Claude Code Pendiri dalam Konferensi Sequoia: 7 Penilaian Penting

Merestrukturisasi: Aying

Boris Cherny, pendiri Claude Code, berbagi di Konferensi Sequoia, sangat penuh informasi, banyak pandangan yang saya dengar secara lengkap untuk pertama kalinya. Orang ini memang cukup memahami AI dengan baik.

Saya bagikan ringkasan saya sendiri.

01 Kode Tidak Lagi Langka

Untuk banyak skenario pengembangan utama, menulis kode secara manual sudah mulai menjadi hal yang tidak efisien.

Dulu, untuk menyelesaikan sebuah fitur, insinyur duduk, memikirkan cara implementasi, lalu menulis kode demi kode. Dalam proses ini, nilai terbesar insinyur adalah: apakah mereka bisa menulis, apakah tulisannya bagus, apakah cepat.

Sekarang cara kerjanya berbeda.

Fungsi yang sama, insinyur lebih seperti: pertama menjelaskan kebutuhan dengan jelas, membagi tugas menjadi beberapa bagian yang diberikan ke Agen, menetapkan standar penerimaan, lalu melihat hasil yang dihasilkan Agen apakah benar, jika tidak, mengubah prompt, lalu menjalankan lagi.

AI sudah bisa menyelesaikan sebagian besar tugas Coding. Tentu saja, tidak 100%, masih banyak basis kode besar dan kompleks, bahasa yang kurang umum, atau lingkungan khusus, di mana performa model saat ini masih kurang.

Secara keseluruhan, nilai insinyur dari kemampuan menulis kode, beralih menjadi kemampuan membagi tugas, menjelaskan tujuan dengan jelas, melakukan verifikasi hasil, dan mengelola Agen.

Perubahan ini sebenarnya sangat mirip dengan Revolusi Industri.

Sebelum Revolusi Industri, seorang pandai besi melakukan semua pekerjaan dari menempa, mengasah, memoles, hingga merakit sendiri. Pandai besi yang terampil tentu berharga.

Kemudian muncul jalur produksi massal. Setiap pekerja hanya bertanggung jawab atas satu proses, namun output keseluruhan jauh lebih tinggi puluhan bahkan ratusan kali dibandingkan zaman kerajinan tangan.

Pada saat itu, peran yang berharga di pabrik bukan lagi pandai besi yang paling mahir dalam satu proses, tetapi orang yang mampu merancang, mengelola, dan menjalankan jalur produksi tersebut.

Pekerja tidak hilang, tetapi perannya berubah.

Pengembangan perangkat lunak saat ini sedang mengalami perubahan serupa. Kode tidak lagi menjadi barang langka. Kemampuan menulis kode sedang berubah menjadi keterampilan dasar seperti menggunakan PPT.

Yang benar-benar langka adalah kemampuan membagi kebutuhan yang samar menjadi tugas yang jelas, memilih solusi terbaik dari beberapa opsi yang diberikan Agen, dan membuat sekelompok AI bekerja sama menyelesaikan satu tugas.

Sebenarnya, banyak insinyur lama awalnya tidak bisa menerima ini. Menulis kode secara langsung adalah alasan mengapa mereka mencintai pekerjaan ini selama puluhan tahun.

Membiarkan mesin melakukan ini, bagi banyak orang, bukan hanya perubahan cara kerja, tetapi juga sebuah redefinisi identitas.

Tapi tren adalah tren.

02 Seperti Mesin Cetak Gutenberg

Coding sedang bertransformasi dari sebuah keahlian profesional menjadi kemampuan dasar. Hal ini bisa dibandingkan dengan revolusi percetakan di Eropa abad ke-15.

Sebelum penemuan percetakan, hanya sekitar 10% orang di Eropa yang bisa membaca dan menulis. Mereka biasanya disewa oleh bangsawan yang buta huruf, untuk membantu membaca dan menulis secara khusus.

Lalu, percetakan ditemukan. Dalam 50 tahun, jumlah buku yang diterbitkan di Eropa melebihi total dari seribu tahun sebelumnya, harga buku turun sekitar 100 kali. Setelah beberapa abad, dengan sistem pendidikan dan struktur ekonomi yang mengikuti, tingkat literasi global naik menjadi sekitar 70%.

Boris berpendapat, pengaruh AI terhadap perangkat lunak adalah revolusi percetakan yang dipercepat. Dalam beberapa dekade, perangkat lunak akan sepenuhnya didemokratisasi, menjadi sesuatu yang bisa dikendalikan siapa saja.

Akhirnya, membuat perangkat lunak akan menjadi hal yang alami seperti mengirim SMS.

03 Keahlian Apa yang Paling Penting?

Ketika ambang batas menulis kode oleh AI ditekan sangat rendah, yang benar-benar membedakan kemampuan seseorang adalah rasa produk mereka, pemahaman mendalam tentang bidang tertentu.

Contohnya, dua orang yang sama-sama ingin membuat produk untuk dokter. Satu adalah insinyur yang cepat menulis kode, satu lagi adalah orang yang pernah bekerja di bagian informasi rumah sakit selama beberapa tahun.

Dulu, kemungkinan besar insinyur akan lebih berhasil karena dia bisa mewujudkan ide tersebut.

Sekarang, semua orang bisa mewujudkan ide. Pada titik ini, orang yang benar-benar memahami rutinitas harian di rumah sakit justru lebih berharga. Karena dia tahu fitur apa yang benar-benar digunakan dokter, dan mana yang hanya terdengar masuk akal.

Artinya, setelah AI meratakan ambang eksekusi, perbedaan kemampuan penilaian menjadi semakin besar.

Ini langsung mengubah makna kata generalist.

Dulu, kita menyebut generalist biasanya adalah insinyur yang bisa menulis iOS, web, dan backend. Secara esensial, ini adalah full-stack internal.

Di masa depan, generalist adalah full-stack lintas disiplin.

Ada yang memahami produk, desain, dan engineering sekaligus. Ada yang memahami produk, data science, dan engineering. Kombinasi ini dulu hampir tidak mungkin karena setiap bidang membutuhkan pelatihan panjang.

Tapi sekarang, AI menurunkan ambang eksekusi di setiap bidang, sehingga satu orang bisa melintasi beberapa bidang, dengan kedalaman keahlian tetap terjaga.

Tim Claude Code seperti itu. Manajer engineering, PM, desainer, ilmuwan data, keuangan, riset pengguna, semua menulis kode.

Desainer bisa membuat prototipe interaksi sendiri untuk ditunjukkan ke tim, tidak lagi hanya membuat gambar yang kemudian diimplementasikan insinyur.

Tim keuangan bisa membuat alat analisis sendiri, menjalankan model keuangan kompleks perusahaan tanpa harus menunggu BI. Rekan riset pengguna mulai mengolah data sendiri, mengerjakan bagian yang dulu harus menunggu tim data.

Setiap orang tetap mendalami bidangnya. Tapi dengan bantuan AI, menulis kode menjadi bahasa yang digunakan bersama.

04 Benteng SaaS Mulai Runtuh

Dalam beberapa tahun terakhir, industri SaaS memiliki beberapa prinsip yang hampir dianggap kebenaran.

Pertama adalah biaya switching. Setelah sebuah perusahaan memakai sistem Anda, data, konfigurasi, field, dan hak aksesnya akan terkumpul selama bertahun-tahun.

Pindah ke sistem lain, hanya memindahkan data ini saja sudah cukup menyulitkan dan membuat enggan.

Kedua adalah lock-in workflow. Operasi harian karyawan, kolaborasi antar departemen, proses persetujuan, semuanya bergantung pada SaaS ini.

Mengganti sistem bukan hanya memindahkan data, tetapi harus membangun ulang seluruh memori otak perusahaan yang terbentuk selama bertahun-tahun.

Kedua prinsip ini membentuk benteng paling dalam dari SaaS. Tapi, dengan model yang cukup kuat, logika ini mulai berubah.

Pertama, biaya switching. Dulu, memindahkan dari satu SaaS ke lain membutuhkan berbulan-bulan untuk menyusun ulang field dan struktur data.

Sekarang, cukup berikan antarmuka dan struktur data kedua sisi ke model, biarkan model mengatur peta hubungan sendiri, dan secara bertahap mencari solusi terbaik. Hal ini bisa menyelesaikan dalam hitungan hari, bukan bulan.

Kedua, lock-in workflow. Lebih menarik lagi. Dulu, workflow yang kompleks dan tersembunyi, bergantung pada manusia dan kepercayaan bersama.

Tahu siapa yang harus disetujui siapa, kapan harus mengerjakan apa, tidak bisa langsung dipindahkan.

Tapi, model seperti Opus 4.7 sangat mahir membaca, memecah, dan membangun ulang proses kompleks ini di lingkungan baru. Bahkan versi yang dibangun ulang bisa lebih baik dari yang asli.

Jadi, benteng yang dibangun dari data dan proses ini mulai runtuh.

Bagi yang mengerjakan SaaS, ini mungkin kabar buruk. Tapi, bagi semua pelanggan SaaS dan tim yang sedang membangun SaaS generasi baru, ini adalah peluang besar.

05 Era Terbaik untuk Startup

Dalam 10 tahun ke depan, perusahaan startup yang benar-benar mengubah industri mungkin akan 10 kali lipat lebih banyak dari 10 tahun sebelumnya.

Alasannya tidak rumit.

Tim kecil bisa menggunakan AI untuk membuat produk setara atau bahkan lebih baik dari perusahaan besar. Sebaliknya, perusahaan besar yang ingin benar-benar mengadopsi AI justru akan mengalami kerugian.

Kenapa begitu?

Perusahaan berusia puluhan tahun sudah membangun proses bisnis, pembagian tugas, kebiasaan kerja, sistem pelatihan, dan KPI. Ini adalah aset dan penghalang di masa lalu.

Tapi, untuk mengintegrasikan AI secara nyata, semua ini harus dirombak: proses bisnis harus dibangun ulang, semua karyawan harus dilatih ulang, dan setiap langkah akan menghadapi resistensi besar, harus berkoordinasi dengan banyak departemen dan persetujuan.

Sedangkan tim startup kecil, sejak hari pertama, menganggap AI sebagai fondasi default. Mereka tidak punya beban masa lalu, tidak perlu mengubah kebiasaan, dan tidak perlu membujuk siapa pun. Hari ini diskusi selesai, besok demo keluar, lusa bisa langsung digunakan pengguna.

Kecepatan ini, sebelumnya juga sudah ada di startup. Mereka punya keunggulan kecepatan dibanding perusahaan besar. Tapi, AI memperbesar jarak ini berkali-kali lipat.

Kenapa?

Karena AI semakin kuat, satu orang bisa menggerakkan leverage yang jauh lebih besar dalam waktu yang sama. Tim kecil yang benar-benar menguasai AI hari ini bisa menghasilkan output yang setara dengan sepuluh orang sebelumnya, dan besok bisa setara dengan tiga puluh orang.

Tapi, organisasi perusahaan besar tidak menjadi lebih ringan, malah karena harus mengadopsi AI, menjadi lebih berat. Semakin kuat AI, semakin besar jarak kecepatan tim kecil dan hambatan perusahaan besar.

Ini yang Boris sebut sebagai aset negatif. Bukan karena perusahaan besar kekurangan uang, orang, atau keinginan, tetapi karena otot-otot yang dulu menghasilkan uang, hari ini justru menghambat pemanfaatan AI secara maksimal.

06 MCP Tidak Akan Mati

MCP tidak akan mati.

Setelah Skill menjadi tren, banyak orang berpendapat MCP tidak lagi diperlukan. Pendapat pendiri OpenClaw juga serupa.

Tapi Boris tidak sepakat. Dia yakin MCP akan menjadi lapisan penghubung perangkat lunak di era AI.

Dulu, penghubung perangkat lunak di internet adalah API.

Tapi inti masalah API adalah, API dirancang untuk insinyur. Untuk menggunakan API, harus membaca dokumentasi, mengajukan token, menulis kode, menyelaraskan field, dan menangani error. Singkatnya, API dibuat untuk pengembang manusia.

Berbeda dengan MCP. MCP memungkinkan model langsung terhubung dan mengerti sendiri, tanpa perlu programmer menerjemahkan.

Jadi Boris menyebut API sebagai Human Developer Interface, dan MCP sebagai Model Interface Protocol. Satu untuk manusia, satu untuk model.

Ini sangat mirip dengan zaman dulu. Di era internet mobile, semua layanan otomatis di-API-kan. Di era AI, semua layanan otomatis di-MCP-kan.

07 Penggunaan Komputer Masih Penting

Banyak orang saat ini membicarakan Computer Use, merasa bahwa arah ini mungkin tidak akan berhasil.

Alasannya cukup masuk akal: terlalu boros Token, lambat, dan tidak stabil. Terlihat lebih seperti demo keahlian, jauh dari penggunaan nyata.

Tapi Boris melihatnya dari sudut pandang yang berbeda.

Dia sangat menghargai bahwa Computer Use menyelesaikan salah satu tantangan terbesar dalam penerapan AI: di dunia nyata, banyak sistem tidak memiliki API maupun MCP.

Terutama di dunia perusahaan.

Setelah masuk ke perusahaan, kita tahu bahwa banyak sistem inti sangat tua. ERP, OA, sistem keuangan, persetujuan internal, backend supply chain, berbagai sistem kustom. Banyak yang tidak menyediakan antarmuka, tidak ada dokumentasi, dan tidak otomatisasi. Mereka ada di sana, setiap hari dioperasikan secara manual oleh banyak karyawan.

Lalu, kenapa tidak langsung buatkan API?

Karena tidak memungkinkan. Vendor pengembang sistem ini mungkin sudah tidak ada. Departemen TI tidak punya motivasi atau anggaran untuk melakukan rekonstruksi.

Departemen bisnis pun tidak akan berhenti selama setengah tahun atau setahun. Sistem ini tidak akan menunggu API yang sempurna untuk menyelamatkan mereka.

Dalam jangka pendek, model-model besar akan terus meningkatkan kemampuan Computer Use mereka.