Belajar Engineering Manager - AI in Engineering Management

#Pendahuluan

Setelah di episode 22 kita menyelaraskan organisasi lewat strategi, episode ini membahas perubahan paling cepat dalam praktik engineering management saat ini: AI sebagai alat kerja EM.

Pernyataan yang jujur untuk memulai: AI tidak menggantikan inti pekerjaan EM — trust, percakapan sulit, dan judgment tetap ranah manusia. Yang berubah adalah lapisan administratif: menyusun ringkasan, draft pertama dokumen, memindai puluhan halaman feedback mencari pola. Tugas-tugas ini menghabiskan 30-50% waktu EM klasik; memampatkannya berarti lebih banyak jam untuk pekerjaan manusia yang tak tergantikan (episode 1 sudah menjanjikan pembahasannya — inilah waktunya).

#Peta Use Case AI untuk EM

Empat klaster penggunaan yang sudah matang pada 2026:

Perhatikan polanya: semua klaster menempatkan AI sebagai pemroses teks dan data, bukan pengambil keputusan. Keputusan tetap milik kalian; AI mempercepat bahan mentahnya.

#Workflow Konkret #1: Persiapan 1:1 dan Review

Contoh nyata yang bisa langsung dicoba. Sebelum rangkaian 1:1 mingguan, minta AI merangkum aktivitas dua minggu terakhir anggota tim:

Konteks: Kamu asisten saya, seorang Engineering Manager.
Tugas: Rangkum aktivitas GitHub/Jira {nama} dua minggu terakhir
untuk persiapan 1:1.
 
Data (tempelkan: daftar PR merged, review yang diberikan/diterima,
tiket yang diselesaikan):
 
Format keluaran:
1. Fokus kerja utama (3 butir)
2. Pola kolaborasi: siapa sering berinteraksi, review turnaround
3. Hal positif yang patut disampaikan (dengan bukti)
4. Pertanyaan yang layak saya ajukan di 1:1 (3 buah)
5. Sinyal risiko jika ada (scope melar, review tertunda lama)
 
Batasan: jangan menilai kepribadian; hanya fakta aktivitas.

Outputnya bukan kesimpulan — melainkan bahan baku yang memangkas persiapan 15 menit menjadi 5. Aturan pemakaiannya tegas: fakta dari sistem (PR merged, tanggal) boleh dipercaya setelah dicek sampel; interpretasinya ("terlihat demotivasi") selalu diverifikasi lewat percakapan sungguhan. AI membaca artefak; kalian membaca orang.

Untuk draft feedback, pola yang sama: tulis poin kasarnya, minta AI menyusun struktur SBI (episode 3), lalu tulis ulang dengan suara kalian. Feedback yang dibaca engineer harus terdengar seperti kalian — kalimat template AI yang tidak diedit terasa dingin dan justru merusak momen penting.

#Workflow Konkret #2: Analisis Retro dan Survey

Nilai tertinggi AI untuk EM ada di pemindaian volume besar. Empat puluh entri retro sulit dibaca manual tanpa bias seleksi:

Konteks: Ini hasil retro tim backend saya (12 orang), kolom
"apa yang menghambat". Identifikasi tema.
 
Aturan:
1. Kelompokkan menjadi maksimal 5 tema, urutkan frekuensi
2. Untuk tiap tema kutip 2-3 frasa asli (jangan parafrase)
3. Tandai tema yang juga muncul di retro 2 bulan lalu [data lampiran]
4. Jangan menyarankan solusi dulu - hanya pemetaan
 
Data:
{tempelkan seluruh entri retro}

Langkah nomor empat itu disengaja: solusi prematur dari AI akan mengunci pikiran ruangan pada opsi pertama. Pemetaan dulu, diskusi kemudian, solusi bersama tim (episode 17). Pola yang sama dipakai untuk open-text engagement survey — area tempat EM biasanya menyerah karena volume.

#Guardrails: Privasi, Verifikasi, dan Ketergantungan

Tiga aturan main yang menjaga pemakaian AI tetap sehat:

Privasi berlapis: kebijakan tertulis tim tentang data apa yang boleh masuk tool AI mana; audit berkala; edukasi bahwa "paste to chat" adalah transfer data. Kebanyakan insiden AI korporat lahir dari ketidaktahuan, bukan niat buruk.

Verifikasi proporsional: risiko output naik seiring konsekuensi pemakaiannya. Ringkasan internal yang salah = malu kecil; draft performance documentation yang salah = masalah karir orang. Untuk konteks berkonsekuensi tinggi, AI hanya boleh menyusun kerangka — substansi dan angka wajib kalian cek sumber aslinya. Model bahasa bisa meyakinkan sambil salah (hallucination); keyakinan nada bicara bukan bukti.

Anti-atrofi skill: jangan biarkan otot menulis sendiri luruh. Latihan sehat: untuk dokumen penting (tech strategy, packet promosi), tulis draf pertama sendiri, baru minta AI mengkritik dan merapikan — arus kerjanya kebalik dari kebiasaan buruk (draft AI → edit manusia). Kemampuan berpikir terstruktur via tulisan adalah kompetensi inti manager; delegasikan pengetikan, jangan delegasikan pemikiran.

#Menilai Tool AI Tanpa Terjebak Hype

Lanskap tool 2026 ramai: assistant coding (Copilot, Cursor, Claude Code), assistant meeting (Fireflies, Otter), platform HR ber-AI (Lattice AI), hingga agent operasional. Kerangka evaluasi lima pertanyaan:

1. Data     : ke mana data kita pergi? Training opt-out? Residensi data?
2. Integrasi: hidup di workflow kita (Jira/GitHub/Slack) atau pulau baru?
3. Nilai    : hemat berapa jam/bulan terukur? Pilot 30 hari dengan metrik.
4. Biaya    : per seat vs nilai; ingat run-rate ep. 15.
5. Exit     : ekspor data mudah? Vendor lock-in berapa dalam?

Disiplin pilot: satu tim, 30 hari, metrik sebelum-sesudah (persis pola eksperimen proses episode 17). Mayoritas tool gagal uji ini bukan karena jelek, melainkan karena nilainya tipis dibanding gangguan alur kerja — dan itulah informasi berharga yang hanya didapat lewat eksperimen terukur, bukan demo sales.

#AI dan Masa Depan Tim Engineering

Satu pandangan ke depan yang relevan bagi kalian sebagai EM: produktivitas individual naik (assistant coding membuat engineer menyelesaikan lebih cepat), sehingga bottleneck organisasi bergeser — dari kapasitas menulis kode menuju kapasitas memutuskan, mereview, dan mengintegrasikan. Code review, desain, dan quality gate menjadi titik sempit baru; pipeline delivery harus menyesuaikan (episode 9 dan 13). EM yang menyadarinya lebih awal akan menata ulang alokasi tim sebelum antrean baru terbentuk — dan itulah jembatan natural ke episode berikutnya: bagaimana jika timnya sendiri adalah tim AI/ML?

#Penutup

Inti yang harus dibawa pulang:

• AI memampatkan lapisan administratif EM (ringkasan, draft, pemindaian pola) — inti trust dan judgment tetap manusia.
• Prompt efektif punya konteks, data, format keluaran, dan batasan eksplisit; output adalah bahan baku, bukan kesimpulan.
• Guardrails: kebijakan privasi data karyawan (UU PDP!), verifikasi proporsional dengan konsekuensi, dan latihan menulis sendiri untuk dokumen penting.
• Evaluasi tool dengan checklist lima pertanyaan plus pilot 30 hari terukur — hindari keputusan berbasis demo.
• Bottleneck bergeser dari menulis kode ke memutuskan dan mengintegrasikan; siapkan pipeline delivery untuk itu.

Di episode 25 selanjutnya kita balik perspektif: bukan menggunakan AI, melainkan memimpin tim yang membangun AI/ML — Managing AI Teams: siklus hidup ML yang berbeda dari software biasa, ekspektasi stakeholder atas hasil probabilistik, eval-driven development, dan struktur tim AI yang sehat. Sampai jumpa!