AI itu berguna. Yang bikin capek adalah narasi seolah hidup lu bakal rusak kalau minggu ini belum pakai tool paling baru.
Artikel ini ngebahas cara memakai AI tanpa kebawa fear marketing: bukan anti-AI, bukan juga jadi fanboy tiap ada model baru. Intinya sederhana: pakai AI sebagai alat kerja yang bisa diukur manfaatnya, bukan sebagai sumber panik harian. Buat developer, creator, dan builder, sikap paling sehat adalah pro-eksperimen, tapi tetap skeptis ke hype, klaim valuasi, dan tekanan sosial yang bikin keputusan workflow jadi reaktif.
Kenapa hype AI terasa melelahkan?
Hype AI terasa melelahkan karena banyak narasinya tidak cuma menjelaskan teknologi, tapi juga menjual rasa takut. George Hotz menulis “I love LLMs, I hate hype” dengan posisi yang menurut gua sehat: ia suka LLM, self-driving, video generation, dan coding agent, tapi muak dengan narasi seperti “window closing”, “perpetual underclass”, atau orang yang dianggap bakal tertinggal permanen kalau tidak ikut sekarang juga.
Itu bedanya value teknologi dan packaging marketing. LLM memang bisa bantu kerja. Coding agent memang bisa mempercepat eksperimen. Model lokal memang makin menarik. Tapi semua itu tidak otomatis berarti lu harus mengganti seluruh workflow setiap ada thread viral baru.
Fear marketing bekerja karena dia menyentuh kecemasan yang real: takut karier ketinggalan, takut bisnis kalah cepat, takut skill jadi usang. Masalahnya, keputusan yang lahir dari panik jarang menghasilkan sistem kerja yang tahan lama.
AI berguna, tapi manfaatnya harus spesifik
Definisi praktisnya begini: LLM adalah model AI yang bisa memproses dan menghasilkan bahasa, kode, ringkasan, ide, dan instruksi. Dia kuat untuk kerja yang punya pola teks, konteks cukup, dan feedback cepat. Tapi LLM bukan oracle yang otomatis tahu prioritas hidup, roadmap karier, atau strategi produk lu.
Di workflow developer, AI paling terasa manfaatnya saat dipakai untuk tugas yang jelas:
- membuat draft kode awal yang masih bisa lu review;
- meringkas dokumentasi panjang jadi checklist;
- mencari edge case dari desain API;
- membantu debugging dengan log/error yang konkret;
- membuat variasi copy, caption, atau outline konten;
- menjadi rubber duck saat lu sudah punya konteks masalah.
Yang sering bikin kacau adalah memakai AI untuk mengganti keputusan yang sebenarnya butuh judgment. Misalnya: memilih arsitektur tanpa memahami constraint, menerima PR agent tanpa baca diff, atau membuat konten tanpa pengalaman nyata. Output bisa kelihatan rapi, tapi rapi bukan berarti benar.
Bedakan value creation dan value capture
Salah satu poin paling menarik dari diskusi Hacker News tentang tulisan George Hotz adalah perbedaan antara AI menciptakan value dan perusahaan AI menangkap value itu. Teknologi bisa sangat berguna untuk banyak orang, tapi belum tentu semua nilai ekonominya masuk ke lab frontier yang menjual token mahal.
Ini penting buat developer karena sering kali hype mencampur dua hal:
- “AI berguna buat kerja lu” — ini bisa benar.
- “Karena itu, lu wajib pakai vendor/tool/model tertentu sekarang juga” — ini perlu diuji.
Di level pribadi, pertanyaannya bukan “model mana yang paling viral?”. Pertanyaan yang lebih berguna: “task mana yang jadi lebih cepat, lebih murah, atau lebih berkualitas setelah dibantu AI?”
Kalau jawabannya tidak jelas, bisa jadi lu bukan sedang meningkatkan workflow. Lu cuma sedang bayar pajak FOMO.
Jangan anggap semua orang memakai AI untuk semuanya
Gabriel Weinberg pernah menulis bahwa orang memakai AI mirip cara orang mengonsumsi daging: ada yang sangat sering, ada yang membatasi, ada juga yang menghindari. Poinnya bukan soal diet, tapi soal adopsi teknologi yang tidak seragam.
Ini reminder penting. Feed tech sering bikin ilusi bahwa semua orang sudah full AI, semua tim sudah punya agent production, dan semua creator sudah otomatis bikin 50 konten per hari. Realitanya lebih campur. Banyak orang memakai AI sesekali. Banyak perusahaan masih eksperimen. Banyak developer tetap mengerjakan hal “boring” seperti test, database migration, logging, auth, dan observability.
Kalau lu cuma membaca timeline, dunia terlihat seperti sprint tanpa garis finish. Kalau lu lihat pekerjaan nyata, adopsi AI lebih mirip proses bertahap: coba, ukur, buang yang tidak cocok, simpan yang membantu.
Checklist: cara pakai AI tanpa kebawa fear marketing
Gua pakai checklist ini biar AI tetap jadi alat, bukan sumber panik.
1. Mulai dari problem, bukan tool
Jangan mulai dari “tool baru ini bisa apa?”. Mulai dari “pekerjaan apa yang sekarang lambat, repetitif, atau rawan salah?”. Kalau problem-nya jelas, pilihan tool jadi lebih objektif.
2. Ukur useful work, bukan jumlah output
AI bisa menghasilkan banyak teks dan kode. Tapi ukuran yang lebih penting adalah berapa banyak output yang benar-benar lu pakai setelah review. Kalau 80% hasilnya dibuang, berarti volume bukan produktivitas.
3. Pisahkan eksperimen low-risk dan sistem high-risk
AI cocok banget buat prototype, visualisasi, draft, internal script, atau eksplorasi ide. Tapi untuk auth, payment, migration database, security boundary, dan data sensitif, lu perlu review lebih ketat. Risk boundary harus jelas.
4. Jangan outsource pemahaman
Lu boleh minta AI menjelaskan error, tapi tetap perlu paham kenapa fix-nya benar. Lu boleh minta AI menulis test, tapi tetap perlu tahu failure mode yang harus diuji. Pemahaman adalah guardrail terakhir saat output AI terdengar meyakinkan tapi salah.
5. Pilih tool yang cocok dengan workflow, bukan yang paling ramai dibahas
Ada task yang cocok pakai frontier model. Ada task yang cukup pakai model lokal. Ada task yang lebih cepat dikerjakan manual. Tool paling mahal tidak selalu paling ekonomis kalau latency, token overhead, atau review cost-nya tinggi.
Kalau lu developer, skill yang makin mahal adalah judgment
Menurut gua, skill developer tidak hilang karena AI. Tapi pusat gravitasi skill-nya bergeser. Nulis kode tetap penting, tapi semakin banyak output yang bisa dibuat mesin, semakin mahal kemampuan untuk memilih, mengecek, memotong, dan mengarahkan.
Judgment itu bentuknya konkret:
- tahu kapan kode AI boleh masuk PR;
- tahu kapan abstraksi terlihat rapi tapi terlalu dini;
- tahu kapan benchmark tidak relevan dengan workload lu;
- tahu kapan tool baru cuma memindahkan biaya ke review;
- tahu kapan cukup pakai script sederhana daripada agent kompleks.
Di era output murah, taste dan judgment jadi pembeda. Bukan taste sebagai gaya-gayaan, tapi taste sebagai kemampuan teknis untuk bilang: “ini cukup”, “ini belum aman”, “ini terlalu mahal”, atau “ini tidak perlu”.
Takeaway praktis
- AI itu alat kerja yang kuat, bukan alasan buat hidup dalam FOMO.
- Hype sering menjual rasa takut, bukan cuma menjelaskan teknologi.
- Adopsi AI harus dimulai dari problem nyata di workflow lu.
- Ukur useful work: output yang benar-benar dipakai setelah review.
- Untuk task high-risk, AI boleh bantu, tapi manusia tetap harus paham dan verifikasi.
FAQ singkat
Apakah ini berarti developer sebaiknya menghindari AI?
Nggak. Justru gua pikir developer perlu mencoba AI secara aktif. Tapi coba dengan metrik dan batas yang jelas, bukan karena takut ketinggalan.
Tool AI apa yang sebaiknya dipakai?
Tergantung task. Untuk coding berat, lu mungkin butuh model frontier. Untuk draft, ringkasan, atau eksperimen lokal, model kecil bisa cukup. Jangan pilih tool dari hype doang.
Gimana tahu AI benar-benar membantu?
Bandingkan waktu selesai, kualitas output, jumlah revisi, cost, dan risiko. Kalau lu tetap rewrite dari nol, berarti AI belum membantu di task itu.
Penutup
Gua suka AI karena dia bikin banyak eksperimen jadi lebih murah. Tapi gua tidak mau keputusan kerja gua dikendalikan rasa takut dari timeline.
Pakai AI karena dia membantu. Ukur hasilnya. Simpan yang berguna. Buang yang cuma bikin ribut. Kalau lu bisa menjaga sikap itu, AI jadi leverage, bukan sumber burnout baru.
