Kecerdasan buatan semakin banyak digunakan untuk menulis kode, tetapi hal ini tidak selalu menghasilkan perangkat lunak yang lebih cepat.
Salah satu data paling menarik yang pernah saya baca tentang agen pengkodean berbasis kecerdasan buatan adalah ini: lebih banyak kode tidak selalu berarti lebih banyak perangkat lunak yang dihasilkan.
Penelitian dari Fiona Chen dan James Stratton dari Harvard menganalisis data dari lebih dari 700 perusahaan perangkat lunak, melibatkan lebih dari 700.000 karyawan dan 300 juta kejadian pekerjaan, dari tahun 2021 hingga Maret 2026. Setelah agen pengkodean diterapkan, jumlah baris kode rata-rata meningkat sebesar 30%, jumlah *commit* meningkat sebesar 20%, dan jumlah permintaan *pull* meningkat sebesar 23%.
Namun, pertanyaan utamanya adalah: apakah ini benar-benar meningkatkan produktivitas? Secara statistik, tidak ada perubahan signifikan yang terlihat pada tingkat penyelesaian *bug*, tugas, dan fitur yang dilacak dalam alat seperti Jira.
Keterlambatan utama terjadi pada proses peninjauan kode. Waktu yang dibutuhkan dari pengiriman permintaan *pull* hingga penerimaan ke basis kode utama meningkat sebesar 49%. Tingkat permintaan *pull* yang memerlukan perubahan hampir dua kali lipat, jumlah komentar per permintaan *pull* meningkat sebesar 35%, dan persentase karyawan yang melakukan peninjauan kode juga meningkat sebesar 14%. Dengan kata lain, sebagian besar peningkatan kecepatan yang diperoleh dalam proses penulisan kode hilang karena waktu yang dibutuhkan untuk peninjauan dan perbaikan.
Perusahaan mencoba mengatasi masalah ini dengan kecerdasan buatan: pada Maret 2026, 80% perusahaan yang diteliti menggunakan semacam alat peninjauan kode berbasis kecerdasan buatan. Namun, hanya 23,3% dari komentar peninjauan yang berasal dari agen, dan agen hanya berkontribusi pada 10,8% dari permintaan *pull*. Sebagian besar pekerjaan masih dilakukan oleh manusia. Selain itu, tidak ada perubahan signifikan yang terlihat pada jumlah karyawan aktif, setidaknya selama periode yang diteliti.
Penting untuk dicatat bahwa data berakhir pada Maret 2026, dan alat-alat tersebut telah berkembang sejak saat itu. Namun, kesimpulan yang saya dapatkan jelas: untuk meningkatkan produktivitas, kita perlu mempercepat tidak hanya proses penulisan kode, tetapi juga proses peninjauan, perbaikan, dan integrasi.
Berita dari Ars Technica: https://arstechnica.com/ai/2026/10/ai-coding-agents-generate-more-cod…
PDF dari penelitian: https://fion.ac/jellyfish.pdf
Sumber: DonanımHaber
Penelitian dari Fiona Chen dan James Stratton dari Harvard menganalisis data dari lebih dari 700 perusahaan perangkat lunak, melibatkan lebih dari 700.000 karyawan dan 300 juta kejadian pekerjaan, dari tahun 2021 hingga Maret 2026. Setelah agen pengkodean diterapkan, jumlah baris kode rata-rata meningkat sebesar 30%, jumlah *commit* meningkat sebesar 20%, dan jumlah permintaan *pull* meningkat sebesar 23%.
Namun, pertanyaan utamanya adalah: apakah ini benar-benar meningkatkan produktivitas? Secara statistik, tidak ada perubahan signifikan yang terlihat pada tingkat penyelesaian *bug*, tugas, dan fitur yang dilacak dalam alat seperti Jira.
Keterlambatan utama terjadi pada proses peninjauan kode. Waktu yang dibutuhkan dari pengiriman permintaan *pull* hingga penerimaan ke basis kode utama meningkat sebesar 49%. Tingkat permintaan *pull* yang memerlukan perubahan hampir dua kali lipat, jumlah komentar per permintaan *pull* meningkat sebesar 35%, dan persentase karyawan yang melakukan peninjauan kode juga meningkat sebesar 14%. Dengan kata lain, sebagian besar peningkatan kecepatan yang diperoleh dalam proses penulisan kode hilang karena waktu yang dibutuhkan untuk peninjauan dan perbaikan.
Perusahaan mencoba mengatasi masalah ini dengan kecerdasan buatan: pada Maret 2026, 80% perusahaan yang diteliti menggunakan semacam alat peninjauan kode berbasis kecerdasan buatan. Namun, hanya 23,3% dari komentar peninjauan yang berasal dari agen, dan agen hanya berkontribusi pada 10,8% dari permintaan *pull*. Sebagian besar pekerjaan masih dilakukan oleh manusia. Selain itu, tidak ada perubahan signifikan yang terlihat pada jumlah karyawan aktif, setidaknya selama periode yang diteliti.
Penting untuk dicatat bahwa data berakhir pada Maret 2026, dan alat-alat tersebut telah berkembang sejak saat itu. Namun, kesimpulan yang saya dapatkan jelas: untuk meningkatkan produktivitas, kita perlu mempercepat tidak hanya proses penulisan kode, tetapi juga proses peninjauan, perbaikan, dan integrasi.
Berita dari Ars Technica: https://arstechnica.com/ai/2026/10/ai-coding-agents-generate-more-cod…
PDF dari penelitian: https://fion.ac/jellyfish.pdf
Sumber: DonanımHaber
Komentar 0
Tinggalkan komentar pertama, dalam bahasa apa pun.
Masuk untuk berkomentar