AIの「バイブコーディング」が生む“バイブスロップ”危機とは

AIコーディングアシスタントの進化によって、ソフトウェア開発の速度は劇的に上がった。しかしエンジニアの間では今、新しい問題を表す言葉が広がっている。**「バイブスロップ（vibe slop）」**だ。

これは、AIにプロンプトを与えてアプリの大部分を生成する**「バイブコーディング（vibe coding）」**という開発スタイルの副作用を指す。AIがコードを大量に生成できる一方で、人間がそれを理解・レビュー・テスト・保守する速度は変わらないため、開発プロセス全体のバランスが崩れ始めている。

結果として、脆弱性や設定ミス、将来の修正を困難にする**技術的負債（technical debt）**が、コードベースの中に蓄積していくという懸念が強まっている。

なぜ「バイブコーディング」は“バイブスロップ”に変わるのか

生成AIは、動作するコードスニペットを作ること自体は非常に得意だ。しかし、ソフトウェア開発は単にコードを書く作業ではない。

実際のプロジェクトを分析した研究では、AI生成コードは重複が多く、保守性が低い傾向があると報告されている。

さらに重要なのは、開発プロセスのボトルネックが変わることだ。

• コードを書く作業は極端に速くなる
• コードをレビューし安全性を確認する作業は依然として専門家依存

この非対称性により、チームは**「動くが理解されていないコード」**を大量に抱える可能性がある。

オープンソースのメンテナーからは、AI生成のプルリクエストが急増しレビューが追いつかないという報告も出ており、分析者はこの現象をAIスロップの波と呼んでいる。

セキュリティ面のリスク：脆弱性が増える

最大の懸念の一つがセキュリティだ。

セキュリティ研究者によると、AI生成コードに関連する脆弱性が実際に増えている。2026年3月にはAI生成コードが原因とされるCVEが少なくとも35件報告された。

さらに複数の研究では、AIコーディングツールが学習データに含まれる安全でないパターンを再現することがあると指摘されている。

検証では、AIが生成したコードの約45%に一般的な脆弱性（OWASP Top 10など）が含まれていたと報告されている。

もう一つの問題は秘密情報の漏えいだ。

実際の開発ワークフローを分析した研究では、AI支援コミットは人間のみのコミットよりも2倍以上の確率で認証情報を公開してしまうことが確認された（3.2% vs 1.5%）。

このような傾向は、APIキーやパスワードなどのハードコードされた認証情報が公開リポジトリに増える原因にもなっている。

OpenClawの例：AIエージェントがインターネットに公開されると何が起きるか

こうしたリスクは、AIエージェント型ツールで特に顕著になる。

オープンソースのAIアシスタントプラットフォームOpenClawでは、セキュリティ研究者が多数の公開インスタンスを発見している。

調査によると、数万台規模のOpenClawインスタンスがインターネット上で公開状態になっており、設定ミスや古いソフトウェアによって乗っ取り可能なものも多かった。

別のスキャンでは、21,000以上の公開インスタンスが確認され、APIキーやOAuthトークン、平文の認証情報が漏えいしていたケースも見つかった。

さらにエコシステムの調査では、OpenClawの拡張マーケットプレイスの約4,000個のスキルのうち、283個（約7.1%）に認証情報処理の重大な欠陥が見つかっている。

AIエージェントは外部サービスやシステムと深く統合されるため、セキュリティ対策が弱いと**“システムの公開コントロールパネル”**のような状態になってしまう可能性がある。

エンジニアが懸念する「理解できないコードを書く人」問題

多くの開発者は、危険なのはツールそのものではなく使い方だと指摘する。

従来の開発では、コードを書く人は通常、次のような点を理解していることが前提だった。

• アーキテクチャ
• 依存関係
• セキュリティ境界

しかしバイブコーディングでは、その前提が崩れる。

生成されたコードを十分に読めない人でも、AIを使えば動くアプリを作れてしまう。その結果、以下のような問題に気付かないままデプロイされる可能性がある。

• 隠れた脆弱性
• 不安全な認証フロー
• 危険な依存関係
• 例外ケースでの破綻

こうしたソフトウェアは、エンジニアの間で**「ハッピーパス・ソフトウェア」**と呼ばれることがある。つまり、理想的な条件では動くが、現実の環境では簡単に壊れるシステムだ。

長期的コスト：急増する技術的負債

AI生成コードが正しく動作していても、技術的負債は急速に蓄積する可能性がある。

AIによって1人の開発者が生み出すコード量が増えると、組織はより巨大で複雑なコードベースを抱えることになる。もしそこに重複ロジックや不統一な設計、弱いドキュメントが含まれていれば、将来の変更はより高コストでリスクも高くなる。

セキュリティ研究者は、これを**「セキュリティ負債」**と呼ぶこともある。つまり、脆弱性の蓄積速度が、組織が修正できる速度を上回る状態だ。

要するに、生産性のメリットはすぐ現れるが、保守コストは後からやってくるという構図になる。

同じ問題は科学研究でも起き始めている

この構造はソフトウェアだけではない。

AIは現在、次のような研究プロセスにも使われ始めている。

• 文献調査
• 仮説生成
• 論文草稿作成
• 査読支援

実験では、大規模言語モデルが新しい科学仮説を生成できる可能性も示されている。

しかし別の大規模研究では、AIが生成した仮説は実験で検証すると人間の仮説より成績が劣る場合が多いことも報告されている。

さらに学術誌Scienceの2026年の論説は、論文作成におけるAIの過度な利用や未申告利用が増えると、学術記録の信頼性が損なわれる恐れがあると警告している。

本当のボトルネックは「人間の判断」

ソフトウェア開発でも科学研究でも、問題の構造は同じだ。

AIは次のコストを劇的に下げる。

• コード
• 仮説
• 論文
• 設計

つまり**「生成」**のコストだ。

しかし、**「評価」**のコストは依然として専門家の判断に依存している。

生成がほぼ無料になり、評価が希少なままだと、システムはもっともらしいが信頼できない成果物で溢れてしまう。

ソフトウェアではそれが脆弱なコードと壊れやすいシステムとして現れる。

科学では検証されない仮説や低品質論文の増加として現れる可能性がある。

AI時代の本当の課題は、ツールの導入そのものではない。

急増するアウトプットを、人間がどうレビューし統治するかにある。