00:00:00apa yang benar-benar membedakan developer yang akan berkembang pesat dengan mereka yang akan tergantikan.
00:00:04Sejak AI mulai dikenal luas, teknologi ini telah mulai mengotomatiskan banyak hal bagi kita,
00:00:08mengubah alur kerja kita sepenuhnya, seperti yang Anda lihat di video sebelumnya bahwa
00:00:12Claude telah menjadi pengatur berbagai agen. Developer software adalah yang pertama mengadopsinya
00:00:17secara masif karena sebagian besar pekerjaan mereka melibatkan penulisan kode berulang yang sering kali
00:00:21tidak efisien. Kini AI adalah bagian utama dari alur kerja setiap developer, dan jika Anda masih menggunakan
00:00:26AI dengan cara yang sama seperti enam bulan lalu, Anda tertinggal. Terkait skenario ini,
00:00:31Anthropic merilis sebuah artikel yang membahas tren dalam pengembangan software. Saat kami membicarakannya
00:00:35di dalam tim kami, kami merasa hal itu sangat menyatu dengan alur kerja kami dan sangat relevan.
00:00:40Siklus hidup pengembangan software berubah drastis. Siklus yang dulunya memakan waktu
00:00:46berminggu-minggu atau berbulan-bulan, kini terjadi dalam hitungan jam karena AI. Siklus hidup tradisional dulunya seperti ini.
00:00:51Perencanaan dan desain berminggu-minggu, implementasi dan pengujian, tinjauan, lalu siklus tersebut berulang.
00:00:56Hal itu berubah dengan AI. Sekarang Anda hanya perlu menyampaikan maksud Anda, dan agen akan menghasilkan implementasinya.
00:01:01Satu-satunya bagian di mana manusia masih terlibat adalah peninjauan dan penyampaian maksud. Sisanya
00:01:05ditangani oleh agen AI. Ini mengubah makna rekayasa software sepenuhnya. Pengembangan software
00:01:11tidak lagi berarti menulis kode. Melainkan mengoordinasikan agen yang menulis kode, memberikan
00:01:16arahan strategis, dan memastikan sistem bekerja sesuai harapan. Bahkan proses adaptasi pun telah menyusut
00:01:21dari hitungan minggu menjadi jam. AI dapat mengeksplorasi basis kode dan membantu anggota baru beradaptasi seketika. Dan sekarang,
00:01:26karena fokus kita adalah mengarahkan agen, semua orang menjadi full stack engineer alih-alih
00:01:30spesialis di satu bidang saja. Engineer dapat bekerja hanya dengan pengetahuan dasar tentang stack mereka,
00:01:35dan AI akan mengisi celah saat mereka kurang pengetahuan. Hal ini memungkinkan umpan balik yang lebih ketat dan pembelajaran
00:01:40yang lebih cepat. Koordinasi antar-tim yang berhari-hari kini menjadi satu sesi kerja saja. Ini persis seperti apa yang
00:01:45diprediksi CEO Linear dalam artikelnya bahwa bagian tengah dari alur kerja software telah digantikan
00:01:50oleh AI. Dan jika Anda masih menghabiskan waktu di fase tengah tersebut, Anda bekerja melawan arus perubahan ini.
00:01:55Dan ini membawa kita kembali ke prinsip yang sama yang terus kita bicarakan. Anda harus efektif
00:01:59dalam perencanaan dan menyampaikan maksud Anda dengan istilah yang jelas. Keahlian yang paling penting sekarang adalah kejelasan,
00:02:05yaitu mendeskripsikan dengan tepat apa yang Anda butuhkan dan membuat agen memberikan produk terbaik. Sebelum kita lanjut,
00:02:10Team AI Labs akan menghadiri Web Summit 2026 yang diadakan di Doha, Qatar. Jika Anda hadir
00:02:16atau berada di dekat sana, inilah kesempatan Anda untuk bertemu dengan tim, terhubung, dan belajar dari kami.
00:02:20Sampai jumpa di sana. Kita telah berevolusi dari agen tunggal menjadi sistem multi-agen. Kami telah
00:02:26membahas ini di video sebelumnya bahwa Claude Code kini telah mengimplementasikan arsitektur
00:02:31multi-agen di dalam produk mereka. Sebelumnya, strukturnya menangani pengembangan dengan satu
00:02:36agen yang memiliki satu jendela konteks dan mengelola semua tugas sendirian. Masalahnya adalah satu
00:02:41jendela konteks cepat menjadi penuh karena terlalu banyak informasi di memori kerjanya,
00:02:46membuatnya kehilangan fokus. Sekarang ada agen orkestrator yang bertindak seperti manajer proyek dan
00:02:51mendelegasikan tugas ke agen spesialis. Masing-masing agen memiliki jendela konteksnya sendiri lalu
00:02:56mengintegrasikan hasilnya untuk menghasilkan produk akhir. Meskipun Claude menangani pembuatan dan
00:03:00pengelolaan agen sendiri, kami membuat agen kami sendiri untuk tugas-tugas khusus. Kami menggunakan agen ini karena
00:03:06mereka disesuaikan menurut preferensi kami menggunakan model Claude yang berbeda berdasarkan tingkat kesulitan
00:03:10tugas dan berisi instruksi untuk memandu agen tersebut. Sub-agen kini menjadi lebih baik karena
00:03:15Anda sekarang bisa membiarkan mereka berjalan di latar belakang, menangani berbagai aspek aplikasi
00:03:18secara bersamaan, mempercepat seluruh proses. Agen yang berjalan lama akan menjadi lebih mumpuni.
00:03:24Agen telah berkembang dari sekadar membangun fitur demi fitur menjadi mampu membangun sistem lengkap secara mandiri.
00:03:28Ini mulai muncul pada akhir 2025, sejak model seperti Opus 4.5 dan GPT 5.2 dirilis.
00:03:35Di tahun 2026, agen akan mampu bekerja selama berhari-hari dengan intervensi manusia yang minimal. Sebelumnya,
00:03:41agen menangani bagian kecil dari sebuah aplikasi. Sekarang mereka membangun dan menguji seluruh
00:03:46aplikasi dan sistem sambil memverifikasi apakah sistem berfungsi sebelum lanjut ke fitur berikutnya.
00:03:50Kami telah mendedikasikan satu video yang menjelaskan cara membuat sistem yang berjalan lama menjadi lebih efektif,
00:03:55yang bisa Anda tonton di channel ini. Dengan alat dan alur kerja yang tepat, agen mampu merencanakan,
00:04:00mengiterasi, dan mereka bangkit dari kegagalan secara massal. Ini mengubah ekonomi pengembangan software. Di perusahaan
00:04:04besar, software menumpuk utang teknis bertahun-tahun yang tidak sempat diatasi siapa pun. Sekarang agen
00:04:10dapat secara aktif mengerjakan tumpukan tugas tersebut. Ini juga membuka jalan bagi para pengusaha. Sebelumnya,
00:04:15kendala utamanya adalah kesenjangan keterampilan dan waktu. Orang punya ide tetapi kurang sumber daya untuk membangunnya. Dengan
00:04:20agen otonom, startup kini dapat membangun dan meluncurkan produk dalam hitungan hari. Kami juga menggunakan agen
00:04:25yang berjalan lama untuk tugas-tugas kami. Alur kerja kami untuk tugas jangka panjang menggunakan Claude.md yang berisi instruksi. Kami
00:04:31memandu Claude untuk menguji setelah setiap implementasi. Agar sebuah fitur selesai dengan baik, Claude butuh cara
00:04:36untuk memverifikasi bahwa fitur itu berfungsi. Kami menguji menggunakan agen secara internal, dan untuk pengujian visual kami menggunakan Claude
00:04:41Chrome. Setelah pengujian selesai dari perspektif agen dan verifikasi visual,
00:04:46kami melakukan commit perubahan ke Git dengan pesan deskriptif. Ini penting karena agen cenderung
00:04:50memodifikasi kode dan tes yang tidak kami minta. Git memudahkan kita untuk melakukan rollback. Kami selalu meminta Claude
00:04:56untuk mendokumentasikan keputusan yang dibuat, sehingga commit bersih dan siap dikirim. Untuk memaksimalkan waktu,
00:05:01kami meminta Claude memecah tugas menjadi unit-unit kecil yang independen dan menugaskan agen untuk mengerjakannya
00:05:06secara bersamaan. Jika Anda menginginkan Claude.md dan agen-agen ini agar bisa digunakan untuk proyek
00:05:11Anda sendiri, Anda bisa menemukannya di AI Labs Pro. Bagi yang belum tahu, itu adalah komunitas
00:05:16yang baru kami luncurkan di mana Anda mendapatkan templat siap pakai, prompt, semua perintah, dan keterampilan
00:05:21yang bisa langsung Anda pasang ke proyek Anda untuk video ini dan semua video sebelumnya. Jika Anda
00:05:25merasa konten kami bermanfaat dan ingin mendukung channel ini, inilah cara terbaik. Tautan ada di deskripsi.
00:05:30Pengawasan manusia kini berskala besar melalui kolaborasi cerdas. Karena agen menjadi semakin
00:05:35pintar, mereka dapat meninjau hasil jauh lebih cepat daripada kita. Kita tidak bisa meninjau output skala besar yang
00:05:40dihasilkan model secepat agen melakukannya, jadi kita mengandalkan mereka untuk segala jenis
00:05:45peninjauan seperti kerentanan keamanan, konsistensi arsitektur, dan masalah kualitas.
00:05:50Memeriksa basis kode yang tidak Anda tulis itu melelahkan. Agen menanganinya sekarang. Agen juga
00:05:55belajar untuk meminta bantuan. Alih-alih membabi buta mencoba tugas, mereka tahu kapan input manusia
00:06:00dibutuhkan dan mengajukan pertanyaan sebagai bagian dari tim. Tim kami sudah menyadari pola ini pada Claude.
00:06:05Saat kami bilang hasilnya terlihat buruk, ia mengajukan pertanyaan klarifikasi tentang apa yang tidak memenuhi
00:06:10ekspektasi kami dan bagaimana cara memperbaikinya. Pengawasan beralih dari meninjau segalanya menjadi meninjau
00:06:15apa yang penting saja. Kita hanya perlu meninjau kasus luar biasa di mana masalah mungkin muncul. Ini juga
00:06:20menjawab pertanyaan apakah AI akan menggantikan developer. Meskipun kemampuan AI terus berkembang, peran
00:06:26manusia tetap menjadi pusatnya. Perubahan utamanya adalah pergeseran dari menulis kode menjadi meninjau kode dan
00:06:30mengarahkan output AI. Salah satu engineer Anthropic mengatakan praktik terbaik bekerja dengan AI adalah
00:06:36menggunakannya saat Anda tahu seperti apa jawaban yang benar seharusnya. Orang yang tahu jawabannya adalah mereka
00:06:41dengan pengalaman rekayasa software nyata yang telah mempelajari konsep pemrograman dengan cara yang sulit. Dan bagaimana
00:06:46Anda tahu jawaban yang benar jika Anda tidak tahu metode mana yang digunakan untuk tujuan apa? Misalnya,
00:06:50untuk pengujian Anda perlu menggunakan pendekatan spesifik. Kami sudah menunjukkan cara menggunakan pendekatan test-driven,
00:06:56white box testing dan black box testing. Kami juga sudah membahas pengujian visual menggunakan alat seperti
00:07:01ekstensi Claude Chrome dan Puppeteer MCP. Juga, jika Anda menyukai konten kami, pertimbangkan untuk
00:07:06menekan tombol hype karena itu membantu kami membuat lebih banyak konten seperti ini dan menjangkau lebih banyak orang.
00:07:12Pengodean agen (agentic coding) merambah ke layanan dan pengguna baru yang belum pernah kita lihat sebelumnya. Di awal
00:07:172025, pengodean AI sebagian besar efektif untuk framework populer dan sering kesulitan dengan sistem yang
00:07:23menggunakan bahasa lama atau framework yang jarang digunakan. Itulah sebabnya aplikasi yang paling lancar
00:07:28adalah yang berbasis React karena framework tersebut adalah fokus utama pelatihan model.
00:07:32Pada tahun 2026, pengodean agen akan merambah ke konteks yang tidak bisa dijangkau alat pengembangan tradisional,
00:07:38termasuk dukungan untuk bahasa lama seperti COBOL, FORTRAN, dan bahasa spesifik domain lainnya. Ini
00:07:44akan membuat pemeliharaan sistem lama lebih mudah dengan menghilangkan kebutuhan untuk menelusuri
00:07:48dokumentasi kuno. AI telah membuat pengembangan software dapat diakses oleh non-developer, membuka
00:07:53peluang bagi orang-orang non-tradisional di bidang seperti keamanan siber, operasional, dan sains data.
00:07:58Peluncuran co-work sudah menunjukkan kemajuan ke arah ini. Hambatan yang memisahkan
00:08:03orang yang bisa coding dan yang tidak menjadi semakin tidak terlihat seiring kemajuan AI.
00:08:08Misalnya, seseorang di tim keamanan dapat menggunakan AI untuk memahami kode yang asing guna
00:08:13menemukan masalah. Tim riset telah menggunakannya untuk membangun visualisasi front-end untuk
00:08:18data mereka dan karyawan non-teknis sudah menggunakan AI di bidang yang asing bagi mereka seperti jaringan
00:08:24dan analitik data. Ini adalah sesuatu yang sudah dilakukan tim kami. Salah satu anggota tim kami tidak
00:08:28begitu paham Golang tetapi ditugaskan membuat back-end untuk aplikasi chat. Mereka mengaktifkan
00:08:33plan mode dan membuat seluruh rencana dengan menjawab pertanyaan tentang aplikasinya. Claude membangun seluruh
00:08:38server dalam sekali jalan, dan bekerja persis seperti yang diharapkan. Ini menghemat waktu yang biasanya terbuang untuk belajar
00:08:43bahasa baru hanya untuk satu tugas. Peningkatan produktivitas akan mengubah ekonomi pengembangan software.
00:08:48Kami sudah menyebutkan bagaimana lini masa dipadatkan karena agen menangani bagian-bagian yang sulit.
00:08:53Tiga faktor saling memperkuat: kemampuan agen, peningkatan orkestrasi, dan pengalaman
00:08:58manusia. Bersama-sama mereka memadatkan jadwal dan mengubah apa yang layak untuk dibangun. Proyek yang dulunya
00:09:03dianggap terlalu sulit kini menjadi layak, memungkinkan produk masuk ke pasar lebih cepat.
00:09:08Agen membantu tim bekerja dengan lebih sedikit orang. Lini masa proyek lebih pendek, memungkinkan kita mencapai
00:09:12pengembalian investasi (ROI) yang lebih cepat. Fitur yang dulunya memakan waktu lama sekarang dapat dibangun dalam waktu singkat.
00:09:17Tapi sebelum kita lanjut, mari dengarkan pesan dari sponsor kami, Luma AI. Jika Anda pernah
00:09:22mencoba-coba video AI sebelumnya, Anda tahu betapa frustrasinya. Biasanya rasanya seperti main judi slot.
00:09:26Tapi model baru Luma AI, Ray3Modify, benar-benar mengubah keadaan dengan memberikan kemampuan modifikasi
00:09:33yang selama ini ditunggu-tunggu oleh para developer. Alih-alih hanya memasukkan prompt dan berdoa,
00:09:37Anda sekarang bisa mengambil sebuah video dan mengubah gayanya sepenuhnya, mengganti lingkungan atau pencahayaan sambil tetap
00:09:42mempertahankan gerakan dan fisika aslinya. Ia menghargai data input Anda. Ia tidak hanya menghasilkan
00:09:47derau acak. Ini adalah video-ke-video yang menjaga integritas struktural. Ditambah dengan referensi karakter,
00:09:52Anda akhirnya bisa menjaga subjek Anda tetap konsisten di berbagai bidikan, yang biasanya mustahil dilakukan.
00:09:57Ini pertama kalinya video AI terasa seperti alat yang dapat dikendalikan, bukan sekadar mainan.
00:10:01Jadikan produksi kecil terasa megah. Pindai kode QR di layar atau cek tautan di komentar yang disematkan
00:10:07dan coba Ray3 di Dream Machine hari ini. Ada peningkatan jumlah kasus penggunaan non-teknis
00:10:12di berbagai organisasi. Tim di bagian penjualan, pemasaran, hukum, dan operasional kini dapat menggunakan pengodean AI untuk
00:10:18mengotomatiskan alur kerja dan membangun alat tanpa dukungan tim engineering. Agen AI dapat beroperasi
00:10:24langsung di bawah bimbingan mereka dan mengembangkan sistem. Orang-orang dengan keahlian domain dan pemahaman mendalam
00:10:29tentang masalah yang mereka hadapi menggunakan agen untuk memulai solusi sendiri. Misalnya, seseorang yang bekerja
00:10:34di bagian akuntansi atau departemen lain memahami masalah yang mereka hadapi lebih baik dari siapa pun.
00:10:39Mereka dapat menginstruksikan agen dan mendapatkan solusi yang berfungsi tanpa menunggu tim developer. Tim kami sudah
00:10:44menggunakan Claude dalam alur kerja kami. Kami mengotomatiskan pekerjaan non-pengembangan yang membosankan seperti dokumentasi,
00:10:49ideasi, dan riset menggunakan Claude code, sehingga kami bisa fokus pada bagian kreatif dan menarik dari pekerjaan kami.
00:10:55Pengodean agen meningkatkan pertahanan sekaligus potensi serangan siber. Keamanan dan AI adalah pedang bermata
00:11:00dua. AI yang sama yang dapat menelusuri basis kode dan membantu adaptasi juga mampu
00:11:06mengeksploitasi kerentanan di dalamnya. Pengetahuan keamanan tidak lagi terbatas pada security engineer.
00:11:10Engineer mana pun dapat bertindak sebagai peninjau keamanan, menangani penguatan dan pemantauan sistem.
00:11:15Karena security engineer adalah spesialis domain, mereka tetap perlu dikonsultasikan. Namun dengan menggabungkan
00:11:20AI dengan pengetahuan mereka, membangun, memperkuat, dan mengamankan aplikasi menjadi lebih mudah. Sementara
00:11:25security engineer dapat mempertahankan aplikasi, akan ada kasus penggunaan ofensif juga. Tahun lalu,
00:11:30kita melihat serangan terkoordinasi yang dilakukan menggunakan Claude code dan alat-alatnya. Ini berarti kemampuan
00:11:35agen akan mengembangkan jenis serangan yang kita lihat, menjadikannya lebih cerdas dan berbahaya
00:11:39dari sebelumnya. Mengamankan sistem akan menjadi sangat krusial dan engineer perlu
00:11:44fokus pada keamanan sejak awal. Agen AI akan memainkan peran yang berkembang dalam sistem pertahanan siber,
00:11:49memungkinkan respons yang menandingi kecepatan serangan ofensif. Kita perlu bersiap sebelum
00:11:53serangan terjadi. Kami juga memperkirakan lonjakan serangan zero-day, membuat persiapan proaktif menjadi lebih
00:11:58penting. Saat tim kami membuat aplikasi, kami menggunakan agen khusus untuk keamanan. Agen-agen ini
00:12:03menangani tinjauan kode, pengujian, dan keamanan sisi server, lapisan di mana kami mengontrol akses.
00:12:08Mengamankan aplikasi dapat dilakukan menggunakan berbagai kombinasi tergantung pada aplikasinya,
00:12:12baik itu keterampilan bawaan, perintah siap pakai untuk tujuan build, atau alat dari MCP eksternal.
00:12:18Lebih baik menggunakan alat eksternal seperti CodeRabbit karena alat tersebut dibuat untuk menangkap pola
00:12:22kerentanan yang diketahui sejak dini. Itu membawa kita ke akhir video ini. Jika Anda ingin mendukung
00:12:26channel ini dan membantu kami terus membuat video seperti ini, Anda dapat melakukannya dengan bergabung di AI Labs Pro.
00:12:31Seperti biasa, terima kasih telah menonton dan sampai jumpa di video berikutnya.