Para pengembang menjadi 180% lebih produktif dengan AI. Namun, jumlah aplikasi yang benar-benar digunakan orang tidak meningkat. Kedua angka ini diukur dari 100 ribu pengembang, dan bersama-sama mereka adalah data paling tidak nyaman di teknologi tahun 2026. Studi ini berasal dari NBER. Mereka menghubungkan aktivitas nyata di GitHub dengan data penggunaan AI setiap pengembang, memisahkan efek dari setiap generasi alat. Lonjakan produksi kode sangat luar biasa: → Autocomplete: +40% → Agen yang berbicara dengan Anda: +140% → Agen otonom: +180% Hampir tiga kali lebih banyak kode yang dihasilkan dari orang yang sama. Sepertinya ini revolusi produktivitas terbesar yang pernah dilihat dunia. Tapi kemudian para peneliti mengajukan pertanyaan yang hampir tidak ada yang berani tanyakan: seberapa banyak dari peningkatan ini berubah menjadi produk yang nyata di tangan pengguna? Lihat apa yang terjadi pada kenaikan 180% tersebut. Angkanya turun menjadi +50% ketika dihitung berdasarkan jumlah proyek. Ketika sampai pada apa yang benar-benar dirilis, tersisa hanya +30%. Hampir seluruh peningkatan menghilang di tengah jalan. Dan ada bagian yang lebih buruk lagi. Lihat grafik dari Financial Times. Garis peluncuran aplikasi meledak. Sementara itu, jumlah aplikasi yang benar-benar digunakan tetap stagnan, dan peringkat pengguna mulai menurun. AI membanjiri dunia dengan perangkat lunak yang tidak pernah dibuka siapa pun. Kapasitas produksi terbesar dalam sejarah, dihabiskan untuk menciptakan sesuatu yang mati pada hari peluncurannya. Mengapa ini terjadi? Kode selalu menjadi bagian paling mudah dalam cerita ini. Pekerjaan berat datang setelahnya: merevisi, memastikan berfungsi, meluncurkan, dan meyakinkan seseorang untuk menggunakannya. AI mempercepat secara brutal hanya satu mata rantai dalam rantai ini, dan membuat jelas betapa seluruh sisanya masih sangat bergantung pada manusia. Apa yang berubah bagi mereka yang membangun ke depan adalah langsung. AI membuat menulis kode menjadi begitu murah sehingga menjadi komoditas. Sekarang siapa pun bisa menghasilkannya dengan cepat. Apa yang akan bernilai emas dalam dekade mendatang adalah “selera” dan penilaian: tahu apa yang layak ada sebelum Anda menghabiskan satu jam pertama untuk membangunnya.

Kami berpindah dari: "akan AI menggantikan kita?" ke: "AI mana yang harus saya gunakan hari ini?" Itu terjadi dengan cepat.

Ilmu paling kuat yang mendapat perhatian dari universitas-universitas Ivy League Amerika seperti Harvard, Yale, Pennsylvania, Cornell, Columbia, serta perusahaan-perusahaan terkemuka dunia seperti Google, Amazon, dan Netflix adalah "ekonomi perilaku". Jika Anda mempelajari secara ilmiah mengapa manusia bertindak seperti itu, Anda akan pasti unggul di segala situasi. Anda hanya punya satu pilihan: belajar.

Pengingat yang baik untuk para pengembang pecandu AI yang mengatakan selama tes unit, tes asap, atau tes apa pun lulus, maka kode AI yang buruk itu sudah cukup. Omong kosong! “Tes membuktikan bahwa kode lulus rangkaian tes, tidak lebih dari itu. Tes tidak membuktikan sendiri bahwa kode itu benar, aman, dapat dipelihara, efisien, dll. Hal-hal tersebut jauh lebih sulit diukur dan sangat terkait dengan organisasi, arsitektur, budaya, pengetahuan bersama para pemelihara, dll. Semua hal itu kurang selama dan setelah [rewriting] ini [dengan kekuatan AI] [Bun.]"

Elon Musk percaya bahwa bahasa pemrograman akan punah sepenuhnya tahun ini karena AI tidak lagi memerlukan bahasa pemrograman.

Orang-orang meninggalkan OpenAI untuk bergabung dengan Anthropic, miliaran dolar dihabiskan untuk chip khusus demi AGI Sementara itu, bisnis rata-rata masih kehilangan prospek karena tidak ada yang menjawab selama 6 jam Keunggulan bukan lagi pada modelnya, tapi pada siapa yang benar-benar mengintegrasikannya ke dalam pekerjaan

Boris sedang menamai pergeseran yang menjadi dasar bisnis saya selama beberapa bulan terakhir. Cara lama untuk mengembangkan agensi: rekrut junior, latih mereka berdasarkan 10 proyek terakhir Anda, berharap mereka cukup menyerap pengetahuan sehingga proyek ke-11 tidak dimulai dari nol. Ulangi dengan senior untuk mengelola para junior. Ulangi lagi dengan VP untuk mengelola para senior. Setiap lapisan menambah beban, setiap lapisan melemahkan pengetahuan yang tersimpan di kepala pendiri. Saat agensi telah berkembang hingga 30 orang, kualitas asli sudah hilang dan pendiri tidak lagi melakukan hal-hal yang dilatihnya. Cara baru: Anda mengumpulkan data dari setiap proyek ke dalam perpustakaan terstruktur, lalu tulis loop yang menjalankan operasi terhadapnya. Agen yang melihat pola-pola sebelumnya, keberatan-keberatan sebelumnya, keputusan arsitektural sebelumnya, dan mode kegagalan sebelumnya. Permintaan klien baru masuk, loop-loop tersebut sudah mengusulkan apa yang harus dirilis sebelum siapa pun di tim membaca brief-nya. Bukan berdasarkan teori, tapi berdasarkan 50 proyek yang sudah diproses loop-loop tersebut. Matematika jumlah karyawan menjadi tidak berlaku. Rekrutmen berskala linear dengan beban. Loop berskala dengan ukuran perpustakaan data, yang bertambah secara kompound setiap proyek. Apa yang terlihat dalam praktik bagi saya saat ini: Setiap kick-off klien memasuki log proyek terstruktur. Setiap keputusan arsitektural ditandai dan dijelaskan. Setiap masalah yang kami temui di produksi dicatat bersama solusinya. Setiap prompt yang berhasil pada jenis integrasi tertentu disimpan sesuai jenis integrasinya. Saat klien ke-50 datang, sistem sudah memproses 49 versi “bagaimana jenis proyek ini biasanya gagal di minggu keenam”. Loop-loop tersebut tidak otonom. Saya meninjau setiap output. Mereka tidak membuat keputusan arsitektur. Mereka mengungkapkan kandidat. Mereka menyusun dokumentasi. Mereka mengusulkan penambahan fitur berdasarkan apa yang berhasil pada proyek sebelumnya yang serupa. Manusia tetap terlibat dalam setiap keputusan yang menyentuh nilai klien. Tetapi apa yang mereka buka adalah jenis leverage yang tidak pernah dihasilkan oleh rekrutmen. Seorang insinyur senior membawa 10 tahun pengenalan pola. Loop-loop membawa semua pola dari setiap proyek yang pernah saya rilis, dapat diakses dalam hitungan detik. Pengenalan pola insinyur membaik sepanjang karirnya. Pengenalan pola loop-loop membaik setiap Senin. Boris menamai transisi ini pada level mode. Pergeseran ini persis sama pada level agensi. Pekerjaan bukan lagi meminta AI. Pekerjaan adalah menulis loop-loop yang meminta AI, dan mengakumulasi data yang menjadi dasar loop-loop tersebut. Sebagian besar agensi pada tahun 2027 akan menjadi salah satu dari dua hal: Baik itu toko yang berskala berdasarkan jumlah karyawan dan masih merekrut junior, atau studio yang berskala berdasarkan loop dengan sebagian kecil tim namun throughput 10x lebih tinggi per pembuat. Belum sepenuhnya otonom. Tidak berpura-pura menjadi salah satunya. Tetapi pergeseran arsitektural ini nyata, dan sebagian besar operator belum menyadari bahwa hal ini juga berlaku untuk bisnis mereka sendiri, bukan hanya untuk AI yang membangunnya.

Coba ini: ketuk jari-jari tanganmu secara acak ke dinding agar suaranya mengusir singa dari lingkunganmu. Tidak ada singa, kan? Jika kamu menganggap itu sebagai bukti bahwa strategimu berfungsi, maka kamu memahami strategi investasi sebagian besar industri AI saat ini 😎😆 #CryptoSatire #CryptoVerse #AI #AgenticAI #AIInfrastructure #Anthropic #Claude #OpenAI #ChatGPT #AgenticEconomy