• Написання коду стає надзвичайно швидким.
• Перевірка та валідація цього коду залишаються повільними та вимагають досвіду.

Цей дисбаланс означає, що команди можуть накопичувати великі обсяги функціонально правильного, але погано зрозумілого програмного забезпечення, яке з часом стає все складніше підтримувати.

Супроводжувачі проєктів з відкритим кодом уже повідомляють, що їх переповнює потік згенерованих ШІ внесків — явище, яке аналітики іноді називають хвилею «AI slop», що напружує процеси перевірки та управління проєктами.

Ризики безпеки: більше вразливостей потрапляє в продакшн

Одне з найсерйозніших занепокоєнь — безпека.

Дослідники з безпеки задокументували вимірне збільшення кількості вразливостей, пов’язаних з кодом, згенерованим ШІ. Наприклад, у березні 2026 року було зафіксовано щонайменше 35 нових записів CVE, безпосередньо пов’язаних з кодом, написаним ШІ, причому реальне число, ймовірно, вище, оскільки багато випадків не мають виявлених метаданих.

Численні дослідження також свідчать, що інструменти ШІ часто відтворюють небезпечні шаблони зі своїх навчальних даних. Тестування основних моделей показало, що близько 45% згенерованих зразків коду містять поширені вразливості безпеки, включаючи проблеми з категорій OWASP Top 10.

Інший ризик пов’язаний з витоком секретів. Аналіз реальних робочих процесів показав, що коміти, створені за допомогою ШІ, викривали облікові дані більш ніж удвічі частіше, ніж коміти, написані виключно людиною (3,2% проти 1,5%), що сприяє загальному зростанню кількості жорстко закодованих облікових даних у публічних репозиторіях.

Разом ці тенденції підвищують ймовірність того, що вразливості, небезпечні конфігурації або витоки ключів потраплять у робочі системи.

Приклад OpenClaw: коли системи ШІ відкриті в Інтернеті

Ризики стають особливо очевидними в системах, побудованих навколо агентів ШІ та інструментів автоматизації.

Платформа AI-асистента з відкритим кодом OpenClaw згадується дослідниками безпеки як головний приклад незахищеної AI-інфраструктури. Розслідування виявили десятки тисяч доступних з Інтернету розгортань, багато з яких вразливі до захоплення через неправильну конфігурацію або застаріле програмне забезпечення.

Під час деяких сканувань було знайдено понад 21 000 публічно доступних екземплярів, причому неправильно налаштовані системи витікали ключі API, токени OAuth та облікові дані у відкритому вигляді.

Подальший аналіз екосистеми платформи виявив проблеми в її маркетплейсі розширень: сканування майже 4000 навичок показало, що 283 пакети — приблизно 7,1% — містять критичні дефекти обробки облікових даних, які можуть призвести до витоку конфіденційних даних.

Ці інциденти ілюструють ширшу проблему: коли потужні AI-агенти розгортаються без надійних практик безпеки, вони можуть стати, по суті, публічними панелями керування для систем, з якими вони інтегровані.

Чому інженери турбуються про недосвідчених користувачів

Багато розробників підкреслюють, що справжня небезпека полягає не в самих інструментах, а в тому, хто їх використовує і як.

Традиційна розробка програмного забезпечення передбачає, що людина, яка пише код, розуміє його архітектуру, залежності та межі безпеки. Vibe coding руйнує це припущення.

Якщо хтось не може прочитати або проаналізувати згенерований код, він може все одно розгорнути робочий застосунок — але може не помітити:

• приховані вразливості
• небезпечні потоки автентифікації
• ненадійні ланцюжки залежностей
• тонкі помилки в крайових випадках

На практиці це може створювати програмне забезпечення, яке працює в демонстраціях, але виходить з ладу в реальних умовах. Інженери часто називають такі системи «програмним забезпеченням щасливого шляху» — застосунками, які функціонують лише в ідеальних сценаріях, оскільки їхні творці не можуть повністю оцінити логіку, що лежить в основі.

Довгострокова ціна: технічний борг у масштабі

Навіть коли код, згенерований ШІ, працює правильно, він може швидко накопичувати технічний борг.

Оскільки ШІ значно збільшує обсяг коду, створеного одним розробником, організації в кінцевому підсумку керують більшими та складнішими кодовою базою. Якщо цей код містить надлишкову логіку, неузгоджені шаблони проектування або слабку документацію, майбутні зміни стають дорожчими та ризикованішими.

Дослідники безпеки попереджають, що ця динаміка створює форму «боргу безпеки», коли вразливості накопичуються швидше, ніж організації можуть їх ідентифікувати та виправити.

Іншими словами, підвищення продуктивності відбувається негайно, але витрати на обслуговування з’являються пізніше.

Паралельна проблема в наукових дослідженнях

Та сама динаміка — дешеве створення в поєднанні з дорогою оцінкою — починає проявлятися в науці.

Системи ШІ все частіше використовуються для пошуку літератури, генерації гіпотез, написання статей та допомоги в процесах рецензування.

У деяких випадках результати багатообіцяючі. Експерименти показують, що мовні моделі можуть генерувати правдоподібні, а іноді й нові наукові гіпотези, які дослідники можуть перевірити експериментально.

Однак масштабні дослідження, що порівнюють людські та згенеровані ШІ наукові ідеї, свідчать, що гіпотези, створені ШІ, часто виявляються гіршими під час експериментальної перевірки.

Редактори та дослідники дедалі більше турбуються про можливість ефекту «AI slop» і в академічному середовищі. Редакційна стаття в журналі Science за 2026 рік попередила, що неоголошене або надмірне використання ШІ у створенні рукописів може знизити надійність наукових записів, якщо нагляд не встигатиме за розвитком подій.

Справжнє вузьке місце: людське судження

Як у розробці програмного забезпечення, так і в дослідженнях основна проблема одна й та сама.

ШІ різко знижує вартість створення результатів — коду, статей, гіпотез або дизайнів. Але вартість оцінки цих результатів все ще залежить від досвіду людини-експерта.

Коли створення стає майже безкоштовним, а оцінка залишається дефіцитною, системи можуть бути переповнені правдоподібною, але ненадійною роботою. У програмуванні це проявляється як небезпечний код і крихкі системи. У науці — як великий обсяг слабких гіпотез або низькоякісних рукописів.

Виклик для організацій та установ полягає не просто у впровадженні інструментів ШІ, а в побудові процесів перевірки, практик безпеки та управління, необхідних для того, щоб потік результатів не перетворився на «vibe slop».

• Написання коду стає надзвичайно швидким.
• Перевірка та валідація цього коду залишаються повільними та вимагають досвіду.

Цей дисбаланс означає, що команди можуть накопичувати великі обсяги функціонально правильного, але погано зрозумілого програмного забезпечення, яке з часом стає все складніше підтримувати.

Супроводжувачі проєктів з відкритим кодом уже повідомляють, що їх переповнює потік згенерованих ШІ внесків — явище, яке аналітики іноді називають хвилею «AI slop», що напружує процеси перевірки та управління проєктами.

Ризики безпеки: більше вразливостей потрапляє в продакшн

Одне з найсерйозніших занепокоєнь — безпека.

Дослідники з безпеки задокументували вимірне збільшення кількості вразливостей, пов’язаних з кодом, згенерованим ШІ. Наприклад, у березні 2026 року було зафіксовано щонайменше 35 нових записів CVE, безпосередньо пов’язаних з кодом, написаним ШІ, причому реальне число, ймовірно, вище, оскільки багато випадків не мають виявлених метаданих.

Численні дослідження також свідчать, що інструменти ШІ часто відтворюють небезпечні шаблони зі своїх навчальних даних. Тестування основних моделей показало, що близько 45% згенерованих зразків коду містять поширені вразливості безпеки, включаючи проблеми з категорій OWASP Top 10.

Інший ризик пов’язаний з витоком секретів. Аналіз реальних робочих процесів показав, що коміти, створені за допомогою ШІ, викривали облікові дані більш ніж удвічі частіше, ніж коміти, написані виключно людиною (3,2% проти 1,5%), що сприяє загальному зростанню кількості жорстко закодованих облікових даних у публічних репозиторіях.

Разом ці тенденції підвищують ймовірність того, що вразливості, небезпечні конфігурації або витоки ключів потраплять у робочі системи.

Приклад OpenClaw: коли системи ШІ відкриті в Інтернеті

Ризики стають особливо очевидними в системах, побудованих навколо агентів ШІ та інструментів автоматизації.

Платформа AI-асистента з відкритим кодом OpenClaw згадується дослідниками безпеки як головний приклад незахищеної AI-інфраструктури. Розслідування виявили десятки тисяч доступних з Інтернету розгортань, багато з яких вразливі до захоплення через неправильну конфігурацію або застаріле програмне забезпечення.

Під час деяких сканувань було знайдено понад 21 000 публічно доступних екземплярів, причому неправильно налаштовані системи витікали ключі API, токени OAuth та облікові дані у відкритому вигляді.

Подальший аналіз екосистеми платформи виявив проблеми в її маркетплейсі розширень: сканування майже 4000 навичок показало, що 283 пакети — приблизно 7,1% — містять критичні дефекти обробки облікових даних, які можуть призвести до витоку конфіденційних даних.

Ці інциденти ілюструють ширшу проблему: коли потужні AI-агенти розгортаються без надійних практик безпеки, вони можуть стати, по суті, публічними панелями керування для систем, з якими вони інтегровані.

Чому інженери турбуються про недосвідчених користувачів

Багато розробників підкреслюють, що справжня небезпека полягає не в самих інструментах, а в тому, хто їх використовує і як.

Традиційна розробка програмного забезпечення передбачає, що людина, яка пише код, розуміє його архітектуру, залежності та межі безпеки. Vibe coding руйнує це припущення.

Якщо хтось не може прочитати або проаналізувати згенерований код, він може все одно розгорнути робочий застосунок — але може не помітити:

• приховані вразливості
• небезпечні потоки автентифікації
• ненадійні ланцюжки залежностей
• тонкі помилки в крайових випадках

На практиці це може створювати програмне забезпечення, яке працює в демонстраціях, але виходить з ладу в реальних умовах. Інженери часто називають такі системи «програмним забезпеченням щасливого шляху» — застосунками, які функціонують лише в ідеальних сценаріях, оскільки їхні творці не можуть повністю оцінити логіку, що лежить в основі.

Довгострокова ціна: технічний борг у масштабі

Навіть коли код, згенерований ШІ, працює правильно, він може швидко накопичувати технічний борг.

Оскільки ШІ значно збільшує обсяг коду, створеного одним розробником, організації в кінцевому підсумку керують більшими та складнішими кодовою базою. Якщо цей код містить надлишкову логіку, неузгоджені шаблони проектування або слабку документацію, майбутні зміни стають дорожчими та ризикованішими.

Дослідники безпеки попереджають, що ця динаміка створює форму «боргу безпеки», коли вразливості накопичуються швидше, ніж організації можуть їх ідентифікувати та виправити.

Іншими словами, підвищення продуктивності відбувається негайно, але витрати на обслуговування з’являються пізніше.

Паралельна проблема в наукових дослідженнях

Та сама динаміка — дешеве створення в поєднанні з дорогою оцінкою — починає проявлятися в науці.

Системи ШІ все частіше використовуються для пошуку літератури, генерації гіпотез, написання статей та допомоги в процесах рецензування.

У деяких випадках результати багатообіцяючі. Експерименти показують, що мовні моделі можуть генерувати правдоподібні, а іноді й нові наукові гіпотези, які дослідники можуть перевірити експериментально.

Однак масштабні дослідження, що порівнюють людські та згенеровані ШІ наукові ідеї, свідчать, що гіпотези, створені ШІ, часто виявляються гіршими під час експериментальної перевірки.

Редактори та дослідники дедалі більше турбуються про можливість ефекту «AI slop» і в академічному середовищі. Редакційна стаття в журналі Science за 2026 рік попередила, що неоголошене або надмірне використання ШІ у створенні рукописів може знизити надійність наукових записів, якщо нагляд не встигатиме за розвитком подій.

Справжнє вузьке місце: людське судження

Як у розробці програмного забезпечення, так і в дослідженнях основна проблема одна й та сама.

ШІ різко знижує вартість створення результатів — коду, статей, гіпотез або дизайнів. Але вартість оцінки цих результатів все ще залежить від досвіду людини-експерта.

Коли створення стає майже безкоштовним, а оцінка залишається дефіцитною, системи можуть бути переповнені правдоподібною, але ненадійною роботою. У програмуванні це проявляється як небезпечний код і крихкі системи. У науці — як великий обсяг слабких гіпотез або низькоякісних рукописів.

Виклик для організацій та установ полягає не просто у впровадженні інструментів ШІ, а в побудові процесів перевірки, практик безпеки та управління, необхідних для того, щоб потік результатів не перетворився на «vibe slop».