Kiro, AWS berbasis spesifikasi IDE

Asisten pengembangan berbasis AI dengan cepat memantapkan dirinya dalam praktik sehari-hari. Kami segera melihat munculnya praktik pengkodean getaran. Hanya dalam beberapa bulan, mereka berubah dari gadget yang menjanjikan menjadi alat yang sangat penting untuk mempercepat produksi kode. Namun di balik janji ini, masih ada kesulitan: bagaimana mempertahankan kontrol, konsistensi, dan kerangka teknis nyata ketika AI melakukan intervensi di mana pun?

Di sinilah AWS memposisikan Kiro, sebuah IDE berdasarkan VSCode dan berfokus pada pengkodean berbasis spesifikasi. Kiro menawarkan cara terstruktur untuk berkolaborasi dengan agen AI. Alat ini tidak hanya berupaya menghasilkan kode lebih cepat. Yang terpenting, ia mencoba melakukan hal ini dalam kerangka yang eksplisit, terdokumentasi, dan dapat diulang.

Kita akan melihat apa yang ditawarkan Kiro, cara kerja pendekatan berbasis spesifikasi, apa yang perlu Anda pahami tentang model bisnisnya, dan perbandingannya dengan inisiatif seperti spec-kit.

Sebuah IDE yang dirancang untuk AI

Kiro dirilis di GA pada 17 November 2025. Kiro didasarkan pada VSCode, namun telah dimodifikasi oleh AWS untuk mengintegrasikan fungsi AI yang didedikasikan untuk pengembangan. Idenya bukan untuk menawarkan editor sederhana yang diperkaya dengan obrolan atau asisten kontekstual. Kiro ingin melangkah lebih jauh dengan mengintegrasikan metode kerja lengkap berdasarkan spesifikasi.

Penggunaan IDE memerlukan langganan, gratis atau berbayar. Pilihan ini menempatkan Kiro dalam logika layanan daripada alat lokal yang otonom. Pengalaman ini sebagian besar didasarkan pada infrastruktur cloud AWS, dengan Bedrock sebagai landasan eksekusi.

Pada tingkat praktis, Kiro mengandalkan beberapa model bahasa, yang dapat dipilih secara otomatis atau dipilih sendiri oleh pengguna. Di antara pemasok yang diumumkan, kami menemukan khususnya Claude, Deepseek, MiniMax dan Qwen. Keterbukaan ini memberikan fleksibilitas tertentu pada alat tersebut, sekaligus mempertahankan logika sentralisasi di AWS.

Manajemen data

Seperti yang sering terjadi pada alat AI yang terintegrasi ke dalam lingkungan pengembangan, pertanyaan tentang data adalah hal yang utama. Ini dibagi menjadi dua topik berbeda: telemetri IDE dan data yang dikirim ke mesin AI.

Di sisi telemetri, Kiro menawarkan beberapa pengaturan yang memungkinkan kontrol lebih baik atas data yang dilaporkan. Subjeknya penting, namun tetap relatif klasik untuk produk modern: pengguna dapat menyesuaikan parameter sesuai dengan tingkat penerimaannya.

Bagian paling sensitif menyangkut data yang digunakan oleh AI. Di sini Anda harus merujuk pada dokumentasi perlindungan data yang diterbitkan oleh Kiro, karena aturannya bergantung pada jenis langganan: jika langganan bersifat individual tetapi pengguna memiliki langganan Amazon Q Developer Pro, maka data tersebut tidak digunakan untuk pembelajaran. Hal ini juga berlaku bagi pengguna yang tidak berada dalam kerangka berlangganan individual.

Poin ini bukanlah sebuah anekdotal. Dalam konteks sensitif, pertanyaannya bukan hanya mengetahui apakah alat tersebut berfungsi dengan baik, namun juga memahami dalam kondisi apa data tersebut diteruskan, disimpan, atau dapat digunakan kembali.

Penetapan harga berdasarkan kredit

Kiro mengadopsi model faktur yang cukup mudah dipahami, namun harus dipahami sebelum mengadopsinya. Semua faktur yang terkait dengan penggunaan model dipusatkan di Kiro. Anda tidak perlu berlangganan layanan tambahan, yang menyederhanakan pengalaman, tetapi juga mengharuskan Anda memantau konsumsi kredit Anda.

Unit dasarnya adalah kredit yang sebenarnya menyembunyikan konsumsi token.

Penawaran yang tersedia semuanya menawarkan fitur yang sama. Perbedaannya hanya bergantung pada jumlah pulsa bulanannya saja. Untuk memulainya, kami menemukan penawaran gratis dengan 50 kredit per bulan dan kami dapat meningkatkan penawaran $200 per bulan dengan 10.000 kredit. Pada semua penawaran akan ada kemungkinan melebihi paket sebesar $0,04 per kredit.

Saat membuat akun, Kiro juga menawarkan 500 kredit gratis untuk digunakan selama sebulan. Hal ini memungkinkan Anda menguji alat tersebut tanpa komitmen langsung.

Konsumsinya bervariasi tergantung model yang digunakan. AWS menerapkan faktor mulai dari 1,3x hingga 0,05x, bergantung pada pilihan LLM. Dalam mode otomatis, faktor yang diterapkan adalah 1x, apa pun model yang dipilih.

Pengkodean berdasarkan spesifikasi: mengembalikan kerangka kerja ke AI

Ketertarikan Kiro sebenarnya terletak pada pendekatannya terhadap pengembangan yang dibantu AI. Tujuan dari pengkodean berbasis spesifikasi adalah untuk mendapatkan perilaku yang lebih koheren dari agen, dengan menempatkan mereka dalam kerangka kerja yang telah ditentukan sebelumnya.

Ide dasarnya sederhana: jika kita ingin AI menghasilkan kode yang berguna dalam proyek nyata, memberikan instruksi satu kali saja tidak cukup. Kita harus menyediakan konteks yang stabil, eksplisit, dan bersama. Inilah peran yang dimainkan oleh kemudi.

Pengarah mendefinisikan prinsip-prinsip operasi proyek. Ini diintegrasikan ke dalam setiap prompt untuk mempertahankan pedoman yang konstan. Agar efektif, laporan tersebut harus tepat, faktual, dan cukup singkat agar tidak membebani permintaan-permintaan berikutnya secara tidak perlu.

Di Kiro, arahan ini diwujudkan oleh dokumen penurunan harga yang ditulis dalam bahasa alami. Mereka merupakan memori proyek dan repositori agen. Pendekatan ini menarik karena tetap dapat dibaca oleh manusia dan dapat digunakan oleh model.

Tiga file untuk menyusun proyek

Kerangka kerja berbasis spesifikasi Kiro bergantung pada tiga file utama.

produk.md

File ini menjelaskan tujuan produk. Ini menyatukan tujuan, fitur utama, dan tujuan fungsional. Ini adalah dokumen dari Mengapa.

Hal ini digunakan untuk menjawab pertanyaan sederhana namun penting: nilai apa yang dihasilkan produk, kemampuan apa yang diharapkan, perilaku penting apa yang harus dipertahankan? Tanpa landasan ini, AI akan berisiko menghasilkan jawaban yang benar secara teknis namun tidak sesuai dengan tujuan bisnis.

teknologi.md

File tech.md menggambarkan komentar. Di sana kami menemukan tumpukan teknologi, kerangka kerja yang digunakan, perpustakaan penting, dan perintah proyek biasa.

Pada proyek aplikasi, file ini dapat berisi perintah lint, build, dan test. Pada proyek IaC, ini juga dapat menjelaskan perintah yang terkait dengan manajemen tumpukan, verifikasi, atau penerapan. Dalam praktiknya, ini adalah dokumen yang sangat berguna untuk mencegah agen menciptakan konvensi yang tidak sesuai dengan proyek.

struktur.md

Akhirnya, structure.md menentukan organisasi repositori. Ini menjelaskan struktur pohon, folder mana yang akan digunakan, konvensi penamaan, dan cara menyusun konten file.

Poin ini sering kali diremehkan, padahal hal ini mengkondisikan sebagian besar koherensi pekerjaan yang dihasilkan. Sebuah AI dapat menghasilkan kode yang baik, namun jika ia menempatkannya di tempat yang salah atau mengadopsi organisasi yang tidak konsisten, maka nilainya menjadi terbatas. File ini digunakan secara tepat untuk menghindari penyimpangan jenis ini.

Apa yang diubah oleh metode ini

Pengkodean berbasis spesifikasi memberikan respons terhadap masalah umum: semakin sering kita menggunakan AI dalam sebuah proyek, semakin besar risiko kita melihat penyimpangan dalam gaya, struktur, atau niat. Setiap perintah dapat membawa konteks baru, interpretasi baru, atau cara baru dalam menghasilkan kode.

Dengan menerapkan dasar dokumenter yang stabil, Kiro berupaya mengurangi variabilitas ini. Agen tidak bertindak berdasarkan instruksi yang terisolasi, namun berdasarkan seperangkat aturan bersama. Hal ini membuat respons lebih dapat diprediksi dan meningkatkan kesinambungan kerja.

Pendekatan ini sangat masuk akal dalam proyek yang melibatkan beberapa orang, atau ketika repositori sudah memiliki struktur tingkat tinggi. Hal ini juga memfasilitasi penerimaan kontributor baru, karena dokumen pengarah segera memberikan visi yang lebih jelas tentang ekspektasi.

Kiro dan spec-kit: dua pendekatan serupa, dengan beberapa perbedaan.

Kiro dan spec-kit sering kali disatukan karena mereka mengejar ide yang sama: memandu AI berdasarkan spesifikasi, bukan berdasarkan perintah yang terisolasi. Oleh karena itu, secara teori, kedua pendekatan ini sangat mirip.

Faktanya, implementasinya berbeda. Kiro menawarkan IDE lengkap dan baris perintah bawaan. Spec-kit didasarkan pada plugin yang ditujukan untuk agen berbeda, di mana Kiro dapat menjadi bagiannya. Oleh karena itu, kami lebih mengandalkan logika ekosistem di sisi spec-kit, dan logika lingkungan terintegrasi di sisi Kiro.

Alur kerjanya secara umum tetap sama:

• Menentukan : menjelaskan fungsionalitas yang akan diimplementasikan.
• Rencana : menghasilkan rencana pelaksanaan yang jelas.
• Tugas : membagi pekerjaan menjadi tugas-tugas dasar dengan ketergantungan dan kemungkinan paralelisasi.
• Melaksanakan : benar-benar melaksanakan implementasinya.
• Menganalisa : setelah suatu implementasi kita dapat memeriksa konsistensi antara spesifikasi, rencana, tugas dan pelaksanaan serta perbaikan jika diperlukan.

Urutan ini relevan karena memaksa alasan untuk dijelaskan sebelum melanjutkan ke penulisan. Hal ini mengurangi risiko diperolehnya implementasi yang terlalu cepat, namun tidak sesuai dengan kebutuhan.

Masukan

Setelah dilakukan pengujian, perbedaan kedua pendekatan tersebut terasa cukup cepat. Dengan spec-kit dan Claude, penghormatan terhadap konstitusi tampaknya tidak terlalu ketat dibandingkan dengan pihak Kiro. Di sisi lain, umpan balik selama pemenuhan pesanan lebih banyak, dan kode produk secara keseluruhan lebih relevan.

Kiro, pada bagiannya, tampak lebih terstruktur. Perilaku agen lebih stabil, mendekati kerangka kerja yang ditentukan di awal, dan alat tersebut tampaknya lebih menjaga koherensi proyek. Ini adalah poin penting jika tujuan utamanya adalah keterulangan dan penguasaan konteks.

Oleh karena itu, kami dapat melihat Kiro sebagai upaya serius untuk menjadikan AI lebih kompatibel dengan praktik pengembangan terstruktur. Ini bukan sekedar asisten, namun sebuah proposal metodologis seputar pengembangan yang dibantu AI.

Untuk diingat

Kiro kurang menonjol karena kebaruan teknisnya dibandingkan keinginannya untuk membingkai penggunaan AI dalam pengembangan. Pendekatannya yang berbasis spesifikasi, pengendalian penurunan harga, manajemen kredit terpusat, dan integrasinya dengan ekosistem AWS menjadikannya alat yang unik.

Bagi tim yang ingin bereksperimen dengan AI tanpa kehilangan kendali atas proyeknya, Kiro jelas layak untuk dipelajari.