Tag: penemuan

html=”Credit: Unsplash/CC0 Public Domain”>

Saat menulis kode program, pengembang perangkat lunak sering kali bekerja berpasangan—sebuah praktik yang mengurangi kesalahan dan mendorong berbagi pengetahuan. Asisten AI kini semakin banyak digunakan untuk peran ini.

Namun perubahan dalam praktik kerja ini bukannya tanpa kelemahan, seperti yang diungkapkan oleh studi empiris baru yang dilakukan oleh ilmuwan komputer di Saarbrücken. Pengembang cenderung kurang memperhatikan kode yang dihasilkan AI dan mereka belajar lebih sedikit darinya. Temuan ini akan dipresentasikan pada Konferensi Internasional IEEE/ACM tentang Rekayasa Perangkat Lunak Otomatis (ASE 2025) ke-40 di Seoul.

Ketika dua pengembang perangkat lunak berkolaborasi dalam sebuah proyek pemrograman—dikenal di kalangan teknis sebagai pemrograman berpasangan—hal ini cenderung menghasilkan peningkatan yang signifikan dalam kualitas perangkat lunak yang dihasilkan.

“Para pengembang sering kali dapat menginspirasi satu sama lain dan membantu menghindari solusi yang bermasalah. Mereka juga dapat berbagi keahlian mereka, sehingga memastikan bahwa lebih banyak orang di organisasi mereka yang memahami basis kode,” jelas Sven Apel, profesor ilmu komputer di Universitas Saarland.

Bersama timnya, Apel telah mengkaji apakah pendekatan kolaboratif ini akan bekerja dengan baik jika salah satu mitranya adalah asisten AI. Dalam studi tersebut, 19 siswa dengan pengalaman pemrograman dibagi menjadi beberapa pasangan: Enam bekerja dengan mitra manusia, sementara tujuh berkolaborasi dengan asisten AI. Metodologi pengukuran transfer pengetahuan dikembangkan oleh Niklas Schneider sebagai bagian dari tesis sarjananya.

Untuk penelitian ini, para peneliti menggunakan GitHub Copilot, asisten pengkodean bertenaga AI yang diperkenalkan oleh Microsoft pada tahun 2021, yang—seperti produk serupa dari perusahaan lain—kini telah diadopsi secara luas oleh pengembang perangkat lunak. Alat-alat ini telah mengubah cara penulisan perangkat lunak secara signifikan.

“Hal ini memungkinkan pengembangan lebih cepat dan pembuatan kode dalam jumlah besar dalam waktu singkat. Namun hal ini juga mempermudah terjadinya kesalahan tanpa disadari, dengan konsekuensi yang mungkin baru muncul di kemudian hari,” kata Apel. Tim ingin memahami aspek kolaborasi manusia mana yang meningkatkan pemrograman dan apakah aspek ini dapat direplikasi dalam pasangan manusia-AI. Peserta ditugaskan untuk mengembangkan algoritma dan mengintegrasikannya ke dalam lingkungan proyek bersama.

“Transfer pengetahuan adalah bagian penting dari pemrograman berpasangan,” jelas Apel. “Para pengembang akan terus mendiskusikan masalah-masalah terkini dan bekerja sama untuk menemukan solusi. Hal ini tidak hanya berarti bertanya dan menjawab pertanyaan, namun juga berarti bahwa para pengembang berbagi strategi pemrograman yang efektif dan menyumbangkan wawasan mereka sendiri.”

Menurut penelitian, pertukaran informasi serupa juga terjadi di tim yang dibantu AI—tetapi interaksinya kurang intens dan mencakup topik yang lebih sempit.

“Dalam banyak kasus, fokusnya hanya pada kode,” kata Apel. “Sebaliknya, pemrogram manusia yang bekerja sama lebih cenderung menyimpang dan terlibat dalam diskusi yang lebih luas serta kurang fokus pada tugas yang mendesak.”

Sebuah temuan mengejutkan tim peneliti: “Pemrogram yang bekerja dengan asisten AI lebih cenderung menerima saran yang dihasilkan AI tanpa evaluasi kritis. Mereka berasumsi bahwa kode tersebut akan berfungsi sebagaimana mestinya,” kata Apel. “Sebaliknya, pasangan manusia lebih cenderung mengajukan pertanyaan kritis dan lebih cenderung hati-hati memeriksa kontribusi masing-masing.”

Ia meyakini kecenderungan untuk lebih mudah memercayai AI dibandingkan manusia mungkin juga akan meluas ke bidang lain, dengan menyatakan, “Saya pikir hal ini ada hubungannya dengan tingkat kepuasan tertentu—kecenderungan untuk berasumsi bahwa keluaran AI mungkin cukup baik, meskipun kita tahu bahwa asisten AI juga bisa melakukan kesalahan.

Apel memperingatkan bahwa ketergantungan yang tidak kritis terhadap AI dapat menyebabkan akumulasi “hutang teknis”, yang dapat dianggap sebagai biaya tersembunyi dari pekerjaan di masa depan yang diperlukan untuk memperbaiki kesalahan ini, sehingga mempersulit pengembangan perangkat lunak di masa depan.

Bagi Apel, penelitian ini menyoroti fakta bahwa asisten AI belum mampu mereplikasi kekayaan kolaborasi manusia dalam pengembangan perangkat lunak.

“Mereka tentu saja berguna untuk tugas-tugas sederhana dan berulang,” kata Apel. “Tetapi untuk masalah yang lebih kompleks, pertukaran pengetahuan sangatlah penting—dan saat ini pertukaran pengetahuan paling baik dilakukan antar manusia, mungkin dengan asisten AI sebagai alat pendukung.”

Apel menekankan perlunya penelitian lebih lanjut tentang bagaimana manusia dan AI dapat berkolaborasi secara efektif sambil tetap mempertahankan pandangan kritis yang menjadi ciri kolaborasi manusia.