Bahkan Linus Torvalds Pakai AI untuk Kernel Linux

Verdict Cepat: TL;DR

Kabar terbesar dunia AI coding pekan ini datang dari orang yang paling tidak terduga. Linus Torvalds, kreator Linux yang terkenal skeptis pada hype AI, kini memakai asisten coding AI untuk menulis patch kernel Linux. Bukan untuk skrip iseng. Untuk page cache, salah satu bagian paling sensitif di kernel.

Fakta intinya begini. Torvalds memakai Claude Code, asisten coding AI dari Anthropic, untuk mengerjakan branch eksperimental berisi delapan patch. Targetnya satu bottleneck lama: contention saat banyak thread membaca file yang sama. Benchmark yang ia jalankan sendiri mencatat kenaikan dari sekitar 10 juta menjadi sekitar 30 juta read per detik pada workload sempit itu. Kode, program uji, review, bahkan draf pertama dokumentasinya ia kerjakan dengan bantuan LLM. Semua masih eksperimental dan belum masuk kernel resmi.

Yang membuat cerita ini penting bukan angkanya. Angka itu datang dari satu benchmark sintetis di satu laptop. Yang penting adalah kalimat pendampingnya. Torvalds menulis bahwa semua pekerjaan itu ia lakukan di bawah pengawasannya. Ia juga pernah bilang memakai AI untuk hal-hal yang bukan keahliannya. Pesannya jelas: AI coding bukan soal siapa yang mengetik, tapi siapa yang memahami, mengukur, dan bertanggung jawab atas hasilnya.

Saya membaca ini sebagai kabar baik untuk developer Indonesia. Kalau kreator Linux saja berani memakai AI untuk kernel, tidak ada alasan takut memakai AI untuk proyek sehari-hari. Syaratnya satu, dan Torvalds mencontohkannya langsung: tetap pegang kendali.

Dari Skeptis Berat sampai Pengguna Setia

Perubahan sikap Torvalds tidak terjadi dalam semalam. Pada 2024 ia masih menyebut industri AI penuh hype marketing. Keraguannya beralasan. Kernel Linux adalah salah satu codebase dengan review paling ketat di dunia. Kode hasil LLM terkenal rawan halusinasi dan bug keamanan yang halus.

Titik baliknya terjadi di Open Source Summit Europe di Praha. Di atas panggung ia berkata, dulu ia menganggap teknologinya belum cukup bagus, tapi sekarang ia sampai di titik menikmati memakai AI. Kutipan aslinya: “I used to think the technology just wasn’t very good. But now I’ve reached a point where I really enjoy using AI.”

Perjalanannya juga tidak instan. Ia sudah bereksperimen dengan LLM di proyek terpisah selama berbulan-bulan sebelum berani menyentuhnya untuk kernel. Bahkan setelah memutuskan memakai, ia butuh sekitar enam bulan menyiapkan tool sampai berhenti memberi jawaban buruk. Pelajaran pertamanya untuk kita: AI coding yang bagus butuh setup yang serius, bukan sekadar install lalu berharap hasil.

Bedah 8 Patch: Apa yang Sebenarnya Ia Bangun

Branch eksperimental itu bernama noref-filemap-read-with-llm. Namanya sudah menjelaskan isinya. Patch ini memungkinkan kernel membaca dari page cache tanpa mengambil folio reference, sehingga menghilangkan satu titik contention ketika banyak thread membaca file yang sama secara bersamaan.

Baca juga:

Bikin Aplikasi Android Cuma Modal Prompt, Tanpa Coding

Untuk konteks sederhana: page cache adalah memori tempat Linux menyimpan salinan file yang sering dibaca, supaya tidak bolak-balik ke disk. Folio reference adalah mekanisme penghitung siapa saja yang sedang memakai salinan itu. Pada workload dengan banyak thread kecil yang membaca file yang sama, antrean penghitung ini jadi leher botol. Patch Torvalds memotong antrean tersebut.

Hasil ukurnya: delapan thread membaca satu file naik dari sekitar 10 juta menjadi sekitar 30 hingga 33 juta read per detik. Pengujian berjalan di laptop pribadinya dengan sebagian proteksi keamanan dimatikan. Ini workload yang sempit dan penuh contention, bukan speedup umum untuk semua pemakaian Linux. Torvalds sendiri jujur soal keterbatasan ini di dokumentasinya.

Transparansinya patut dicontoh. Di dokumen pengantar patch ia menulis: “The code, the test programs, the review that forms the basis of the list above, and the first draft of this text were produced with the help of an LLM coding assistant (Claude Code) under my supervision.” Tidak ada yang ditutupi. Peran AI disebut jelas, dan kata kuncinya ada di ujung: under my supervision, di bawah pengawasannya.

Workflow-nya yang Layak Ditiru, Bukan Headline-nya

Media ramai dengan headline “AI menulis kode kernel”. Itu framing yang meleset. Yang menarik justru workflow di baliknya. Torvalds tidak pernah menyuruh AI “optimalkan kernel saya”. Ia menjalankan proses disiplin yang berpusat pada pengukuran, dan proses itu bisa ditiru siapa pun di codebase apa pun.

Pertama, tugasnya sempit. Satu bottleneck, satu hipotesis, delapan patch. Kedua, ia mengukur sendiri. Bukan klaim AI yang menentukan patch layak disimpan, melainkan benchmark versinya. Ketiga, ia menutup tiap sesi dengan cleanup pass yang panjang. Kode hasil AI ia baca ulang dan rapikan sampai layak direview manusia.

Ada contoh kedua yang tak kalah menarik. Pada kode assoc-array yang terlalu obscure untuk ia ikuti, ia memakai tool LLM untuk memahami masalahnya. Hasilnya: sebuah test harness di user space yang mengonfirmasi bug yang dilaporkan sekaligus menemukan tiga bug lain yang sudah ada sejak 2013. AI di sini berperan sebagai penerjemah kode legasi, bukan penulis buta.

Baca juga:

Membangun MVP Startup dengan Vibe Coding

Saya melihat pola yang sama di proyek vibe coding yang berhasil. Kegagalan vibe coding hampir selalu berakar di tiga hal: tugas terlalu besar, tidak ada verifikasi, dan tidak ada yang membaca hasilnya sampai tuntas. Workflow Torvalds membalik ketiganya. Kuncinya ada di context engineering: beri AI konteks yang tepat, batasi tugasnya, lalu verifikasi hasilnya sendiri.

Aturan Main Baru: Kernel Linux Buang Label Wajib AI

Di pekan yang sama, komunitas kernel membuat keputusan bersejarah. Aturan yang mewajibkan label “Assisted-by” di commit hasil bantuan AI resmi dibuang. Label ini lahir dari proposal Juli 2025 dan masuk dokumentasi Januari 2026. Tujuannya mulia: memberi maintainer cara mengenali kontribusi berbantuan AI untuk direview lebih teliti.

Datanya bicara lain. Dari 18.533 commit non-merge di Linux 7.3 sampai release candidate 7, hanya sekitar 10 persen yang berlabel. Padahal pemakaian AI diyakini jauh lebih luas. Banyak kontributor tidak tahu aturan ini ada, sebagian sengaja melewatkannya. Label yang tidak bisa diandalkan akhirnya dibuang. Greg Kroah-Hartman, maintainer veteran yang dulu mendukung label, kini berubah pikiran: “LLMs are good enough now. They’ve gotten good enough to find bugs because LLMs, AI, are just pattern matchers and code is nothing but patterns in a specific format.”

Respons Torvalds khas dirinya: tajam. “I don’t understand this whole idiotic concept of ‘don’t use AI for X’.” Ia bahkan menyindir balik: kalau begitu larang saja compiler dan wajibkan semua orang menulis assembly untuk membuktikan paham kode. Poinnya serius di balik sarkasme: yang ia tuntut adalah orang memahami kode yang dikirim, dan pemahaman itu tidak ada hubungannya dengan alat yang dipakai.

Aturan penggantinya masuk akal. Developer tetap diminta menjelaskan pemakaian AI di cover letter patch, bukan label di tiap commit. Transparansi tetap ada, tapi dalam bentuk narasi yang berguna buat reviewer, bukan stempel yang gampang diakali.

Cara Linus vs Cara Kebanyakan Orang Memakai AI Coding

Biar gampang diingat, ini bedanya dalam satu tabel.

4 Pelajaran Vibe Coding untuk Developer Indonesia

Kabar ini relevan buat ekosistem lokal. Vibe coding sedang naik daun di Indonesia, dari MVP startup sampai tools internal UMKM. Berbekal laporan ZDNet soal delapan patch dan perjalanan Torvalds di atas, ini empat pelajaran yang bisa langsung dipakai.

Baca juga:

Panduan Praktis Setup FastAPI untuk Server LLM Lokal

Pertama, pakai AI untuk hal yang sulit, bukan hal yang malas. Torvalds memakai AI untuk memahami kode obscure dan mengerjakan optimasi rumit, pekerjaan yang memakan waktunya berhari-hari. Katanya ke ZDNet: “I use AI to do the things that I’m bad at.” Ia tidak memakai AI untuk menghindari berpikir. Bedakan keduanya di proyek sendiri.

Kedua, pahami setiap baris yang masuk. Standar Torvalds tidak berubah: kirim kode yang dipahami. Kalau tidak bisa menjelaskan kode hasil AI ke orang lain, kode itu belum layak dikirim. Ini juga jawaban buat yang bertanya apakah coding manual masih relevan di era AI IDE. Relevan, justru sebagai fondasi untuk menilai output AI.

Ketiga, ukur, jangan percaya klaim. Punya definisi selesai yang bisa diuji sebelum minta AI mengerjakan. Benchmark, test, atau kriteria penerimaan yang jelas. Tanpa itu, tidak ada cara membedakan kode yang bagus dari kode yang terlihat bagus.

Keempat, jujur soal peran AI. Torvalds menulis jelas apa yang dikerjakan AI di dokumennya. Di tim, kejujuran ini mempercepat review karena reviewer tahu bagian mana yang butuh perhatian ekstra. Ironisnya, kernel Linux baru saja membuang label AI wajib karena label formal tidak bisa diandalkan. Kejujuran naratif jauh lebih berguna daripada stempel.

Buat yang baru mulai, pahami dulu pengertian vibe coding dan pilih tools vibe coding untuk pemula yang sesuai kebutuhan. Fondasi yang benar membuat empat pelajaran di atas jauh lebih mudah dipraktikkan, termasuk saat membangun MVP dengan vibe coding.

Final: Kesimpulan dan Langkah Praktis Berikutnya

Ringkasnya: kreator Linux memakai Claude Code untuk delapan patch page cache eksperimental, mengukurnya sendiri, membersihkan hasilnya tiap sesi, dan tetap menuntut pemahaman penuh atas kode yang dikirim. Komunitas kernel pun membuang label AI wajib karena yang penting bukan alatnya, melainkan kompetensinya. Rangkuman perjalanan Torvalds ini menunjukkan satu hal: omongan dan praktiknya selaras.

Bagi saya, ini momen validasi buat vibe coding. Bukan validasi untuk asal prompt lalu deploy, melainkan validasi untuk cara kerja yang disiplin. AI sudah cukup bagus untuk pekerjaan serius, seperti kata Greg Kroah-Hartman. Tanggapan Torvalds soal aturan pelarangan AI menegaskan sisanya: yang belum tentu siap adalah workflow kita, bukan toolnya.

Baca juga:

Panduan Praktis Setup ChromaDB Lokal untuk Proyek AI

Saya menyarankan satu latihan untuk pekan ini: pilih satu masalah spesifik, siapkan cara mengukurnya, minta AI mengerjakan drafnya, lalu baca ulang dan rapikan sampai berani mempertanggungjawabkannya. Kalau polanya berhasil di kernel Linux, besar peluang berhasil di proyek Anda.