Saat AI menekan biaya produksi perangkat lunak, keunggulan kompetitif hanya dapat diraih dengan perubahan model operasi. Organisasi yang merancang ulang cara kerja tim, bukan sekadar menerapkan asisten AI, lebih berpeluang meraih manfaat berkelanjutan.
Rekayasa berbasis AI membutuhkan dua kapabilitas pelengkap: tim aplikasi yang dekat dengan pelanggan dan masalah, serta tim platform atau “harness” yang menyediakan konteks bersama, pengaman, evaluasi, dan tata kelola agar manusia dan agen AI beroperasi aman dalam skala besar.
Kepemimpinan teknologi bergeser dari mengelola kapasitas ke merancang sistem pengembangan. Pemimpin perlu memperjelas empat keputusan: tanggung jawab tim aplikasi, konteks dan kontrol bersama, kebutuhan persetujuan manusia bagi agen, serta cara mengukur pembelajaran tervalidasi dan nilai bagi pelanggan.
Banyak praktik rekayasa modern berkembang saat pembuatan perangkat lunak masih mahal. Pertanyaan utamanya: bagaimana lebih banyak tim bisa merilis lebih banyak perangkat lunak dengan lebih terprediksi? Asumsi itu membentuk cara organisasi menata tim, mendanai platform, dan mengukur pengembangan. Peningkatan skala sering berarti menambah orang, sementara keberhasilan biasanya dinilai dari banyaknya pekerjaan yang diproses sistem.
AI mengubah asumsi itu. Menurut kami, rekayasa berbasis AI bukanlah rekayasa tradisional dengan alat yang lebih baik. Diperlukan model operasi berbeda: tim aplikasi yang lebih kecil dan dekat dengan masalah pelanggan, didukung tim platform atau “harness”. Kami memakai istilah “harness” untuk lingkungan operasi terkendali yang menyediakan konteks, alat, izin, siklus umpan balik, dan batasan bagi manusia serta agen agar AI digunakan secara aman dalam skala besar.
Ini penting bagi pemimpin teknologi dan data karena produktivitas individu saja tidak cukup untuk mewujudkan adopsi aman di seluruh organisasi. Tanpa model operasi yang dirancang matang, tim berisiko menghadapi alat terfragmentasi, pola berulang, akuntabilitas kabur, paparan data tak terkelola, dan mutu tak konsisten.
Pertanyaan perusahaan perlu bergeser dari “Bagaimana membantu perekayasa menggunakan AI?” menjadi “Bagaimana merancang ulang sistem rekayasa agar manusia dan agen menciptakan nilai secara aman di seluruh perusahaan?”
AI memungkinkan perekayasa menjajaki lebih banyak ide, mempercepat pembuatan prototipe, dan menguji lebih banyak pendekatan. Namun, lebih banyak keluaran tidak otomatis menghasilkan lebih banyak nilai. Tanpa pertimbangan matang, konteks relevan, dan evaluasi efektif, volume kerja bisa tumbuh lebih cepat daripada kemampuan organisasi menentukan apa yang layak dipercaya, diterapkan, atau dipelajari.
AI dapat menekan biaya pembuatan kode dan pelaksanaan eksperimen. Penurunan biaya total perangkat lunak bergantung pada upaya yang masih dibutuhkan untuk meninjau, mengintegrasikan, mengoperasikan, memelihara, dan mengerjakannya ulang.
Kami memperkirakan keunggulan rekayasa akan makin bergantung pada empat kapabilitas:
Memutuskan apa yang perlu dibangun, cara membangunnya, dan cara mencatat keputusan tersebut.
Membekali manusia dan sistem AI dengan landasan pengetahuan organisasi yang tepat.
Meningkatkan skala secara aman melalui platform, kontrol, dan evaluasi bersama.
Merancang arsitektur yang mampu mengakomodasi alat dan komponen baru tanpa gangguan berulang.
Kapabilitas langka pun bergeser dari menghasilkan keluaran ke meningkatkan manfaatnya: memilih pekerjaan yang tepat, mendasarkannya pada konteks, menguji keberhasilannya, dan tahu apa yang tidak layak dirilis.
Saat eksperimen makin murah, catatan keputusan juga makin bernilai. Organisasi perlu tahu apa yang dicoba, apa yang gagal, apa yang dipelajari, dan alasan memilih satu jalur alih-alih yang lain.
Sistem rekayasa perlu mengutamakan validasi cepat, iterasi aman, dan pembelajaran terdokumentasi, bukan sekadar kecepatan pengembangan. Ini mengubah peran perekayasa sekaligus tim di sekelilingnya.
Bagi perekayasa, pergeseran ini bukan berarti berhenti membangun, melainkan lebih berperan membentuk, mengevaluasi, dan mengoordinasikan apa yang dibangun.
Perangkat lunak buatan AI tidak menghapus kebutuhan akan perekayasa. Justru makin penting memiliki orang yang memahami batasan sistem, menetapkan antarmuka, merancang evaluasi, dan mengoordinasikan pekerjaan manusia serta agen. Perekayasa dengan keahlian teknis mendalam, pertimbangan matang, pemahaman produk, dan keterampilan evaluasi sering menciptakan nilai lebih besar daripada yang hanya mengimplementasikan komponen.
Dulu, tim produk menentukan apa yang dibangun, lalu tim rekayasa menentukan caranya. Kini, banyak organisasi menyatukan fungsi produk, desain, dan rekayasa. Perubahan khusus akibat AI terjadi di dalam tim: prototipe yang lebih murah memungkinkan ide bergerak dari perumusan masalah ke implementasi dan evaluasi dalam satu siklus. Tim dapat menguji lebih banyak opsi, menyingkirkan ide lemah lebih awal, dan membawa ide tervalidasi lebih jauh ke produksi.
Ini menguntungkan tim kecil lintas fungsi, tempat spesialis produk, desain, rekayasa, dan bidang terkait bekerja dalam satu siklus belajar. Pertimbangan produk dan teknis tidak melebur menjadi satu peran, tetapi perlu lebih erat terhubung. Pemimpin produk perlu pemahaman teknis yang cukup untuk membuat prototipe dan mengevaluasi opsi. Perekayasa perlu konteks pelanggan dan bisnis yang cukup untuk merumuskan masalah, bukan hanya menerapkan jawaban yang sudah ditentukan.
Organisasi rekayasa biasanya memperlakukan kode sebagai aset utama. Saat kode makin mudah dibuat, nilai jangka panjang makin terletak pada konteksnya: pengetahuan bidang, pemahaman pelanggan, pengalaman operasional, data milik sendiri, dataset evaluasi, kebijakan terbaca mesin, dan riwayat keputusan arsitektur yang menjelaskan cara kerja sistem.
Basis kode penting antara lain karena memuat pengetahuan bisnis dan pelanggan yang diperoleh dengan susah payah. AI mengubah upaya pembuatan kode, tetapi tidak menghapus upaya untuk memperoleh pengetahuan tersebut. Karena itu, organisasi perlu melihat melampaui volume kode dan berinvestasi pada aset yang nilainya terus bertumbuh: data milik sendiri yang terkelola baik, sistem pengetahuan yang dapat digunakan, pemahaman pelanggan mendalam, dan catatan keputusan jelas.
Bagi CIO dan CDO, ini menempatkan arsitektur informasi dan tata kelola data sebagai inti kinerja rekayasa. Agen AI hanya dapat menggunakan konteks yang boleh diakses dan mampu ditafsirkannya. Pengetahuan terfragmentasi, kepemilikan data kabur, dan izin tak konsisten pun menjadi kendala rekayasa, bukan sekadar masalah manajemen informasi.
Begitu konteks menjadi bagian sistem produksi, konteks tak bisa lagi sekadar menjadi dokumentasi pasif. Konteks menjadi kapabilitas platform.
Pengembangan AI tak bisa sepenuhnya diserahkan kepada tiap tim setelah konteks, evaluasi, dan tata kelola menjadi bagian sistem produksi. Namun, pengembangan juga tak boleh terlalu terpusat hingga tim terputus dari masalah nyata pelanggan.
Model terfederasi menyeimbangkan kebutuhan tersebut. Tim aplikasi mandiri tetap dekat dengan masalah, didukung kapabilitas platform dan harness bersama yang menyediakan alat pakai ulang, akses konteks terkendali, pola evaluasi, izin, dan tata kelola. Federasi hanya berhasil jika tanggung jawab jelas: tim aplikasi menangani alur kerja dan hasilnya; tim harness menyediakan kapabilitas bersama agar tim bergerak aman; tim risiko, keamanan, dan tata kelola tetap mengawasi secara independen.
Tim aplikasi dan pakar bidang perlu menetapkan kasus evaluasi khusus tugas serta ambang penerimaan. Tim harness perlu menyediakan infrastruktur evaluasi, kontrol bersama, dan pelaporan agar evaluasi berjalan konsisten.
Bidang | Tim aplikasi | Tim harness | Risiko, keamanan, dan tata kelola |
|---|---|---|---|
Produk dan hasil | Memilih masalah, alur kerja, pengalaman pengguna, dan ukuran keberhasilan; bertanggung jawab atas hasil bagi pelanggan dan bisnis | Menyediakan pola, alat, dan telemetri yang dapat digunakan kembali | Menetapkan batasan jika kasus penggunaan menimbulkan risiko signifikan |
Konteks dan akses | Menentukan informasi dan tindakan yang dibutuhkan alur kerja | Menyediakan antarmuka konteks, identitas agen, dan izin alat | Menyetujui akses data sensitif dan batas kontrol |
Evaluasi dan rilis | Menetapkan kriteria penerimaan dan meninjau hasil | Memelihara rangkaian evaluasi, log audit, dan jalur penerapan resmi | Menyetujui kasus penggunaan berisiko tinggi, pengecualian, dan perubahan signifikan |
Pendanaan dan akuntabilitas | Didanai dan dimintai pertanggungjawaban atas hasil aplikasi | Didanai sebagai kapabilitas bersama dan dinilai dari penggunaan ulang, cakupan, serta waktu menuju produksi aman | Bertanggung jawab atas pengawasan independen dan keputusan kontrol |
Ritme kerja dan pembelajaran | Beriterasi bersama pakar bidang dan meninjau hasil, pengesampingan keputusan, serta insiden | Mengubah pembelajaran menjadi uji, kontrol, dan kapabilitas baru yang dapat digunakan kembali | Meninjau insiden dan perubahan pada gerbang persetujuan yang disepakati |
Ini juga mengubah cara pemimpin memandang ukuran tim. Tim lebih kecil yang menghasilkan lebih banyak perangkat lunak bukanlah tujuan akhir. Tujuannya adalah menempatkan pertimbangan manusia di tempat paling bernilai: dekat dengan masalah dalam tim aplikasi, serta dalam kapabilitas bersama yang memungkinkan tim bergerak cepat tanpa kehilangan kendali.
Saat tim aplikasi makin kecil dan makin dibantu AI, organisasi perlu kapabilitas bersama yang lebih kuat agar pengembangan tetap aman, konsisten, dan akuntabel.
Rekayasa platform tradisional berfokus pada produktivitas pengembang, dengan manusia sebagai pengguna utama. Platform berbasis AI harus mendukung manusia sekaligus agen.
Cara agen menggunakan platform pengembang berbeda dari manusia. Agen memerlukan instruksi dan alat yang dapat diakses mesin, izin yang tegas, serta cara andal untuk mengevaluasi pekerjaannya. Harness juga harus memperhitungkan observabilitas, keamanan, kepatuhan, dan manajemen pengetahuan. Tujuannya adalah menjadikan otonomi berguna dengan batas yang jelas dan dapat ditegakkan.
Bayangkan bank yang menerapkan alur kerja berbantuan AI untuk pertanyaan seputar sengketa transaksi kartu. Tim aplikasi memulai dengan tugas terbatas: mengklasifikasikan kasus, mengambil kebijakan terkait, dan menyusun draf balasan bagi petugas dukungan. Tim bertanggung jawab atas alur kerja, pengalaman pengguna, ambang eskalasi, dan ukuran keberhasilan. Tim tidak menetapkan kebijakan regulasi atau memberi agen izin baru.
Dalam contoh ini, agen dapat membantu implementasi, menjalankan uji khusus tugas, dan menyiapkan rilis. Manusia tetap menyetujui penerapan ke produksi, dan hasilnya menjadi masukan bagi evaluasi serta pengembangan berikutnya. Kontrol saat operasi tetap terpisah: agen dukungan pelanggan hanya boleh memakai alat dan data yang disetujui, sesuai izin dan jalur eskalasi.
Konteks: Agen dapat mengakses kasus aktif, data minimum nasabah untuk menyelesaikannya, prosedur produk dan keluhan yang disetujui, serta aturan eskalasi yang terbaca mesin. Agen tidak boleh mengakses kredensial pembayaran mentah, data nasabah yang tidak terkait, atau menulis ke sistem manajemen kasus.
Evaluasi: Sebelum rilis, rangkaian uji dari kasus historis representatif dan kasus ekstrem berlabel pakar harus lolos pemeriksaan akurasi klasifikasi, kepatuhan kebijakan, ketepatan untuk tidak menjawab, kebocoran data pribadi, serta eskalasi keluhan atau kasus sensitif keuangan.
Persetujuan: Tim aplikasi bertanggung jawab atas keputusan produk. Tim risiko, keamanan, dan kepatuhan menyetujui akses data, pemetaan kebijakan, serta jalur penerapan. Petugas dukungan menyetujui setiap pesan keluar; keputusan yang memengaruhi uang atau hak nasabah tetap di luar otonomi agen.
Catatan harness: Tiap eksekusi mencatat identitas agen, versi model, konteks dan sumber yang diambil, alat yang dipanggil, pemeriksaan kebijakan, hasil evaluasi, suntingan atau pengesampingan oleh manusia, serta insiden. Tim mengubah praktik yang berhasil menjadi antarmuka konteks, kasus evaluasi, templat izin, dan jalur penerapan resmi yang dapat digunakan kembali. Kegagalan dan pengesampingan keputusan menjadi uji baru serta perbaikan alur kerja.
Ini menunjukkan bahwa agen bisa diberi ruang bertindak, tetapi hanya melalui konteks dan alat yang disetujui. Setiap batas penting menghasilkan bukti yang dapat ditinjau dan digunakan kembali. Manusia tetap bertanggung jawab atas keputusan penting. Seiring waktu, bank dapat memakai kasus nyata—keberhasilan agen, intervensi manusia, dan kegagalan—untuk memperbaiki alur kerja dan memutuskan perluasan cakupan tugasnya. Itulah wujud nyata otonomi terbatas dan pembelajaran tervalidasi.
Pembagian ini tercermin dalam sistem dan kontrol yang dijalankan tim harness. Tanggung jawab tim harness dapat meliputi:
Identitas agen: menerbitkan identitas layanan, mencatat pemilik dan lingkungan, serta melacak versi model, prompt, dan alat tiap agen.
Izin alat: menetapkan cakupan baca-tulis, batas akses data, batas laju, gerbang persetujuan, dan aturan penolakan secara default untuk tindakan agen.
Antarmuka konteks: menyediakan pengetahuan dan data resmi melalui antarmuka berversi yang mematuhi izin, dengan asal-usul dan kemutakhiran yang jelas.
Rangkaian evaluasi: memelihara contoh representatif, kasus ekstrem, uji keselamatan dan keamanan, uji regresi, serta ambang kelayakan rilis.
Log audit dan observabilitas: mencatat identitas agen, konteks, pemanggilan alat, keluaran, persetujuan, pengesampingan oleh manusia, kegagalan, dan insiden, dengan retensi dan kontrol akses yang sesuai.
Jalur penerapan resmi: menyediakan jalur sandbox, shadow, bertahap, dan produksi dengan pemeriksaan otomatis, mekanisme pemulihan versi, serta kontrol perubahan.
Tim harness bukan nama baru bagi semua fungsi platform yang ada. Tim operasi pembelajaran mesin, keamanan, tata kelola, dan platform tetap memiliki tanggung jawab sendiri. Tim harness menghubungkan kontrol tersebut dengan cara tim aplikasi membangun dan menjalankan alur kerja AI: izin dan gerbang persetujuan untuk kebijakan, antarmuka terkelola untuk konteks, rangkaian uji untuk evaluasi, serta log agar perilaku agen bisa diaudit dan digunakan kembali.

Jika pekerjaan rekayasa terbagi menjadi pengembangan aplikasi dan penyediaan kapabilitas bersama, penataan SDM, kepemimpinan, serta pengukurannya perlu ikut berubah.
Tim aplikasi memerlukan pertimbangan produk, rekayasa, dan bidang terkait yang dekat dengan masalah. Tim platform dan harness membutuhkan orang yang mampu merancang dan mengoperasikan lingkungan bersama bagi manusia dan agen dalam skala besar.
Bagi CTO, CDO, dan CIO, tantangannya adalah menentukan kapabilitas yang disediakan terpusat dan yang diserahkan kepada tiap tim.
Tim aplikasi perlu kebebasan untuk bekerja cepat dan tetap dekat dengan pelanggan. Mereka tak perlu membangun ulang kapabilitas seperti akses data aman, observabilitas, evaluasi, dan tata kelola.
Dalam organisasi berbasis AI, pemimpin teknologi perlu mengalihkan sebagian perhatian dari pengelolaan kapasitas ke perancangan sistem pengembangan. Ini mencakup:
merekrut dan mengembangkan SDM berdasarkan ketajaman pertimbangan dan kualitas keputusan;
berinvestasi pada platform AI bersama, evaluasi, pengaman, jalur resmi, aliran pengetahuan, dan pola akses;
menetapkan batas operasi bagi agen, manusia, dan alur kerja gabungan;
mengukur pembelajaran tervalidasi, keandalan, dampak bagi pelanggan, dan penggunaan ulang yang aman; serta
tetap mengikuti teknologi agar memahami di mana AI benar-benar mengubah aspek ekonomi pengembangan.
Jika dirancang dengan baik, sistem ini memudahkan tim mengakses konteks yang tepat, menguji hasil AI, memakai ulang pola terbukti, dan mengenali perlunya persetujuan manusia.
Banyak metrik rekayasa dibuat ketika produksi perangkat lunak menjadi kendala utama. Velocity, story point, throughput, dan frekuensi penerapan tetap memberi sinyal operasional berguna. Namun, nilainya secara terpisah berkurang saat AI meringankan produksi perangkat lunak.
Tim bisa menghasilkan lebih banyak kode dan eksperimen, tetapi tetap membuat keputusan buruk, kerumitan tak perlu, atau risiko lebih besar.
Karena itu, pemimpin teknologi perlu bertanya lebih dari sekadar jumlah perangkat lunak yang dihasilkan atau luasnya penggunaan alat AI. Mereka perlu tahu apakah AI membantu organisasi belajar lebih cepat, memberi hasil lebih baik bagi pelanggan, dan beroperasi andal dalam batas yang disepakati.
Ukuran yang berguna bagi tim aplikasi dapat mencakup:
waktu hingga pembelajaran tervalidasi;
perbaikan hasil bagi pelanggan;
nilai bisnis yang dihasilkan;
adopsi dan perubahan perilaku; serta
proporsi eksperimen yang menghasilkan keputusan berbukti.
Waktu hingga pembelajaran tervalidasi harus dihitung sejak eksperimen dimulai hingga bukti cukup untuk mengambil keputusan. Tim yang mulai Senin, menerapkan Rabu, lalu mencapai keputusan berbukti Jumat memiliki siklus belajar satu minggu, bukan siklus pengembangan dua hari.
Ukuran yang berguna bagi tim platform dan harness dapat mencakup:
penggunaan ulang pola AI yang disetujui;
cakupan dan efektivitas evaluasi;
insiden dan pengerjaan ulang terkait AI;
waktu dari ide hingga produksi yang aman;
observabilitas tindakan agen; serta
kesiapan audit dan kepatuhan.
Ukuran biaya terkait harus mencakup penggunaan model, tinjauan manusia, upaya gagal, pengerjaan ulang, dan dukungan operasional per hasil yang berhasil.
Ukuran ini tetap perlu definisi, acuan awal, dan metode evaluasi yang jelas. Tujuannya bukan mengganti satu kartu skor universal dengan yang lain, melainkan mengukur apakah sistem pengembangan menghasilkan keluaran tepercaya.
Model aplikasi dan harness merupakan salah satu respons terhadap fase rekayasa berbasis AI saat ini. Model ini bukan kondisi akhir yang permanen.
Sejumlah perkembangan dapat kembali mengubah unit dasar pekerjaan rekayasa:
agen bertanggung jawab atas seluruh alur kerja;
sebagian perangkat lunak bersifat sementara, bukan dipelihara bertahun-tahun;
pengguna beralih dari antarmuka aplikasi ke pengalaman yang dipandu agen;
model fondasi menyerap lebih banyak kapabilitas platform; serta
regulasi menjadikan kemampuan audit dan akuntabilitas sebagai batasan utama rekayasa.
Ini masih berupa kemungkinan, bukan kepastian. Jika terwujud, pembedaan tim aplikasi dan platform pun mungkin terbukti terlalu sempit.
Organisasi yang paling siap menghadapi ketidakpastian itu akan membuat model operasinya adaptif. Mereka akan berlandaskan prinsip jelas, konteks kuat, otonomi terbatas, dan pembelajaran cepat, bukan struktur tim atau pilihan alat yang kaku.
AI tidak mengurangi pentingnya sistem rekayasa. AI justru meningkatkan nilai perancangan sistem yang baik.
Saat produksi perangkat lunak makin murah, keunggulan beralih ke organisasi yang lebih baik dalam memutuskan, mengembangkan konteks berguna, dan beroperasi aman. Praktik rekayasa berbasis AI bukan sekadar memakai alat AI. Praktik ini dirancang ulang untuk menjawab kendala baru: kualitas keputusan, konteks bersama, otonomi terbatas, dan pembelajaran cepat.
Pemimpin teknologi dapat mulai dengan memperjelas empat keputusan:
Keputusan pelanggan dan produk mana yang harus tetap dekat dengan tim aplikasi?
Konteks, kontrol, dan kapabilitas evaluasi mana yang perlu digunakan bersama?
Di mana agen boleh bertindak mandiri, dan di mana persetujuan manusia diperlukan?
Ukuran mana yang menunjukkan pembelajaran tervalidasi, nilai bagi pelanggan, dan operasi aman?
Jawaban atas pertanyaan itu lebih menentukan nilai adopsi AI daripada jumlah asisten yang diterapkan organisasi.
