Dunia AI sedang memasuki era 'loop'

Pada konferensi @Scale Meta minggu lalu, seseorang di audiens bertanya kepada Boris Cherny — kreator Claude Code — apakah AI loops adalah siklus hype berikutnya atau sesuatu yang nyata. Jawabannya langsung: nyata, dan seSignifikan dengan pergeseran dari kode yang ditulis tangan ke AI agentic. Pertukaran itu memberi nama pada sesuatu yang telah dieksplorasi oleh developer di seluruh dunia secara diam-diam, dan mengubah cara kita harus berpikir tentang apa yang sebenarnya mampu dilakukan oleh sistem AI. Dunia AI sedang memasuki era 'loop', dan bagi developer yang membangun di Asia, pergeseran ini membawa implikasi spesifik yang layak untuk dianalisis.

Apa yang Terjadi

Boris Cherny, Kepala Claude Code di Anthropic, tampil di konferensi @Scale Meta dan membuat kasus bahwa "loops" mewakili pergeseran arsitektur utama berikutnya dalam cara kerja sistem AI. Perkembangan yang dia jelaskan layak dikutip secara langsung: "Dua tahun lalu, kami menulis kode sumber dengan tangan. Kami mulai bertransisi sehingga agen menulis kode. Dan sekarang kami sedang bertransisi ke titik di mana agen memberi prompt kepada agen lain yang kemudian menulis kode." Dia berpendapat bahwa lompatan dari AI agentic ke AI looping sama signifikannya dengan lompatan dari coding manual ke agen pada awalnya.

Seperti apa loop dalam praktiknya? Cherny menjelaskan setup miliknya dalam pembicaraan tersebut: satu agen terus memindai cara untuk meningkatkan arsitektur kode, yang lain mencari abstraksi duplikat yang dapat disatukan. Keduanya mengirimkan pull request seperti kontributor manusia mana pun. Karena basis kode selalu berubah, tidak ada agen yang pernah berhenti berjalan. Tidak ada garis finish — hanya perbaikan berkelanjutan di latar belakang.

Ini bukan sepenuhnya wilayah yang baru. Loop rekursif telah menjadi andalan ilmu komputer sejak awal — fungsi yang memanggil diri mereka sendiri sampai kondisi terpenuhi. Yang berbeda di sini adalah bahwa kondisi pemberhentian tidak deterministik. Sub-agen memutuskan kapan loop telah cukup, bukan aturan yang dikode keras. Non-determinisme itulah yang membuat ini terasa benar-benar baru.

Satu implementasi populer yang sudah beredar di komunitas developer adalah Ralph Loop — dinamai, dengan brilian, setelah Ralph Wiggum — yang bekerja dengan merangkum semua yang telah dicapai model sejauh ini dan menanyakan apakah tujuan telah tercapai. Ini adalah cara sederhana namun efektif untuk menghentikan model AI agar tidak melayang ketika berjalan untuk periode yang lama, pada dasarnya memantulkan model antara tindakan dan evaluasi diri sampai tugas selesai.

Ada juga koneksi dengan dorongan yang lebih luas untuk lebih banyak test-time compute — gagasan bahwa model dapat menghasilkan output yang lebih baik dengan menghabiskan lebih banyak waktu untuk penalaran daripada sekadar menskalakan parameter. Loop cocok rapi ke dalam kerangka itu: alih-alih satu pass inferensi besar, Anda mendapatkan penyempurnaan iteratif berkelanjutan dari waktu ke waktu.

Mengapa Ini Penting untuk Asia

Ekosistem developer Asia selalu bergerak cepat dalam adopsi, tetapi kondisi struktural di sini membuat paradigma looping sangat relevan. Talenta teknik di Asia Tenggara, India, dan Asia Timur berkembang pesat, tetapi jam kerja engineer senior tetap mahal dan langka relatif terhadap skala perangkat lunak yang perlu dibangun. Agen latar belakang yang terus-menerus melakukan refactoring basis kode Anda, menangkap abstraksi duplikat, dan mengirimkan PR tanpa diminta — itu bukan pengganda produktivitas, itu adalah perubahan struktural dalam apa yang dapat dipertahankan oleh tim kecil.

Pertimbangkan startup lima orang di Jakarta atau Ho Chi Minh City yang mengirimkan produk fintech. Mereka menangani basis kode yang tumbuh lebih cepat daripada tim mereka dapat meninjau. Utang teknis menumpuk bukan karena siapa pun ceroboh, tetapi karena cukup tidak ada jam kerja. Agen refactoring persisten yang berjalan di latar belakang — jenis yang dijelaskan Cherny — mengatasi kendala itu dengan tepat. Itu tidak menggantikan engineer; itu menangani kategori pekerjaan yang selalu ditunda oleh engineer.

Ada juga dimensi bahasa yang penting khusus untuk Asia. Banyak dari tooling dan dokumentasi dalam ekosistem agen AI adalah bahasa Inggris terlebih dahulu. Loop, menurut sifatnya, lebih abstrak — mereka beroperasi di tingkat kode, di mana hambatan bahasa kurang penting. Agen yang meningkatkan arsitektur TypeScript atau Python Anda tidak perlu memahami Bahasa Indonesia atau Mandarin untuk melakukan pekerjaannya. Itu membuat agen looping lebih segera dapat diakses oleh tim pengembang Asia daripada banyak kemampuan AI lainnya yang bergantung pada pemahaman bahasa alami yang bernuansa.

Adegan tech Asia juga lebih cepat daripada sebagian besar dalam bereksperimen dengan arsitektur multi-agen, khususnya dalam otomasi enterprise. Perusahaan yang membangun di platform seperti MonstarX sudah berpikir dalam hal agen yang berkoordinasi satu sama lain, bukan hanya inferensi model tunggal. Konsep loop cocok secara alami ke dalam model mental itu — itu adalah lompatan konseptual yang lebih kecil bagi tim yang sudah bekerja dengan alur kerja agentic.

Risikonya, tentu saja, adalah bahwa loop yang berjalan tanpa pengawasan yang cukup dapat mengumpulkan kesalahan semudah mereka mengumpulkan perbaikan. Agen yang salah tentang apa yang merupakan abstraksi yang baik akan terus salah, dalam skala besar, selamanya. Tantangan tata kelola itu nyata, dan itu adalah sesuatu yang perlu dipikirkan oleh tim Asia secara sengaja saat mereka mengadopsi pola-pola ini.

Apa Artinya Ini untuk Developer

Jika Anda membangun dengan AI hari ini, loop mengubah model mental Anda tentang apa yang dilakukan sistem. Anda tidak lagi mengirim prompt dan menunggu respons. Anda mengonfigurasi proses persisten — satu yang memiliki tujuan, membuat keputusan, dan menghasilkan output secara berkelanjutan. Itu lebih dekat dengan mempekerjakan kontraktor daripada menjalankan query.

Secara praktis, inilah yang berarti bagi cara Anda membangun:

• Batasi agen Anda dengan ketat. Agen Cherny masing-masing memiliki mandat yang sempit dan terdefinisi dengan baik — satu mencari perbaikan arsitektur, yang lain untuk abstraksi duplikat. Mereka tidak melakukan segalanya. Semakin ketat ruang lingkupnya, semakin kecil kemungkinan loop melayang ke wilayah di mana ia menyebabkan kerusakan.
• Bangun evaluasi ke dalam loop. Ralph Loop bekerja karena memaksa model untuk memeriksa kemajuannya sendiri. Loop apa pun yang Anda jalankan harus memiliki langkah evaluasi yang tertanam — apakah itu sub-agen, test suite, atau gerbang review manusia untuk PR di atas ambang batas kompleksitas tertentu.
• Perlakukan output loop seperti PR kontributor. Agen Cherny mengirimkan pull request. Itu adalah abstraksi yang tepat. Jangan auto-merge. Tinjau output loop dengan cara yang sama seperti Anda meninjau pekerjaan developer junior — dengan perhatian pada apakah perubahan itu benar, bukan hanya apakah itu dikompilasi.
• Mulai dengan loop read-only. Sebelum Anda membiarkan agen menulis dan mengirimkan, jalankan dalam mode observasi. Biarkan itu menandai apa yang akan diubah tanpa benar-benar mengubah apa pun. Itu memberi Anda rasa apakah penilaiannya dapat dipercaya sebelum Anda menyerahkan akses tulis.
• Pantau drift dari waktu ke waktu. Loop yang berjalan selama berhari-hari atau berminggu-minggu dapat mengumpulkan kesalahan kecil yang bertambah. Siapkan logging yang memungkinkan Anda mengaudit apa yang telah dilakukan loop, bukan hanya apa yang sedang dilakukannya saat ini.

Tooling untuk ini masih berkembang. Sebagian besar developer hari ini menyusun loop secara manual — menggunakan kerangka orkestrasi, skrip evaluasi khusus, dan banyak prompt engineering. Tetapi primitif menjadi lebih jelas, dan platform yang mendukung eksekusi agen persisten dengan manajemen status yang tepat akan menjadi jauh lebih berharga saat pola ini menyebar.

Untuk tim yang menggunakan fitur connector MonstarX, loop menjadi lebih mudah untuk diatur — Anda dapat mengkonfigurasi agen yang berjalan secara terus-menerus, menangkap output mereka, dan mengintegrasikan hasilnya kembali ke dalam sistem Anda tanpa perlu orkestrasi khusus.