Backend Engineer Indonesia di Persimpangan: Antara Stack Enterprise dan Tuntutan AI Workflow

JAKARTA – Selama lebih dari dua dekade, Java menjadi tulang punggung berbagai sistem enterprise di Indonesia, mulai dari sektor perbankan, pemerintahan, hingga telekomunikasi. Namun, perkembangan kecerdasan buatan (AI), khususnya large language model (LLM), mulai mengubah lanskap kompetensi yang dibutuhkan para backend engineer.

Perubahan ini bukan sekadar soal mempelajari bahasa pemrograman baru. AI menghadirkan paradigma pengembangan perangkat lunak yang berbeda, sehingga mendorong banyak engineer meninjau kembali keterampilan yang selama ini menjadi andalan mereka.

Pergeseran yang Mulai Terlihat

Perubahan tersebut tercermin dalam berbagai laporan industri. Stack Overflow Developer Survey 2024 yang melibatkan lebih dari 65.000 pengembang menunjukkan Python tetap menjadi salah satu bahasa pemrograman yang paling banyak digunakan, didorong oleh pertumbuhan AI, data science, dan otomasi. Di sisi lain, Java masih mempertahankan posisi penting sebagai fondasi aplikasi enterprise.

Laporan GitHub Octoverse 2024 juga mencatat Python sebagai salah satu bahasa dengan pertumbuhan aktivitas pengembang paling tinggi sepanjang tahun, seiring meningkatnya proyek AI generatif dan machine learning.

Sementara itu, McKinsey melalui State of AI 2025melaporkan 88 persen organisasi telah menggunakan AI pada sedikitnya satu fungsi bisnis. Meski demikian, hanya sebagian yang berhasil mengintegrasikan teknologi tersebut secara menyeluruh ke proses bisnis mereka. Kondisi ini membuat tim engineering menghadapi tuntutan baru: bukan hanya membangun aplikasi, tetapi juga mengintegrasikan kemampuan AI secara aman, terukur, dan dapat diaudit.

Arah kebutuhan talenta juga berubah. Future of Jobs Report 2025 dari World Economic Forum menempatkan AI dan Big Data sebagai keterampilan dengan pertumbuhan permintaan tertinggi hingga 2030. Pada saat yang sama, sekitar 39 persen kompetensi inti tenaga kerja diproyeksikan akan berubah sehingga kebutuhan reskilling diperkirakan terus meningkat.

Tantangan di Indonesia

Di Indonesia, dorongan adopsi AI berjalan beriringan dengan upaya pemerintah mengembangkan talenta digital. Di sisi industri, kebutuhan terhadap kompetensi AI engineering, data engineering, cloud computing, dan keamanan siber mulai semakin terlihat dalam proses rekrutmen.

Namun, adopsi AI juga memasuki fase yang lebih realistis. Gartner menilai AI generatif mulai bergerak menuju fase Trough of Disillusionment, ketika organisasi mulai mengevaluasi apakah investasi AI benar-benar memberikan nilai bisnis.

Pada tahap ini, perhatian perusahaan bergeser dari sekadar mencoba teknologi baru menuju pembangunan fondasi yang lebih matang, seperti kualitas data, tata kelola, keamanan informasi, hingga kesiapan tim engineering.

Perubahan tersebut mulai tercermin dalam kebutuhan pasar kerja.

"Dua tahun lalu, pengalaman Spring Boot di lingkungan enterprise sudah cukup menjadi nilai jual utama untuk posisi senior backend. Sekarang, banyak perusahaan mulai mencari kandidat yang memahami LLM, vector database, atau setidaknya pernah mengintegrasikan AI ke sistem produksi," ujar Eko, Pranata Komputer Fungsional di BATII Kementerian Keuangan.

Mengapa Transisi Tidak Sederhana?

Perpindahan dari backend engineering konvensional menuju AI workflow dinilai jauh lebih kompleks dibanding sekadar mempelajari framework baru.

Salah satu tantangan utamanya adalah perubahan paradigma. Sistem backend enterprise tradisional dibangun dengan logika deterministik, di mana input yang sama akan menghasilkan output yang dapat diprediksi dan diuji secara konsisten. Sebaliknya, model bahasa besar bekerja secara probabilistik sehingga hasil yang diberikan dapat bervariasi dan membutuhkan pendekatan pengujian yang berbeda.

"Migrasi ke AI workflow bukan sekadar belajar Python atau LangChain. Ini tentang mengubah cara 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.

Tantangan berikutnya berasal dari keberadaan sistem legacy. Banyak layanan penting di Indonesia masih bertumpu pada platform Java yang telah digunakan selama bertahun-tahun. Integrasi AI ke dalam sistem tersebut harus mempertimbangkan aspek keamanan, kepatuhan regulasi, auditabilitas, serta kesinambungan layanan.

Di sisi lain, kesiapan infrastruktur juga belum merata. Menjalankan model AI secara lokal membutuhkan sumber daya komputasi yang relatif mahal, sementara penggunaan layanan cloud dari penyedia luar negeri memunculkan pertimbangan terkait keamanan dan kedaulatan data.

Potret Perubahan di Lapangan

Perubahan kebutuhan kompetensi juga terlihat pada perjalanan sebagian software engineer di Indonesia.

Salah satunya adalah Etrio Widodo, Senior Backend Developer sekaligus Chapter Leader di PT IDSTAR CIPTA TEKNOLOGI. Berdasarkan portofolio profesional yang tersedia untuk publik, ia memulai karier dengan pengembangan aplikasi berbasis PHP, kemudian mengerjakan sistem pemerintahan menggunakan Python dan Java, berlanjut ke platform telekomunikasi berbasis Go, hingga kini mengeksplorasi AI workflow yang memanfaatkan LLM, vector database, dan semantic search.

Pengalamannya menunjukkan bahwa pengembangan kompetensi AI sering kali dilakukan melalui proyek pribadi maupun eksplorasi di luar pekerjaan utama. Pola seperti ini mulai banyak ditemui di kalangan engineer yang ingin mengikuti perubahan kebutuhan industri.

Menurut Etrio, pengalaman membangun sistem enterprise tetap menjadi modal penting dalam pengembangan aplikasi AI.

"Fondasi backend engineering tetap relevan. Tantangannya sekarang adalah bagaimana menggabungkan prinsip-prinsip engineering yang sudah mapan dengan karakteristik sistem AI yang berbeda," ujarnya.

Risiko yang Perlu Diwaspadai

Di balik optimisme terhadap AI, sejumlah praktisi mengingatkan adanya kesenjangan kompetensi yang mulai muncul.

Engineer yang hanya mampu mengintegrasikan API model AI belum tentu memiliki pemahaman mengenai cara kerja embedding, retrieval pipeline, evaluasi model, maupun penanganan kegagalan sistem AI di lingkungan produksi.

"Kita perlu membedakan antara kemampuan mengintegrasikan AI dan kemampuan memahami serta men-debug sistem AI. Ketika sistem masuk produksi dan mengalami masalah, perbedaannya menjadi sangat signifikan," kata Indah Ananti Affandi, General Manager PT IDSTAR CIPTA TEKNOLOGI.

Evolusi, Bukan Penggantian

Meski AI berkembang pesat, teknologi lama tidak serta-merta ditinggalkan. COBOL masih digunakan di banyak institusi keuangan dunia, PHP tetap menopang jutaan situs web, sementara Java diperkirakan masih akan menjadi fondasi berbagai sistem enterprise di Indonesia dalam waktu yang tidak singkat.

Yang berubah bukan keberadaan teknologi tersebut, melainkan nilai kompetensinya. Keahlian yang sebelumnya menjadi pembeda kini perlahan menjadi standar dasar, sementara kebutuhan industri bergerak menuju kemampuan membangun, mengintegrasikan, dan mengelola sistem berbasis AI.

Pada akhirnya, pertanyaan yang dihadapi industri bukan apakah AI akan menggantikan backend engineering, melainkan seberapa cepat perusahaan, perguruan tinggi, dan para engineer mampu beradaptasi terhadap perubahan tersebut.

Bagi banyak backend engineer yang setiap hari menjaga sistem perbankan, layanan publik, maupun platform telekomunikasi tetap berjalan, proses adaptasi itu kemungkinan besar tidak terjadi melalui satu lompatan besar, melainkan melalui pembelajaran dan pengembangan kompetensi yang berlangsung dari satu proyek ke proyek berikutnya.

Versi ini juga bisa dipoles lebih jauh menjadi gaya media seperti Kompas, Tempo, atau Bisnis Indonesiajika menginginkan nuansa yang lebih investigatif atau lebih analitis. (*)

Simak breaking news dan berita pilihan TIMES Indonesia langsung dari WhatsApp-mu!
Klik 👉 Channel TIMES Indonesia
Pastikan WhatsApp kamu sudah terpasang.