Kalau AI Bisa Menulis Code, Apa yang Masih Membuat Programmer Bernilai di 2028?

Kayaknya pertanyaan seperti ini membosankan dan tidak lagi relevan di 2026.

Pergeseran Pertanyaan

Kalau AI bisa menulis code, skill apa yang masih bernilai di 2028?

Pertanyaan ini kelihatannya seperti pertanyaan teknologi. Tapi semakin melihat perkembangan AI coding dari 2023 sampai 2026, saya justru merasa pertanyaan sebenarnya adalah pertanyaan tentang karier.

Dua atau tiga tahun lalu:

"Buatkan function ini." "Kenapa query ini lambat?" "Tolong tulis unit test."

Sekarang:

"Baca repository ini. Cari penyebab bug-nya. Perbaiki. Jalankan test. Kalau gagal, investigasi dan coba lagi."

Coding agent mulai bisa bekerja dengan repository, menggunakan berbagai tools, menjalankan beberapa langkah secara mandiri, bahkan mengerjakan task secara asynchronous.

Evolusi Unit Pekerjaan:

Dulu:

function ➜ file ➜ small task

Sekarang:

issue ➜ feature ➜ workstream

Masa Depan:

outcome

Perubahan penting: Ketika semakin banyak pekerjaan execution bisa didelegasikan, pertanyaan pentingnya bukan lagi "Apakah AI bisa menulis code?" Tetapi: "Kalau execution semakin murah, bagian mana dari pekerjaan engineer yang justru menjadi semakin bernilai?"

1. AI Adoption Naik, Trust Belum Mengikuti

Dalam Stack Overflow Developer Survey 2025:

84%

Menggunakan atau berencana menggunakan AI

51%

Professional developers menggunakan setiap hari

46%

Tidak percaya akurasi output AI

Paradoks yang menarik:

• AI adoption meningkat
• AI capability meningkat
• AI usage meningkat
• Tetapi... Trust menurun, Predictability menurun, Certainty menurun

2. Ketika Membuat Code Menjadi Murah, Menilai Code Menjadi Mahal

Bayangkan AI menghasilkan 500 baris code dalam beberapa detik. Masalahnya bukan lagi "Bisakah kita membuat code ini?" Masalahnya menjadi: "Apakah code ini benar?"

"Benar" dalam software engineering bukan sekadar compile dan test. Sistem nyata jauh lebih rumit.

Pertanyaan kritis yang harus dijawab:

• Apakah transaction boundary-nya benar?
• Bagaimana kalau payment provider timeout?
• Apakah operation tersebut idempotent?
• Apa yang terjadi kalau message dikonsumsi dua kali?
• Apakah retry bisa menghasilkan duplicate transaction?
• Bagaimana kalau database berhasil tetapi message gagal dikirim?
• Apakah desain ini masih masuk akal ketika traffic meningkat sepuluh kali lipat?

Evolusi Workflow:

Dulu:

Generate ➜ Execute

Semakin ke depan:

Generate

↓

Verify

↓

Evaluate

↓

Decide

Konsekuensi penting: Ketika execution menjadi semakin murah, judgment menjadi semakin berharga.

3. Jadi, Apakah Programmer Akan Hilang?

LinkedIn Economic Graph 2026 masih menunjukkan demand yang kuat terhadap core programming:

Software Development Java JavaScript Python AWS AI Skills Cloud Data

Stanford AI Index 2026: Employment software developers usia 22-25 di Amerika Serikat turun hampir 20% dari 2024.

4. Masalah yang Lebih Dalam: Bagaimana Junior Menjadi Senior?

Jalur belajar engineer tradisional:

Junior

↓

small tasks

↓

bug fixing

↓

code review

↓

production problem

↓

Senior

Pertanyaan kritis: Kalau AI mengambil sebagian pekerjaan yang selama ini menjadi tempat junior berlatih, bagaimana manusia mendapatkan pengalaman untuk menjadi senior?

5. Career Security yang Berubah

Evolusi definisi career security:

• Dulu: "Saya punya pekerjaan tetap."
• Kemudian: "Saya punya skill yang demand-nya tinggi."
• Sekarang: "Saya mampu terus menciptakan value ketika pekerjaan, teknologi, dan pasar berubah."

Concept: Optionality
Bukan menguasai semuanya, tetapi membangun beberapa kemampuan yang membuka beberapa kemungkinan.

6. Jangan Forecast Satu Masa Depan

Daripada membuat satu prediksi:

2026

↓

2027

↓

2028

Lebih baik bayangkan beberapa kemungkinan:

AI-heavy world Hybrid world Slowdown/Regulation

7. Future-Proof vs Future-Adaptive

Future-proof: "Saya menemukan skill yang tidak akan berubah."

---

Future-adaptive: "Saya punya fondasi yang kuat dan mampu mengubah cara saya menciptakan value ketika keadaan berubah."

8. Cara Belajar yang Perlu Berubah

Model tradisional:

Learn ➜ Master ➜ Apply

Model baru:

Learn enough

↓

Experiment

↓

Apply

↓

Encounter problem

↓

Learn deeper ➜ Update ➜ Repeat

9. Prinsip Real Options

Existing skill + Small experiment ↓ Real project ↓ Measure ↓ Market feedback ↓ Decision

Contoh: Java Backend + AI Agent ➜ Enterprise workflow ➜ Real project ➜ Measure impact ➜ Portfolio ➜ Market response

Kalau signal-nya kuat: double down. Kalau ternyata tidak: pivot.

10. Skill vs Capability

Skill: Spring Boot
Capability: Mampu membangun backend service yang reliable dan maintainable.

---

Skill: Kafka
Capability: Mampu merancang asynchronous workflow dan memahami delivery semantics, retry, idempotency, serta failure modes.

---

Skill: AI coding agent
Capability: Mampu mendelegasikan pekerjaan engineering kepada AI, kemudian memverifikasi, mengoreksi, dan mengintegrasikan hasilnya ke dalam sistem nyata.

11. Fondasi Justru Semakin Penting

Untuk backend engineer:

Operating Systems Networking Database Internals Concurrency Distributed Systems Security Architecture Performance Observability

AI bisa menghasilkan code @Transactional dalam beberapa detik. Tetapi AI tidak otomatis membuat keputusan tersebut benar. Fundamental membuat kita mampu melihat konsekuensi yang tidak terlihat.

12. Capability Stack Programmer Masa Depan

JUDGMENT

▲

DOMAIN KNOWLEDGE

▲

SYSTEM THINKING

▲

AI FLUENCY

▲

ENGINEERING PRACTICE

▲

FUNDAMENTALS

13. Sensemaking: Skill Paling Penting

Sensemaking Process:

Noise

↓

Information

↓

Pattern

↓

Decision

14. Career Planning sebagai Portfolio

Backend depth Architecture/Systems AI systems

↓

New options

15. Operating System untuk Uncertainty

OBSERVE ↓ Apa yang berubah? ↓ ORIENT ↓ Apa artinya bagi saya? ↓ EXPERIMENT ↓ Apa tindakan kecil yang bisa dicoba? ↓ MEASURE ↓ Apa hasilnya? ↓ UPDATE ↓ Apa yang harus saya ubah? ─ └────────────➜ OBSERVE

16. Capability Stack yang Harus Dibangun

• Technical Depth
• Engineering Practice
• Domain Understanding
• AI Fluency
• Learning Velocity
• Verification
• System Thinking
• Decision Making
• Adaptability

DAN DI ATAS SEMUANYA: JUDGMENT

Penutup

Career security yang baru: "Saya mampu terus menciptakan value ketika pekerjaan, teknologi, dan pasar berubah."

Kita tidak perlu menebak dengan sempurna seperti apa dunia software engineering pada 2028. Yang perlu kita lakukan adalah membangun capability, mencoba sesuatu dalam skala kecil, membaca feedback, memperbesar apa yang terbukti berguna, dan meninggalkan apa yang tidak lagi memberikan value.

Observe ➜ Decide ➜ Act ➜ Learn ➜ Adapt ➜ Repeat

"Career yang paling aman di masa depan bukan milik orang yang berhasil menebak masa depan dengan tepat, tetapi milik orang yang cukup adaptif untuk tetap berguna ketika tebakan mereka ternyata salah."