Quando o “vibe coding” vira “vibe slop”

Modelos generativos são excelentes em produzir trechos de código que funcionam — pelo menos à primeira vista. O problema é que escrever código é apenas uma parte da engenharia de software.

Estudos que analisaram projetos reais mostram padrões preocupantes no código gerado por IA, como maior duplicação e menor capacidade de manutenção em comparação com código escrito por humanos.

Além disso, as ferramentas mudam o gargalo do processo de desenvolvimento:

• Escrever código fica extremamente rápido
• Revisar, testar e validar esse código continua sendo lento e dependente de especialistas

Esse desequilíbrio faz com que equipes acumulem grandes volumes de software funcional, mas pouco compreendido, que se torna cada vez mais difícil de manter ao longo do tempo.

Projetos de código aberto já relatam um problema parecido. Mantenedores dizem estar sobrecarregados por uma enxurrada de contribuições geradas por IA — um fenômeno que alguns analistas chamam de “onda de AI slop”, capaz de saturar a capacidade de revisão das comunidades.

Riscos de segurança: mais vulnerabilidades chegando à produção

Uma das maiores preocupações é a segurança.

Pesquisadores registraram um aumento mensurável de vulnerabilidades relacionadas a código gerado por IA. Somente em março de 2026, pelo menos 35 novas vulnerabilidades registradas (CVE) foram diretamente associadas a código produzido por ferramentas de IA.

O número real provavelmente é maior, já que muitos casos não deixam metadados claros sobre sua origem.

Estudos também mostram que modelos de IA frequentemente reproduzem padrões inseguros presentes nos dados de treinamento. Em testes com vários modelos populares, cerca de 45% das amostras de código geradas introduziram vulnerabilidades comuns, incluindo falhas presentes no OWASP Top 10.

Outro risco crescente é o vazamento de segredos.

Uma análise de fluxos reais de desenvolvimento descobriu que commits assistidos por IA expõem credenciais mais que o dobro do que commits feitos apenas por humanos — 3,2% contra 1,5%.

Isso contribui para o aumento de chaves de API e senhas codificadas diretamente em repositórios públicos.

O caso OpenClaw: quando agentes de IA ficam expostos na internet

Os riscos se tornam ainda mais visíveis em sistemas que combinam IA com automação.

A plataforma de assistente de IA de código aberto OpenClaw virou um exemplo amplamente citado por pesquisadores de segurança. Investigações encontraram dezenas de milhares de implantações acessíveis pela internet, muitas vulneráveis a invasões por causa de configurações incorretas ou versões desatualizadas.

Em algumas análises, mais de 21 mil instâncias públicas foram detectadas online, com sistemas mal configurados vazando chaves de API, tokens OAuth e credenciais em texto simples.

Problemas também apareceram no marketplace de extensões da plataforma. Um estudo que analisou quase 4 mil extensões encontrou 283 pacotes — cerca de 7,1% — com falhas críticas no manuseio de credenciais que poderiam expor dados sensíveis.

Esses incidentes ilustram um problema mais amplo: quando agentes de IA poderosos são implantados sem práticas sólidas de segurança, eles podem virar painéis públicos de controle para sistemas inteiros.

Por que engenheiros se preocupam com usuários sem treinamento

Muitos desenvolvedores dizem que o problema real não são as ferramentas, mas quem as utiliza e como.

O desenvolvimento tradicional pressupõe que quem escreve o código entende sua arquitetura, dependências e limites de segurança. O vibe coding quebra essa premissa.

Mesmo alguém que não consegue ler ou analisar profundamente o código gerado ainda pode implantar uma aplicação funcional. O problema é que essa pessoa pode não perceber:

• vulnerabilidades ocultas
• fluxos de autenticação inseguros
• cadeias de dependências perigosas
• falhas em cenários menos comuns

Na prática, isso pode produzir sistemas que funcionam em demonstrações, mas falham em situações reais. Engenheiros às vezes chamam esse tipo de aplicação de “happy‑path software” — software que funciona apenas em cenários ideais.

O custo invisível: dívida técnica em escala

Mesmo quando o código gerado por IA funciona corretamente, ele pode gerar dívida técnica rapidamente.

Como essas ferramentas aumentam drasticamente a quantidade de código produzida por cada desenvolvedor, organizações acabam mantendo bases de código maiores e mais complexas.

Se esse código inclui lógica redundante, padrões inconsistentes ou documentação fraca, qualquer mudança futura se torna mais cara e arriscada.

Pesquisadores de segurança alertam que isso cria também “dívida de segurança”, na qual vulnerabilidades se acumulam mais rápido do que as equipes conseguem identificar e corrigir.

Ou seja: o ganho de produtividade aparece imediatamente — mas o custo de manutenção surge depois.

Um problema parecido começa a surgir na ciência

A mesma dinâmica — geração barata combinada com avaliação cara — também começa a aparecer na pesquisa científica.

Ferramentas de IA já são usadas para buscar literatura, gerar hipóteses, escrever rascunhos de artigos e auxiliar no processo de revisão.

Em alguns casos, os resultados são promissores. Experimentos mostram que modelos de linguagem podem gerar hipóteses plausíveis e potencialmente úteis para investigação científica.

No entanto, estudos comparando ideias humanas e geradas por IA indicam que hipóteses criadas por IA frequentemente apresentam desempenho inferior quando testadas experimentalmente.

Editores e pesquisadores também temem um efeito semelhante ao “AI slop” na academia. Um editorial publicado em 2026 na revista Science alertou que o uso excessivo ou não declarado de IA na produção de artigos pode comprometer a confiabilidade da literatura científica se a supervisão não acompanhar o ritmo da automação.

O verdadeiro gargalo: julgamento humano

Tanto no desenvolvimento de software quanto na pesquisa científica, o problema central é o mesmo.

A inteligência artificial reduz drasticamente o custo de produzir resultados — código, hipóteses, relatórios ou artigos.

Mas o custo de avaliar esses resultados ainda depende de especialistas humanos.

Quando gerar conteúdo se torna quase gratuito e a avaliação continua escassa, sistemas inteiros podem ser inundados por trabalho plausível, porém pouco confiável.

No software, isso aparece como código inseguro e sistemas frágeis. Na ciência, pode surgir como grandes volumes de hipóteses fracas ou manuscritos de baixa qualidade.

O verdadeiro desafio para empresas, comunidades de software e instituições científicas não é apenas adotar ferramentas de IA — é criar processos de revisão, segurança e governança capazes de lidar com a avalanche de produção que elas tornam possível.

Quando o “vibe coding” vira “vibe slop”

Modelos generativos são excelentes em produzir trechos de código que funcionam — pelo menos à primeira vista. O problema é que escrever código é apenas uma parte da engenharia de software.

Estudos que analisaram projetos reais mostram padrões preocupantes no código gerado por IA, como maior duplicação e menor capacidade de manutenção em comparação com código escrito por humanos.

Além disso, as ferramentas mudam o gargalo do processo de desenvolvimento:

• Escrever código fica extremamente rápido
• Revisar, testar e validar esse código continua sendo lento e dependente de especialistas

Esse desequilíbrio faz com que equipes acumulem grandes volumes de software funcional, mas pouco compreendido, que se torna cada vez mais difícil de manter ao longo do tempo.

Projetos de código aberto já relatam um problema parecido. Mantenedores dizem estar sobrecarregados por uma enxurrada de contribuições geradas por IA — um fenômeno que alguns analistas chamam de “onda de AI slop”, capaz de saturar a capacidade de revisão das comunidades.

Riscos de segurança: mais vulnerabilidades chegando à produção

Uma das maiores preocupações é a segurança.

Pesquisadores registraram um aumento mensurável de vulnerabilidades relacionadas a código gerado por IA. Somente em março de 2026, pelo menos 35 novas vulnerabilidades registradas (CVE) foram diretamente associadas a código produzido por ferramentas de IA.

O número real provavelmente é maior, já que muitos casos não deixam metadados claros sobre sua origem.

Estudos também mostram que modelos de IA frequentemente reproduzem padrões inseguros presentes nos dados de treinamento. Em testes com vários modelos populares, cerca de 45% das amostras de código geradas introduziram vulnerabilidades comuns, incluindo falhas presentes no OWASP Top 10.

Outro risco crescente é o vazamento de segredos.

Uma análise de fluxos reais de desenvolvimento descobriu que commits assistidos por IA expõem credenciais mais que o dobro do que commits feitos apenas por humanos — 3,2% contra 1,5%.

Isso contribui para o aumento de chaves de API e senhas codificadas diretamente em repositórios públicos.

O caso OpenClaw: quando agentes de IA ficam expostos na internet

Os riscos se tornam ainda mais visíveis em sistemas que combinam IA com automação.

A plataforma de assistente de IA de código aberto OpenClaw virou um exemplo amplamente citado por pesquisadores de segurança. Investigações encontraram dezenas de milhares de implantações acessíveis pela internet, muitas vulneráveis a invasões por causa de configurações incorretas ou versões desatualizadas.

Em algumas análises, mais de 21 mil instâncias públicas foram detectadas online, com sistemas mal configurados vazando chaves de API, tokens OAuth e credenciais em texto simples.

Problemas também apareceram no marketplace de extensões da plataforma. Um estudo que analisou quase 4 mil extensões encontrou 283 pacotes — cerca de 7,1% — com falhas críticas no manuseio de credenciais que poderiam expor dados sensíveis.

Esses incidentes ilustram um problema mais amplo: quando agentes de IA poderosos são implantados sem práticas sólidas de segurança, eles podem virar painéis públicos de controle para sistemas inteiros.

Por que engenheiros se preocupam com usuários sem treinamento

Muitos desenvolvedores dizem que o problema real não são as ferramentas, mas quem as utiliza e como.

O desenvolvimento tradicional pressupõe que quem escreve o código entende sua arquitetura, dependências e limites de segurança. O vibe coding quebra essa premissa.

Mesmo alguém que não consegue ler ou analisar profundamente o código gerado ainda pode implantar uma aplicação funcional. O problema é que essa pessoa pode não perceber:

• vulnerabilidades ocultas
• fluxos de autenticação inseguros
• cadeias de dependências perigosas
• falhas em cenários menos comuns

Na prática, isso pode produzir sistemas que funcionam em demonstrações, mas falham em situações reais. Engenheiros às vezes chamam esse tipo de aplicação de “happy‑path software” — software que funciona apenas em cenários ideais.

O custo invisível: dívida técnica em escala

Mesmo quando o código gerado por IA funciona corretamente, ele pode gerar dívida técnica rapidamente.

Como essas ferramentas aumentam drasticamente a quantidade de código produzida por cada desenvolvedor, organizações acabam mantendo bases de código maiores e mais complexas.

Se esse código inclui lógica redundante, padrões inconsistentes ou documentação fraca, qualquer mudança futura se torna mais cara e arriscada.

Pesquisadores de segurança alertam que isso cria também “dívida de segurança”, na qual vulnerabilidades se acumulam mais rápido do que as equipes conseguem identificar e corrigir.

Ou seja: o ganho de produtividade aparece imediatamente — mas o custo de manutenção surge depois.

Um problema parecido começa a surgir na ciência

A mesma dinâmica — geração barata combinada com avaliação cara — também começa a aparecer na pesquisa científica.

Ferramentas de IA já são usadas para buscar literatura, gerar hipóteses, escrever rascunhos de artigos e auxiliar no processo de revisão.

Em alguns casos, os resultados são promissores. Experimentos mostram que modelos de linguagem podem gerar hipóteses plausíveis e potencialmente úteis para investigação científica.

No entanto, estudos comparando ideias humanas e geradas por IA indicam que hipóteses criadas por IA frequentemente apresentam desempenho inferior quando testadas experimentalmente.

Editores e pesquisadores também temem um efeito semelhante ao “AI slop” na academia. Um editorial publicado em 2026 na revista Science alertou que o uso excessivo ou não declarado de IA na produção de artigos pode comprometer a confiabilidade da literatura científica se a supervisão não acompanhar o ritmo da automação.

O verdadeiro gargalo: julgamento humano

Tanto no desenvolvimento de software quanto na pesquisa científica, o problema central é o mesmo.

A inteligência artificial reduz drasticamente o custo de produzir resultados — código, hipóteses, relatórios ou artigos.

Mas o custo de avaliar esses resultados ainda depende de especialistas humanos.

Quando gerar conteúdo se torna quase gratuito e a avaliação continua escassa, sistemas inteiros podem ser inundados por trabalho plausível, porém pouco confiável.

No software, isso aparece como código inseguro e sistemas frágeis. Na ciência, pode surgir como grandes volumes de hipóteses fracas ou manuscritos de baixa qualidade.

O verdadeiro desafio para empresas, comunidades de software e instituições científicas não é apenas adotar ferramentas de IA — é criar processos de revisão, segurança e governança capazes de lidar com a avalanche de produção que elas tornam possível.