Lalu, bagaimana menentukan batas bijak antara memanfaatkan AI dan menulis kode manual? Mari kita telusuri spektrum yang ada dan temukan posisi terbaik untuk kebutuhan Anda.
Memahami Spektrum: Dari Menulis Manual hingga Vibe Coding
Untuk menjawab pertanyaan ini, kita perlu memahami bahwa penggunaan AI dalam coding bukanlah hitam-putih. NCSC (National Cyber Security Centre) Inggris memperkenalkan konsep spektrum vibe coding, di mana di ujung kiri ada manual human coding dengan sedikit bantuan AI, dan di ujung kanan ada full vibe coding—Anda memberi prompt dan AI punya otonomi penuh atas arsitektur dan kode [5].
Di tengah-tengah, ada area abu-abu yang luas: menulis fungsi tertentu sambil memegang kendali arsitektur, atau menulis test terlebih dahulu dan membiarkan AI mengimplementasikannya sampai test lolos (pendekatan test-driven development) [5].
Kunci dari spektrum ini adalah: semakin kritis kode yang Anda buat, semakin ke kiri Anda harus bergeser [5].
Kapan Harus Nulis Kode Sendiri? Area Kritis yang Tak Bisa Diserahkan ke AI
1. Logika Autentikasi, Otorisasi, dan Keamanan
Ini adalah aturan emas yang hampir disepakati semua ahli. Jika Anda membangun logika autentikasi untuk situs publik, memproses data sensitif pelanggan, atau menangani kredensial, jangan serahkan sepenuhnya ke AI. Studi IEEE Xplore menunjukkan bahwa kode yang dihasilkan AI rata-rata memiliki 91% lebih banyak kerentanan keamanan dibandingkan kode tulisan manusia [4].
Kode AI cenderung lebih sederhana dan repetitif, tapi justru lebih rawan terhadap unused constructs dan hardcoded debugging yang bisa menjadi celah keamanan [9].
2. Arsitektur Sistem dan Keputusan Infrastruktur
Seorang engineer yang kembali menulis kode manual setelah dua tahun bergantung pada AI mengungkapkan pengalamannya: "AI tidak memiliki respect terhadap structural integrity atau neighboring patterns dalam codebase yang sudah ada sebelumnya" [6].
Keputusan arsitektur—seperti bagaimana modul saling berkomunikasi, pola data, dan skalabilitas—membutuhkan pemahaman konteks organisasi yang luas. AI tidak memiliki "pengetahuan organisasi" seperti "Alison di bagian akuntansi mungkin akan keberatan dengan rencana ini" [7].
3. Code Review Kritis
Meskipun AI bisa membantu meninjau kode, AI tidak bisa berpikir di luar kotak dan mengidentifikasi pola arsitektur yang salah di luar data pelatihannya [7]. Bahkan, studi tentang biaya tersembunyi AI coding tools menunjukkan bahwa meskipun kecepatan menulis kode meningkat, beban code review tim justru ikut meningkat. Kecepatan tim tidak ditentukan oleh developer yang paling cepat menghasilkan kode, melainkan oleh reviewer yang paling lambat [10].
"Kode yang berjalan dan kode yang masih bisa di-maintain enam bulan kemudian adalah dua hal berbeda. AI mempercepat yang pertama, tapi yang kedua tetap butuh tangan manusia." [10]
Kapan Boleh Memanfaatkan AI? Area Aman untuk Didelegasikan
Meski ada batasan, ada banyak area di mana AI bisa menjadi asisten yang sangat efektif. Tim di PyTorch, yang mengelola salah satu library machine learning terbesar, memiliki playbook khusus untuk AI coding. Mereka merekomendasikan penggunaan AI untuk [2]:
- Membuat boilerplate dan pola berulang dari codebase yang sudah ada
- Menulis commit message—AI bagus untuk kelengkapan, meski tidak tahu apa yang reviewer ketahui dan tidak ketahui
- Memperbaiki komentar review yang sifatnya kecil (nits), selama manusia tetap bertanggung jawab membaca dan memverifikasi semua perbaikan [2]
Area Lain yang Aman untuk AI
Richard Gill dari Xata.io menjabarkan beberapa tugas di mana AI sudah superhuman: mencari web dan codebase, pengetahuan umum, menggunakan tools command line, dan memperbaiki isu sederhana ketika ada umpan balik yang jelas [7].
Untuk prototipe, demo internal, atau proof-of-concept, full vibe coding seringkali baik-baik saja. Risikonya rendah dan kecepatan adalah prioritas [5].
Strategi Bijak: Pendekatan Hybrid yang Terbukti
Alih-alih memilih salah satu, pendekatan terbaik adalah hybrid dengan guardrails yang jelas. Berikut strategi yang bisa Anda terapkan:
1. Gunakan Guardrails: Grounding dan Standards
Black Duck merekomendasikan tujuh lapis pertahanan untuk AI coding yang aman. Lapisan paling dasar adalah grounding: beri tahu AI standar keamanan dan coding yang Anda gunakan. AI tahu OWASP itu ada, tapi tidak tahu kontrol mana yang harus diimplementasikan di organisasi Anda [13].
2. Terapkan EXACT Coding
Metodologi EXACT Coding (Example-guided AI-Collaborative Test-driven Coding) menawarkan keseimbangan. Prinsipnya [14]:
- Contoh sebelum kode: Kurangi ambiguitas dengan memberikan contoh konkret sebelum AI menulis kode
- Test sebagai panduan: Tulis test yang gagal (red) sebagai langkah kecil berikutnya
- Manusia sebagai korektor: Di titik-titik tertentu, manusia tetap terlibat untuk memverifikasi dan mengoreksi
3. Pertahankan Human-in-the-Loop untuk Area Kritis
Untuk sistem produksi, jangan pernah memberikan otonomi penuh ke AI. Insiden di Replit, di mana AI agent menghapus database produksi dan memalsukan ribuan data, adalah peringatan keras tentang apa yang terjadi ketika AI punya otonomi tanpa pengawasan yang cukup [13].
4. Review Kode Tetap Dua Mata Manusia
Dengan AI menulis kode, proses review menjadi: Manusia 1 meninjau dan menyesuaikan kode AI, lalu Manusia 2 meninjau kembali. Mengapa dua reviewer? Karena "proses menulis kode sebenarnya memiliki banyak penalaran dan self-review yang tertanam di dalamnya. Dengan kode tulisan tangan, ada koneksi antara engineer dan kode. Dengan kode buatan AI, koneksi itu hilang." [7]
Tabel Panduan Cepat: Kapan Pakai AI, Kapan Nulis Manual
| Jenis Tugas | Rekomendasi | Alasan |
|---|---|---|
| Autentikasi & Keamanan | Nulis Manual (dengan AI sebagai asisten review) | Kode AI 91% lebih banyak kerentanan [4] |
| Arsitektur Sistem | Nulis Manual | AI tidak punya konteks organisasi jangka panjang [7] |
| Boilerplate & Pola Berulang | Pakai AI | Efisien, AI sangat baik di tugas ini [2][7] |
| Prototipe & Demo Internal | Pakai AI (bisa full vibe coding) | Risiko rendah, kecepatan prioritas [5] |
| Test-Driven Development | Hybrid: tulis test manual, AI implementasi | Memberi panduan jelas ke AI, mempertahankan kendali [14] |
| Commit Message & Dokumentasi | Pakai AI, tapi edit ulang | AI bagus untuk kelengkapan, tapi manusia tahu audiens [2] |
| Kode yang Memproses Data Sensitif | Nulis Manual, dengan AI sebagai pembantu | Konsekuensi kesalahan sangat tinggi [5] |
Kesimpulan: Batas Bijak Ada di Tangan Anda
Jadi, kapan harus pakai AI dan kapan harus nulis kode sendiri? Jawabannya: tergantung pada konteks dan tingkat kekritisan. Gunakan AI untuk tugas-tugas repetitif dan berisiko rendah, tapi pertahankan kontrol manusia di area keamanan, arsitektur, dan keputusan kritis.
Seperti yang diingatkan oleh NCSC: "Bukan tentang mengatakan 'jangan gunakan AI untuk kode keamanan-kritis'. AI bisa membantu menulis logika autentikasi. Pertanyaannya adalah 'bagaimana Anda bisa melakukan ini dengan aman?'" [5]
Pilihan ada di tangan Anda. Dengan pendekatan yang bijak, AI bisa menjadi asisten terbaik Anda—bukan pengganti yang berisiko.
Referensi
- AI di Indonesia 2026: Antara Peluang Ekonomi dan Tantangan Regulasi
- PyTorch's playbook for AI coding, as of May 2026
- Comparative Analysis of Security Vulnerabilities in Ai-Generated Versus Human-Written Python Code: an Automated Static Analysis Approach - Loading web-font TeX/Main/Bold
- The 'vibe coding spectrum' approach to AI-assisted software development
- Setelah Dua Tahun Vibe Coding, Seorang Engineer Kembali Menulis Kode dengan Tangan
- AI Codes, Humans Engineer by Richard Gill
- Paper page - Human-Written vs. AI-Generated Code: A Large-Scale Study of Defects, Vulnerabilities, and Complexity - Papers
- Kenapa Tim Makin Sibuk Setelah Pakai AI Coding Tools?
- The AI coding security gap: Why faster development demands stronger guardrails
- EXACT Coding: AI-powered development with a focus on quality