Insinyur di Kilo Code kini hanya menghabiskan sekitar 1% waktu mereka untuk membaca atau menulis kode secara manual. Sisanya diserahkan sepenuhnya kepada agen AI. Pergeseran drastis ini memaksa tim pengembangan menjawab pertanyaan baru: sistem mana yang aman diserahkan, siapa yang membersihkan kekacauan saat model kesalahan, bagaimana mendukung arsitektur multi-model, dan apakah tagihan token yang melonjak mencerminkan kemajuan nyata atau sekadar pemborosan anggaran TI.
Di VB Transform 2026, Emilie Schario, co-founder Kilo Code, mengakui bahwa kecuali untuk debugging darurat, 99% aktivitas coding kini ditangani agen. Jared Go, distinguished engineer AI dan cloud di Symbotic, menambah perspektif keamanan: "Kriteria saya sederhana — keamanan, keanggunan, kode bersik dan ringkas, serta ketahanan penuh." Pendekatan ini memungkinkan AI melakukan beban berat, sehingga tinjauan kode manusia tidak lagi menjadi kritis di tahap awal.
Namun, Go menegaskan keterbatasan fundamental: agen AI unggul dalam proyek greenfield — membangun basis kode baru dari nol — tetapi kesulitan di brownfield, yaitu memelihara dan memperbarui sistem yang sudah ada. "Di sinilah tantangan sebenarnya berada," ujarnya. Replit mengambil jalur sedikit berbeda. Menurut Amol Jain, head of product engineering, meski perusahaan telah "sangat agentic", mereka tetap konservatif. Setiap pull request ditinjau agen yang memberikan skor risiko; PR berisiko rendah di-merge otomatis, sementara yang lain dikirim ke peninjau manusia.
"Konsepnya adalah human on the loop, bukan human in the loop," jelas Jain. Alat internal Replit berfungsi seperti kendaraan otonom bagi insinyur perangkat lunak. Pengembang memberikan tugas, dan armada agen berjalan di mesin virtual cloud terpisah dengan kontrol akses melalui proxy token. Jain bercerita kasus di mana insinyur gagal mereproduksi dan memperbaiki bug kompleks di sistem mereka. Tugas dilempar ke agen manajer AI, yang memerintahkan agen bawahannya menemukan masalah, lalu memicu agen lain untuk memperbaikinya. Enam jam kemudian, PR perbaikan siap — tanpa campur tangan manusia.
Arsitektur multi-model menjadi keharusan. Kilo Code mendukung lebih dari 500 model di gateway-nya. "Perangkat lunak untuk rekayasa agentik harus terpisah dari model yang digunakan," tegas Schario. Pola umum: model frontier mahal untuk perancangan arsitektur, lalu beralih ke model open-weight murah untuk implementasi massal. Routing model juga mempertimbangkan kebijakan retensi data, kunci API, batasan wilayah, dan riwayat commit.
Replit mengadopsi pendekatan serupa. "Kami memiliki pemahaman lebih baik tentang spektrum biaya versus kemampuan dibanding pelanggan," kata Jain. Perusahaan membuat keputusan pemilihan model atas nama pengguna untuk meminimalkan biaya sambil memaksimalkan kapabilitas. Namun, biaya tak terkendali tetap menjadi momok. Schario menyebut istilah "tokenmaxxing" untuk praktik melacak dan membatasi penggunaan token.
Keluhan datang dari dua sisi: internal dan pelanggan. Dari klien, Schario sering mendengar: "Saya tidak sengaja menghabiskan seluruh anggaran AI setahun... apa yang harus saya lakukan sekarang?" Solusi Kilo Code: alur kerja standar — model mahal untuk perencanaan, model open-weight untuk eksekusi. Berbagi keterampilan, panduan kuat, dan Model Context Protocol (MCP) juga memberdayakan model. "Menyadari di mana Anda bisa meningkatkan tim agar memaksimalkan model yang mereka gunakan akan membuat perbedaan besar," ujarnya.
Secara internal, Schario mengakui ada insinyur dengan "kaki berat" yang konsisten memuncaki papan penggunaan. "Saya rutin harus tegur, 'Apa yang kamu kerjakan sana?'" Tagihan harian $600 mungkin terlihat mahal, tetapi volume kerja yang diselesaikan kadang membenarkan biaya. "Cost per pull request adalah metrik yang saya perhatikan saat ini," kata Schario. "Ini terasa sebagai proxymal terdekat untuk mengukur nilai."
Symbotic menerapkan tingkatan biaya bulanan per karyawan. Perusahaan membangun alat visibilitas untuk manajer memantau PR dan tren penggunaan, lalu menaikkan atau menurunkan tingkatan sesuai kebutuhan. "Memiliki batas dan melihat berapa orang naik tingkatan bulan ini membuat perbedaan besar saat Anda mencoba mengendalikan biaya dan menjaga efisiensi," jelas Go. Keputusan Cursor — yang digunakan intensif Symbotic — menghentikan diskon lama dan menerapkan harga penuh bahkan untuk model frontier, memicu rekoning efisiensi di seluruh perusahaan.
Di Indonesia, adopsi agen koding AI mulai merambah ke startup dan enterprise, meski skala belum sebesar AS. Platform seperti GitHub Copilot, Cursor, dan Replit sudah digunakan tim pengembang di Jakarta, Bandung, dan Surabaya. Tantangan utama: biaya langganan dalam dolar AS yang tertekan oleh kurs rupiah, serta keterbatasan akses model frontier di lingkungan on-premise yang diperlukan sektor perbankan dan pemerintahan. Beberapa startup lokal mulai mengembangkan wrapper dan gateway multi-model sendiri mirip pendekatan Kilo Code, mengoptimalkan biaya dengan routing cerdas ke model open-source seperti DeepSeek-Coder atau CodeLlama untuk tugas rutin.
Ke depan, pergeseran paradigma dari "human in the loop" ke "human on the loop" akan mempercepat siklus pengembangan perangkat lunak, tetapi menuntut tata kelola biaya yang matang. Metrik cost per PR yang dipopulerkan Schario kemungkinan besar akan menjadi standar industri baru. Bagi perusahaan Indonesia, pelajaran utamanya: jangan hanya mengejar kemampuan model terbaru, bangun lapisan orkestrasi dan visibilitas biaya sejak awal — sebelum tagihan token menelan anggaran inovasi.