Apa itu rekayasa agen?

Dengan pesatnya pertumbuhan kecerdasan buatan (AI) dan agen AI, menggunakan AI generatif untuk membangun perangkat lunak telah menjadi bagian default dari alur kerja pengembangan perangkat lunak standar. Dalam Survei Pengembang Stack Overflow 2025, ditemukan bahwa 84% responden menggunakan atau berniat untuk menggunakan pemrograman yang dibantu AI dalam proses pengembangan mereka. ¹

Namun, survei juga menunjukkan lebih banyak pengembang yang tidak memercayai keakuratan alat AI daripada memercayainya, dengan 46% menyatakan skeptisisme dibandingkan dengan 33% yang merasa percaya diri dengan hasil.

Hanya sebagian kecil (3%) yang mengatakan mereka “sangat memercayai” output yang dihasilkan AI. Pengembang berpengalaman sangat waspada, melaporkan tingkat “kepercayaan tinggi” terendah (2,6%) dan tingkat “ketidakpercayaan tinggi” tertinggi (20%).¹ Pola ini menyoroti harapan luas bahwa pengawasan manusia tetap penting, terutama untuk peran dengan tanggung jawab yang signifikan.

Dalam praktiknya, pengembang menggunakan AI untuk tugas-tugas yang memakan waktu tetapi berisiko relatif rendah ketika dipandu oleh peninjau manusia yang berpengalaman. Tindakan ini mencakup tugas-tugas seperti refaktorisasi kode, pembuatan boilerplate code dan pengujian, pelaksanaan peninjauan kode ringan, penyusunan dokumentasi, scaffolding API, serta tugas-tugas lain yang berisiko rendah.

Untuk meringkas, pengodean vibe memungkinkan pengembang untuk mengotomatiskan dan membuat prototipe dengan cepat dengan beberapa prompt bahasa alami menggunakan model bahasa besar (LLM) atau sistem agentic.

Kata “vibe” dalam istilah “pengodean vibe” memiliki konotasi yang santai dan improvisasional. Meskipun kerangka pemikiran ini sangat sesuai untuk fase awal dan eksploratif dalam pemrograman yang dibantu AI, hal ini bertentangan dengan kenyataan saat ini di mana para pengembang menunjukkan sikap skeptis terhadap agen AI Coding.

Tanpa keahlian yang memadai dalam menggunakan LLM untuk keperluan rekayasa perangkat lunak, praktik “pengodean vibe” dapat menghasilkan apa yang disebut “AI slop”—kode yang tidak berguna atau merusak kode yang sudah ada. Kode yang berantakan seperti itu sering kali menambah utang teknis tim teknik, di mana sebagian besar waktu mereka dihabiskan untuk memahami, memperbaiki bug dan merefaktorisasi kode tersebut.

Atau, istilah “rekayasa agen” dijelaskan oleh Karpathy pada X dengan cara yang berbeda:

• “Agentic”: Sebuah orkestrasi agen yang menulis kode, sedangkan pengembang manusia mengawasi dan memvalidasi hasilnya. Saat agen atau sistem multi-agen menjalankan iterasi pada sub-tugas, kami mempertahankan human-in-the-loop.
• “Teknik”: Diperlukan tingkat keahlian tertentu untuk menggunakan alur kerja berbasis agen guna menghasilkan kode yang bermanfaat tanpa mengorbankan kualitas kode. Keterampilan ini adalah keterampilan yang dapat dikembangkan dan ditingkatkan.

Rekayasa agen memungkinkan kita untuk beralih dari logika deterministik menuju ranah penilaian probabilistik yang lebih kompleks. Oleh karena itu, hal ini membutuhkan perubahan mendasar dalam cara organisasi berpikir dan cara tim teknik beroperasi.

Proses ini dimulai dengan menetapkan kerangka kerja tata kelola yang jelas yang mengatur kapan dan bagaimana alur kerja berbasis agen harus digunakan, sekaligus memastikan bahwa pengawasan manusia tetap menjadi inti dari pengendalian mutu. Tim teknik sebaiknya dilatih tidak hanya dalam hal memberikan prompt, tetapi juga dalam perancangan sistem. Sangatlah penting untuk mempelajari cara mengoordinasikan agen otonom, memvalidasi hasilnya, dan mengintegrasikan siklus tinjauan berulang ke dalam pipeline CI/CD yang sudah ada.

Sistem agen yang dirancang dengan baik membagi tugas menjadi modul-modul yang lebih kecil, sehingga memungkinkan agen untuk menghasilkan komponen mandiri secara real-time yang dapat diintegrasikan dengan mulus ke dalam basis kode yang ada tanpa menambah utang teknis. Banyak organisasi juga mulai menerapkan arsitektur berbasis RAG, sehingga agen dapat mendasarkan hasilnya pada dokumentasi, spesifikasi, dan repositori kode yang sebenarnya, sehingga mengurangi kesalahan prediksi (halusinasi) dan meningkatkan akurasi.

Organisasi juga dapat menyusun panduan internal yang menstandarkan pola penggunaan agen secara aman, termasuk persyaratan tinjauan kode, ekspektasi pengujian, dan konfigurasi batasan keamanan. Memberikan contoh-contoh sistem AI agen yang telah berhasil diterapkan untuk berbagai kasus penggunaan kepada para insinyur dapat menjadi titik awal yang bermanfaat.

Terakhir, para pemimpin harus menumbuhkan budaya yang mendorong eksperimen sekaligus tetap menjaga akuntabilitas: sistem berbasis agen seharusnya mempercepat pengembangan, bukan menggantikan keahlian di bidang rekayasa perangkat lunak. Dengan demikian, organisasi dapat mengintegrasikan rekayasa berbasis agen sedemikian rupa sehingga dapat meningkatkan produktivitas dan memberdayakan para pengembang tanpa mengorbankan kepercayaan atau kualitas kode.

Seiring dengan terus berkembangnya lanskap pengembangan perangkat lunak yang didukung AI, terminologi yang digunakan dalam bidang ini kemungkinan besar juga akan terus berubah. Kendati “rekayasa agensial” menawarkan kerangka pemikiran yang lebih matang dan akurat mengenai cara para pengembang berkolaborasi dengan sistem otonom saat ini, praktik-praktik di baliknya akan terus berkembang seiring dengan meningkatnya kemampuan agen-agen AI. Dalam beberapa tahun mendatang, kita dapat mengharapkan sistem agen untuk menangani tugas-tugas yang semakin kompleks.

Pada saat yang sama, peran para pengembang akan berkembang dari sekadar menulis kode menjadi merancang, mengawasi, dan membentuk perilaku sistem-sistem AI tersebut. Baik Anda seorang insinyur AI, pengembang full-stack, ilmuwan data, atau seseorang yang baru memulai perjalanan pengodean, prinsip-prinsip inti—seperti pengawasan manusia, pemahaman mendalam tentang desain sistem, dan pengambilan keputusan yang didasarkan pada penilaian yang cermat—akan tetap menjadi landasan utama.

Jika Anda merasa tidak yakin harus mulai dari mana, mulailah dari yang kecil. Jelajahi satu alur kerja berbasis agen, baik sumber terbuka atau kelas enterprise, uji dengan tim Anda dan lihat apa yang mungkin.