Soal Backend Engineer di Indonesia, BaTii Kemenkeu: Migrasi ke AI Workflow Bukan Tentang Pelajari Library Baru

Pada saat yang sama, sekitar 39 persen keterampilan inti tenaga kerja saat ini diproyeksikan akan berubah atau menjadi usang, sehingga perusahaan diperkirakan semakin agresif melakukan reskilling dan merekrut talenta dengan kompetensi AI, data, dan keamanan siber.

Sementara itu, Gartner menilai teknologi AI generatif mulai memasuki fase Trough of Disillusionment, yaitu periode ketika organisasi mulai menguji apakah investasi AI benar-benar menghasilkan nilai bisnis yang terukur setelah gelombang ekspektasi awal.

Bagi perusahaan di Indonesia, fase ini menjadi momentum untuk menggeser fokus dari sekadar mencoba AI menuju pembangunan fondasi yang lebih matang. 

Kualitas data, tata kelola, keamanan informasi, serta kesiapan tim engineering dinilai menjadi faktor yang menentukan keberhasilan implementasi AI pada skala enterprise.

Gartner juga memperkirakan banyak proyek AI yang gagal memberikan hasil karena biaya tinggi dan nilai bisnis yang belum jelas, sehingga organisasi dituntut lebih selektif dalam memilih use case yang benar-benar berdampak.

Dari sisi pasar kerja lokal, pergeseran ini sudah mulai terbaca dalam pola rekrutmen.

"Dua tahun lalu, Spring Boot dengan pengalaman enterprise sudah cukup menjadi nilai jual utama untuk posisi senior backend. Sekarang, banyak job description di perusahaan teknologi menengah ke atas yang sudah menyertakan persyaratan pemahaman LLM, vector database, atau setidaknya pengalaman mengintegrasikan AI ke dalam layanan produksi,” kata Eko, Pranata Komputer Fungsional di BATII Kementerian Keuangan.

Menurutnya, beberapa alasan struktural mengapa migrasi dari backend engineering konvensional ke AI workflow bukan sekadar urusan mempelajari library baru.

Pertama, perbedaan paradigma. 

Arsitektur backend enterprise tradisional termasuk yang dibangun di atas Java Spring Boot bekerja dalam logika deterministik: input tertentu menghasilkan output yang dapat diprediksi dan diuji secara eksak. 

Model bahasa besar (LLM) beroperasi secara probabilistik: outputnya bervariasi, pengujiannya tidak bisa dilakukan dengan cara yang sama, dan definisi "benar" jauh lebih ambigu.

"Migrasi ke AI workflow bukan sekadar belajar Python atau LangChain. Ini tentang mengubah cara seorang engineer mendesain kontrak sistem, mendefinisikan test coverage, dan mengelola ketidakpastian output di lingkungan produksi," kata Roland Y. H. Silitonga, Academic Director Institut Teknologi Harapan Bangsa.