Agentic AI memecahkan pengkodean — dan mengungkap setiap masalah lain dalam rekayasa perangkat lunak
Agentic AI kini menjadi bagian inti dari proses rekayasa, mendorong leverage eksekusi besar-besaran dan membantu kami menghasilkan lebih banyak kode dibandingkan sebelumnya. Namun, pertanyaan sulit yang semakin sering saya dengar dari para pemimpin bisnis adalah: jika kita mengirimkan kode lebih cepat dari sebelumnya, mengapa produk kita tidak mengalami peningkatan pada tingkat yang sama? Alasannya adalah menulis kode tidak pernah menjadi pembatas kecepatan. Mendefinisikan persyaratan yang tepat, mengintegrasikan dengan sistem yang kompleks, dan memelihara perangkat lunak dalam kondisi dunia nyata selalu menjadi bagian yang sulit. Dan ketika agen membanjiri organisasi dengan banyak kode baru, bagian tersulitnya akan semakin sulit. Agen memampatkan waktu eksekusi. Mereka tidak menekan ambiguitas, akuntabilitas, atau kompleksitas operasional. Seiring dengan meningkatnya skala kode yang dihasilkan AI, peninjauan manusia menjadi hambatan baru yang besar, dan para insinyur kehilangan konteks yang diperlukan untuk menangkap kesalahan agen. Perusahaan yang memahami hal ini akan bergerak maju dengan sengaja dan bahkan menciptakan peran baru karena AI. Mereka yang tidak melakukan hal ini akan mengambil kesimpulan yang lebih sederhana dan jauh lebih merusak: Mengurangi jumlah karyawan dan meningkatkan pengeluaran AI. Keputusan struktural yang tidak dapat diubah memerlukan kehati-hatian, justru karena teknologi bergerak begitu cepat. Para pemimpin teknik perusahaan memerlukan pedoman yang cermat untuk mengatasi kekacauan ini. Inilah cara memulainya: Fase 1: Tata kelola keuangan dan risiko Lindungi sisi negatifnya — amankan infrastruktur dan batasi pendarahan finansial. Perlakukan tata kelola sebagai risiko utama: Tekanan untuk mengintegrasikan AI memang nyata, namun memberikan kebebasan kepada tim untuk bereksperimen tanpa struktur terpusat akan menciptakan proses yang terfragmentasi, pekerjaan yang terduplikasi, dan biaya yang tidak terkendali. Organisasi perlu menetapkan standar bersama sambil tetap memungkinkan tim untuk beradaptasi dan melakukan eksplorasi dalam batasan yang ditentukan. Ini berarti memperlakukan konfigurasi agen seperti infrastruktur produksi — membuat versi, meninjau, dan menguji perintah dan keterampilan sebelum meluncurkannya secara bertahap. Terapkan hak istimewa paling rendah untuk aktor non-manusia: Jangan pernah izinkan agen mewarisi izin penuh dari operator manusianya. Insinyur manusia diberikan akses yang luas karena mereka memiliki penilaian kontekstual dan mempunyai akuntabilitas tertinggi. Menerapkan agen dengan akses tingkat manusia tanpa pertimbangan yang cermat akan menimbulkan kesenjangan akuntabilitas dalam sistem Anda. Menerapkan pemisahan yang ketat antara akses baca dan tulis/eksekusi, dan mewajibkan gerbang persetujuan human-in-the-loop untuk tindakan yang merusak atau mengubah produksi. Saat agen bertransisi dari menyarankan kode ke menjalankan tugas secara mandiri, mereka harus dimasukkan secara ketat ke dalam model keamanan Anda. Perhatikan dompet Anda: Lindungi keseluruhan anggaran AI Anda dengan menerapkan kuota dan batasan tarif untuk teknik dan produksi. Kisah-kisah yang perlu diwaspadai semakin umum terjadi: Uber membatasi pembelanjaan AI-nya setelah menghabiskan anggaran tahun 2026 pada bulan April, dan, menurut Axios, sebuah perusahaan yang tidak disebutkan namanya mengeluarkan tagihan Antropik sebesar $500 juta dalam satu bulan karena loop agen yang tidak terkendali. Penting untuk secara tepat mengkarakterisasi batasan perilaku dan kinerja di seluruh model untuk memahami keunggulan masing-masing model, mengarahkan tugas tertentu ke sistem yang paling siap untuk menanganinya. Standarisasi pada satu vendor atau model mengorbankan kemampuan dan menimbulkan satu titik kegagalan yang kritis. Tidak ada organisasi yang boleh menyerap tingkat risiko konsentrasi sebesar itu dalam fungsi teknik intinya. Bayar untuk hal yang terdepan: Perlakukan AI sebagai pengaruh teknik, bukan sekadar biaya SaaS lainnya. Bayar untuk model frontier premium yang memberikan hasil kualitas tertinggi dan mengurangi pengerjaan ulang yang mahal. Pada akhirnya, model termurah bukanlah model dengan harga token terendah — melainkan model yang memaksimalkan efisiensi sekaligus meminimalkan risiko downstream Anda. Ukur hal yang sebenarnya penting: Deployment, baris kode, dan pull request tidak pernah menjadi metrik yang baik untuk produktivitas, dan dengan AI, model tersebut secara aktif menyesatkan. Sebaliknya, targetkan metrik yang melekat pada hasil bisnis (adopsi fitur, retensi) dan ketahanan teknik (tingkat kegagalan perubahan, kerusakan yang lolos, kelangsungan kode seiring waktu). Untuk efisiensi AI, ukur keberhasilan tugas per dolar dan waktu pengerjaan ulang. Penghitungan token berguna untuk papan peringkat, namun tidak dapat memberi tahu Anda apakah token telah dibelanjakan dengan baik. Fase 3: Bakat dan organisasiSelaraskan kembali sumber daya manusia Anda untuk mengelola hambatan baru. Peralihan insinyur dari sintaksis ke sistem: Saat agen menangani sebagian besar pembuatan kode, tinjauan manusia dan penyelarasan arsitektur adalah hambatan baru. Organisasi harus dengan sengaja meningkatkan keterampilan tenaga kerjanya untuk bertransisi dari penulis sintaksis menjadi pemikir sistem dan manajer agen. Insinyur membutuhkan pelatihan dan mandat untuk memandu proses agen, mengelola integrasi lintas sistem yang kompleks, dan memegang visi arsitektur menyeluruh yang sulit dipertahankan oleh agen. Mendefinisikan ulang kinerja dan insentif: Ketika seorang insinyur dapat menghasilkan output dari skuad sebelumnya, metrik tradisional seperti poin cerita atau kecepatan sprint dapat menjadi overhead yang tidak efektif. Pertimbangkan untuk menyelaraskan kembali kerangka evaluasi Anda untuk memberikan penghargaan yang lebih baik terhadap perluasan dampak bisnis, keandalan lintas sistem, dan orkestrasi agen yang efektif. Jika Anda menginginkan pemikir sistem yang mencakup area permukaan yang lebih strategis, bersedia melakukan eksplorasi dan mengambil risiko, serta membangun produk dengan cara yang tahan lama, Anda harus memberi penghargaan kepada mereka atas dampak tingkat yang lebih tinggi, bukan volume output yang besar. Jangan mengurangi jumlah karyawan sebelum strategi Anda beradaptasi: Jika Anda belum mengintegrasikan alur kerja agen, mengukur output yang ditingkatkan dalam produksi, dan menyusun ulang peta jalan untuk eksekusi yang lebih cepat, Anda tidak benar-benar tahu apakah kebutuhan dan kemampuan Anda selaras. Memotong jumlah karyawan sebelum menetapkan baseline bukanlah sebuah disiplin, melainkan kebutaan. Sasarannya bukan sekadar tim yang lebih kecil, namun tim yang mampu mencakup area permukaan yang lebih strategis. Adopsi AI oleh perusahaan memerlukan elastisitas manusiaAI bukanlah pengganti penilaian teknis; itu adalah pengganda kekuatan untuk itu. Dalam sistem yang terstruktur dengan baik, ini mempercepat pengiriman dengan aman. Dalam sistem yang kurang dipahami, hal ini mempercepat kegagalan. Kita sudah melihat dampak buruknya: penghentian layanan, peningkatan utang teknis, dan lonjakan biaya tak terduga yang disebabkan oleh penerapan teknologi yang tidak dikelola dengan baik. Ini adalah kegagalan operasional, bukan risiko teoritis. Kesalahan yang dilakukan organisasi saat ini bukanlah mengadopsi AI terlalu lambat — mereka mengadopsinya tanpa memahami di mana kelemahannya. Bagi C-suite, memahami dinamika ini bukan lagi sebuah pilihan — ini adalah faktor penentu dalam cara bisnis menavigasi era ini. Tantangannya adalah kecepatan eksekusi melebihi kemampuan industri dalam mengelola konsekuensinya. Kami telah memberikan alat paling canggih kepada tim teknik. Pepatah lama mengharuskan Anda mengukur dua kali dan memotong sekali. Sebaliknya, terlalu banyak perusahaan yang memilih untuk melakukan pengurangan saja. Joe Bertolami adalah CTO dan salah satu pendiri Clifton AI. Selamat datang di komunitas VentureBeat! Program posting tamu kami adalah tempat para pakar teknis berbagi wawasan dan memberikan penjelasan mendalam yang netral dan tidak terikat pada AI, infrastruktur data, keamanan siber, dan teknologi mutakhir lainnya yang membentuk masa depan perusahaan. Baca lebih lanjut dari program posting tamu kami — dan lihat pedoman kami jika Anda tertarik untuk menyumbangkan artikel Anda sendiri!
Diterbitkan : 2026-06-07 16:00:00
sumber : venturebeat.com
