Selama puluhan tahun, dunia teknologi berdiri di atas satu prinsip: manusia menulis kode, komputer menjalankannya. Namun paper “The End of Software Engineering” karya Zhenfeng Cao mengajukan gagasan provokatif, kemunculan AI Agent bukan sekadar peningkatan teknologi, melainkan awal pergeseran paradigma besar. Jika dahulu software dibangun dari kode, kini software mulai dibangun dari tujuan (goals), sementara AI menentukan sendiri cara mencapainya.

Pada software tradisional, programmer harus memikirkan seluruh kemungkinan sejak awal bagaimana pengguna login, bagaimana data diproses, bagaimana laporan dicetak lalu menerjemahkannya menjadi jutaan baris kode. Dalam paradigma Agentic Software, AI Agent memahami tujuan, menyusun rencana, memilih alat, menulis kode sementara, menjalankannya, lalu menghapusnya begitu tugas selesai. Kode tidak lagi menjadi pusat software, melainkan alat sementara belaka.

Bayangkan seseorang berkata, “carikan 20 jurnal terbaru tentang telemedicine dan buatkan literature review-nya.” Pada sistem tradisional, dibutuhkan aplikasi khusus dengan modul pencarian, ekstraksi data, dan pembuatan laporan yang terpisah-pisah. Pada Agentic Software, AI cukup memahami tujuan pengguna, lalu secara dinamis mencari jurnal, membaca isinya, menganalisis, menyusun ringkasan, hingga menyajikan laporan akhir tanpa programmer perlu merinci setiap langkah alur kerja sejak awal.

Cao juga memetakan evolusi ini dalam tiga era: Licensed Software (Office, Photoshop pengguna mengelola sendiri), SaaS (Google Docs, Notion, kompleksitas dipindah ke penyedia layanan), dan yang akan datang, Agent as a Service (AaaS) pengguna cukup menyampaikan tujuan, misalnya “buatkan laporan keuangan bulan ini dan tampilkan anomali terbesar,” dan AI Agent mengerjakan seluruh prosesnya secara otomatis.

Jika Software Engineering selama ini berfokus pada penulisan kode, pengujian, dan deployment, maka istilah baru Agentic Engineering berfokus pada perancangan agent, pengelolaan memori, integrasi tool, orkestrasi multi-agent, pengawasan keputusan AI, serta pengelolaan tujuan dan batasan sistem. Peran programmer pun bergeser dari code author menjadi intent architect perancang tujuan yang memastikan AI memahami apa yang harus dicapai dan batasan yang tidak boleh dilanggar.

Tanda-tanda perubahan ini sudah terlihat sekarang. Berbagai AI modern seperti ChatGPT, Claude, Gemini, dan Codex sudah mampu menulis kode, memperbaiki bug, menjalankan terminal, mengakses database, membuat laporan, hingga mengelola workflow secara mandiri. Nilai utama seorang engineer pun perlahan bergeser dari kemampuan menulis kode menuju kemampuan mendefinisikan masalah, melakukan verifikasi, dan mengelola sistem AI. Beberapa penelitian terbaru bahkan menyebut software engineering mulai berubah dari aktivitas yang berpusat pada produksi kode menjadi aktivitas yang berpusat pada orkestrasi dan pengawasan AI.

“Yang paling saya khawatirkan sebenarnya bukanlah AI yang semakin pintar, melainkan manusia yang semakin malas berpikir.”

Sebagai dosen dan praktisi Informatika Medis, penulis mencoba sendiri AI Agent bernama OpenClaw pada sebuah VPS yang aktif 24 jam. Tugas yang diberikan sederhana: memantau berita viral seputar riset AI dan mengirim laporan otomatis lewat bot dan WhatsApp. Tanpa diawasi terus-menerus, OpenClaw mencari informasi, menyaring berita relevan, lalu mengirim laporan sendiri pengalaman yang, diakui penulis, terasa merinding meski sistemnya masih jauh dari sempurna. Dalam konteks kesehatan, kemampuan serupa berpotensi menjadi asisten triase pasien sebelum konsultasi, sejalan dengan perkembangan ekosistem kesehatan digital Satu Sehat di Indonesia.

Pengalaman itu mengingatkan pada tiga fase perkembangan AI: Narrow AI (ChatGPT, Claude, Gemini mahir pada tugas spesifik), Artificial General Intelligence (AGI) AI yang mampu memahami dan menyelesaikan berbagai masalah layaknya manusia, dan Artificial Super Intelligence (ASI) kecerdasan yang jauh melampaui manusia di hampir semua aspek. Kita belum sampai pada dua fase terakhir, namun kemampuan AI Agent masa kini membuat gagasan tersebut terasa semakin nyata, bukan lagi sekadar fiksi ilmiah.

Kekhawatiran ini bukan tanpa dasar ilmiah. Dalam ilmu saraf dikenal konsep bahwa otak membangun jalur saraf baru justru ketika dipaksa belajar, berlatih, dan memecahkan masalah. Sebaliknya, ketika semua jawaban tersedia secara instan, proses belajar menjadi jauh lebih pasif, dan otak cenderung tidak membangun jalur saraf baru yang kuat serta permanen. Di sinilah letak paradoks terbesar era AI: di satu sisi ia membuat manusia lebih produktif, namun di sisi lain manusia harus berhati-hati agar tidak kehilangan kemampuan berpikir kritis yang selama ribuan tahun menjadi keunggulan utamanya. Masa depan, dengan demikian, bukan lagi soal manusia melawan AI, melainkan soal bagaimana manusia tetap mampu berpikir, belajar, dan berkembang di tengah AI yang kian cerdas.

Gagasan Cao tetap perlu dibaca kritis. Argumennya masih konseptual tanpa bukti implementasi berskala besar, dan cenderung optimistis terhadap kemampuan AI Agent, padahal tantangan seperti halusinasi, keamanan data, privasi, prompt injection, hingga tanggung jawab hukum belum terpecahkan. Muncul pula kekhawatiran soal “junior gap” berkurangnya kesempatan belajar bagi programmer pemula ketika AI mengambil alih pekerjaan pemrograman dasar.

Apakah software engineering benar-benar akan berakhir? Mungkin tidak. Yang lebih mungkin terjadi adalah transformasi besar: kode tidak akan hilang, tetapi perannya berubah. Kemampuan paling berharga ke depan bukan lagi sekadar menulis ribuan baris kode, melainkan merumuskan tujuan, mengawasi AI, memverifikasi hasil, dan memastikan teknologi tetap melayani kebutuhan manusia. Kita sedang menyaksikan pergeseran dari era software yang mengikuti instruksi, menuju era software yang memahami tujuan.