Foto oleh Daria Nepriakhina 🇺🇦 / Unsplash

Pada tanggal 30 April 2026, Andrej Karpathy mengadakan fireside chat di Sequoia Ascent 2026. Dia menulis ringkasannya sendiri di blog (https://karpathy.bearblog.dev/sequoia-ascent-2026/) dan saya telah merangkumnya.

Izinkan saya memperkenalkan siapa itu Karpathy terlebih dahulu: salah satu pendiri OpenAI, mantan Direktur Tesla Autopilot, dan saat ini bekerja pada pendidikan AI di Eureka Labs. Dia juga orang yang menciptakan istilah "vibe coding" pada tahun 2025.

Ceramah ini dimulai dengan dia mengatakan "never felt more behind as a programmer". Poin intinya adalah apa arti ketika seseorang seperti Karpathy merasa tertinggal sebagai programmer.

1. Desember 2025 adalah titik balik agentic

Pernyataan dari Karpathy sendiri:

"Selama tahun 2025, alat agentic seperti Claude Code dan Codex berguna tetapi sering memerlukan perbaikan. Sekitar bulan Desember ada perubahan besar. Saya sedang berlibur dan punya banyak waktu, dan kode yang dihasilkan hanya berfungsi dengan baik. Terus meminta hasil yang baik. Saya bahkan tidak bisa mengingat kapan saya melakukan perbaikan terakhir."

Ini adalah "pembuatan kode sederhana" → "alat untuk benar-benar mendelegasikan tugas" yang merupakan titik transformasi. Karpathy melihat dari titik ini bahwa unit pemrograman berubah dari baris kode menjadi macro action:

• "Implementasikan fitur ini untuk saya"

• "Refaktor subsistem ini untuk saya"

• "Selidiki perpustakaan ini untuk saya"

• "Tulis dan jalankan tes, dan perbaiki jika gagal"

Ini berarti programmer sedang didefinisikan ulang sebagai bukan penulis kode tetapi orchestrator agentic. Saya pikir siapa pun yang terus melakukan agentic coding akan setuju dengan ini. Saya juga hampir tidak melihat kode sejak Maret tahun ini.

2. Software 3.0 - Context Window adalah Program

Klasifikasi Karpathy:

Dalam Software 3.0, context window adalah lever utama. LLM adalah interpreter yang menginterpretasikan konteks tersebut.

Sebagai contoh konkret, dulu ketika menginstal alat yang kompleks, kami memerlukan shell script dengan banyak pernyataan kondisional per OS. Dalam versi Software 3.0, kami hanya memerlukan satu blok teks yang kami tempel ke agen. Agen membaca lingkungan lokal, men-debug kesalahan, menyesuaikan dengan mesin, dan menyelesaikan instalasi. Bentuk program yang kurang presisi tetapi lebih adaptif. (Saya yakin banyak dari Anda yang sudah menyalin alamat repo GitHub dan menempeli ke agen terminal dan meminta untuk menginstalnya? hehe)

3. MenuGen - Kasus di mana Aplikasi Itu Sendiri Menghilang

MenuGen adalah proyek sampingan yang dibuat Karpathy dan merupakan contoh yang baik. Ini adalah aplikasi yang menghasilkan gambar makanan ketika Anda mengambil foto menu restoran. Struktur tradisional:

• Kode frontend

• OCR API

• API Pembuatan Gambar

• Penyebaran / Autentikasi / Pembayaran / Rahasia / Infrastruktur

Semua diperlukan. Tetapi versi Software 3.0:

• Berikan foto menu kepada Gemini

• Instruksikan Nano Banana untuk langsung merender gambar makanan di atas gambar menu

• Selesai

"Aplikasi seluruhnya menghilang". Jaringan saraf secara langsung mengubah media input menjadi media output. Stack perangkat lunak lama hanya merupakan perancah (scaffolding) untuk konversi yang sekarang dapat dilakukan model secara langsung.

Kesimpulan Karpathy:

"AI bukan hanya cara membuat aplikasi lama lebih cepat. Beberapa aplikasi harus berhenti ada sebagai aplikasi."

4. Verifiability - Di mana AI Bergerak Paling Cepat

Kerangka kerja otomasi inti Karpathy:

• Perangkat lunak tradisional mengotomatisasi apa yang dapat ditentukan dengan jelas

• LLM dan pembelajaran penguatan mengotomatisasi apa yang dapat diverifikasi

Jika ada tugas dengan kompensasi otomatis atau sinyal kesuksesan, model dapat berlatih. Itulah mengapa matematika, pengkodean, pengujian, tolok ukur, dan permainan meningkat dengan cepat. Semuanya adalah area yang dapat disetel ulang / dapat diulang / dapat diberikan imbalan.

Itulah juga mengapa agen pengkodean terlihat secara dramatis lebih baik daripada chatbot umum. Pengkodean memberikan umpan balik kepada model - tes lulus atau gagal, program berjalan atau crash, diff dapat diperiksa.

5. Intelijen Bergerigi - Kemampuan yang Terbagi Menjadi Dua Sumbu

Penyempurnaan penting dari pembicaraan adalah bahwa verifiabilitas saja tidak cukup. Kemampuan model bergantung pada dua hal:

1. Apakah tugas dapat diverifikasi (verifiability)

2. Apakah lab mengarahkan perhatian pelatihan pada tugas itu

Formula kasar:

capability spike ≈ verifiability × training attention × data coverage × economic value

Catur adalah contoh yang baik. Kemungkinan GPT-4 menjadi pandai catur bukan karena kecerdasan umum berkembang dengan mulus tetapi karena data catur ditambahkan banyak ke dalam campuran pelatihan. Seseorang di OpenAI memutuskan untuk menambahkan data itu, dan hasilnya adalah lonjakan kemampuan.

Langsung dari Karpathy:

"Model mutakhir dapat merefaktor basis kode 100.000 baris dan menemukan kerentanan hari nol, tetapi kemudian diminta berjalan ke tempat pencucian mobil 50 meter. Itulah bergerigi."

Pertanyaan penting dari perspektif pendiri adalah "Apakah tugas saya berada di atas rel model". Jika berada di area yang dapat diverifikasi dan banyak dilatih, model akan terbang. Jika tidak, akan mengalami kegagalan yang mengejutkan dan dasar.

6. Vibe Coding vs Agentic Engineering

Perbedaan antara istilah vibe coding yang dibuat Karpathy dan agentic engineering yang ditekankan kali ini:

Vibe coding bagus untuk prototipe dan alat pribadi. Agentic engineering adalah apa yang dibutuhkan tim serius.

Agentic engineer tidak hanya menerima kode yang dihasilkan. Mereka merancang spesifikasi, mengawasi rencana, memeriksa diff, menulis tes, membangun loop evaluasi, mengelola izin, mengisolasi worktree, dan mempertahankan kualitas.

7. Anekdot Bug Pembayaran MenuGen - Mengapa Penilaian Manusia Diperlukan

Ini adalah contoh paling konkret dalam pembicaraan. Saat membangun sistem pembayaran di MenuGen, agen mencoba mencocokkan pembayaran Stripe dan login Google berdasarkan alamat email. Kode terlihat masuk akal, tetapi desainnya salah.

Email Stripe dan email login Google bisa berbeda. Pengguna mungkin tidak menerima kredit yang mereka bayarkan. Jawabannya adalah mengikat dengan ID pengguna yang persisten. Ini bukan tentang "apakah kode bekerja" tetapi tentang "apakah sistemnya benar".

Diagnosis Karpathy sendiri:

"Keterampilan perbatasan bukan menghafal setiap detail API. Agen mengingat dengan baik apakah itu dim atau axis, reshape atau permute. Manusia masih harus memahami konsep dasar - tata letak penyimpanan, tampilan, salinan memori, ketidakubahan, identitas, batas keamanan, bentuk sistem."

8. Perekrutan Juga Harus Berubah

Jika agentic engineering adalah keterampilan khusus baru, perekrutan harus mengujinya secara langsung. Teka-teki pengkodean tradisional semakin tidak sesuai.

Wawancara yang diusulkan Karpathy:

"Bangun proyek besar dengan agen. Terapkan dan amankan, kemudian mintalah agen yang bermusuhan mencoba memecahnya."

Keterampilan nyata yang diuji oleh wawancara ini:

• Dapatkah Anda menguraikan pekerjaan untuk agen

• Dapatkah Anda menulis spesifikasi yang berguna

• Dapatkah Anda bergerak cepat sambil mempertahankan kualitas

• Dapatkah Anda meninjau pekerjaan yang dihasilkan

• Dapatkah Anda mengamankan dan memperkuat sistem

• Apakah Anda memanfaatkan agen atau membuat sampah

Konsep lama tentang "insinyur 10x" bisa menjadi jauh lebih ekstrem. Diagnose Karpathy adalah orang yang menguasai alur kerja agentic dapat melakukan jauh lebih baik dari sekadar 10x dibandingkan orang lain.

9. Infrastruktur Asli Agen - Dirancang untuk Agen, Bukan Manusia

Kebanyakan perangkat lunak masih mengasumsikan manusia mengklik di layar. Dokumen mengatakan "pergi ke URL ini, klik tombol ini, buka panel pengaturan ini". Karpathy mengatakannya:

"Keluhan terbesar saya. Mengapa orang masih memberitahu saya apa yang harus dilakukan? Saya tidak ingin melakukan apa pun. Beri tahu saya apa yang harus disalin dan tempel untuk agen."

Infrastruktur asli agen harus memiliki:

• Dokumen Markdown

• CLI

• API

• Server MCP

• Log terstruktur

• Skema yang dapat dibaca mesin

• Instruksi agen yang dapat disalin dan ditempel

• Manajemen izin yang aman

• Tindakan yang dapat diaudit

• Alur pengaturan tanpa kepala

Karpathy menjelaskan ini dengan konsep sensors / actuators. Sensor mengubah keadaan dunia menjadi informasi digital, actuator memungkinkan agen mengubah sesuatu. Stack masa depan adalah agen yang menggunakan sensor dan actuator atas nama orang dan organisasi.

10. Ghosts, Not Animals

Tulisan lain Karpathy Animals vs. Ghosts dengan framing yang sama muncul dalam kuliah ini juga.

LLM bukan hewan. Mereka tidak memiliki motivasi biologis, tekanan kelangsungan hidup yang tertanam, rasa ingin tahu, bermain, atau motivasi intrinsik dalam arti hewan. Simulasi statistik dari output manusia yang diciptakan oleh pretraining + fine-tuning + RL + product feedback + incentives ekonomi.

Ini penting karena ekspektasi antropomorfisasi yang menyesatkan. Sistem-sistem ini pintar suatu saat dan kemudian sangat bodoh dengan cara yang aneh di saat berikutnya. Bukan pikiran manusia yang halus tetapi alat asing yang jagged. Sikap yang tepat adalah keakraban empiris: belajar di mana ia bekerja, di mana ia gagal, apa yang dilatih untuk, dan bagaimana memasang pagar pembatas.

11. Inti Utama - "Pemikiran dapat disederhanakan, pemahaman tidak bisa"

Kutipan dari akhir kuliah:

"You can outsource your thinking, but you can't outsource your understanding."

(Karpathy mengatakan dia mengutip ungkapan seseorang yang dia lihat di Twitter)

Bahkan ketika agen melakukan lebih banyak pekerjaan, manusia masih membutuhkan pemahaman. Mereka perlu tahu apa yang layak dibangun, pertanyaan mana yang penting, hasil mana yang mencurigakan, dan trade-off mana yang dapat diterima.

Visi Karpathy adalah LLM tidak boleh menjadi mesin jawaban tetapi alat untuk mengubah informasi menjadi pemahaman. Proyek microGPT (implementasi GPT file tunggal) dan pekerjaan basis pengetahuan LLM yang sedang dia kerjakan (saya juga membuat sesuatu yang disebut secall dengan arah sedikit berbeda, dan banyak orang membuat hal-hal dalam arah ini) semua menuju ke arah ini.

"Ahli manusia berkontribusi pada output yang disempurnakan dan taste di baliknya. Agen dapat menjelaskan itu secara interaktif kepada setiap pelajar."

Gambaran Besar - Apa yang Menjadi Langka

Ringkasan Karpathy:

Pertanyaan yang Karpathy ajukan kepada pendiri:

• Apa yang menjadi mungkin ketika pengguna utama adalah agen yang menggantikan manusia

• Alur kerja mana yang dapat dibangun kembali sebagai sensor / actuator / loop yang dapat diverifikasi

• Perangkat lunak mana yang harus menghilang melalui transformasi model langsung

• Domain mana yang bernilai dan dapat diverifikasi tetapi masih belum banyak dilatih oleh lab frontier

• Di mana penilaian manusia harus tetap berada dalam loop untuk mempertahankan kualitas

Kesimpulan Karpathy sendiri:

"Pandangan dunia saya saat ini bukanlah bahwa AI hanya membuat semua orang lebih cepat di pekerjaan lama. Pekerjaan itu sendiri sedang diorganisir ulang dengan pusat agen. Perangkat lunak, penelitian, pendidikan, infrastruktur, pekerjaan pengetahuan - semua menjadi variasi dari pola yang sama - tentukan konteks, tentukan alat, tentukan loop umpan balik, tentukan pagar pembatas, biarkan agen bekerja, dan pertahankan pemahaman manusia."

Ringkasan

Kuliah ini seperti sekuel setahun setelah kuliah vibe coding tahun lalu. Jika tahun lalu temanya adalah "semua orang sekarang bisa membuat perangkat lunak", maka tahun ini lebih seperti "sekarang kita perlu pindah ke bidang yang serius". Diagnosis bahwa agentic engineering sedang terbentuk sebagai bidang keahlian baru.

Bagian yang paling berkesan adalah penetapan titik spesifik seperti "Desember 2025 adalah titik belok". Ketika seseorang seperti Karpathy mengatakan "semuanya berbeda sejak saat itu", itu bukan nada pemasaran tetapi berasal dari pengalaman pribadinya bahwa folder proyek sampingannya menjadi penuh dengan hal-hal acak.

Namun, seperti yang diakui Karpathy sendiri, model masih jagged. Dia mengatakan mereka dapat melakukan refactoring basis kode 100,000 baris sambil secara bersamaan menyuruh Anda berjalan ke tempat pencucian mobil 50m jauhnya. Karena jaggedness ini, area di mana manusia harus tetap berada dalam loop masih jelas.

Teks asli: https://karpathy.bearblog.dev/sequoia-ascent-2026/ Video pidato: https://www.youtube.com/watch?v=96jN2OCOfLs

Sumber

• Karpathy, , karpathy.bearblog.dev, 30 April 2026 (Data primer, ditulis sendiri)

• Semua kutipan dalam tulisan ini diambil dari ringkasan yang dibuat oleh Karpathy sendiri pada blog tersebut dan transkrip yang saya edit.

• Video pidato: YouTube https://www.youtube.com/watch?v=96jN2OCOfLs

• Referensi: Karpathy , (keduanya dari blog pribadi)