Eksperimen menggunakan berbagai model AI dalam proses vibe coding menunjukkan perbedaan yang signifikan dalam kualitas dan pengalaman pengembangan. Dua model yang dibandingkan adalah Google Gemini 3 Pro, model reasoning kuat untuk pemrosesan mendalam, dan Gemini 2.5 Flash, varian lebih cepat yang mengedepankan kecepatan dibandingkan kedalaman analisis. Kedua model ini ditugaskan untuk membuat project vibe coding berupa aplikasi "Trophy Display Case" yang menampilkan daftar film horor dengan detail tambahan saat pengguna mengklik poster film.
Perbedaan antara model reasoning dan model cepat
Gemini 3 Pro adalah model reasoning yang dirancang untuk memecah masalah kompleks menjadi langkah-langkah kecil, sehingga mengerjakan tugas dengan akurasi dan kedalaman yang tinggi. Sebaliknya, Gemini 2.5 Flash mengadopsi pendekatan hybrid untuk menyeimbangkan kecepatan dan reasoning, namun cenderung lebih fokus pada kecepatan daripada ketelitian. Hal ini tercermin dalam perilaku kedua model saat mengerjakan proyek yang sama, di mana Gemini 3 Pro menunjukkan kemampuan menyelesaikan task dengan minimal intervensi manual, sedangkan Gemini 2.5 Flash membutuhkan arahan yang lebih spesifik dan pekerjaan tambahan.
Gemini 3 Pro sebagai model reasoning unggulan
Penggunaan Gemini 3 Pro menghasilkan halaman landing page yang menampilkan daftar film lengkap dengan poster dan fitur klik untuk membuka informasi detail serta tautan ke trailer di YouTube. Walaupun muncul beberapa masalah teknis, seperti kesulitan menanamkan trailer secara embedded dan isu lapisan popup, model ini mampu menjelaskan kendala teknis dengan jelas serta melakukan perbaikan signifikan. Bahkan setelah sekitar 20 iterasi, Gemini 3 Pro tidak hanya menyelesaikan fungsi utama tetapi juga memberikan ide pengembangan, seperti penambahan efek 3D pada tampilan film dan opsi pemilihan acak film untuk meningkatkan interaksi pengguna.
Gemini 2.5 Flash: lebih cepat tapi membutuhkan intervensi manual
Sebaliknya, Gemini 2.5 Flash memang mengerjakan proses dengan kecepatan yang lebih tinggi, tetapi hasil outputnya mengandung banyak kekurangan dan kesalahan yang harus diperbaiki secara manual oleh pengguna. Model ini tidak secara otomatis mengintegrasikan data dari sumber eksternal seperti The Movie Database (TMDB), melainkan menginstruksikan pengguna untuk mencari dan "mengakuisisi" gambar secara mandiri. Bahkan ketika diminta untuk menambahkan API key TMDB, Flash gagal menarik data yang benar untuk daftar film yang diberikan. Proses update kode juga kurang praktis; model hanya memberikan potongan kode untuk bagian yang diubah sehingga pengguna harus melakukan penggantian manual, yang bisa membingungkan bagi yang kurang paham pemrograman.
Dampak pada proses vibe coding
Perbedaan pendekatan kedua model memberikan implikasi berbeda terhadap workflow vibe coding. Gemini 3 Pro mampu mengurangi beban teknis dan menghadirkan solusi menyeluruh yang siap pakai, membuat proses coding terasa lebih mulus dan minim hambatan. Sebaliknya, Gemini 2.5 Flash menuntut penggunaan yang lebih teliti, pengajuan prompt yang jelas, serta pemahaman pengkodean yang cukup agar bisa menginterpretasi dan menerapkan saran model. Pengguna yang mengandalkan Gemini 2.5 Flash harus siap dengan pekerjaan ekstra dan potensi perlu revisi berulang.
Ringkasan performa dan rekomendasi penggunaan
- Gemini 3 Pro: Lebih lambat, tetapi menawarkan reasoning mendalam, hasil lebih rapi serta saran pengembangan yang relevan. Cocok untuk proyek dengan kebutuhan kualitas tinggi dan solusi langsung.
- Gemini 2.5 Flash: Lebih cepat, tetapi output kurang konsisten dan cenderung menghasilkan pekerjaan manual tambahan. Ideal untuk prototype atau situasi di mana kecepatan lebih penting daripada kesempurnaan.
Dari hasil overview, Gemini 3 Pro layak disebut “thinking model” karena kemampuannya dalam menangani proyek vibe coding secara lebih efisien dan menyeluruh. Sementara Gemini 2.5 Flash sebagai “fast model” lebih mengandalkan intervensi pengguna untuk mencapai hasil optimal. Eksperimen ini mengilustrasikan bahwa pilihan model AI perlu disesuaikan dengan kebutuhan proyek serta kemampuan pengguna dalam mengelola output model.
Pemilihan model yang tepat berpengaruh pada kelancaran pengembangan aplikasi dengan AI, terutama dalam konteks vibe coding yang mengandalkan interaksi dinamis antara pengguna dan mesin. Pengetahuan mengenai karakteristik masing-masing model sangat penting agar pemanfaatan AI dapat maksimal dan sesuai dengan ekspektasi hasil.