Wzrost 'vibe codingu' i narastający kryzys 'vibe slopu' w tworzeniu oprogramowania

Co ważniejsze, narzędzia AI przesuwają wąskie gardło w procesie tworzenia oprogramowania:

• Pisanie kodu staje się ekstremalnie szybkie.
• Przeglądanie i walidacja tego kodu pozostają powolne i wymagają eksperckiej wiedzy.

Ta nierównowaga sprawia, że zespoły mogą gromadzić ogromne ilości funkcjonalnie poprawnego, ale słabo rozumianego oprogramowania, które z czasem staje się coraz trudniejsze w utrzymaniu.

Opiekunowie projektów open-source już zgłaszają, że są zasypywani potokiem zgłoszeń generowanych przez AI. Analitycy określają to zjawisko jako falę „AI slop”, która przeciąża proces przeglądu i zarządzanie projektem.

Zagrożenia bezpieczeństwa: Więcej luk trafia do produkcji

Jednym z najpoważniejszych problemów jest bezpieczeństwo.

Badacze bezpieczeństwa udokumentowali mierzalny wzrost liczby podatności powiązanych z kodem generowanym przez AI. Na przykład w marcu 2026 roku ujawniono co najmniej 35 nowych wpisów CVE bezpośrednio wynikających z kodu AI – prawdziwa liczba jest prawdopodobnie wyższa, ponieważ wiele przypadków nie pozostawia wykrywalnych metadanych.

Liczne badania sugerują również, że narzędzia do kodowania AI często odtwarzają niebezpieczne wzorce ze swoich danych treningowych. Testy głównych modeli wykazały, że około 45% wygenerowanych próbek kodu wprowadzało typowe luki bezpieczeństwa, w tym problemy z kategorii OWASP Top 10.

Kolejne ryzyko to wyciek tajemnic (secret leakage). Analiza rzeczywistych przepływów pracy wykazała, że commity wspomagane przez AI ujawniały poświadczenia ponad dwukrotnie częściej niż commity tworzone wyłącznie przez ludzi (3,2% vs 1,5%), co przyczyniło się do ogólnego wzrostu liczby zapisanych na stałe poświadczeń w publicznych repozytoriach.

Te trendy łącznie zwiększają prawdopodobieństwo, że podatności, niebezpieczne konfiguracje lub wyciekłe klucze trafią do systemów produkcyjnych.

Przykład OpenClaw: Gdy systemy AI są wystawione na działanie internetu

Ryzyko staje się szczególnie widoczne w systemach zbudowanych wokół agentów AI i narzędzi automatyzacji.

Otwartoźródłowa platforma asystenta AI OpenClaw została wskazana przez badaczy bezpieczeństwa jako główny przykład odsłoniętej infrastruktury AI. Dochodzenia zidentyfikowały dziesiątki tysięcy dostępnych przez internet wdrożeń, z których wiele jest podatnych na przejęcie z powodu błędnej konfiguracji lub nieaktualnego oprogramowania.

W niektórych skanach znaleziono ponad 21 000 publicznie dostępnych instancji online, a nieprawidłowo skonfigurowane systemy ujawniały klucze API, tokeny OAuth i poświadczenia w postaci zwykłego tekstu.

Dodatkowa analiza ekosystemu platformy ujawniła problemy również na jej rynku rozszerzeń: skanowanie prawie 4000 umiejętności (skills) wykazało, że 283 pakiety – około 7,1% – zawierały krytyczne błędy w obsłudze poświadczeń, które mogły prowadzić do wycieku wrażliwych danych.

Te incydenty ilustrują szerszy problem: gdy potężne agenty AI są wdrażane bez solidnych praktyk bezpieczeństwa, mogą w efekcie stać się publicznymi panelami kontrolnymi dla systemów, z którymi są zintegrowane.

Dlaczego inżynierowie martwią się o nieprzeszkolonych użytkowników

Wielu programistów podkreśla, że prawdziwe zagrożenie nie tkwi w samych narzędziach, ale w tym, kto i jak ich używa.

Tradycyjne tworzenie oprogramowania zakłada, że osoba pisząca kod rozumie jego architekturę, zależności i granice bezpieczeństwa. Vibe coding łamie to założenie.

Jeśli ktoś nie jest w stanie przeczytać ani zrozumieć wygenerowanego kodu, może mimo to wdrożyć działającą aplikację – ale może nie dostrzec:

• ukrytych podatności
• niebezpiecznych przepływów uwierzytelniania
• niebezpiecznych łańcuchów zależności
• subtelnych błędów na przypadkach brzegowych

W praktyce może to prowadzić do powstania oprogramowania, które działa podczas demonstracji, ale zawodzi w rzeczywistych warunkach. Inżynierowie często opisują takie systemy jako „oprogramowanie ścieżki szczęścia” – aplikacje działające tylko w idealnych scenariuszach, ponieważ ich twórcy nie są w stanie w pełni ocenić leżącej u ich podstaw logiki.

Długoterminowy koszt: Dług technologiczny na masową skalę

Nawet jeśli kod wygenerowany przez AI działa poprawnie, może szybko gromadzić dług technologiczny.

Ponieważ AI radykalnie zwiększa ilość kodu wytwarzanego przez jednego programistę, organizacje kończą z większymi i bardziej złożonymi bazami kodu. Jeśli ten kod zawiera zbędną logikę, niespójne wzorce projektowe lub słabą dokumentację, przyszłe zmiany stają się droższe i bardziej ryzykowne.

Specjaliści ds. bezpieczeństwa ostrzegają, że ta dynamika tworzy formę „długu bezpieczeństwa” (security debt), gdzie podatności kumulują się szybciej, niż organizacje są w stanie je identyfikować i naprawiać.

Innymi słowy, wzrost produktywności jest natychmiastowy – ale koszty utrzymania pojawiają się później.

Równoległy problem pojawia się w badaniach naukowych

Ta sama dynamika – tanie generowanie przy kosztownej ewaluacji – zaczyna pojawiać się w nauce.

Systemy AI są coraz częściej używane do przeszukiwania literatury, generowania hipotez, pisania artykułów i wspomagania procesu recenzji.

W niektórych przypadkach wyniki są obiecujące. Eksperymenty pokazują, że modele językowe potrafią generować wiarygodne, a czasem nowatorskie hipotezy naukowe, które naukowcy mogą testować eksperymentalnie.

Jednak duże badania porównujące pomysły naukowe generowane przez ludzi i AI sugerują, że hipotezy tworzone przez AI często wypadają gorzej w testach eksperymentalnych.

Redakcje i naukowcy są coraz bardziej zaniepokojeni możliwością wystąpienia efektu „AI slop” również w środowisku akademickim. Artykuł redakcyjny w czasopiśmie Science z 2026 roku ostrzegał, że nieujawnione lub nadmierne użycie AI w produkcji manuskryptów może obniżyć wiarygodność dorobku naukowego, jeśli nadzór nie nadąży za tempem.

Prawdziwe wąskie gardło: Ludzki osąd

Zarówno w inżynierii oprogramowania, jak i w badaniach naukowych, główny problem jest ten sam.

AI dramatycznie obniża koszt wytwarzania wyników – kodu, artykułów, hipotez czy projektów. Ale koszt oceny tych wyników nadal wymaga eksperckiego ludzkiego osądu.

Gdy generowanie staje się prawie darmowe, a ewaluacja pozostaje rzadkim zasobem, systemy mogą zostać zalane wiarygodnie wyglądającą, ale zawodną pracą. W programowaniu objawia się to jako niebezpieczny kod i kruche systemy. W nauce może to oznaczać ogromną liczbę słabych hipotez lub niskiej jakości manuskryptów.

Wyzwaniem dla organizacji i instytucji jest nie tylko przyjęcie narzędzi AI – ale zbudowanie procesów przeglądu, praktyk bezpieczeństwa i zarządzania, które pozwolą utrzymać tę powódź wyników, aby nie przerodziła się w vibe slop.