Havedev
AI Loops Menarik, Tetapi Bisnis Tetap Butuh Batas yang Jelas
AI agents sedang bergerak ke fase baru. Bukan hanya menjawab pertanyaan, bukan hanya membantu menulis kode, tetapi mulai bekerja dalam loop: agent mengecek hasil kerja agent lain, mencari perbaikan, membuat pull request, lalu mengulang lagi.
Di satu sisi, ini terdengar seperti lompatan besar. Jika dulu developer menulis kode langsung, lalu mulai memakai AI untuk membantu menulis kode, sekarang sebagian pekerjaan bisa diarahkan oleh agent yang mengatur agent lain.
Bagi dunia software, ide ini sangat menarik. Codebase bisa terus diperiksa. Duplikasi bisa terus dicari. Arsitektur bisa terus dievaluasi. Refactor kecil bisa muncul tanpa menunggu satu orang duduk dan membuka backlog.
Tetapi untuk bisnis, pertanyaan yang lebih penting bukan hanya: apakah AI loops ini nyata?
Pertanyaannya: pekerjaan seperti apa yang memang layak dibuat berjalan terus-menerus?
The Core Update
Dalam pembahasan terbaru tentang agentic AI, konsep loop mulai mendapat perhatian besar. Boris Cherny, creator Claude Code, menyebut bahwa loops bukan sekadar hype. Menurutnya, perubahan dari source code manual ke agents sudah besar, dan perubahan dari agents ke agents yang mem-prompt agents lain bisa sama besarnya.
Contoh yang ia berikan cukup konkret. Satu agent terus mencari peluang memperbaiki arsitektur kode. Agent lain terus mencari abstraksi yang duplikatif dan bisa disatukan. Mereka bekerja seperti kontributor biasa: membuat perubahan, mengirim pull request, lalu menunggu review.
Karena codebase selalu berubah, pekerjaan mereka tidak benar-benar selesai. Loop terus berjalan.
Secara teknis, ide loop bukan hal baru. Programmer sudah lama mengenal recursive loop: proses yang mengulang dirinya sendiri sampai kondisi tertentu terpenuhi. Bedanya, dalam AI loop modern, kondisi berhentinya tidak selalu sejelas kode tradisional.
Kadang agent sendiri yang menilai apakah tujuan sudah tercapai. Kadang model merangkum pekerjaannya, mengecek kembali instruksi, lalu mencoba lagi. Pola ini membuat AI bisa bertahan lebih lama dalam sebuah tugas tanpa terlalu cepat kehilangan arah.
Inilah yang membuat loops terasa kuat. Mereka tidak hanya menunggu perintah satu kali. Mereka diberi mandat untuk terus memperbaiki sesuatu.
Untuk masalah seperti kualitas kode, dokumentasi, test coverage, atau pencarian duplikasi, pola ini masuk akal. Banyak pekerjaan engineering memang bersifat incremental. Tidak selalu ada satu langkah besar. Sering kali perbaikan datang dari banyak langkah kecil yang konsisten.
The Reality Check
Namun loop yang terus berjalan juga membawa risiko yang sering tidak terlihat di demo.
Pertama, loop menghabiskan biaya. Agentic AI sudah lebih mahal daripada chatbot biasa karena ia membaca konteks, membuat rencana, menjalankan langkah, mengevaluasi hasil, lalu mengulang. Jika loop dibuat berjalan terus, biaya token tidak lagi terasa seperti biaya per pertanyaan. Ia menjadi biaya operasional yang berjalan di belakang layar.
Untuk perusahaan AI besar, ini mungkin wajar. Untuk bisnis biasa, biaya seperti ini perlu dihitung lebih hati-hati.
Kedua, loop bisa memberi ilusi produktivitas. Banyak pull request bukan berarti banyak nilai. Banyak perubahan bukan berarti sistem membaik. Agent bisa sangat rajin, tetapi tetap mengerjakan hal yang tidak prioritas.
Dalam software engineering, tidak semua perubahan perlu dilakukan. Kadang abstraksi yang terlihat duplikatif memang sengaja dipisah karena konteks bisnisnya berbeda. Kadang refactor yang terlihat rapi justru membuat tim sulit memahami alur lama. Kadang perbaikan arsitektur kecil bisa menciptakan risiko regresi yang lebih mahal daripada manfaatnya.
Ketiga, loop membutuhkan batas. Tanpa batas, agent bisa terus mencari pekerjaan baru karena selalu ada hal yang bisa diperbaiki. Codebase mana pun punya naming yang bisa dirapikan, test yang bisa ditambah, dokumentasi yang bisa diperjelas, dan struktur yang bisa diperdebatkan.
Masalahnya, bisnis tidak membayar teknologi untuk terlihat sibuk. Bisnis membayar teknologi untuk mengurangi risiko, mempercepat hasil, atau meningkatkan kapasitas tim.
Karena itu, AI loops sebaiknya tidak dipahami sebagai pekerja otomatis yang boleh berjalan tanpa arah. Lebih sehat jika dipahami sebagai sistem improvement yang perlu guardrail.
Loop yang baik harus punya ruang kerja yang jelas.
Misalnya:
- hanya boleh menyentuh folder tertentu
- hanya boleh membuat pull request kecil
- wajib menyertakan alasan perubahan
- wajib menjalankan test sebelum mengusulkan perubahan
- tidak boleh mengubah public API tanpa approval
- berhenti jika biaya harian melewati batas
- berhenti jika terlalu banyak perubahan ditolak reviewer
Tanpa aturan seperti ini, loop bisa berubah dari automation menjadi noise.
Dan noise dalam engineering mahal. Bukan hanya karena token. Tetapi karena reviewer harus membaca, memahami, menolak, memperbaiki, atau membersihkan pekerjaan yang tidak tepat.
The Havedev Way
Dari sudut pandang Havedev, AI loops adalah ide yang layak diperhatikan, tetapi tidak perlu langsung dianggap sebagai jawaban untuk semua masalah automation.
Kami melihatnya sebagai pola yang berguna jika bisnis sudah tahu tiga hal.
Pertama, pekerjaan apa yang memang berulang dan layak diperbaiki terus-menerus.
Contohnya bisa berupa code quality, test coverage, dokumentasi teknis, monitoring error, atau pengecekan data tertentu. Pekerjaan seperti ini punya pola yang cukup jelas dan bisa diberi batas.
Kedua, ukuran keberhasilannya harus konkret.
Jika loop diminta “perbaiki codebase”, hasilnya bisa terlalu luas. Tetapi jika loop diminta “temukan duplikasi komponen form di modul admin dan usulkan penyatuan tanpa mengubah behaviour”, ruang kerjanya lebih sehat.
Ketiga, harus ada review manusia di titik yang tepat.
AI loop boleh mencari peluang. AI loop boleh membuat draft perubahan. AI loop boleh menjalankan test. Tetapi keputusan untuk merge, mengubah arsitektur besar, atau menyentuh alur bisnis penting tetap perlu ownership manusia.
Di banyak bisnis, langkah awal yang lebih realistis bukan membuat AI bekerja tanpa henti. Langkah awalnya adalah memilih satu loop kecil yang risikonya rendah tetapi manfaatnya terasa.
Misalnya:
- agent mingguan yang mencari halaman website dengan broken link
- agent harian yang merangkum error log dan mengelompokkan pola masalah
- agent yang mengecek dokumentasi API yang tidak sinkron dengan perubahan kode
- agent yang mencari test yang sering gagal dan membuat ringkasan penyebab
- agent yang menandai lead masuk tanpa konteks sumber halaman
Pola seperti ini lebih sehat daripada langsung memberi AI akses luas ke seluruh sistem.
AI loops akan menjadi semakin umum. Bukan karena semua bisnis perlu mengejar hype, tetapi karena beberapa pekerjaan memang cocok untuk pola evaluasi dan perbaikan berulang.
Namun loop yang baik bukan loop yang berjalan paling lama. Loop yang baik adalah loop yang tahu kapan harus berhenti, kapan harus eskalasi, dan apa yang tidak boleh disentuh.
Untuk bisnis, pelajaran utamanya sederhana: jangan otomatisasi pekerjaan yang belum punya batas.
Jika tujuan belum jelas, loop hanya akan mempercepat kebingungan. Jika biaya tidak dipantau, loop bisa menjadi pengeluaran yang sulit dijelaskan. Jika review tidak disiapkan, loop bisa menambah beban tim yang seharusnya dibantu.
Tetapi jika ruang kerja, metrik, dan guardrail sudah jelas, AI loops bisa menjadi salah satu cara baru untuk menjaga sistem tetap rapi tanpa selalu menunggu backlog manual.
Teknologinya menarik. Tetapi nilai bisnisnya tetap bergantung pada disiplin operasional: tujuan yang jelas, status yang terlihat, biaya yang diawasi, dan manusia yang tetap memegang keputusan penting.
Dapatkan Audit Teknis Gratis untuk meninjau area website, software, atau workflow internal yang paling masuk akal dibantu AI automation tanpa membuat sistem berjalan tanpa kendali.
Sumber referensi berita: TechCrunch