Tantangan Backend Engineer Indonesia, Menjawab Tuntutan AI Workflow

JAKARTA - Di Indonesia, percepatan transformasi kecerdasan buatan (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. Sebuah 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. Baca juga: Ekonomi Digital RI Hampir USD100 Miliar, Menko Airlangga Sebut AI Mesin Pertumbuhan Baru

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.

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.

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. Di mulai 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,” ujarnya. Baca juga: Awas, AI dalam Beberapa Bulan Lagi Bisa Lumpuhkan Pemerintahan di Berbagai Negara

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.