Era AI Menulis Kode, Syarat Developer Bertahan Hidup
Di era LLM yang menulis kode, yang terancam bukan 'kemampuan coding' itu sendiri, melainkan 'posisi yang hanya coding'. Tim Rinda berbagi perspektif langsung tentang pergeseran titik berat karier developer di era AI.
Era AI Menulis Kode, Syarat Developer Bertahan Hidup
TL;DR Di tengah memanasnya diskusi soal AI menggantikan developer, yang terancam bukan 'kemampuan coding' itu sendiri, melainkan 'posisi yang hanya coding'. Semakin LLM meratakan kecepatan implementasi, semakin pemahaman domain dan kemampuan mendefinisikan masalah menjadi pembeda nyata seorang developer. Kunci bertahan bukan sekadar memakai tools, tapi apa yang kamu isi di waktu luang yang dihasilkan tools tersebut.
Di tahun 2025, ketika diskusi AI menggantikan developer semakin serius, bahkan senior engineer berpengalaman pun mulai mempertanyakan posisi mereka sendiri. Sebuah pengakuan dari seorang senior engineer di Hacker News mendapat ratusan komentar yang beresonansi: "Belakangan ini selisih kecepatan antara saya dan junior hampir tidak ada. Saya tidak tahu lagi apa keunggulan saya." Bukan pernyataan yang luar biasa baru, tapi mengapa begitu banyak orang merespons? Mungkin karena ada rasa lega—"ternyata bukan cuma saya yang merasakan ini"—sekaligus kegelisahan bahwa jalan keluarnya belum terlihat.
Jujur saja, di dalam tim Rinda pun percakapan serupa pernah muncul. "Ketika LLM sudah bisa menulis kode kita lebih cepat, di waktu itu kita seharusnya ngapain?" Pertanyaan itu muncul di channel Slack dan memicu thread panjang yang berlangsung cukup lama. Tulisan ini adalah kelanjutan dari percakapan tersebut.
Junior Developer: Mengapa Paling Pertama Terpapar Ancaman AI
Pernyataan 'AI menggantikan developer' sebenarnya adalah framing yang terlalu menggeneralisasi. Kenyataannya, kecepatan dan pola erosi sangat berbeda tergantung peran dan tingkat senioritas.
Tugas-tugas yang selama ini dikerjakan junior developer—misalnya menulis CRUD API, generate unit test otomatis, membuat komentar kode dan dokumentasi—sebagian besar sudah terotomasi oleh tools seperti GitHub Copilot atau Cursor. Pekerjaan yang dulu butuh setengah hari untuk seorang junior, kini bisa diselesaikan seorang senior bersama Copilot dalam waktu satu jam.
Sementara itu, posisi senior developer sedikit berbeda. Untuk desain sistem, pertimbangan trade-off, hingga refactoring strategis di codebase legacy berjuta baris, LLM belum mampu menangkap konteks secara menyeluruh. LLM memang andal mengubah masalah yang sudah terdefinisi jelas menjadi kode, tapi soal 'apakah masalah ini perlu dipecahkan dengan cara ini sekarang'—itu masih ranah manusia.
Bidang spesialisasi seperti security, ML, atau embedded system lagi-lagi berbeda. Untuk memverifikasi apakah output LLM benar atau salah, dibutuhkan kedalaman pengetahuan domain—dan kemampuan pertimbangan itulah yang menjadi pembeda senior developer. Survei Stack Overflow Developer Survey 2025 pun menunjukkan tren bahwa semakin tinggi frekuensi penggunaan AI tools, semakin menonjol peran senior developer dalam memvalidasi output tools tersebut.
Yang Terancam Bukan 'Kemampuan Coding', Melainkan 'Posisi yang Hanya Coding'
Di sinilah inti permasalahannya. LLM tidak mengancam karier developer secara langsung. Yang terjadi adalah: berkat LLM, pertanyaan 'apa kontribusi orang ini selain coding?' kini terjawab jauh lebih cepat dari sebelumnya. Tools hanya mempercepat terungkapnya kondisi sebenarnya.
Sebagai analogi: ketika mesin penerjemah muncul, penerjemah konvensional memang terancam—tapi permintaan terhadap spesialis lokalisasi yang memahami budaya dan konteks negosiasi setempat justru meningkat. Prinsip yang sama berlaku di sini: semakin kecepatan coding diratakan, semakin langka developer yang bisa menjelaskan 'apa yang dibuat dan mengapa'.
Tim Rinda merasakan ini secara langsung. Saat menentukan prioritas fitur baru, energi yang dihabiskan untuk mendefinisikan 'mengapa ini dibutuhkan sekarang' jauh lebih besar daripada waktu yang diperlukan untuk menulis kodenya. User segment mana yang problemnya perlu diselesaikan lebih dulu? Apakah fitur ini tidak akan bertabrakan dengan arah produk enam bulan ke depan? Pertanyaan-pertanyaan semacam itu tidak bisa dibantu oleh LLM.
Mengapa Individu dan Perusahaan Membaca Realita yang Sama secara Bertolak Belakang
Menariknya, fenomena yang sama dibaca secara berlawanan oleh individu dan perusahaan.
Bagi developer secara individu, ada perasaan daya tawar yang perlahan melemah. Jika output berkualitas serupa bisa dihasilkan lebih sedikit orang dalam waktu lebih singkat, leverage individu memang berkurang—dan perasaan ini bukan kecemasan berlebihan. Sebaliknya, dari sisi perusahaan, ini berarti roadmap produk yang sama bisa dieksekusi dengan tim yang lebih kecil. Laporan McKinsey 2024 tentang produktivitas pengembangan software mencatat bahwa tim pengembang yang mengadopsi tools AI generatif mengalami peningkatan kecepatan penulisan kode hingga 2x lipat untuk tugas-tugas tertentu. Apa yang dulu dikerjakan 50 orang di perusahaan besar kini bisa dilakukan 20 orang—artinya peluang asimetris terbuka lebar bagi startup dan UKM.
Rinda adalah tim yang merasakan langsung pergeseran ini. Kami adalah tim kecil yang membangun fitur pencarian buyer luar negeri untuk perusahaan eksportir. Di awal, setiap kali menambahkan dukungan bahasa baru, biayanya cukup besar. Untuk bahasa dengan struktur yang sangat berbeda—Korea, Inggris, Spanyol, Arab—sekadar menempelkan translation API tidak cukup. Kami harus mempertimbangkan bagaimana buyer dari masing-masing kawasan bahasa mencari informasi dan membaca sinyal kepercayaan.
Setelah mengadopsi AI tools, perubahan yang paling berarti bukan kecepatan implementasi kode yang meningkat, melainkan tersedianya ruang untuk fokus pada 'apa yang harus dipecahkan lebih dulu'. Dengan berkurangnya beban implementasi, kami bisa lebih cepat bereksperimen: kawasan bahasa mana yang perlu didukung duluan, sinyal buyer mana yang benar-benar berujung pada pertemuan nyata. Di sinilah alasan mengapa kalimat "dengan mempersingkat waktu coding, kami bisa lebih fokus memutuskan masalah mana yang harus diselesaikan lebih dulu" sering terucap dalam tim kami.
Ini berkaitan langsung dengan diskusi karier developer. Semakin AI tools mengambil alih implementasi, semakin penting peran dalam memutuskan 'apa yang akan dibuat'. Kualitas keputusan itu ditentukan oleh seberapa dalam kamu memahami domain yang bersangkutan—baik dalam konteks ekspor maupun pengembangan software secara umum, prinsipnya sama.
Tolok Ukur yang Memisahkan Developer yang Bertahan di Era LLM
Dari developer yang sudah benar-benar mengubah arah, pola sukses dan gagalnya cukup jelas terlihat.
Kasus-kasus sukses memiliki kesamaan: backend developer yang memperluas perannya ke desain AI pipeline sekaligus membangun kedalaman di domain spesifik (logistik, fintech, kesehatan, dll). Atau fullstack developer yang bergeser dari sekadar implementor menjadi product engineer yang turut menentukan arah produk. Kuncinya bukan 'menggunakan LLM tools', tapi 'apa yang diisi di waktu luang yang tercipta berkat LLM'.
Namun pola gagal pun sama jelasnya: fokus menguasai cara pakai GitHub Copilot, Cursor, atau ChatGPT, tapi tidak seiring membangun kedalaman di domain yang digeluti. Orang yang pandai memakai tools semakin banyak, tapi orang yang bisa memverifikasi apakah hasil tools itu benar masih langka.
Salah satu anggota tim Rinda pernah berbagi cerita ini:
"Waktu LLM mulai menulis kode saya lebih cepat, saya introspeksi—apa yang sebenarnya saya lakukan selama itu? Ternyata saya tidak sedang mereview output-nya, saya cuma menunggu."
Pengakuan itu cukup lama dibicarakan dalam tim. Di tengah tren AI yang menggantikan developer, mungkin pertanyaan-pertanyaan ini bisa menjadi bahan evaluasi diri yang lebih jujur:
- Bisakah saya menjelaskan masalah inti dari layanan yang sedang saya bangun—tanpa menulis kode sama sekali?
- Di waktu luang yang tercipta dari LLM tools, sekarang saya sedang mengisi dengan apa?
- Dalam tim, apakah saya orang yang paling dalam memahami domain bisnis yang saya geluti?
- Apakah dalam satu bulan terakhir saya pernah menjelaskan mengapa kode yang saya tulis dibutuhkan—kepada orang non-developer?
- Ketika AI tools memberikan jawaban yang salah, apakah saya langsung bisa mendeteksinya?
Yang Perlu Dievaluasi Sekarang Juga
Yang lebih penting dari kemampuan coding adalah seberapa dalam kamu memahami masalah yang diselesaikan oleh kode tersebut. Semakin dalam pengetahuan domain, semakin mudah menangkap error dari output LLM, dan semakin mampu menilai 'apakah kita harus membangun ini ke arah ini'.
Dilihat dari sisi tim, bukan soal apakah AI tools sudah diadopsi atau belum—yang menentukan daya saing nyata sebuah tim adalah 'seberapa besar developer dilibatkan dalam proses memutuskan apa yang akan dibangun'. Tim yang cepat dalam pertimbangan arah lebih tahan lama daripada tim yang cepat hanya dalam implementasi.
Kriteria memilih tim untuk bergabung pun sudah berubah. Lebih penting dari tech stack yang digunakan adalah bagaimana tim tersebut memaknai transformasi AI dan sejauh mana mereka sudah bereksperimen secara internal. Kesenjangan antara tim yang cepat beradaptasi dan tim yang masih menunggu terus melebar—bahkan saat ini.
Tim Rinda terus mengajukan pertanyaan-pertanyaan ini. Bukan karena ada jawaban sempurna, tapi karena kami ingin menjadi tim yang sering bertanya. Jika kamu punya kegelisahan serupa, kami ingin berbincang.
Penulis · Tim Riset Sales Ekspor RINDA (Editor riset pencarian buyer luar negeri & otomasi sales ekspor)
Berdasarkan data pipeline pencarian buyer luar negeri dari 200+ perusahaan eksportir Korea dan observasi internal platform RINDA, kami menyusun strategi dan checklist yang langsung bisa diterapkan dalam praktik ekspor.
Seperti yang dibahas dalam tulisan ini, syarat bertahan developer di era AI pada akhirnya menyempit ke satu hal: 'mampukah kamu menilai mana output tools yang benar dan mana yang salah?' Kemampuan penilaian itu lahir dari pemahaman domain, dan terasah lewat pengalaman verifikasi yang berulang.
Dunia sales ekspor pun tidak berbeda. Struktur di mana setiap kali harus meneliti dan memutuskan sendiri buyer mana yang benar-benar punya potensi beli, atau pasar mana yang harus dimasuki lebih dulu—itu tidak akan bertahan lama. Prinsip utamanya: otomasi pertimbangan yang repetitif dan berpola, sementara manusia fokus mereview hasilnya dan menyesuaikan strategi. Itulah inti penerapan AI tools dalam sales ekspor. RINDA adalah tools yang sedang mengeksperimentasikan proses tersebut di area pencarian buyer luar negeri dan riset sales ekspor. Jika tertarik, langsung cek sendiri.
Pertanyaan yang Sering Diajukan
Q. Sebagai junior developer, ke arah mana yang paling realistis untuk mengembangkan kemampuan saat ini?
Menguasai cara pakai LLM tools sudah menjadi standar dasar. Diferensiasi datang setelahnya. Yang paling realistis sekarang adalah sengaja meluangkan waktu untuk memahami konteks industri atau domain layanan tempat kamu bekerja. Kemampuan mendeteksi ketika kode yang dihasilkan LLM salah pun pada akhirnya berakar dari pemahaman domain. Junior yang bertahan di tengah tren AI menggantikan developer justru lebih dulu membangun kedalaman domain daripada keahlian menggunakan tools.
Q. Apakah saat perusahaan mengadopsi AI tools, skala rekrutmen benar-benar berkurang?
Dalam jangka pendek, logika bahwa output yang sama bisa dihasilkan oleh lebih sedikit orang memang bisa berlaku. Namun seperti yang juga disebutkan dalam laporan McKinsey, peningkatan produktivitas sering kali berujung pada akselerasi kecepatan produk—bukan pengurangan rekrutmen. Bergantung pada apakah tim memandang transformasi AI sebagai 'penghematan biaya' atau 'percepatan laju', strateginya pun berbeda.
Q. 'Product engineer' sering disebut-sebut, apa bedanya dengan developer biasa?
Ini adalah peran yang di atas kemampuan implementasi kode, ditambah dengan kemampuan menentukan arah produk, mendefinisikan masalah user, dan memahami konteks bisnis. Bukan profesi yang sepenuhnya berbeda, melainkan perluasan cakupan keterlibatan developer yang sudah ada. Seiring AI tools menyerap banyak bagian dari implementasi, 'perluasan cakupan' ini bergeser dari pilihan menjadi syarat bertahan—dan inilah posisi yang paling mencerminkan perubahan peran developer di era AI.
