuncinya bukan pada alatnya, melainkan pada sistemnya. Untuk menguasai Claude Code, agen berbasis terminal dari Anthropic, diperlukan orkestrasi canggih yang disebut GSD (Get Stuff Done) Framework. Di tahun 2026 ini, kita akan mempelajari strategi praktis untuk bermigrasi dan memelihara sistem yang kompleks, melampaui sekadar tahap pembuatan kode biasa.

---

Pembengkakan Konteks dan Serangan Balik Entropi Kognitif

Hanya karena jendela konteks (context window) model AI semakin besar, tidak berarti performanya meningkat secara proporsional. Menurut data industri yang nyata, bahkan model kelas atas seperti Claude pun mulai mengalami penurunan presisi saat penggunaan konteks melebihi 30%. Terutama ketika melampaui ambang batas 70%, terjadi fenomena drift di mana model melupakan aturan arsitektur yang ditetapkan di awal dan hanya terpaku pada isi percakapan terbaru.

Inilah alasan mendasar mengapa AI sering kali menghasilkan kode yang tidak relevan dalam proyek brownfield. Ketika ribuan baris file warisan memenuhi konteks, entropi kognitif dalam mesin penalaran AI melonjak tajam. GSD Framework mengatasi masalah ini dengan mengadopsi prinsip klasik rekayasa perangkat lunak, yaitu divide and conquer, ke dalam alur kerja AI.

---

GSD Framework: Fragmentasi dan Eksternalisasi Kecerdasan

GSD tidak memperlakukan Claude Code sebagai entitas tunggal yang maha tahu. Sebaliknya, ia membaginya menjadi pasukan yang terdiri dari 12 sub-agen khusus. Inti dari pendekatan ini adalah memberikan Konteks Bersih (Fresh Context) untuk setiap tugas, sehingga kemampuan penalaran model dapat dimanfaatkan 100% setiap saat.

Eksternalisasi pengetahuan adalah mekanisme inti dari GSD. Pengetahuan domain yang dianalisis oleh agen tidak disimpan dalam memori, melainkan segera dicatat ke dalam dokumen fisik seperti SUMMARY.md atau SPEC.md. Sesi utama hanya memuat dokumen yang telah dimurnikan ini, sehingga mencegah pemborosan token yang tidak perlu dan meningkatkan akurasi pengambilan keputusan.

4 Tahap Urutan Orkestrasi Agen

• Riset (Research): Sub-agen menganalisis tumpukan teknologi (tech stack) yang ada secara paralel untuk membuat peta pengetahuan.
• Perencanaan (Plan): Menyusun rencana pelaksanaan berstruktur XML untuk menutup celah bagi AI dalam membuat penilaian sewenang-wenang.
• Eksekusi (Execute): Menginisialisasi sesi untuk setiap unit tugas guna menulis kode dalam lingkungan yang tidak terkontaminasi.
• Verifikasi (Verify): Agen terpisah yang berbeda dari penulis kode meninjau kembali apakah persyaratan telah terpenuhi secara terbalik.

---

3 Taktik Kemenangan untuk Penerapan Brownfield

Migrasi sistem warisan jauh lebih sulit daripada membangun sistem baru. Hal ini karena fitur baru harus ditanamkan tanpa merusak aturan yang sudah ada.

1. Elaborasi Pemetaan Kode Sumber

Sebelum memodifikasi kode secara membabi buta, Anda harus memahami seluruh medan dengan perintah /gsd:map-codebase. Dalam proses ini, ada dua dokumen yang wajib diekstraksi. CONVENTIONS.md memastikan penanganan kesalahan (error handling) dan aturan penamaan yang ada tetap terjaga, sementara CONCERNS.md mengidentifikasi titik kemacetan performa atau potensi konflik pustaka (library) lebih awal untuk menetapkan zona terlarang bagi AI.

2. Pengembangan Berbasis Spek (Spec-Driven)

Kode hanyalah produk sampingan dari sebuah rencana. Sebelum masuk ke implementasi, lakukan wawancara teknis mendalam dengan AI untuk memastikan protokol respons API atau keselarasan skema DB. Melibatkan manusia pada tahap ini untuk menetapkan batasan teknis secara jelas adalah rahasia untuk mengurangi kesalahan pada tahap eksekusi hingga lebih dari 80%.

3. Strategi Keluar dari Loop Tak Terbatas

Jika AI mengulangi pesan kesalahan yang sama lebih dari 3 kali, segera hentikan sesi tersebut. Mempertahankan konteks yang terkontaminasi hanyalah pemborosan biaya. Pada titik ini, jangan mencoba memperbaiki kodenya, melainkan analisis penyebab kegagalan, refleksikan ke dalam plan.md, lalu lakukan Cold Start dengan memulai dari sesi yang benar-benar baru.

---

Daya Saing Pengembangan Masa Depan Ada pada Kemampuan Harmonisasi

Dalam lingkungan pengembangan perangkat lunak tahun 2026, daya saing yang membedakan bukan lagi kecepatan mengetik. Kekuatan yang memungkinkan Rakuten menambahkan fitur baru ke dalam basis kode raksasa sebesar 12,5 juta baris hanya dalam waktu 7 jam bukanlah kemampuan coding pengembangnya, melainkan kemampuan koordinasi alur kerja agentic yang canggih.

Kini, pengembang tidak lagi menjadi penulis yang menulis kode secara langsung, melainkan harus menjadi maestro yang memimpin orkestra bernama AI. Wawasan arsitektural untuk memaksimalkan efisiensi konsumsi token dan merancang sistem transfer pengetahuan antar agen akan menentukan nilai Anda. Mulailah sekarang dengan membangun file konfigurasi GSDrc pada proyek Anda dan visualisasikan utang teknis (technical debt) yang ada.