{"content_id":"zuag1vtnf2","slug":"ai-native-developer-definition-and-practices","locale":"id","schema_type":"TechArticle","category":"ai_data","category_name":"Data AI","title":"Apa Itu Pengembang AI-native: Peran, Kompetensi, dan Struktur Operasi Agen","summary":"Pengembang AI-native adalah pengembang yang merancang sistem agar AI dapat menjalankan tugas implementasi, sekaligus bertanggung jawab atas perumusan masalah, penetapan batasan, verifikasi kualitas, dan hasil akhir. Artikel ini menjelaskan dokumentasi, harness agen, prosedur adopsi oleh tim, metrik kinerja, dan prinsip keselamatan dari sudut pandang praktis.","author":{"name":"injoys","url":"https://injoys.com/ko/about"},"key_points":["Inti pengembangan AI-native bukanlah keterampilan merancang prompt, melainkan perancangan sistem yang dapat mendelegasikan pekerjaan dan memverifikasi hasilnya.","Meskipun AI menghasilkan kode dengan cepat, perumusan masalah, intuisi produk, keputusan arsitektur, tinjauan keamanan, dan tanggung jawab tidak otomatis terselesaikan.","Dengan menyediakan spesifikasi, batasan, skema, dan catatan keputusan sebagai dokumen yang dikelola, agen akan lebih mudah bekerja dalam konteks yang konsisten.","Tahap Plan, Draft, dan Review dapat diterapkan dengan satu agen, sedangkan multiagen sebaiknya dipilih ketika manfaat pemisahannya melampaui biaya dan kompleksitas.","Keberhasilan adopsi oleh tim harus dinilai berdasarkan waktu penyelesaian tugas, tingkat cacat, tingkat pengerjaan ulang, biaya, dan beban peninjauan manusia, bukan jumlah kode yang dihasilkan."],"content_markdown":"Pengembang AI native bukan sekadar orang yang mahir menggunakan alat seperti ChatGPT, Claude Code, dan GitHub Copilot. Secara lebih tepat, pengembang AI native dapat didefinisikan sebagai **pengembang yang merancang konteks, alat, izin, dan kriteria evaluasi agar AI dapat menjalankan pekerjaan, sementara manusia bertanggung jawab atas penetapan tujuan, verifikasi, persetujuan, dan akuntabilitas**.\n\nNamun, ‘pengembang AI native’ bukanlah kualifikasi resmi atau nama jabatan standar yang disepakati oleh seluruh industri. Karena cakupan otomatisasi juga berbeda berdasarkan tingkat risiko organisasi dan produk, konsep ini tidak boleh disamakan dengan kondisi ketika seluruh pengambilan keputusan diserahkan kepada AI.\n\n## Definisi pengembang AI native\n\nPengembangan AI native adalah pendekatan yang memperlakukan AI bukan sebagai alat pelengkap untuk penyelesaian kode, melainkan sebagai **lapisan eksekusi pengembangan**. Manusia menyusun pekerjaan yang perlu dilakukan serta menetapkan syarat keberhasilan dan larangan, sedangkan AI melakukan eksplorasi, penulisan, eksekusi, dan perbaikan dalam batas yang diizinkan.\n\nPeran utamanya terbagi sebagai berikut.\n\n- **Manusia:** definisi masalah, prioritas, batasan, tingkat risiko, kriteria persetujuan, dan tanggung jawab akhir\n- **Agen AI:** eksplorasi informasi, draf rencana, penulisan kode dan pengujian, analisis statis, serta perbaikan berulang\n- **Harness:** dokumentasi, alat, izin, pengelolaan status, pengujian, log, batas biaya, dan kondisi penghentian\n\nAgen AI umumnya merujuk pada sistem tempat model bahasa menggunakan alat dan memilih tindakan berikutnya berdasarkan hasil sementara. Berbeda dengan alur kerja yang bergerak sesuai prosedur yang telah ditentukan, agen dapat menentukan urutan pekerjaan secara dinamis dalam batas yang diizinkan.\n\n| Kategori | Pengembangan berbantuan AI | Pengembangan AI native |\n|---|---|---|\n| Posisi AI | Alat penyelesaian kode atau tanya jawab | Bagian dari lapisan eksekusi pekerjaan |\n| Input | Berpusat pada prompt singkat | Spesifikasi, konteks repositori, batasan, kriteria evaluasi |\n| Peran manusia | Mengimplementasikan secara langsung lalu menggunakan bantuan AI | Merancang masalah, menilai pengecualian, memverifikasi, dan menyetujui |\n| Pengelolaan kualitas | Bergantung pada pemeriksaan manual pengembang | Memasukkan pengujian, evaluator, dan aturan tinjauan ke dalam harness |\n| Cara operasi | Bergantung pada cara penggunaan masing-masing individu | Dikelola melalui proses dan kebijakan tim yang dapat direproduksi |\n\nPrinsip pentingnya adalah **pekerjaan dapat didelegasikan, tetapi tanggung jawab tidak dapat didelegasikan**. AI dapat melakukan penilaian operasional berisiko rendah, tetapi keputusan berdampak besar seperti keamanan, data pribadi, pembayaran, layanan medis, hukum, dan perubahan produksi memerlukan persetujuan manusia yang lebih ketat.\n\n## Standardisasi kemampuan coding dan pembeda baru bagi pengembang\n\nAI generatif menurunkan hambatan masuk untuk implementasi berulang, seperti penulisan boilerplate, pencarian contoh penggunaan API, draf pengujian, dan saran refactoring. Ada efek standardisasi tertentu karena pengembang yang kurang berpengalaman pun dapat membuat draf yang berfungsi dengan lebih cepat daripada sebelumnya.\n\nNamun, tidak tepat untuk menyimpulkan bahwa ‘kesenjangan kemampuan coding telah hilang’. Pengetahuan berikut tetap diperlukan untuk mengevaluasi hasil yang dibuat AI.\n\n1. Kemampuan menemukan persyaratan yang saling bertentangan atau tidak lengkap\n2. Kemampuan merancang batas sistem dan aliran data\n3. Kemampuan menilai kompromi antara kinerja, keamanan, biaya, dan kemudahan pemeliharaan\n4. Kemampuan mengidentifikasi implementasi yang tampak meyakinkan tetapi salah\n5. Kemampuan melacak penyebab dan melakukan pemulihan saat terjadi gangguan\n\nKemampuan yang menciptakan perbedaan lebih besar pada era AI adalah sebagai berikut.\n\n- **Definisi masalah:** Memperjelas masalah yang benar-benar dialami pengguna dan syarat keberhasilannya.\n- **Kepekaan terhadap produk dan UX:** Menilai alur penggunaan, kemudahan dipahami, aksesibilitas, dan kepercayaan, bukan sekadar keberadaan fitur.\n- **Kemampuan dekomposisi:** Membagi tujuan besar menjadi pekerjaan kecil yang dapat diverifikasi.\n- **Perancangan evaluasi:** Membuat pengujian, daftar periksa, kartu skor, dan kriteria persetujuan terlebih dahulu.\n- **Perancangan konteks:** Menata dokumentasi dan repositori agar AI dapat menemukan hanya informasi yang diperlukan secara tepat.\n- **Penilaian risiko:** Membedakan pekerjaan yang dapat diotomatisasi dan pekerjaan yang memerlukan persetujuan manusia.\n\nPada akhirnya, semakin cepat kecepatan implementasi, semakin tinggi nilai kemampuan untuk menilai ‘apa yang harus dibuat dan mengapa’ serta ‘apakah hasilnya sudah cukup baik’.\n\n## Markdown dan perancangan dokumen sumber utama\n\nAgen tidak otomatis mengetahui pengetahuan implisit organisasi. Jika persyaratan dan batasan tersebar dalam percakapan, rapat, komentar kode, dan ingatan pribadi, kemungkinan untuk mengulangi pertanyaan yang sama atau bekerja berdasarkan asumsi yang berbeda akan meningkat.\n\nMarkdown berguna sebagai format dokumentasi praktis karena riwayat perubahannya mudah dikelola di Git serta relatif sederhana untuk dibaca manusia maupun diproses AI. Namun, yang lebih penting daripada format berkas itu sendiri adalah **menentukan dengan jelas dokumen mana yang menjadi standar terbaru**.\n\n### Informasi yang perlu disertakan dalam sumber utama\n\n- Tujuan produk, hal yang bukan tujuan, dan skenario pengguna\n- Persyaratan fungsional dan syarat penerimaan yang dapat diverifikasi\n- Struktur repositori dan tanggung jawab setiap modul\n- Kontrak API, model data, dan aturan migrasi\n- Aturan coding, perintah pengujian, dan prosedur deployment\n- Catatan keputusan arsitektur dan alasan perubahan\n- Hak akses, pekerjaan yang dilarang, dan ketentuan persetujuan manusia\n- Keterbatasan yang diketahui, prosedur penanganan gangguan, dan penanggung jawab\n\nGitHub Issue dapat mencatat latar belakang pekerjaan, cakupan, syarat penerimaan, dokumen terkait, dan definisi selesai. Arsitektur jangka panjang dan aturan operasional sebaiknya ditempatkan dalam dokumentasi yang dikelola versinya, seperti direktori `docs`, sedangkan Issue merujuk ke dokumentasi tersebut.\n\n### Contoh spesifikasi pekerjaan\n\n```markdown\n# Tujuan\nMemperbaiki pesan kegagalan login agar pengguna dapat mengetahui cara memulihkannya.\n\n# Cakupan\n- Layar login web\n- Pesan dalam bahasa Korea dan Inggris\n\n# Di luar cakupan\n- Perubahan metode autentikasi\n- Perubahan kebijakan kata sandi\n\n# Syarat penerimaan\n- Tidak mengungkapkan kepada pihak luar apakah akun tidak tersedia.\n- Lulus pemeriksaan aksesibilitas dan pengujian autentikasi yang sudah ada.\n- Dapat dikembalikan ke perilaku semula jika terjadi kegagalan.\n\n# Perintah verifikasi\n- npm test\n- npm run lint\n```\n\nDokumentasi yang tertata dengan baik dapat mengurangi kebutuhan agen untuk membaca seluruh codebase setiap saat. Namun, hal ini tidak selalu mengurangi token atau biaya. Jika dokumentasi tumpang tindih atau usang, hal tersebut justru dapat memicu lebih banyak eksplorasi dan perbaikan yang salah. Pemilik dokumen, waktu pembaruan, dan aturan verifikasi otomatis harus ditetapkan bersama.\n\nKata sandi, kunci API, data pelanggan yang sebenarnya, dan hak akses basis data yang berlebihan tidak boleh dicatat dalam dokumentasi. Contoh skema harus dianonimkan, sedangkan informasi rahasia harus dikelola dalam penyimpanan keamanan terpisah.\n\n## Struktur minimum harness agen AI\n\nRekayasa harness berarti pekerjaan merancang perangkat eksekusi yang mengelilingi model. Hal ini mencakup instruksi sistem, koneksi alat, pencarian konteks, izin, memori, pengujian, observabilitas, percobaan ulang, dan kondisi penghentian.\n\nSiklus eksekusi minimum dapat terdiri atas Plan, Draft, dan Review.\n\n| Tahap | Pertanyaan utama | Hasil | Penanganan jika gagal |\n|---|---|---|---|\n| Plan | Apakah pekerjaan ini diperlukan, serta apa cakupan dan risikonya? | Rencana, sasaran perubahan, metode verifikasi | Meminta informasi tambahan atau menghentikan pekerjaan |\n| Draft | Apakah rencana telah diimplementasikan dalam unit aman terkecil? | Kode, pengujian, perubahan dokumentasi | Memperbaiki dalam jumlah percobaan terbatas |\n| Review | Apakah persyaratan dan standar kualitas telah terpenuhi? | Hasil evaluasi, daftar cacat, usulan persetujuan | Mengerjakan ulang atau mengalihkan kepada manusia |\n\nHarness yang sebenarnya memerlukan mekanisme kontrol berikut.\n\n- Cakupan berkas, perintah, jaringan, dan data yang diizinkan\n- Batas maksimum waktu eksekusi, jumlah pemanggilan alat, dan biaya\n- Kondisi penghentian ketika pengujian gagal atau ketidakpastian tinggi\n- Log untuk seluruh input, pemanggilan alat, perubahan, dan persetujuan\n- Tahap persetujuan manusia sebelum diterapkan ke produksi\n- Prosedur rollback untuk kembali ke kondisi semula\n\n### Agen tunggal dan multiagen\n\nPlan, Draft, dan Review tidak selalu memerlukan tiga model atau agen terpisah. Satu agen juga dapat melakukannya dengan menggunakan instruksi dan alat untuk setiap tahap.\n\nDalam struktur multiagen, peran dapat dipisahkan sebagai berikut.\n\n- **Planner:** Menganalisis persyaratan serta meninjau kebutuhan fitur, cakupan, dan risiko.\n- **Generator:** Menulis kode, pengujian, dan dokumentasi sesuai rencana.\n- **Evaluator:** Memeriksa hasil berdasarkan kriteria independen serta menunjukkan cacat dan aspek yang perlu diperbaiki.\n\nPemisahan peran dapat membantu kritik independen dan eksplorasi paralel. Di sisi lain, biaya pemanggilan, latensi, sinkronisasi status, dan pelacakan penyebab kesalahan juga menjadi lebih rumit. Untuk pekerjaan sederhana, skrip deterministik atau agen tunggal mungkin lebih stabil, sedangkan multiagen sebaiknya diterapkan ketika dampak peningkatan yang terukur dapat membenarkan kompleksitasnya.\n\n## Prosedur penerapan dalam tim dan perusahaan\n\nPengumuman dan pelatihan penerapan AI saja tidak cukup untuk menjadi organisasi AI native. Cakupan yang diizinkan, kebijakan data, standar kualitas, dan struktur tanggung jawab juga harus disiapkan secara bersamaan.\n\n### Tahap 1: Menetapkan baseline dan kebijakan\n\n- Mengukur waktu kerja saat ini, tingkat cacat, waktu tunggu tinjauan, dan frekuensi deployment.\n- Menentukan data yang tidak boleh dimasukkan dan alat yang dapat digunakan.\n- Membedakan pekerjaan yang dapat dijalankan secara otomatis dan pekerjaan yang memerlukan persetujuan manusia.\n\n### Tahap 2: Champion dan pilot terbatas\n\nMenunjuk champion dalam tim yang memiliki pengalaman memanfaatkan AI dan kemampuan pelatihan. Champion bukan bertugas mempromosikan alat, melainkan menyusun kasus penggunaan yang dapat direproduksi, kasus kegagalan, dan pedoman keselamatan.\n\nLebih aman jika pilot dimulai dari pekerjaan yang hasilnya mudah diverifikasi, seperti pembuatan pengujian, penataan dokumentasi internal, dan refactoring berisiko rendah.\n\n### Tahap 3: Standardisasi pola keberhasilan\n\n- Mendokumentasikan dokumen input dan kriteria evaluasi lebih dahulu daripada prompt yang efektif.\n- Membuat templat Issue umum dan definisi selesai.\n- Mengotomatiskan pengujian, lint, pemeriksaan keamanan, dan prosedur tinjauan.\n- Mendokumentasikan penyebab kegagalan dan titik intervensi manusia.\n\n### Tahap 4: Operasi dan perluasan\n\nMemperluas cakupan penerapan ketika hasil pilot lebih baik daripada baseline. Pemilihan alat, pelatihan, pengelolaan biaya, hak akses, respons insiden, dan evaluasi berkala harus dihubungkan dalam satu sistem operasional.\n\n## Metrik untuk mengukur kinerja\n\nJumlah baris kode yang dihasilkan atau frekuensi penggunaan AI tidak secara langsung menunjukkan produktivitas dan kualitas. Metrik yang berfokus pada hasil seperti berikut harus diukur bersama-sama.\n\n| Area | Metrik yang disarankan | Hal yang perlu diperhatikan saat menafsirkan |\n|---|---|---|\n| Kecepatan | Waktu sejak pekerjaan dimulai hingga deployment | Sertakan juga waktu tinjauan dan pengerjaan ulang. |\n| Kualitas | Tingkat cacat setelah deployment, tingkat kegagalan pengujian | Pisahkan pekerjaan mudah dan sulit. |\n| Efisiensi | Biaya model per pekerjaan, jumlah pemanggilan alat | Jangan mengecualikan biaya tinjauan manusia. |\n| Stabilitas | Tingkat rollback, peringatan keamanan, pelanggaran izin | Pertimbangkan juga kemungkinan masalah yang tidak terdeteksi. |\n| Adopsi | Proporsi tim yang menggunakannya berulang kali, pekerjaan nyata yang diselesaikan | Bedakan dari sekadar login atau jumlah pemanggilan. |\n| Pengalaman | Kepuasan pengembang, beban kognitif, kelelahan tinjauan | Kelelahan dapat meningkat meskipun pekerjaan lebih cepat. |\n\nHasil kelompok yang menggunakan AI dan metode yang sudah ada harus dibandingkan pada jenis pekerjaan yang sama, serta tidak hanya mengamati kecepatan jangka pendek, tetapi juga biaya pemeliharaan dan gangguan.\n\n## Risiko keamanan dan kualitas\n\nKarena agen AI dapat membaca kode, menjalankan perintah, dan mengambil konten eksternal, permukaan serangannya lebih luas daripada percakapan biasa.\n\nRisiko utamanya adalah sebagai berikut.\n\n- Injeksi prompt yang membuat agen mengikuti instruksi tersembunyi dalam dokumentasi repositori atau halaman eksternal\n- Pemberian akses berlebihan ke berkas, basis data, atau deployment\n- Kode keliru yang menggunakan API atau paket yang tidak tersedia\n- Pengenalan dependensi rentan atau kode dengan lisensi yang tidak jelas\n- Tindakan melemahkan kriteria verifikasi itu sendiri demi lulus pengujian\n- Pengiriman eksternal atas data pelanggan, kunci rahasia, dan kode internal\n- Peningkatan biaya yang tidak terduga akibat eksekusi berulang\n\nPrinsip penanganannya adalah hak akses minimum, lingkungan eksekusi terisolasi, daftar yang diizinkan, pemisahan informasi rahasia, pengujian independen, log perubahan, dan persetujuan manusia. Khususnya, jika implementasi suatu agen dievaluasi hanya dengan pengujian yang ditulis oleh agen yang sama, kesalahan yang sama dapat terlewat. Oleh karena itu, sebaiknya pertahankan pengujian regresi yang sudah ada dan kriteria tinjauan terpisah.\n\n## Cara menghindari reaksi berlebihan terhadap alat\n\nModel, plugin, dan framework agen baru terus bermunculan, tetapi tidak perlu mempelajari semua alat. Alat harus dievaluasi berdasarkan pertanyaan berikut, bukan nama atau tren.\n\n1. Apakah pekerjaan berulang yang saat ini ingin diselesaikan sudah jelas?\n2. Apakah alat dapat dihubungkan dengan aman ke lingkungan pengembangan dan sistem izin yang sudah ada?\n3. Apakah kualitas output dapat diverifikasi secara otomatis atau manual?\n4. Apakah biaya, latensi, dan tingkat kegagalan dapat diamati?\n5. Apakah spesifikasi, pengujian, dan dokumentasi tetap tersedia meskipun alat diganti?\n\nMenyelesaikan peningkatan produk nyata hingga tuntas dengan satu alat yang sesuai bagi tim lalu mengukur hasilnya lebih bernilai daripada hanya mempelajari secara dangkal cara menggunakan berbagai alat.\n\n## Daftar periksa praktik pengembang AI native\n\n- [ ] Mendokumentasikan tujuan, hal yang bukan tujuan, dan syarat penerimaan sebelum implementasi.\n- [ ] Meminimalkan alat dan cakupan akses yang akan digunakan AI.\n- [ ] Membagi pekerjaan besar menjadi unit yang dapat diverifikasi secara independen.\n- [ ] Meminta pengujian, dokumentasi, dan metode rollback bersama dengan kode.\n- [ ] Memastikan manusia meninjau diff dan hasil eksekusi untuk perubahan penting.\n- [ ] Mencatat kegagalan, percobaan ulang, biaya, dan intervensi manusia.\n- [ ] Mengukur apakah otomatisasi benar-benar meningkatkan kualitas dan waktu penyelesaian.\n- [ ] Memungkinkan agen menolak atau mengalihkan pekerjaan bernilai rendah atau berisiko tinggi.\n\n## Kesimpulan\n\nDaya saing pengembang AI native tidak berasal dari prompt tertentu atau nama alat. Daya saing tersebut berasal dari **kemampuan mendefinisikan masalah secara akurat, menciptakan lingkungan agar agen dapat bekerja dengan aman, serta menilai kualitas hasil dan bertanggung jawab atasnya**.\n\nAI dapat mempercepat pembuatan banyak bagian implementasi, tetapi tidak secara otomatis menjamin arah produk yang tepat, pengalaman pengguna, keamanan sistem, dan tanggung jawab akhir. Oleh karena itu, pengembang bukan meninggalkan coding, melainkan memperluas perannya ke spesifikasi, evaluasi, penilaian produk, dan operasi sistem dengan berlandaskan pengetahuan coding.","content_html":"\u003cp\u003ePengembang AI native bukan sekadar orang yang mahir menggunakan alat seperti ChatGPT, Claude Code, dan GitHub Copilot. Secara lebih tepat, pengembang AI native dapat didefinisikan sebagai \u003cstrong\u003epengembang yang merancang konteks, alat, izin, dan kriteria evaluasi agar AI dapat menjalankan pekerjaan, sementara manusia bertanggung jawab atas penetapan tujuan, verifikasi, persetujuan, dan akuntabilitas\u003c/strong\u003e.\u003c/p\u003e\n\u003cp\u003eNamun, ‘pengembang AI native’ bukanlah kualifikasi resmi atau nama jabatan standar yang disepakati oleh seluruh industri. Karena cakupan otomatisasi juga berbeda berdasarkan tingkat risiko organisasi dan produk, konsep ini tidak boleh disamakan dengan kondisi ketika seluruh pengambilan keputusan diserahkan kepada AI.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#definisi-pengembang-ai-native\" class=\"anchor\" id=\"definisi-pengembang-ai-native\"\u003e\u003c/a\u003eDefinisi pengembang AI native\u003c/h2\u003e\n\u003cp\u003ePengembangan AI native adalah pendekatan yang memperlakukan AI bukan sebagai alat pelengkap untuk penyelesaian kode, melainkan sebagai \u003cstrong\u003elapisan eksekusi pengembangan\u003c/strong\u003e. Manusia menyusun pekerjaan yang perlu dilakukan serta menetapkan syarat keberhasilan dan larangan, sedangkan AI melakukan eksplorasi, penulisan, eksekusi, dan perbaikan dalam batas yang diizinkan.\u003c/p\u003e\n\u003cp\u003ePeran utamanya terbagi sebagai berikut.\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003e\n\u003cstrong\u003eManusia:\u003c/strong\u003e definisi masalah, prioritas, batasan, tingkat risiko, kriteria persetujuan, dan tanggung jawab akhir\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003eAgen AI:\u003c/strong\u003e eksplorasi informasi, draf rencana, penulisan kode dan pengujian, analisis statis, serta perbaikan berulang\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003eHarness:\u003c/strong\u003e dokumentasi, alat, izin, pengelolaan status, pengujian, log, batas biaya, dan kondisi penghentian\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003eAgen AI umumnya merujuk pada sistem tempat model bahasa menggunakan alat dan memilih tindakan berikutnya berdasarkan hasil sementara. Berbeda dengan alur kerja yang bergerak sesuai prosedur yang telah ditentukan, agen dapat menentukan urutan pekerjaan secara dinamis dalam batas yang diizinkan.\u003c/p\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003eKategori\u003c/th\u003e\n\u003cth\u003ePengembangan berbantuan AI\u003c/th\u003e\n\u003cth\u003ePengembangan AI native\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Kategori\"\u003ePosisi AI\u003c/td\u003e\n\u003ctd data-label=\"Pengembangan berbantuan AI\"\u003eAlat penyelesaian kode atau tanya jawab\u003c/td\u003e\n\u003ctd data-label=\"Pengembangan AI native\"\u003eBagian dari lapisan eksekusi pekerjaan\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Kategori\"\u003eInput\u003c/td\u003e\n\u003ctd data-label=\"Pengembangan berbantuan AI\"\u003eBerpusat pada prompt singkat\u003c/td\u003e\n\u003ctd data-label=\"Pengembangan AI native\"\u003eSpesifikasi, konteks repositori, batasan, kriteria evaluasi\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Kategori\"\u003ePeran manusia\u003c/td\u003e\n\u003ctd data-label=\"Pengembangan berbantuan AI\"\u003eMengimplementasikan secara langsung lalu menggunakan bantuan AI\u003c/td\u003e\n\u003ctd data-label=\"Pengembangan AI native\"\u003eMerancang masalah, menilai pengecualian, memverifikasi, dan menyetujui\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Kategori\"\u003ePengelolaan kualitas\u003c/td\u003e\n\u003ctd data-label=\"Pengembangan berbantuan AI\"\u003eBergantung pada pemeriksaan manual pengembang\u003c/td\u003e\n\u003ctd data-label=\"Pengembangan AI native\"\u003eMemasukkan pengujian, evaluator, dan aturan tinjauan ke dalam harness\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Kategori\"\u003eCara operasi\u003c/td\u003e\n\u003ctd data-label=\"Pengembangan berbantuan AI\"\u003eBergantung pada cara penggunaan masing-masing individu\u003c/td\u003e\n\u003ctd data-label=\"Pengembangan AI native\"\u003eDikelola melalui proses dan kebijakan tim yang dapat direproduksi\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003cp\u003ePrinsip pentingnya adalah \u003cstrong\u003epekerjaan dapat didelegasikan, tetapi tanggung jawab tidak dapat didelegasikan\u003c/strong\u003e. AI dapat melakukan penilaian operasional berisiko rendah, tetapi keputusan berdampak besar seperti keamanan, data pribadi, pembayaran, layanan medis, hukum, dan perubahan produksi memerlukan persetujuan manusia yang lebih ketat.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#standardisasi-kemampuan-coding-dan-pembeda-baru-bagi-pengembang\" class=\"anchor\" id=\"standardisasi-kemampuan-coding-dan-pembeda-baru-bagi-pengembang\"\u003e\u003c/a\u003eStandardisasi kemampuan coding dan pembeda baru bagi pengembang\u003c/h2\u003e\n\u003cp\u003eAI generatif menurunkan hambatan masuk untuk implementasi berulang, seperti penulisan boilerplate, pencarian contoh penggunaan API, draf pengujian, dan saran refactoring. Ada efek standardisasi tertentu karena pengembang yang kurang berpengalaman pun dapat membuat draf yang berfungsi dengan lebih cepat daripada sebelumnya.\u003c/p\u003e\n\u003cp\u003eNamun, tidak tepat untuk menyimpulkan bahwa ‘kesenjangan kemampuan coding telah hilang’. Pengetahuan berikut tetap diperlukan untuk mengevaluasi hasil yang dibuat AI.\u003c/p\u003e\n\u003col\u003e\n\u003cli\u003eKemampuan menemukan persyaratan yang saling bertentangan atau tidak lengkap\u003c/li\u003e\n\u003cli\u003eKemampuan merancang batas sistem dan aliran data\u003c/li\u003e\n\u003cli\u003eKemampuan menilai kompromi antara kinerja, keamanan, biaya, dan kemudahan pemeliharaan\u003c/li\u003e\n\u003cli\u003eKemampuan mengidentifikasi implementasi yang tampak meyakinkan tetapi salah\u003c/li\u003e\n\u003cli\u003eKemampuan melacak penyebab dan melakukan pemulihan saat terjadi gangguan\u003c/li\u003e\n\u003c/ol\u003e\n\u003cp\u003eKemampuan yang menciptakan perbedaan lebih besar pada era AI adalah sebagai berikut.\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003e\n\u003cstrong\u003eDefinisi masalah:\u003c/strong\u003e Memperjelas masalah yang benar-benar dialami pengguna dan syarat keberhasilannya.\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003eKepekaan terhadap produk dan UX:\u003c/strong\u003e Menilai alur penggunaan, kemudahan dipahami, aksesibilitas, dan kepercayaan, bukan sekadar keberadaan fitur.\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003eKemampuan dekomposisi:\u003c/strong\u003e Membagi tujuan besar menjadi pekerjaan kecil yang dapat diverifikasi.\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003ePerancangan evaluasi:\u003c/strong\u003e Membuat pengujian, daftar periksa, kartu skor, dan kriteria persetujuan terlebih dahulu.\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003ePerancangan konteks:\u003c/strong\u003e Menata dokumentasi dan repositori agar AI dapat menemukan hanya informasi yang diperlukan secara tepat.\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003ePenilaian risiko:\u003c/strong\u003e Membedakan pekerjaan yang dapat diotomatisasi dan pekerjaan yang memerlukan persetujuan manusia.\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003ePada akhirnya, semakin cepat kecepatan implementasi, semakin tinggi nilai kemampuan untuk menilai ‘apa yang harus dibuat dan mengapa’ serta ‘apakah hasilnya sudah cukup baik’.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#markdown-dan-perancangan-dokumen-sumber-utama\" class=\"anchor\" id=\"markdown-dan-perancangan-dokumen-sumber-utama\"\u003e\u003c/a\u003eMarkdown dan perancangan dokumen sumber utama\u003c/h2\u003e\n\u003cp\u003eAgen tidak otomatis mengetahui pengetahuan implisit organisasi. Jika persyaratan dan batasan tersebar dalam percakapan, rapat, komentar kode, dan ingatan pribadi, kemungkinan untuk mengulangi pertanyaan yang sama atau bekerja berdasarkan asumsi yang berbeda akan meningkat.\u003c/p\u003e\n\u003cp\u003eMarkdown berguna sebagai format dokumentasi praktis karena riwayat perubahannya mudah dikelola di Git serta relatif sederhana untuk dibaca manusia maupun diproses AI. Namun, yang lebih penting daripada format berkas itu sendiri adalah \u003cstrong\u003emenentukan dengan jelas dokumen mana yang menjadi standar terbaru\u003c/strong\u003e.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#informasi-yang-perlu-disertakan-dalam-sumber-utama\" class=\"anchor\" id=\"informasi-yang-perlu-disertakan-dalam-sumber-utama\"\u003e\u003c/a\u003eInformasi yang perlu disertakan dalam sumber utama\u003c/h3\u003e\n\u003cul\u003e\n\u003cli\u003eTujuan produk, hal yang bukan tujuan, dan skenario pengguna\u003c/li\u003e\n\u003cli\u003ePersyaratan fungsional dan syarat penerimaan yang dapat diverifikasi\u003c/li\u003e\n\u003cli\u003eStruktur repositori dan tanggung jawab setiap modul\u003c/li\u003e\n\u003cli\u003eKontrak API, model data, dan aturan migrasi\u003c/li\u003e\n\u003cli\u003eAturan coding, perintah pengujian, dan prosedur deployment\u003c/li\u003e\n\u003cli\u003eCatatan keputusan arsitektur dan alasan perubahan\u003c/li\u003e\n\u003cli\u003eHak akses, pekerjaan yang dilarang, dan ketentuan persetujuan manusia\u003c/li\u003e\n\u003cli\u003eKeterbatasan yang diketahui, prosedur penanganan gangguan, dan penanggung jawab\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003eGitHub Issue dapat mencatat latar belakang pekerjaan, cakupan, syarat penerimaan, dokumen terkait, dan definisi selesai. Arsitektur jangka panjang dan aturan operasional sebaiknya ditempatkan dalam dokumentasi yang dikelola versinya, seperti direktori \u003ccode\u003edocs\u003c/code\u003e, sedangkan Issue merujuk ke dokumentasi tersebut.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#contoh-spesifikasi-pekerjaan\" class=\"anchor\" id=\"contoh-spesifikasi-pekerjaan\"\u003e\u003c/a\u003eContoh spesifikasi pekerjaan\u003c/h3\u003e\n\u003cpre\u003e\u003ccode\u003e\u003cspan\u003e# Tujuan\n\u003c/span\u003e\u003cspan\u003eMemperbaiki pesan kegagalan login agar pengguna dapat mengetahui cara memulihkannya.\n\u003c/span\u003e\u003cspan\u003e\n\u003c/span\u003e\u003cspan\u003e# Cakupan\n\u003c/span\u003e\u003cspan\u003e- Layar login web\n\u003c/span\u003e\u003cspan\u003e- Pesan dalam bahasa Korea dan Inggris\n\u003c/span\u003e\u003cspan\u003e\n\u003c/span\u003e\u003cspan\u003e# Di luar cakupan\n\u003c/span\u003e\u003cspan\u003e- Perubahan metode autentikasi\n\u003c/span\u003e\u003cspan\u003e- Perubahan kebijakan kata sandi\n\u003c/span\u003e\u003cspan\u003e\n\u003c/span\u003e\u003cspan\u003e# Syarat penerimaan\n\u003c/span\u003e\u003cspan\u003e- Tidak mengungkapkan kepada pihak luar apakah akun tidak tersedia.\n\u003c/span\u003e\u003cspan\u003e- Lulus pemeriksaan aksesibilitas dan pengujian autentikasi yang sudah ada.\n\u003c/span\u003e\u003cspan\u003e- Dapat dikembalikan ke perilaku semula jika terjadi kegagalan.\n\u003c/span\u003e\u003cspan\u003e\n\u003c/span\u003e\u003cspan\u003e# Perintah verifikasi\n\u003c/span\u003e\u003cspan\u003e- npm test\n\u003c/span\u003e\u003cspan\u003e- npm run lint\n\u003c/span\u003e\u003c/code\u003e\u003c/pre\u003e\n\u003cp\u003eDokumentasi yang tertata dengan baik dapat mengurangi kebutuhan agen untuk membaca seluruh codebase setiap saat. Namun, hal ini tidak selalu mengurangi token atau biaya. Jika dokumentasi tumpang tindih atau usang, hal tersebut justru dapat memicu lebih banyak eksplorasi dan perbaikan yang salah. Pemilik dokumen, waktu pembaruan, dan aturan verifikasi otomatis harus ditetapkan bersama.\u003c/p\u003e\n\u003cp\u003eKata sandi, kunci API, data pelanggan yang sebenarnya, dan hak akses basis data yang berlebihan tidak boleh dicatat dalam dokumentasi. Contoh skema harus dianonimkan, sedangkan informasi rahasia harus dikelola dalam penyimpanan keamanan terpisah.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#struktur-minimum-harness-agen-ai\" class=\"anchor\" id=\"struktur-minimum-harness-agen-ai\"\u003e\u003c/a\u003eStruktur minimum harness agen AI\u003c/h2\u003e\n\u003cp\u003eRekayasa harness berarti pekerjaan merancang perangkat eksekusi yang mengelilingi model. Hal ini mencakup instruksi sistem, koneksi alat, pencarian konteks, izin, memori, pengujian, observabilitas, percobaan ulang, dan kondisi penghentian.\u003c/p\u003e\n\u003cp\u003eSiklus eksekusi minimum dapat terdiri atas Plan, Draft, dan Review.\u003c/p\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003eTahap\u003c/th\u003e\n\u003cth\u003ePertanyaan utama\u003c/th\u003e\n\u003cth\u003eHasil\u003c/th\u003e\n\u003cth\u003ePenanganan jika gagal\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Tahap\"\u003ePlan\u003c/td\u003e\n\u003ctd data-label=\"Pertanyaan utama\"\u003eApakah pekerjaan ini diperlukan, serta apa cakupan dan risikonya?\u003c/td\u003e\n\u003ctd data-label=\"Hasil\"\u003eRencana, sasaran perubahan, metode verifikasi\u003c/td\u003e\n\u003ctd data-label=\"Penanganan jika gagal\"\u003eMeminta informasi tambahan atau menghentikan pekerjaan\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Tahap\"\u003eDraft\u003c/td\u003e\n\u003ctd data-label=\"Pertanyaan utama\"\u003eApakah rencana telah diimplementasikan dalam unit aman terkecil?\u003c/td\u003e\n\u003ctd data-label=\"Hasil\"\u003eKode, pengujian, perubahan dokumentasi\u003c/td\u003e\n\u003ctd data-label=\"Penanganan jika gagal\"\u003eMemperbaiki dalam jumlah percobaan terbatas\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Tahap\"\u003eReview\u003c/td\u003e\n\u003ctd data-label=\"Pertanyaan utama\"\u003eApakah persyaratan dan standar kualitas telah terpenuhi?\u003c/td\u003e\n\u003ctd data-label=\"Hasil\"\u003eHasil evaluasi, daftar cacat, usulan persetujuan\u003c/td\u003e\n\u003ctd data-label=\"Penanganan jika gagal\"\u003eMengerjakan ulang atau mengalihkan kepada manusia\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003cp\u003eHarness yang sebenarnya memerlukan mekanisme kontrol berikut.\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003eCakupan berkas, perintah, jaringan, dan data yang diizinkan\u003c/li\u003e\n\u003cli\u003eBatas maksimum waktu eksekusi, jumlah pemanggilan alat, dan biaya\u003c/li\u003e\n\u003cli\u003eKondisi penghentian ketika pengujian gagal atau ketidakpastian tinggi\u003c/li\u003e\n\u003cli\u003eLog untuk seluruh input, pemanggilan alat, perubahan, dan persetujuan\u003c/li\u003e\n\u003cli\u003eTahap persetujuan manusia sebelum diterapkan ke produksi\u003c/li\u003e\n\u003cli\u003eProsedur rollback untuk kembali ke kondisi semula\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch3\u003e\n\u003ca href=\"#agen-tunggal-dan-multiagen\" class=\"anchor\" id=\"agen-tunggal-dan-multiagen\"\u003e\u003c/a\u003eAgen tunggal dan multiagen\u003c/h3\u003e\n\u003cp\u003ePlan, Draft, dan Review tidak selalu memerlukan tiga model atau agen terpisah. Satu agen juga dapat melakukannya dengan menggunakan instruksi dan alat untuk setiap tahap.\u003c/p\u003e\n\u003cp\u003eDalam struktur multiagen, peran dapat dipisahkan sebagai berikut.\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003e\n\u003cstrong\u003ePlanner:\u003c/strong\u003e Menganalisis persyaratan serta meninjau kebutuhan fitur, cakupan, dan risiko.\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003eGenerator:\u003c/strong\u003e Menulis kode, pengujian, dan dokumentasi sesuai rencana.\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003eEvaluator:\u003c/strong\u003e Memeriksa hasil berdasarkan kriteria independen serta menunjukkan cacat dan aspek yang perlu diperbaiki.\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003ePemisahan peran dapat membantu kritik independen dan eksplorasi paralel. Di sisi lain, biaya pemanggilan, latensi, sinkronisasi status, dan pelacakan penyebab kesalahan juga menjadi lebih rumit. Untuk pekerjaan sederhana, skrip deterministik atau agen tunggal mungkin lebih stabil, sedangkan multiagen sebaiknya diterapkan ketika dampak peningkatan yang terukur dapat membenarkan kompleksitasnya.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#prosedur-penerapan-dalam-tim-dan-perusahaan\" class=\"anchor\" id=\"prosedur-penerapan-dalam-tim-dan-perusahaan\"\u003e\u003c/a\u003eProsedur penerapan dalam tim dan perusahaan\u003c/h2\u003e\n\u003cp\u003ePengumuman dan pelatihan penerapan AI saja tidak cukup untuk menjadi organisasi AI native. Cakupan yang diizinkan, kebijakan data, standar kualitas, dan struktur tanggung jawab juga harus disiapkan secara bersamaan.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#tahap-1-menetapkan-baseline-dan-kebijakan\" class=\"anchor\" id=\"tahap-1-menetapkan-baseline-dan-kebijakan\"\u003e\u003c/a\u003eTahap 1: Menetapkan baseline dan kebijakan\u003c/h3\u003e\n\u003cul\u003e\n\u003cli\u003eMengukur waktu kerja saat ini, tingkat cacat, waktu tunggu tinjauan, dan frekuensi deployment.\u003c/li\u003e\n\u003cli\u003eMenentukan data yang tidak boleh dimasukkan dan alat yang dapat digunakan.\u003c/li\u003e\n\u003cli\u003eMembedakan pekerjaan yang dapat dijalankan secara otomatis dan pekerjaan yang memerlukan persetujuan manusia.\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch3\u003e\n\u003ca href=\"#tahap-2-champion-dan-pilot-terbatas\" class=\"anchor\" id=\"tahap-2-champion-dan-pilot-terbatas\"\u003e\u003c/a\u003eTahap 2: Champion dan pilot terbatas\u003c/h3\u003e\n\u003cp\u003eMenunjuk champion dalam tim yang memiliki pengalaman memanfaatkan AI dan kemampuan pelatihan. Champion bukan bertugas mempromosikan alat, melainkan menyusun kasus penggunaan yang dapat direproduksi, kasus kegagalan, dan pedoman keselamatan.\u003c/p\u003e\n\u003cp\u003eLebih aman jika pilot dimulai dari pekerjaan yang hasilnya mudah diverifikasi, seperti pembuatan pengujian, penataan dokumentasi internal, dan refactoring berisiko rendah.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#tahap-3-standardisasi-pola-keberhasilan\" class=\"anchor\" id=\"tahap-3-standardisasi-pola-keberhasilan\"\u003e\u003c/a\u003eTahap 3: Standardisasi pola keberhasilan\u003c/h3\u003e\n\u003cul\u003e\n\u003cli\u003eMendokumentasikan dokumen input dan kriteria evaluasi lebih dahulu daripada prompt yang efektif.\u003c/li\u003e\n\u003cli\u003eMembuat templat Issue umum dan definisi selesai.\u003c/li\u003e\n\u003cli\u003eMengotomatiskan pengujian, lint, pemeriksaan keamanan, dan prosedur tinjauan.\u003c/li\u003e\n\u003cli\u003eMendokumentasikan penyebab kegagalan dan titik intervensi manusia.\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch3\u003e\n\u003ca href=\"#tahap-4-operasi-dan-perluasan\" class=\"anchor\" id=\"tahap-4-operasi-dan-perluasan\"\u003e\u003c/a\u003eTahap 4: Operasi dan perluasan\u003c/h3\u003e\n\u003cp\u003eMemperluas cakupan penerapan ketika hasil pilot lebih baik daripada baseline. Pemilihan alat, pelatihan, pengelolaan biaya, hak akses, respons insiden, dan evaluasi berkala harus dihubungkan dalam satu sistem operasional.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#metrik-untuk-mengukur-kinerja\" class=\"anchor\" id=\"metrik-untuk-mengukur-kinerja\"\u003e\u003c/a\u003eMetrik untuk mengukur kinerja\u003c/h2\u003e\n\u003cp\u003eJumlah baris kode yang dihasilkan atau frekuensi penggunaan AI tidak secara langsung menunjukkan produktivitas dan kualitas. Metrik yang berfokus pada hasil seperti berikut harus diukur bersama-sama.\u003c/p\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003eArea\u003c/th\u003e\n\u003cth\u003eMetrik yang disarankan\u003c/th\u003e\n\u003cth\u003eHal yang perlu diperhatikan saat menafsirkan\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Area\"\u003eKecepatan\u003c/td\u003e\n\u003ctd data-label=\"Metrik yang disarankan\"\u003eWaktu sejak pekerjaan dimulai hingga deployment\u003c/td\u003e\n\u003ctd data-label=\"Hal yang perlu diperhatikan saat menafsirkan\"\u003eSertakan juga waktu tinjauan dan pengerjaan ulang.\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Area\"\u003eKualitas\u003c/td\u003e\n\u003ctd data-label=\"Metrik yang disarankan\"\u003eTingkat cacat setelah deployment, tingkat kegagalan pengujian\u003c/td\u003e\n\u003ctd data-label=\"Hal yang perlu diperhatikan saat menafsirkan\"\u003ePisahkan pekerjaan mudah dan sulit.\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Area\"\u003eEfisiensi\u003c/td\u003e\n\u003ctd data-label=\"Metrik yang disarankan\"\u003eBiaya model per pekerjaan, jumlah pemanggilan alat\u003c/td\u003e\n\u003ctd data-label=\"Hal yang perlu diperhatikan saat menafsirkan\"\u003eJangan mengecualikan biaya tinjauan manusia.\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Area\"\u003eStabilitas\u003c/td\u003e\n\u003ctd data-label=\"Metrik yang disarankan\"\u003eTingkat rollback, peringatan keamanan, pelanggaran izin\u003c/td\u003e\n\u003ctd data-label=\"Hal yang perlu diperhatikan saat menafsirkan\"\u003ePertimbangkan juga kemungkinan masalah yang tidak terdeteksi.\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Area\"\u003eAdopsi\u003c/td\u003e\n\u003ctd data-label=\"Metrik yang disarankan\"\u003eProporsi tim yang menggunakannya berulang kali, pekerjaan nyata yang diselesaikan\u003c/td\u003e\n\u003ctd data-label=\"Hal yang perlu diperhatikan saat menafsirkan\"\u003eBedakan dari sekadar login atau jumlah pemanggilan.\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Area\"\u003ePengalaman\u003c/td\u003e\n\u003ctd data-label=\"Metrik yang disarankan\"\u003eKepuasan pengembang, beban kognitif, kelelahan tinjauan\u003c/td\u003e\n\u003ctd data-label=\"Hal yang perlu diperhatikan saat menafsirkan\"\u003eKelelahan dapat meningkat meskipun pekerjaan lebih cepat.\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003cp\u003eHasil kelompok yang menggunakan AI dan metode yang sudah ada harus dibandingkan pada jenis pekerjaan yang sama, serta tidak hanya mengamati kecepatan jangka pendek, tetapi juga biaya pemeliharaan dan gangguan.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#risiko-keamanan-dan-kualitas\" class=\"anchor\" id=\"risiko-keamanan-dan-kualitas\"\u003e\u003c/a\u003eRisiko keamanan dan kualitas\u003c/h2\u003e\n\u003cp\u003eKarena agen AI dapat membaca kode, menjalankan perintah, dan mengambil konten eksternal, permukaan serangannya lebih luas daripada percakapan biasa.\u003c/p\u003e\n\u003cp\u003eRisiko utamanya adalah sebagai berikut.\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003eInjeksi prompt yang membuat agen mengikuti instruksi tersembunyi dalam dokumentasi repositori atau halaman eksternal\u003c/li\u003e\n\u003cli\u003ePemberian akses berlebihan ke berkas, basis data, atau deployment\u003c/li\u003e\n\u003cli\u003eKode keliru yang menggunakan API atau paket yang tidak tersedia\u003c/li\u003e\n\u003cli\u003ePengenalan dependensi rentan atau kode dengan lisensi yang tidak jelas\u003c/li\u003e\n\u003cli\u003eTindakan melemahkan kriteria verifikasi itu sendiri demi lulus pengujian\u003c/li\u003e\n\u003cli\u003ePengiriman eksternal atas data pelanggan, kunci rahasia, dan kode internal\u003c/li\u003e\n\u003cli\u003ePeningkatan biaya yang tidak terduga akibat eksekusi berulang\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003ePrinsip penanganannya adalah hak akses minimum, lingkungan eksekusi terisolasi, daftar yang diizinkan, pemisahan informasi rahasia, pengujian independen, log perubahan, dan persetujuan manusia. Khususnya, jika implementasi suatu agen dievaluasi hanya dengan pengujian yang ditulis oleh agen yang sama, kesalahan yang sama dapat terlewat. Oleh karena itu, sebaiknya pertahankan pengujian regresi yang sudah ada dan kriteria tinjauan terpisah.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#cara-menghindari-reaksi-berlebihan-terhadap-alat\" class=\"anchor\" id=\"cara-menghindari-reaksi-berlebihan-terhadap-alat\"\u003e\u003c/a\u003eCara menghindari reaksi berlebihan terhadap alat\u003c/h2\u003e\n\u003cp\u003eModel, plugin, dan framework agen baru terus bermunculan, tetapi tidak perlu mempelajari semua alat. Alat harus dievaluasi berdasarkan pertanyaan berikut, bukan nama atau tren.\u003c/p\u003e\n\u003col\u003e\n\u003cli\u003eApakah pekerjaan berulang yang saat ini ingin diselesaikan sudah jelas?\u003c/li\u003e\n\u003cli\u003eApakah alat dapat dihubungkan dengan aman ke lingkungan pengembangan dan sistem izin yang sudah ada?\u003c/li\u003e\n\u003cli\u003eApakah kualitas output dapat diverifikasi secara otomatis atau manual?\u003c/li\u003e\n\u003cli\u003eApakah biaya, latensi, dan tingkat kegagalan dapat diamati?\u003c/li\u003e\n\u003cli\u003eApakah spesifikasi, pengujian, dan dokumentasi tetap tersedia meskipun alat diganti?\u003c/li\u003e\n\u003c/ol\u003e\n\u003cp\u003eMenyelesaikan peningkatan produk nyata hingga tuntas dengan satu alat yang sesuai bagi tim lalu mengukur hasilnya lebih bernilai daripada hanya mempelajari secara dangkal cara menggunakan berbagai alat.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#daftar-periksa-praktik-pengembang-ai-native\" class=\"anchor\" id=\"daftar-periksa-praktik-pengembang-ai-native\"\u003e\u003c/a\u003eDaftar periksa praktik pengembang AI native\u003c/h2\u003e\n\u003cul\u003e\n\u003cli\u003e Mendokumentasikan tujuan, hal yang bukan tujuan, dan syarat penerimaan sebelum implementasi.\u003c/li\u003e\n\u003cli\u003e Meminimalkan alat dan cakupan akses yang akan digunakan AI.\u003c/li\u003e\n\u003cli\u003e Membagi pekerjaan besar menjadi unit yang dapat diverifikasi secara independen.\u003c/li\u003e\n\u003cli\u003e Meminta pengujian, dokumentasi, dan metode rollback bersama dengan kode.\u003c/li\u003e\n\u003cli\u003e Memastikan manusia meninjau diff dan hasil eksekusi untuk perubahan penting.\u003c/li\u003e\n\u003cli\u003e Mencatat kegagalan, percobaan ulang, biaya, dan intervensi manusia.\u003c/li\u003e\n\u003cli\u003e Mengukur apakah otomatisasi benar-benar meningkatkan kualitas dan waktu penyelesaian.\u003c/li\u003e\n\u003cli\u003e Memungkinkan agen menolak atau mengalihkan pekerjaan bernilai rendah atau berisiko tinggi.\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch2\u003e\n\u003ca href=\"#kesimpulan\" class=\"anchor\" id=\"kesimpulan\"\u003e\u003c/a\u003eKesimpulan\u003c/h2\u003e\n\u003cp\u003eDaya saing pengembang AI native tidak berasal dari prompt tertentu atau nama alat. Daya saing tersebut berasal dari \u003cstrong\u003ekemampuan mendefinisikan masalah secara akurat, menciptakan lingkungan agar agen dapat bekerja dengan aman, serta menilai kualitas hasil dan bertanggung jawab atasnya\u003c/strong\u003e.\u003c/p\u003e\n\u003cp\u003eAI dapat mempercepat pembuatan banyak bagian implementasi, tetapi tidak secara otomatis menjamin arah produk yang tepat, pengalaman pengguna, keamanan sistem, dan tanggung jawab akhir. Oleh karena itu, pengembang bukan meninggalkan coding, melainkan memperluas perannya ke spesifikasi, evaluasi, penilaian produk, dan operasi sistem dengan berlandaskan pengetahuan coding.\u003c/p\u003e\n","tags":["Rekayasa harness","Agen AI","AI Native","Pengembangan perangkat lunak","Dokumentasi"],"faqs":[{"question":"Apakah developer AI native sama dengan prompt engineer?","answer":"Tidak sama. Penulisan prompt hanyalah salah satu keterampilan, sedangkan developer AI native menangani seluruh sistem eksekusi, mulai dari penguraian masalah, penyediaan konteks, perancangan alat dan hak akses, pengujian, observasi, persetujuan, hingga operasional."},{"question":"Apakah developer AI native tidak menulis kode secara langsung?","answer":"Belum tentu. Proporsi kode yang ditulis langsung mungkin berkurang, tetapi pengetahuan pengembangan yang kuat tetap diperlukan untuk memahami dan men-debug kode yang dibuat AI serta menilai masalah arsitektur, kinerja, dan keamanan."},{"question":"Bolehkah semua penilaian diserahkan kepada agen AI?","answer":"Tidak. Pilihan terbatas yang berisiko rendah dapat diotomatisasi, tetapi keputusan berdampak besar seperti penghapusan data, pembayaran, hak akses keamanan, dan deployment ke production memerlukan persetujuan manusia secara eksplisit serta prosedur pemulihan."},{"question":"Apakah Plan, Draft, Review harus menggunakan tiga agen?","answer":"Tidak perlu. Satu agen atau alur kerja deterministik juga dapat menjalankan ketiga tahap tersebut. Multiagen cocok ketika manfaat evaluasi independen atau eksplorasi paralel melebihi biaya tambahan dan kompleksitas operasional."},{"question":"Apakah dokumen Markdown selalu mengurangi biaya token?","answer":"Tidak selalu. Dokumen terkini yang ringkas dan terstruktur dapat mengurangi penelusuran yang tidak perlu, tetapi dokumen yang duplikat atau usang dapat menyebabkan pekerjaan yang keliru dan penelusuran tambahan. Tanggung jawab pembaruan dokumen dan prosedur verifikasi juga diperlukan."},{"question":"Dari mana sebaiknya memulai transisi menuju AI native?","answer":"Setelah mengukur tolok ukur kinerja saat ini, sebaiknya pilih satu pekerjaan yang mudah diverifikasi, seperti pembuatan pengujian, penataan dokumentasi, atau refactoring berisiko rendah. Perluasan harus dilakukan setelah memeriksa kualitas, waktu penyelesaian, biaya, dan beban peninjauan melalui uji coba terbatas."},{"question":"Apakah AI telah sepenuhnya menyetarakan kemampuan coding?","answer":"AI menurunkan hambatan masuk untuk implementasi berulang dan penyusunan draf, tetapi tidak menghilangkan perbedaan kemampuan pengembangan. Kemampuan menganalisis persyaratan, merancang arsitektur, men-debug, menangani keamanan dan kinerja, serta memverifikasi hasil masih sangat memengaruhi kualitas."},{"question":"Apakah perlu mempelajari banyak alat pengembangan AI agar memiliki daya saing?","answer":"Jumlah alat itu sendiri bukanlah daya saing. Lebih baik terlebih dahulu memilih alat yang dapat menyelesaikan satu pekerjaan nyata secara andal serta memungkinkan pengukuran kualitas dan biaya. Jika spesifikasi dan pengujian dikelola agar tidak bergantung pada alat tertentu, penggantian alat di kemudian hari juga menjadi lebih mudah."},{"question":"Bagaimana cara mengukur kinerja tim pengembangan AI native?","answer":"Alih-alih hanya mengukur jumlah kode yang dihasilkan, waktu penyelesaian pekerjaan, cacat setelah deployment, pengerjaan ulang, rollback, biaya model, waktu peninjauan, dan tingkat kelelahan developer harus diukur secara bersamaan. Hasilnya hanya dapat ditafsirkan dengan membandingkannya terhadap tolok ukur sebelum penerapan dan jenis pekerjaan yang serupa."}],"sources":[{"url":"https://www.anthropic.com/research/building-effective-agents","title":"Anthropic: Membangun agen yang efektif","type":"source"},{"url":"https://docs.github.com/en/issues/tracking-your-work-with-issues/about-issues","title":"GitHub Docs: Tentang isu","type":"source"},{"url":"https://docs.github.com/en/get-started/writing-on-github/getting-started-with-writing-and-formatting-on-github/about-writing-and-formatting-on-github","title":"GitHub Docs: Tentang penulisan dan pemformatan di GitHub","type":"source"},{"url":"https://www.nist.gov/itl/ai-risk-management-framework","title":"Kerangka Kerja Manajemen Risiko AI NIST","type":"source"},{"url":"https://genai.owasp.org/llm-top-10/","title":"10 Risiko Teratas OWASP untuk Aplikasi Model Bahasa Besar","type":"source"}],"images":[{"id":461,"url":"https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6NTQ1NiwicHVyIjoiYmxvYl9pZCJ9fQ==--dcc52a99856a48635d1882fba812226f930329f5/ai-4dab44ed.webp","is_representative":true,"generation_method":"ai_image","license":"ai_generated","mime_type":"image/webp","translations":{"ko":{"alt":"개발자가 여러 대시보드에서 AI 에이전트의 설계, 코딩, 검증, 배포 흐름을 관리하는 다이어그램","caption":"AI 네이티브 개발자가 연결된 에이전트와 도구를 운영하는 전체 개발 구조를 보여준다.","description":null},"en":{"alt":"Developer managing AI agent design, coding, testing, security, and deployment across connected dashboards","caption":"The diagram shows an AI-native developer orchestrating connected agents and tools throughout development.","description":null},"ja":{"alt":"開発者が複数の画面でAIエージェントの設計、実装、検証、展開を管理する図","caption":"AIネイティブ開発者が連携するエージェントとツールを運用する開発構造を示している。","description":null},"es":{"alt":"Desarrollador gestionando diseño, código, pruebas, seguridad y despliegue de agentes de IA en paneles conectados","caption":"El diagrama muestra a un desarrollador nativo de IA coordinando agentes y herramientas durante el desarrollo.","description":null},"id":{"alt":"Pengembang mengelola desain, kode, pengujian, keamanan, dan penerapan agen AI lewat dasbor terhubung","caption":"Diagram ini menunjukkan pengembang native AI yang mengorkestrasi agen dan alat dalam proses pengembangan.","description":null},"pt":{"alt":"Desenvolvedor gerenciando design, código, testes, segurança e implantação de agentes de IA em painéis conectados","caption":"O diagrama mostra um desenvolvedor nativo de IA orquestrando agentes e ferramentas ao longo do desenvolvimento.","description":null},"zh-hant":{"alt":"開發者透過多個互連儀表板管理 AI 代理的設計、編碼、測試、安全與部署","caption":"此圖呈現 AI 原生開發者在開發流程中協調代理與工具的整體架構。","description":null},"de":{"alt":"Entwickler steuert Entwurf, Code, Tests, Sicherheit und Bereitstellung von KI-Agenten über vernetzte Dashboards","caption":"Das Diagramm zeigt, wie ein KI-nativer Entwickler vernetzte Agenten und Werkzeuge im Entwicklungsprozess koordiniert.","description":null}}},{"id":462,"url":"https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6NTQ2MiwicHVyIjoiYmxvYl9pZCJ9fQ==--9fdf22aa2cbd420f209ff5c18baea59124f816b9/ai-f15eba1a.webp","is_representative":false,"generation_method":"ai_image","license":"ai_generated","mime_type":"image/webp","translations":{"ko":{"alt":"보안 장벽 안에서 여러 AI 에이전트가 개발 모듈을 연결하고 검증하는 워크플로 다이어그램","caption":"AI 에이전트들이 코딩, 도구, 설정, 배포 단계를 협업하며 보안과 성능 지표로 검증받는 구조를 보여준다.","description":null},"en":{"alt":"Workflow diagram of AI agents connecting and validating development modules inside a secure boundary","caption":"AI agents collaborate across coding, tooling, configuration, and deployment stages with security and performance checks.","description":null},"ja":{"alt":"安全な領域内で複数のAIエージェントが開発モジュールを連携・検証するワークフロー図","caption":"AIエージェントがコーディング、ツール、設定、デプロイを分担し、セキュリティと性能を確認する構造を示している。","description":null},"es":{"alt":"Diagrama de agentes de IA que conectan y validan módulos de desarrollo en un entorno seguro","caption":"Los agentes de IA colaboran en las fases de código, herramientas, configuración y despliegue con controles de seguridad y rendimiento.","description":null},"id":{"alt":"Diagram alur agen AI yang menghubungkan dan memvalidasi modul pengembangan dalam batas aman","caption":"Agen AI berkolaborasi pada tahap pengodean, alat, konfigurasi, dan penerapan dengan pemeriksaan keamanan serta kinerja.","description":null},"pt":{"alt":"Diagrama de agentes de IA conectando e validando módulos de desenvolvimento em um ambiente seguro","caption":"Agentes de IA colaboram nas etapas de código, ferramentas, configuração e implantação com verificações de segurança e desempenho.","description":null},"zh-hant":{"alt":"多個 AI 代理在安全邊界內連接並驗證開發模組的工作流程圖","caption":"AI 代理協作完成編碼、工具、設定與部署階段，並接受安全和效能檢查。","description":null},"de":{"alt":"Workflow-Diagramm von KI-Agenten, die Entwicklungsmodule in einer sicheren Umgebung verbinden und prüfen","caption":"KI-Agenten arbeiten bei Code, Werkzeugen, Konfiguration und Bereitstellung zusammen und durchlaufen Sicherheits- und Leistungsprüfungen.","description":null}}}],"published_at":"2026-08-04T10:59:54+09:00","updated_at":"2026-08-04T10:59:54+09:00","license":"cc_by","translation_status":"reviewed","available_locales":["ko","en","ja","es"],"data_locales":["ko","en","ja","es","id","pt","zh-hant","de"],"url":"https://injoys.com/en/articles/ai-native-developer-definition-and-practices"}