Ahmad Shadid dari O.XYZ Membahas Janji dan Jebakan Alat Pengodean Berbasis AI: Menyeimbangkan Inovasi dengan Keamanan dan Kompleksitas

Baru-baru ini, Sebastian Siemiatkowski, CEO Klarna, perusahaan solusi pembayaran global yang menawarkan layanan “beli sekarang, bayar nanti”, berbagi Bagaimana perangkat AI seperti Cursor telah merevolusi pengembangan prototipe. Ia menyoroti tren vibe coding yang sedang berkembang, di mana AI membantu menghasilkan kode melalui perintah bahasa alami, menyederhanakan alur kerja, dan mengurangi ketergantungan pada tim teknis. Pendekatan ini menjadi keterampilan kunci bagi para pengembang, dengan perusahaan-perusahaan besar semakin menginginkan kemahiran dalam perangkat coding bertenaga AI.

Dalam percakapan dengan Mpost, Ahmad Shadid , CEO O.XYZ —sebuah ekosistem pengembangan AI tumpukan penuh yang agensiik—berbagi wawasan dan keahliannya tentang evolusi tren ini.

Kebangkitan Pengkodean Berbasis AI: Memberdayakan Pemimpin Non-Teknis, Mengurangi Risiko, dan Membentuk Masa Depan Rekayasa Perangkat Lunak

Ahmad Shadid mencatat bahwa para pemimpin non-teknis kini memiliki kesempatan untuk mengubah ide menjadi demo yang dapat diklik dalam hitungan jam, berkat perangkat yang didukung AI. Hal ini mempercepat penemuan produk dan mengurangi kesenjangan penerjemahan antara tujuan bisnis dan rekayasa. Namun, risikonya mencakup rasa kelayakan yang keliru, karena prototipe dapat menyembunyikan masalah mendasar seperti kelayakan, keamanan, dan utang teknis. Selain itu, para pemimpin mungkin menjadi terlalu fokus pada apa yang dapat dihasilkan oleh perangkat tersebut, mengabaikan apa yang layak dari perspektif strategis atau teknis.

Ia juga menyampaikan kendala paling umum yang dihadapi tim saat menggunakan kode yang dihasilkan AI dan menawarkan wawasan tentang cara mengurangi risiko ini.

Penanganan input yang tidak aman dan pola autentikasi yang lemah merupakan beberapa masalah utama. Masalah keamanan ini dapat diatasi dengan menerapkan SAST/DAST dalam CI, linter keamanan, pemindaian dependensi, dan pemodelan ancaman pada fitur yang berasal dari AI. Kebocoran data dalam prompt dapat dikurangi dengan merutekan melalui penyedia yang disetujui yang menyunting dan melindungi rahasia, serta menggunakan gateway prompt yang menjaga privasi,” ujar Ahmad Shadid kepada Mpost.

"Bukan hanya kode yang dihasilkan AI. Ketika seseorang bukan seorang insinyur atau pembuat kode, mereka seringkali kurang memahami secara komprehensif bagaimana perangkat lunak dibangun dan seperti apa arsitektur sistemnya. AI hanya sebaik prompt-nya, kan? Jadi, mereka tidak dapat menjalankan prompt AI dengan benar, dan ini dapat mengakibatkan ancaman keamanan dan masalah seperti API di frontend dan basis data publik," lanjutnya.

Selain itu, pakar tersebut menambahkan bahwa banyak insinyur mengeluhkan ketika konteks menjadi terlalu besar atau ketika sesuatu menjadi terlalu kompleks, AI mulai berhalusinasi. AI mulai membuat perubahan pada kode yang tidak diperlukan atau tidak diminta secara eksplisit. AI juga menghasilkan ribuan baris kode. Bayangkan mencoba mengikuti perubahan basis kode acak yang tersebar di ribuan baris kode.

“Pada akhirnya, peninjauan 'tanpa AI' yang dilakukan secara berkala dan dibatasi waktu sangat penting untuk menjaga dasar-dasar tetap segar dan memerangi penurunan keterampilan,” ujarnya.

Mengomentari apakah ketergantungan pada pengkodean berbasis AI pada akhirnya dapat mengubah cara insinyur perangkat lunak dinilai dan direkrut di berbagai industri, dengan "pengkodean vibe" menjadi keterampilan yang dicari bahkan dalam lowongan pekerjaan, Ahmad Shadid mengatakan bahwa, "Semakin sedikit pengetikan mentah, semakin banyak desain sistem, peninjauan kode, penelusuran kesalahan, keamanan, dan orkestrasi data/AI yang menggantikan kepekaan produk. Kita juga telah melihat pergeseran dari 'menerapkan X dari awal' menjadi 'mengkritik, memperkuat, dan memperluas kode yang dihasilkan AI', ditambah latihan arsitektur dan insiden. Meningkatnya 'pemimpin pemrograman berpasangan AI', 'penjaga kode', dan insinyur platform yang membangun pembatas dalam perangkat lunak yang dihasilkan AI menunjukkan semakin banyaknya penggunaan pengkodean berbasis AI."

"Para pemula sering kali melewatkan dasar-dasar dan langsung terjun ke rekayasa cepat tanpa tahu apa yang ingin mereka capai. Di sisi lain, insinyur berpengalaman mendapatkan daya ungkit, menghasilkan lebih banyak waktu untuk arsitektur, keandalan, dan hasil produk yang sesuai. Jalur pembelajaran eksplisit, budaya 'baca sebelum tulis', dan latihan 'mode manual' berkala dapat membantu memastikan penggunaan AI yang efisien dan etis untuk menulis kode," ujarnya.

Alat Pengkodean Vibe Bermanfaat, Namun Terlalu Sederhana untuk Menggantikan Alur Kerja Pengembangan Tradisional

Salah satu kekhawatirannya adalah bahwa alat pengodean vibe pada akhirnya dapat menggantikan alur kerja pengodean tradisional. Namun, pakar tersebut mencatat bahwa alat pengodean vibe terlalu sederhana untuk menggantikan alur kerja pengodean yang lengkap.

Apakah ini akan menjadi bagian dari alur kerja pengkodean mulai sekarang? Tentu, tim produk sangat diuntungkan dengan hal ini karena dapat dengan cepat memasang antarmuka pengguna (Frontend) dan memeriksa berbagai desain UX. Tentu, pengembang lepas dan penghobi dapat dengan cepat menyusun sesuatu, tetapi ini tidak dapat menggantikan seluruh alur kerja. Faktanya, pengembangan saat ini menghadapi beberapa tantangan, terutama karena AI semakin canggih,” ujarnya kepada Mpost.

"Kita benar-benar tidak bisa mengejar, alat tidak bisa mengejar, dan kita menghadapi krisis fragmentasi alat di mana pengembang sekarang membutuhkan 4, 5 alat sebagai bagian dari alur kerja mereka. Setiap kali Anda beralih, Anda kehilangan konteks, Anda tidak bisa mengimbangi, dan AI tidak bisa mengimbangi; Anda tidak bisa menindaklanjuti semua perubahan dalam satu alat dan alat lainnya, dst.," lanjut Ahmad Shadid.

Sederhananya, perangkat dan platform pengodean Vibe saat ini masih memiliki jalan panjang sebelum dapat menggantikan alur kerja pengodean tradisional. Perangkat-perangkat ini masih belum lengkap.

Ahmad Shadid Membahas Masa Depan AI dalam Pengembangan Perangkat Lunak: Manfaat, Risiko, dan Kebutuhan Solusi yang Aman dan Skalabel

Ahmad Shadid menekankan bahwa alat dan lingkungan pengembangan saat ini disiapkan untuk mengintegrasikan pengkodean bertenaga AI dengan aman: “Integrasi IDE, pelengkapan kode yang kuat, refaktor yang layak, dan asisten yang sadar repo semuanya memainkan peran utama dalam menghasilkan kode yang dihasilkan AI,” katanya kepada Mpost"Namun, terdapat kesenjangan dalam skala perusahaan. Auditabilitas terpadu atas saran AI, penegakan kebijakan yang kuat dengan pengendalian biaya, dan opsi model on-prem/privat yang lancar berpotensi menciptakan kesenjangan besar di tingkat perusahaan," tambah pakar tersebut. 

Seiring semakin banyaknya eksekutif yang menggunakan perangkat AI untuk pembuatan prototipe cepat, hal ini dapat membantu mendemokratisasi inovasi di dalam perusahaan. Namun, hal ini juga berisiko menyederhanakan kompleksitas rekayasa perangkat lunak secara berlebihan.

Ahmad Shadid percaya bahwa dengan lebih banyak orang yang terlibat dalam proses ideasi, perusahaan dapat memvalidasi ide lebih cepat dan meningkatkan kolaborasi lintas fungsi. Hal ini memungkinkan lebih banyak ide untuk dikembangkan dan disempurnakan menjadi solusi yang stabil, memberikan kebebasan bagi para kreator untuk mewujudkan konsep mereka melalui perangkat lunak.

"Penggunaan perangkat AI untuk pembuatan prototipe meremehkan kompleksitas keandalan, operabilitas, dan skalabilitas, sehingga keputusan yang diambil berdasarkan demo dapat menyebabkan kegagalan jika dibiarkan begitu saja. Perangkat ini memudahkan pembuatan prototipe, tetapi sulit untuk dikirimkan tanpa rekayasa gerbang kualitas," tegas sang pakar.

Lebih lanjut, perusahaan sebaiknya mengizinkan non-insinyur untuk beroperasi di lingkungan terisolasi yang menjalankan aplikasi secara diam-diam dan privat. Penggunaan data tiruan/sintetis serta kredensial nol produksi dapat membantu meminimalkan risiko kebocoran data.

Strategi identifikasi sistem yang jelas, seperti repo sekali pakai dan namespace terpisah, membantu memaksimalkan program AI secara terpisah. Tumpukan yang disetujui, perancah yang aman, pengujian bawaan, dan linting menyediakan platform yang aman untuk skalabilitas dan ketahanan aplikasi,” ujar Ahmad Shadid kepada Mpost.