Hanya Bekerja 2 Jam Sehari? Insinyur Google Ini Menggunakan Claude untuk Mengerjakan 80% Pekerjaannya

marsbitDipublikasikan tanggal 2026-04-15Terakhir diperbarui pada 2026-04-15

Abstrak

Intisari: Seorang insinyur Google dengan 11 tahun pengalaman berhasil mengotomatisasi 80% pekerjaannya menggunakan Claude Code, sehingga hanya bekerja 2-3 jam/hari dan menghasilkan pendapatan pasif $28.000/bulan. Kunci keberhasilannya adalah tiga komponen utama: 1. **CLAUDE.md**: File panduan berbasis prinsip Karpathy (Think Before Coding, Simplicity First, Surgical Changes, Goal-Driven Execution) yang mengurangi pelanggaran aturan coding dari 40% menjadi hanya 3%. 2. **Everything Claude Code**: Sistem multi-agent yang berfungsi seperti tim rekayasa AI otomatis dengan 27 agen siap pakai, menggantikan kebutuhan mengelola berbagai alat AI secara terpisah. 3. **Perbaikan Token Tersembunyi**: Versi Claude Code v2.1.100 diam-diam mengonsumsi 20.000 token tambahan yang mengaburkan instruksi. Solusi sementara dengan downgrade ke v2.1.98 mengembalikan 40% kapasitas penggunaan. Hasilnya: developer beralih dari menulis kode 8 jam/hari menjadi hanya mereview hasil AI selama 2-3 jam/hari, dengan penghematan 100-120 jam/bulan. Sistem ini dapat diimplementasikan dalam 15-20 menit menggunakan perintah sederhana.

Catatan Editor: Ketika "AI Menulis Kode" secara bertahap menjadi konsensus industri, yang benar-benar mengubah produktivitas bukanlah model itu sendiri, tetapi bagaimana Anda menetapkan aturan untuk model, mengatur alur kerja, dan menanamkannya ke dalam sistem yang dapat berjalan berkelanjutan.

Dari file CLAUDE.md yang sederhana, hingga kolaborasi multi-agen, hingga siklus pengembangan yang terotomatisasi, metode ini mengubah proses pengembangan dari "percakapan antara manusia dan AI" menjadi "manajemen terhadap tim teknik AI". Dalam proses ini, kesalahan dibatasi sejak dini, alur kerja distrukturisasi, pembuatan kode, pengujian, dan peninjauan secara bertahap lepas dari pelaksanaan manual, dan beralih diambil alih oleh sistem.

Yang juga patut diperhatikan, artikel ini mengungkap detail yang sering diabaikan: dalam konteks panjang dan sistem yang kompleks, perilaku model tidak sepenuhnya dapat dikendalikan. Baik konsumsi token yang tersembunyi, maupun pengenceran instruksi, akan mempengaruhi kualitas output tanpa disadari. Hal ini membuat "bagaimana mengelola AI", dan bukan hanya "bagaimana menggunakan AI", menjadi kemampuan inti yang baru.

Pada titik ini, pengembang tidak lagi berfokus pada pengkodean, tetapi berputar di sekitar perancangan aturan, penjadwalan alur kerja, dan pemeriksaan hasil. Mereka yang telah menyelesaikan langkah ini lebih dulu, telah mulai beralih dari "mengerjakan sendiri" menjadi "membuat sistem yang bekerja untuk mereka".

Berikut adalah teks aslinya:

Seorang insinyur Google dengan pengalaman 11 tahun, dengan bantuan Claude Code dan aplikasi .NET sederhana, berhasil mengotomatisasi 80% pekerjaannya.

Sekarang, ia hanya perlu bekerja 2-3 jam sehari, bukan 8 jam seperti sebelumnya, sisa waktunya sebagian besar berada dalam keadaan "santai", sistem berjalan sendiri, dan memberinya pendapatan pasif $28.000 per bulan.

Apa yang dikuasainya, adalah metode yang belum Anda ketahui.

Bagian 1—Menulis CLAUDE.md sesuai Prinsip Karpathy

Andrej Karpathy—salah satu peneliti AI paling berpengaruh di dunia—pernah merangkum secara sistematis kesalahan paling umum model bahasa besar dalam menulis kode: desain berlebihan, mengabaikan pola yang ada, dan memperkenalkan dependensi tambahan yang tidak diminta.

Ada yang merangkum observasi ini, menyusunnya menjadi file CLAUDE.md yang terpadu.

Hasilnya, proyek ini mendapatkan 15 ribu bintang di GitHub dalam seminggu, dalam arti tertentu, bisa dibilang ada 15 ribu orang yang mengubah cara kerja mereka karenanya.

Pola pikir intinya sebenarnya sederhana: jika kesalahan dapat diprediksi, maka dapat dihindari lebih awal dengan instruksi yang jelas. Cukup dengan menempatkan file markdown di repositori kode, Anda dapat memberikan seperangkat aturan perilaku terstruktur untuk Claude Code, sehingga menyatukan pengambilan keputusan dan eksekusi di seluruh proyek.

Di dalam file ini, terutama berisi empat prinsip inti:

· Berpikir Dulu, Baru Ngoding → Hindari Asumsi yang Salah dan Pertimbangan yang Terlewat
· Sederhana yang Diutamakan → Hindari Desain Berlebihan dan Abstraksi yang Membengkak
· Modifikasi Secara Bedah → Hindari mengubah kode yang tidak diminta untuk diubah
· Eksekusi Berorientasi Target → Uji dulu, lalu verifikasi berdasarkan standar keberhasilan yang jelas

Tidak bergantung pada framework apa pun, juga tidak memerlukan alat yang rumit—hanya dengan satu file, Anda dapat mengubah perilaku Claude pada tingkat proyek.

Perbedaan sesungguhnya:

· Tanpa CLAUDE.md: Claude melanggar norma dalam ~40% kasus
· Menggunakan CLAUDE.md Karpathy: Tingkat pelanggaran turun menjadi ~3%
· Waktu setup: Hanya 5 menit

Perintah untuk membuat file CLAUDE.md Anda sendiri secara otomatis:

claude -p "Baca seluruh proyek dan buat CLAUDE.md berdasarkan:
Think Before Coding, Simplicity First, Surgical Changes, Goal-Driven Execution.
Sesuaikan dengan arsitektur nyata yang Anda lihat." --allowedTools Bash,Write,Read

Ini menggantikan Claude yang seperti ini: menghadapi tugas sederhana namun mendesain berlebihan, memperkenalkan dependensi yang tidak diminta, bahkan sembarangan mengubah file yang tidak seharusnya disentuh.

Bagian 2 Everything Claude Code: Tim Teknik Lengkap dalam Satu Repositori

Everything Claude Code (Sudah dapat lebih dari 153 ribu bintang di GitHub)

Ini bukan hanya sekumpulan prompt, tetapi lebih seperti sistem operasi AI lengkap untuk membangun produk.

Mendukung operasi di berbagai alat seperti Claude, Codex, Cursor, OpenCode, Gemini—satu sistem, dapat digunakan di mana saja.

Cara instalasi:

/plugin marketplace add affaan-m/everything-claude-code

Atau instal manual—cukup salin komponen yang Anda butuhkan ke direktori .claude/ proyek. Jangan muat semua sekaligus—memuat 27 agen dan 64 skill bersamaan, sangat mungkin akan menghabiskan kuota konteks sebelum Anda memasukkan prompt pertama. Simpan hanya bagian yang benar-benar dibutuhkan.

Perbedaan sesungguhnya:

· Sebelumnya: Anda sedang berbicara dengan AI
· Sesudahnya: Anda sedang mengelola tim teknik AI yang berjalan otomatis

Yang digantikannya: Anda yang sebelumnya perlu menghabiskan berminggu-minggu untuk membangun sistem agen sendiri, mengkonfigurasi berbagai alat perencanaan/peninjauan/keamanan secara terpisah, serta biaya $200–500 per bulan untuk berbagai layanan AI.

Bagian 3 "Skandal" Tersembunyi: Claude Code v2.1.100 Diam-diam Mengonsumsi Token Anda

Seseorang dengan membuat proxy HTTP, mencegat dan menganalisis permintaan API lengkap dari 4 versi Claude Code yang berbeda.

Mereka menemukan:

v2.1.98: 169.514 bytes request → 49.726 tokens ditagih
v2.1.100: 168.536 bytes request → 69.922 tokens ditagih
selisih: -978 bytes tetapi +20.196 tokens

v2.1.100 mengirim byte data lebih sedikit, tetapi menagih tambahan 20 ribu tokens. "Inflasi" ini sepenuhnya terjadi di sisi server—Anda tidak dapat melihatnya, juga tidak dapat memverifikasinya melalui antarmuka /context.

Mengapa hal ini penting tidak hanya pada penagihan, 20 ribu tokens tambahan ini akan dimasukkan ke dalam jendela konteks aktual Claude.

Ini berarti:

→ Instruksi CLAUDE.md Anda akan diencerkan oleh 20 ribu "konten tersembunyi" ini

→ Dalam percakapan panjang, kualitas output akan menurun lebih cepat

→ Ketika Claude mengabaikan aturan Anda, sulit untuk menemukan penyebabnya

→ Kuota penggunaan Claude Max akan habis ~40% lebih cepat dari biasanya

Perbaikan hanya 30 detik: npx [email protected]

Ini adalah solusi sementara sebelum perbaikan resmi dari Anthropic, tetapi dalam penggunaan praktis, Anda hampir dapat langsung merasakan perubahan efek sesi.

Yang digantikannya: Anda tidak perlu lagi menebak mengapa Claude tiba-tiba tidak lagi mengikuti instruksi Anda.

Studi Kasus: Seperti Apa Sistem Otomatisasi Lengkap Itu

Seorang insinyur berpengalaman 11 tahun, membangun sistem yang terdiri dari tiga bagian:

Hasil setelah satu minggu:

· Sebelumnya: 8 jam sehari menulis kode
· Sesudahnya: Hanya 2–3 jam sehari melakukan tinjauan dan pengujian kode

· Kualitas kode: Pada dasarnya tidak berubah—karena ia akan meninjau satu per satu
· Status Teams: Selalu online—mouse bergerak otomatis setiap menit
· Waktu sisa: Bebas sepanjang hari

Ini bukanlah "sihir", tetapi hasil dari gabungan CLAUDE.md + agen yang tepat + mekanisme loop setiap 15 menit.

Daftar lengkap:

Apa yang Anda dapatkan setelah membacanya:

· Sebelumnya: Claude melanggar norma yang ada dalam 40% kasus
· Sesudahnya: Menggunakan CLAUDE.md Karpathy, tingkat pelanggaran turun menjadi 3%

· Sebelumnya: Anda perlu menghabiskan berminggu-minggu untuk membangun agen
· Sesudahnya: 27 agen siap pakai

· Sebelumnya: Claude Max habis kuotanya dalam 2–3 jam
· Sesudahnya: Downgrade ke v2.1.98 dapat memulihkan ~40% batas penggunaan

· Sebelumnya: Perlu 8 jam sehari menulis kode
· Sesudahnya: Hanya 2–3 jam untuk review, sisanya dijalankan otomatis oleh sistem

· Waktu setup: 15–20 menit
· Penghematan harian: 5–6 jam
· Penghematan bulanan: 100–120 jam

Jika nilai waktu Anda adalah $30 per jam—Anda sebenarnya "kehilangan secara tidak terlihat" $3000–3600 setiap bulan.

Jika $100 per jam—itu adalah $10000–12000 per bulan mengalir percuma, hanya karena Anda masih menulis secara manual kode yang sebenarnya dapat diselesaikan Claude sendiri.

Kebanyakan pengembang tidak akan mencapai level ini—bukan karena mereka tidak bisa, tetapi karena mereka mengira hal ini rumit. Sebenarnya, antara Anda dan "otomatisasi penuh", hanya ada tiga perintah dan satu file.

Insinyur yang saya sebutkan di awal, bukanlah jenius, juga bukan insinyur senior dari Google. Dia hanya menghabiskan waktu satu malam untuk menyiapkan sistem—sejak itu, pekerjaan diselesaikan sistem, dia hanya bertanggung jawab untuk hidup.

Anda bisa melakukan hal yang sama malam ini. Sementara yang lain masih berdebat apakah AI akan menggantikan pengembang, mereka yang telah menyiapkan sistem, hanya menerima uang dan bersantai.

Pilihannya sebenarnya jelas. Anda sedang membangun hidup Anda sendiri—maka pilih jalur yang benar.

Pertanyaan Terkait

QApa yang dimaksud dengan CLAUDE.md dan bagaimana cara kerjanya untuk meningkatkan produktivitas pengembang?

ACLAUDE.md adalah file markdown yang berisi seperangkat aturan terstruktur untuk memandu perilaku Claude Code dalam menulis kode. File ini menerapkan empat prinsip inti: Think Before Coding (berpikir sebelum coding), Simplicity First (kesederhanaan pertama), Surgical Changes (perubahan tepat sasaran), dan Goal-Driven Execution (eksekusi berorientasi tujuan). Dengan menggunakan CLAUDE.md, tingkat pelanggaran aturan coding turun dari 40% menjadi hanya 3%, menghemat waktu pengembang dengan mencegah kesalahan yang dapat diprediksi.

QBagaimana sistem 'Everything Claude Code' mengubah cara kerja pengembang dengan AI?

AEverything Claude Code berfungsi seperti sistem operasi AI lengkap untuk membangun produk, yang terdiri dari 27 agent dan 64 skill yang dapat dikustomisasi. Alih-alih sekadar berinteraksi dengan AI, pengembang sekarang dapat 'mengelola tim teknik AI' yang berjalan otomatis. Sistem ini kompatibel dengan berbagai alat seperti Claude, Codex, Cursor, OpenCode, dan Gemini, menggantikan kebutuhan untuk membangun sistem agent secara manual dan menghemat biaya langganan AI bulanan.

QApa masalah tersembunyi yang ditemukan pada Claude Code v2.1.100 dan bagaimana dampaknya?

AVersi Claude Code v2.1.100 diam-diam mengonsumsi sekitar 20.000 token tambahan di sisi server meskipun mengirim data yang lebih sedikit. Inflasi token ini mengisi konteks Claude, mengencerkan instruksi dalam CLAUDE.md, menurunkan kualitas output dalam percakapan panjang, dan membuat kuota Claude Max habis 40% lebih cepat. Masalah ini dapat diperbaiki sementara dengan menggunakan perintah 'npx claude-token-fixer@latest' hingga Anthropic merilis perbaikan resmi.

QBagaimana contoh nyata implementasi sistem otomatisasi ini dalam kehidupan kerja seorang insinyur?

ASeorang insinyur Google dengan 11 tahun pengalaman berhasil mengotomatisasi 80% pekerjaannya menggunakan kombinasi CLAUDE.md, agent yang tepat, dan mekanisme loop 15 menit. Sistem ini memungkinkannya mengurangi waktu kerja dari 8 jam menjadi hanya 2-3 jam per hari untuk review kode dan testing, sementara sistem menjalankan sisanya secara otomatis. Ia menghasilkan $28.000 pendapatan pasif bulanan dengan kualitas kode yang tetap terjaga.

QApa dampak finansial dan waktu yang bisa dihemat dengan mengadopsi sistem otomatisasi AI ini?

ADengan waktu setup hanya 15-20 menit, sistem ini menghemat 5-6 jam per hari atau 100-120 jam per bulan. Secara finansial, jika nilai waktu seseorang adalah $30 per jam, mereka menghemat $3000-3600 per bulan. Untuk tarif $100 per jam, penghematannya mencapai $10.000-12.000 per bulan. Ini menunjukkan bahwa tidak mengadopsi otomatisasi AI sama dengan 'kehilangan uang secara tidak terlihat' karena masih menulis kode secara manual yang sebenarnya bisa dilakukan AI.

Bacaan Terkait

Tren Saham AS: Satu Kalimat Jensen Huang Tembuskan $470 Miliar, Google Pertama Kali 'Jual Diri' untuk Cari Dana dalam 20 Tahun

**AI Perang Senjata: Dari Perkataan ke Uang Tunai** Pada tanggal 2 Juni, pasar saham AS menampilkan dua sisi dari perlombaan AI: hype yang mendorong valuasi dan kebutuhan dana yang sangat besar. Pasar saham ditutup lebih tinggi, dengan S&P 500 mencapai rekor di atas 7.600 poin. Namun, sorotan utama adalah sektor semikonduktor yang melonjak karena **Computex Taipei**. * **Marvell Technology (MRVL)** melonjak **32,52%**, menambah kapitalisasi pasar sebesar $470 miliar, setelah CEO Nvidia Jensen Huang menyebutnya sebagai "perusahaan triliunan dolar berikutnya". Ini menunjukkan pergeseran minat investor dari inti AI ke ekosistem pendukungnya. * **Hewlett Packard Enterprise (HPE)** naik **~25%** setelah laporan laba yang sangat kuat, menunjukkan bahwa pemain infrastruktur "tradisional" juga mendapat manfaat dari ledakan AI. Di sisi lain, **Alphabet (GOOGL)** mengumumkan rencana penggalangan dana ekuitas senilai **$80 miliar**, yang pertama kalinya dalam 20 tahun. Ini menekankan betapa hausnya modal untuk infrastruktur AI, sehingga bahkan raksasa seperti Google perlu mencari tambahan dana meski memiliki arus kas yang besar. Sahamnya turun ~4%. Sektor teknologi dan utilitas memimpin kenaikan, sementara komunikasi jatuh karena tekanan dari Alphabet. Meskipun indeks ketakutan (VIX) rendah, para analis memperingatkan bahwa kekuatan pasar saat ini sangat terkonsentrasi pada beberapa saham AI, menutupi tantangan latar belakang yang lebih luas. Fokus selanjutnya adalah pada laporan kuartalan Broadcom dan yang terpenting, data **pekerjaan non-pertanian AS hari Jumat**, yang akan memandu ekspektasi suku bunga dan menguji ketahanan rally pasar.

marsbit48m yang lalu

Tren Saham AS: Satu Kalimat Jensen Huang Tembuskan $470 Miliar, Google Pertama Kali 'Jual Diri' untuk Cari Dana dalam 20 Tahun

marsbit48m yang lalu

Mampukah DeepSeek Menghemat 1 Triliun Dolar untuk China?

**Ringkasan Artikel: Apakah DeepSeek Dapat Menghemat 1 Triliun Dolar AS untuk China?** Artikel ini membahas bagaimana DeepSeek, melalui serangkaian inovasi teknologinya, berpotensi secara drastis menekan biaya infrastruktur AI China dan berpotensi menghemat investasi hingga triliunan dolar AS. **Tantangan: Biaya AI yang Melonjak** Biaya perangkat keras AI, terutama memori berbandwidth tinggi (HBM), sedang meroket. Misalnya, pada sistem AI canggih NVIDIA Vera Rubin, biaya komponen memori saja mencapai sekitar $2 juta dan telah naik 435% dalam setahun. **Solusi DeepSeek: Tiga Inovasi Utama** DeepSeek mendekati masalah ini dengan tiga terobosan teknis utama untuk meningkatkan efisiensi token perangkat keras hingga 4 kali lipat: 1. **Kompresi Memori (KV Cache):** Melalui **Multi-head Latent Attention (MLA)**, DeepSeek mengompres "memori" konteks panjang model secara signifikan (hingga 90%+ pengurangan) tanpa mengorbankan kualitas, mengurangi ketergantungan pada HBM yang mahal. 2. **Aktivasi "Tubuh" Model Sesuai Kebutuhan:** Menggunakan arsitektur **Mixture of Experts (MoE)**, model hanya mengaktifkan sebagian kecil dari total parameternya untuk setiap tugas. Ini seperti hanya memanggil dokter spesialis yang relevan, bukan seluruh rumah sakit. 3. **Cache dan Penggunaan Ulang:** Hasil komputasi yang sudah dihitung disimpan dan digunakan kembali (cache hit), menghindari perhitungan berulang yang mahal. DeepSeek menerapkan ini bahkan dalam struktur harga layanannya. **Dampak dan Potensi Penghematan** Efisiensi ini mengubah ekonomi infrastruktur AI: * **Pengurangan Biaya Operasional:** Untuk tugas tertentu (misalnya, membaca ulang kode panjang), biaya menggunakan DeepSeek V4-Pro bisa **100 kali lebih murah** dibandingkan model seperti GPT-5.5 atau Claude Opus. * **Penghematan Infrastruktur Berskala Besar:** Artikel memperkirakan, dengan peningkatan efisiensi 4x, untuk memenuhi permintaan token harian masa depan China yang mencapai ribuan triliun, pendekatan DeepSeek berpotensi menghemat investasi setara dengan **puluhan ribu pusat komputasi cerdas**, yang nilainya bisa mendekati **$1 triliun**. * **Pergeseran Strategis:** Alih-alih hanya bergantung pada chip komputasi canggih (di mana China tertinggal), DeepSeek mengalihkan beban ke manajemen memori, cache, dan rekayasa sistem — area di mana industri China seperti produsen memori DRAM (contoh: CXMT) semakin kompetitif. Ini meningkatkan keamanan rantai pasokan. **Kesimpulan** DeepSeek tidak menghilangkan kebutuhan akan perangkat keras canggih, tetapi secara radikal mengurangi ketergantungan marjinal padanya. Dengan membuat AI lebih terjangkau melalui efisiensi teknis mendalam, DeepSeek berpotensi membentuk ulang buku besar infrastruktur AI China, menghemat investasi besar, dan yang terpenting, membuat daya AI dapat diakses oleh industri luas di China. *(Catatan: Artikel ini didasarkan pada analisis industri dan proyeksi, bukan fakta yang sudah pasti.)*

marsbit1j yang lalu

Mampukah DeepSeek Menghemat 1 Triliun Dolar untuk China?

marsbit1j yang lalu

Trading

Spot
Futures
活动图片