Pendiri Claude Code, Boris Cherny, Berbagi 7 Penilaian Kunci tentang AI di Konferensi Sequoia

Diproses oleh Ayin

Boris Cherny, pendiri Claude Code, berbagi di konferensi Sequoia, informasinya sangat padat, banyak pandangan yang saya dengar untuk pertama kalinya secara lengkap. Orang ini memang memahami AI dengan baik.

Saya berbagi ringkasan saya sendiri.

Untuk sejumlah besar skenario pengembangan utama, menulis kode secara manual mulai menjadi hal yang tidak efisien.

Dulu, ketika sebuah fitur perlu dirilis, insinyur duduk, memikirkan terlebih dahulu cara mengimplementasikannya, lalu mengetikkan kode baris demi baris. Dalam proses ini, nilai terbesar seorang insinyur adalah: apakah ia bisa menulis kode, seberapa baik ia menulisnya, dan seberapa cepat ia menulisnya.

Cara kerjanya sekarang berbeda.

Fungsi yang sama, pekerjaan insinyur lebih mirip: menjelaskan kebutuhan terlebih dahulu, membagi tugas menjadi beberapa bagian yang diberikan kepada Agent, menetapkan kriteria penerimaan, lalu memeriksa apakah hasil yang dihasilkan Agent benar. Jika salah, sesuaikan petunjuknya dan biarkan Agent menjalankannya lagi.

AI sudah dapat menangani sebagian besar tugas pemrograman. Tentu saja, belum 100%, masih ada banyak kode besar dan kompleks, bahasa langka, atau lingkungan khusus di mana model saat ini masih belum cukup baik.

Secara keseluruhan, nilai seorang insinyur telah berubah dari kemampuan menulis kode menjadi kemampuan memecah tugas, menjelaskan tujuan dengan jelas, menerima hasil, dan mengelola Agent.

Perubahan ini sebenarnya sangat mirip dengan Revolusi Industri.

Sebelum Revolusi Industri, seorang pandai besi melakukan semua proses sendiri, mulai dari menempa, membentuk, memoles, hingga merakit. Pandai besi yang ahli secara alami bernilai tinggi.

Kemudian jalur produksi muncul. Setiap pekerja hanya bertanggung jawab atas satu proses, namun total outputnya meningkat puluhan hingga ratusan kali dibandingkan era manual.

Pada saat ini, peran yang bernilai tinggi di pabrik bukan lagi pengrajin yang paling ahli dalam satu proses tertentu, melainkan orang yang mampu merancang, mengelola, dan membuat jalur produksi berjalan lancar.

Pekerja tidak hilang, tetapi peran pekerja berubah.

Rekayasa perangkat lunak saat ini sedang mengalami titik balik serupa. Kode itu sendiri bukan lagi barang langka. Kemampuan menulis kode sedang menjadi keterampilan dasar seperti kemampuan menggunakan PPT.

Yang benar-benar langka adalah kemampuan untuk memecah kebutuhan yang kabur menjadi tugas-tugas yang jelas, kemampuan untuk memilih solusi paling tepat dari beberapa opsi yang diberikan oleh Agent, dan kemampuan untuk membuat sekelompok AI bekerja sama untuk menyelesaikan satu hal.

Sebenarnya, banyak insinyur berpengalaman awalnya tidak bisa menerima hal ini. Melakukan penulisan kode secara langsung adalah alasan yang membuat banyak orang mencintai bidang ini selama beberapa dekade terakhir.

Menyerahkan ini ke mesin, bagi banyak orang, bukan hanya cara kerja yang berubah, tetapi juga重塑 identitas diri.

Tetapi tren tetaplah tren.

Pemrograman sedang berubah dari keterampilan profesional menjadi keterampilan dasar. Hal ini dapat dibandingkan dengan percetakan di Eropa abad ke-15.

Sebelum penemuan percetakan, hanya sekitar 10% penduduk Eropa yang bisa membaca dan menulis. Orang-orang ini sering dipekerjakan oleh bangsawan yang tidak bisa membaca dan menulis, dengan tugas khusus membacakan dan menuliskan untuk mereka.

Kemudian teknologi percetakan muncul. Dalam waktu 50 tahun, jumlah buku yang diterbitkan di Eropa melebihi total selama seribu tahun sebelumnya, dan harga buku turun sekitar 100 kali lipat. Baru setelah ratusan tahun berikutnya dengan penyesuaian pendukung (sistem pendidikan dan struktur ekonomi perlahan menyusul), tingkat melek huruf global naik hingga mencapai 70% seperti saat ini.

Boris percaya bahwa dampak AI terhadap perangkat lunak adalah revolusi percetakan yang dipercepat. Perangkat lunak akan sepenuhnya demokratisasi dalam beberapa dekade, menjadi sesuatu yang dapat dikuasai oleh siapa pun.

Pada akhirnya, membuat perangkat lunak akan sealamiah mengirim pesan teks.

Setelah ambang batas menulis kode diturunkan oleh AI ke tingkat yang sangat rendah, yang benar-benar membedakan kemampuan seseorang adalah sensibilitas produknya, dan pemahaman yang mendalam terhadap bidang tertentu.

Misalnya. Dua orang ingin mengembangkan produk yang ditujukan untuk dokter. Satu orang adalah insinyur yang cepat dalam menulis kode, dan satu orang lagi pernah bekerja selama beberapa tahun di departemen informasi rumah sakit.

Di masa lalu, insinyur lebih mungkin menghasilkan sesuatu, karena ia bisa mewujudkan ide tersebut.

Sekarang keadaannya terbalik. Siapa pun bisa mewujudkan ide tersebut. Pada saat ini, orang yang benar-benar memahami alur kerja harian rumah sakit justru lebih berharga. Karena ia tahu fitur mana yang benar-benar akan digunakan oleh dokter, dan mana yang hanya terdengar masuk akal.

Artinya, setelah AI meratakan ambang eksekusi, perbedaan dalam kemampuan penilaian menjadi lebih besar.

This event directly redefined the meaning of the word generalist.

Dulu kita mengatakan generalist, biasanya merujuk pada seorang insinyur yang bisa menulis iOS, bisa menulis Web, dan bisa menulis backend. Generalist semacam ini, pada dasarnya tetap merupakan full-stack di dalam bidang teknik.

Generalis masa depan adalah full-stack lintas disiplin.

Ada orang yang memahami produk, desain, dan teknik secara bersamaan. Ada orang yang memahami produk, ilmu data, dan teknik secara bersamaan. Kombinasi semacam ini dulu hampir tidak mungkin, karena masing-masing bidang memerlukan pelatihan khusus yang panjang.

Sekarang AI menurunkan ambang eksekusi untuk setiap bidang, sehingga satu orang dapat menjangkau beberapa bidang sekaligus sambil tetap mempertahankan kedalaman keahlian.

Tim Claude Code begitu adanya. Manajer teknik, PM, desainer, ilmuwan data, keuangan, peneliti pengguna, semua orang menulis kode.

Desainer dapat menjalankan prototipe interaksi sendiri untuk ditunjukkan ke tim, bukan hanya membuat gambar dan menunggu insinyur untuk mewujudkannya.

Tim keuangan dapat membuat alat analisis sendiri untuk menjalankan model keuangan rumit perusahaan, tanpa perlu lagi antri menunggu BI. Rekan-rekan riset pengguna mulai menjalankan data sendiri, mengambil alih bagian pekerjaan yang sebelumnya bergantung pada tim data.

Kedalaman profesional setiap orang masih ada. Namun, dengan bantuan AI, membuat kode telah menjadi bahasa yang digunakan bersama.

Dalam beberapa dekade terakhir, industri SaaS memiliki beberapa kesepakatan yang hampir dianggap sebagai aksioma.

Yang pertama adalah biaya peralihan. Setelah sebuah perusahaan menggunakan sistem Anda, data, konfigurasi, bidang, dan hubungan izin selama beberapa tahun bahkan puluhan tahun perlahan-lahan akan terakumulasi di dalamnya.

Ingin pindah ke sistem lain, hanya dengan memindahkan hal-hal ini secara utuh keluar dan masuk kembali, sudah cukup membuat pusing dan enggan bergerak.

Yang kedua adalah kunci alur kerja. Operasi harian karyawan, kolaborasi lintas departemen, dan titik persetujuan semuanya tumbuh mengelilingi SaaS ini.

Mengganti sistem bukan hanya memindahkan data, tetapi menghancurkan dan membangun ulang ingatan otot perusahaan selama beberapa tahun terakhir.

Kedua hal ini bersama-sama membentuk parit perlindungan terdalam dalam industri SaaS masa lalu. Namun, dengan adanya model yang cukup kuat, logika masalah mulai berubah.

Pertama, lihat sisi biaya peralihan. Di masa lalu, beralih dari satu SaaS ke SaaS lain saja sudah memerlukan tim teknis bekerja lembur selama beberapa bulan hanya untuk menyelaraskan bidang dan mereplikasi struktur data.

Sekarang langsung berikan antarmuka dan struktur data dari kedua sisi ke model, biarkan model sendiri memahami hubungan pemetaannya, dan secara bertahap menuju solusi optimal. Hal yang awalnya memakan waktu berbulan-bulan, mungkin hanya butuh beberapa hari untuk menghasilkan versi yang bisa digunakan.

Lihat sisi kunci alur kerja, ini lebih menarik. Di masa lalu, alur kerja bisa mengunci pelanggan karena prosesnya sendiri rumit, implisit, dan bergantung pada manusia.

Kesepakatan implisit di dalam pikiran karyawan tentang siapa yang harus mengajukan persetujuan dan di tahap mana prosesnya terhambat tidak bisa langsung dipindahkan.

Namun, model seperti Opus 4.7 justru paling ahli dalam memahami, membongkar, dan membangun kembali proses kompleks di lingkungan baru. Bahkan versi yang dibangun ulang mungkin bisa lebih lancar daripada yang asli.

Jadi, parit perlindungan yang dibangun berdasarkan akumulasi data dan proses sedang runtuh.

Ini mungkin kabar buruk bagi mereka yang mengembangkan SaaS. Tetapi bagi semua pelanggan yang menggunakan SaaS dan tim yang sedang mempersiapkan SaaS generasi baru, ini adalah jendela peluang nyata.

Perusahaan rintisan yang benar-benar mengganggu industri dalam 10 tahun ke depan mungkin 10 kali lebih banyak daripada 10 tahun sebelumnya.

Alasannya sebenarnya tidak rumit.

Tim kecil dapat menggunakan AI untuk menghasilkan produk setara atau bahkan lebih baik daripada perusahaan besar. Sebaliknya, perusahaan besar yang ingin benar-benar memanfaatkan AI justru menjadi aset negatif.

How to say it?

Sebuah perusahaan yang telah berusia lebih dari sepuluh tahun telah mengembangkan seluruh proses bisnis, pembagian peran, kebiasaan kolaborasi, sistem pelatihan, dan penilaian KPI sendiri. Hal-hal ini dulu merupakan aset dan penghalang.

Namun, untuk benar-benar mengintegrasikan AI, semua hal ini perlu ditinjau ulang: proses bisnis harus direstrukturisasi, semua karyawan harus dilatih ulang, setiap langkah maju akan menghadapi hambatan internal yang besar, dan harus mengoordinasikan N departemen, N tingkat persetujuan.

Sebuah tim startup beranggotakan tiga orang, sejak hari pertama menjadikan AI sebagai fondasi default. Mereka tidak memiliki beban sejarah yang harus dilepaskan, tidak ada kebiasaan yang harus diubah, dan tidak ada yang perlu diyakinkan. Hari ini dibahas jelas, besok sudah bisa menghasilkan Demo, dan lusa sudah bisa diluncurkan agar pengguna bisa menggunakannya.

Perbedaan kecepatan ini sebenarnya juga pernah ada sebelumnya. Perusahaan rintisan sejak awal memiliki keunggulan kecepatan dibanding perusahaan besar. Tetapi AI memperbesar kesenjangan ini hingga beberapa kali lipat.

Why?

Karena semakin kuat AI, semakin besar daya ungkit yang dapat digerakkan seseorang dalam satuan waktu. Sebuah tim kecil yang benar-benar memanfaatkan AI, outputnya hari ini mungkin setara dengan sepuluh orang di masa lalu, besok mungkin setara dengan tiga puluh orang di masa lalu.

Namun, bobot organisasi perusahaan besar tidak menjadi lebih ringan, malah menjadi lebih berat karena harus mengadopsi AI. Semakin kuat AI, semakin lebar selisih antara akselerasi tim kecil dan gaya tarik perusahaan besar.

Inilah aset negatif yang dikatakan Boris. Bukan karena perusahaan besar kekurangan uang, orang, atau keinginan, tetapi karena otot-otot lama yang dulu menghasilkan uang justru terjebak di jalan menuju penerapan nyata AI.

MCP tidak akan mati.

Setelah Skill menjadi populer, banyak orang merasa MCP tidak lagi diperlukan. Pendiri OpenClaw juga memiliki pandangan serupa.

Namun Boris tidak melihatnya demikian. Ia percaya MCP akan menjadi lapisan koneksi perangkat lunak di era AI.

Cara koneksi perangkat lunak di internet masa lalu adalah API.

Namun, masalah utama API adalah bahwa API dirancang untuk para insinyur. Untuk menggunakan sebuah API, Anda harus terlebih dahulu membaca dokumentasi, mengajukan Token, menulis kode, menyelaraskan bidang, dan menangani pengecualian. Dengan kata lain, API ditulis untuk pengembang manusia.

MCP berbeda. Ini memungkinkan model untuk terhubung langsung, model itu sendiri bisa membaca dan memanggilnya, tanpa perlu seorang programmer menerjemahkan di tengahnya.

Jadi Boris menyebut API sebagai Human Developer Interface, dan MCP sebagai Model Interface Protocol. Yang satu untuk manusia, yang satu lagi untuk model.

Ini sebenarnya sangat mirip dengan masa itu. Di era internet seluler, semua layanan secara default harus di-API-kan. Di era AI, semua layanan secara default harus di-MCP-kan.

Banyak orang sekarang membicarakan Computer Use, merasa arah ini mungkin tidak berfungsi.

Alasannya juga masuk akal: terlalu boros Token, lambat, dan tidak stabil. Sepertinya lebih seperti demo pamer teknis, masih jauh dari yang benar-benar bisa digunakan.

Tetapi Boris melihatnya dari sudut yang sama sekali berbeda.

Yang benar-benar ia hargai adalah, Computer Use menyelesaikan salah satu tantangan terbesar dalam penerapan AI: di dunia nyata, ada banyak sistem yang tidak memiliki API maupun MCP.

Terutama di dunia bisnis.

Hanya setelah masuk ke perusahaan, Anda akan tahu bahwa banyak sistem inti di dalamnya sangat tua. ERP, OA, sistem keuangan, persetujuan internal, backend rantai pasokan, berbagai sistem khusus. Banyak yang tidak memiliki antarmuka terbuka, tanpa dokumentasi, tanpa kemampuan otomatisasi. Mereka tetap ada di sana, setiap hari dioperasikan secara manual oleh ribuan karyawan.

Lalu mengapa tidak membuat API langsung untuk mereka?

Karena tidak bisa dilanjutkan. Pemasok yang mengembangkan sistem-sistem ini mungkin sudah tidak ada lagi. Departemen TI tidak memiliki dorongan maupun anggaran untuk merekonstruksi.

Departemen bisnis bahkan tidak mungkin berhenti menunggu selama enam bulan atau satu tahun. Sistem-sistem ini tidak akan pernah menunggu API sempurna untuk menyelamatkan diri mereka sendiri.

Dalam jangka pendek, berbagai model seharusnya masih akan meningkatkan kemampuan Computer Use mereka.