Para peneliti Microsoft di AS menerbitkan makalah yang mengkaji penggunaan tool coding AI berbasis command line dan dampaknya terhadap produktivitas, dengan melibatkan puluhan ribu software engineer di dalam perusahaan. Tool yang diteliti adalah «Claude Code» dari Anthropic dan «Copilot CLI» dari GitHub. Penelitian berlangsung sekitar empat bulan, dari 5 Januari hingga 29 April 2026. Mereka melaporkan bahwa pada minggu pertama setelah tool diperkenalkan, engineer yang menggunakannya menghasilkan rata-rata 24% lebih banyak pull request yang di-merge dibandingkan mereka yang tidak menggunakannya.
Menyediakan tool saja tak cukup untuk mendorong penggunaannya; langkah pertama dimulai dari «rekan di sebelah»
Sebagian eksekutif dan manajer mungkin membayangkan bahwa jika perusahaan menyediakan tool AI untuk seluruh karyawan, semua orang akan mulai menggunakannya keesokan harinya. Namun, penelitian ini menunjukkan bahwa keputusan untuk mencoba tool itu pertama kali lebih dipengaruhi hubungan antarmanusia di tempat kerja daripada penjelasan tentang fitur atau pengumuman.
Ketika rekan kerja yang biasa saling menunjukkan kode atau atasan langsung menggunakannya, kemungkinan seseorang untuk mulai memakai tool itu juga meningkat. Angkanya cukup konkret. Jika lebih dari seperempat rekan kerja yang memiliki atasan yang sama dengan atasan dari atasan mereka telah menggunakannya dalam dua minggu terakhir, odds untuk mencoba tool tersebut naik hingga 216%. Angka itu naik 82% ketika atasan langsung menggunakannya, dan 54% ketika lebih dari seperempat rekan yang biasa bertukar ulasan kode dengannya menggunakannya.
Kenaikan odds berbeda dengan «kenaikan probabilitas»
Yang perlu diperhatikan di sini adalah istilah «odds». Odds menyatakan kemungkinan terjadinya suatu peristiwa dibandingkan dengan kemungkinan peristiwa itu tidak terjadi. Mendengar kenaikan 216% mungkin memberi kesan bahwa jumlah penggunanya bertambah lebih dari tiga kali lipat, tetapi bukan itu artinya: persentase orang yang menggunakan tool tersebut tidak naik 216%. Pada tahap ketika tingkat penggunaan masih rendah, perbedaannya dapat tampak besar, sementara kenaikan jumlah pengguna sebenarnya lebih kecil daripada angka tersebut.
Meski demikian, arahnya jelas: tindakan atasan dan rekan kerja dapat mendorong orang untuk mencoba. Orang mulai menggunakan perangkat baru bukan dengan membaca panduan, melainkan karena berpikir, «Kalau dia memakainya, saya juga bisa.» Menurut saya, hal seperti ini mungkin juga terasa akrab di banyak tempat kerja, bukan hanya di lingkungan pengembangan. Atasan mencoba lebih dulu dan memperlihatkan cara menggunakannya saat sesi ulasan. Langkah sederhana seperti itu mungkin lebih efektif daripada materi pelatihan.
Kelanjutan penggunaan ditentukan oleh alur kerja sehari-hari
Namun, apakah orang yang sudah mencoba akan terus menggunakannya adalah persoalan lain. Menurut penelitian, penggunaan berkelanjutan berkaitan dengan aktivitas coding sehari-hari masing-masing. Engineer sibuk yang rutin menulis banyak kode dan sering mengajukan pull request cenderung lebih merasakan manfaat AI dan lebih mungkin menjadikan tool itu bagian dari kebiasaan kerja mereka.
Pull request adalah permintaan untuk memasukkan kode yang telah diubah ke dalam kode utama. Orang yang sering mengajukannya juga bisa dibilang memiliki banyak pekerjaan yang dapat diserahkan kepada AI. Semakin banyak pekerjaan yang mereka lakukan, semakin mudah bagi mereka untuk merasakan manfaat tool tersebut.
Lingkungan yang sudah akrab dapat menjadi penghalang bagi tool baru
Di sisi lain, hasil penelitian juga menunjukkan bahwa mereka yang sejak lama menggunakan tool AI lain di antarmuka pengembangan yang berbeda memang mencoba tool baru, tetapi cenderung tidak terus menggunakannya. Ada kemungkinan banyak orang merasa lebih nyaman dengan lingkungan yang sudah mereka kenal.
Situasinya mirip dengan berganti ponsel. Meski fiturnya lebih unggul, kita mungkin ingin kembali ke perangkat lama jika sudah terbiasa dengan tata letak aplikasi dan pola pengoperasiannya. Pihak yang menerapkan tool AI baru tampaknya perlu mempertimbangkan bukan hanya kinerjanya, melainkan juga bagaimana tool itu dapat menyatu dengan alur kerja yang sudah dibangun penggunanya.
Bagaimana menafsirkan kenaikan jumlah pull request sebesar 24%
Dampak terhadap produktivitas diukur dari jumlah pull request yang di-merge, sebagai tolok ukur banyaknya pekerjaan yang diselesaikan. Pada minggu pertama setelah tool diperkenalkan, engineer yang menggunakannya menghasilkan rata-rata 24% lebih banyak pull request daripada mereka yang tidak menggunakannya. Menurut laporan tersebut, dampak ini stabil selama periode penelitian empat bulan dan bukan sekadar efek sementara dari antusiasme setelah tool diperkenalkan.
Namun, produktivitas yang dimaksud di sini hanya diukur dengan satu tolok ukur, yaitu jumlah pull request. Angka ini tidak menunjukkan bahwa kualitas kode, waktu yang dibutuhkan untuk setiap pekerjaan, atau beban tim juga membaik dalam proporsi yang sama. Fakta bahwa jumlahnya meningkat dan kesan bahwa pekerjaan secara keseluruhan menjadi lebih mudah perlu dipahami secara terpisah.
Claude Code naik 11,4%, Copilot CLI 24,9%
Jika dilihat berdasarkan tool, jumlah pull request meningkat 11,4% pada pengguna Claude Code dan 24,9% pada pengguna Copilot CLI, dibandingkan dengan minggu-minggu ketika mereka tidak menggunakan tool tersebut. Selisihnya sekitar dua kali lipat, tetapi terlalu dini untuk langsung menganggap angka ini sebagai perbandingan keunggulan kedua tool. Copilot CLI disediakan oleh GitHub, yang berada di bawah Microsoft, dan cara penggunaan serta profil penggunanya di dalam perusahaan belum tentu sama.
Meski begitu, belum banyak penelitian yang menelusuri selama empat bulan bagaimana penggunaan menyebar dan apa hasilnya di lingkungan pengembangan nyata berskala puluhan ribu orang. Di tengah perdebatan tentang AI untuk coding yang cenderung berfokus pada “model mana yang paling pintar”, temuan ini menunjukkan realitas penerapan: siapa yang mulai menggunakan dan siapa yang terus menggunakannya. Kita mungkin memasuki era ketika kemampuan merancang cara penyebaran alat di tempat kerja sama pentingnya dengan memilih alat itu sendiri dalam menentukan hasil.
コメント