Ada satu jenis feedback loop yang tidak pernah masuk daftar incident mana pun: loop yang membuat keyakinan seseorang terhadap sebuah sistem semakin kuat setiap kali sistem itu dipakai — bukan karena sistemnya bekerja, melainkan karena pemakaiannya mengubah orang yang mengukur. Dalam istilah infrastruktur, ini bukan self-healing; ini self-affirming.
Survei tahunan The Pragmatic Engineer terhadap ribuan praktisi software — dirilis pertengahan 2026 — menemukan angka yang hampir terlalu rapi untuk menjadi data: 55% responden kini rutin menggunakan AI agent untuk pekerjaan mereka. Dari kelompok pemakai, 61% menyatakan diri antusias terhadap AI. Dari kelompok non-pemakai, hanya 36% yang antusias. Simetrinya sempurna di sisi skeptisisme: 22% non-pemakai skeptis, dan 11% pemakai. Dua kali lipat, di kedua arah, tanpa satu pun titik tengah yang tersisa. Angka ini bisa dibaca sebagai bukti adopsi — atau sebagai kurva kalibrasi sebuah instrumen yang mengukur dirinya sendiri.
Signal-to-Noise Ratio yang Mengkalibrasi Diri
Dalam arsitektur sistem, signal-to-noise ratio dihitung dengan asumsi bahwa pengamat dan sinyal adalah entitas terpisah. Survey ini melanggar asumsi tersebut. Orang yang paling sering berinteraksi dengan agent adalah orang yang paling mungkin melaporkan hasil positif — bukan karena agent-nya unggul, tapi karena interaksi berulang adalah mekanisme familiarisasi. Sistem yang dipakai setiap hari terasa lebih mumpuni daripada sistem yang sama yang dicoba sekali lalu ditinggalkan, persis seperti monitoring yang alert-nya diabaikan selama tiga bulan terasa lebih sehat daripada alert yang baru dipasang kemarin.
Ini bukan hipotesis konspirasi. Ini observational bias yang terdokumentasi di hampir semua ranah yang melibatkan manusia dan mesin. Yang menarik bukanlah biasnya — melainkan bahwa industri ini membangun capex sebesar ratusan miliar dolar di atas fondasi metrik yang tidak bisa memisahkan performa sistem dari perubahan psikologi penggunanya. Harvard Business Review mencatat pola serupa dalam studi adopsi teknologi perusahaan: tim yang dipaksa memakai alat baru selama 90 hari melaporkan kepuasan yang tidak berkorelasi dengan metrik objektif, hanya dengan lamanya paparan. Durasi, bukan kualitas, yang menjadi prediktor.
Sampling Bias sebagai Fitur, Bukan Bug
Ada lapisan kedua yang lebih halus: siapa yang bertahan memakai AI agent dan siapa yang berhenti. Engineer yang pengalaman pertamanya buruk — agent yang menghapus file, commit yang menimpa pekerjaan tim, hallucination yang lolos ke produksi — cenderung keluar dari kelompok pemakai dan masuk ke kelompok skeptis. Yang pengalamannya mulus bertahan dan menjadi pemakai rutin. Setiap kuartal, kelompok pemakai kehilangan anggota paling skeptisnya ke kelompok sebelah dan menyerap anggota paling optimis dari kelompok yang baru mencoba.
Hasilnya: distribusi antusiasme yang tadinya lebar menyempit menjadi dua puncak yang saling mengunci, dan kedua belah pihak semakin yakin bahwa data mendukung mereka. Dalam bahasa statistical sampling, ini selection bias klasik. Dalam bahasa industri, ini disebut “product-market fit”. Keduanya mendeskripsikan fenomena yang sama — yang membedakan hanyalah siapa yang membayar untuk interpretasinya. CNBC melaporkan bahwa vendor AI coding kini memasarkan survei semacam ini sebagai bukti ROI, padahal survei tersebut mengukur sentimen populasi yang sudah tersaring oleh pengalamannya sendiri.
Feedback Loop Antusiasme dan Biaya Inferensi yang Tidak Terlihat
Di sisi paling material dari loop ini, ada angka yang tidak pernah menyebut kata “sentimen”: energi. Gartner memproyeksikan konsumsi listrik data center global tumbuh 26% di 2026, dan IEA memperkirakan angka itu naik dari 415 TWh pada 2024 menuju 945 TWh pada 2030 — dengan AI menyumbang sekitar seperlima dari total konsumsi pada 2025. Setiap titik persentase antusiasme dalam survei The Pragmatic Engineer berbanding lurus dengan token yang dikonsumsi, GPU yang dipesan, dan power purchase agreement yang ditandatangani.
Di sini feedback loop-nya menjadi utuh: antusiasme mendorong adopsi, adopsi mendorong capex, capex mendorong harga GPU naik, dan harga GPU yang naik — dalam logika pasar yang aneh — justru dibaca sebagai sinyal bahwa teknologi ini berharga. Cost of inference yang meningkat dibingkai ulang sebagai tanda permintaan yang sehat, bukan sebagai biaya yang harus dipertanyakan. Dalam arsitektur sistem, ini adalah thundering herd yang salah didiagnosis sebagai load balancing yang sukses.
Korelasi Tanpa Kausalitas — dan Tanpa Insentif untuk Memisahkannya
Bagian paling jujur dari data ini justru yang paling jarang dikutip: korelasi antara pemakaian dan antusiasme tidak memberi tahu kita arah panahnya. Apakah orang antusias karena agent-nya bekerja, atau agent terasa bekerja karena penggunanya antusias? Kedua hipotesis menghasilkan kurva yang identik, dan tidak ada satu pun pemain di ekosistem ini yang memiliki insentif untuk merancang eksperimen yang memisahkan keduanya — vendor butuh angka adopsi, praktisi butuh pembenaran atas waktu yang sudah diinvestasikan, dan media butuh tren untuk diberitakan.
Dari lokalitas terbatas — dan Indonesia, dengan ekosistem startup-nya yang mengejar adopsi AI dengan kecepatan yang tidak selalu diimbangi pengukuran, tentu mengenal pola ini — pertanyaannya bukan apakah loop ini nyata, melainkan kapan ia jenuh. Dalam container orchestration, setiap autoscaler yang baik punya hysteresis: ambang naik dan turun yang berbeda agar sistem tidak berosilasi. Industri ini, sejauh ini, hanya punya ambang naik. Vertical pod autoscaling antusiasme berjalan satu arah, dan tidak ada deployment yang dirancang untuk turun.
Log ditutup. Kurva antusiasme terus naik, dan tidak seorang pun tahu apakah ia mengukur kemajuan — atau hanya mengukur dirinya sendiri.