Havedev
AI Coding Agent Tidak Cukup Pintar, Ia Harus Bisa Dipercaya
The Core Update
Chamath Palihapitiya mengumumkan bahwa startup AI coding yang ia dirikan, 8090 Labs, mendapatkan pendanaan Series A sebesar 135 juta dolar AS.
Putaran ini dipimpin oleh Salesforce Ventures, dengan partisipasi dari WndrCo, Craft Ventures, The Production Board, Launch, serta beberapa angel investor seperti Nikesh Arora dari Palo Alto Networks dan Adam D’Angelo dari Quora.
8090 Labs dibangun untuk satu pasar yang cukup spesifik: tim engineering di perusahaan besar.
Produknya, Software Factory, diposisikan sebagai AI coding agent untuk membantu programmer korporat membangun software yang siap produksi. Bukan hanya prototype cepat. Bukan hanya eksperimen vibe coding. Tetapi software yang tetap punya kontrol enterprise seperti audit trail, governance, dan proses yang bisa dipertanggungjawabkan.
Bersamaan dengan pendanaan ini, Chamath juga mengambil peran sebagai CEO. Ia menyebut momen AI saat ini terasa seperti awal pertumbuhan social media ketika ia masih berada di Facebook.
Kalimat seperti ini mudah terdengar besar. Bahkan terlalu besar.
Tetapi di balik narasi founder terkenal dan pendanaan besar, ada sinyal yang lebih penting: AI coding sedang masuk ke fase baru.
Bukan lagi sekadar pertanyaan apakah AI bisa menulis kode.
Pertanyaannya mulai bergeser menjadi: apakah AI bisa masuk ke workflow engineering yang nyata, dengan risiko nyata, user nyata, dan tanggung jawab nyata?
The Reality Check
Banyak bisnis dan tim teknologi sudah mencoba AI coding. Sebagian merasa sangat terbantu. Sebagian lain merasa hasilnya cepat, tetapi tidak selalu aman untuk langsung dipakai.
Ini wajar.
AI bisa membuat function, halaman, script, migration, test, bahkan draft arsitektur dengan sangat cepat. Tetapi software production bukan hanya kumpulan kode yang berhasil berjalan di laptop seseorang.
Software production punya konteks.
Ada requirement yang berubah. Ada data pelanggan. Ada security policy. Ada legacy system. Ada dependency. Ada standar review. Ada incident yang harus dilacak. Ada keputusan teknis yang enam bulan lagi masih harus bisa dijelaskan.
Di sinilah perbedaan antara AI coding untuk demo dan AI coding untuk perusahaan mulai terlihat.
Prototype bisa memaafkan banyak hal. Production tidak.
Sebuah fitur yang terlihat selesai bisa menyimpan masalah tersembunyi: validasi input yang kurang, permission yang bocor, query yang berat, test yang tidak mencakup edge case, atau perubahan kecil yang merusak alur lama.
AI coding agent yang baik tidak cukup hanya menghasilkan kode lebih cepat. Ia harus membantu tim menjaga konteks kerja.
Apa yang diubah?
Mengapa diubah?
Siapa yang menyetujui?
Bagian mana yang berisiko?
Apakah perubahan itu sesuai standar internal?
Apakah ada jejak yang bisa dibaca ketika terjadi masalah?
Karena itu, klaim 8090 Labs tentang audit trail dan kontrol enterprise menarik untuk diperhatikan. Bukan karena semua klaim startup harus langsung dipercaya, tetapi karena arah masalahnya benar.
Perusahaan tidak kekurangan cara untuk membuat kode lebih cepat.
Perusahaan kekurangan cara untuk membuat AI ikut masuk ke proses engineering tanpa merusak akuntabilitas.
Di banyak tim, bottleneck sebenarnya bukan hanya coding. Bottleneck ada di pemahaman requirement, review, QA, deployment, monitoring, dokumentasi, dan koordinasi antar stakeholder.
Kalau AI hanya mempercepat penulisan kode, tetapi memperbesar beban review dan debugging, hasil akhirnya belum tentu lebih produktif.
Tim bisa terlihat bergerak lebih cepat, tetapi sebenarnya hanya memindahkan pekerjaan dari fase development ke fase koreksi.
Ini mirip dengan bisnis yang membeli banyak tool tanpa status kerja yang jelas. Aktivitas bertambah, dashboard bertambah, notifikasi bertambah, tetapi keputusan tetap kabur.
Dalam engineering, AI coding tanpa kontrol bisa membuat output bertambah, tetapi kejelasan menurun.
Lebih banyak pull request. Lebih banyak perubahan. Lebih banyak file tersentuh. Tetapi belum tentu lebih banyak software yang benar-benar siap dipakai.
Maka pertanyaan yang sehat bukan: apakah tim harus memakai AI coding?
Pertanyaan yang lebih berguna adalah: bagian mana dari proses engineering yang siap dibantu AI tanpa mengorbankan kualitas dan tanggung jawab?
The Havedev Way
Dari sudut pandang Havedev, AI coding sebaiknya tidak dilihat sebagai pengganti engineering discipline.
AI coding lebih tepat dilihat sebagai akselerator untuk proses yang sudah cukup jelas.
Jika requirement masih kabur, AI akan membantu menulis kode yang juga kabur. Jika struktur project berantakan, AI akan menambah lapisan baru di atas kekacauan lama. Jika review process lemah, AI bisa membuat perubahan masuk lebih cepat daripada kemampuan tim untuk memeriksanya.
Karena itu, sebelum bisnis atau tim mengadopsi AI coding agent secara serius, ada beberapa hal yang perlu dibereskan terlebih dahulu.
Pertama, tentukan area penggunaan yang aman.
Tidak semua bagian system perlu langsung dibuka untuk AI. Mulai dari area yang risikonya lebih rendah: internal tool, test generation, dokumentasi teknis, refactor kecil, script operasional, atau prototype yang memang belum menyentuh data sensitif.
Kedua, buat aturan review yang jelas.
Kode dari AI tetap harus diperlakukan sebagai kode yang perlu diperiksa. Bukan karena AI buruk, tetapi karena production software membutuhkan akuntabilitas. Tim perlu tahu perubahan mana yang wajib diuji, siapa reviewer-nya, dan standar apa yang dipakai sebelum merge.
Ketiga, jaga konteks project.
AI bekerja lebih baik ketika diberi batasan yang jelas: struktur folder, pola naming, arsitektur, aturan security, style code, dependency yang boleh dipakai, dan hal-hal yang tidak boleh diubah sembarangan.
Tanpa konteks ini, AI cenderung membuat solusi yang terlihat benar secara umum, tetapi tidak selalu cocok untuk bisnis dan system yang sedang berjalan.
Keempat, ukur dampaknya dengan metrik yang sehat.
Jangan hanya mengukur berapa banyak kode yang dibuat. Ukur juga berapa banyak bug yang muncul, berapa lama review berlangsung, berapa banyak perubahan yang harus diulang, dan apakah waktu delivery benar-benar membaik.
Produktivitas engineering bukan jumlah baris kode.
Produktivitas engineering adalah kemampuan mengirim perubahan yang berguna, stabil, dan bisa dirawat.
Pendanaan besar untuk 8090 Labs menunjukkan bahwa pasar sedang mencari bentuk AI coding yang lebih matang. Enterprise tidak hanya ingin AI yang bisa membuat demo. Mereka butuh AI yang bisa hidup di dalam proses kerja yang punya kontrol, audit, dan tanggung jawab.
Ini kabar baik untuk industri.
Tetapi untuk bisnis, pelajarannya sederhana: jangan mulai dari hype AI coding agent. Mulai dari proses engineering Anda sendiri.
Apakah requirement sudah cukup jelas?
Apakah codebase punya struktur yang bisa dipahami?
Apakah review berjalan konsisten?
Apakah deployment punya kontrol?
Apakah error dan perubahan bisa dilacak?
Jika jawabannya belum, AI tetap bisa membantu, tetapi harus masuk secara bertahap.
AI coding agent yang baik bisa mempercepat tim. Namun hanya tim yang punya disiplin engineering yang cukup yang bisa mendapatkan manfaatnya tanpa menambah risiko baru.
Pada akhirnya, masa depan software development mungkin memang akan lebih banyak dibantu AI.
Tetapi software yang baik tetap membutuhkan hal lama yang tidak boleh hilang: konteks yang jelas, keputusan yang bisa dijelaskan, dan tanggung jawab atas apa yang dikirim ke user.
Dapatkan Audit Teknis Gratis untuk meninjau apakah workflow development, website, atau system internal Anda sudah cukup siap sebelum mulai mengadopsi AI dan automation lebih jauh.
Sumber referensi berita: TechCrunch