Langsung ke isi

AI

AI Coding Agent Sudah Bisa Membangun Aplikasi. Lalu, Apa Peran Software Engineer?

Coding agent pada 2026 bukan lagi sekadar autocomplete. Apa yang ditunjukkan penelitian terbaru tentang produktivitas, kualitas kode, pemahaman developer, dan peran software engineer?

siapkan kopi dulu ☕

AI Coding Agent Sudah Bisa Membangun Aplikasi. Lalu, Apa Peran Software Engineer?

Pada 2026, pertanyaan tentang kecerdasan buatan dan pemrograman sudah berubah. Kita tidak lagi hanya membicarakan AI yang menyarankan satu baris kode atau membantu menulis sebuah fungsi.

Coding agent kini dapat menerima tujuan, membaca repositori, merencanakan perubahan, mengedit banyak berkas, menjalankan perintah, membuat dan menjalankan pengujian, memperbaiki error, hingga menyiapkan pull request. Dalam lingkungan tertentu, agent bahkan dapat menjalankan rangkaian pekerjaan pengembangan dengan campur tangan manusia yang lebih sedikit.

Akibatnya, seseorang yang tidak pernah belajar pemrograman secara formal dapat membuat aplikasi yang jauh lebih kompleks dibandingkan beberapa tahun lalu. Ia dapat menjelaskan kebutuhan dalam bahasa sehari-hari, melihat hasilnya, meminta perubahan, lalu mengulang proses tersebut.

Ini bukan sekadar tren. Cara membuat perangkat lunak memang sedang berubah.

Namun, ada pertanyaan yang lebih penting daripada apakah AI bisa menulis kode:

Jika AI semakin mampu membangun aplikasi, apa sebenarnya pekerjaan seorang software engineer?

Jawabannya tidak bisa lagi disederhanakan menjadi “manusia menulis kode, AI membantu”. Peran manusia sedang bergeser dari penulis kode menjadi perancang, pengarah, evaluator, pengambil keputusan, dan penanggung jawab sistem.

Dari autocomplete menuju agentic software development

Perkembangan AI coding dapat dipahami melalui tiga tahap yang saling tumpang tindih.

  1. Code completion. AI menyarankan potongan kode ketika seseorang sedang mengetik. Developer tetap mengendalikan hampir seluruh alur kerja.
  2. Interactive coding assistant. AI memahami konteks beberapa berkas, menjawab pertanyaan tentang kode, mengubah fungsi, membantu debugging, dan menyusun perubahan yang lebih luas.
  3. Coding agent. AI menerima tujuan atau tiket pekerjaan, menelusuri repositori, membuat rencana, mengubah sejumlah berkas, menjalankan tool dan pengujian, lalu menyajikan hasil untuk ditinjau.

Perbedaan tahap ketiga sangat penting. AI bukan lagi sekadar alat untuk mempercepat pengetikan. Ia mulai mengambil bagian dalam alur kerja rekayasa perangkat lunak.

Istilah vibe coding sering digunakan untuk menggambarkan pendekatan ketika seseorang membangun aplikasi melalui instruksi bahasa alami dan lebih banyak menilai hasil daripada menulis kode secara langsung. Pendekatan ini berguna untuk eksplorasi, prototipe, dan sejumlah aplikasi sederhana. Tetapi ketika agent diberi akses ke repositori, terminal, database, atau lingkungan deployment, persoalannya berubah: kita sedang mendelegasikan tindakan teknis kepada sistem otomatis.

Karena itu, pembahasan 2026 harus membedakan antara AI yang menghasilkan kode, AI yang menyelesaikan tugas pengembangan, dan sistem perangkat lunak yang benar-benar berhasil dipakai.

Apa yang ditunjukkan penelitian 2026?

Kita perlu menghindari dua sikap ekstrem: menolak kemampuan AI dengan mengutip eksperimen lama, atau menganggap demonstrasi yang mengesankan sebagai bukti bahwa seluruh persoalan software engineering sudah selesai.

Sejumlah penelitian 2026 memberikan gambaran yang lebih aktual.

1. Coding agent meningkatkan aktivitas coding, tetapi belum otomatis meningkatkan keberhasilan produk

Working paper NBER oleh Mert Demirer, Leon Musolff, dan Liyuan Yang, Writing Code vs. Shipping Code: Productivity Effects Across Generations of AI Coding Tools (Mei 2026, direvisi September 2026), menganalisis data lebih dari 500.000 developer GitHub beserta telemetri penggunaan AI.

Studi tersebut melaporkan kenaikan aktivitas commit kumulatif sekitar 30% untuk autocomplete, 180% untuk interactive coding agent, dan 240% untuk autonomous coding agent. Namun, kenaikan itu menyusut ketika pengukuran bergeser dari aktivitas coding ke hasil yang lebih dekat dengan produk: efek pada jumlah proyek sekitar 80%, sedangkan pada rilis aktual sekitar 30%.

Temuan ini penting. AI dapat memperbesar kapasitas menghasilkan perubahan kode, tetapi proses menuju produk yang benar-benar dirilis masih memiliki hambatan lain. Kebutuhan pengguna, integrasi, pengujian, keputusan produk, keamanan, persetujuan, dan operasional tidak otomatis selesai hanya karena kode berhasil dibuat.

Perlu dicatat, NBER working paper merupakan penelitian yang dapat ditelaah dan didiskusikan, tetapi statusnya tidak sama dengan artikel jurnal yang telah melalui proses peer review.

Sumber: NBER Working Paper 35275 (2026).

2. Eksperimen lapangan menunjukkan peningkatan produktivitas, tetapi hasilnya tidak seragam

Penelitian Tobias Salz yang diterbitkan secara daring di Management Science pada 27 Februari 2026 menggabungkan tiga eksperimen lapangan di Microsoft, Accenture, dan sebuah perusahaan Fortune 100. Total terdapat 4.867 developer.

Analisis gabungan menemukan peningkatan sekitar 26,08% pada jumlah tugas yang diselesaikan oleh kelompok yang memperoleh akses ke asisten coding AI. Namun, peneliti juga menyatakan bahwa setiap eksperimen memiliki variasi hasil dan tingkat ketidakpastian.

Ini merupakan bukti bahwa AI dapat meningkatkan produktivitas dalam kondisi kerja nyata. Tetapi angka tersebut tidak boleh dibaca sebagai janji bahwa setiap developer, setiap jenis pekerjaan, atau setiap organisasi akan memperoleh peningkatan yang sama.

Sumber: Salz, The Effects of Generative AI on High-Skilled Work: Evidence from Three Field Experiments with Software Developers, Management Science (2026).

3. Produktivitas yang meningkat dapat disertai berkurangnya pemahaman atas kode

Artikel penelitian More Code, Less Understanding? On the Impact of AI Assistants on Developers’ Productivity and Code Ownership diterbitkan di IEEE Transactions on Software Engineering, Volume 52, Issue 7, Juli 2026.

Eksperimen ini melibatkan 69 peserta yang mengerjakan dua tugas pemrograman, satu dengan bantuan AI dan satu tanpa bantuan AI. Dengan AI, kelengkapan tugas secara median jauh lebih tinggi—lebih dari dua kali lipat dalam ukuran yang digunakan peneliti. Namun, kemampuan peserta menjawab pertanyaan teknis tentang kode yang mereka hasilkan turun 12,5%.

Temuan ini bukan bukti bahwa semua pengguna AI kehilangan pemahaman. Sampel dan tugas eksperimennya terbatas. Tetapi ada pesan yang layak diperhatikan: berhasil menghasilkan kode dan memahami kode yang dihasilkan adalah dua hal berbeda.

Jika seseorang tidak dapat menjelaskan keputusan desain, alur data, batas akses, atau konsekuensi perubahan, ia akan kesulitan ketika sistem harus diperbaiki, diaudit, atau dikembangkan oleh orang lain.

Sumber: IEEE Transactions on Software Engineering, DOI 10.1109/TSE.2026.3679627.

4. Penelitian maintainability tidak mendukung anggapan bahwa semua kode AI pasti sulit dirawat

Penelitian Echoes of AI: Investigating the downstream effects of AI assistants on software maintainability, diterbitkan di Empirical Software Engineering pada 9 Juni 2026, melakukan eksperimen terkontrol dengan 151 peserta; 95% di antaranya merupakan developer profesional.

Peneliti tidak menemukan perbedaan signifikan pada waktu penyelesaian maupun kualitas kode ketika developer lain melanjutkan pengembangan kode yang sebelumnya dibuat dengan atau tanpa bantuan AI. Dalam fase awal, penggunaan AI memang berkaitan dengan pengurangan median waktu penyelesaian sebesar 30,7%.

Ini penting untuk menjaga pembahasan tetap adil. Tidak tepat menyimpulkan bahwa kode buatan AI secara otomatis buruk atau tidak dapat dipelihara. Bukti penelitian tersebut justru menunjukkan bahwa dalam ruang lingkup eksperimen yang diuji, tidak ditemukan penurunan maintainability yang sistematis.

Namun, hasil eksperimen pada aplikasi Java dan tugas tertentu juga tidak dapat digeneralisasi ke semua bahasa, arsitektur, skala sistem, dan kondisi produksi.

Sumber: Borg et al., Empirical Software Engineering (2026).

5. Analisis repositori nyata menemukan masalah kualitas yang dapat bertahan

Preprint penelitian Debt Behind the AI Boom: A Large-Scale Empirical Study of AI-Generated Code in the Wild (Maret 2026) menganalisis 304.362 commit yang diverifikasi sebagai kontribusi AI dari 6.275 repositori GitHub.

Peneliti mengidentifikasi berbagai masalah, terutama code smell, bug, dan isu keamanan. Mereka melaporkan bahwa lebih dari 15% commit dari setiap asisten AI yang diteliti memperkenalkan setidaknya satu masalah, dengan tingkat yang berbeda antartool. Dari masalah yang dilacak, 24,2% masih ditemukan pada revisi repositori terbaru yang dianalisis.

Studi ini merupakan preprint, sehingga temuan dan metodologinya perlu dibaca dengan kehati-hatian yang sesuai. Data tersebut juga tidak berarti 15% seluruh aplikasi AI bermasalah. Unit analisisnya adalah commit dan masalah yang terdeteksi dalam dataset penelitian.

Meski demikian, penelitian ini mengingatkan bahwa masalah kode tidak selalu hilang setelah aplikasi berhasil dijalankan. Sebagian dapat terbawa ke versi berikutnya dan menjadi biaya pemeliharaan.

Sumber: Liu et al., arXiv:2603.28592 (2026).

6. Studi berskala besar menunjukkan konteks menentukan bagaimana kode AI digunakan

Penelitian yang dipresentasikan pada ESEM 2026 menganalisis lebih dari 10.000 developer dan 400.000 perubahan kode di Meta. Peneliti menelusuri asal-usul kode yang disarankan AI, proses review, penerimaan perubahan, dan kaitannya dengan insiden produksi.

Studi tersebut menemukan bahwa kode AI lebih sering diterima pada konteks tertentu, misalnya perubahan yang kurang sentral, berukuran lebih besar, atau berkaitan dengan pengujian. Hubungan antara kode AI, waktu review, dan insiden produksi juga dipengaruhi oleh konteks tempat kode tersebut digunakan.

Pesan metodologisnya penting: perbandingan sederhana antara kode AI dan kode manusia dapat menyesatkan jika karakteristik tugas dan konteksnya tidak diperhitungkan.

Sumber: Mockus et al., A Preliminary Analysis of the Impact of AI Assisted/Generated Code on Quality, Centrality and Review Time at Scale, ESEM 2026.

Jadi, apakah semua orang sekarang bisa menjadi software engineer?

Jawabannya bergantung pada apa yang dimaksud dengan “menjadi software engineer”.

Jika yang dimaksud adalah membuat aplikasi yang memiliki halaman login, formulir, dashboard, database, dan fungsi dasar, hambatan teknisnya memang telah turun drastis. Dengan AI coding agent, orang yang tidak memiliki pendidikan formal IT dapat menghasilkan aplikasi yang sebelumnya sulit mereka bangun sendiri.

Tetapi profesi software engineer tidak pernah hanya didefinisikan oleh kemampuan mengetik kode.

Software engineering mencakup kemampuan menerjemahkan kebutuhan menjadi spesifikasi, memilih arsitektur, memahami konsekuensi desain, mengelola data, mengendalikan akses, menguji perilaku sistem, mengantisipasi kegagalan, serta menjaga perangkat lunak tetap dapat digunakan dan dikembangkan.

AI dapat membantu melakukan banyak pekerjaan tersebut. Dalam beberapa situasi, AI bahkan dapat melaksanakan sebagian langkah secara mandiri. Namun, seseorang atau organisasi tetap harus menetapkan tujuan, batas kewenangan, kriteria penerimaan, dan mekanisme pertanggungjawaban.

Dengan kata lain, seseorang dapat menjadi AI-assisted app builder tanpa otomatis memiliki kompetensi menyeluruh seorang software engineer. Itu bukan penghinaan terhadap pembuat aplikasi. Itu pembedaan tanggung jawab dan tingkat kompetensi.

Yang berubah bukan hanya alatnya, melainkan pembagian kerja

Dalam proses pengembangan konvensional, developer banyak menghabiskan waktu menulis kode, menelusuri dokumentasi, memperbaiki bug, dan mengintegrasikan komponen.

Dengan coding agent, sebagian pekerjaan tersebut dapat didelegasikan. Karena itu, nilai seorang engineer semakin terlihat pada kemampuan untuk:

  • Merumuskan masalah dengan tepat. Kebutuhan yang salah akan menghasilkan aplikasi yang salah, meskipun kodenya rapi.
  • Menentukan arsitektur dan batas sistem. Memilih struktur data, API, integrasi, model keamanan, dan strategi deployment.
  • Memberi konteks dan mengarahkan agent. Memecah pekerjaan, menyediakan batasan, mengelola akses tool, serta menentukan kapan agent harus berhenti dan meminta persetujuan.
  • Memverifikasi hasil. Memastikan tes benar-benar menguji kebutuhan, bukan sekadar dibuat agar semuanya berstatus lulus.
  • Menilai risiko. Menguji otorisasi, privasi, keamanan, konsistensi transaksi, performa, dan kemungkinan kegagalan.
  • Menjaga sistem setelah rilis. Monitoring, backup, pemulihan, patch keamanan, dokumentasi, dan pemeliharaan.

Kemampuan menulis kode tetap penting, tetapi bukan lagi satu-satunya pusat nilai pekerjaan.

Contoh nyata: aplikasi sekolah yang dibuat dengan AI

Bayangkan sebuah unit kerja membuat aplikasi administrasi sekolah menggunakan coding agent. Dalam beberapa hari, aplikasi sudah memiliki login, data siswa, data orang tua, pembayaran, laporan, dan dashboard.

Dari sisi demonstrasi, hasilnya mungkin sangat mengesankan. Namun, sebelum digunakan, sejumlah pertanyaan harus dijawab.

Keamanan dan akses

  • Apakah orang tua hanya dapat melihat data anaknya sendiri?
  • Apakah guru hanya dapat mengakses kelas yang menjadi tanggung jawabnya?
  • Apakah API memeriksa hak akses di sisi server, bukan hanya menyembunyikan menu di frontend?
  • Apakah aktivitas penting tercatat dalam audit log?

Kebenaran proses bisnis

  • Apakah pembayaran ganda dapat dicegah?
  • Apakah perubahan nilai dan transaksi memiliki riwayat?
  • Apakah laporan mengikuti aturan dan periode yang benar?
  • Apakah data tetap konsisten ketika beberapa pengguna melakukan perubahan bersamaan?

Kesiapan operasional

  • Apakah backup dapat dipulihkan?
  • Apakah ada monitoring dan notifikasi ketika layanan gagal?
  • Apakah pembaruan aplikasi dapat dilakukan tanpa merusak data?
  • Apakah tersedia dokumentasi dan orang yang mampu mengambil alih ketika pembuat awal tidak lagi tersedia?

AI dapat membantu menjawab dan mengimplementasikan banyak kebutuhan itu. Tetapi jawaban AI bukan bukti bahwa kontrolnya sudah benar. Harus ada pengujian, verifikasi, dan persetujuan berdasarkan kriteria yang jelas.

Untuk sistem yang mengelola data pribadi, organisasi juga perlu memperhatikan kewajiban berdasarkan UU Nomor 27 Tahun 2022 tentang Pelindungan Data Pribadi.

Organisasi tidak perlu melarang AI coding, tetapi harus mengatur penggunaannya

Melarang seluruh karyawan menggunakan AI untuk membuat aplikasi bukan strategi yang realistis. Kebutuhan bisnis akan terus mendorong orang mencari cara yang lebih cepat. Larangan tanpa jalur resmi justru dapat membuat aplikasi tidak terdaftar dan tidak terpantau—fenomena yang sering disebut shadow IT.

Yang diperlukan adalah tata kelola berbasis risiko.

Tingkat risiko Contoh penggunaan Kontrol minimum yang disarankan
Rendah Prototipe, kalkulator pribadi, demo tanpa data sensitif Pembatasan data, pemeriksaan dasar, dan penegasan bahwa aplikasi belum untuk produksi
Menengah Formulir internal, inventaris, alur persetujuan sederhana Pemilik aplikasi, review teknis, pengujian, kontrol akses, backup, dan dokumentasi
Tinggi Keuangan, akademik, data siswa, data pegawai, layanan publik Review arsitektur dan keamanan, pengujian independen, audit log, pemulihan bencana, persetujuan deployment, dan penanggung jawab operasional

Organisasi juga perlu memiliki inventaris aplikasi, termasuk aplikasi yang dibuat oleh unit non-IT dengan bantuan AI. Setiap aplikasi perlu memiliki pemilik proses bisnis dan pemilik teknis yang jelas. Akses agent ke repositori, database, kredensial, dan lingkungan produksi harus dibatasi sesuai kebutuhan.

Untuk aplikasi berisiko tinggi, jangan biarkan agent mengubah produksi atau mengakses data nyata tanpa kontrol dan persetujuan yang memadai.

Kompetensi baru: bukan sekadar prompt engineering

Menguasai prompt memang membantu. Namun, kemampuan menyusun prompt saja tidak cukup untuk mengelola pengembangan perangkat lunak.

Kompetensi yang semakin penting adalah memahami cara kerja agent, menyusun konteks teknis, memecah pekerjaan, menentukan batas akses, membaca diff, mengevaluasi hasil pengujian, menelusuri kegagalan, dan memutuskan apakah hasil layak diterima.

Bagi orang yang bukan berlatar belakang IT, ini bukan berarti harus mempelajari seluruh ilmu komputer sebelum membuat aplikasi. Mulailah dari kebutuhan yang kecil dan risiko yang rendah. Pelajari konsep data, autentikasi, otorisasi, backup, dan pengujian seiring meningkatnya kompleksitas aplikasi.

Bagi software engineer, tantangannya berbeda: berhenti mengukur produktivitas hanya dari banyaknya baris kode yang ditulis. Ukur kemampuan menghasilkan sistem yang benar-benar memenuhi kebutuhan, aman, dapat dipelihara, dan memberikan manfaat.

Penutup: AI dapat membangun aplikasi, tetapi siapa yang menjamin sistemnya?

Perubahan AI coding pada 2026 memang besar. Coding agent telah bergerak jauh melampaui autocomplete. AI dapat mengambil bagian dalam pekerjaan yang sebelumnya dikerjakan developer dari awal hingga pengujian dan penyiapan perubahan.

Karena itu, pernyataan bahwa “orang awam hanya bisa membuat tampilan, bukan aplikasi sungguhan” sudah tidak akurat. Sebagian orang tanpa latar belakang pemrograman kini dapat membangun aplikasi yang benar-benar berfungsi.

Namun, pernyataan bahwa “AI sudah bisa membuat aplikasi, jadi software engineer tidak lagi diperlukan” juga terlalu jauh.

Penelitian 2026 menunjukkan gambaran yang lebih bernuansa: aktivitas coding dan penyelesaian tugas dapat meningkat; pemahaman atas kode dapat menjadi tantangan; maintainability tidak otomatis memburuk; dan masalah kualitas tertentu masih dapat bertahan di repositori nyata. Dampak AI sangat bergantung pada jenis pekerjaan, konteks, proses review, serta cara organisasi menggunakannya.

Maka, pertanyaan yang lebih tepat bukan lagi apakah AI bisa menggantikan orang yang menulis kode.

Pertanyaannya adalah: siapa yang mampu memastikan bahwa aplikasi yang dibangun AI benar-benar menyelesaikan masalah, melindungi penggunanya, dan tetap dapat dipertanggungjawabkan ketika terjadi kegagalan?

Di situlah peran software engineer berevolusi. Bukan sekadar menjadi orang yang menulis kode, melainkan orang yang mampu merancang, mengendalikan, memverifikasi, dan menjaga sistem—dengan AI sebagai bagian dari tim kerja.


Referensi penelitian

  1. Demirer, M., Musolff, L., & Yang, L. (2026). Writing Code vs. Shipping Code: Productivity Effects Across Generations of AI Coding Tools. NBER Working Paper 35275. Mei 2026; revisi September 2026.
  2. Salz, T. (2026). The Effects of Generative AI on High-Skilled Work: Evidence from Three Field Experiments with Software Developers. Management Science. Published online 27 Februari 2026.
  3. More Code, Less Understanding? On the Impact of AI Assistants on Developers’ Productivity and Code Ownership. IEEE Transactions on Software Engineering, 52(7), 2026.
  4. Borg, M. et al. (2026). Echoes of AI: Investigating the downstream effects of AI assistants on software maintainability. Empirical Software Engineering, 31, Article 161. 9 Juni 2026.
  5. Liu, Y. et al. (2026). Debt Behind the AI Boom: A Large-Scale Empirical Study of AI-Generated Code in the Wild. arXiv preprint, 30 Maret 2026.
  6. Mockus, A. et al. (2026). A Preliminary Analysis of the Impact of AI Assisted/Generated Code on Quality, Centrality and Review Time at Scale. ESEM 2026, 5 Oktober 2026.
  7. Republik Indonesia. Undang-Undang Nomor 27 Tahun 2022 tentang Pelindungan Data Pribadi.

Catatan metodologi: Hasil penelitian di atas tidak memiliki unit analisis dan metode yang sama. Eksperimen terkontrol, studi lapangan, analisis repositori, working paper, dan preprint tidak boleh diperlakukan sebagai bukti yang setara. Temuan dari satu studi juga tidak dapat digeneralisasi begitu saja ke seluruh model AI, seluruh developer, atau semua jenis aplikasi.