THE OMNIWIRE.INDEPENDENT GLOBAL JOURNALISM & ANALYSIS
Advertisement
🇮🇩Bahasa Indonesia• The OmniWire Regional Wire
🇺🇸 Read Original English →
Future of WorkEDISI INDONESIA

Akselerasi Pembuatan Kode Berbasis AI Membebani Operasional Perangkat Lunak Korporasi

Meski kecerdasan buatan mempercepat proses pengembangan perangkat lunak, organisasi teknologi informasi kini menghadapi tekanan operasional yang kian berat untuk mengotomatisasi pemeliharaan sistem produksi.

OW
Sarah Jenkins
The OmniWire Wire Service • AI Broadhseet Synthesis
Diterbitkan •1 tayangan
Sumber Kawat Rujukan: Fast Company
Akselerasi Pembuatan Kode Berbasis AI Membebani Operasional Perangkat Lunak Korporasi
Akselerasi Pembuatan Kode Berbasis AI Membebani Operasional Perangkat Lunak Korporasi — Via Fast Company.

RINGKASAN EKSEKUTIF // POIN UTAMA BERITA

  • •Laporan DORA Google 2025 menunjukkan bahwa adopsi perangkat pengodean AI mempercepat pengiriman perangkat lunak, namun menurunkan stabilitas sistem produksi secara keseluruhan.
  • •Peningkatan frekuensi penerapan kode dan perubahan infrastruktur memperluas titik kegagalan yang kerap membutuhkan waktu berjam-jam bagi tim SRE untuk didiagnosis secara manual.
  • •Survei PagerDuty 2026 mencatat 44% organisasi tetap mewajibkan persetujuan manusia sebelum mengizinkan sistem AI memulihkan gangguan pada aplikasi yang berhadapan langsung dengan pelanggan.
  • •Peran insinyur SRE diproyeksikan bergeser dari penanganan teknis rutin menuju pengelolaan arsitektur sistem, tata kelola keamanan, dan pengawasan infrastruktur otonom.
Sumber Kawat Rujukan: Fast Company
AUDIT: Fact-Checked & Quality Gate Lolos

Tim rekayasa perangkat lunak korporasi kini menghadapi kesenjangan operasional yang kian melebar seiring penggunaan perangkat kecerdasan buatan (AI) yang mempercepat pembuatan kode secara drastis tanpa menyelesaikan kompleksitas hilir dalam memelihara perangkat lunak aktif di lingkungan produksi, menurut laporan Fast Company. Ketika para pengembang kini mampu menghasilkan fitur baru dan menerapkan modifikasi kode hanya dalam hitungan menit, personel rekayasa keandalan situs atau site reliability engineering (SRE) justru kerap membutuhkan waktu berjam-jam untuk mendiagnosis serta memulihkan insiden produksi yang ditimbulkannya. Ketimpangan ini mendorong berbagai vendor teknologi dan departemen teknologi informasi (TI) korporasi untuk mengevaluasi platform remediasi otonom yang mampu menginvestigasi kegagalan sistem sekaligus mengeksekusi tindakan korektif tanpa harus menunggu intervensi manusia.

Hambatan operasional tersebut membawa implikasi signifikan terhadap anggaran teknologi perusahaan dan keandalan perangkat lunak skala korporasi. Berdasarkan laporan DORA tahun 2025 dari Google yang menyurvei hampir 5.000 profesional teknologi, tingkat adopsi perangkat pengodean AI yang lebih tinggi berkorelasi dengan peningkatan kecepatan pengiriman perangkat lunak, namun diiringi dengan penurunan stabilitas sistem secara keseluruhan. Kendati para peneliti tidak menyimpulkan bahwa kode buatan AI secara langsung menyebabkan lebih banyak gangguan layanan, temuan tersebut mengindikasikan bahwa organisasi memacu kapasitas produksi lebih cepat daripada kemampuan kerangka kerja operasional mereka untuk menyerapnya secara aman. Lebih lanjut, para analis DORA mencatat bahwa efisiensi waktu yang diperoleh selama tahap pembuatan kode awal kerap kali tergerus oleh siklus peninjauan dan verifikasi yang lebih panjang. Hal ini menegaskan bahwa imbal hasil finansial dari perangkat pengembangan berbasis AI sangat bergantung pada praktik keandalan pasca-penerapan.

Percepatan Penerapan Kode Melipatgandakan Titik Kegagalan

Seiring meningkatnya kecepatan pengembangan, lonjakan volume penerapan kode dan modifikasi infrastruktur turut memperluas celah risiko kegagalan operasional. Ketika sebuah aplikasi mengalami kelumpuhan sistem pasca-pembaruan, tim SRE harus menyisir catatan sistem (log) serta riwayat perubahan terkini guna memastikan apakah gangguan tersebut berakar dari kesalahan kode, kekeliruan konfigurasi parameter, habisnya sumber daya komputasi, atau ketergantungan pada layanan pihak ketiga. Penambahan perangkat pemantauan dan observabilitas konvensional sering kali justru memperumit masalah karena menghasilkan volume peringatan dini yang jauh lebih tinggi tanpa mempercepat penyelesaian akar masalah.

Advertisement

"Lebih banyak kode, penerapan yang lebih sering, dan perubahan infrastruktur yang lebih intens secara alami menciptakan lebih banyak potensi titik kegagalan."

Ishay Yaari, salah satu pendiri sekaligus Chief Executive Officer (CEO) pengembang perangkat lunak remediasi otonom DataAgent, mengungkapkan kepada Fast Company bahwa sisi operasional dari rekayasa perangkat lunak telah tertinggal jauh di belakang kemajuan pengodean terotomatisasi. Bahkan kode yang dirancang dengan sangat baik sekalipun menjadi sulit dikelola apabila infrastruktur pendukung dan ketergantungan antarlayaannya terus berubah secara dinamis. Untuk menjembatani kesenjangan ini, vendor seperti DataAgent merancang platform yang melampaui aturan otomatisasi baku guna menganalisis bagaimana berbagai layanan saling berinteraksi, mengenali perubahan perilaku tak terduga pasca-pembaruan sistem, serta memilih respons korektif yang paling tepat.

Tantangan Tata Kelola dan Biaya Observabilitas

Meskipun dorongan menuju operasional terotomatisasi kian menguat, kalangan korporasi tetap bersikap hati-hati dalam memberikan wewenang tanpa batas kepada agen AI atas lingkungan produksi aktif. Mengeksekusi perubahan secara otomatis mengandung risiko bawaan; sebagai contoh, menarik kembali (rollback) rilis perangkat lunak yang bermasalah secara otomatis dapat memicu kegagalan sekunder apabila pembaruan tersebut juga telah memodifikasi skema basis data atau memperkenalkan ketergantungan sistem yang baru. Menurut laporan State of AI-First Operations tahun 2026 yang dirilis oleh PagerDuty, sebanyak 44 persen organisasi yang disurvei mewajibkan persetujuan manusia sebelum sistem AI diizinkan menyelesaikan masalah yang berdampak pada aplikasi pelanggan, sementara 43 persen lainnya mensyaratkan pengawasan manusia saat mengoordinasikan respons insiden lintas tim.

Yaari menekankan bahwa tindakan berisiko tinggi, seperti menghapus data dalam volume besar, menonaktifkan kontrol keamanan, atau membuka akses informasi sensitif, tetap harus memerlukan otorisasi eksplisit dari manusia. Di luar persoalan tata kelola dan kelayakan audit, perusahaan juga harus menghadapi lonjakan biaya finansial dari pengelolaan data observabilitas. Mentransfer catatan sistem dan metrik kinerja dalam jumlah masif ke platform komputasi awan eksternal untuk dianalisis oleh AI dapat membengkakkan biaya infrastruktur secara signifikan. DataAgent berupaya menekan biaya transfer data ini dengan menempatkan agen pemantau lokal secara langsung di dalam infrastruktur milik pelanggan berdampingan dengan analisis berbasis awan, meski Fast Company mencatat bahwa vendor tersebut belum mempublikasikan metrik kinerja independen yang memverifikasi besaran pasti dari penghematan biaya maupun pengurangan beban kerja yang berhasil dicapai.

Advertisement

Evolusi Rekayasa Keandalan Situs (SRE)

Adopsi remediasi otonom secara bertahap diperkirakan akan merombak tanggung jawab serta standar kualifikasi keahlian para insinyur perangkat lunak korporasi. Alih-alih menginvestigasi kekurangan memori rutin atau kesalahan konfigurasi secara manual, personel rekayasa perangkat lunak akan semakin berfokus pada arsitektur sistem, tata kelola keamanan, serta penetapan batas-batas operasional bagi agen terotomatisasi.

"Tujuannya bukan untuk menyingkirkan manusia dari fungsi SRE, melainkan membebaskan manusia dari pekerjaan operasional berulang yang dapat ditangani secara aman oleh mesin. Pergeseran mendasarnya adalah dari manusia yang mengoperasikan infrastruktur menjadi manusia yang mengelola infrastruktur otonom."

Kendati transisi ini berpotensi memungkinkan tim rekayasa yang berukuran lebih ramping untuk mengawasi portofolio aplikasi yang lebih luas, perubahan tersebut menuntut staf teknis untuk memahami secara mendalam bagaimana sistem terotomatisasi mengambil keputusan serta bagaimana melakukan intervensi ketika perbaikan algoritmik mengalami kegagalan. Selaras dengan temuan DORA Google mengenai praktik pengembangan perangkat lunak, organisasi yang ingin memetik efisiensi penuh dari operasional berbasis AI akan membutuhkan protokol pengujian yang ketat, catatan audit yang transparan, serta kerangka kerja respons insiden yang disiplin sebelum menyerahkan kendali lingkungan produksi kepada perangkat lunak otonom.

Advertisement
DISCLOSURE PROVENANCE & FACT-CHECKING REDAKSI

Laporan ini disusun sesuai dengan Standar Editorial The OmniWire. Pelaporan faktual primer didasarkan pada kawat rujukan resmi.

• Fact-Checked & Quality Gate Lolos• Editorial Policy →