Studi Harvard Ungkap Ironi AI Coding: 30 Persen Kode Lebih Banyak, Nol Tiket Beres

Sebuah studi Harvard tahun 2026 terhadap 718 perusahaan membongkar paradoks yang selama ini disembunyikan di balik euforia AI coding. Hasilnya cukup menohok: agen AI yang dipakai untuk menulis kode justru menghasilkan 30 persen lebih banyak baris kode, tetapi tidak menutup satu tiket pun tambahan. Penyebabnya bukan karena AI-nya bodoh, melainkan karena waktu review melonjak 49 persen. Angka ini langsung memicu pertanyaan besar: apakah kita sedang menambah kecepatan produksi, atau hanya memindahkan beban kerja ke tahap yang lebih mahal?

Randal L. Schwartz, pengembang senior yang sudah malang melintang sejak era bahasa pemrograman awal, tidak tinggal diam. Ia lalu melakukan eksperimen unik dengan memasukkan "Commitment Machine" buatannya dari tahun 1986 ke dalam produksi nyata, diuji langsung di tiga model besar: Gemini, Claude, dan GPT-OSS. Hasilnya ia tuangkan dalam catatan panjang berjudul "926 Steps, Two Lobotomies, and Zero Nudges". Judul itu sendiri sudah seperti puisi pahit bagi para engineer yang lelah menambal kode.

Ketika AI Hanya Menambah Baris, Bukan Menyelesaikan Masalah

Temuan Harvard itu sebenarnya bukan hal baru bagi praktisi yang sudah lama bergelut dengan alat bantu AI. Banyak tim engineering di Silicon Valley dan Jakarta sama-sama merasakan gejala serupa: kode mengalir deras, tapi backlog tiket tidak kunjung surut. Schwartz menyoroti bahwa AI cenderung menghasilkan kode yang secara sintaksis benar, tetapi sering kali mengabaikan konteks sistem yang lebih luas. Alhasil, reviewer harus menghabiskan waktu ekstra untuk memeriksa logika, dependensi, dan potensi regresi.

Dalam eksperimennya, Schwartz mencatat 926 langkah interaksi dengan ketiga model. Ia menemukan dua momen "lobotomi" di mana model tiba-tiba kehilangan jejak konteks dan menghasilkan solusi yang justru merusak fungsionalitas. Menariknya, tidak ada satu pun model yang secara proaktif memberi "nudge" atau sinyal peringatan ketika kode yang dihasilkan berpotensi bermasalah. Semua berjalan mulus di permukaan, tetapi rapuh di lapisan implementasi.

Mengapa Review Jadi Biaya Tersembunyi yang Menggerus Produktivitas

Peningkatan waktu review sebesar 49 persen bukan angka yang bisa diabaikan. Dalam praktiknya, ini berarti setiap pull request yang dihasilkan AI membutuhkan perhatian ekstra dari engineer senior. Padahal, engineer senior adalah sumber daya paling langka di banyak tim. Mereka yang seharusnya fokus pada arsitektur dan strategi justru tersedot ke pekerjaan verifikasi kode yang seharusnya bisa diotomatisasi.

Schwartz menyebut fenomena ini sebagai "beban kognitif yang berpindah". AI memang menulis lebih cepat, tetapi manusia tetap harus memeriksa dengan teliti. Dalam jangka panjang, ini bisa memicu kelelahan dan menurunkan moral tim. Bukan tanpa alasan, beberapa perusahaan mulai membatasi penggunaan AI coding untuk tugas-tugas yang benar-benar repetitif, sementara untuk logika bisnis yang kompleks mereka tetap mengandalkan tangan manusia.

Pelajaran dari Commitment Machine Tahun 1986

Di sinilah eksperimen Schwartz menjadi relevan. Commitment Machine adalah alat sederhana yang ia rancang pada 1986 untuk melacak komitmen pengembang terhadap perubahan kode. Dengan memasukkan alat itu ke pipeline modern, ia bisa mengukur seberapa sering AI menghasilkan kode yang benar-benar sesuai dengan niat awal, bukan sekadar memenuhi syarat sintaksis.

Hasilnya, Gemini, Claude, dan GPT-OSS menunjukkan pola yang mirip: mereka cepat dalam menghasilkan potongan kode, tetapi lemah dalam menjaga konsistensi jangka panjang. Ketika diminta memperbaiki bug, mereka cenderung menambal gejala alih-alih menyelesaikan akar masalah. Ini sejalan dengan kritik yang pernah disampaikan Sam Altman tentang pendekatan tambal bug yang sudah tidak memadai, seperti yang kita ulas dalam artikel tentang era baru rekayasa software.

Relevansi bagi Startup dan Engineer di Indonesia

Bagi ekosistem teknologi Indonesia, temuan ini punya implikasi langsung. Banyak startup di Jakarta, Bandung, dan Surabaya sedang gencar mengadopsi AI coding untuk mengejar kecepatan rilis. Namun, tanpa proses review yang matang, mereka berisiko menumpuk technical debt yang mahal di kemudian hari. Studi Harvard itu menegaskan bahwa AI bukanlah solusi instan untuk backlog. Ia hanya alat, dan alat selalu bergantung pada cara pakai.

Perusahaan yang berhasil biasanya mengombinasikan AI dengan pengujian otomatis yang ketat, dokumentasi yang rapi, dan budaya code review yang sehat. Mereka juga tidak ragu menginvestasikan waktu untuk melatih engineer dalam memahami keterbatasan model. Di sisi lain, ada peluang bagi startup lokal untuk membangun tooling yang membantu tim memverifikasi output AI secara lebih efisien, misalnya dengan analisis statis atau pengujian berbasis properti.

Sinyal bagi Industri: AI Bukan Pengganti, Tapi Pengubah Peran

Ke depan, peran engineer akan bergeser dari penulis kode menjadi kurator dan arsitek sistem. AI akan mengambil alih tugas-tugas rutin, tetapi manusia tetap memegang kendali atas keputusan desain dan validasi. Mereka yang bisa beradaptasi akan mendapatkan keuntungan besar, sementara yang gagal memahami batasan AI akan terjebak dalam siklus perbaikan tanpa akhir.

Schwartz sendiri menyimpulkan bahwa kunci sukses bukanlah memilih model AI terbaik, melainkan membangun proses yang mampu menangkap kesalahan sejak dini. Ia menyarankan agar tim engineering tidak hanya mengandalkan AI untuk menulis kode, tetapi juga memanfaatkannya untuk menganalisis dampak perubahan dan memprediksi potensi regresi. Dengan begitu, waktu review bisa ditekan tanpa mengorbankan kualitas.

Modernisasi alur kerja digital berbasis automasi seperti ini memang terbukti memangkas inefisiensi operasional secara drastis, asalkan dirancang dengan cermat. Jika tim kamu sedang merencanakan arsitektur automasi sistem atau custom software serupa, kamu bisa menjadwalkan sesi konsultasi dan eksplorasi teknis langsung bersama para engineer di Rizallab.

Pada akhirnya, studi Harvard dan eksperimen Schwartz mengingatkan kita bahwa teknologi selalu punya dua sisi. AI coding bisa menjadi akselerator luar biasa, tetapi juga bisa menjadi jebakan produktivitas jika tidak dikelola dengan bijak. Seperti kata Schwartz, "Tidak ada nudge gratis. Setiap baris kode yang dihasilkan AI adalah undangan untuk berpikir lebih kritis." Dan di dunia yang semakin bergantung pada perangkat lunak, kemampuan berpikir kritis tetap menjadi keterampilan yang paling mahal.