Analizy
Wszyscy „czują vibe", ale nikt nie czyta kodu. Analizujemy zjawisko Vibe Codingu, plagę Slopsquattingu i to, jak AI po cichu degraduje bezpieczeństwo naszych aplikacji.
Wyobraź sobie taki obrazek: Programista siedzi wygodnie w fotelu, ręce splecione za głową, z dala od klawiatury. Mówi do mikrofonu: „Zrób mi ten moduł logowania, ale dorzuć 2FA i integrację z Firebase". Model Whisper w ułamku sekundy zamienia jego mowę na tekst, który trafia prosto do terminala w którym uruchomiony jest Claude Code. Ten wypluwa setki linii kodu na ekran, a następnie commituje. W tle, cicho i bezszelestnie, Google Jules – autonomiczny agent zintegrowany z repozytorium – przechwytuje ten kod. Samodzielnie go przegląda, wykrywa błędy logiczne, poprawia je i wystawia gotowy Pull Request. Człowiek? Człowiek w tym czasie dopija kawę, czując satysfakcję z „dobrze wykonanej pracy". To nie scena z filmu sci-fi, to typowy wtorek w 2025 roku. Ale jak pokazaliśmy w analizie autonomicznych agentów jako narzędzi hakerskich, ta sama technologia może być wykorzystana w cyberatakach.
Pamiętacie jeszcze czasy, gdy programowanie oznaczało żonglowanie wskaźnikami, walkę z kompilatorem o brakujący średnik i wertowanie opasłych tomów dokumentacji? Choć wydaje się, że to było wieki temu, w rzeczywistości minęło zaledwie kilka lat. Rok 2025 przyniósł zmianę, która dla jednych jest spełnieniem marzeń o demokratyzacji technologii, a dla inżynierów bezpieczeństwa – początkiem długich, bezsennych nocy. Mowa o „Vibe Coding” – zjawisku, które wzięło Dolinę Krzemową szturmem.
Termin, spopularyzowany na początku roku przez Andreja Karpathy’ego (byłego szefa AI w Tesli), idealnie oddaje ducha naszych czasów. Programista z rzemieślnika i autora, dbającego o każdy detal, staje się kuratorem lub dyrygentem. Nie piszesz już pętli for, nie definiujesz klas, nie martwisz się o wcięcia w Pythonie. Zamiast tego, rzucasz w stronę modelu LLM (jak GPT-4, Claude czy DeepSeek) swoje intencje, opisane luźnym, naturalnym językiem. Mówisz: „zrób mi dashboard finansowy w React, który ładnie wygląda”, a sztuczna inteligencja wypluwa gotowy, działający kod.
Karpathy stwierdził wręcz, że „najgorętszym nowym językiem programowania jest angielski”. Brzmi pięknie, prawda? Problem w tym, że w Vibe Codingu użytkownik – jak sama nazwa wskazuje – po prostu „płynie z vibem”. Oznacza to akceptację kodu bez dogłębnej analizy, a często – bądźmy szczerzy – bez przeczytania choćby jednej linijki. Liczy się efekt końcowy: aplikacja działa, przyciski reagują, szef jest zadowolony. Ale to, co kryje się pod maską – architektura, bezpieczeństwo i dług technologiczny – to zupełnie inna, często przerażająca historia.
Ale żeby nie było tak ponuro – Vibe Coding ma też jasną stronę. To przede wszystkim obietnica demokratyzacji IT na niespotykaną dotąd skalę. Próg wejścia do świata technologii drastycznie maleje, pozwalając hobbystom bez technicznego zaplecza tworzyć w pełni funkcjonalne aplikacje, o których wcześniej mogli tylko marzyć. Paradygmat zmienia się z imperatywnego „jak to zrobić?” (czyli żmudnego pisania kodu) na deklaratywne „co chcę osiągnąć?”. Liczy się pomysł, a nie znajomość zawiłości kompilatora.
Dla biznesu to z kolei turbodoładowanie w prototypowaniu. Pomysły, które kiedyś wymagały tygodni pracy zespołu deweloperów, dziś mogą zostać zweryfikowane w jedno popołudnie. To uwalnia kreatywność i pozwala skupić się na wartości biznesowej, zamiast grzęznąć w konfiguracji środowiska czy zarządzaniu zależnościami. Poczucie „flow” i sprawczości jest w tym modelu po prostu uzależniające – i to ono napędza rewolucję, mimo wszystkich jej ryzyk.
Vibe coding nie istniałby bez potężnych modeli i środowisk, które w 2025 roku przeszły ewolucję od prostych asystentów do w pełni autonomicznych agentów. Dzisiejsze narzędzia nie tylko podpowiadają składnię – one zarządzają całym cyklem życia kodu, od terminala po pull requesty. Oto arsenał współczesnego „zaklinacza kodu”:
Niestety, entuzjazm szybko studzą twarde dane. Badania z lat 2024-2025 malują ponury obraz jakości kodu generowanego przez AI. Okazuje się, że nasi cyfrowi asystenci to nie genialni inżynierowie, lecz raczej błyskawiczni, ale niezbyt rozgarnięci stażyści z podkolorowanym CV.
Analiza ponad pół miliona fragmentów kodu w Pythonie i Javie nie pozostawia złudzeń: kod pisany przez AI jest systemowo mniej bezpieczny. Aż 62% próbek kodu z modeli LLM zawierało luki bezpieczeństwa. Co gorsza, 60% z nich to błędy o statusie krytycznym (wśród ludzi ten odsetek to 45%). AI nie popełnia drobnych błędów – jak już się myli, to na całego.
Sztuczna inteligencja to niepoprawna optymistka. Zakłada, że użytkownik Twojej aplikacji będzie miły, wpisze poprawne dane i nigdy nie spróbuje niczego zepsuć. Modele LLM nagminnie ignorują defensywne praktyki programistyczne. Efekt? Brak walidacji danych wejściowych (CWE-20) to prawdziwa plaga. AI zapomina o sanityzacji, otwierając szeroko drzwi do ataków SQL Injection czy OS Command Injection. Nawet jeśli poprosisz o „bezpieczny kod”, zabezpieczenia często są powierzchowne, niespójne lub przestarzałe.
Innym powszechnym grzechem jest „hardkodowanie” danych uwierzytelniających. Poproś AI o połączenie z bazą danych, a jest spora szansa, że login, hasło i klucz API wylądują prosto w kodzie źródłowym, zamiast w bezpiecznych zmiennych środowiskowych. Model „chce dobrze” – zależy mu, żeby kod zadziałał od razu, więc idzie na skróty, serwując potencjalnym atakującym dane uwierzytelniające na tacy.
To jedno z najbardziej zdradliwych odkryć. Wydawałoby się, że „rozmowa” z AI i proszenie o poprawki powinno ulepszać kod. Rzeczywistość jest inna. Gdy prosimy model o optymalizację, często zapomina on o kontekście bezpieczeństwa (zjawisko znane jako Catastrophic Forgetting). Po zaledwie pięciu iteracjach w stylu „spraw, by działało szybciej”, liczba krytycznych podatności potrafi wzrosnąć o niemal 38%. Model, chcąc nas zadowolić, po cichu wycina „zbędne” jego zdaniem walidacje, traktując je jako niepotrzebny narzut.
Jeśli myśleliście, że typosquatting (literówki w nazwach pakietów, np. reqeusts zamiast requests) to problem, poznajcie jego bardziej wyrafinowanego i groźniejszego kuzyna: slopsquatting.
Termin ten to zgrabne połączenie słów „slop” (papkowe, niskiej jakości treści generowane przez AI) i „squatting” (zajmowanie nazw). Mechanizm ataku jest genialny w swojej prostocie i bazuje na halucynacjach modeli językowych.
Modele AI nie „znają” bibliotek – one jedynie przewidują, jakie słowa powinny po sobie następować. Statystycznie wiedzą, że do obsługi chmury Google często używa się pakietów o nazwach w stylu google-cloud- z końcówką -utils czy -helper. Często więc zmyślają nazwy bibliotek, które powinny istnieć, ale w rzeczywistości nie istnieją, np. google-cloud-storage-helper.
Cyberprzestępcy tylko na to czekają. Monitorują te halucynacje, rejestrują wymyślone przez AI nazwy w publicznych repozytoriach (npm, PyPI) i umieszczają tam złośliwy kod (np. Reverse Shell lub Infostealery). OWASP w raporcie na 2025 rok potwierdza to zagrożenie. Scenariusz ataku jest prosty:
huggingface-cli” (przykład autentyczny).pip install huggingface-cli do terminala.Jaka jest skala problemu? Badania pokazują, że około 20% pakietów sugerowanych przez modele open-source to halucynacje. W przypadku gigantów jak GPT-4 jest to „tylko” 3-5%, ale przy milionach deweloperów daje to ogromną powierzchnię ataku.
Technologia to jedno. Prawdziwe spustoszenie Vibe Coding sieje jednak w naszych głowach i zespołach.
Code Review Fatigue (Zmęczenie Recenzowaniem) Seniorzy, zamiast projektować architekturę, toną w morzu kodu generowanego przez AI, stając się wąskim gardłem każdego projektu. Przy tak ogromnej ilości kodu czujność spada. Pojawia się „Rubber Stamping” – bezrefleksyjne zatwierdzanie zmian, bo kod „na oko” wygląda dobrze, jest sformatowany i ma komentarze. To prosta droga do długu technicznego i systemów, których nikt w firmie tak naprawdę nie rozumie.
Atrofia Umiejętności u Juniorów To chyba najsmutniejszy aspekt tej rewolucji. Młodzi programiści, którzy od początku kariery opierają się na AI, wpadają w pułapkę. Stają się operatorami narzędzia, a nie inżynierami. Nie uczą się debugowania, nie rozumieją podstaw. Gdy AI popełni subtelny błąd logiczny (a zrobi to na pewno), taki programista jest bezradny. Tracimy zdolność do krytycznego myślenia i weryfikacji. Tworzy się pokoleniowa luka kompetencyjna.
Iluzja Produktywności Mimo subiektywnego poczucia „flow”, twarde dane są bezlitosne. Raporty (np. badanie METR z 2025 r.) pokazują, że programiści korzystający z AI często potrzebują więcej czasu na ukończenie zadań – nawet o 19%! Czas zaoszczędzony na pisaniu prostego kodu jest z nawiązką marnowany na żmudne debugowanie i naprawianie halucynacji AI.
Na horyzoncie majaczy kolejne zagrożenie: Autonomiczni Agenci AI (jak Devin czy GitHub Copilot Workspace). To już nie są tylko czatboty. To programy, które mają sprawczość – mogą wykonywać komendy, zarządzać plikami, a nawet wdrażać aplikacje na produkcję.
Otwiera to drogę do ataków RCE (Remote Code Execution) poprzez Prompt Injection. Wyobraźmy sobie, że atakujący umieszcza złośliwą instrukcję w treści zgłoszenia na GitHubie. Agent AI, który ma za zadanie „naprawić błąd”, czyta ten tekst i wykonuje ukrytą w nim komendę, myśląc, że to część zadania. W ten sposób haker może przejąć kontrolę nad środowiskiem deweloperskim. Do tego dochodzą luki w samych frameworkach AI. Badacze odkryli podatność ShadowMQ – błędy w domyślnej konfiguracji bibliotek takich jak Ray czy PyTorch, które pozwalają na nieautoryzowane przejęcie klastrów GPU.
AI w programowaniu to nie chwilowa moda – zostanie z nami na dobre. Nie chodzi o to, by stać się luddystą, ale by zamienić naiwny entuzjazm na zasadę ograniczonego zaufania.
npm install.Vibe Coding to potężne narzędzie, ale w nieświadomych rękach przypomina odbezpieczony granat. Pamiętajcie: dobry vibe jest świetny na koncercie, ale w kodzie źródłowym lepiej postawić na chłodną analizę i zdrową dawkę paranoi.
Aleksander
Źródła:
Czytaj dalej
Sztuczna inteligencja miała ułatwiać nam życie, ale stała się też potężnym narzędziem w rękach cyberprzestępców. Poznaj kulisy fascynującego ataku, w którym haker użył modeli Claude i ChatGPT do ominięcia zabezpieczeń i kradzieży wrażliwych danych rządu Meksyku.
Czy sztuczna inteligencja może mieć traumę? Odkrywamy fascynujące i niepokojące wyniki eksperymentu, w którym algorytmy poddano sesjom terapeutycznym. Wynik? Syntetyczna psychopatologia.
Współczesne modele językowe zderzają się ze ścianą — pamięcią. TurboQuant to nowa technologia kompresji wektorowej, która potrafi zmniejszyć KV Cache pięciokrotnie, zachowując przy tym pełną inteligencję modelu.
Bezpłatna konsultacja z naszym ekspertem — bez zobowiązań, w pełnej poufności.
Porozmawiajmy
