• Code schrijven wordt extreem snel.
• Code beoordelen en valideren blijft traag en afhankelijk van experts.

Deze disbalans betekent dat teams grote hoeveelheden functioneel correcte maar slecht begrepen software kunnen verzamelen, die na verloop van tijd steeds moeilijker te onderhouden is.

Open-sourceonderhouders melden al dat ze overspoeld worden door AI-gegenereerde bijdragen, een fenomeen dat analisten soms beschrijven als een “AI slop”-golf die de beoordelingscapaciteit en projectgovernance onder druk zet.

Beveiligingsrisico's: Meer Kwetsbaarheden Komen in Productie

Een van de grootste zorgen is beveiliging.

Beveiligingsonderzoekers hebben een meetbare toename van kwetsbaarheden gedocumenteerd die verband houden met AI-gegenereerde code. Zo rapporteerden onderzoekers dat in maart 2026 ten minste 35 nieuwe CVE-entries direct werden toegeschreven aan AI-gegenereerde code, waarbij het werkelijke aantal waarschijnlijk hoger ligt omdat veel gevallen geen detecteerbare metadata achterlaten.

Meerdere studies suggereren ook dat AI-codeertools regelmatig onveilige patronen uit hun trainingsdata reproduceren. Tests bij grote modellen wezen uit dat ongeveer 45% van de gegenereerde codevoorbeelden veelvoorkomende beveiligingskwetsbaarheden bevatte, waaronder problemen in de OWASP Top 10-categorieën.

Een ander risico is het weglekken van geheimen. Analyse van echte ontwikkelworkflows toonde aan dat AI-ondersteunde commits meer dan twee keer zo vaak credentials blootgaven als commits van alleen mensen (3,2% vs. 1,5%), wat bijdroeg aan een bredere stijging van hard-coded credentials in openbare repositories.

Deze trends vergroten samen de kans dat kwetsbaarheden, onveilige configuraties of gelekte sleutels productiesystemen bereiken.

Het OpenClaw-voorbeeld: Wanneer AI-systemen Worden Blootgesteld aan Het Internet

De risico's worden bijzonder zichtbaar bij systemen die zijn gebouwd rond AI-agents en automatiseringstools.

Het open-source AI-assistentenplatform OpenClaw wordt door beveiligingsonderzoekers genoemd als een belangrijk voorbeeld van blootgestelde AI-infrastructuur. Onderzoek heeft tienduizenden via internet toegankelijke implementaties geïdentificeerd, waarvan er vele kwetsbaar zijn voor overname door verkeerde configuratie of verouderde software.

Bij sommige scans werden meer dan 21.000 openbaar toegankelijke exemplaren online gevonden, waarbij verkeerd geconfigureerde systemen API-sleutels, OAuth-tokens en plaintext-credentials lekten.

Aanvullende analyse van het ecosysteem van het platform bracht ook problemen aan het licht in de extensiemarktplaats: het scannen van bijna 4.000 skills onthulde 283 pakketten – ongeveer 7,1% – met kritieke fouten in de omgang met credentials die gevoelige gegevens konden blootstellen.

Deze incidenten illustreren een breder probleem: wanneer krachtige AI-agents worden ingezet zonder sterke beveiligingspraktijken, kunnen ze in feite openbare bedieningspanelen worden voor de systemen waarmee ze zijn geïntegreerd.

Waarom Ingenieurs Zich Zorgen Maken over Ongetrainde Gebruikers

Veel ontwikkelaars benadrukken dat het echte gevaar niet de tools zelf zijn, maar wie ze gebruikt en hoe.

Traditionele softwareontwikkeling gaat ervan uit dat de persoon die de code schrijft, de architectuur, afhankelijkheden en beveiligingsgrenzen begrijpt. Vibe coding doorbreekt die aanname.

Als iemand de gegenereerde code niet kan lezen of begrijpen, kunnen ze nog steeds een werkende applicatie implementeren – maar ze herkennen mogelijk niet:

• verborgen kwetsbaarheden
• onveilige authenticatiestromen
• onveilige afhankelijkheidsketens
• subtiele fouten in randgevallen

In de praktijk kan dit software opleveren die werkt in demonstraties maar faalt onder realistische omstandigheden. Ingenieurs beschrijven deze systemen vaak als “happy-path-software” – applicaties die alleen functioneren onder ideale scenario's omdat hun makers de onderliggende logica niet volledig kunnen evalueren.

De Lange Termijn Kosten: Technische Schuld op Grote Schaal

Zelfs als AI-gegenereerde code correct werkt, kan het snel technische schuld ophopen.

Omdat AI de hoeveelheid code per ontwikkelaar drastisch verhoogt, krijgen organisaties te maken met grotere en complexere codebases. Als die code redundante logica, inconsistente ontwerppatronen of zwakke documentatie bevat, worden toekomstige wijzigingen duurder en riskanter.

Beveiligingsonderzoekers waarschuwen dat deze dynamiek een vorm van “beveiligingsschuld” creëert, waarbij kwetsbaarheden sneller toenemen dan organisaties ze kunnen identificeren en oplossen.

Met andere woorden, de productiviteitswinst is onmiddellijk – maar de onderhoudskosten verschijnen later.

Een Parallel Probleem in Wetenschappelijk Onderzoek

Dezelfde dynamiek – goedkope productie gecombineerd met dure evaluatie – begint ook in de wetenschap te verschijnen.

AI-systemen worden steeds vaker gebruikt om literatuur te doorzoeken, hypothesen te genereren, papers te schrijven en te helpen bij peerreviewprocessen.

In sommige gevallen zijn de resultaten veelbelovend. Experimenten tonen aan dat taalmodellen plausibele en soms nieuwe wetenschappelijke hypothesen kunnen genereren die onderzoekers experimenteel kunnen testen.

Grote studies die menselijke en AI-gegenereerde onderzoeksideeën vergelijken, suggereren echter dat AI-gegenereerde hypothesen vaak slechter presteren wanneer ze experimenteel worden getest.

Redacteuren en onderzoekers maken zich steeds meer zorgen over de mogelijkheid van een “AI slop”-effect in de academische wereld. Een redactioneel artikel uit 2026 in Science waarschuwde dat onvermeld of overmatig gebruik van AI bij het produceren van manuscripten de betrouwbaarheid van het wetenschappelijke archief kan aantasten als het toezicht niet gelijke tred houdt.

De Echte Bottleneck: Menselijk Oordeel

Zowel in software-engineering als in onderzoek is de kern hetzelfde.

AI verlaagt drastisch de kosten van het produceren van output – code, papers, hypothesen of ontwerpen. Maar de kosten van het evalueren van die output blijven afhankelijk van deskundig menselijk oordeel.

Wanneer productie bijna gratis wordt maar evaluatie schaars blijft, kunnen systemen overspoeld raken met plausibel maar onbetrouwbaar werk. In software verschijnt dat als onveilige code en fragiele systemen. In de wetenschap kan het verschijnen als grote hoeveelheden zwakke hypothesen of manuscripten van lage kwaliteit.

De uitdaging voor organisaties en instellingen is niet simpelweg het adopteren van AI-tools – het is het bouwen van de beoordelingsprocessen, beveiligingspraktijken en governance die nodig zijn om de resulterende stroom van output te voorkomen dat het vibe slop wordt.

• Code schrijven wordt extreem snel.
• Code beoordelen en valideren blijft traag en afhankelijk van experts.

Deze disbalans betekent dat teams grote hoeveelheden functioneel correcte maar slecht begrepen software kunnen verzamelen, die na verloop van tijd steeds moeilijker te onderhouden is.

Open-sourceonderhouders melden al dat ze overspoeld worden door AI-gegenereerde bijdragen, een fenomeen dat analisten soms beschrijven als een “AI slop”-golf die de beoordelingscapaciteit en projectgovernance onder druk zet.

Beveiligingsrisico's: Meer Kwetsbaarheden Komen in Productie

Een van de grootste zorgen is beveiliging.

Beveiligingsonderzoekers hebben een meetbare toename van kwetsbaarheden gedocumenteerd die verband houden met AI-gegenereerde code. Zo rapporteerden onderzoekers dat in maart 2026 ten minste 35 nieuwe CVE-entries direct werden toegeschreven aan AI-gegenereerde code, waarbij het werkelijke aantal waarschijnlijk hoger ligt omdat veel gevallen geen detecteerbare metadata achterlaten.

Meerdere studies suggereren ook dat AI-codeertools regelmatig onveilige patronen uit hun trainingsdata reproduceren. Tests bij grote modellen wezen uit dat ongeveer 45% van de gegenereerde codevoorbeelden veelvoorkomende beveiligingskwetsbaarheden bevatte, waaronder problemen in de OWASP Top 10-categorieën.

Een ander risico is het weglekken van geheimen. Analyse van echte ontwikkelworkflows toonde aan dat AI-ondersteunde commits meer dan twee keer zo vaak credentials blootgaven als commits van alleen mensen (3,2% vs. 1,5%), wat bijdroeg aan een bredere stijging van hard-coded credentials in openbare repositories.

Deze trends vergroten samen de kans dat kwetsbaarheden, onveilige configuraties of gelekte sleutels productiesystemen bereiken.

Het OpenClaw-voorbeeld: Wanneer AI-systemen Worden Blootgesteld aan Het Internet

De risico's worden bijzonder zichtbaar bij systemen die zijn gebouwd rond AI-agents en automatiseringstools.

Het open-source AI-assistentenplatform OpenClaw wordt door beveiligingsonderzoekers genoemd als een belangrijk voorbeeld van blootgestelde AI-infrastructuur. Onderzoek heeft tienduizenden via internet toegankelijke implementaties geïdentificeerd, waarvan er vele kwetsbaar zijn voor overname door verkeerde configuratie of verouderde software.

Bij sommige scans werden meer dan 21.000 openbaar toegankelijke exemplaren online gevonden, waarbij verkeerd geconfigureerde systemen API-sleutels, OAuth-tokens en plaintext-credentials lekten.

Aanvullende analyse van het ecosysteem van het platform bracht ook problemen aan het licht in de extensiemarktplaats: het scannen van bijna 4.000 skills onthulde 283 pakketten – ongeveer 7,1% – met kritieke fouten in de omgang met credentials die gevoelige gegevens konden blootstellen.

Deze incidenten illustreren een breder probleem: wanneer krachtige AI-agents worden ingezet zonder sterke beveiligingspraktijken, kunnen ze in feite openbare bedieningspanelen worden voor de systemen waarmee ze zijn geïntegreerd.

Waarom Ingenieurs Zich Zorgen Maken over Ongetrainde Gebruikers

Veel ontwikkelaars benadrukken dat het echte gevaar niet de tools zelf zijn, maar wie ze gebruikt en hoe.

Traditionele softwareontwikkeling gaat ervan uit dat de persoon die de code schrijft, de architectuur, afhankelijkheden en beveiligingsgrenzen begrijpt. Vibe coding doorbreekt die aanname.

Als iemand de gegenereerde code niet kan lezen of begrijpen, kunnen ze nog steeds een werkende applicatie implementeren – maar ze herkennen mogelijk niet:

• verborgen kwetsbaarheden
• onveilige authenticatiestromen
• onveilige afhankelijkheidsketens
• subtiele fouten in randgevallen

In de praktijk kan dit software opleveren die werkt in demonstraties maar faalt onder realistische omstandigheden. Ingenieurs beschrijven deze systemen vaak als “happy-path-software” – applicaties die alleen functioneren onder ideale scenario's omdat hun makers de onderliggende logica niet volledig kunnen evalueren.

De Lange Termijn Kosten: Technische Schuld op Grote Schaal

Zelfs als AI-gegenereerde code correct werkt, kan het snel technische schuld ophopen.

Omdat AI de hoeveelheid code per ontwikkelaar drastisch verhoogt, krijgen organisaties te maken met grotere en complexere codebases. Als die code redundante logica, inconsistente ontwerppatronen of zwakke documentatie bevat, worden toekomstige wijzigingen duurder en riskanter.

Beveiligingsonderzoekers waarschuwen dat deze dynamiek een vorm van “beveiligingsschuld” creëert, waarbij kwetsbaarheden sneller toenemen dan organisaties ze kunnen identificeren en oplossen.

Met andere woorden, de productiviteitswinst is onmiddellijk – maar de onderhoudskosten verschijnen later.

Een Parallel Probleem in Wetenschappelijk Onderzoek

Dezelfde dynamiek – goedkope productie gecombineerd met dure evaluatie – begint ook in de wetenschap te verschijnen.

AI-systemen worden steeds vaker gebruikt om literatuur te doorzoeken, hypothesen te genereren, papers te schrijven en te helpen bij peerreviewprocessen.

In sommige gevallen zijn de resultaten veelbelovend. Experimenten tonen aan dat taalmodellen plausibele en soms nieuwe wetenschappelijke hypothesen kunnen genereren die onderzoekers experimenteel kunnen testen.

Grote studies die menselijke en AI-gegenereerde onderzoeksideeën vergelijken, suggereren echter dat AI-gegenereerde hypothesen vaak slechter presteren wanneer ze experimenteel worden getest.

Redacteuren en onderzoekers maken zich steeds meer zorgen over de mogelijkheid van een “AI slop”-effect in de academische wereld. Een redactioneel artikel uit 2026 in Science waarschuwde dat onvermeld of overmatig gebruik van AI bij het produceren van manuscripten de betrouwbaarheid van het wetenschappelijke archief kan aantasten als het toezicht niet gelijke tred houdt.

De Echte Bottleneck: Menselijk Oordeel

Zowel in software-engineering als in onderzoek is de kern hetzelfde.

AI verlaagt drastisch de kosten van het produceren van output – code, papers, hypothesen of ontwerpen. Maar de kosten van het evalueren van die output blijven afhankelijk van deskundig menselijk oordeel.

Wanneer productie bijna gratis wordt maar evaluatie schaars blijft, kunnen systemen overspoeld raken met plausibel maar onbetrouwbaar werk. In software verschijnt dat als onveilige code en fragiele systemen. In de wetenschap kan het verschijnen als grote hoeveelheden zwakke hypothesen of manuscripten van lage kwaliteit.

De uitdaging voor organisaties en instellingen is niet simpelweg het adopteren van AI-tools – het is het bouwen van de beoordelingsprocessen, beveiligingspraktijken en governance die nodig zijn om de resulterende stroom van output te voorkomen dat het vibe slop wordt.