O uso da Inteligência artificial para geração de código tem, nos últimos tempos, aumentado de maneira dramática. De acordo com fontes como Hostinger [1], mais de  noventa porcento (90%) dos desenvolvedores utilizam da inteligência artificial de maneira regular. Essa porcentagem, embora já muito alta, tende somente a aumentar num futuro próximo, já que, no mercado, vê-se a necessidade crescente de se fazer mais, de maneira mais barata, mais rápido.

Nesse ínterim, a firma de governadoria de software Secure Code Warrior [2], revelou ontem – dia vinte e um (21) de julho de dois mil e vinte e seis (2026) -, seu índice de confiabilidade em Inteligências artificiais – AI Trust Index – , um corpo de dados os quais objetificam quantificar o risco decorrente do uso de ferramentas de codificação auxiliadas por inteligência artificial. O índice foi estruturado com base numa metodologia desenvolvida na universidade RMIT, sendo avaliadas na elaboração do índice mais de mil e setecentas (1700) bases de código geradas por 16 modelos – de vendors como OpenAI, Google, Anthropic e outros.

O código gerado por inteligência artificial continha uma média de quinze (15) vulnerabilidades confirmadas por base de código, incluindo uma média de 4.3 vulnerabilidades classificadas como críticas ou como alta severidade. Mais de vinte e sete mil (27.000) vulnerabilidades foram identificadas no total em todas as bases de dados.

Pelo que foi observado na pesquisa, porém, cada modelo pareceu ter uma fingerprint –  digital –  de segurança – de acordo com o relatório, dentre todos os frameworks avaliados, modelos recorrentemente exibiram os mesmos padrões de vulnerabilidade próprios. O índice de confiabilidade em IAs mostra que cada modelo analisado apresentou uma limitada variedade de categorias de vulnerabilidade OWASP em suas bases de código, fato o qual permite que organizações as quais utilizam certo modelo prevejam onde vulnerabilidades possivelmente exploráveis são mais prováveis de ocorrência.

Fora também notado que a performance do modelo é muito dependente do framework da base de código. Um modelo pode performar muito bem em um framework (ex: React ou Django), porém, pode performar mediocremente em outro. Em geral, a escolha do framework se mostrou bem melhor como critério de tomada de decisão de uso do que a pontuação no escore de confiabilidade geral.

Afinal, como se adaptar, com segurança, à programação assistida?

As aplicações em frameworks nos quais menos vulnerabilidades foram detectadas estavam mais de quarenta vezes mais seguras do que as aplicações nos frameworks de baixa performance, realçando  muito a necessidade de escolha de um modelo adequado ao framework adotado na construção da aplicação.

Diante disso, CEO e cofundador da Secure Code Warrior asserta: “Não é possível que os frameworks utilizados por todos os times sejam substituídos repentinamente, porém, pode-se requerir que quaisquer times trabalhando em aplicações de alto risco adotem uma política de segurança mais rígida e tenham requerimentos de treino de modelo mais estritos, assim como você precisaria de mais escrutínio para qualquer outro sistema de alto risco em seu ambiente”.

O próprio também recomenda a adoção de soluções universais ao invés da cobertura individual de todas as situações adversas as quais podem ser encontradas pelo programador. É dito que os vetores de ameaça continuam, majoritariamente, sendo os mesmos de sempre, times de segurança de aplicações na maioria das vezes já até têm playbooks para situações dentre as identificadas, porém, cabe a esses apontarem tais métodos às aplicações codificadas com assistência de IAs assim como o fazem com qualquer outra coisa.

Referências

[1] https://www.hostinger.com/blog/vibe-coding-statistics/

[2] https://aitrustindex.securecodewarrior.com/