Developer di Era AI Agent: Skill Coding Saja Tidak Lagi Cukup?

Jution Candra Kirana · 2026-09-21 · Software Development

AI coding tools berkembang cukup cepat dalam dua tahun terakhir.

Dulu perannya masih sederhana: melengkapi baris kode, menjelaskan error, atau membantu membuat fungsi kecil. Sekarang coding agent sudah bisa membaca repository, mengubah beberapa file sekaligus, menjalankan test, memperbaiki bug, sampai menyiapkan pull request.

JetBrains dalam Developer Ecosystem Survey 2026 melaporkan bahwa 90% developer profesional yang mereka survei sudah menggunakan AI coding agent setidaknya seminggu sekali, dan 68% menggunakannya setiap hari.

Artinya, perubahan cara kerja developer sudah mulai terasa.

Tapi ada satu hal yang sering luput dibahas:

Kalau AI semakin jago menulis kode, apa yang justru menjadi lebih penting bagi developer?

Jawabannya bukan "coding sudah tidak penting".

Justru developer perlu naik satu level: dari sekadar menulis kode menjadi orang yang bisa memahami masalah, memberi konteks, menilai solusi, dan memastikan hasil akhirnya benar.

Menulis Kode Bukan Lagi Bagian Tersulit

Untuk banyak task, AI sekarang sudah cukup membantu.

Membuat CRUD, unit test, migration, refactor sederhana, atau dokumentasi dasar bisa dikerjakan jauh lebih cepat dibanding beberapa tahun lalu.

Tapi software development tidak berhenti di sana.

Misalnya ada requirement:

Buat fitur pembayaran.

AI bisa langsung menghasilkan banyak kode. Masalahnya, requirement itu masih terlalu luas.

Developer tetap harus menjawab:

metode pembayaran apa yang digunakan?
bagaimana menangani callback?
apakah perlu idempotency?
bagaimana jika payment gateway timeout?
bagaimana status transaksi disimpan?
apa yang terjadi jika request dikirim dua kali?

Di sinilah pengalaman dan kemampuan engineering tetap punya nilai.

AI bisa membantu implementasi. Tetapi seseorang tetap harus memastikan bahwa yang diimplementasikan memang solusi yang tepat.

Skill yang Mulai Lebih Penting

1. Memecah Masalah dengan Benar

AI agent bekerja jauh lebih baik ketika task-nya jelas.

Daripada meminta:

Buat fitur pembayaran.

lebih baik task-nya dipecah:

- Create transaction
- Validate amount
- Integrate payment gateway
- Handle callback
- Add idempotency
- Update payment status
- Write tests

Kelihatannya sederhana, tapi kemampuan memecah pekerjaan seperti ini justru sulit digantikan.

Developer yang memahami sistem tahu mana task yang saling bergantung, mana yang bisa dikerjakan paralel, dan mana yang berisiko.

2. Memberikan Konteks, Bukan Sekadar Prompt

Menurut saya, ini lebih penting daripada sekadar belajar "prompt engineering".

Agent perlu tahu bagaimana project bekerja.

Misalnya:

Framework     : Laravel
Database      : PostgreSQL
Architecture  : Service + Repository
Validation    : Form Request
Testing       : Pest
Auth          : Sanctum

Kalau konteks ini tidak diberikan, AI mungkin membuat kode yang berjalan, tapi tidak konsisten dengan codebase.

Itulah kenapa dokumentasi project mulai semakin penting.

OpenAI juga menjelaskan bahwa coding agent bekerja lebih baik ketika repository memiliki instruksi, struktur project, dan test setup yang jelas. ([The JetBrains Blog][1])

Repository yang rapi sekarang tidak hanya membantu developer baru.

Ia juga membantu AI memahami project.

3. Code Review

Semakin cepat AI menghasilkan kode, semakin penting kemampuan review.

Developer tetap harus mengecek:

apakah query-nya efisien?
apakah ada security issue?
apakah ada duplicated logic?
apakah test-nya cukup?
apakah solusi terlalu kompleks?
apakah kode ini masih mudah dirawat enam bulan lagi?

GitHub sendiri menekankan bahwa hasil kerja Copilot agent tetap harus direview seperti kontribusi kode lainnya. Mereka bahkan menyarankan human review tetap digunakan karena Copilot tidak dijamin menemukan semua masalah. ([GitHub Docs][2])

Ini menarik.

AI membuat proses menulis kode lebih cepat, tetapi tanggung jawab terhadap kualitas tetap tidak hilang.

System Design Justru Makin Penting

AI bisa membuat function.

Tapi AI tidak otomatis memahami keputusan arsitektur yang paling tepat untuk sebuah bisnis.

Misalnya:

Sistem notification sebaiknya synchronous atau asynchronous?

Jawabannya tergantung banyak hal.

Untuk aplikasi kecil, direct call mungkin sudah cukup.

Untuk sistem dengan jutaan transaksi per hari, retry, queue, observability, dan failure handling menjadi jauh lebih penting.

Hal-hal seperti ini membutuhkan pemahaman terhadap:

kebutuhan bisnis;
volume trafik;
reliability;
database;
security;
cost;
maintainability.

Jadi ketika implementasi semakin murah, keputusan teknis justru menjadi semakin bernilai.

Bagaimana dengan Junior Developer?

Menurut saya, ini salah satu tantangan terbesar di era AI.

Dulu proses belajar developer biasanya seperti ini:

menulis kode
→ error
→ debugging
→ baca dokumentasi
→ perbaiki
→ review

Sekarang bisa saja berubah menjadi:

prompt
→ AI generate
→ works
→ lanjut task berikutnya

Lebih cepat, tetapi ada risiko fundamental tidak terbentuk.

Bukan berarti junior developer sebaiknya menghindari AI.

Sebaliknya, AI bisa jadi alat belajar yang sangat bagus kalau dipakai dengan benar.

Daripada bertanya:

Fix error ini.

coba:

Jelaskan kenapa error ini terjadi. Jangan ubah kodenya dulu. Tunjukkan bagian yang salah dan beberapa opsi perbaikannya.

Bedanya kecil, tapi proses belajarnya jauh lebih besar.

AI sebaiknya tidak hanya menjadi mesin pembuat kode.

Ia juga bisa menjadi partner untuk memahami kenapa sebuah kode bekerja.

Dari Menulis Kode ke Mengarahkan Pekerjaan

Cara kerja developer mulai berubah.

Dulu:

Requirement
→ Developer
→ Code
→ Test
→ Review

Sekarang:

Requirement
→ Developer
→ Define Task
→ AI Agent
→ Code + Test
→ Developer Review

GitHub Copilot agent saat ini sudah bisa melakukan riset pada repository, membuat rencana implementasi, mengerjakan perubahan, lalu membuka pull request untuk direview. ([GitHub Docs][3])

Artinya, developer mulai menghabiskan lebih banyak waktu untuk:

menentukan task;
memberi konteks;
mengarahkan agent;
mengecek hasil;
menyatukan perubahan.

Bukan berarti developer berubah menjadi "manager AI".

Developer tetap harus memahami teknis supaya tahu kapan hasil agent benar dan kapan harus ditolak.

Jadi, Skill Coding Masih Penting?

Masih.

Bahkan menurut saya tetap menjadi fondasi.

Masalahnya, coding saja mulai tidak cukup.

Developer yang hanya bisa menghasilkan syntax mungkin akan semakin sulit dibedakan dari tools yang juga bisa menghasilkan syntax.

Yang lebih sulit digantikan adalah kemampuan untuk:

memahami masalah;
menentukan solusi;
membaca trade-off;
melakukan debugging;
merancang sistem;
memahami domain;
menilai kualitas kode.

Kalau sebelumnya developer banyak dinilai dari seberapa cepat menulis kode, sekarang ukurannya mulai bergeser.

Bukan:

Berapa banyak kode yang bisa kamu buat?

Tetapi:

Seberapa baik software yang bisa kamu hasilkan?

Kesimpulan

AI coding agent tidak membuat developer menjadi tidak relevan.

Yang berubah adalah bagian pekerjaan mana yang bernilai tinggi.

Menulis boilerplate semakin mudah.

Membuat keputusan teknis yang benar tetap sulit.

Dan justru di situlah peran developer menjadi semakin penting.

Ketika AI dapat menghasilkan kode dalam hitungan menit, pertanyaan yang membedakan developer bukan lagi:

"Bisakah kamu membuat kode ini?"

Tetapi:

"Apakah kamu tahu apa yang seharusnya dibuat, kenapa dibuat seperti itu, dan apakah hasilnya benar?"

Menurut saya, developer di era AI tidak perlu berlomba melawan AI dalam menulis kode lebih cepat.

Lebih penting untuk menjadi lebih baik dalam berpikir sebagai software engineer.

Referensi

JetBrains — AI Coding Agents: Adoption Trends https://blog.jetbrains.com/research/2026/08/ai-coding-agent-adoption-2026/
GitHub Docs — About GitHub Copilot Code Review https://docs.github.com/en/copilot/concepts/agents/code-review
GitHub Docs — Get Started with Copilot Agents https://docs.github.com/en/copilot/how-tos/copilot-on-github/use-copilot-agents/overview
GitHub Docs — Review Output from Copilot https://docs.github.com/en/copilot/how-tos/copilot-on-github/use-copilot-agents/review-copilot-output