Denne ubalansen gjør at team kan akkumulere store mengder funksjonelt korrekt, men dårlig forstått programvare, som blir stadig vanskeligere å vedlikeholde over tid.

Vedlikeholdere av åpen kildekode rapporterer allerede at de blir overveldet av en flom av KI-genererte bidrag. Analytikere beskriver dette som en «AI slop»-bølge som belaster gjennomgangskapasiteten og prosjektstyringen.

Sikkerhetsrisiko: Flere Sårbarheter Når Produksjon

En av de mest alvorlige bekymringene gjelder sikkerhet.

Sikkerhetsforskere har dokumentert en målbar økning i sårbarheter knyttet til KI-generert kode. For eksempel rapporterte forskere som sporet sårbarhetsavsløringer, minst 35 nye CVE-oppføringer i mars 2026 som direkte var forårsaket av KI-generert kode. Det reelle tallet er trolig høyere, ettersom mange tilfeller mangler påviselige metadata.

Flere studier tyder også på at KI-kodeverktøy ofte reproduserer usikre mønstre fra treningsdataene sine. Tester på tvers av store modeller fant at rundt 45 % av de genererte kodeeksemplene introduserte vanlige sikkerhetssårbarheter, inkludert problemer i OWASP Topp 10-kategoriene.

En annen risiko involverer lekkasje av hemmeligheter. Analyse av virkelige utviklingsarbeidsflyter fant at KI-assisterte commit-er eksponerte legitimasjon mer enn dobbelt så ofte som rene menneske-commit-er (3,2 % mot 1,5 %), noe som bidro til en bredere økning i hardkodede legitimasjoner i offentlige repositories.

Sammen øker disse trendene sannsynligheten for at sårbarheter, usikre konfigurasjoner eller lekkede nøkler når produksjonssystemene.

Eksempelet OpenClaw: Når KI-systemer Eksponeres på Internett

Risikoene blir spesielt tydelige i systemer bygget rundt KI-agenter og automatiseringsverktøy.

Den åpne KI-assistentplattformen OpenClaw har blitt trukket frem av sikkerhetsforskere som et hovedeksempel på eksponert KI-infrastruktur. Undersøkelser har identifisert titalls tusenvis av internett-tilgjengelige installasjoner, hvorav mange er sårbare for overtagelse på grunn av feilkonfigurasjon eller utdatert programvare.

I noen skanninger ble mer enn 21 000 offentlig tilgjengelige instanser funnet på nettet, der feilkonfigurerte systemer lekket API-nøkler, OAuth-tokens og klartekst-passord.

Ytterligere analyse av plattformens økosystem avdekket problemer også i utvidelsesmarkedsplassen: en gjennomgang av nesten 4000 «skills» avslørte 283 pakker – omtrent 7,1 % – med kritiske feil i håndtering av legitimasjon som kunne eksponere sensitive data.

Disse hendelsene illustrerer et bredere problem: når kraftige KI-agenter settes i drift uten gode sikkerhetspraksiser, kan de i praksis bli offentlige kontrollpaneler for systemene de integreres med.

Hvorfor Ingeniører Bekymrer Seg for Utrente Brukere

Mange utviklere understreker at den virkelige faren ikke er verktøyene i seg selv, men hvem som bruker dem og hvordan.

Tradisjonell programvareutvikling forutsetter at personen som skriver koden, forstår dens arkitektur, avhengigheter og sikkerhetsgrenser. Vibe coding bryter med denne forutsetningen.

Hvis noen verken kan lese eller resonnere rundt den genererte koden, kan de likevel være i stand til å sette en fungerende applikasjon i produksjon – men de oppdager kanskje ikke:

• skjulte sårbarheter
• usikre autentiseringsflyter
• usikre avhengighetskjeder
• subtile feil i kanttilfeller

I praksis kan dette produsere programvare som fungerer i demonstrasjoner, men som svikter under virkelige forhold. Ingeniører beskriver ofte disse systemene som «happy-path-programvare» – applikasjoner som bare fungerer under ideelle scenarioer fordi skaperne ikke fullt ut kan evaluere den underliggende logikken.

Langtidskostnaden: Teknisk Gjeld i Stor Skala

Selv når KI-generert kode fungerer korrekt, kan den raskt akkumulere teknisk gjeld.

Fordi KI dramatisk øker mengden kode som produseres per utvikler, ender organisasjoner opp med å håndtere større og mer komplekse kodebaser. Hvis denne koden inneholder overflødig logikk, inkonsistente designmønstre eller svak dokumentasjon, blir fremtidige endringer dyrere og mer risikofylte.

Sikkerhetsforskere advarer om at denne dynamikken skaper en form for «sikkerhetsgjeld», der sårbarheter akkumuleres raskere enn organisasjoner klarer å identifisere og fikse dem.

Med andre ord: Produktivitetsgevinsten kommer umiddelbart – men vedlikeholdskostnadene dukker opp senere.

Et Parallelt Problem i Vitenskapelig Forskning

Den samme dynamikken – billig generering kombinert med dyr evaluering – begynner å dukke opp i vitenskapen.

KI-systemer blir i økende grad brukt til å søke i litteratur, generere hypoteser, utkast til artikler og assistere i fagfellevurderingsprosesser.

I noen tilfeller er resultatene lovende. Eksperimenter viser at språkmodeller kan generere plausible og til tider nye vitenskapelige hypoteser som forskere kan teste eksperimentelt.

Imidlertid tyder store studier som sammenligner menneske- og KI-genererte forskningsideer på at KI-genererte hypoteser ofte presterer dårligere når de testes eksperimentelt.

Redaktører og forskere er i økende grad bekymret for muligheten for en «AI slop»-effekt også i akademia. En lederartikkel i Science fra 2026 advarte om at uoppgitt eller overdreven bruk av KI i manuskriptproduksjon kunne svekke påliteligheten til den vitenskapelige litteraturen hvis tilsynet ikke holder tritt.

Den Virkelige Flaskehalsen: Menneskelig Dømmekraft

På tvers av både programvareutvikling og forskning er kjerneproblemet det samme.

KI reduserer dramatisk kostnadene ved å produsere resultater – kode, artikler, hypoteser eller design. Men kostnadene ved å evaluere disse resultatene er fortsatt avhengig av ekspert, menneskelig dømmekraft.

Når generering blir nesten gratis, men evaluering forblir knapp, kan systemer bli oversvømt av plausibelt, men upålitelig arbeid. I programvare viser dette seg som usikker kode og skjøre systemer. I vitenskapen kan det vise seg som store mengder svake hypoteser eller lavkvalitetsmanuskripter.

Utfordringen for organisasjoner og institusjoner er ikke bare å ta i bruk KI-verktøy – det er å bygge de nødvendige gjennomgangsprosessene, sikkerhetspraksisene og styringsstrukturene for å hindre at den resulterende flommen av resultater blir vibe slop.

Denne ubalansen gjør at team kan akkumulere store mengder funksjonelt korrekt, men dårlig forstått programvare, som blir stadig vanskeligere å vedlikeholde over tid.

Vedlikeholdere av åpen kildekode rapporterer allerede at de blir overveldet av en flom av KI-genererte bidrag. Analytikere beskriver dette som en «AI slop»-bølge som belaster gjennomgangskapasiteten og prosjektstyringen.

Sikkerhetsrisiko: Flere Sårbarheter Når Produksjon

En av de mest alvorlige bekymringene gjelder sikkerhet.

Sikkerhetsforskere har dokumentert en målbar økning i sårbarheter knyttet til KI-generert kode. For eksempel rapporterte forskere som sporet sårbarhetsavsløringer, minst 35 nye CVE-oppføringer i mars 2026 som direkte var forårsaket av KI-generert kode. Det reelle tallet er trolig høyere, ettersom mange tilfeller mangler påviselige metadata.

Flere studier tyder også på at KI-kodeverktøy ofte reproduserer usikre mønstre fra treningsdataene sine. Tester på tvers av store modeller fant at rundt 45 % av de genererte kodeeksemplene introduserte vanlige sikkerhetssårbarheter, inkludert problemer i OWASP Topp 10-kategoriene.

En annen risiko involverer lekkasje av hemmeligheter. Analyse av virkelige utviklingsarbeidsflyter fant at KI-assisterte commit-er eksponerte legitimasjon mer enn dobbelt så ofte som rene menneske-commit-er (3,2 % mot 1,5 %), noe som bidro til en bredere økning i hardkodede legitimasjoner i offentlige repositories.

Sammen øker disse trendene sannsynligheten for at sårbarheter, usikre konfigurasjoner eller lekkede nøkler når produksjonssystemene.

Eksempelet OpenClaw: Når KI-systemer Eksponeres på Internett

Risikoene blir spesielt tydelige i systemer bygget rundt KI-agenter og automatiseringsverktøy.

Den åpne KI-assistentplattformen OpenClaw har blitt trukket frem av sikkerhetsforskere som et hovedeksempel på eksponert KI-infrastruktur. Undersøkelser har identifisert titalls tusenvis av internett-tilgjengelige installasjoner, hvorav mange er sårbare for overtagelse på grunn av feilkonfigurasjon eller utdatert programvare.

I noen skanninger ble mer enn 21 000 offentlig tilgjengelige instanser funnet på nettet, der feilkonfigurerte systemer lekket API-nøkler, OAuth-tokens og klartekst-passord.

Ytterligere analyse av plattformens økosystem avdekket problemer også i utvidelsesmarkedsplassen: en gjennomgang av nesten 4000 «skills» avslørte 283 pakker – omtrent 7,1 % – med kritiske feil i håndtering av legitimasjon som kunne eksponere sensitive data.

Disse hendelsene illustrerer et bredere problem: når kraftige KI-agenter settes i drift uten gode sikkerhetspraksiser, kan de i praksis bli offentlige kontrollpaneler for systemene de integreres med.

Hvorfor Ingeniører Bekymrer Seg for Utrente Brukere

Mange utviklere understreker at den virkelige faren ikke er verktøyene i seg selv, men hvem som bruker dem og hvordan.

Tradisjonell programvareutvikling forutsetter at personen som skriver koden, forstår dens arkitektur, avhengigheter og sikkerhetsgrenser. Vibe coding bryter med denne forutsetningen.

Hvis noen verken kan lese eller resonnere rundt den genererte koden, kan de likevel være i stand til å sette en fungerende applikasjon i produksjon – men de oppdager kanskje ikke:

• skjulte sårbarheter
• usikre autentiseringsflyter
• usikre avhengighetskjeder
• subtile feil i kanttilfeller

I praksis kan dette produsere programvare som fungerer i demonstrasjoner, men som svikter under virkelige forhold. Ingeniører beskriver ofte disse systemene som «happy-path-programvare» – applikasjoner som bare fungerer under ideelle scenarioer fordi skaperne ikke fullt ut kan evaluere den underliggende logikken.

Langtidskostnaden: Teknisk Gjeld i Stor Skala

Selv når KI-generert kode fungerer korrekt, kan den raskt akkumulere teknisk gjeld.

Fordi KI dramatisk øker mengden kode som produseres per utvikler, ender organisasjoner opp med å håndtere større og mer komplekse kodebaser. Hvis denne koden inneholder overflødig logikk, inkonsistente designmønstre eller svak dokumentasjon, blir fremtidige endringer dyrere og mer risikofylte.

Sikkerhetsforskere advarer om at denne dynamikken skaper en form for «sikkerhetsgjeld», der sårbarheter akkumuleres raskere enn organisasjoner klarer å identifisere og fikse dem.

Med andre ord: Produktivitetsgevinsten kommer umiddelbart – men vedlikeholdskostnadene dukker opp senere.

Et Parallelt Problem i Vitenskapelig Forskning

Den samme dynamikken – billig generering kombinert med dyr evaluering – begynner å dukke opp i vitenskapen.

KI-systemer blir i økende grad brukt til å søke i litteratur, generere hypoteser, utkast til artikler og assistere i fagfellevurderingsprosesser.

I noen tilfeller er resultatene lovende. Eksperimenter viser at språkmodeller kan generere plausible og til tider nye vitenskapelige hypoteser som forskere kan teste eksperimentelt.

Imidlertid tyder store studier som sammenligner menneske- og KI-genererte forskningsideer på at KI-genererte hypoteser ofte presterer dårligere når de testes eksperimentelt.

Redaktører og forskere er i økende grad bekymret for muligheten for en «AI slop»-effekt også i akademia. En lederartikkel i Science fra 2026 advarte om at uoppgitt eller overdreven bruk av KI i manuskriptproduksjon kunne svekke påliteligheten til den vitenskapelige litteraturen hvis tilsynet ikke holder tritt.

Den Virkelige Flaskehalsen: Menneskelig Dømmekraft

På tvers av både programvareutvikling og forskning er kjerneproblemet det samme.

KI reduserer dramatisk kostnadene ved å produsere resultater – kode, artikler, hypoteser eller design. Men kostnadene ved å evaluere disse resultatene er fortsatt avhengig av ekspert, menneskelig dømmekraft.

Når generering blir nesten gratis, men evaluering forblir knapp, kan systemer bli oversvømt av plausibelt, men upålitelig arbeid. I programvare viser dette seg som usikker kode og skjøre systemer. I vitenskapen kan det vise seg som store mengder svake hypoteser eller lavkvalitetsmanuskripter.

Utfordringen for organisasjoner og institusjoner er ikke bare å ta i bruk KI-verktøy – det er å bygge de nødvendige gjennomgangsprosessene, sikkerhetspraksisene og styringsstrukturene for å hindre at den resulterende flommen av resultater blir vibe slop.