AI-DLC: Siklus hidup pengembangan berbasis AI

Istilah ini dicetuskan oleh Raja SP dari AWS pada tahun 2025 dan dijelaskan dalam whitepaper-nya “Definisi Metode Siklus Hidup Pengembangan yang Berbasis AI (AI-DLC)” [x], metodologi AI-DLC disajikan sebagai kolaborasi antara mesin dan manusia, berbeda dengan metode sebelumnya seperti Agile dan Scrum, yang pada dasarnya berpusat pada manusia. Penulis membandingkan pergeseran ini dengan penggantian kereta kuda oleh mobil. Namun, sementara sekadar menambahkan AI ke Agile menghasilkan “kuda yang lebih cepat”—mengutip metafora yang sering salah dikaitkan dengan Henry Ford, AI-DLC mewakili evolusi yang lebih mendasar.

Sementara Alat AI telah diintegrasikan ke dalam SDLC dalam beberapa tahun terakhir, AI-DLC mewakili langkah integrasi AI lebih lanjut. Singkatnya, AI tidak sekadar menjadi alat pembuat kode. Hal ini bukan sekadar bagian dari pembangunan, melainkan merupakan inti dari pembangunan itu sendiri. Kolaborasi antara kecerdasan buatan (AI) dan manusia berlangsung secara berkelanjutan, dan para insinyur manusia kini lebih banyak berperan sebagai pengawas.

Istilah ini juga berbeda dari istilah “siklus hidup AI,” yang menjelaskan bagaimana model AI itu sendiri dibangun, bukan bagaimana model-model tersebut digunakan untuk membantu pengembangan perangkat lunak.

Makalah Raja SP menjabarkan sepuluh prinsip yang menjadi landasan AI-DLC.

AI seharusnya tidak hanya dimasukkan ke metodologi pengembangan perangkat lunak yang ada. AI bukan sekadar alat produktivitas biasa—melainkan merupakan bagian inti dari proses tersebut. Pertanyaannya adalah, seperti apa bentuk SDLC jika AI sudah ada sejak dulu. Hasilnya adalah SDLC yang berpusat pada AI dan didesain khusus untuk AI.

Pengembangan yang dibantu AI biasanya terlihat seperti para pengembang yang terus-menerus memberikan perintah kepada AI generatif untuk melakukan tugas-tugas tertentu. Dalam paradigma baru ini, alih-alih pengembang meminta bantuan AI dan menunggu AI menyelesaikan tugas tersebut, pengembang menjelaskan maksudnya, dan AI menggunakan kemampuan otonomnya untuk menyusun rencana, mengajukan pertanyaan, melaksanakan, memvalidasi, dan memelihara, sambil secara proaktif meminta persetujuan dari mitra manusianya.

Metodologi-metodologi sebelumnya memungkinkan tim pengembangan memilih teknik desain mereka sendiri. AI-DLC memusatkan proses desain dan mengintegrasikan disiplin-disiplin teknik ke dalam metodologi itu sendiri. Praktik-praktik seperti Domain-driven design (DDD), Behavior-driven development (BDD), dan Test-driven development (TDD) menjadi bagian tak terpisahkan dari alur kerja. Hal ini menjadi standar kualitas teknik.

AI tidak bisa sepenuhnya otonom. Makalah ini mendorong dilakukannya validasi dan pengawasan yang melibatkan manusia terhadap keputusan AI agar AI dapat memanfaatkan penilaian manusia.

Dalam perangkat lunak perusahaan, kompleksitas lebih dari sekadar menulis kode. Sistem berskala besar terdiri dari berbagai layanan, arsitektur, jenis pengguna, dan pemangku kepentingan yang beragam, serta—tak terhindarkan—utang teknis yang rumit yang telah menumpuk selama bertahun-tahun. Salah satu nilai jual AI-DLC adalah kemampuannya untuk mempertahankan seluruh konteks ini di seluruh proyek, sehingga para pengembang dapat terus memanfaatkan pemahaman holistik yang unik ini.

AI-DLC membawa terobosan baru dalam pengembangan perangkat lunak, namun tetap mempertahankan peran partisipasi manusia di bidang-bidang yang memang membutuhkannya. Budaya masukan berkelanjutan dijaga sepanjang pelaksanaan proyek untuk memastikan bahwa pengembangan tetap selaras dengan tujuan bisnis. Titik kontak ini diotomatisasi dan didokumentasikan agar manusia dapat fokus pada pengambilan keputusan terbaik.

Penulis menyadari bahwa organisasi tidak bisa langsung menerapkan metodologi baru dalam semalam. Proses ini berlangsung secara bertahap dan terintegrasi dengan konsep serta alur kerja yang sudah dikenal oleh organisasi, sehingga penerapannya tidak menimbulkan gangguan yang berarti.

Karena AI mampu melakukan pekerjaan dan mempertahankan konteks lintas disiplin ilmu, tugas-tugas yang dulunya memerlukan tim spesialis terpisah kini dapat diselesaikan oleh tim yang lebih terintegrasi dengan pemahaman yang lebih mendalam. Hasilnya, proses handoff menjadi lebih jarang terjadi.

SDLC tradisional memecah pekerjaan menjadi fase yang berbeda seperti perencanaan, desain, implementasi, pengujian, dan penerapan. Pada akhir setiap fase, informasi diteruskan dari satu ke fase berikutnya. AI-DLC mengaburkan batasan-batasan ini dengan memperlakukan fase-fase tersebut sebagai alur yang berkelanjutan, di mana tugas-tugas berlangsung secara bersamaan dan non-linear. Hasilnya adalah siklus masukan yang lebih singkat dan kemajuan yang lebih cepat.

AI-DLC tidak menetapkan alur kerja yang kaku untuk setiap proyek—sistem ini bersifat adaptif. Hal ini tidak memaksakan proyek melalui proses yang telah ditentukan sebelumnya. Dalam setiap skenario, AI menganalisis tujuan dan kendala dan menghasilkan alur kerja khusus yang paling masuk akal untuk proyek tertentu.

Kerangka kerja ini mengajukan pertanyaan: Bagaimana jika pengembangan perangkat lunak tidak didasarkan pada keterbatasan manusia? Metodologi-metodologi sebelumnya seperti Waterfall dan Agile dirancang untuk membantu tim manusia mengoordinasikan upaya mereka. AI secara mendasar mengubah asumsi inti ini.

Dengan menggunakan metodologi Pengembangan Berbasis Spesifikasi (SDD), AI-DLC lebih menekankan pada tujuan daripada proses yang kaku, dan memungkinkan AI untuk menentukan sendiri cara membangun sesuatu yang paling sesuai dengan spesifikasi tersebut. Dari maksud-maksud ini diturunkan unit, yaitu kumpulan tugas yang mewakili jalur yang ditempuh AI untuk mewujudkan maksud tersebut. Sebuah bolt adalah iterasi yang digunakan untuk menjalankan unit-unit kerja.

Pekerjaan berlangsung melalui beberapa fase. Fase awal mengidentifikasi tujuan dan menerjemahkannya menjadi unit-unit melalui elaborasi mob, sebuah ritual perencanaan perangkat lunak kolaboratif di mana tim lintas fungsi dan sistem AI bekerja sama untuk menerjemahkan ide-ide bisnis tingkat tinggi menjadi cerita pengguna.

Analisis kebutuhan dimulai di sini. Persyaratan non-fungsional (NFR) mendefinisikan atribut-atribut penting, batasan, dan kendala. Penilaian risiko juga dilakukan di sini, namun baik risiko maupun persyaratan terus-menerus diperiksa dan dievaluasi ulang sepanjang siklus hidupnya.

Berkas panduan adalah dokumen Markdown yang disimpan dalam repositori dan berisi aturan, batasan, standar arsitektur, serta alur kerja yang harus dipatuhi oleh para agen. Elemen-elemen tersebut dibuat pada fase awal, namun berperan di ketiga fase AI-DLC. Data tersebut berfungsi sebagai sumber kebenaran yang konsisten bagi agen AI di seluruh proyek.

Fase konstruksi adalah tahap di mana pelaksanaan dilakukan. Selama pembuatan mob, tim manusia dan AI secara kolaboratif menulis, menguji, dan menerapkan kode bersama-sama.

Pada fase operasional terakhir , AI tersebut memanfaatkan persyaratan bisnis dari fase perencanaan awal dan keputusan teknis dari fase pembangunan untuk mengelola penerapan, mengotomatisasi infrastruktur, serta memantau sistem yang sedang beroperasi.

Di setiap tahap SDLC, AI memainkan peran utama.

Dalam SDLC tradisional, manusia secara manual menerjemahkan tujuan bisnis menjadi rencana proyek. Berbagai organisasi telah mencoba menerapkan alur kerja di mana asisten AI membantu menerjemahkan tujuan-tujuan tingkat tinggi menjadi rencana. Dalam AI-DLC, agen AI mengajukan pertanyaan untuk memperjelas, mengidentifikasi ambiguitas, memberikan saran, dan menyoroti peluang-peluang yang mungkin terlewatkan. Hal-hal ini kemudian diolah menjadi cerita dan peta jalan proyek. AI agen mempertahankan konteks ini sepanjang proyek.

Dalam AI-DLC, AI tidak hanya merangkum rapat. Sistem ini menganalisis email, tiket dukungan, transkrip, dan dokumentasi untuk mengidentifikasi konflik dan celah bahkan sebelum proses pengembangan dimulai. Jika dalam suatu rapat ada yang mengemukakan acara utama yang bertentangan dengan jadwal proyek sebagaimana telah ditetapkan dalam rapat lain, agen dapat menandai potensi ketidaksesuaian ini dan memberikan solusi. Hal ini memberikan gambaran menyeluruh mengenai suatu proyek dari awal hingga akhir, yang sulit untuk dipertahankan oleh satu orang atau satu tim saja.

Kecerdasan buatan mengubah proses desain perangkat lunak menjadi kolaborasi yang bersifat iteratif. AI dapat mengusulkan arsitektur aplikasi, skema basis data, API, konfigurasi infrastruktur, dan desain antarmuka pengguna, sekaligus menjelaskan pertimbangan pro dan kontra di antara berbagai pendekatan tersebut. AI dapat dengan cepat menghasilkan prototipe interaktif, membandingkan berbagai alternatif desain, dan merevisi dokumentasi arsitektur seiring berjalannya proyek.

Tugas inti rekayasa perangkat lunak—menulis kode—merupakan bidang paling sederhana di mana AI bermanfaat dalam SDLC, dan di mana AI memainkan peran yang paling otonom. Agen AI Coding memahami konteks proyek, standar pemrograman, dan logika bisnis, serta mampu mengembangkan kode secara mandiri dengan mempertimbangkan hal-hal tersebut. Para pengembang memverifikasi keputusan dan menyempurnakan kode yang dihasilkan oleh AI.

Pengujian digantikan oleh fase verifikasi yang lebih luas, karena AI terus-menerus membuat dan menjalankan pengujian selama proses pengembangan berlangsung, alih-alih menunggu hingga pengembangan selesai. AI menganalisis kode untuk mendeteksi cacat, mengidentifikasi regresi, serta memverifikasi kepatuhan terhadap batasan arsitektur. Hal ini terjadi di latar belakang pada setiap langkah.

Di dalam AI-DLC, penerapan merupakan proses lain yang terus-menerus dioptimalkan. Para agen menyusun rencana peluncuran, memverifikasi konfigurasi infrastruktur, menyusun dokumentasi, memantau peluncuran di lingkungan produksi, dan mengoptimalkan alur kerja CI/CD. AI secara aktif membantu memastikan bahwa rilis-rilis tersebut stabil dan aman, serta selaras dengan tujuan operasional.

AI-DLC melampaui pemeliharaan perangkat lunak konvensional dengan memperlakukan sistem produksi sebagai sumber masukan yang berkelanjutan. Dengan melestarikan pengetahuan sepanjang siklus hidupnya, AI memungkinkan setiap rilis untuk memanfaatkan pelajaran yang dipetik dari siklus pengembangan sebelumnya.

Makalah ini mendorong organisasi untuk menerapkan berbagai ritual tersebut dan mengintegrasikan AI-DLC ke dalam alat orkestrasi mereka sendiri, dengan tujuan meminimalkan kebutuhan akan perubahan besar-besaran.

Kerangka kerja ini distandarisasi berdasarkan alat-alat AWS seperti Kiro dan Amazon Q Developer. Namun, platform ini juga dapat digunakan bersama platform berbasis agen seperti IBM Bob dan Claude Code.

IBM Bob, misalnya, adalah mitra pengembangan berbasis agen yang menyeluruh dan secara struktural dioptimalkan untuk AI-DLC. IBM Bob dilengkapi dengan mode Ask dan Plan yang mengolah maksud tingkat tinggi dan membangun struktur desain awal aplikasi. Tersedia Mode Agen untuk menulis, mengubah, dan merestrukturisasi kode, memperbaiki bug, atau membuat file baru. Pengguna juga dapat menyesuaikan perilaku Bob dengan membuat mode khusus yang dilengkapi peran khusus, pembatasan alat, dan alur kerja tim.