Seorang tukang listrik datang ke rumah Alex Dunlop, seorang engineer dengan pengalaman lebih dari sepuluh tahun. Di sela-sela pekerjaan, Dunlop bertanya bagaimana rasanya menjadi tukang listrik. Jawaban sang teknisi sederhana: kalau instalasi lama dikerjakan oleh orang yang kompeten, kamu bisa menelusuri kabelnya, memprediksi ke mana semuanya menuju. Tapi kalau tidak — itu menjadi pekerjaan paling menyebalkan di dunia.

Dunlop menulis di Medium bahwa ia teringat percakapan itu setiap kali ia membuka codebase yang dihasilkan AI. Bukan karena kodenya salah. Tapi karena tidak ada yang bisa menelusurinya.

Ini bukan sekadar keluhan satu engineer frustrasi. Ini adalah krisis yang sedang diam-diam berkembang di bawah permukaan euforia produktivitas AI — dan datanya mulai bicara dengan keras.

Ketika "Bekerja" Tidak Sama dengan "Bisa Dimengerti"

41% dari seluruh kode baru yang ditulis secara global kini dihasilkan oleh AI. Angka itu bukan proyeksi — itu sudah terjadi sekarang, berdasarkan data yang dikompilasi sepanjang 2025 hingga 2026. Google dan Microsoft bahkan mengungkap bahwa AI kini menulis lebih dari 20% kode baru mereka.

Produktivitasnya nyata. Kecepatan prototyping melonjak 3–5 kali lipat. Fitur yang butuh berminggu-minggu bisa selesai dalam hitungan jam. Tapi ada angka lain yang tidak banyak dibicarakan di presentasi investor: survei Stack Overflow 2025 terhadap lebih dari 49.000 developer menemukan bahwa 66% melaporkan lebih banyak menghabiskan waktu memperbaiki kode AI yang "hampir benar", sementara 45% mengatakan debugging kode AI lebih memakan waktu.

Paradoks ini bukan kebetulan. Ia punya nama: technical debt — utang teknis. Dan AI sedang membuatnya menumpuk dengan cara yang belum pernah terjadi sebelumnya.

Masalah intinya bukan pada kode yang dihasilkan hari ini. Masalahnya adalah apa yang terjadi enam bulan kemudian, ketika seseorang harus mengubah sesuatu dan tidak ada satu pun orang di tim yang tahu mengapa kode itu ditulis seperti itu.

Instalasi Listrik Tanpa Denah

Laporan GitClear 2025 menunjukkan peningkatan delapan kali lipat dalam blok kode duplikat — indikator jelas dari menurunnya maintainability kode secara keseluruhan. Bayangkan sebuah gedung di mana setiap lantai memiliki instalasi listrik yang berbeda, dikerjakan oleh kontraktor yang berbeda, tanpa satu pun denah terpadu. Semuanya menyala. Tapi tak seorang pun tahu apa yang akan terjadi kalau kamu mencabut satu kabel.

Itulah kondisi banyak codebase berbasis AI sekarang.

Laporan State of Software Delivery 2025 oleh Harness menemukan bahwa mayoritas developer justru menghabiskan lebih banyak waktu men-debug kode AI dan menyelesaikan kerentanan keamanan — bukan lebih sedikit. Google sendiri dalam laporan DORA 2024 menemukan bahwa peningkatan 25% penggunaan AI mempercepat code review dan dokumentasi, tapi menghasilkan penurunan 7,2% dalam stabilitas pengiriman software.

Penelitian terbaru juga menemukan bahwa sekitar 40% kode AI yang dihasilkan dalam konteks sensitif keamanan mengandung kerentanan kritis. Yang lebih mengkhawatirkan: developer cenderung terlalu percaya pada kualitas kode yang dihasilkan AI, menerimanya tanpa validasi yang memadai.

Dunlop menyebutnya pengalaman seperti kembali menjadi junior — bukan junior yang bersemangat belajar dari senior yang lebih berpengalaman, tapi junior yang kebingungan di tengah sistem yang tidak ada yang bisa menjelaskan cara kerjanya.

Utang yang Tak Terlihat di Neraca

Technical debt bukan istilah baru. Programmer sudah lama sadar bahwa mengambil jalan pintas hari ini berarti membayar lebih mahal besok. Tapi ada yang berbeda dengan utang teknis era AI.

Utang teknis tradisional lahir dari kompromi yang disadari — seorang engineer membuat trade-off dan setidaknya tahu jalan pintas mana yang diambil. Utang yang dihasilkan AI punya struktur kausal yang berbeda secara fundamental. Peneliti menyebutnya GIST debt — utang yang muncul bukan dari jalan pintas yang disengaja, tapi dari ketidakpastian soal perilaku atau kesesuaian kode yang dihasilkan AI.

Sebuah analisis GitClear terhadap lebih dari 100 juta baris kode menemukan bahwa code churn — persentase baris yang di-revert atau diperbarui dalam dua minggu setelah ditulis — meningkat 39% di proyek yang banyak menggunakan AI. Kode ditulis, dikirim, lalu langsung perlu diperbaiki atau diganti.

Yang paling mengkhawatirkan: survei developer Stack Overflow 2026 menemukan bahwa 76% developer yang menggunakan AI melaporkan pernah menghasilkan kode yang tidak mereka pahami sepenuhnya.

Tiga perempat dari semua developer menggunakan kode yang mereka sendiri tidak mengerti. Di instalasi listrik, itu disebut bom waktu.

Kode duplikat dan penggunaan ulang yang buruk menjadi masalah yang kian besar — potongan kode AI sering mendorong praktik copy-paste ketimbang refaktorisasi yang bijak, menciptakan sistem yang rapuh dan sulit dipelihara.

Yang Senior Tahu dan AI Tidak Tahu

Inilah ironi terbesar dari revolusi vibe coding: proyek yang dibuat oleh developer yang secara membabi-buta mempercayai AI sering berubah menjadi "kotak hitam" yang tidak bisa dikelola dalam beberapa bulan.

Tapi kisah sukses juga ada. Pieter Levels, seorang indie developer, menggunakan Cursor dan Grok 3 untuk meluncurkan game multiplayer yang mencapai $1 juta pendapatan tahunan dalam 17 hari — karena ia punya keahlian untuk membimbing AI dan membentuk arsitektur.

Perbedaannya bukan pada alat. Perbedaannya ada pada pemahaman arsitektur.

Tim-tim yang paling produktif di 2025 cenderung memperlakukan LLM sebagai generator draft berkecepatan tinggi di dalam pipeline yang disiplin — spesifikasi yang kuat, siklus feedback yang ketat, pemeriksaan otomatis, dan akuntabilitas manusia.

Peran developer kini bergeser dari penulis kode menjadi direktur agen pengkodean — peran yang justru menuntut pemahaman arsitektur yang lebih dalam, bukan lebih dangkal.

Inilah yang tidak bisa diajarkan AI kepada dirinya sendiri: mengapa sebuah keputusan arsitektur dibuat, bukan hanya apa yang perlu dikerjakan sekarang. AI membangun untuk hari ini. Ia tidak punya kepentingan dalam maintainability apa yang ia hasilkan.

Cara Kerja dengan AI Tanpa Membuat Kekacauan

Masalah ini bukan alasan untuk tidak menggunakan AI. Itu akan seperti menolak menggunakan alat listrik karena takut kabelnya kusut. Yang penting adalah cara pakainya.

Beberapa prinsip yang mulai diadopsi oleh tim-tim engineering terbaik:

Spesifikasi dulu, baru generate. Praktik yang disebut specification engineering — menulis brief proyek yang terstruktur, tidak ambigu, yang mendefinisikan lingkup, batasan, preferensi arsitektur, dan kriteria penerimaan sebelum alat AI apapun dijalankan — terbukti menghilangkan seluruh kategori masalah kode yang dihasilkan.
Review bukan formalitas. Kode AI tetap perlu dibaca, bukan hanya diuji. Memahami mengapa kode itu bekerja sama pentingnya dengan memastikan ia bekerja.
Bangun untuk dibaca manusia. Metrik produktivitas seperti jumlah commit atau baris kode yang ditambahkan adalah ukuran yang salah di era AI. Yang perlu diukur adalah seberapa mudah kode itu dipahami oleh orang yang belum pernah melihatnya sebelumnya.
Dokumentasi niat, bukan hanya implementasi. Komentar dalam kode bukan untuk menjelaskan apa yang dilakukan sebuah fungsi — itu bisa dibaca langsung. Komentar yang bernilai menjelaskan mengapa keputusan itu diambil.

Tukang Listrik yang Benar Selalu Meninggalkan Denah

Krisis kode AI bukan soal kualitas teknis semata. Ini soal transfer pengetahuan — kemampuan untuk menyerahkan pekerjaan kepada orang berikutnya tanpa membuat mereka merasa seperti sedang memecahkan teka-teki tanpa petunjuk.

Pendekatan terbaik adalah hibrid: gunakan vibe coding untuk prototipe, MVP, dan alat internal. Tapi bawa rigor engineering tradisional — code review, pengujian, pemindaian keamanan — sebelum mengirim ke produksi.

Tukang listrik yang baik tidak hanya membuat lampu menyala. Ia meninggalkan instalasi yang bisa ditelusuri, diperbaiki, dan dikembangkan oleh orang berikutnya. Itu standar profesional yang tidak berubah hanya karena alatnya semakin canggih.

AI bisa menulis kode lebih cepat dari manusia manapun. Tapi hanya manusia yang bisa memutuskan apakah kode itu layak ditinggalkan untuk generasi berikutnya.

Ingat: Kode yang baik bukan kode yang bekerja hari ini — melainkan kode yang bisa dipahami esok hari.

Referensi & Resources:

Alex Dunlop, An Electrician Explained My Biggest Problem With AI Code, Medium/Vibe Coding, Mei 2026 — https://medium.com/vibe-coding/an-electrician-explained-my-biggest-problem-with-ai-code-1b5f82927e86
GitClear, AI Copilot Code Quality 2025: 12 Months of Data, GitClear Research — https://leaddev.com/technical-direction/how-ai-generated-code-accelerates-technical-debt
Stack Overflow, Developer Survey 2025 & 2026, Stack Overflow — https://dev.to/alexcloudstar/ai-generated-code-is-creating-a-technical-debt-crisis-nobody-is-auditing-4cjc
Liu et al., Debt Behind the AI Boom: A Large-Scale Empirical Study of AI-Generated Code in the Wild, arXiv, Maret 2026 — https://arxiv.org/html/2603.28592v1
Augment Code, What Happens When AI Technical Debt Compounds, 2026 — https://www.augmentcode.com/guides/ai-technical-debt-compounds-spec-driven-development
SitePoint, Vibe Coding 2026: Complete Guide, Maret 2026 — https://www.sitepoint.com/vibe-coding-2026-complete-guide/
Google DORA Report 2024, dikutip via LeadDev — https://leaddev.com/technical-direction/how-ai-generated-code-accelerates-technical-debt