Para peneliti Microsoft di AS menerbitkan makalah yang mengkaji penggunaan alat coding AI berbasis baris perintah dan dampaknya terhadap produktivitas, dengan melibatkan puluhan ribu insinyur perangkat lunak di perusahaan tersebut. Alat yang diteliti adalah «Claude Code» dari Anthropic dan «Copilot CLI» dari GitHub. Penelitian berlangsung sekitar empat bulan, dari 5 Januari hingga 29 April 2026. Menurut makalah itu, insinyur yang menggunakan alat tersebut pada pekan pertama penerapannya menghasilkan rata-rata 24% lebih banyak pull request yang di-merge dibandingkan mereka yang tidak menggunakannya.
Membagikan alat saja tidak membuatnya menyebar: langkah pertama dimulai dari rekan di sebelah
Banyak eksekutif dan manajer mungkin membayangkan bahwa jika perusahaan menyediakan alat AI bagi seluruh karyawan, semua orang akan mulai menggunakannya keesokan harinya. Namun, penelitian ini menunjukkan bahwa keputusan untuk mencoba alat tersebut pertama kali lebih dipengaruhi hubungan antarmanusia di tempat kerja daripada penjelasan fitur atau pengumuman.
Orang lebih mungkin mulai menggunakan alat itu jika rekan kerja yang biasa bertukar kode atau atasan langsung mereka juga menggunakannya. Angkanya cukup spesifik. Jika lebih dari seperempat rekan kerja yang memiliki atasan dua tingkat di atas yang sama telah menggunakan alat itu dalam dua pekan terakhir, odds untuk mencobanya meningkat hingga 216%. Jika atasan langsung menggunakannya, odds meningkat 82%. Sementara itu, jika lebih dari seperempat orang yang biasanya bertukar tinjauan kode dengan mereka menggunakan alat tersebut, odds naik 54%.
Kenaikan odds berbeda dari «kenaikan probabilitas»
Yang perlu diperhatikan di sini adalah istilah «odds». Odds menyatakan kemungkinan suatu peristiwa terjadi dibandingkan dengan kemungkinan peristiwa itu tidak terjadi. Mendengar kenaikan 216% mungkin memberi kesan bahwa jumlah pengguna meningkat lebih dari tiga kali lipat, tetapi bukan itu artinya: persentase orang yang menggunakan alat tersebut tidak meningkat 216%. Ketika tingkat penggunaan awal masih rendah, selisihnya dapat tampak besar, sementara peningkatan jumlah pengguna sebenarnya lebih kecil dari angka tersebut.
Meski begitu, arah pengaruhnya jelas: tindakan atasan dan rekan kerja dapat mendorong orang lain untuk mencoba. Orang biasanya mulai menggunakan alat baru bukan dengan membaca panduan, melainkan karena berpikir, «Kalau dia memakainya, saya juga bisa mencoba.» Menurut saya, hal ini juga berlaku di banyak tempat kerja, bukan hanya di lingkungan pengembangan. Atasan dapat menjadi orang pertama yang mencoba alat tersebut dan memperlihatkan cara menggunakannya saat sesi tinjauan. Tindakan sederhana seperti itu mungkin lebih efektif daripada materi pelatihan.
Kelanjutan penggunaan ditentukan oleh alur kerja sehari-hari
Apakah orang yang sudah mencoba akan terus menggunakannya merupakan persoalan lain. Penelitian ini menemukan bahwa penggunaan berkelanjutan berkaitan dengan aktivitas coding sehari-hari pengguna. Insinyur yang sibuk—yang rutin menulis banyak kode dan sering mengajukan pull request—lebih mudah merasakan manfaat AI dan cenderung lebih kuat menjadikan alat itu bagian dari kebiasaan kerja mereka.
Pull request adalah permintaan untuk memasukkan kode yang telah diubah ke dalam kode utama. Orang yang sering mengajukan pull request juga bisa dikatakan memiliki banyak pekerjaan yang dapat diserahkan kepada AI. Semakin banyak pekerjaan yang mereka lakukan, semakin mudah pula mereka merasakan manfaat alat tersebut.
Lingkungan yang sudah akrab dapat menjadi hambatan bagi alat baru
Di sisi lain, penelitian ini juga menemukan bahwa pengguna yang sebelumnya telah memakai alat AI lain di antarmuka pengembangan berbeda memang mencoba alat baru, tetapi cenderung tidak terus menggunakannya. Ada kemungkinan banyak dari mereka merasa lebih nyaman dengan lingkungan yang sudah akrab.
Situasinya mirip dengan berganti ponsel. Meski fiturnya lebih unggul, jika tata letak aplikasi dan kebiasaan pengoperasiannya sudah melekat, kita mungkin ingin kembali ke perangkat lama. Pihak yang menerapkan alat AI baru tampaknya perlu mempertimbangkan bukan hanya kinerjanya, tetapi juga bagaimana alat itu dapat menyatu dengan alur kerja yang sudah dibangun pengguna.
Bagaimana memahami kenaikan jumlah pull request sebesar 24%
Dampak terhadap produktivitas diukur berdasarkan jumlah pull request yang di-merge, yakni jumlah pekerjaan yang diselesaikan. Insinyur yang menggunakan alat tersebut pada pekan pertama penerapannya menghasilkan rata-rata 24% lebih banyak pull request dibandingkan jika mereka tidak menggunakannya. Laporan itu menyebutkan bahwa dampaknya stabil sepanjang periode penelitian selama empat bulan, bukan sekadar efek sementara dari antusiasme sesaat setelah alat diperkenalkan.
Namun, produktivitas yang dimaksud di sini diukur hanya dengan satu indikator, yaitu jumlah pull request. Angka ini tidak menunjukkan bahwa kualitas kode, waktu yang dibutuhkan untuk tiap pekerjaan, atau beban tim juga membaik dengan persentase yang sama. Fakta bahwa jumlah pull request meningkat perlu dibedakan dari perasaan bahwa keseluruhan pekerjaan menjadi lebih mudah.
Claude Code 11,4%, Copilot CLI 24,9%
Jika dilihat berdasarkan alat, jumlah pull request meningkat 11,4% di kalangan pengguna Claude Code dan 24,9% di kalangan pengguna Copilot CLI, dibandingkan pekan-pekan saat alat tersebut tidak digunakan. Selisihnya sekitar dua kali lipat, tetapi terlalu dini untuk langsung mengartikan angka ini sebagai tanda bahwa satu alat lebih unggul. Copilot CLI disediakan oleh GitHub, yang berada di bawah Microsoft, dan pola penggunaan maupun profil penggunanya di perusahaan bisa saja berbeda antara kedua alat tersebut.
Meski demikian, hanya sedikit penelitian yang selama empat bulan mengamati penyebaran penggunaan sekaligus hasilnya di lingkungan kerja pengembangan nyata dengan skala puluhan ribu orang. Di tengah perbincangan tentang AI untuk coding yang cenderung berfokus pada “model mana yang paling cerdas”, hasil penelitian ini memperlihatkan kenyataan adopsi: siapa yang mulai menggunakan dan siapa yang terus menggunakannya. Kita mungkin memasuki era ketika kemampuan merancang penyebaran teknologi di tempat kerja sama pentingnya dengan memilih alat untuk menentukan hasil.
コメント