Mempercepat Siklus Hidup Pengiriman Perangkat Lunak dengan AI Generatif: Pelajaran dari Enterprise Payment Services IBM

Tiga bulan lalu, backlog pengujian regresi tim saya dan waktu eksekusi menjadi hambatan yang terus-menerus dalam setiap sprint. Hari ini, Bob telah mengurangi upaya pengujian kami lebih dari 70%. Hasil tersebut dicapai dengan menerapkan IBM Bob, asisten pengembangan AI IBM yang terintegrasi secara native ke dalam alur kerja pengujian, sebagai anggota penuh tim pengujian kami. Ini membuktikan bahwa pengiriman perangkat lunak yang ditingkatkan dengan AI bukan lagi sekadar konsep masa depan.

Tim rekayasa perangkat lunak menghadapi tekanan yang semakin besar dari berbagai arah secara bersamaan. Badan pengatur memperketat persyaratan kepatuhan. Auditor keamanan menuntut visibilitas yang lebih besar terhadap manajemen kerentanan dan jadwal remediasi. Sementara itu, klien mempercepat tuntutan fungsional mereka, mengharapkan waktu ke pasar yang lebih cepat tanpa berdampak pada kualitas atau stabilitas.

Tim IBM Payments Center Enterprise Payment Services (EPS) mengoperasikan platform pembayaran bernilai tinggi yang sangat diatur, dan kami menghadapi tekanan tersebut setiap hari. Platform pembayaran berada di persimpangan semuanya: peraturan keuangan, mandat ketahanan operasional, pengawasan keamanan, dan tuntutan kompetitif klien semuanya bertemu dalam satu basis kode.

Pertanyaan yang ingin saya jawab tahun ini sangat sederhana: bagaimana kita dapat melakukan lebih banyak, lebih cepat, dengan jumlah orang yang sama, tanpa mengorbankan kualitas atau stabilitas?

Jawabannya adalah AI generatif, khususnya IBM® Bob, yang kami gunakan pada awal 2026 sebagai anggota penuh tim teknik EPS. Kami telah mencapai kemajuan yang signifikan hanya dalam beberapa bulan. Hasil tersebut mencerminkan transformasi yang lebih luas yang terjadi di seluruh industri.

AI generatif bukan lagi eksperimen percontohan yang terbatas pada saran pelengkapan otomatis. Teknologi ini sedang diintegrasikan ke dalam setiap disiplin utama dalam Siklus Hidup Pengembangan Perangkat Lunak (SDLC), mulai dari pengumpulan persyaratan hingga respons terhadap insiden produksi. Hasilnya cukup meyakinkan sehingga organisasi yang belum berinvestasi akan mengalami kerugian kompetitif yang nyata.

Pengalaman kami selaras dengan baik dengan seluruh tahapan dalam siklus pengiriman perangkat lunak. Izinkan saya menjelaskan setiap fasenya.

Persyaratan: Mengubah kebisingan menjadi struktur
 

Pengumpulan persyaratan selalu menjadi fase dengan tingkat ambiguitas terbesar dan potensi terbesar untuk menimbulkan biaya di tahap selanjutnya. Persyaratan yang buruk merupakan akar masalah dari bagian yang tidak proporsional dari pengerjaan ulang proyek, ruang lingkup yang terlewat, dan masuknya cacat. Cacat yang ditemukan pada tahap persyaratan hanya membutuhkan sebagian kecil dari biaya dibandingkan dengan cacat yang ditemukan dalam produksi.

AI generatif secara fundamental mengubah ekonomi fase ini. Dalam konteks EPS, Bob menangani:

• Generasi cerita pengguna dan dokumentasi yang cepat—mengubah catatan rapat dan percakapan pemangku kepentingan secara langsung menjadi cerita pengguna yang terstruktur dan siap untuk JIRA serta kriteria penerimaan.
• Identifikasi persyaratan yang hilang—menganalisis cerita yang ada terhadap konteks bisnis dan menandai kesenjangan yang mungkin tidak ditangkap oleh analis bisnis manusia hingga akhir sprint.
• Terjemahan input tidak terstruktur—mengubah transkrip, email, dan catatan informal menjadi artefak persyaratan formal.

Kami telah mengamati peningkatan produktivitas sebesar 30–40% dalam fase persyaratan saat menggunakan Bob untuk membantu analis bisnis, terutama melalui penghapusan transkripsi manual, pemformatan ulang, dan pekerjaan referensi silang. Perkiraan yang diukur oleh tim ini didasarkan pada upaya analis bisnis yang dilacak sebelum dan sesudah penambahan Bob ke dalam tim.

Enabler kuncinya adalah kesadaran kontekstual Bob. Kami memuatnya dengan seluruh dokumentasi platform, standar peraturan, standar pengodean, dan persyaratan non-fungsional. Landasan ini memastikan bahwa persyaratan yang dihasilkan mencerminkan realitas arsitektur dan regulasi dari platform pembayaran, bukan hanya sekadar benar secara sintaksis.

Rekayasa dan pengembangan: Peluang terbesar
 

Pengembangan adalah fase tempat sebagian besar waktu teknik dihabiskan dan karenanya merupakan area di mana AI generatif menawarkan keuntungan paling transformatif. Proyeksi IBM® untuk Bob dalam fase rekayasa berkisar dari 30–50% peningkatan efisiensi—rentang yang mencerminkan luasnya tugas teknik dan kedalaman konteks yang diperlukan untuk masing-masing tugas.

Dalam implementasi kami, kami mengejar percepatan teknik melalui tiga vektor. Di masing-masing vektor, Bob beroperasi dalam mode semi-otonom, melakukan pekerjaan sementara pakar materi pelajaran meninjau dan memvalidasi output sebelum diterima. Pasangan ini bukanlah batasan; ini adalah pola arsitektur yang tepat untuk AI pada tahap kematangan ini.

1. Ulasan kode yang dibantu Bob: Bob diberi akses ke repositori sumber EPS dan melakukan ulasan bersama pengulas UKM manusia. Pendekatan ulasan ganda ini memastikan kepatuhan terhadap persyaratan peraturan, standar keamanan dan privasi, serta persyaratan arsitektur fungsional dan non-fungsional—menangkap cacat selama pengembangan, bukan dalam pengujian atau produksi. Riset GitHub tentang Copilot menemukan bahwa ulasan kode yang dibantu AI menangkap 15–20% lebih banyak masalah yang relevan dengan keamanan per siklus permintaan tarik dan mengurangi waktu penyelesaian karena AI mengusulkan perubahan korektif di samping temuannya.
2. Manajemen kerentanan dan peningkatan: Saat versi bahasa dan pustaka berkembang serta persyaratan peraturan berubah, Bob mengevaluasi radius dampak peningkatan pustaka di seluruh basis kode. Ini mengidentifikasi situs pemanggilan yang tidak kompatibel dan merekomendasikan modifikasi yang diperlukan dalam hitungan menit, pekerjaan yang sebelumnya mengharuskan insinyur senior mencurahkan waktu berhari-hari untuk melacak dependensi secara manual.
3. Pembuatan dan modifikasi kode: Bob memberikan rekomendasi untuk memodifikasi kode yang ada berdasarkan persyaratan yang jelas (fungsional dan non-fungsional), konteks basis kode, serta batasan peraturan yang relevan. AI yang menghasilkan kode pemrosesan pembayaran tanpa kesadaran terhadap aturan residensi data, standar penanganan kesalahan, atau kewajiban peraturan merupakan kewajiban, bukan aset. Membekali Bob dengan konteks tersebut sejak awal secara langsung mengatasi tantangan ini.

Pengujian: Menghilangkan hambatan
 

Pengujian secara historis menjadi kendala utama dalam pengiriman perangkat lunak. Tim pengembangan menghasilkan kode lebih cepat daripada tim QA dapat memvalidasinya. Asimetri ini menjadi pendorong utama transfer sprint, penundaan rilis, dan pertumbuhan backlog pengujian regresi.

Hasil tim QA kami merupakan yang paling matang dan paling menonjol. Tiga bulan setelah menerapkan Bob sebagai generator otomatisasi pengujian untuk platform pembayaran EPS Wires, kami telah mencapai:

• Pengurangan 70% dalam pembuatan otomatisasi pengujian 
• Pengurangan 90% dalam backlog uji regresi
• Pengurangan 80% dalam waktu siklus eksekusi regresi

Hasil ini bukan sekadar perbaikan marjinal. Hasil tersebut mewakili transformasi struktural dalam cara tim beroperasi. Insinyur QA telah beralih dari menulis otomatisasi pengujian boilerplate ke meninjau dan menyempurnakan pengujian yang dihasilkan AI—aktivitas bernilai tambah yang secara fundamental lebih tinggi. Integrasi dengan pipeline CI/CD berarti kegagalan regresi muncul dalam beberapa jam setelah commit, bukan beberapa hari, sehingga secara dramatis mengurangi biaya akibat perubahan yang rusak.

Pengalaman ini konsisten dengan pengamatan industri yang lebih luas. Riset pada organisasi yang menerapkan AI generatif untuk pembuatan pengujian telah menemukan pengurangan waktu siklus regresi rata-rata sebesar 60%, dengan implementasi berkinerja tinggi, seperti milik kami, mencapai keuntungan yang lebih besar. Pembeda yang konsisten adalah konteks: generator pengujian AI dengan akses ke basis kode lengkap, kasus uji yang ada, dan persyaratan bisnis menghasilkan pengujian yang jauh lebih baik daripada sistem yang beroperasi hanya berdasarkan cuplikan kode.

IBM Bob, yang dilengkapi dengan repositori GitHub lengkap EPS, standar peraturan, dan dokumentasi fungsional, mencontohkan pendekatan yang berbasis konteks ini.

Desain dan arsitektur: Peningkatan proaktif
 

AI generatif mulai memainkan peran dalam kecerdasan desain proaktif. Ini bergerak melampaui siklus reaktif dalam membangun dan menguji apa yang telah ditentukan. Peta jalan kami mencakup memungkinkan Bob untuk:

• Identifikasi hambatan kinerja yang sebelumnya tidak dikenali dan inefisiensi arsitektur yang telah terakumulasi dari waktu ke waktu.
• Mengevaluasi dan memprioritaskan penghapusan utang teknis dengan menghubungkan struktur kode dengan riwayat insiden dan data kinerja.
• Hasilkan rekomendasi desain untuk peningkatan fungsional baru sambil mempertimbangkan arsitektur yang ada, kendala peraturan, dan persyaratan non-fungsional.

Pendekatan ini merupakan contoh penggunaan yang lebih canggih dibandingkan modifikasi kode atau otomatisasi pengujian dan membutuhkan tingkat kepercayaan kontekstual yang lebih tinggi terhadap rekomendasi Bob. Memastikan arsitek manusia tetap berada dalam proses untuk memvalidasi rekomendasi sebelum menindaklanjutinya merupakan pendekatan yang tepat untuk fase kematangan AI ini.

Nilainya signifikan: sistem yang telah menelaah basis kode lengkap, arsitektur yang terdokumentasi, dan keputusan desain selama bertahun-tahun dapat menghasilkan wawasan yang seharusnya membutuhkan riset arsitektur selama berminggu-minggu.

Dukungan Level 3: Menutup loop
 

Contoh penggunaan AI yang paling berdampak secara operasional dalam peta jalan kami adalah akselerasi penyelesaian insiden. Dukungan L3 untuk platform pembayaran bernilai tinggi merupakan aktivitas berisiko tinggi dan sensitif terhadap waktu. Ketika insiden produksi terjadi, waktu yang diperlukan untuk mengidentifikasi dan menyelesaikan akar masalah secara langsung menentukan dampaknya terhadap klien.

Peta jalan penerapan Bob dalam SDLC mencakup analisis insiden dukungan L3, menghubungkan gejala yang dilaporkan dengan jalur kode di repositori, mengidentifikasi akar masalah, dan mengusulkan tindakan korektif. Konteks yang sama yang membuat Bob efektif sebagai peninjau kode—pengetahuan penuh tentang basis kode, persyaratan peraturan, dan pola penanganan kesalahan—membuatnya cocok secara unik untuk tugas ini.

Seorang insinyur L3 manusia yang diperkuat oleh Bob dapat memindai seluruh basis kode dalam hitungan detik untuk menemukan pola yang sesuai dengan tanda tangan insiden, mempercepat penyelesaian insiden dan meminimalkan dampaknya terhadap klien.

Tak satu pun dari peningkatan produktivitas ini datang tanpa risiko. Sistem AI generatif dapat mengalami halusinasi. Sistem tersebut dapat menghasilkan output yang tampak masuk akal tetapi sebenarnya salah dengan tingkat keyakinan yang tinggi. Dalam platform pembayaran yang beroperasi di bawah pengawasan peraturan, perubahan kode yang dihasilkan AI dan tidak ditinjau atau kasus uji yang ditentukan secara tidak tepat dapat memiliki konsekuensi hilir yang serius.

Kerangka kerja manajemen risiko kami dibangun di sekitar model semi-otonom: Bob diterapkan sebagai anggota tim yang sangat terintegrasi di setiap fase SDLC, selalu dipasangkan dengan peninjau manusia yang memvalidasi output sebelum diterima. Para analis bisnis melakukan peninjauan terhadap persyaratan yang dihasilkan Bob. Pemilik kode melakukan peninjauan terhadap bug yang diidentifikasi Bob dan perbaikan yang diusulkan. Insinyur QA meninjau kasus uji yang dihasilkan Bob. Insinyur L3 meninjau analisis insiden Bob.

Pendekatan ini bukan sekadar batasan. Ini adalah pola arsitektur yang tepat untuk AI pada tahap kematangan ini. Model ini mengorbankan sebagian kecil dari potensi efisiensi teoretis untuk mengurangi risiko kesalahan secara substansial, sekaligus memungkinkan kepercayaan dibangun secara bertahap.

Karena output Bob terbukti dapat diandalkan di setiap domain, tingkat pengawasan manusia dapat dikalibrasi dengan tepat. Harapan saya adalah bahwa konfigurasi semi-otonom ini akan tetap menjadi norma selama beberapa tahun, dengan Bob yang terus belajar dari pengalaman dan menghasilkan output berkualitas lebih tinggi secara bertahap dari waktu ke waktu.

Di seluruh persyaratan, rekayasa, dan pengujian, IBM® memproyeksikan peningkatan efisiensi sebesar 25% hingga 70% dari Bob, tergantung pada fase dan tugas spesifik. Bahkan jika hasilnya berada di ujung konservatif dari setiap rentang, efek gabungannya di seluruh tim setara dengan peningkatan 25–40% dalam kapasitas efektif tim.

Untuk mengilustrasikan matematikanya secara konkret, pertimbangkan tim yang terdiri dari 10 orang dan mencapai perolehan efisiensi gabungan sebesar 30% di seluruh fase SDLC. Output efektifnya setara dengan 13 insinyur yang bekerja pada kecepatan semula, tanpa menambah jumlah karyawan atau meningkatkan biaya secara proporsional.

Untuk organisasi yang menghadapi percepatan permintaan dengan anggaran tetap, ini bukan sekadar peningkatan bertahap. Ini adalah pengganda kemampuan—yang memungkinkan tim yang sama memberikan lebih banyak fitur, mempertahankan kualitas yang lebih tinggi, merespons insiden dengan lebih cepat, dan menyerap kewajiban peraturan yang meningkat tanpa pertumbuhan biaya yang proporsional.

Pengalaman kami memunculkan tiga pertanyaan yang perlu dijawab oleh setiap pemimpin teknik saat ini:

1. Bagaimana Anda mengontekstualisasikan AI untuk lingkungan Anda? Pendekatan EPS dengan membekali Bob sejak awal dengan basis kode, standar, persyaratan peraturan, dan dokumentasi merupakan dasar untuk semua yang mengikutinya. Asisten AI yang beroperasi tanpa konteks ini kurang bernilai—dan berpotensi lebih berisiko—daripada asisten yang telah dibekali dasar dengan benar.
2. Dari mana Anda mulai? Pengujian adalah jalur tercepat menuju ROI yang terukur, seperti yang ditunjukkan oleh hasil kami. Kombinasi kriteria keberhasilan yang jelas, ambang risiko yang relatif rendah, dan upaya manual yang tinggi dalam kondisi saat ini menjadikannya tempat yang ideal bagi tim mana pun yang memulai perjalanan ini.
3. Bagaimana Anda mengelola kepercayaan secara bertahap? Model semi-otonom—AI dengan interaksi manusia—bukanlah sebuah kompromi. Ini adalah pola implementasi yang bertanggung jawab yang memungkinkan organisasi menangkap nilai sekaligus membangun kepercayaan institusional yang diperlukan untuk memperluas peran AI dari waktu ke waktu.

Perjalanan tim saya dari fungsi QA manual yang dibatasi oleh backlog menjadi organisasi kualitas yang diperkuat AI dan terintegrasi dengan CI/CD dalam tiga bulan menunjukkan bahwa transformasi ini dapat dicapai dengan cepat. Pelajaran yang lebih luas sudah jelas: AI generatif yang tertanam dalam SDLC bukanlah program percontohan untuk masa depan. Teknologi ini sudah memberikan hasil yang terukur bagi tim yang telah melakukan investasi. Waktu untuk membangun fondasi tersebut adalah sekarang.