Koran Satu, Jakarta – Selama lebih dari dua dekade, Java menjadi fondasi ribuan sistem enterprise di Indonesia—mulai dari perbankan hingga keuangan negara. Gelombang kecerdasan buatan (AI) kini memaksa banyak backend engineer mempertanyakan kompetensi yang selama ini menjadi andalan mereka. Transisi tersebut tidak sederhana, dan konsekuensinya melampaui batas karier individual.
Pergeseran yang Tercatat oleh Data
Sebuah pergeseran sedang berlangsung di ekosistem pengembangan perangkat lunak global—dan dampaknya mulai terasa di pasar tenaga kerja TI Indonesia. Stack Overflow Developer Survey 2024, yang melibatkan lebih dari 65.000 responden pengembang di seluruh dunia, menunjukkan bahwa Python terus mempertahankan posisinya sebagai salah satu bahasa pemrograman yang paling banyak digunakan oleh developer profesional, seiring meningkatnya kebutuhan pada bidang kecerdasan buatan (AI), data science, dan otomasi. Kenaikan Python tidak terlepas dari dominasinya di ekosistem machine learning dan AI—sebuah domain yang tumbuh jauh melampaui segmen backend enterprise konvensional. Java tetap menjadi bahasa penting di lingkungan enterprise, sementara Python mengalami pertumbuhan pesat seiring berkembangnya AI dan data science.
GitHub Octoverse 2024 melaporkan bahwa Python menjadi salah satu bahasa dengan pertumbuhan aktivitas pengembang paling signifikan di GitHub sepanjang 2024. Peningkatan tersebut banyak dipengaruhi oleh pesatnya perkembangan proyek AI generatif, machine learning, dan data science yang menjadikan Python sebagai bahasa utama dalam berbagai framework populer. Tren ini menjadi penanda bahwa fokus komunitas pengembang global semakin bergeser ke teknologi berbasis kecerdasan buatan.
Di tingkat korporasi, tren adopsi AI terus meningkat. McKinsey State of AI 2025 menunjukkan bahwa 88 persen organisasi secara rutin menggunakan AI pada setidaknya satu fungsi bisnis, naik dari 78 persen pada survei sebelumnya. Namun, laporan yang sama juga menyoroti bahwa adopsi belum selalu diikuti transformasi menyeluruh—hanya sebagian organisasi yang berhasil mengintegrasikan AI ke dalam proses bisnis pada skala enterprise. Kondisi tersebut membuat tim engineering tidak lagi hanya dituntut membangun aplikasi, tetapi juga mengintegrasikan kemampuan AI secara aman, terukur, dan dapat diaudit ke dalam sistem yang mereka kelola.
Perubahan kebutuhan talenta juga tercermin dalam Future of Jobs Report 2025 yang diterbitkan World Economic Forum. Laporan tersebut menempatkan AI and Big Data sebagai keterampilan yang diperkirakan mengalami pertumbuhan permintaan paling tinggi hingga 2030. 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.
Konteks Indonesia: Antara Ambisi dan Kesiapan
Di Indonesia, percepatan transformasi AI bertemu dengan tantangan yang berbeda. Pemerintah melalui Kementerian Komunikasi dan Digital (Komdigi) terus mendorong pengembangan talenta digital untuk memenuhi kebutuhan ekonomi digital nasional hingga 2030. Di sisi lain, industri mulai menunjukkan peningkatan permintaan terhadap kompetensi yang lebih spesifik, seperti AI engineering, data engineering, cloud computing, 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.
Mengapa Transisi Tidak Mudah
Ada 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. Ini bukan perbedaan teknis semata ini perbedaan cara berpikir tentang sistem.
“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.
Kedua, beban warisan sistem (legacy systems). Banyak sistem enterprise di Indonesia dibangun di atas platform Java dan teknologi enterprise lain yang telah digunakan selama bertahun-tahun. Sistem-sistem tersebut menjadi fondasi berbagai layanan penting, mulai dari transaksi keuangan, layanan kesehatan, administrasi pemerintahan, hingga operasional perusahaan. Oleh karena itu, integrasi AI tidak cukup dilakukan dengan menambahkan model bahasa atau chatbot. Setiap perubahan harus mempertimbangkan keamanan informasi, kepatuhan terhadap regulasi, auditabilitas, serta kesinambungan layanan. Di sektor publik, kebutuhan terhadap tata kelola dan pedoman teknis implementasi AI diperkirakan akan semakin meningkat seiring meluasnya adopsi teknologi tersebut.
Ketiga, infrastruktur yang tidak merata. Menjalankan LLM secara lokal—pendekatan yang diperlukan ketika data sensitif tidak boleh keluar dari server internal—membutuhkan perangkat keras yang memadai. GPU-tier inference tidak murah, dan tidak semua tim engineering perusahaan menengah di Indonesia memiliki akses ke infrastruktur tersebut. Solusi berbasis cloud dari penyedia asing seperti OpenAI atau Google pun membawa persoalan tersendiri terkait kedaulatan data.
Studi Kasus: Satu Lintasan di Antara Banyak
Fenomena tersebut tidak hanya tercermin dalam statistik global, tetapi juga terlihat pada perjalanan karier sejumlah software engineer di Indonesia.
Salah satu contoh yang mencerminkan dinamika tersebut adalah perjalanan karier Etrio Widodo, seorang software engineer asal Sukabumi, Jawa Barat, yang saat ini menjabat sebagai Senior Backend Developer dan Chapter Leader di PT IDSTAR CIPTA TEKNOLOGI. Berdasarkan portofolio profesionalnya yang dapat diakses publik, lintasan teknisnya telah berkembang selama hampir dua dekade, dimulai dari sistem informasi pendidikan berbasis PHP di tahun-tahun awal, berlanjut ke platform pelaporan keuangan pemerintah menggunakan Python Django dan Java, kemudian ke platform telekomunikasi berbasis Golang, dan kini mengeksplorasi AI workflow berbasis large language model (LLM), vector database, dan semantic search.
Proyek yang ia kerjakan mencakup sistem untuk Kementerian Keuangan (DAKNF/DJPK), Kementerian Kesehatan (e-Renggar), XL Axiata (LMS XL Smart dan Performance Management System), serta platform enterprise ANTAM Brankas Logam Mulia—rentang klien yang menuntut standar keandalan dan kepatuhan yang berbeda-beda.
Yang paling menarik dari contoh ini bukan semata lintasan karier Etrio Widodo, melainkan bagaimana perjalanan tersebut mencerminkan perubahan yang sedang terjadi di industri. Berdasarkan portofolio profesional dan repositori GitHub yang tersedia untuk umum, ia juga mengembangkan sejumlah proyek berbasis AI workflow, termasuk pemanfaatan LLM, vector database, dan semantic search. Aktivitas tersebut dilakukan di luar pekerjaan utamanya dan menunjukkan kecenderungan yang semakin umum di kalangan software engineer Indonesia, yakni membangun proyek AI secara mandiri sebagai sarana memperluas kompetensi di tengah perubahan kebutuhan industri.
Menurut Etrio Widodo, transisi menuju AI workflow tidak berarti meninggalkan fondasi backend engineering yang telah dibangun selama bertahun-tahun. Sebaliknya, pengalaman mengembangkan sistem enterprise justru menjadi bekal penting dalam membangun aplikasi AI yang andal, aman, dan dapat diintegrasikan ke lingkungan produksi.
Risiko yang Belum Cukup Dibicarakan
Di balik narasi pergeseran teknologi yang kerap terdengar optimistis, ada risiko-risiko yang perlu dicermati dengan serius.
Tekanan adopsi AI yang bergerak lebih cepat dari kesiapan tenaga kerja bisa menghasilkan implementasi yang rapuh di lingkungan produksi. Engineer yang hanya mampu “memanggil API LLM pihak ketiga” berbeda secara fundamental dengan mereka yang memahami cara kerja embedding, retrieval pipeline, dan pengelolaan context window—namun dari luar, keduanya bisa terlihat sama dalam sebuah resume.
“Kita perlu membedakan secara serius antara kemampuan mengintegrasikan AI dengan kemampuan memahami dan men-debug sistem AI. Dua-duanya ada di pasar, tapi nilainya berbeda jauh ketika sistem masuk produksi dan bermasalah,” kata Indah Ananti Affandi, General Manager PT IDSTAR CIPTA TEKNOLOGI.
Bukan Penggantian, Melainkan Stratifikasi
Teknologi tidak pernah benar-benar menggantikan yang sebelumnya secara instan. COBOL masih berjalan di sistem perbankan global. PHP masih hidup di jutaan sistem web. Java tidak akan lenyap dari enterprise Indonesia dalam waktu dekat—terlalu banyak sistem kritis yang bergantung padanya.
Yang berubah adalah strukturnya: kecakapan yang dulu menjadi pembeda kompetitif kini semakin bergerak menjadi standar minimum, sementara frontier kompetensi terus berpindah ke wilayah yang sebelumnya hanya relevan bagi peneliti atau perusahaan teknologi kelas dunia.
Pertanyaannya kini bukan apakah Spring Boot akan tergantikan AI melainkan bagaimana industri TI Indonesia, termasuk perusahaannya, universitas-universitasnya, dan tenaga kerjanya, akan mengelola transisi yang tidak menunggu siapa pun.
Bagi ratusan ribu backend engineer Indonesia yang hari ini masih menjaga keandalan sistem perbankan, pelaporan keuangan negara, atau platform telekomunikasi jawabannya sedang dibangun satu proyek dalam satu waktu, di sela-sela tenggat yang tidak berhenti berjalan.
Komentar