Hacker News Tanpa AI: Siapa yang Butuh Filter Ini?

Kamu pasti pernah buka Hacker News lalu scrolling ke bawah — dan setiap tiga postingan, satu pasti soal LLM baru, benchmark model terbaru, atau startup AI yang baru raise dana. Bener nggak? Nah, ada satu developer yang kepedesan sama hal ini. Dia bikin versi alternatif HN yang namanya cukup jelas: "Hacker News without AI". Konsepnya simpel: ambil feed HN asli, terus filter keluar semua yang berbau AI, machine learning, LLM, neural network, dan keyword sejenis. Sisanya? Hanya topik non-AI murni: sistem terdistribusi, database, programming language, security, hardware, dan sebagainya.

Proyek ini muncul sebagai "Show HN" — kategori khusus di HN buat developer pamerin side project mereka. Postingan aslinya cuma dapet 14 poin dan 12 komentar, tapi diskusi di thread-nya cukup panas. Beberapa orang bilang "finally, someone did this" karena udah capek lihat feed dipenuin hype AI. Yang lain justru protes: "HN itu tempat temuin hal baru, kalau difilter AI malah kelewat paper penting soal arsitektur sistem yang pakai ML di belakang layar." Ada juga yang nanya teknis: filternya pakai keyword matching doang atau ada klasifikasi berbasis embedding? Si pembuat jawab pakai pendekatan keyword-based yang simpel, tapi terbuka buat upgrade nanti.

Kenapa orang capek sama AI di HN?

Gue mikir, kenapa sih sampe ada yang bikin filter khusus? Jawabannya: volume. Tahun 2023-2024, proporsi postingan AI di HN naik drastis. Beberapa analisis komunitas (bukan resmi dari Y Combinator) estimasi 30-40% postingan di front page berkaitan AI — baik paper riset, launch produk, funding news, hingga diskusi filosofis soal AGI. Buat developer yang fokus di bidang lain — misal embedded systems, compiler, atau network engineering — ini terasa kayak noise. Mereka mau baca soal memory allocator baru atau bug kernel Linux, bukan benchmark GPT-4 vs Claude 3.5 buat yang ke-seratus-kalinya.

Tapi sisi lain, HN memang jadi "town square" buat tech. Banyak breakthrough AI yang justru dibahas pertama kali di sana — dari rilis paper "Attention Is All You Need" (walau itu 2017) hingga diskusi soal scaling laws. Kalau kamu filter terlalu agresif, kamu mungkin kelewatan konteks penting: misal paper soal "efficiency" yang sebenernya relevan buat kerjaan kamu optimize database, tapi dikategorikan AI karena pakai transformer. Itu trade-off yang harus dipikirkan siapa aja yang mau pakai filter semacam ini.

Cara kerjanya sebenarnya gimana?

Si pembuat (username HN: "noaihn") jelasin di komentar: dia pakai Firebase Function yang jalan tiap 5 menit, fetch top 500 stories dari HN API resmi, terus jalanin filter keyword di title dan URL. Keyword list-nya cukup panjang: "AI", "LLM", "GPT", "Claude", "OpenAI", "Anthropic", "machine learning", "deep learning", "neural", "transformer", "fine-tune", "RAG", "agent", "AGI", dan variasi sejenis. Kalau story lolos filter, dia masuk ke database Firebase dan ditampilin di frontend Next.js yang di-host di Vercel. Simpel, murah, dan efektif buat MVP.

Namun ada kelemahan jelas: false positive dan false negative. False positive: postingan soal "AI-driven code review tool" tapi isinya sebenarnya soal static analysis — kebuang. False negative: postingan soal "New vector database for embeddings" tanpa sebut AI/LLM — lolos filter padahal konteksnya AI. Beberapa komentar menyarangin pakai classifier berbasis embedding (misal sentence-transformers) biar lebih akurat, tapi itu berarti butuh compute dan biaya lebih. Buat side project gratis, keyword-based masih paling masuk akal.

Reaksi komunitas: campur aduk

Di thread asli, ada yang bilang sudah bookmark dan bakal jadi homepage baru. Ada yang request fitur tambahan: filter custom (misal: "hapus AI tapi pertahanin robotics"), RSS feed, atau integrasi ke HN Enhancement Suite (browser extension populer buat customisasi HN). Tapi ada juga kritik tajam: "Ini echo chamber tool. Kalau kamu cuma mau baca yang kamu suka, kamu nggak bakal tumbuh." Argumen ini valid — HN nilai utamanya serendipity, nemuin hal di luar bidmu. Filter topik besar kayak AI berisiko bikin kamu buta soal tren yang justru nge-bubble ke bidang lain.

Satu komentar menarik dari user lama HN: "Saya pakai HN sejak 2010. Dulu orang komplain soal terlalu banyak web framework, lalu mobile app, lalu crypto, lalu kubernetes. Sekarang AI. Polanya sama: hype cycle naik, komunitas geram, lalu normalisasi. Filter ini wajar sebagai coping mechanism sementara." Perspektif ini nyaman banget — mengingatkan kita kalau "AI fatigue" ini bukan pertama kalinya, dan nggak akan terakhir.

Apa pelajaran buat kamu?

Kalau kamu merasa overwhelmed sama konten AI di mana-mana — bukan cuma HN, tapi Twitter, LinkedIn, YouTube, newsletter — kamu nggak sendirian. Fenomena "AI fatigue" nyata dan wajar. Solusi teknis kayak filter HN ini bisa bantu short-term, tapi long-term butuh strategi kurasi sendiri: follow orang-orang yang curate baik, pakai list/collection fitur platform, atau batasi waktu konsumsi. Jangan biarkan FOMO bikin kamu baca semua paper arXiv harian — itu mustahil dan nggak produktif.

Proyek "Hacker News without AI" juga ngajarin kita: side project nggak harus kompleks buat berguna. Seorang developer, satu ide simpel, sebulan kerja santai, dan jadi tools yang ribuan orang (meski nggak viral masif) merasa butuh. Itu definisi "scratch your own itch" yang klasik. Kalau kamu punya kebutuhan niche yang nggak terlayani produk besar, coba bangun sendiri — mungkin cuma buat kamu, tapi bisa jadi berguna buat ribuan orang lain juga.