Havedev
AI Loop Bukan Sekadar Hype, Tetapi Juga Bukan Tombol Ajaib
Dunia AI sedang mulai membicarakan hal yang terdengar sederhana tetapi dampaknya bisa besar: loop.
Di konferensi Meta @Scale, Boris Cherny, creator Claude Code, mendapat pertanyaan apakah loop adalah hype cycle berikutnya atau sesuatu yang benar-benar nyata. Jawabannya tegas: loop itu nyata.
Gambaran sederhananya begini. Dulu developer menulis source code langsung. Lalu kita mulai masuk ke fase agent AI membantu menulis code. Sekarang, arah berikutnya adalah agent yang memberi prompt ke agent lain, lalu agent itu mengerjakan tugas, mengevaluasi hasil, dan mengulang prosesnya lagi.
Di atas kertas, ini terdengar seperti lompatan besar. Bukan hanya AI menjawab pertanyaan. Bukan hanya AI menyelesaikan satu task. Tetapi AI bekerja terus-menerus di belakang layar, mencari peluang perbaikan, membuat pull request, mengecek arsitektur, menemukan duplikasi, dan mengusulkan perubahan seperti anggota tim engineering tambahan.
Ide ini menarik. Tetapi seperti banyak hal di AI, yang perlu dibahas bukan hanya apakah teknologinya bisa. Pertanyaan yang lebih penting adalah: apakah bisnis dan tim sudah siap memberi ruang kerja yang sehat untuk AI yang tidak berhenti bekerja?
The Core Update
AI loop adalah pola kerja ketika agent AI tidak hanya menerima satu instruksi lalu berhenti, tetapi terus menjalankan siklus tertentu.
Misalnya:
- membaca kondisi codebase
- mencari area yang bisa diperbaiki
- membuat rencana perubahan
- menulis code
- menjalankan test atau evaluasi
- membuat pull request
- mengecek kembali apakah masih ada perbaikan berikutnya
Dalam contoh Boris Cherny, ada agent yang terus mencari cara memperbaiki arsitektur code. Ada agent lain yang mencari abstraksi duplikat agar bisa disatukan. Karena codebase terus berubah, pekerjaan mereka juga tidak benar-benar selesai. Selalu ada bagian baru yang bisa dibaca, dibandingkan, dan diperbaiki.
Ini berbeda dari penggunaan AI yang lebih umum hari ini. Banyak tim masih memakai AI sebagai asisten yang dipanggil saat dibutuhkan: bantu tulis fungsi ini, jelaskan error ini, buat draft test ini, atau refactor file ini.
Loop membuat AI lebih mirip proses operasional yang berjalan terus.
Bagi engineering team, ini bisa berarti code review tambahan, refactoring berulang, pengecekan dependency, dokumentasi yang diperbarui, atau deteksi pola buruk yang muncul perlahan. Bagi bisnis, pola yang sama bisa diterapkan ke hal lain: lead follow-up, laporan operasional, monitoring support, analisis data, atau rekomendasi improvement berkala.
Tetapi ada perbedaan penting. AI loop bukan automation biasa.
Automation tradisional biasanya punya aturan yang jelas. Jika form masuk, kirim email. Jika invoice jatuh tempo, kirim reminder. Jika status berubah, update dashboard.
AI loop lebih fleksibel, tetapi juga lebih sulit diprediksi. Ia bisa menilai, memilih langkah, dan memutuskan kapan perlu mencoba lagi. Fleksibilitas ini yang membuatnya kuat. Fleksibilitas yang sama juga membuatnya perlu diawasi.
The Reality Check
Ada alasan mengapa loop terdengar menjanjikan. Banyak pekerjaan digital memang tidak selesai dalam satu langkah.
Codebase tidak pernah benar-benar selesai dirapikan. Dokumentasi selalu bisa ketinggalan. Data operasional selalu berubah. Lead baru terus masuk. Support ticket terus muncul. Sistem internal selalu punya celah kecil yang baru terlihat setelah dipakai.
Untuk pekerjaan seperti ini, AI loop masuk akal. Ia cocok untuk masalah yang bisa diperbaiki secara bertahap.
Tetapi bisnis perlu hati-hati dengan satu asumsi yang sering muncul: kalau AI bisa berjalan terus, berarti hasilnya otomatis semakin baik.
Belum tentu.
Loop yang buruk hanya mempercepat kebingungan. Agent bisa mengulang pekerjaan yang tidak penting. Agent bisa mengejar improvement yang secara teknis menarik tetapi tidak berdampak ke bisnis. Agent bisa membuat pull request kecil yang banyak tetapi menambah beban review. Agent bisa memakai token terus-menerus tanpa menghasilkan keputusan yang benar-benar bernilai.
Masalah biaya juga tidak kecil.
Chatbot biasa menghabiskan token saat dipakai. Agentic workflow memakai lebih banyak token karena harus membaca konteks, merencanakan, mengeksekusi, dan mengevaluasi. Loop menambahkan satu hal lagi: proses itu bisa terus berjalan.
Artinya, tanpa batas yang jelas, biaya bisa naik bukan karena hasilnya naik, tetapi karena sistem tidak tahu kapan harus berhenti.
Ini mirip dengan masalah tool di bisnis. Banyak perusahaan membeli tool baru karena ingin lebih rapi, tetapi alur kerjanya belum jelas. Akhirnya tool hanya membuat kebingungan terlihat lebih modern.
AI loop juga begitu. Kalau tujuan, batas, dan indikator keberhasilannya belum jelas, loop hanya membuat AI terlihat sibuk.
Pertanyaan yang perlu ditanyakan bukan hanya:
- apakah agent bisa melakukan tugas ini?
- apakah modelnya cukup pintar?
- apakah workflow-nya bisa dibuat otomatis?
Tetapi juga:
- apa hasil yang dianggap lebih baik?
- kapan agent harus berhenti?
- perubahan apa yang wajib direview manusia?
- berapa batas biaya per hari atau per minggu?
- apa yang tidak boleh disentuh agent?
- bagaimana jika agent mulai menyimpang dari tujuan awal?
Tanpa jawaban ini, AI loop bisa menjadi versi baru dari meeting yang terlalu sering: banyak aktivitas, sedikit keputusan.
The Havedev Way
Dari sudut pandang Havedev, AI loop adalah arah yang penting. Tetapi cara masuknya harus disiplin.
Kami tidak melihat AI loop sebagai pengganti strategi, ownership, atau engineering judgment. Kami melihatnya sebagai lapisan kerja tambahan yang berguna ketika bisnis sudah tahu proses mana yang layak dijalankan berulang.
Mulainya sebaiknya bukan dari pertanyaan, “agent apa yang bisa kita buat?”
Mulainya dari pertanyaan yang lebih sederhana: pekerjaan apa yang terus berulang, sering terlambat, dan punya kriteria evaluasi yang cukup jelas?
Untuk tim engineering, kandidatnya bisa berupa:
- menemukan duplikasi code
- mengecek dokumentasi yang tertinggal
- mengusulkan test untuk area rawan
- membaca error log dan membuat ringkasan
- memantau dependency yang perlu diperbarui
- mencari file yang makin sulit dirawat
Untuk bisnis dan operasional, kandidatnya bisa berupa:
- mengecek lead yang belum di-follow-up
- merangkum percakapan support
- mencari pola keluhan pelanggan
- memberi reminder untuk order yang tertahan
- membuat insight mingguan dari data CRM
- menandai proses yang terlalu lama diam di satu status
Tetapi setiap loop perlu pagar.
Pagar pertama adalah scope. Agent harus tahu area mana yang boleh disentuh dan mana yang hanya boleh diamati.
Pagar kedua adalah approval. Tidak semua hasil AI boleh langsung masuk produksi atau langsung dikirim ke pelanggan. Untuk banyak kasus, loop yang sehat bukan loop yang langsung mengeksekusi semuanya, tetapi loop yang mengusulkan perubahan untuk direview.
Pagar ketiga adalah budget. Kalau loop berjalan terus, biaya harus terlihat. Token spend perlu dipantau seperti biaya iklan, server, atau subscription software lain.
Pagar keempat adalah metrik. Loop harus punya ukuran keberhasilan. Misalnya jumlah bug yang dicegah, waktu review yang turun, lead yang lebih cepat ditangani, atau bottleneck yang lebih cepat terlihat.
Pagar kelima adalah audit trail. Tim perlu tahu agent melakukan apa, kapan, berdasarkan data apa, dan menghasilkan rekomendasi apa. Tanpa catatan ini, AI loop sulit dipercaya saat mulai mempengaruhi keputusan penting.
AI loop yang baik tidak harus spektakuler di awal. Justru lebih sehat kalau dimulai kecil.
Pilih satu proses yang jelas. Jalankan loop dengan akses terbatas. Minta ia membuat rekomendasi, bukan langsung mengambil alih. Ukur apakah rekomendasinya membantu. Baru setelah itu, perluas perannya.
Dengan pendekatan seperti ini, AI loop tidak menjadi mainan teknologi baru. Ia menjadi bagian dari sistem kerja yang bisa dibaca, dikendalikan, dan diperbaiki.
Penutup
AI loop kemungkinan besar bukan sekadar hype. Ada logika yang kuat di baliknya: banyak pekerjaan modern memang berulang, berubah terus, dan bisa ditingkatkan sedikit demi sedikit.
Tetapi loop juga bukan tombol ajaib.
Semakin otonom AI bekerja, semakin penting bisnis punya tujuan yang jelas, status yang rapi, batas biaya, dan mekanisme review. Tanpa itu, AI hanya akan menambah aktivitas di belakang layar tanpa menjamin hasil yang lebih baik.
Langkah yang paling masuk akal bukan langsung membiarkan banyak agent bekerja tanpa henti. Langkah yang lebih sehat adalah memilih satu alur kerja yang sering macet, memberi AI ruang kecil untuk membantu, lalu mengukur apakah hasilnya benar-benar membuat tim lebih cepat, lebih rapi, atau lebih akurat.
AI loop akan menjadi berguna bukan karena ia terus berjalan. Ia menjadi berguna ketika ia membantu pekerjaan yang penting bergerak dengan lebih jelas.
Dapatkan Audit Teknis Gratis untuk meninjau proses website, lead, engineering, atau automation yang paling cocok dibantu AI tanpa membuat sistem menjadi lebih rumit dari sebelumnya.
Sumber referensi berita: TechCrunch