Edukasi dan Penilaian Pengembang di Era Agen

Edukasi dan Penilaian Pengembang di Era Agen

Analisis ini mencerminkan lanskap pendidikan dan sertifikasi per 26 Juli 2026.

Pendahuluan

Agen coding otonom mengubah pengembangan perangkat lunak dari tugas yang berpusat pada mengetik kode menjadi tugas yang berpusat pada menspesifikasikan pekerjaan, mendelegasikan tugas, mengawasi eksekusi, dan meninjau hasil.

Agen coding modern dapat memeriksa repositori, mengembangkan rencana implementasi, memodifikasi beberapa file, menjalankan tes, menanggapi kesalahan, dan membuka pull request untuk ditinjau manusia. Dokumentasi GitHub saat ini menjelaskan alur kerja di mana pengembang menugaskan masalah ke agen, memantau pekerjaan mereka, meminta tinjauan kode, memberikan umpan balik, serta menyetujui atau menolak hasilnya. (docs.github.com)

Ini menimbulkan pertanyaan sulit bagi pendidikan:

Jika seorang siswa dapat meminta agen untuk menghasilkan program yang berfungsi, apa yang seharusnya wajib dipahami oleh siswa tersebut?

Jawabannya bukan meninggalkan dasar-dasar pemrograman. Ini adalah tentang mengubah tujuan penggunaan dasar-dasar tersebut.

Siswa masih perlu memahami struktur data, algoritma, bahasa pemrograman, desain sistem, keamanan, pengujian, dan debugging. Namun, mereka semakin perlu menerapkan pengetahuan tersebut untuk:

• Mengurai masalah ambigu menjadi tugas yang dapat dikelola
• Menulis spesifikasi dan kriteria penerimaan yang tepat
• Memberikan konteks yang berguna kepada agen coding
• Menilai apakah kode yang dihasilkan benar dan mudah dipelihara
• Merancang tes yang mengungkap kegagalan tersembunyi
• Meninjau risiko keamanan, privasi, kinerja, dan arsitektur
• Mengkoordinasikan beberapa agen atau alat tanpa kehilangan kendali
• Menjelaskan dan mempertahankan keputusan teknis

Oleh karena itu, pendidikan pengembang generasi berikutnya akan menilai lebih sedikit kemampuan siswa untuk menghasilkan sejumlah besar kode dan lebih banyak kemampuan siswa untuk memahami, mengarahkan, memverifikasi, dan meningkatkan sistem perangkat lunak.

Pergeseran Sentral: Dari Produksi Kode ke Penilaian Rekayasa

Agen coding bukan sekadar autocomplete yang lebih cepat

Asisten coding tradisional menyarankan satu baris, fungsi, atau blok kode kecil. Agen coding otonom beroperasi pada skala yang lebih besar. Mereka dapat bekerja di berbagai file, memanggil alat pengembangan, menjalankan tes, memeriksa dokumentasi, dan melanjutkan melalui beberapa langkah.

Itu mengubah unit pekerjaan. Alur kerja pengembang semakin terlihat seperti ini:

1. Pahami masalah pengguna atau bisnis.
2. Definisikan perilaku yang diinginkan.
3. Pecah pekerjaan menjadi tugas-tugas yang lebih kecil.
4. Tugaskan tugas yang sesuai ke agen.
5. Periksa rencana agen.
6. Biarkan agen mengimplementasikan dalam lingkungan yang terkontrol.
7. Jalankan tes dan pemeriksaan keamanan.
8. Tinjau hasilnya.
9. Minta perubahan atau revisi desain.
10. Setujui, gabungkan, dan pantau perangkat lunak.

Orang yang melewatkan tahap perencanaan dan peninjauan mungkin masih dapat menghasilkan kode, tetapi tidak dapat secara andal menghasilkan produk yang dapat dipercaya.

Batasan output kode mentah

Produksi kode mentah menjadi ukuran kemampuan yang lebih lemah karena agen dapat menghasilkan sejumlah besar kode yang masuk akal dengan cepat. Pada saat yang sama, agen terus kesulitan dengan evolusi perangkat lunak berjangka panjang, perubahan multi-file, persyaratan yang tidak jelas, dan mempertahankan perilaku di seluruh modifikasi berulang. Sebuah studi benchmark tahun 2025 menemukan kesenjangan substansial antara kinerja agen dalam resolusi masalah terisolasi dan tugas evolusi perangkat lunak jangka panjang yang lebih kompleks. (arxiv.org)

Ini menciptakan perbedaan pendidikan yang penting:

• Siswa yang dapat menghasilkan kode mungkin tidak memahaminya.
• Siswa yang dapat menjelaskan, menguji, menantang, dan memperbaiki kode menunjukkan kompetensi yang lebih mendalam.

Oleh karena itu, target pendidikan seharusnya menjadi penilaian perangkat lunak yang tervalidasi, bukan sekadar generasi kode yang berhasil.

Bagaimana Kurikulum Beradaptasi

Kurikulum universitas bergerak menuju pemahaman dan verifikasi

Laporan Kurikulum Ilmu Komputer 2023 dari ACM, Institute of Electrical and Electronics Engineers Computer Society, dan Association for the Advancement of Artificial Intelligence mengantisipasi bahwa artificial intelligence generatif akan mengubah pendidikan pemrograman. Panduannya menunjukkan bahwa siswa akan membutuhkan lebih banyak penekanan pada membaca, memahami, memverifikasi, mengedit, memodifikasi, mengadaptasi, dan menguji kode. Ini juga mengidentifikasi dekomposisi masalah sebagai area yang kemungkinan akan menjadi lebih penting. (csed.acm.org)

Panduan yang sama membuat poin krusial: bahkan ketika agen menulis program, manusia tetap bertanggung jawab untuk menentukan apakah program tersebut benar. Ini berarti pendidikan pemrograman tidak dapat direduksi menjadi penulisan prompt. Siswa membutuhkan pemahaman teknis yang cukup untuk mengevaluasi output.

Laporan tersebut juga mengantisipasi perubahan dalam pendidikan rekayasa perangkat lunak, termasuk penggunaan artificial intelligence yang lebih besar untuk code generation, debugging, analisis statis, dan code review. Penggunaan alat-alat ini secara efektif membutuhkan keterampilan desain dan pemahaman kode yang lebih kuat, bukan yang lebih lemah. (csed.acm.org)

Akreditasi mulai menghargai hasil rekayasa yang lebih luas

Kriteria akreditasi komputasi saat ini dari Accreditation Board for Engineering and Technology sudah menekankan:

• Analisis masalah komputasi yang kompleks
• Desain dan evaluasi solusi komputasi
• Komunikasi profesional
• Tanggung jawab hukum dan etika
• Keamanan dan privasi
• Dampak sosial komputasi
• Proyek komprehensif atau komponen pengalaman (abet.org)

Hasil-hasil ini sangat cocok untuk lingkungan pengembangan berbasis agen karena mereka mengukur penilaian dan tanggung jawab daripada ketukan keyboard.

Per 26 Juli 2026, perubahan yang diusulkan oleh Accreditation Board for Engineering and Technology untuk siklus 2026–2027 mencakup kriteria program artificial intelligence tambahan dan persyaratan agar lulusan mampu menerapkan teori, model, dan teknik artificial intelligence untuk masalah kompleks. Perubahan yang diusulkan masih menunggu adopsi akhir dan diperkirakan akan berlaku setelah pertemuan musim gugur 2026, dengan penerapan pertama selama siklus peninjauan 2027–2028. (abet.org)

Arah yang mungkin sudah jelas: program-program perlu menunjukkan bahwa siswa dapat membangun dan mengevaluasi sistem, bukan hanya menyelesaikan latihan pemrograman yang terisolasi.

Mata kuliah baru mengajarkan penggunaan agen sebagai disiplin rekayasa

Beberapa mata kuliah universitas baru-baru ini menggambarkan pola yang muncul.

Mata kuliah Universitas Maryland tahun 2025 tentang penggunaan asisten dan agen coding artificial intelligence yang efektif mencakup alat yang dapat memanggil sistem pembangunan, menjalankan tes, dan memperbaiki kesalahan. Ini juga membahas maintainability, arsitektur, desain application programming interface, efisiensi, skalabilitas, keamanan, continuous integration, code review, agen asinkron, dan automated code review. (cs.umd.edu)

University of Pennsylvania telah mengusulkan mata kuliah ilmu komputer tingkat kedua yang berfokus pada pengembangan perangkat lunak berbasis artificial intelligence. Topik yang diusulkan meliputi delegasi tugas coding, desain modular, pengujian yang skalabel, manajemen risiko, reproduktifitas, kolaborasi, dan etika. (seas.upenn.edu)

Mata kuliah Fall 2026 Universitas Michigan, Applied Agentic Software Engineering, bahkan lebih eksplisit. Ini diorganisir menjadi tiga fase:

1. Menggunakan agen coding secara efektif
2. Membangun agen menggunakan application programming interface large language model
3. Merancang, mengevaluasi, dan menyebarkan orkestrator agen

Mata kuliah ini menggunakan proyek, laboratorium, demonstrasi, dan checkoff alih-alih ujian tradisional. Dinyatakan bahwa penilaian akan menghargai pemahaman daripada output dan meminta siswa untuk menjelaskan mengapa agen gagal dan bagaimana memperbaiki sistem di sekitarnya. (eecs498-aase.github.io)

Ini adalah perubahan desain yang signifikan. Mata kuliah ini tidak mengajarkan siswa untuk menghasilkan kode lebih cepat. Ini mengajarkan mereka untuk menjadi pengawas teknis sistem yang menghasilkan kode.

Bagaimana Bootcamp Berubah

Bootcamp beradaptasi lebih cepat daripada banyak program tradisional karena kurikulum mereka terkait erat dengan persyaratan pekerjaan. Namun, kualitas adaptasinya bervariasi.

Model bootcamp artificial intelligence khusus

Bootcamp Artificial Intelligence Software Development Le Wagon saat ini menggabungkan pengembangan full-stack dengan integrasi artificial intelligence. Kurikulum yang diterbitkan mencakup coding berbantuan artificial intelligence, integrasi large language model, penyebaran produksi, retrieval-augmented generation, dan agen artificial intelligence otonom. (lewagon.com)

Model ini memperlakukan artificial intelligence sebagai benang merah yang mengalir melalui program daripada sebagai satu pelajaran opsional tunggal. Siswa diharapkan untuk mempelajari keduanya:

• Bagaimana sistem perangkat lunak konvensional bekerja
• Bagaimana menggunakan alat artificial intelligence untuk membangun dan mengoperasikan sistem tersebut

Kombinasi itu penting. Pembelajar yang hanya tahu cara mengoperasikan agen mungkin tidak dapat mengenali arsitektur yang cacat. Pembelajar yang hanya tahu pemrograman konvensional mungkin tidak siap untuk alur kerja pengembangan modern.

Model “menambahkan unit artificial intelligence”

Bootcamp rekayasa perangkat lunak Springboard mempertahankan fondasi konvensional dalam pengembangan web, application programming interfaces, pengembangan front-end, pengembangan back-end, dan proyek full-stack, sambil menambahkan unit artificial intelligence yang berfokus pada prompt engineering dan kolaborasi dengan alat generatif. (springboard.com)

Model ini berguna bagi pembelajar yang membutuhkan dasar pemrograman yang kuat terlebih dahulu. Ini juga mencerminkan kenyataan praktis: banyak siswa seharusnya tidak memulai dengan membangun agen otonom. Mereka seharusnya terlebih dahulu mempelajari bagaimana perangkat lunak bekerja, cara menggunakan version control, cara membaca pesan kesalahan, dan cara menguji program.

Kelemahannya adalah modul prompt-engineering yang singkat bisa menjadi terlalu dangkal. Kurikulum era agen yang serius harus mengajarkan lebih dari sekadar cara meminta kode. Ini harus mengajarkan:

• Cara membuat file konteks repositori
• Cara menulis spesifikasi teknis
• Cara menentukan batasan tugas
• Cara membatasi izin agen
• Cara memeriksa rencana agen
• Cara mengevaluasi tes yang dihasilkan
• Cara mendeteksi masalah keamanan
• Cara membandingkan desain alternatif
• Cara mendokumentasikan keterlibatan agen

Apa yang harus dicari siswa bootcamp

Calon siswa harus menanyakan apakah suatu program menilai hal-hal berikut:

• Bisakah siswa menjelaskan kode yang tidak mereka ketik sendiri?
• Apakah siswa meninjau dan memperbaiki output agen yang cacat?
• Apakah pengujian, keamanan, dan maintainability dinilai?
• Apakah ada demonstrasi langsung atau pertahanan teknis?
• Apakah siswa memelihara riwayat proyek yang dikelola versi?
• Apakah siswa diajarkan cara bekerja tanpa agen saat diperlukan?
• Apakah program mengajarkan penemuan produk dan analisis persyaratan?
• Apakah keterampilan spesifik alat seimbang dengan prinsip-prinsip rekayasa yang tahan lama?

Program yang mengiklankan “membangun aplikasi dalam satu minggu dengan artificial intelligence” mungkin sangat baik untuk rapid prototyping, tetapi itu tidak sama dengan mempersiapkan seseorang untuk rekayasa perangkat lunak profesional.

Bagaimana Sertifikasi Beradaptasi

Penyedia sertifikasi sedang mengembangkan tiga jenis kredensial yang luas.

Sertifikasi pengetahuan spesifik alat

Sertifikasi GitHub Copilot dari Microsoft menilai penggunaan yang bertanggung jawab, fitur Copilot, arsitektur data, pembuatan konteks dan prompt, produktivitas pengembang, privasi, pengecualian konten, dan perlindungan. Ujian diawasi, berlangsung seratus menit, dan mungkin berisi komponen interaktif. (learn.microsoft.com)

Kredensial ini mengakui pengetahuan tempat kerja yang berguna. Ini dapat menunjukkan bahwa seseorang memahami cara menggunakan platform pengembangan tertentu secara bertanggung jawab.

Batasannya adalah bahwa ia sangat terikat pada satu produk. Seorang profesional yang tahu cara mengoperasikan GitHub Copilot mungkin masih kekurangan kemampuan untuk mengurai persyaratan produk yang kompleks, menantang pilihan arsitektur, atau meninjau perubahan yang sensitif keamanan.

Sertifikasi pengembangan artificial intelligence berbasis platform

Sertifikasi AWS Certified Generative AI Developer – Professional lebih luas. Panduan ujiannya mencakup integrasi model dasar, manajemen data, kepatuhan, implementasi, solusi artificial intelligence agenik, keamanan, tata kelola, pengujian, pemecahan masalah, pemantauan, dan optimasi. (docs.aws.amazon.com)

Namun, ujiannya terutama pilihan ganda dan respons ganda. Ini adalah tes pengetahuan yang substansial, tetapi tidak sepenuhnya menunjukkan apakah seorang kandidat dapat membangun, meninjau, atau mempertahankan sistem yang berfungsi. (aws.amazon.com)

Ini menggambarkan masalah yang lebih luas: ujian pengetahuan lebih mudah diskalakan daripada ujian kinerja. Organisasi sertifikasi dapat menguji terminologi dan prinsip desain secara efisien, tetapi kompetensi praktis membutuhkan lingkungan di mana kandidat harus membuat keputusan dan menghadapi kegagalan.

Kredensial berbasis lab dan berbasis proyek

Kredensial Microsoft Applied Skills menyediakan model yang lebih menjanjikan. Mereka mengharuskan pembelajar untuk menyelesaikan tugas interaktif yang selaras dengan pekerjaan nyata dalam penilaian berbasis lab. Microsoft memposisikan kredensial ini sebagai bukti bahwa seorang kandidat dapat menyelesaikan tantangan cloud dan artificial intelligence nyata daripada hanya mengingat informasi. (learn.microsoft.com)

Program Agentic Artificial Intelligence pendidikan eksekutif Carnegie Mellon University menggabungkan pengajaran langsung, laboratorium terpandu, tugas, alur kerja multi-agen, evaluasi, guardrails, logging, observability, dan proyek capstone. (execonline.cs.cmu.edu)

Program-program ini tidak identik dengan sertifikasi profesional independen, tetapi mereka menunjukkan arah yang kemungkinan akan diambil oleh kredensial:

• Penilaian praktis yang lebih singkat
• Lingkungan pengembangan sandboxed
• Repositori yang realistis
• Tugas evaluasi dan observability
• Sistem capstone
• Penjelasan teknis lisan atau terekam
• Bukti penggunaan alat yang bertanggung jawab

Teknik Penilaian yang Mengukur Pemahaman

Strategi penilaian terbaik tidak melarang agen dari setiap tugas. Ini menggunakan agen di mana mereka mencerminkan praktik profesional dan menyediakan beberapa aktivitas untuk mengukur pemahaman independen.

1. Dokumen spesifikasi dan dekomposisi

Sebelum menulis kode, wajibkan siswa untuk menyerahkan:

• Masalah pengguna
• Persyaratan fungsional
• Persyaratan non-fungsional
• Asumsi
• Batasan
• Struktur data
• Antarmuka
• Kriteria penerimaan
• Perincian tugas
• Risiko yang diketahui

Dokumen tersebut harus menjelaskan mengapa masalah telah dibagi menjadi tugas-tugas tertentu.

Ini mengukur apakah siswa memahami masalah sebelum meminta agen untuk mengimplementasikannya.

2. Titik pemeriksaan perencanaan agen

Wajibkan siswa untuk menunjukkan rencana yang diusulkan agen sebelum implementasi dimulai. Siswa harus mengidentifikasi:

• Bagian mana dari rencana yang dapat diterima
• Bagian mana yang tidak lengkap
• Asumsi mana yang tidak aman
• Tugas mana yang memerlukan persetujuan manusia
• Tes mana yang harus ditambahkan

Nilai akhir harus menghargai kualitas penilaian siswa, bukan panjangnya rencana agen.

3. Penilaian tinjauan kode

Berikan siswa repositori yang dihasilkan agen yang berisi cacat yang disengaja. Cacat tersebut dapat meliputi:

• Penanganan edge-case yang salah
• Autentikasi yang tidak aman
• Penanganan kesalahan yang buruk
• Masalah kinerja tersembunyi
• Logika duplikat
• Antarmuka yang tidak jelas
• Tes yang tidak memadai
• Pelanggaran privasi
• Risiko dependensi

Minta siswa untuk menghasilkan tinjauan dengan tingkat keparahan, bukti, perbaikan yang diusulkan, dan tes regresi.

Ini lebih dekat dengan pekerjaan perangkat lunak profesional daripada meminta siswa untuk membuat aplikasi kecil lainnya dari awal.

4. Penjelasan ulang dan pertahanan lisan

Seorang siswa harus dapat menjelaskan:

• Apa yang dilakukan sistem
• Mengapa arsitektur dipilih
• Bagian mana yang dihasilkan
• Asumsi apa yang dibuat agen
• Bagaimana tes menunjukkan kebenaran
• Apa yang masih bisa gagal
• Kompromi apa yang diterima

Pertahanan lisan singkat dapat dilakukan secara individu atau dalam kelompok kecil. Itu tidak perlu mengintimidasi. Lima hingga sepuluh pertanyaan terfokus seringkali cukup untuk mengungkapkan apakah seorang siswa memahami kiriman tersebut.

5. Tugas transfer

Setelah siswa menyelesaikan proyek berbantuan agen, berikan persyaratan baru yang tidak dapat diselesaikan hanya dengan mengulang prompt asli.

Sebagai contoh:

• Tambahkan sumber data baru
• Ubah target kinerja
• Dukung format input yang tidak terduga
• Hapus dependensi
• Tambahkan kontrol akses
• Jelaskan tes yang gagal
• Refaktor modul tanpa mengubah perilakunya

Siswa dapat menggunakan agen, tetapi harus menjelaskan rencana, memverifikasi perubahan, dan mempertahankan hasilnya.

Tugas transfer mengukur apakah siswa mempelajari metode umum daripada menghafal interaksi yang berhasil.

6. Desain tes dan pengujian adversarial

Siswa harus dinilai berdasarkan kualitas tes mereka, tidak hanya apakah kode yang dihasilkan lolos tes yang diberikan.

Persyaratan yang berguna meliputi:

• Tulis tes batas
• Buat tes negatif
• Uji input yang tidak valid
• Uji pemulihan kegagalan
• Periksa asumsi kinerja
• Gunakan tes berbasis properti jika sesuai
• Uji perilaku yang sensitif keamanan
• Jelaskan apa yang belum teruji

Pertanyaan kuncinya bukan “Apakah kode lolos?” tetapi “Apakah siswa tahu apa yang perlu diuji?”

7. Riwayat versi dan portofolio proses

Portofolio proyek dapat mencakup:

• Spesifikasi awal
• Dekomposisi tugas
• Rencana agen
• Prompt atau instruksi utama
• Commit
• Hasil tes
• Komentar tinjauan
• Pendekatan yang gagal
• Perubahan desain
• Refleksi akhir

Portofolio proses seharusnya tidak menjadi persyaratan untuk menyerahkan setiap baris percakapan pribadi. Catatan representatif seringkali lebih berguna daripada transkrip yang sangat besar.

Mata kuliah pemrograman Princeton tahun 2025, misalnya, mengizinkan alat artificial intelligence generatif tetapi mengharuskan siswa untuk menjelaskan penggunaannya dalam file readme melalui ringkasan representatif daripada transkrip yang lengkap. (cs.princeton.edu)

8. Tinjauan sejawat terstruktur

Tinjauan sejawat mengubah siswa dari hanya menjadi produsen kode menjadi kritikus kode. Penelitian awal menunjukkan bahwa penilaian sejawat berbasis rubrik dapat mendekati evaluasi instruktur dengan akurasi moderat sambil mengembangkan pemikiran evaluatif dan keterlibatan. (arxiv.org)

Siswa harus diwajibkan untuk membenarkan komentar mereka dengan bukti. “Kode ini buruk” bukanlah tinjauan. “Fungsi ini melakukan kueri basis data di dalam perulangan, menciptakan masalah kinerja yang mungkin terjadi saat koleksi bertambah” adalah tinjauan.

9. Masalah Prompt dan Spesifikasi

Prompt Problems adalah latihan pemrograman di mana siswa menulis instruksi bahasa alami yang menyebabkan sistem artificial intelligence menghasilkan kode yang memenuhi spesifikasi. Pendekatan ini secara eksplisit mengajarkan siswa untuk mengkomunikasikan persyaratan komputasi ke sistem penghasil kode. (arxiv.org)

Ini bisa berguna, tetapi seharusnya tidak menjadi satu-satunya metode penilaian. Sebuah studi tahun 2026 yang melibatkan lebih dari sembilan ratus siswa menemukan bahwa kesalahan umum termasuk menghilangkan detail penting dari prompt. Ketika kode yang dihasilkan gagal, siswa seringkali berfokus pada klarifikasi niat mereka daripada menelusuri kode atau memeriksa kasus uji. (arxiv.org)

Prompting oleh karena itu dapat mengungkapkan keterampilan dekomposisi dan komunikasi, tetapi harus dikombinasikan dengan membaca kode, pengujian, debugging, dan tinjauan.

Struktur penilaian sampel

Sebuah proyek praktis dapat menggunakan pembobotan berikut:

Struktur ini masih menghargai produk yang berfungsi, tetapi mencegah siswa menerima nilai tinggi hanya karena agen menghasilkan basis kode yang besar.

Integritas Akademik dalam Tugas Berbantuan Agen

Larangan menyeluruh dan penggunaan tanpa batas sama-sama tidak memadai

Larangan menyeluruh mungkin sesuai untuk penilaian dasar tertentu, terutama ketika tujuan pembelajaran adalah praktik pemrograman independen. Namun, larangan universal semakin sulit ditegakkan dan dapat mencegah siswa mempelajari alat yang akan mereka temui dalam pekerjaan profesional.

Penggunaan tanpa batas juga tidak memadai. Jika siswa dapat menyerahkan pekerjaan yang dihasilkan agen tanpa penjelasan, penilaian mungkin mengukur akses ke alat daripada pembelajaran.

Pendekatan terkuat adalah kebijakan eksplisit, tingkat tugas.

Tiga mode kebijakan yang berguna

Mode satu: Agen dilarang

Gunakan ini untuk:

• Ujian
• Latihan pemrograman dasar
• Demonstrasi debugging individu
• Latihan algoritma inti
• Penilaian yang dirancang untuk mengukur ingatan atau implementasi tanpa bantuan

Mata kuliah Principles of Imperative Computation Carnegie Mellon melarang alat artificial intelligence untuk setiap bagian dari pekerjaan yang dinilai, termasuk menghasilkan solusi, menjelaskan solusi, memformat kode, dan menghasilkan kasus uji. (cs.cmu.edu)

Mode dua: Agen dibatasi

Gunakan ini ketika siswa dapat meminta untuk:

• Penjelasan konsep
• Bantuan dokumentasi
• Interpretasi pesan kesalahan
• Klarifikasi pustaka atau application programming interface
• Brainstorming
• Kritik terhadap desain yang dibuat siswa
• Refactoring minor

Mata kuliah sistem Carnegie Mellon mengizinkan alat artificial intelligence untuk memahami application programming interface, pustaka, framework, kode yang disediakan, dan pesan kesalahan, sambil melarang permintaan untuk solusi tugas parsial atau lengkap. (cs.cmu.edu)

Mode tiga: Agen diizinkan dengan pengungkapan

Gunakan ini untuk proyek rekayasa perangkat lunak yang realistis. Wajibkan siswa untuk mengungkapkan:

• Alat apa yang digunakan
• Tugas apa yang didelegasikan
• Apakah kode yang dihasilkan disalin, dimodifikasi, atau ditulis ulang
• Bagaimana output diuji
• Apa yang dipelajari siswa
• Bagian mana dari desain yang tetap menjadi tanggung jawab siswa

Panduan integritas ilmiah Princeton menyatakan bahwa penggunaan artificial intelligence yang diizinkan harus tetap diungkapkan dan bahwa mewakili output yang dihasilkan sebagai karya sendiri atau gagal mengungkapkan penggunaannya dapat merupakan pelanggaran integritas. (scholarlyintegrity.princeton.edu)

Harvard Graduate School of Education juga mengizinkan penggunaan seperti klarifikasi, brainstorming, dan eksplorasi, sambil melarang siswa menyerahkan tugas yang dihasilkan artificial intelligence sebagai karya mereka sendiri. Ini juga mensyaratkan dokumentasi penggunaan yang diizinkan dan memperingatkan bahwa siswa tetap bertanggung jawab atas akurasi, privasi, hak cipta, dan bias. (registrar.gse.harvard.edu)

Pernyataan pengungkapan praktis

Sebuah mata kuliah dapat menyediakan template sederhana:

Saya menggunakan [nama alat] untuk [perencanaan, debugging, pembuatan kode, pengujian, dokumentasi, atau tinjauan]. Saya mendelegasikan [tugas spesifik]. Saya meninjau dan memodifikasi output, menguji sistem yang dihasilkan, dan tetap bertanggung jawab atas akurasi, keamanan, dan orisinalitas kiriman.

Siswa seharusnya tidak diwajibkan untuk mengungkapkan koreksi ejaan biasa dengan cara yang sama seperti implementasi yang didelegasikan. Kebijakan harus membedakan antara bantuan minor dan kontribusi kognitif atau teknis yang substansial.

Privasi dan akses yang setara

Institusi harus menyediakan alat atau alternatif yang disetujui. Siswa seharusnya tidak diwajibkan untuk mengunggah tugas rahasia, informasi pribadi, penelitian yang belum diterbitkan, atau kode kepemilikan ke sistem publik.

Panduan UNESCO menyerukan pendekatan yang berpusat pada manusia yang membahas privasi, keamanan, kesetaraan, inklusi, dan kesiapan institusional. (unesco.org)

Mata kuliah juga harus mempertimbangkan siswa yang tidak mampu membeli beberapa alat berbayar. Sebuah mata kuliah yang adil dapat:

• Menyediakan alat institusional bersama
• Menawarkan alternatif lokal atau open-source
• Merancang tugas yang tidak bergantung pada satu vendor
• Menilai penalaran daripada akses ke model yang paling kuat
• Mengizinkan jalur non-agen untuk setiap hasil pembelajaran esensial

Metode Praktis untuk Menggabungkan Agen secara Produktif

Gunakan repositori yang terkontrol

Berikan siswa repositori yang berisi:

• File readme yang jelas
• Basis kode yang kecil tapi realistis
• Tes otomatis
• Alur kerja continuous integration
• Daftar masalah yang diketahui
• Panduan gaya
• Daftar periksa keamanan
• Log perubahan

Ini membuat penggunaan agen dapat diamati dan memberikan siswa sesuatu yang lebih realistis daripada latihan coding kosong.

Wajibkan rencana sebelum implementasi

Siswa seharusnya tidak memulai dengan meminta agen untuk “membangun seluruh aplikasi.” Wajibkan urutan:

1. Minta agen untuk memeriksa repositori.
2. Minta ringkasan arsitektur.
3. Minta risiko dan informasi yang hilang.
4. Tulis rencana tugas siswa sendiri.
5. Setujui satu tugas implementasi kecil.
6. Tinjau perubahan yang dihasilkan.
7. Jalankan tes sebelum melanjutkan.

Ini mengajarkan delegasi terkontrol daripada delegasi buta.

Gunakan tim agen dengan peran yang jelas

Pola orkestrasi sederhana dapat mencakup:

• Perencana: mengusulkan perincian tugas
• Implementer: memodifikasi kode
• Penguji: membuat dan menjalankan tes
• Peninjau: mencari cacat dan risiko
• Evaluator manusia: menyetujui atau menolak perubahan

Siswa harus belajar bahwa menambahkan lebih banyak agen tidak secara otomatis meningkatkan kualitas. Lebih banyak agen dapat menciptakan instruksi yang bertentangan, upaya duplikat, peningkatan biaya, dan tanggung jawab yang tidak jelas.

Tujuan pendidikan bukanlah membangun sistem multi-agen terbesar. Ini adalah memilih alur kerja paling sederhana yang menghasilkan hasil yang dapat dipercaya.

Membangun gerbang persetujuan manusia

Wajibkan persetujuan eksplisit sebelum agen dapat:

• Mengubah autentikasi
• Memodifikasi skema data
• Menambah dependensi
• Mengakses sistem produksi
• Mengubah konfigurasi penyebaran
• Menghapus file
• Menggabungkan pull request

Ini mengajarkan siswa bahwa otonomi harus dibatasi oleh izin dan tinjauan.

Nilai kegagalan secara sengaja

Agen paling mendidik ketika mereka gagal dengan cara yang informatif. Instruktur harus menyertakan:

• Persyaratan ambigu
• Batasan yang bertentangan
• Tes yang tidak lengkap
• Operasi yang sensitif keamanan
• Dokumentasi yang menyesatkan
• Tes yang tidak stabil (flaky)
• Batas kinerja
• Perubahan yang tampak benar tetapi merusak fitur lain

Tugas siswa adalah mendiagnosis kegagalan dan meningkatkan proses.

Kerangka Kompetensi untuk 2026 hingga 2031

Kerangka kerja berikut dirancang untuk tetap berguna meskipun alat spesifik berubah.

Domain satu: Fondasi teknis dan literasi kode

Seorang pengembang yang kompeten dapat:

• Membaca kode yang tidak dikenal
• Menjelaskan alur kontrol dan alur data
• Memahami antarmuka dan dependensi
• Menganalisis kompleksitas algoritma
• Menggunakan version control
• Debug tanpa sepenuhnya bergantung pada agen

Bukti: penjelasan kode, tugas debugging manual, kritik desain, dan latihan transfer individu.

Domain dua: Perumusan masalah dan dekomposisi

Seorang pengembang yang kompeten dapat:

• Mengklarifikasi tujuan pengguna
• Mengidentifikasi batasan dan asumsi
• Memisahkan persyaratan esensial dari opsional
• Memecah pekerjaan menjadi tugas-tugas yang dapat diuji secara independen
• Menentukan kriteria penerimaan
• Mengenali kapan suatu tugas terlalu luas untuk delegasi yang andal

Bukti: spesifikasi, grafik tugas, daftar risiko, dan penjelasan pilihan dekomposisi.

Domain tiga: Arah agen dan rekayasa konteks

Seorang pengembang yang kompeten dapat:

• Menyediakan konteks repositori yang relevan
• Memberikan instruksi yang tepat
• Menentukan batasan dan izin
• Memilih kapan menggunakan agen dan kapan tidak menggunakan agen
• Membandingkan rencana alternatif
• Memulihkan ketika agen mengikuti interpretasi yang salah

Bukti: titik pemeriksaan perencanaan, catatan interaksi representatif, dan tugas revisi langsung.

Domain empat: Verifikasi dan tinjauan

Seorang pengembang yang kompeten dapat:

• Memeriksa kode yang dihasilkan
• Merancang tes yang bermakna
• Mengidentifikasi asumsi tersembunyi
• Meninjau risiko keamanan dan privasi
• Mengevaluasi maintainability
• Menjelaskan apa yang tidak dibuktikan oleh tes

Bukti: tinjauan kode, tes adversarial, latihan menemukan cacat, dan pertahanan lisan.

Domain lima: Orkestrasi dan operasi

Seorang pengembang yang kompeten dapat:

• Mengkoordinasikan alat perencanaan, implementasi, pengujian, dan tinjauan
• Menggunakan titik pemeriksaan dan gerbang persetujuan manusia
• Melacak biaya, waktu, dan perilaku alat
• Mempertahankan alur kerja yang dapat direproduksi
• Mengamati kegagalan dan meningkatkan sistem
• Memutuskan apakah beberapa agen menambah nilai

Bukti: alur kerja orkestrasi yang berfungsi, log, laporan evaluasi, dan analisis biaya atau kinerja.

Domain enam: Desain produk dan sistem

Seorang pengembang yang kompeten dapat:

• Memilih tingkat otomatisasi yang sesuai
• Merancang sistem modular
• Menyeimbangkan kecepatan, kualitas, biaya, dan risiko
• Menghubungkan keputusan teknis dengan hasil pengguna
• Mengenali kapan solusi non-agen yang sederhana lebih baik

Bukti: product brief, catatan keputusan arsitektur, prototipe, dan demonstrasi berpusat pada pengguna.

Domain tujuh: Praktik profesional yang bertanggung jawab

Seorang pengembang yang kompeten dapat:

• Mengungkapkan bantuan artificial intelligence
• Melindungi informasi pribadi dan kepemilikan
• Menghormati kewajiban hak cipta dan lisensi
• Mengidentifikasi risiko bias dan keandalan
• Mengkomunikasikan ketidakpastian
• Menerima tanggung jawab atas sistem akhir

Bukti: pernyataan pengungkapan, penilaian risiko, tinjauan privasi, dan presentasi profesional.

Tingkat kemahiran yang disarankan

Pada tahun 2031, kredensial profesional seharusnya menunjukkan pergerakan melalui tingkat-tingkat ini daripada hanya mengkonfirmasi keakraban dengan alat perangkat lunak tertentu.

Rekomendasi untuk Berbagai Pemangku Kepentingan

Universitas

• Tambahkan modul rekayasa perangkat lunak yang sadar agen ke mata kuliah yang ada.
• Pertahankan pemrograman dasar dan algoritma.
• Ganti beberapa tugas pembuatan kode dengan tugas tinjauan dan transfer.
• Wajibkan siswa untuk menjelaskan dan mempertahankan pekerjaan penting.
• Latih fakultas dalam alat agen, desain evaluasi, privasi, dan kebijakan integritas.
• Bangun repositori bersama dan lingkungan sandbox.

Bootcamp

• Ajarkan pengembangan konvensional dan pengembangan berbantuan agen secara bersamaan.
• Jadikan pengujian, arsitektur, dan keamanan sebagai bagian sentral dari kurikulum.
• Wajibkan proyek portofolio dengan catatan proses.
• Tambahkan demonstrasi teknis langsung.
• Ajarkan penemuan produk dan penulisan persyaratan.
• Hindari menjanjikan bahwa prompting saja menciptakan insinyur yang siap kerja.

Penyedia sertifikasi

• Tingkatkan penggunaan penilaian berbasis lab.
• Sertakan tinjauan kode, pengujian, debugging, dan analisis ancaman.
• Gunakan repositori realistis daripada pertanyaan pilihan ganda yang terisolasi.
• Uji penilaian yang tidak tergantung alat.
• Tambahkan penjelasan lisan singkat atau demonstrasi yang direkam.
• Segarkan konten sesering mungkin tanpa membuat kredensial bergantung pada antarmuka satu vendor.

Instruktur

• Nyatakan dengan tepat apa yang diizinkan untuk setiap penilaian.
• Rancang tugas berdasarkan hasil pembelajaran yang dimaksudkan.
• Berikan siswa alat yang disetujui atau alternatif yang setara.
• Nilai proses, penalaran, dan verifikasi.
• Gunakan log sebagai bukti, bukan sebagai satu-satunya bukti.
• Hindari bergantung pada perangkat lunak deteksi artificial intelligence sebagai mekanisme integritas utama.

Pembelajar dan kreator produk

• Pelajari pemrograman konvensional yang cukup untuk membaca dan menantang kode yang dihasilkan.
• Mulai dengan produk kecil daripada aplikasi besar yang tidak jelas.
• Tulis spesifikasi sebelum membuka agen.
• Mendelegasikan satu masalah pada satu waktu.
• Tinjau setiap perubahan dan uji setiap asumsi.
• Simpan catatan keputusan penting.
• Perlakukan agen sebagai kolaborator junior yang cepat, bukan sebagai ahli yang tidak dapat dipertanyakan.

Langkah Berikutnya yang Pertama

Bagi seseorang yang memulai perjalanan pembuatan produk, langkah pertama yang paling berguna adalah:

Pilih satu masalah pengguna kecil dan tulis spesifikasi satu halaman sebelum meminta agen untuk menulis kode.

Sertakan:

• Siapa penggunanya
• Masalah apa yang mereka miliki
• Apa yang harus dilakukan versi pertama
• Apa yang tidak boleh dilakukan
• Tiga tes penerimaan
• Satu perhatian keamanan atau privasi penting
• Tiga tugas implementasi kecil

Kemudian minta agen untuk meninjau spesifikasi dan mengidentifikasi persyaratan yang hilang, bukan untuk membangun seluruh produk.

Setelah mengoreksi spesifikasi, delegasikan hanya tugas pertama. Tinjau rencana yang diusulkan, periksa perubahan, jalankan tes, dan catat apa yang salah dilakukan agen.

Latihan tunggal itu mengajarkan pelajaran terpenting di era agen: kualitas hasilnya kurang bergantung pada seberapa banyak kode yang dapat dihasilkan agen daripada seberapa jelas manusia mendefinisikan, mengawasi, dan mengevaluasi pekerjaan tersebut.

Kesimpulan

Pendidikan pengembang sedang bergerak menuju keseimbangan baru.

Siswa masih perlu menulis kode, terutama saat mempelajari konsep-konsep dasar. Namun, kompetensi profesional akan semakin ditunjukkan melalui dekomposisi masalah, spesifikasi, pemahaman kode, tinjauan, pengujian, orkestrasi, penilaian produk, dan penggunaan sistem otonom yang bertanggung jawab.

Kurikulum terkuat tidak akan memperlakukan agen coding sebagai mesin curang atau tutor ajaib. Mereka akan memperlakukan mereka sebagai alat rekayasa yang kuat namun dapat salah. Siswa akan belajar kapan menggunakannya, bagaimana membatasinya, bagaimana mengevaluasi output mereka, dan bagaimana mengambil tanggung jawab untuk sistem akhir.

Pengembang paling tangguh dalam lima tahun ke depan bukanlah orang yang dapat menghasilkan kode paling banyak secara manual atau menghasilkan prompt terpanjang. Ini adalah orang yang dapat mengubah tujuan yang tidak jelas menjadi proses yang andal, memandu beberapa alat menuju tujuan tersebut, mendeteksi kegagalan sejak dini, dan menjelaskan mengapa perangkat lunak yang dihasilkan layak dipercaya.