CEO Nearform Ciaran Cosgrave melihat keunggulan tim asli AI dibandingkan struktur tradisional berbentuk piramida dalam rekayasa perangkat lunak.
Dua insinyur. Enam bulan. Produk bernilai miliaran dolar. Itulah yang dibutuhkan Anthropic untuk membangun Claude Code mulai dari konsep hingga infrastruktur seluruh perusahaan. Bukan prototipe, atau alat internal khusus, namun sesuatu yang, pada awal tahun 2026, telah menjadi misi penting di seluruh organisasi.
Claude Code dikembangkan menggunakan agen AI untuk mempercepat iterasi, memungkinkan kecepatan 60 hingga 100 rilis internal per hari, dengan masing-masing insinyur mendorong jauh melampaui output industri pada umumnya. Pada Januari 2026, hampir semua kode Anthropic ditulis dengan Claude Code sendiri. Sekarang ini bukan hanya tentang pengembangan yang lebih cepat, karena Claude Code telah menjadi model fundamental yang dirancang untuk memungkinkan tim kecil memperkecil apa yang biasanya memakan waktu bertahun-tahun menjadi hanya beberapa bulan.
Selamat datang di tim teknik asli AI. Hal ini tidak seperti apa yang sedang dibangun oleh sebagian besar organisasi.
Otopsi model persalinan tradisional
Model tim konsultasi teknologi tradisional dibangun berdasarkan gagasan sederhana bahwa lebih banyak orang berarti lebih banyak output, dan pusat-pusat di luar negeri memungkinkan peningkatan kapasitas dengan cepat dan murah. Tim junior-berat memberikan keuntungan, sementara insinyur senior memberikan pengawasan dan arahan. Model tim berbentuk piramida ini tumbuh tinggi dan kuat.
Namun seiring dengan berkembangnya tim-tim yang besar dan terdistribusi ini, kompleksitas dalam mengkoordinasikannya pun semakin meningkat. ‘Agile’ muncul sebagai respons terhadap gesekan tersebut dan merupakan perbaikan nyata dari apa yang terjadi sebelumnya. Proses air terjun berurutan yang diwarisi dari manufaktur dan pertahanan pada tahun 1970-an sangat tidak selaras dengan realitas perangkat lunak, dan agile mengambil tindakan untuk memperpendek siklus, menerapkan iterasi, dan memperlakukan perangkat lunak yang berfungsi sebagai ukuran utama kemajuan.
Meskipun masih ada tempatnya, agile dirancang untuk dunia di mana manusia menulis setiap baris kode, yang dalam beberapa situasi dapat membawa kompromi yang sudah agak normal.
Masalah umpan balik tinjauan sprint adalah yang paling jelas. Agile menjanjikan umpan balik yang ketat untuk memastikan tim membangun hal yang benar, namun apa yang sebenarnya bisa terjadi adalah umpan balik tersebut tiba setelah dua minggu pembangunan. Demo ini mengungkapkan ketidakselarasan. Koreksi arah pada pertengahan sprint secara politis sulit dan pengerjaan ulang pada sprint berikutnya melemahkan semangat. Siklus dua minggu yang awalnya dirancang sebagai suatu disiplin dengan cepat menjadi puncaknya.
Dan di balik semua itu, terdapat kegagalan struktural yang kini mustahil untuk diabaikan oleh AI: sebagian besar penerapan agile di perusahaan tidak selalu agile. Tim melakukan iterasi di dalam wadah air terjun. Siklus anggaran, gerbang tata kelola, kontrak dengan lingkup tetap – organisasi berperilaku dengan semua kekakuan perencanaan sekuensial sambil menanggung beban proses yang tangkas. Ini merupakan mode kegagalan yang mahal karena tidak menghasilkan manfaat dari kelincahan maupun prediktabilitas air terjun – yang ada hanyalah kerugian dari keduanya.
Dan di sinilah modelnya mulai rusak. Pengkodean hanyalah sebagian kecil dari penyampaian perangkat lunak end-to-end, namun sistem asli AI secara signifikan mengurangi tenaga manusia yang dibutuhkan untuk menjalankannya. Eksekusi taktis, pengujian, dokumentasi, debugging, dan scaffolding semakin terotomatisasi (belum lagi bagaimana kita dapat menggunakan AI untuk membantu dalam persyaratan, pembuatan prototipe, dll).
Ketika 60 hingga 80 persen upaya rekayasa rutin dapat dihilangkan, skala jumlah karyawan tidak lagi menjadi keuntungan. Hambatan sebenarnya bergeser sepenuhnya dari mekanisme penulisan kode ke arsitektur kompleksitas sistem dan tujuan bisnis. Pada dasarnya, skala tidak lagi menjadi sebuah keuntungan dan mulai terlihat seperti inefisiensi.
Tim besar menimbulkan overhead koordinasi. Pengambilan keputusan melambat. Konteks hilang di seluruh lapisan. Apa yang tadinya merupakan sebuah kekuatan – jumlah karyawan – menjadi sebuah hambatan dalam penyampaiannya. Piramida Anda tidak akan runtuh dalam semalam, namun akan mulai berlubang.
Sumber daya yang langka telah berubah
Pada tahun 2025, sistem AI melampaui tolok ukur yang luar biasa. SWE-bench Verified, sebuah tolok ukur teknik untuk model AI, menunjukkan skor tertinggi melonjak dari sekitar 60 persen pada tahun 2024 menjadi hampir 100 persen pada tahun 2025. Dalam kondisi terkendali, model AI kini dapat menyelesaikan hampir semua masalah rekayasa perangkat lunak tertentu.
Menurut survei terhadap lebih dari 24.000 pengembang di seluruh dunia, 85 persen kini secara teratur menggunakan alat AI untuk pengkodean dan desain perangkat lunak. GitHub Copilot mencapai 20 juta pengguna pada pertengahan tahun 2025, dengan pelanggan berbayar bertambah 75 persen dari tahun ke tahun.
Ketika pembuatan kode melimpah dan murah, kelangkaan pun bergeser. Sumber daya baru yang langka adalah penilaian (dan anggaran token yang terbatas). Kemampuan untuk menerjemahkan masalah bisnis yang berantakan dan diperdebatkan ke dalam spesifikasi teknis tepat yang dapat dijalankan oleh AI dengan andal menjadi jauh lebih penting. Intuisi keamanan, pandangan ke depan tentang arsitektur, dan kemampuan manusia untuk mengetahui apa yang tidak boleh dibangun merupakan komoditas yang banyak diminati.
Pada akhir tahun 2026, 75 persen pengembang akan melakukan orkestrasi, bukan kode. Ini bukanlah ramalan yang jauh. Ini sudah menjadi kenyataan bagi tim dengan kinerja tertinggi.
Para insinyur yang berkembang dalam lingkungan ini tidak mencoba untuk mengungguli AI, namun mereka adalah orang-orang yang memahami bahwa nilai utama mereka sekarang adalah memutuskan apa yang akan dibuat, melakukan pemikiran awal tentang tujuan dan spesifikasi kode, dan memverifikasi bahwa kode tersebut dibuat dengan benar – bukan membuat kode baris demi baris sendiri.
Seperti apa sebenarnya AI-native itu?
Tim teknis yang menggunakan AI merefleksikan perubahan ini dalam struktur dan pengoperasiannya karena diasumsikan bahwa AI menangani eksekusi, sementara manusia menangani penilaian.
Dalam praktiknya, hal ini menghasilkan tim yang lebih kecil dan lebih senior. Jika model pengiriman sebelumnya mungkin memerlukan delapan hingga 12 insinyur, dengan beberapa insinyur junior tersebar di seluruh tim, tim yang berbasis AI cenderung menggunakan tiga hingga lima insinyur berpengalaman yang ditambah dengan sistem AI. Bentuk tim berubah karena sifat pekerjaan berubah.
Peran berkembang sesuai dengan itu. Insinyur senior menghabiskan lebih sedikit waktu untuk menulis boilerplate dan lebih banyak waktu untuk menentukan batasan sistem, membuat keputusan arsitektural, dan meninjau keluaran yang dihasilkan AI. QA beralih dari menulis kasus pengujian secara manual ke merancang strategi yang memperhitungkan pola kode yang dihasilkan AI, dan manajer produk semakin membuat prototipe secara langsung dengan AI, sehingga menghilangkan kesenjangan antara spesifikasi dan implementasi.
AI sekarang dapat menghasilkan sebagian besar kode produksi, namun dalam tim berperforma tinggi, setiap baris masih melewati tinjauan manusia. Keterampilan teknik inti bukan lagi generasi. Ini adalah validasi – mengetahui proses inti yang akan memanfaatkan AI, dan memastikan bahwa AI benar-benar menyelesaikan masalah dan tidak menambah beban tambahan.
Bahkan cara pengukuran kinerja mulai bergeser. Metrik tradisional seperti tiket ditutup atau baris kode ditulis menjadi kurang berarti ketika keluaran dapat dihasilkan dalam skala besar dan aktivitas tidak lagi mewakili manfaat, dan kemampuan observasi teknik harus beralih dari pelacakan aktivitas pengembang hingga mengukur waktu siklus nilai bisnis atau stabilitas sistem.
Bahkan sinyal yang lebih baru, seperti penggunaan token, dapat menjadi jebakan, memberi keuntungan pada volume dibandingkan nilai, dan mendorong perilaku yang tidak efisien dan mahal dalam skala besar. Pertanyaan kritisnya adalah: seberapa cepat sebuah tim dapat memverifikasi bahwa apa yang dihasilkan benar-benar akurat, etis, dan berharga?
Pengiriman masa depan
Semua ini tidak menunjukkan bahwa tim besar akan lenyap dalam semalam. Namun struktur peluang sedang berubah. Peran junior akan berkembang menuju pemecahan masalah tingkat tinggi dan kolaborasi AI, dan insinyur senior akan menjadi lebih penting lagi sebagai pengatur sistem AI manusia yang kompleks. Dan perusahaan konsultan perlu beralih dari model yang padat karya menuju penyampaian yang berorientasi pada hasil.
Dunia usaha seharusnya bertanya apakah mereka telah mendesain ulang cara mereka menghadirkan perangkat lunak, atau hanya membuat model lama sedikit lebih cepat, karena ‘sedikit lebih cepat’ bukanlah tujuannya. Tim-tim yang akan menentukan dekade berikutnya dalam pengiriman perangkat lunak sedang membangun sesuatu yang berbeda secara struktural: lebih kecil, lebih senior, lebih fokus pada penilaian daripada eksekusi, beroperasi dengan agen AI sebagai anggota tim sejati dan bukan sebagai aksesori produktivitas. Dan hal ini memerlukan pertimbangan yang cermat tidak hanya pada teknologi dan alat yang digunakan, namun juga pertimbangan manusia – seperti pelatihan dan penetapan insentif – serta desain proses.
Claude Code yang terdiri dari dua insinyur bukanlah anomali yang bisa dikagumi dari kejauhan. Itu adalah templat. Organisasi yang memperlakukannya seperti itu dan mendesain ulangnya akan menghasilkan masa depan. Mereka yang tidak melakukannya akan mendapati diri mereka dikalahkan oleh tim-tim yang ukurannya lebih kecil, bertanya-tanya kapan keadaan akan berubah.
Oleh Ciaran Cosgrave
Ciaran Cosgrave adalah CEO Nearform. Ia bekerja di bidang strategi bisnis dan TI, inovasi, dan budaya perusahaan, dengan spesialisasi di bidang seluler, cloud, transformasi bisnis, inovasi, dan strategi.