General Motors (GM) membuktikan bahwa kunci percepatan pengembangan perangkat lunak tidak terletak pada kecepatan mengetik kode, melainkan pada bagaimana mengotomatiskan 85 persen waktu yang dihabiskan di luar editor kode. Rashed Haq, VP Kendaraan Otonom GM, mengungkapkan temuan ini di panggung VB Transform 2026 di Hotel Nia, Menlo Park, California. Divisi yang dipimpinnya kini mencatat sekitar tiga kali lipat pull request yang berhasil digabungkan, rilis fitur lebih cepat, dan cacat yang lolos ke tahap pengembangan lanjutan berkurang signifikan.
Pencapaian itu tidak datang dari pemasangan alat bantu coding generatif semata. GM merancang ulang seluruh alur kerja rekayasa di sekeliling agen AI — entitas otonom yang mampu mengakses alat internal, menganalisis data, dan mengeksekusi tugas berulang tanpa intervensi manusia konstan. "Jika Anda hanya memberikan chatbot yang bisa coding, ketidakefisienan besar tetap ada dalam proses itu," tegas Haq dalam wawacara di panggung utama.
Angka 15 persen waktu coding yang dikutip Haq sejalan dengan riset pra-era AI generatif. Studi Microsoft 2019 melibatkan 5.971 pengembang profesional menunjukkan rata-rata mereka hanya menghabiskan 96 menit menulis kode di hari baik — sekitar 20 persen dari jam kerja delapan jam. Survei Stripe 2018 bahkan mencatat pengembang menghabiskan lebih dari 17 jam per minggu hanya untuk pekerjaan pemeliharaan seperti debugging dan refactoring. Rentang studi sebelumnya bervariasi 9 hingga 61 persen, tergantung definisi "menulis kode", namun kesimpulannya konsisten: coding hanyalah sebagian kecil dari rekayasa perangkat lunak.
GM memecah pekerjaan kendaraan otonom menjadi beberapa loop: pengembangan dan pengujian di simulasi, uji coba di jalan raya, dan pemantauan pasca-deployment ke pelanggan. Di setiap loop, tim mengidentifikasi bottleneck terpanjang, mengotomatiskannya dengan agen, lalu mengulang prosesnya. "Melakukannya secara loop menjadi sangat penting," ujar Haq.
Untuk memberdayakan agen, GM membangun server Model Context Protocol (MCP) kustom yang menghubungkan agen ke alat internal dan petabyte data perusahaan. Mereka juga menciptakan "keterampilan" terkontrol versi — dokumen instruksi yang memberitahu agen cara menjalankan tugas spesifik. Satu aplikasi bernilai tinggi melibatkan telemetri dari kendaraan di jalan raya. Agen menganalisis data tersebut, melakukan triase awal, dan membuat isu untuk diselidiki insinyur. Melalui koneksi MCP, agen memanggil alat di balik WebViz — sistem visualisasi telemetri GM — bukan bergantung pada antarmuka grafis seperti manusia.
Hasil analisis agen harus tetap terbaca manusia. "Output harus human readable," tegas Haq. Agen mungkin mengidentifikasi potensi masalah, melokalisasi komponen terdampak, mencari data historis insiden serupa, dan menyediakan bukti pendukung kesimpulannya. Izin akses agen disamakan dengan izin insinyur yang menggunakannya. "Jika insinyur butuh akses ke alat tertentu untuk tugas itu, agennya juga butuh akses itu. Insinyur tetap bertanggung jawab atas output agen," jelasnya.
GM juga memanfaatkan agen latar belakang untuk menjalankan eksperimen machine learning secara paralel. Insinyur mendefinisikan parameter eksperimen, lalu agen mengeksekusi pengujian dan mengumpulkan hasilnya. Pendekatan ini mengubah eksperimen dari proses sekuensial menjadi paralel masif.
Platform agen internal diperlakukan sebagai produk. GM menugaskan empat insinyur terdeployment untuk bekerja langsung dengan tim rekayasa. Mereka membantu mengidentifikasi alur kerja bernilai, menyebarkan praktik terbaik, dan mendorong adopsi alat. Haq mengakui peningkatan pull request bukan sekadar volume kode. "Kecepatan rilis fitur baru meningkat, sementara rilis menghasilkan lebih sedikit test escapes dan bug escapes," ucapnya.
Manusia tetap bertanggung jawab di titik kontrol kritis. GM menetapkan pengujian terstruktur dan tidak terstruktur serta pengukuran performa sebelum mempercepat alur kerja luas. Insinyur meninjau pengukuran tersebut dan menilai apakah setiap pengujian masih menangkap tujuan yang dimaksudkan sebelum pekerjaan bergerak menuju produksi.
Haq mengakui hasil melampaui ekspektasi awal. "Satu-satunya kejutan kami adalah betapa banyak yang bisa kita lakukan," katanya. Pendekatan GM tidak dimulai dengan membagikan generator kode ke setiap pengembang. Ia bermula dari memetakan jalur penuh dari penemuan masalah hingga perbaikan terverifikasi di setiap loop — simulasi, uji jalan, pemantauan pasca-deployment — lalu memberikan akses terkontrol ke alat dan data yang dibutuhkan agen untuk memendekkan bottleneck terpanjang di setiap tahap.
Bagi industri teknologi Indonesia, kasus GM menawarkan pelajaran vital. Banyak startup dan perusahaan lokal tergiur mencopot alat coding AI seperti GitHub Copilot atau Cursor, namun mengabaikan bahwa hambatan nyata sering ada di review kode, pengujian integrasi, triase bug, dan koordinasi antar tim. Mengadopsi agen AI memerlukan kematangan infrastruktur data, standarisasi alat internal, dan budaya akuntabilitas teknis — bukan sekadar langganan LLM. Perusahaan Indonesia yang sudah memiliki platform data terpusat dan pipeline CI/CD matang, seperti Gojek, Tokopedia, atau Traveloka, berpotensi meniru pendekatan loop GM dengan ROI jauh lebih cepat dibanding yang baru memulai transformasi digital.