Dari Pemecah Kode menjadi Pemikir Kreatif: Perjalanan Saya bersama Microsoft Copilot di Fabric

By Mirko Peters · 2026-08-28

Pernahkah Anda menghabiskan waktu yang terasa seperti seluruh sore musim panas hanya untuk mengubah file CSV? Saya pernah, dan jujur saja, hal itu sangat menguras motivasi saya. Namun t…

Automatically translated with AI from the original post. Read the English original

Pernahkah Anda menghabiskan waktu yang terasa seperti seluruh sore musim panas hanya untuk mengubah file CSV? Saya pernah, dan jujur saja, hal itu sangat menguras motivasi saya. Namun semua itu terjadi sebelum Microsoft Copilot hadir. Dalam artikel ini, saya akan membagikan perjalanan yang berliku, kadang memalukan, kadang membuka wawasan, dari rasa enggan menjalani pekerjaan rekayasa data rutin hingga kembali menemukan alasan mengapa saya dulu menyukai membangun sesuatu dengan kode. Semua itu berkat sedikit keajaiban AI (dan beberapa pelajaran yang harus saya petik dengan susah payah).

Ketika Kelelahan Bertemu Otomatisasi: Kisah Peringatan

Dulu saya sering kehilangan seluruh akhir pekan untuk konversi file CSV. Ini serius, bukan dilebih-lebihkan. Sabtu saya larut dalam deretan pesan galat saat men-debug kode Spark yang tidak mau bekerja sama. Cangkir kopi menumpuk seiring matahari terbenam, dan saya baru sadar satu hari lagi telah hilang ke dalam kekosongan digital.

Terdengar familier?

Monster Pemakan Akhir Pekan

Mengonversi file dari CSV ke tabel Delta Parquet adalah musuh bebuyutan saya. Tugas yang seharusnya sederhana berubah menjadi pemborosan waktu yang menguras jiwa. Saya biasanya memulai Jumat malam dengan pikiran, "Ini paling lama satu jam." Pada Minggu malam, saya sudah mempertanyakan pilihan karier saya.

Riset mendukung rasa sakit saya: otomatisasi dapat memangkas waktu tugas rutin hingga 40%. Namun, mengetahui hal itu tidak membantu ketika saya sudah terjebak dalam galat kode.

Skeptis: Pengaturan Default Saya

Ketika Copilot menjanjikan untuk menangani tugas-tugas ini, saya tertawa. Serius? Menyerahkan kode saya kepada asisten AI? Masalah kepercayaan itu nyata.

• Bagaimana jika ia membuat kesalahan yang tidak saya sadari?
• Bagaimana jika ia justru menciptakan lebih banyak masalah daripada solusi?
• Bagaimana jika saya menjadi... tergantikan?

Namun, keputusasaan akhirnya mengalahkan skeptisisme.

Saya Dulu vs. Saya Sekarang

Perubahannya hampir memalukan:

Saya dulu: Menghabiskan lebih dari 6 jam untuk membuat kalender fiskal sambil menggerutu di depan layar.
Saya sekarang: Mengetik sebuah prompt, meninjau kode yang dihasilkan, selesai dalam 15 menit.

Tugas transformasi data manual yang dulu menghabiskan akhir pekan saya kini selesai dalam hitungan menit. Alur kerja ETL yang dulu membutuhkan berhari-hari untuk menulis dan men-debug kode? Kini ditangani melalui prompt bahasa alami.

"Terkadang, membebaskan diri dari alur kerja yang membosankan adalah hal paling kreatif yang bisa Anda lakukan." – Inder Rana

Kata-kata Rana terasa berbeda sekarang. Kelegaan karena melepaskan beban itu tak terduga. Saya mendapati diri saya memiliki waktu luang yang sesungguhnya. Saya kembali menekuni hobi. Saya kembali ingat seperti apa wajah keluarga saya.

Dampak Mengejutkan Setelahnya

Kejutan terbesar bukanlah peningkatan efisiensi, melainkan ruang mental yang terbuka. Tanpa rasa takut akan sesi debugging yang tak ada habisnya, pikiran saya berkelana ke pertanyaan yang lebih besar dan solusi yang lebih kreatif.

Ya, saya tetap meninjau semua yang dihasilkan Copilot. Ya, terkadang saya perlu menyesuaikan kodenya. Namun penghematan waktu 40%? Dalam kasus saya, angka itu justru merupakan estimasi yang konservatif.

Kelelahan saya bukan sekadar bertemu dengan otomatisasi. Ia benar-benar dikalahkan olehnya.

Seni yang Terlupakan dari Prompt Engineering (Atau: Berbicara dengan Robot untuk Kesenangan dan Keuntungan)

Saya tidak pernah menyangka akan menjalin hubungan kreatif dengan AI, tetapi di sinilah saya sekarang. Menulis prompt untuk Copilot entah bagaimana menjadi salah satu bagian paling kreatif dalam pekerjaan saya sebagai data engineer.

Ingat ketika pemrograman berarti menghafal sintaksis yang tepat? Masa-masa itu kini terasa jauh.

Pabrik Monster yang Tidak Disengaja

Bulan lalu, saya kelelahan setelah seharian penuh mengolah data. Otak saya sudah lelah. Saya perlu membuat tabel transformasi data yang sederhana, tetapi entah bagaimana saya malah mengetik: "buat tabel monster fantasi dengan statistik kerusakan dan kemampuan khusus."

Respons Copilot? Campuran aneh antara sintaksis SQL dan konten RPG fantasi yang sama sekali tidak masuk akal. Ia mencoba membuat kolom "acidBreath" dan "tentacleCount" di samping kolom data saya yang sebenarnya.

Saya tertawa terbahak-bahak selama lima menit. Lalu saya menyadari sesuatu yang penting: saya sedang berbicara dengan lingkungan pengembangan saya. Bukan sedang menulis kode. Berbicara.

Siklus Prompt-Tinjau-Perbaiki

Kini saya sudah mengembangkan alur kerja berikut:

• Tulis prompt dalam bahasa alami
• Tinjau apa yang dihasilkan Copilot
• Perbaiki prompt saya dengan detail tambahan
• Ulangi sampai sempurna

Ini lebih mirip coaching atau mengarahkan daripada pemrograman? Apa pun namanya, cara ini mengubah pendekatan saya dalam menyelesaikan masalah.

Belajar dari Para Ahli

Demo dari industri sangat membuka wawasan. Inder Rana menunjukkan bagaimana Copilot dapat membaca file dari folder resep CMS ke dalam Spark data frame hanya dengan perintah percakapan.

Demo Dan Taylor yang mengonversi data Azure SQL menjadi tabel tanggal benar-benar membuat saya takjub. Seperti yang ia katakan,

"Seni rekayasa prompt adalah keahlian baru bagi data engineer."

Saya mulai percaya padanya.

Semakin Kompleks

Prompt saya kini sudah melampaui tugas-tugas sederhana. Sekarang saya meminta konversi kolom, transformasi tipe data, bahkan kolom kalkulasi baru berdasarkan logika bisnis.

Terkadang permintaan saya melenceng—pernah saya mendapatkan analisis puisi yang sempurna, bukan kode database, karena saya kurang spesifik. Namun, itu bagian dari proses belajar.

Antarmuka baru ini—bahasa alami—terasa lebih intuitif dibandingkan skrip tradisional. Memang belum sempurna. Anda tetap memerlukan pengawasan manusia. Namun, saya kini lebih banyak memikirkan apa yang ingin dicapai daripada bagaimana mencapainya.

Dan jujur saja? Itu terasa seperti kemajuan.

ETL dalam Bahasa Sederhana: Selamat Tinggal Skrip yang Membingungkan

Masih ingat masa-masa lama ETL? Saya masih ingat betul. Kekacauan skrip yang tersebar di banyak file, konversi tipe data yang membingungkan, dan pipeline data yang rusak di jam 2 pagi hingga membuat semuanya runtuh. Masa-masa yang indah... tidak juga.

Dari Kekacauan ke Percakapan

Sekarang? Saya cukup menjelaskan apa yang saya inginkan kepada Copilot:

"Ambil data penjualan kuartal terakhir dari database SQL kami, bersihkan nilai null pada kolom customer_id, dan buat tabel ringkasan dengan total per wilayah."

Dan begitu saja, Copilot langsung menyusun kodenya. Tidak perlu lagi mencari-cari di Stack Overflow atau memecahkan dokumentasi yang membingungkan. Rasanya hampir tidak adil betapa sederhananya sekarang.

Perintah Magic yang Terasa Seperti Curang

Perintah magic untuk bagan? Benar-benar sihir. Alih-alih menghabiskan berjam-jam mengutak-atik kode visualisasi, saya cukup mengetik sesuatu seperti %%create_chart sales by region dan—voila—visualisasi langsung muncul.

Dan jangan sampai saya mulai membahas %%fix_errors di notebook. Perintah itu telah menghemat berjam-jam waktu debugging saya. Rasanya seperti memiliki developer senior yang mengawasi dari belakang, menangkap kesalahan sebelum menjadi masalah.

Saat Copilot Melihat Apa yang Terlewat

Minggu lalu, saya sedang mentransformasi data pelanggan ketika Copilot dengan sopan menyarankan: "Saya melihat Anda mencoba menggabungkan tabel ini pada tipe kolom yang berbeda. Apakah Anda ingin saya menambahkan langkah konversi?"

Saya bahkan belum menyadari masalahnya! Itu bisa saja menjadi berjam-jam debugging yang terbuang sia-sia.

Percaya, Tapi Verifikasi

Apakah setiap saran Copilot sempurna? Tidak. Terkadang ia menghasilkan kode yang tampak masuk akal tetapi tidak sepenuhnya berfungsi untuk skenario spesifik saya. Namun, yang saya perhatikan: kesalahannya semakin sedikit, dan saya semakin mahir dalam menyusun prompt dengan benar.

• Bagian-bagian ETL yang membosankan kini terasa hampir menyenangkan
• Fokus saya beralih dari memperbaiki kode ke merancang alur kerja
• Peninjauan manusia tetap penting, tetapi jauh lebih ringan

Seperti yang dikatakan Josh de: "Dengan Copilot, mendeskripsikan alur data dalam bahasa sederhana bukan hanya mungkin—melainkan membebaskan."

Saya tidak akan meninggalkan keterampilan coding saya dalam waktu dekat. Namun, saya kini merangkul realitas baru di mana pembuatan ETL telah berubah dari lambat dan membosankan menjadi cepat dan, berani saya katakan, menyenangkan. Dan itu layak dirayakan.

Dari Hari ke Menit: Kalender Fiskal Tanpa Repot

Saya masih merasa cemas setiap kali memikirkan proyek kalender fiskal. Anda pasti tahu jenisnya—pembuatan tabel yang membosankan dan memakan waktu, yang entah bagaimana selalu jatuh ke meja Anda.

Selama bertahun-tahun, saya menyisihkan waktu berjam-jam (kadang berhari-hari) untuk membangun kalender ini dari nol. Menulis kode untuk setiap parameter, memeriksa ulang rentang tanggal, memperbaiki bug yang tak terelakkan. Sungguh melelahkan.

Pendekatan yang Mengubah Permainan

Lalu saya melihat demonstrasi Greg Bowmont. Rahang saya benar-benar ternganga.

Ia menunjukkan bagaimana Copilot dapat menghasilkan kalender tanggal fiskal kustom hampir seketika. Bukan dalam hitungan hari. Bukan dalam hitungan jam. Melainkan dalam menit.

"Mengotomatisasi kalender fiskal mengembalikan berjam-jam waktu saya di setiap kuartal. Inilah ROI yang benar-benar terasa." – Greg Bowmont

Apa yang dulu menghabiskan separuh minggu saya kini membutuhkan waktu lebih singkat daripada jeda kopi saya. Ini bukan berlebihan—saya sudah mengukurnya!

Rahasianya: Parameter yang Dapat Dikonfigurasi

• Spesifikasi kolom yang disesuaikan dengan kebutuhan Anda
• Tipe data yang fleksibel (tanpa lagi sakit kepala konversi)
• Rentang tanggal kustom yang sesuai dengan struktur fiskal apa pun

Parameter yang dapat dikonfigurasi ini mengubah segalanya. Alih-alih membangun dari nol, saya cukup memberi tahu Copilot apa yang saya butuhkan, dan ia langsung menghasilkan kode dasarnya.

Sebuah Gagasan Liar

Bayangkan dunia di mana tim keuangan membuat kalender fiskal mereka sendiri tanpa pernah membuka editor kode. Di mana mereka tidak perlu menunggu TI atau tim data engineering menemukan waktu dalam sprint mereka.

Kita ternyata sudah cukup dekat dengan kenyataan itu. Direktur keuangan di perusahaan saya, yang sama sekali tidak punya pengalaman coding, baru-baru ini menggunakan templat prompt Copilot saya untuk membuat kalender kustom bagi sebuah proyek khusus.

Sentuhan Manusia Tetap Penting

Saya tidak mengatakan hasilnya sempurna begitu keluar dari kotak. Tinjauan singkat tetap diperlukan, misalnya menyesuaikan format tanggal di sana-sini atau mengubah nama kolom. Terkadang perhitungan khusus bisnis perlu ditambahkan.

Tetapi memulai dengan 90% pekerjaan sudah selesai? Itu benar-benar mengubah permainan.

Ketika saya mengingat semua hari yang saya habiskan membungkuk di atas tabel fiskal... ah, andai saja saya bisa mendapatkan kembali jam-jam itu. Setidaknya sekarang, dengan Copilot yang menangani pekerjaan berat, saya bisa fokus pada bagian yang lebih menarik dalam data engineering.

Tersesat dalam Kode Lama? Copilot sebagai Pemecah Sandi

Kita semua pernah mengalaminya. Basis kode lama yang menakutkan, yang tidak ada seorang pun mau menyentuhnya. Dokumentasinya minim dan nama variabelnya membingungkan, sampai-sampai Anda mempertanyakan pilihan karier Anda.

Bulan lalu, saya mewarisi "the beast", sebuah monster berisi 15.000 baris yang ditulis oleh pengembang yang sudah keluar tiga tahun lalu. Perut saya mencelos ketika manajer saya dengan riang menugaskannya kepada saya.

Mimpi Buruk Kode Lama

Biasanya, saya akan menghabiskan berhari-hari hanya untuk memahami apa yang sebenarnya dilakukan kode itu, apalagi memperbaiki bug yang dilaporkan. Namun kali ini berbeda. Saya punya Copilot di sisi saya.

Saya membuka file pertama di notebook dan meminta Copilot merangkumnya. Dalam hitungan detik, ia memaparkan fungsi inti, mengidentifikasi dependensi utama, bahkan menandai potensi masalah dalam implementasinya.

Tunggu, apa? Itu akan memakan waktu berjam-jam bagi saya untuk memahaminya sendiri.

Penerjemahan Kode Real-Time

Saat saya menggali lebih dalam, Copilot terus membuat saya takjub:

• Menjelaskan fungsi-fungsi kompleks dengan bahasa yang mudah dipahami
• Menghasilkan komentar inline yang membantu
• Menyarankan pendekatan yang lebih baik untuk bagian-bagian bermasalah
• Mengidentifikasi variabel yang tidak terpakai dan kode yang berlebihan

Bantuan debugging-nya sangat mengesankan. Ketika saya menemui error aneh, Copilot menjelaskan bukan hanya apa yang salah, tetapi mengapa hal itu terjadi, yakni konteks yang akan butuh waktu lama bagi saya untuk melacaknya.

"Memahami karya orang lain dulu butuh berhari-hari. Sekarang saya bisa menemukan arah dalam hitungan menit." – Josh de

Pengalaman Josh sama persis dengan pengalaman saya. Waktu yang dihemat untuk orientasi dan pemecahan masalah, jujur saja, sulit dilebih-lebihkan.

Bukan Sihir Sepenuhnya

Apakah Copilot sempurna? Tentu saja tidak. Saya masih menemukan beberapa kasus di mana ia salah menafsirkan logika bisnis yang halus. Mata manusia tetap penting, terutama untuk nuansa spesifik domain yang tidak tertulis secara eksplisit dalam kode.

Terkadang saya berpikir Copilot seharusnya juga menilai komentar kode saya. "Komentar ini tidak berguna. Coba jelaskan MENGAPA, bukan APA." Saya mungkin akan menjadi pengembang yang lebih baik!

Namun, meski dengan keterbatasannya, Copilot telah mengubah secara mendasar cara saya mendekati kode lama. Yang dulunya tugas yang menakutkan kini hampir... menarik? Saya kini mengungkap logika dan maksud di balik basis kode yang kompleks lebih cepat dari sebelumnya.

Proyek yang saya perkirakan memakan waktu berminggu-minggu? Saya punya perbaikan yang berfungsi dalam tiga hari. Manajer saya mengira saya jenius. Saya tidak akan memberitahu jika Anda tidak bertanya.

Sisi Sosial: Menjembatani Kesenjangan Bahasa Teknis

Ingat rapat-rapat canggung ketika saya mencoba menjelaskan join data yang kompleks kepada product manager saya? Mata yang kosong dalam hitungan menit dulu adalah hal yang biasa. Tidak lagi.

Meruntuhkan Tembok

Bulan lalu, saya harus menjelaskan join multi-tabel yang sangat rumit kepada tim produk kami yang non-teknis. Saya bersiap menghadapi tatapan kosong dan anggukan sopan seperti biasanya.

Alih-alih slide PowerPoint biasa yang penuh dengan kode SQL yang membingungkan, saya menampilkan semantic model baru kami yang didukung Copilot dan terhubung ke Power BI. Sesuatu yang ajaib terjadi.

"Tembok antara tim teknis dan bisnis retak, bukan dengan benturan keras, melainkan dengan semantic link."

Untuk pertama kalinya, manajer produk benar-benar memahami hubungan data tersebut. Ia bahkan mulai mengajukan pertanyaan cerdas tentang pola yang mendasarinya! Saya tidak lagi berbicara dalam bahasa asing.

Apa yang Berubah?

• Semantic model secara otomatis menerjemahkan istilah teknis saya ke dalam konteks bisnis
• Anggota tim dapat berinteraksi langsung dengan laporan di notebook dan Power BI
• Elemen interaktif memungkinkan rekan nonteknis menjelajahi data dengan cara mereka sendiri
• Pertanyaan real-time terjawab tanpa saya harus menjadi penerjemah

Hambatan pun hilang. Tidak ada lagi keharusan menunggu saya menafsirkan setiap pertanyaan data atau membuat laporan khusus untuk pertanyaan sederhana.

Manfaat yang Tidak Terduga

Yang tidak saya perkirakan adalah seberapa cepat literasi data tim kami meningkat. Ketika orang dapat berinteraksi dengan data secara alami, mereka benar-benar mulai menggunakannya.

Direktur pemasaran kami, yang dulu dengan bangga menyatakan dirinya "alergi terhadap spreadsheet," kini secara rutin menjelajahi data segmentasi pelanggan sendiri. Minggu lalu, ia menemukan tren yang sama sekali luput dari perhatian saya!

Lebih baik lagi? Pengambilan keputusan kami pun membaik. Ketika semua orang memahami data, kami membuat lebih sedikit asumsi dan pilihan yang lebih berbasis bukti.

Mungkin kejutan terbesar terjadi saat tinjauan triwulanan kami. Untuk pertama kalinya, tim eksekutif kami mengajukan lebih sedikit pertanyaan klarifikasi dan lebih banyak pertanyaan strategis. Kami menghabiskan rapat dengan membahas implikasi, bukan menjelaskan konsep dasar.

Siapa sangka semantic model dan Copilot akan menjadi penerjemah universal yang tidak pernah kami sadari sangat dibutuhkan?

Keamanan: Pemikiran Kedua yang Tenang

Minggu lalu saya hampir membuat kesalahan besar. Saat itu saya terburu-buru membagikan beberapa wawasan data kepada tim saya ketika Purview menandai tindakan saya. Saya hampir saja mengirim data pelanggan yang sensitif ke seluruh departemen. Astaga.

Momen menegangkan itu membuat saya menyadari sesuatu: sekencang dan sehebat apa pun Copilot membantu alur kerja saya, keamanan tidak boleh dipikirkan belakangan.

Kejadian Nyaris Celaka Saya

SharePoint benar-benar menyelamatkan saya dari potensi pelanggaran data. Sistem mengenali konten sensitif dan memblokir pembagian tersebut, lalu meminta saya meninjau izin. Saya merasa malu sekaligus lega.

Sejak saat itu, saya menjadi agak terobsesi dengan protokol keamanan kami:

• Memperketat izin pada semua sumber data kami
• Menerapkan label sensitivitas pada semua hal (bahkan yang tampaknya tidak berbahaya)
• Menjalankan laporan keamanan mingguan untuk menangkap hal-hal yang tidak biasa

Memasang Pagar Pengaman untuk Copilot

Ada sesuatu yang tidak semua orang sadari: Copilot dapat dikendalikan. Kami telah menerapkan kebijakan Data Loss Prevention (DLP) yang membatasi data apa saja yang dapat diakses Copilot berdasarkan label sensitivitas.

Untuk proyek yang benar-benar sensitif, saya bahkan menggunakan PowerShell untuk mengunci hal-hal lebih jauh. Perintah kecil ini kini menjadi sahabat terbaik saya:

Set-SPOSite -Identity [site URL] -SearchScope "Site"

Perintah ini membatasi pencarian hanya pada situs tertentu, sehingga Copilot tidak dapat mengambil data dari tempat yang seharusnya tidak diakses.

Menemukan Keseimbangan

Saya tetap menyukai peningkatan produktivitas yang diberikan Copilot. Namun kini saya mendekatinya dengan apa yang saya sebut "pemikiran kedua yang tenang", yaitu jeda untuk mempertimbangkan implikasi keamanan sebelum terjun langsung.

"Anda dapat mengotomatisasi banyak hal, tetapi Anda tidak dapat mengotomatisasi penilaian yang baik."

Kutipan dari CISO kami itu kini terpampang di desktop virtual saya.

Alatnya tersedia: pelaporan Purview, SharePoint Advanced Management, izin yang granular, tetapi semuanya memerlukan manusia untuk menerapkannya dengan cermat.

Saya belajar bahwa kecepatan dan kemudahan tidak berarti apa-apa tanpa tata kelola yang kokoh. Bahkan, keduanya bisa sangat berbahaya.

Alur kerja saya kini mencakup pertemuan rutin dengan tim keamanan kami, meninjau siapa yang memiliki akses ke apa, dan memastikan kebijakan DLP kami selaras dengan cara kami benar-benar menggunakan Copilot dalam praktik.

Memang butuh lebih banyak usaha di awal, tetapi hal ini membuat saya bisa tidur nyenyak. Dan jujur saja? Saya lebih memilih menghabiskan 15 menit untuk protokol keamanan daripada 15 jam menangani pelanggaran data.

Renaisans Data Engineer (Dan Apa Selanjutnya)

Jika melihat kembali perjalanan saya, saya terkesan betapa drastisnya peran saya berubah. Saya bertransformasi dari seorang pekerja kode yang menghabiskan waktu tanpa henti untuk tugas-tugas berulang menjadi pemikir kreatif dengan ruang untuk berinovasi, semua berkat Copilot di Fabric.

Perubahan ini tidak terjadi seketika. Awalnya saya skeptis (bukankah kita semua begitu dengan teknologi baru?). Namun melihat berjam-jam pengodean manual menyusut menjadi hitungan menit benar-benar mengubah segalanya bagi saya.

Saya tidak sendiri dalam pengalaman ini. Tokoh industri seperti Inder Rana dan Josh de telah menjadi pendukung integrasi AI yang bijaksana. Mereka menekankan sesuatu yang krusial: bagaimana kita menggunakan alat-alat ini sama pentingnya dengan bahwa kita menggunakannya.

Seperti yang disampaikan Josh dalam sebuah presentasi baru-baru ini,

"Copilot tidak akan mengerjakan pekerjaan Anda, tetapi akhirnya bisa membuat Anda menghasilkan karya terbaik Anda."

Apa Selanjutnya?

Masa depannya terlihat sangat menjanjikan. Saya sudah mulai melihat kemampuan prompt engineering saya meningkat—hasil yang saya dapatkan semakin baik dengan instruksi yang lebih bernuansa. Ini baru permulaan.

Lebih banyak alat AI akan segera hadir. Visi Microsoft untuk Copilot tidak statis; visi itu berkembang dengan cepat. Perpaduan antara kreativitas manusia dan otomasi menciptakan potensi baru bagi apa yang dapat dicapai para data engineer.

Yang paling mengejutkan saya? Bagaimana Copilot mendorong saya untuk mencoba pendekatan yang dulu akan saya abaikan karena dianggap terlalu rumit atau memakan waktu. Copilot memberi saya kebebasan untuk bereksperimen.

Ini bukan sekadar skrip praktis atau jalan pintas yang nyaman—ini adalah pergeseran paradigma yang sesungguhnya. Para tokoh industri dengan jelas menggemakan pandangan ini: abaikan AI dengan risiko Anda sendiri.

Bagi mereka yang skeptis (dan saya dulu termasuk di antaranya), dorongan saya sederhana: cobalah. Terutama jika Anda ragu. Transformasi dalam cara saya mendekati masalah, berkolaborasi dengan rekan tim, dan memikirkan solusi telah sangat mendalam.

Sebagai data engineer, kita sedang mengalami masa kebangkitan. Peran kita tidak berkurang—justru semakin luas. Kita beralih dari mekanika kode menjadi arsitek solusi, dari "tukang pipa" data menjadi pencipta wawasan.

Alat-alat akan terus berkembang. Keterampilan kita pun harus demikian. Namun satu hal pasti—masa depan milik mereka yang mampu memadukan keahlian teknis dengan kolaborasi AI.

Dan jujur saja, setelah melihat apa yang mungkin dilakukan, saya tidak menginginkannya dengan cara lain.

Untuk mendengar lebih banyak tentang bagaimana teknologi ini mengubah alur kerja dan mempelajari tips praktis untuk memanfaatkan AI, simak episode podcast terkait: Save Time with Microsoft Copilot in Fabric.