Bagaimana AI Mengubah Pengembangan Perangkat Lunak Selamanya — Membangun Masa Depan Agentic bersama Andre Baltieri [MVP]

Kecerdasan buatan sedang mengubah pengembangan perangkat lunak dengan kecepatan yang jarang kita lihat sebelumnya.Pengembang sudah beralih dari menulis setiap baris kode sendiri menjadi bekerja bersama asisten AI yang dapat menghasilkan kode, menjelaskan sistem yang belum dikenal, membuat pengujian, men-debug aplikasi, dan mengotomatisasi pekerjaan berulang.Namun menurut Microsoft MVP Andre Baltieri, itu baru permulaan.Dalam episode M365.FM ini, Mirko Peters berbincang mendalam dengan Andre tentang transisi dari pengembangan perangkat lunak tradisional ke pengembangan berbantuan AI, coding agent, arsitektur agentik, Microsoft Agent Framework, .NET, RAG, context engineering, keamanan, serta ekonomi generative AI.

.NET DI TAHUN 2003 HINGGA ERA AI
Andre mengajak kita kembali ke masa awal .NET dan C#, ketika mempelajari teknologi Microsoft baru sering berarti membeli pelatihan resmi dan bepergian ke kota lain.Sejak itu, pengembangan perangkat lunak telah melewati desktop, web, mobile, cloud, container, microservices, dan serverless computing.Andre berpendapat bahwa transisi ke AI terasa jauh berbeda. Alih-alih sekadar memperkenalkan platform atau framework lain, AI menghadirkan cara baru bagi manusia untuk berinteraksi dengan perangkat lunak.

ASISTEN AI VS. CODING AGENT AI
Ada perbedaan penting antara memiliki asisten AI di dalam IDE dan mendelegasikan pekerjaan kepada agent.Asisten dapat menjelaskan kode, menyarankan refactoring, menjawab pertanyaan, dan membantu pengembang memahami aplikasi mereka.Agent dapat menerima sebuah tujuan, membuat rencana, membagi pekerjaan menjadi tugas-tugas kecil, menggunakan tools, mengoordinasikan agent tambahan, dan mengimplementasikan bagian penting dari solusi.Andre menjelaskan bagaimana hal ini sudah mengubah alur kerja pengembangannya sendiri, dengan AI kini menghasilkan sebagian besar kode yang sebelumnya ia tulis secara manual.

PENGEMBANGAN PERANGKAT LUNAK BERBASIS SPESIFIKASI
Seiring agent menjadi semakin mumpuni, spesifikasi menjadi semakin penting.Alih-alih mendeskripsikan setiap detail implementasi, pengembang dapat menentukan persyaratan, arsitektur, batasan, dan perilaku yang diharapkan, lalu membiarkan agent menentukan bagaimana bagian-bagian implementasi harus diselesaikan.Hal ini menggeser perhatian pengembang dari sekadar menghasilkan kode menuju mendefinisikan apa yang harus dibangun dan mengapa.

MICROSOFT AGENT FRAMEWORK
Percakapan berlanjut ke Microsoft Agent Framework dan perannya dalam membawa kemampuan AI ke dalam aplikasi yang sudah ada.Andre menjelaskan bagaimana framework ini menggabungkan kemampuan yang terkait dengan Semantic Kernel dan AutoGen serta menyediakan alat bagi pengembang untuk menghubungkan model, mengorkestrasi alur kerja, menggunakan MCP, mengimplementasikan RAG, menangani data ingestion, dan mengekspos fungsionalitas aplikasi kepada AI.Khususnya bagi pengembang .NET, hal ini dapat secara signifikan mengurangi jumlah kode integrasi yang dibutuhkan.

MENGAPA .NET TETAP PENTING DI ERA AI
Python tetap menjadi salah satu bahasa dominan dalam pengembangan AI, namun Andre menegaskan bahwa .NET dan C# berada pada posisi yang sangat baik untuk aplikasi AI perusahaan..NET terus berkembang pesat, sementara tooling AI Microsoft semakin memberi pengembang C# akses native ke kemampuan AI modern.Organisasi yang telah bertahun-tahun mengimplementasikan business logic dalam .NET dengan demikian mungkin memiliki keunggulan besar: mereka tidak harus membangun ulang semuanya sebelum memperkenalkan AI.Fungsionalitas yang ada dapat dipilih dan diekspos kepada agent serta aplikasi bertenaga AI.

DARI PERANGKAT LUNAK DETERMINISTIK KE SISTEM AGENTIK
Aplikasi tradisional sebagian besar bersifat deterministik:Jika X terjadi, jalankan Y.Sistem agentik memperkenalkan model lain:Berikut tujuannya. Tentukan tindakan apa saja yang diperlukan untuk mencapainya.Itu merepresentasikan pergeseran arsitektur yang signifikan.Alih-alih mendefinisikan secara eksplisit setiap kemungkinan jalur, pengembang semakin sering mendefinisikan tujuan, tools, konteks, izin, batasan, dan batas-batas tempat AI dapat beroperasi.

POLA DESAIN TIDAK MATI
Kode yang dihasilkan AI tidak menghapus pengetahuan rekayasa perangkat lunak selama puluhan tahun.Clean code, maintainability, testing, arsitektur, dan design pattern tetap penting karena AI sering belajar cara mengimplementasikan fungsionalitas baru dengan memeriksa codebase yang ada.Kode yang berantakan dapat menghasilkan kode yang lebih berantakan lagi.Pengembang tetap perlu memahami arsitektur dan prinsip rekayasa meskipun agent AI melakukan sebagian besar implementasi.

MASALAH STOKASTIK PADA PERANGKAT LUNAK
Pengembang tradisional mengharapkan input yang sama menghasilkan output yang sama.Generative AI bersifat probabilistik.Permintaan yang sama dapat menghasilkan implementasi, jawaban, atau perilaku yang berbeda di berbagai eksekusi.Andre membahas mengapa hal ini mengharuskan pengembang memikirkan ulang pengujian dan validasi, serta mengapa guardrail yang kuat menjadi semakin penting ketika fungsionalitas AI diekspos kepada banyak pengguna.

CONTEXT ENGINEERING LEBIH PENTING DARI PROMPTING
Memilih model terbaru belum tentu keputusan yang paling penting.Andre berpendapat bahwa konteks adalah segalanya.Pengembang perlu memahami baik masalah bisnis maupun lingkungan teknis cukup baik untuk memberikan informasi yang tepat kepada AI.Konteks yang terlalu sedikit menghasilkan hasil yang lemah.Konteks yang terlalu banyak dapat membebani model.Tantangannya adalah menemukan informasi yang benar-benar penting.

RAG, DATA DAN CONTEXT WINDOW
Retrieval-Augmented Generation menjadi sangat penting ketika organisasi ingin sistem AI bekerja dengan pengetahuan mereka sendiri.Namun membangun sistem RAG bukan sekadar memasukkan dokumen ke dalam vector database.Data perlu dibersihkan, distrukturkan, dipecah menjadi chunk, diambil kembali, dan dimasukkan ke dalam konteks model secara cerdas.Andre membagikan contoh dari platform pendidikannya sendiri, di mana video pelajaran ditranskripsi dan diindeks sehingga pengguna dapat mencari konsep dan langsung melompat ke titik yang relevan dalam video.

MEMORI DAN MENGELOLA KONTEKS AI
Percakapan AI yang berlangsung lama menghadirkan tantangan lain: memori.Ketika context window penuh, percakapan perlu diringkas atau dipadatkan.Andre menjelaskan mengapa pengembang sebaiknya secara aktif mengelola proses ini alih-alih berasumsi bahwa sistem AI akan selalu mempertahankan informasi terpenting.Terkadang solusi terbaik justru sangat sederhana: selesaikan tugas, tutup percakapan, dan mulai lagi dengan konteks yang bersih.Spesifikasi dan file Markdown juga dapat menyediakan konteks proyek yang persisten bagi coding agent.

KEAMANAN, IZIN DAN LEAST PRIVILEGE
Memberikan agent AI akses ke tools dan data perusahaan menimbulkan implikasi keamanan yang signifikan.Andre merekomendasikan untuk memperlakukan agent sesuai prinsip yang mirip dengan identitas manusia: tutup semuanya secara default dan ekspos hanya apa yang benar-benar dibutuhkan agent.Alih-alih memberikan sistem AI akses database tanpa batas, pengembang sebaiknya mengekspos fungsi yang dikontrol dengan cermat yang hanya mengembalikan informasi yang diperlukan untuk tugas tertentu.Hal ini menjadi sangat penting ketika agent dapat membaca atau mengubah data perusahaan.

PROMPT INJECTION DAN GUARDRAIL AI
Prompt injection menciptakan permukaan serangan baru bagi aplikasi bertenaga AI.Pengguna dapat sengaja memanipulasi prompt, mencoba mengambil informasi di luar konteks yang dimaksud, menghabiskan sumber daya perusahaan, atau membujuk sistem AI untuk melakukan tindakan yang tidak diantisipasi perancangnya.Diskusi ini mengeksplorasi pentingnya system instruction, pembatasan di level aplikasi, fungsi yang terkontrol, identitas, izin, serta platform seperti Azure AI Foundry untuk menetapkan batas keamanan tambahan.

AI FINOPS — JANGAN GUNAKAN GENERATIVE AI UNTUK SEGALANYA
Salah satu pelajaran praktis paling berharga dari percakapan ini adalah bahwa hanya karena AI dapat melakukan suatu tugas, bukan berarti AI harus melakukannya.Andre membedakan antara beban kerja generatif dan deterministik.Jika sesuatu harus terjadi dengan cara yang sama setiap saat, pemrograman tradisional mungkin lebih cepat, lebih murah, dan lebih andal.Ia memberikan contoh